一體化智能柔性仿真評估技術(shù)研究

侯 磊，曾 望，范海文，程思齊，朱子薇

（1.北方自動控制技術(shù)研究所，太原 030006；2.解放軍63963 部隊，北京 100072）

0 引言

一體化聯(lián)合作戰(zhàn)時，裝備體系作戰(zhàn)能力的強弱直接決定了戰(zhàn)斗力的水平。只有準(zhǔn)確評估裝備體系的作戰(zhàn)能力，客觀把握裝備體系作戰(zhàn)能力的現(xiàn)狀，才能明晰裝備體系作戰(zhàn)能力與既定體系能力目標(biāo)的差距，準(zhǔn)確認(rèn)識自身的強點弱項。通過仿真手段，可以有力支持開展全要素的整建制部隊遂行聯(lián)合作戰(zhàn)任務(wù)全過程的裝備體系對抗作戰(zhàn)實驗，評估部隊武器裝備體系的作戰(zhàn)能力。

裝備體系對抗仿真評估是一個包含多步驟、涉及多領(lǐng)域的復(fù)雜問題。隨著武器裝備體系仿真規(guī)模的龐大化以及結(jié)構(gòu)的復(fù)雜化，相應(yīng)的仿真評估內(nèi)容也隨之增加，而且復(fù)雜仿真實驗因子數(shù)量眾多、評估指標(biāo)體系復(fù)雜。因此，如何充分利用仿真過程中產(chǎn)生的海量數(shù)據(jù)，開展智能化在線評估與自動優(yōu)化，是一個亟待解決的關(guān)鍵問題。

1 軍事需求分析

1.1 武器裝備體系效能仿真評估的能力不足

現(xiàn)代戰(zhàn)爭越來越關(guān)注多軍、兵種的聯(lián)合作戰(zhàn)，這使得需要考慮的戰(zhàn)場因素越來越多。因此，對武器裝備體系效能的仿真評估也提出了更高的要求。在設(shè)計仿真試驗時，需要獲取包含海量信息的試驗數(shù)據(jù)，并且管理和處理這些試驗數(shù)據(jù)以及評估結(jié)果［1］。因此，武器裝備體系效能仿真評估的整個過程需要試驗設(shè)計、資源管理、數(shù)據(jù)分析以及決策評估等各項領(lǐng)域的研究人員共同完成。由此可知，研究如何提高武器裝備效能仿真評估能力和效率的支撐技術(shù)成為一種迫切需求。

1.2 體系能力度量和評估的方法不足

傳統(tǒng)的仿真評估往往重視新裝備的功能和性能層面的評估，忽略其對抗體系，特別是對作戰(zhàn)體系的影響。這種評估結(jié)果不能體現(xiàn)聯(lián)合作戰(zhàn)和在全球戰(zhàn)爭背景下與各類作戰(zhàn)對手對抗的效果。以往的算法通過定義一個多層次結(jié)構(gòu)的指標(biāo)體系，由底層指標(biāo)加權(quán)得出頂層指標(biāo)，最終得到評估結(jié)果。這種評估方法無法突破樹狀結(jié)構(gòu)、因果影響的傳統(tǒng)觀念，用絕對的數(shù)值來評價其整體能力，結(jié)果往往是不科學(xué)的。在復(fù)雜系統(tǒng)觀指導(dǎo)下，應(yīng)該有新的評價體系建立的思路和方法。

1.3 模型的可信性驗證不足

在仿真評估工作中存在多個仿真模型可供選擇。對其可信性進行驗證，并從中選出可信性最高的模型是亟待解決的問題。解決模型可信性的關(guān)鍵是如何全面、合理地度量仿真輸出和參考輸出之間的差異，以及如何綜合利用這些差異對仿真模型進行驗證和選擇。當(dāng)參考輸出不完備時，仿真模型的驗證及參數(shù)估計需要在上述基礎(chǔ)上，如何得到使仿真模型可信性最佳的模型參數(shù)取值。

綜上所述，開展智能化在線評估與自動優(yōu)化技術(shù)研究，對解決裝備體系對抗仿真評估的難題，大幅提高其智能化水平，具有十分重要的意義。

2 武器裝備體系效能仿真評估的現(xiàn)狀分析

從20 世紀(jì)90 年代開始至今，在計算機、軟件、網(wǎng)絡(luò)以及數(shù)據(jù)庫等技術(shù)的飛速發(fā)展下，武器裝備效能仿真評估的支撐技術(shù)也得到了長足進步。代表性的工作包括：RAND 公司的Davis 提出了探索性分析方法，并給出了實現(xiàn)該分析方法的多分辨率、多視角建?？蚣堋AND 公司的John 提出多屬性決策與探索性建?；旌辖换ピu估，給出了一種能將專家經(jīng)驗數(shù)據(jù)和仿真結(jié)果數(shù)據(jù)進行綜合處理，集成模糊數(shù)學(xué)和層次分析法等方法的作戰(zhàn)效能評估框架。Lewis 指出了美國海軍艾伯特工程中的數(shù)據(jù)耕耘主要是用于解決軍事運籌學(xué)問題，并設(shè)計了用于支持?jǐn)?shù)據(jù)耕耘的信息系統(tǒng)。Bassham 等提出了一種自動目標(biāo)識別分類系統(tǒng)（Automatic Target Recognition System，ATRCS）的效能評估框架，并從作戰(zhàn)仿真試驗和評估專家的角度去建立ATRCS 的評估模型，完成作戰(zhàn)的效能評估。Sheehan 提出了MMF（Mission and Means Framework）評估框架，該框架在協(xié)助作戰(zhàn)人員、工程人員和導(dǎo)調(diào)人員理解軍事行動、系統(tǒng)信息和使命效能定量評估方面有重要的意義。

現(xiàn)代戰(zhàn)爭中需要考慮的戰(zhàn)場因素越來越多，多軍兵種的聯(lián)合作戰(zhàn)越來越受到人們的關(guān)注［2］，對裝備體系效能仿真評估也提出了更高的要求。裝備體系對抗仿真評估是一個包含多步驟、涉及多領(lǐng)域的復(fù)雜問題［3］。隨著武器裝備體系仿真規(guī)模的龐大化以及結(jié)構(gòu)的復(fù)雜化，相應(yīng)的仿真評估內(nèi)容也隨之增加，而且復(fù)雜仿真實驗因子數(shù)量眾多、評估指標(biāo)體系復(fù)雜。充分利用仿真過程中產(chǎn)生的海量數(shù)據(jù)，開展智能化自動化的仿真評估，是武器裝備體系效能仿真評估的發(fā)展熱點。

深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究。深度學(xué)習(xí)通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示［4］。深度置信網(wǎng)絡(luò)是一個概率生成模型，與傳統(tǒng)的判別模型的神經(jīng)網(wǎng)絡(luò)相對，生成模型是建立一個觀察數(shù)據(jù)和標(biāo)簽之間的聯(lián)合分布。

深度學(xué)習(xí)對感知有非常強的能力，可以理解各種復(fù)雜圖像的含義，但是它并不能把這種感知轉(zhuǎn)化為決策能力。增強學(xué)習(xí)則可以解決這個問題。

因此，重點研究基于增強學(xué)習(xí)的評估指標(biāo)體系優(yōu)化和一體化柔性仿真在線評估［5］，結(jié)合大數(shù)據(jù)技術(shù)和深度學(xué)習(xí)方法開展智能化仿真評估與優(yōu)化研究，充分結(jié)合仿真大數(shù)據(jù)先驗知識，在深度學(xué)習(xí)框架上，利用仿真數(shù)據(jù)的時間和空間相關(guān)性，提高仿真評估的自動化程度和智能化程度，確保結(jié)果的穩(wěn)定性和精確性。

3 研究內(nèi)容

3.1 仿真大數(shù)據(jù)特征差異度量和模型可信度評估技術(shù)研究

面向裝備體系對抗仿真智能化評估需求，構(gòu)建各類仿真數(shù)據(jù)的特征差異度量模型，為仿真模型的可信度評估奠定基礎(chǔ)?；谏疃戎眯啪W(wǎng)絡(luò)框架，針對靜態(tài)數(shù)據(jù)、緩變數(shù)據(jù)、速變數(shù)據(jù)分別構(gòu)造數(shù)據(jù)特征差異向量，自動提取仿真數(shù)據(jù)中的特征信息，改進與優(yōu)化深度置信網(wǎng)絡(luò)，實現(xiàn)仿真模型的可信度自動評估。

3.2 基于深度學(xué)習(xí)的仿真模型驗證與實驗設(shè)計因子自動優(yōu)化技術(shù)研究

大規(guī)模仿真數(shù)據(jù)存在多源、異構(gòu)的特性，包含體現(xiàn)不同分辨率、不同仿真應(yīng)用場景的多種信息。這些數(shù)據(jù)從多個側(cè)面反映出了仿真模型的特性。基于增強學(xué)習(xí)對多源異構(gòu)仿真數(shù)據(jù)進行融合分析，可以建立仿真模型參數(shù)與仿真輸出數(shù)據(jù)一致性程度之間的關(guān)系模型，實現(xiàn)基于元模型優(yōu)化的仿真模型參數(shù)估計方法與模型驗證。同時，針對復(fù)雜仿真實驗因子數(shù)量眾多、實驗運行次數(shù)多的問題，進行仿真實驗因子篩選過程建模，結(jié)合多源仿真數(shù)據(jù)，基于深度學(xué)習(xí)方法開展實驗設(shè)計因子指標(biāo)提煉篩選和自動優(yōu)化，提高仿真實驗和評估的效率。

3.3 面向仿真大數(shù)據(jù)的裝備體系效能一體化柔性仿真在線評估方法研究

針對不同評估對象的仿真系統(tǒng)，建立從其輸入和輸出數(shù)據(jù)中獲取評估指標(biāo)的評估指標(biāo)提取模型，實現(xiàn)裝備體系效能仿真評估指標(biāo)提取模型構(gòu)建的柔性化，實現(xiàn)評估過程的靈活構(gòu)建。構(gòu)建面向問題的智能化仿真評估指標(biāo)體系，形成仿真大數(shù)據(jù)中實驗設(shè)計因子自動分析和決策優(yōu)化技術(shù)?；赟park Streaming 架構(gòu)進行仿真流式計算的分解和批處理作業(yè)，實現(xiàn)在線評估。充分結(jié)合仿真大數(shù)據(jù)先驗知識，在深度學(xué)習(xí)框架上，利用數(shù)據(jù)的時間和空間相關(guān)性，提高仿真評估的自動化、智能化程度，確保結(jié)果的穩(wěn)定性和精確性。

4 技術(shù)途徑

隨著武器裝備體系規(guī)模的龐大化以及結(jié)構(gòu)的復(fù)雜化，仿真評估所包含的內(nèi)容也隨之增加，體系對抗仿真的自動評估與優(yōu)化成為一種趨勢。仿真評估的過程包含評估指標(biāo)的建立、仿真試驗的展開，以及試驗結(jié)果的分析評估等多個步驟，并涉及眾多領(lǐng)域的知識。本文結(jié)合大數(shù)據(jù)技術(shù)和深度學(xué)習(xí)方法對智能化仿真評估與優(yōu)化進行研究，構(gòu)建一體化智能化的柔性仿真評估體系，包括分布式計算基礎(chǔ)設(shè)施層、Hadoop/Spark/HDFS 云計算平臺層、深度學(xué)習(xí)智能計算層、柔性在線仿真評估應(yīng)用層等，如圖1 所示。

4.1 基于深度置信網(wǎng)絡(luò)的仿真大數(shù)據(jù)特征差異度量和模型可信度評估

仿真模型驗證工作的基礎(chǔ)是對仿真數(shù)據(jù)和參考數(shù)據(jù)之間差異的刻畫。經(jīng)典的仿真模型驗證方法僅從單個或者少數(shù)幾個方面刻畫仿真數(shù)據(jù)與參考數(shù)據(jù)之間的差異，在隨機變量樣本數(shù)據(jù)分析趨勢差異。

根據(jù)仿真大數(shù)據(jù)的特點，將數(shù)據(jù)分為靜態(tài)和動態(tài)數(shù)據(jù)、緩變和速變數(shù)據(jù)。從集中和離散趨勢兩個方面刻畫靜態(tài)數(shù)據(jù)之間的差異，從位置和變化趨勢兩方面刻畫緩變數(shù)據(jù)之間的差異。依據(jù)數(shù)據(jù)特征先將仿真數(shù)據(jù)和參考數(shù)據(jù)分為3 類，然后分別給出每類數(shù)據(jù)的特征差異度量模型，包括靜態(tài)數(shù)據(jù)特征差異度量模型、緩變數(shù)據(jù)特征差異度量模型、速變數(shù)據(jù)特征差異度量模型，進而充分地刻畫仿真數(shù)據(jù)和參考數(shù)據(jù)之間的差異。

為了綜合利用差異信息對多個備選仿真模型進行驗證和選擇，選擇在深度學(xué)習(xí)的架構(gòu)下進行特征提取和模型可信度評估。首先，深入研究深度置信網(wǎng)絡(luò)等深度學(xué)習(xí)架構(gòu)，探討在訓(xùn)練過程中，逐層融合不同模態(tài)的仿真信息，從而構(gòu)建仿真數(shù)據(jù)差異特征提取與智能評估的深度學(xué)習(xí)方法；然后，采取協(xié)同訓(xùn)練和反饋控制的多任務(wù)學(xué)習(xí)機制，根據(jù)仿真數(shù)據(jù)的特點，通過兩個或者多個深度學(xué)習(xí)網(wǎng)絡(luò)，建立協(xié)同訓(xùn)練和反饋控制的深度學(xué)習(xí)網(wǎng)絡(luò)，如圖2 所示。

圖2 建立協(xié)同訓(xùn)練和反饋控制的深度學(xué)習(xí)網(wǎng)絡(luò)

圖3 基于增強學(xué)習(xí)的多源異構(gòu)仿真數(shù)據(jù)融合分析與仿真模型驗證優(yōu)化

對于每個深度學(xué)習(xí)網(wǎng)絡(luò)，研究矩陣低秩和向量稀疏性優(yōu)化稀疏自編碼器的優(yōu)化方法，增強深度學(xué)習(xí)架構(gòu)對數(shù)據(jù)缺失、噪聲等的魯棒性；同時考慮不同異構(gòu)深度學(xué)習(xí)方式，如生成性深度結(jié)構(gòu)和區(qū)分性深度結(jié)構(gòu)的混合，運用協(xié)同訓(xùn)練的方法，增強互補特征融合和相互調(diào)節(jié)訓(xùn)練，達到最好的特征提取與評估驗證性能。

4.2 基于增強學(xué)習(xí)的多源異構(gòu)仿真數(shù)據(jù)融合分析與仿真模型驗證優(yōu)化

為了保證仿真模型的有效性，需要研究如何在參考輸出不完備時對仿真模型進行優(yōu)化，得到使其有效性最佳的仿真模型參數(shù)取值。在優(yōu)化過程中，得到在每組參數(shù)取值下的仿真輸出的數(shù)據(jù)一致性程度需要專家的參與，使得仿真模型參數(shù)估計效率較低。因此，需要建立基于元模型優(yōu)化和深度學(xué)習(xí)相結(jié)合的仿真模型參數(shù)估計方法。首先，在仿真模型上開展拉丁超立方試驗，并采用上述方法評估得到每個試驗點下的仿真輸出數(shù)據(jù)一致性程度；然后，基于增強學(xué)習(xí)框架建立仿真模型參數(shù)與仿真輸出數(shù)據(jù)一致性程度之間的關(guān)系模型；在此關(guān)系模型上，采用啟發(fā)式算法得到使得仿真輸出數(shù)據(jù)一致性最佳的仿真模型參數(shù)取值。

復(fù)雜仿真實驗設(shè)計過程一般可以分為調(diào)研分析、實驗設(shè)計、實驗運行及分析3 個階段。其中，調(diào)研分析階段主要是根據(jù)先驗知識提煉出評估指標(biāo)、評價因子并提出仿真實驗?zāi)康暮鸵螅?］。實驗設(shè)計階段根據(jù)實驗?zāi)康牡牟煌煞譃椋簽楹Y選顯著因子而進行的篩選實驗設(shè)計與為對顯著因子進行進一步分析而進行的正式實驗設(shè)計。相應(yīng)實驗運行與分析階段也可分為篩選實驗運行分析和正式實驗運行分析。由于復(fù)雜仿真實驗因子數(shù)量眾多、實驗運行次數(shù)多等特點，需要對重要的評價因子進行篩選以提高試驗效率，為仿真實驗的順利進行提供指導(dǎo)。通過IDEF0 描述仿真實驗因子篩選過程模型，結(jié)合多源仿真數(shù)據(jù)融合和深度學(xué)習(xí)方法，以及TensorFlow、Keras 等典型深度學(xué)習(xí)框架，開展實驗設(shè)計因子指標(biāo)提煉篩選和自動優(yōu)化，提高仿真實驗和評估的效率。

同時可以根據(jù)仿真大數(shù)據(jù)的特點，從智能評估應(yīng)用出發(fā)，合理地運用多粒度、多分辨率、多場景的仿真數(shù)據(jù)，設(shè)計恰當(dāng)?shù)臄?shù)據(jù)特征度量，提高仿真數(shù)據(jù)的融合分析和評估決策能力，并利用滲流方程的演化來控制多源數(shù)據(jù)融合結(jié)果的仿真模型驗證導(dǎo)向過程。

4.3 面向仿真大數(shù)據(jù)的裝備體系效能一體化柔性仿真評估方法

為了使得裝備體系效能仿真評估技術(shù)能適用于不同的評估對象和評估目的，可以面向裝備體系效能價值評估、裝備體系效能排序評估、重要參數(shù)篩選和指標(biāo)體系優(yōu)選、裝備體系效能預(yù)測優(yōu)化，研究基于柔性構(gòu)建的裝備體系效能仿真評估指標(biāo)提取方法。

針對不同的評估目的和評估對象，所涉及的評估步驟不同，每個步驟采用的方法和處理的數(shù)據(jù)也會有所不同。裝備體系效能仿真評估支撐技術(shù)若能適用不同的評估目的和評估對象，其提供的評估過程就不能是固定的，而應(yīng)該能依據(jù)不同的評估需求靈活構(gòu)建，亦即確保評估過程具有“柔性”。要達到該目的，關(guān)鍵就需要將整個評估過程中涉及的算法模型、仿真試驗結(jié)果以及研究人員分離，并分別進行管理，然后依據(jù)具體的評估需求進行組合。此外，評估對象種類繁多，其輸入和輸出的數(shù)據(jù)類型也各異。裝備體系效能仿真評估支撐技術(shù)若能適用于不同的評估對象，其提供的依據(jù)仿真試驗結(jié)果獲取評估指標(biāo)的指標(biāo)提取模型就不能是固定的，而應(yīng)該是能夠依據(jù)不同的評估對象進行靈活構(gòu)建，亦即確保評估指標(biāo)提取模型具有“柔性”。

圖4 裝備體系效能一體化柔性仿真評估方法

圖5 設(shè)計建模圖元形成圖形化的模型構(gòu)建機制

研究裝備體系效能一體化柔性仿真評估方法，一方面實現(xiàn)對整個評估過程數(shù)據(jù)進行管理，支持裝備體系效能一體化的仿真評估工作；另一方面將評估過程中的算法模型、仿真試驗結(jié)果以及研究人員分別進行管理，使其能夠依據(jù)不同的評估需求柔性地構(gòu)建評估過程。

實現(xiàn)裝備體系效能一體化仿真評估的關(guān)鍵在于對整個評估過程中涉及的各種數(shù)據(jù)進行管理。開展基于IDEF0 的武器裝備效能仿真評估過程建模，包括“評估指標(biāo)初選”、“評估指標(biāo)精選”、“仿真試驗設(shè)計”、“仿真試驗實施”、“效能價值評估”、“效能排序評估”、“重要參數(shù)篩選”以及“效能預(yù)測優(yōu)化”等。

同時，為了實現(xiàn)評估過程的柔性構(gòu)建，對評估過程中涉及到的算法模型及仿真試驗結(jié)果兩類資源分別提取相應(yīng)的元數(shù)據(jù)，設(shè)計基于XML 的存儲與實現(xiàn)方法，實現(xiàn)兩類評估資源的管理和共享［7］。為了實現(xiàn)評估指標(biāo)提取模型柔性化構(gòu)建，建立基于框架理論研究裝備體系效能仿真評估指標(biāo)提取模型的一般描述形式，設(shè)計建模圖元形成圖形化的模型構(gòu)建機制，基于XML 設(shè)計評估指標(biāo)提取模型的存儲機制和相應(yīng)的仿真模型運行機制［8］。

針對仿真大數(shù)據(jù)的有效利用和裝備體系效能智能評估，綜合考慮仿真數(shù)據(jù)特征信息的保持和增強，建立融合變分體系：

其中，H 和S 分別代表觀測的不同時相仿真數(shù)據(jù)，f是演化后仿真數(shù)據(jù)，前兩項是原始數(shù)據(jù)的保真項，T1，T2是多源數(shù)據(jù)與演化后數(shù)據(jù)之間的關(guān)系，RH是對H 的空間特征的描述，Rs是對S 的顯著特征約束，RH，s是對多源數(shù)據(jù)以及真實場景之間關(guān)系的刻畫，主要包含多源數(shù)據(jù)不同特征之間的互補傳遞。

同時，研究綜合仿真機理和先驗知識的智能化仿真評估與決策優(yōu)化?，F(xiàn)有的各種融合分析法由于應(yīng)用目的和分析原理的不同而各有優(yōu)缺點，但是這些方法多從數(shù)學(xué)分析角度開展研究，對于仿真變化的機理和本質(zhì)分析不足，加強仿真過程變化機理研究，充分挖掘仿真數(shù)據(jù)的先驗知識，如多尺度保真項、低秩保真項等新的正則化方法，建立互補低秩特征保真模型，提高模型的智能化和穩(wěn)定性，實現(xiàn)面向仿真大數(shù)據(jù)的實驗設(shè)計因子自動分析和最優(yōu)決策。

5 結(jié)論

以裝備體系對抗仿真智能化在線評估與自動優(yōu)化為目標(biāo)，開展各類仿真數(shù)據(jù)的特征差異度量建模，研究基于深度置信網(wǎng)絡(luò)的模型可信度評估。在多源異構(gòu)仿真數(shù)據(jù)融合增強學(xué)習(xí)分析的基礎(chǔ)上，建立仿真模型參數(shù)與仿真輸出數(shù)據(jù)一致性程度之間的關(guān)系模型，將動態(tài)的仿真模型優(yōu)化問題轉(zhuǎn)化為靜態(tài)的函數(shù)優(yōu)化問題，實現(xiàn)基于元模型優(yōu)化的仿真模型參數(shù)估計與模型驗證。針對不同評估對象的仿真系統(tǒng)，建立評估指標(biāo)提取模型，實現(xiàn)裝備體系對抗仿真評估指標(biāo)提取模型構(gòu)建的柔性化和評估過程的靈活構(gòu)建。同時，基于Spark Streaming 流式計算架構(gòu)實現(xiàn)在線仿真評估。充分結(jié)合仿真大數(shù)據(jù)先驗知識，在深度學(xué)習(xí)框架上構(gòu)建面向問題的智能化仿真評估指標(biāo)體系，形成實驗設(shè)計因子指標(biāo)提煉篩選和自動優(yōu)化技術(shù)，提高仿真評估的能力和效率，為武器裝備體系結(jié)構(gòu)優(yōu)化、配系部署、重大裝備戰(zhàn)技指標(biāo)論證和一體化聯(lián)合作戰(zhàn)分析等提供技術(shù)支撐。