一体化智能柔性仿真评估技术研究

侯 磊，曾 望，范海文，程思齐，朱子薇

（1.北方自动控制技术研究所，太原 030006；2.解放军63963 部队，北京 100072）

0 引言

一体化联合作战时，装备体系作战能力的强弱直接决定了战斗力的水平。只有准确评估装备体系的作战能力，客观把握装备体系作战能力的现状，才能明晰装备体系作战能力与既定体系能力目标的差距，准确认识自身的强点弱项。通过仿真手段，可以有力支持开展全要素的整建制部队遂行联合作战任务全过程的装备体系对抗作战实验，评估部队武器装备体系的作战能力。

装备体系对抗仿真评估是一个包含多步骤、涉及多领域的复杂问题。随着武器装备体系仿真规模的庞大化以及结构的复杂化，相应的仿真评估内容也随之增加，而且复杂仿真实验因子数量众多、评估指标体系复杂。因此，如何充分利用仿真过程中产生的海量数据，开展智能化在线评估与自动优化，是一个亟待解决的关键问题。

1 军事需求分析

1.1 武器装备体系效能仿真评估的能力不足

现代战争越来越关注多军、兵种的联合作战，这使得需要考虑的战场因素越来越多。因此，对武器装备体系效能的仿真评估也提出了更高的要求。在设计仿真试验时，需要获取包含海量信息的试验数据，并且管理和处理这些试验数据以及评估结果［1］。因此，武器装备体系效能仿真评估的整个过程需要试验设计、资源管理、数据分析以及决策评估等各项领域的研究人员共同完成。由此可知，研究如何提高武器装备效能仿真评估能力和效率的支撑技术成为一种迫切需求。

1.2 体系能力度量和评估的方法不足

传统的仿真评估往往重视新装备的功能和性能层面的评估，忽略其对抗体系，特别是对作战体系的影响。这种评估结果不能体现联合作战和在全球战争背景下与各类作战对手对抗的效果。以往的算法通过定义一个多层次结构的指标体系，由底层指标加权得出顶层指标，最终得到评估结果。这种评估方法无法突破树状结构、因果影响的传统观念，用绝对的数值来评价其整体能力，结果往往是不科学的。在复杂系统观指导下，应该有新的评价体系建立的思路和方法。

1.3 模型的可信性验证不足

在仿真评估工作中存在多个仿真模型可供选择。对其可信性进行验证，并从中选出可信性最高的模型是亟待解决的问题。解决模型可信性的关键是如何全面、合理地度量仿真输出和参考输出之间的差异，以及如何综合利用这些差异对仿真模型进行验证和选择。当参考输出不完备时，仿真模型的验证及参数估计需要在上述基础上，如何得到使仿真模型可信性最佳的模型参数取值。

综上所述，开展智能化在线评估与自动优化技术研究，对解决装备体系对抗仿真评估的难题，大幅提高其智能化水平，具有十分重要的意义。

2 武器装备体系效能仿真评估的现状分析

从20 世纪90 年代开始至今，在计算机、软件、网络以及数据库等技术的飞速发展下，武器装备效能仿真评估的支撑技术也得到了长足进步。代表性的工作包括：RAND 公司的Davis 提出了探索性分析方法，并给出了实现该分析方法的多分辨率、多视角建模框架。RAND 公司的John 提出多属性决策与探索性建模混合交互评估，给出了一种能将专家经验数据和仿真结果数据进行综合处理，集成模糊数学和层次分析法等方法的作战效能评估框架。Lewis 指出了美国海军艾伯特工程中的数据耕耘主要是用于解决军事运筹学问题，并设计了用于支持数据耕耘的信息系统。Bassham 等提出了一种自动目标识别分类系统（Automatic Target Recognition System，ATRCS）的效能评估框架，并从作战仿真试验和评估专家的角度去建立ATRCS 的评估模型，完成作战的效能评估。Sheehan 提出了MMF（Mission and Means Framework）评估框架，该框架在协助作战人员、工程人员和导调人员理解军事行动、系统信息和使命效能定量评估方面有重要的意义。

现代战争中需要考虑的战场因素越来越多，多军兵种的联合作战越来越受到人们的关注［2］，对装备体系效能仿真评估也提出了更高的要求。装备体系对抗仿真评估是一个包含多步骤、涉及多领域的复杂问题［3］。随着武器装备体系仿真规模的庞大化以及结构的复杂化，相应的仿真评估内容也随之增加，而且复杂仿真实验因子数量众多、评估指标体系复杂。充分利用仿真过程中产生的海量数据，开展智能化自动化的仿真评估，是武器装备体系效能仿真评估的发展热点。

深度学习的概念源于人工神经网络的研究。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示［4］。深度置信网络是一个概率生成模型，与传统的判别模型的神经网络相对，生成模型是建立一个观察数据和标签之间的联合分布。

深度学习对感知有非常强的能力，可以理解各种复杂图像的含义，但是它并不能把这种感知转化为决策能力。增强学习则可以解决这个问题。

因此，重点研究基于增强学习的评估指标体系优化和一体化柔性仿真在线评估［5］，结合大数据技术和深度学习方法开展智能化仿真评估与优化研究，充分结合仿真大数据先验知识，在深度学习框架上，利用仿真数据的时间和空间相关性，提高仿真评估的自动化程度和智能化程度，确保结果的稳定性和精确性。

3 研究内容

3.1 仿真大数据特征差异度量和模型可信度评估技术研究

面向装备体系对抗仿真智能化评估需求，构建各类仿真数据的特征差异度量模型，为仿真模型的可信度评估奠定基础。基于深度置信网络框架，针对静态数据、缓变数据、速变数据分别构造数据特征差异向量，自动提取仿真数据中的特征信息，改进与优化深度置信网络，实现仿真模型的可信度自动评估。

3.2 基于深度学习的仿真模型验证与实验设计因子自动优化技术研究

大规模仿真数据存在多源、异构的特性，包含体现不同分辨率、不同仿真应用场景的多种信息。这些数据从多个侧面反映出了仿真模型的特性。基于增强学习对多源异构仿真数据进行融合分析，可以建立仿真模型参数与仿真输出数据一致性程度之间的关系模型，实现基于元模型优化的仿真模型参数估计方法与模型验证。同时，针对复杂仿真实验因子数量众多、实验运行次数多的问题，进行仿真实验因子筛选过程建模，结合多源仿真数据，基于深度学习方法开展实验设计因子指标提炼筛选和自动优化，提高仿真实验和评估的效率。

3.3 面向仿真大数据的装备体系效能一体化柔性仿真在线评估方法研究

针对不同评估对象的仿真系统，建立从其输入和输出数据中获取评估指标的评估指标提取模型，实现装备体系效能仿真评估指标提取模型构建的柔性化，实现评估过程的灵活构建。构建面向问题的智能化仿真评估指标体系，形成仿真大数据中实验设计因子自动分析和决策优化技术。基于Spark Streaming 架构进行仿真流式计算的分解和批处理作业，实现在线评估。充分结合仿真大数据先验知识，在深度学习框架上，利用数据的时间和空间相关性，提高仿真评估的自动化、智能化程度，确保结果的稳定性和精确性。

4 技术途径

随着武器装备体系规模的庞大化以及结构的复杂化，仿真评估所包含的内容也随之增加，体系对抗仿真的自动评估与优化成为一种趋势。仿真评估的过程包含评估指标的建立、仿真试验的展开，以及试验结果的分析评估等多个步骤，并涉及众多领域的知识。本文结合大数据技术和深度学习方法对智能化仿真评估与优化进行研究，构建一体化智能化的柔性仿真评估体系，包括分布式计算基础设施层、Hadoop/Spark/HDFS 云计算平台层、深度学习智能计算层、柔性在线仿真评估应用层等，如图1 所示。

4.1 基于深度置信网络的仿真大数据特征差异度量和模型可信度评估

仿真模型验证工作的基础是对仿真数据和参考数据之间差异的刻画。经典的仿真模型验证方法仅从单个或者少数几个方面刻画仿真数据与参考数据之间的差异，在随机变量样本数据分析趋势差异。

根据仿真大数据的特点，将数据分为静态和动态数据、缓变和速变数据。从集中和离散趋势两个方面刻画静态数据之间的差异，从位置和变化趋势两方面刻画缓变数据之间的差异。依据数据特征先将仿真数据和参考数据分为3 类，然后分别给出每类数据的特征差异度量模型，包括静态数据特征差异度量模型、缓变数据特征差异度量模型、速变数据特征差异度量模型，进而充分地刻画仿真数据和参考数据之间的差异。

为了综合利用差异信息对多个备选仿真模型进行验证和选择，选择在深度学习的架构下进行特征提取和模型可信度评估。首先，深入研究深度置信网络等深度学习架构，探讨在训练过程中，逐层融合不同模态的仿真信息，从而构建仿真数据差异特征提取与智能评估的深度学习方法；然后，采取协同训练和反馈控制的多任务学习机制，根据仿真数据的特点，通过两个或者多个深度学习网络，建立协同训练和反馈控制的深度学习网络，如图2 所示。

图2 建立协同训练和反馈控制的深度学习网络

图3 基于增强学习的多源异构仿真数据融合分析与仿真模型验证优化

对于每个深度学习网络，研究矩阵低秩和向量稀疏性优化稀疏自编码器的优化方法，增强深度学习架构对数据缺失、噪声等的鲁棒性；同时考虑不同异构深度学习方式，如生成性深度结构和区分性深度结构的混合，运用协同训练的方法，增强互补特征融合和相互调节训练，达到最好的特征提取与评估验证性能。

4.2 基于增强学习的多源异构仿真数据融合分析与仿真模型验证优化

为了保证仿真模型的有效性，需要研究如何在参考输出不完备时对仿真模型进行优化，得到使其有效性最佳的仿真模型参数取值。在优化过程中，得到在每组参数取值下的仿真输出的数据一致性程度需要专家的参与，使得仿真模型参数估计效率较低。因此，需要建立基于元模型优化和深度学习相结合的仿真模型参数估计方法。首先，在仿真模型上开展拉丁超立方试验，并采用上述方法评估得到每个试验点下的仿真输出数据一致性程度；然后，基于增强学习框架建立仿真模型参数与仿真输出数据一致性程度之间的关系模型；在此关系模型上，采用启发式算法得到使得仿真输出数据一致性最佳的仿真模型参数取值。

复杂仿真实验设计过程一般可以分为调研分析、实验设计、实验运行及分析3 个阶段。其中，调研分析阶段主要是根据先验知识提炼出评估指标、评价因子并提出仿真实验目的和要求［6］。实验设计阶段根据实验目的的不同可分为：为筛选显著因子而进行的筛选实验设计与为对显著因子进行进一步分析而进行的正式实验设计。相应实验运行与分析阶段也可分为筛选实验运行分析和正式实验运行分析。由于复杂仿真实验因子数量众多、实验运行次数多等特点，需要对重要的评价因子进行筛选以提高试验效率，为仿真实验的顺利进行提供指导。通过IDEF0 描述仿真实验因子筛选过程模型，结合多源仿真数据融合和深度学习方法，以及TensorFlow、Keras 等典型深度学习框架，开展实验设计因子指标提炼筛选和自动优化，提高仿真实验和评估的效率。

同时可以根据仿真大数据的特点，从智能评估应用出发，合理地运用多粒度、多分辨率、多场景的仿真数据，设计恰当的数据特征度量，提高仿真数据的融合分析和评估决策能力，并利用渗流方程的演化来控制多源数据融合结果的仿真模型验证导向过程。

4.3 面向仿真大数据的装备体系效能一体化柔性仿真评估方法

为了使得装备体系效能仿真评估技术能适用于不同的评估对象和评估目的，可以面向装备体系效能价值评估、装备体系效能排序评估、重要参数筛选和指标体系优选、装备体系效能预测优化，研究基于柔性构建的装备体系效能仿真评估指标提取方法。

针对不同的评估目的和评估对象，所涉及的评估步骤不同，每个步骤采用的方法和处理的数据也会有所不同。装备体系效能仿真评估支撑技术若能适用不同的评估目的和评估对象，其提供的评估过程就不能是固定的，而应该能依据不同的评估需求灵活构建，亦即确保评估过程具有“柔性”。要达到该目的，关键就需要将整个评估过程中涉及的算法模型、仿真试验结果以及研究人员分离，并分别进行管理，然后依据具体的评估需求进行组合。此外，评估对象种类繁多，其输入和输出的数据类型也各异。装备体系效能仿真评估支撑技术若能适用于不同的评估对象，其提供的依据仿真试验结果获取评估指标的指标提取模型就不能是固定的，而应该是能够依据不同的评估对象进行灵活构建，亦即确保评估指标提取模型具有“柔性”。

图4 装备体系效能一体化柔性仿真评估方法

图5 设计建模图元形成图形化的模型构建机制

研究装备体系效能一体化柔性仿真评估方法，一方面实现对整个评估过程数据进行管理，支持装备体系效能一体化的仿真评估工作；另一方面将评估过程中的算法模型、仿真试验结果以及研究人员分别进行管理，使其能够依据不同的评估需求柔性地构建评估过程。

实现装备体系效能一体化仿真评估的关键在于对整个评估过程中涉及的各种数据进行管理。开展基于IDEF0 的武器装备效能仿真评估过程建模，包括“评估指标初选”、“评估指标精选”、“仿真试验设计”、“仿真试验实施”、“效能价值评估”、“效能排序评估”、“重要参数筛选”以及“效能预测优化”等。

同时，为了实现评估过程的柔性构建，对评估过程中涉及到的算法模型及仿真试验结果两类资源分别提取相应的元数据，设计基于XML 的存储与实现方法，实现两类评估资源的管理和共享［7］。为了实现评估指标提取模型柔性化构建，建立基于框架理论研究装备体系效能仿真评估指标提取模型的一般描述形式，设计建模图元形成图形化的模型构建机制，基于XML 设计评估指标提取模型的存储机制和相应的仿真模型运行机制［8］。

针对仿真大数据的有效利用和装备体系效能智能评估，综合考虑仿真数据特征信息的保持和增强，建立融合变分体系：

其中，H 和S 分别代表观测的不同时相仿真数据，f是演化后仿真数据，前两项是原始数据的保真项，T1，T2是多源数据与演化后数据之间的关系，RH是对H 的空间特征的描述，Rs是对S 的显著特征约束，RH，s是对多源数据以及真实场景之间关系的刻画，主要包含多源数据不同特征之间的互补传递。

同时，研究综合仿真机理和先验知识的智能化仿真评估与决策优化。现有的各种融合分析法由于应用目的和分析原理的不同而各有优缺点，但是这些方法多从数学分析角度开展研究，对于仿真变化的机理和本质分析不足，加强仿真过程变化机理研究，充分挖掘仿真数据的先验知识，如多尺度保真项、低秩保真项等新的正则化方法，建立互补低秩特征保真模型，提高模型的智能化和稳定性，实现面向仿真大数据的实验设计因子自动分析和最优决策。

5 结论

以装备体系对抗仿真智能化在线评估与自动优化为目标，开展各类仿真数据的特征差异度量建模，研究基于深度置信网络的模型可信度评估。在多源异构仿真数据融合增强学习分析的基础上，建立仿真模型参数与仿真输出数据一致性程度之间的关系模型，将动态的仿真模型优化问题转化为静态的函数优化问题，实现基于元模型优化的仿真模型参数估计与模型验证。针对不同评估对象的仿真系统，建立评估指标提取模型，实现装备体系对抗仿真评估指标提取模型构建的柔性化和评估过程的灵活构建。同时，基于Spark Streaming 流式计算架构实现在线仿真评估。充分结合仿真大数据先验知识，在深度学习框架上构建面向问题的智能化仿真评估指标体系，形成实验设计因子指标提炼筛选和自动优化技术，提高仿真评估的能力和效率，为武器装备体系结构优化、配系部署、重大装备战技指标论证和一体化联合作战分析等提供技术支撑。