一种仿真模型参数分区并行优化结构设计

杨晨 周帅 朱国华

摘  要： 针对现有复杂系统并行优化结构优化难度大、开发效率低等问题，为了实现复杂系统参数优化结构的通用性和开发高效性，基于HLA分布式仿真框架，提出一种将仿真模型参数空间分区进行优化的通用并行优化结构，介绍并分析了仿真分区并行优化调度机制，并在此基础上进行系统实现。仿真分析比较表明，相较于现有并行仿真参数优化体系结构，文中的仿真结构具有更好的通用性和开发高效性。运用通用、分区并行的复杂系统参数优化结构，可以在保证参数优化高效的同时，降低系统开发的时间成本。

关键词： 参数分区; 并行优化; 仿真模型; 复杂系统; 参数优化; 比较分析

中图分类号： TN919?34; TP399                   文献标识码： A                      文章编号： 1004?373X（2020）22?0136?04

Abstract： In allusion to the problem that the parallel optimization structure of existing complex system is difficult to optimize and has low development efficiency， a general parallel optimization architecture that the parameter space partition of the simulation model is optimized is proposed based on the HLA distributed simulation framework to achieve the universality and development efficiency of the parameter optimization structure of the complex system. The scheduling mechanism of the simulation partition parallel optimization is introduced and analyzed， on which the system implementation is performed. The simulation analysis and comparison show that， in comparison with the existing parallel simulation parameter optimization architecture， the simulation structure in this paper has better universality and development efficiency. The use of general and partition parallel parameter optimization structure of complex system can not only ensure the efficient parameter optimization， but also reduce the time cost of system development.

Keywords： parameter partition; parallel optimization; simulation model; complex system; parameter optimization; comparative analysis

0  引  言

21世紀以来，仿真模型参数优化问题一直受到众多学者的广泛关注，其中复杂系统模型参数优化问题尤为突出。目前的模型参数优化方法有建立数学模型进行优化、基于仿真的参数优化和利用近似模型进行优化等[1]。由于复杂系统的仿真模型参数过多、系统实体之间关联性强等问题导致复杂系统参数优化耗时过长、难以接受，而仿真能够很好地解决这种带有不确定性和随机性的问题，因此建立复杂系统的模型构建和仿真优化的体系架构，提高参数优化的速度，是目前复杂系统仿真优化面临的重要挑战。

并行仿真是目前提高复杂系统参数优化效率的重要解决方案，但是目前的并行优化算法和结构都是针对特定问题的专用解决方案，通用性差，难以适用于其他系统的优化。本文设计一套融合了分布式仿真（High Level Architecture，HLA）[2]和模型参数分区优化的分布式并行框架[3]，并在此基础上进行系统实现。该系统运用分布式仿真框架，采用分区并行的参数迭代寻优方法，不仅具有分布性和并发性，能充分发挥庞大的计算机资源优势而且具有通用性和运用难度低的优点，能有效地提高仿真参数优化的运行速度和开发效率。

1  研究背景

随着计算机技术、人工智能和数学分析方法的发展，仿真参数优化算法取得了卓越的进展。现今大部分学者都是针对特定问题开展仿真优化工作，吴诗辉等人运用神经网络对仿真系统进行模拟，验证了该方法的可行性和高效性[4]。孙永泽等人对随机响应面算法进行改进，提出了一种针对于深度学习的超参数优化算法，对深度学习模型有更好的优化效果，但是通用性较差[5]。姬杭等人搭建了一种轻量级的复杂系统建模和仿真框架，为复杂系统仿真框架提供了研究思路[6]。

仿真的最大优势就是能够通过多次运行和调整阐释不确定性和随机性的问题。基于仿真的参数优化包括两种方法，分别是优化模型的输入参数和对模型内部参数进行优化，本文主要探讨的是针对模型内部参数的优化。有大量的学者针对复杂系统优化问题进行了研究[7?10]，其基本的仿真框架可以分为以下三类：

1） 将候选策略集中的策略逐一输入仿真模型，驱动仿真运行，然后比较每一组仿真输出结果，根据输出结果来确定最优的策略;

2） 将仿真模块嵌入到优化算法中，将仿真模块的输出作为算法的适应值，指导优化算法搜索新的解，优化算法产生的新解又作为下一次的仿真输入，直到满足模型的终止条件;

3） 利用近似模型对仿真模型进行模拟，大多利用神经网络对模型进行模拟，然后对近似模型进行优化，达到满意的终止条件后再映射到真实模型上。

由于复杂系统仿真参数优化速度慢，许多学者采用并行的优化结构来提高参数优化速度。王家润等针对并行处理中的线程任务分解共性难点，提出软硬件结合的并行优化策略及反距离权重（IDW）插值的并行优化算法（PIDW），并验证了该并行结构的高效性[11];王雅琳等以MapReduce的任务分发思想构建算法的并行处理框架，设计任务预分配策略，减少通信成本，提高计算效率[12]。上述的并行优化结构都在特定问题上发挥着至关重要的作用，提高了仿真参数优化速度，但研究始终围绕着根据特定问题进行的建模设计，其并行优化结构通用性较差，难以适用于其他问题。

针對上述问题本文提出分区并行优化思想，并基于HLA仿真体系设计开发一套支撑分区参数并行优化思想的分布式仿真架构。通过分区并行参数优化方法对复杂系统模型中的关键参数进行整定和优化，相较于现有的仿真并行优化体系，本系统具备更好的通用性和更高的开发效率。

2  模型参数分区并行仿真优化原理

传统方法下大多采用并行调度方式进行仿真优化，其原理如图1所示。传统的并行优化只针对一个特定的仿真方案，将仿真方案中的多个仿真模型用于一个仿真进程内进行优化，但是每个仿真模型只有一个仿真进程。这种方法虽然优化进程也属于并发处理，但是首先，仿真进程依然是对单个仿真进程进行参数优化，其次，多个仿真模型虽然是并发的，但是每个仿真模型只有一个进程。这种方案利用的计算资源相对有限，模型优化速度也受到很大的限制。相较于传统的并行优化结构，本文系统利用HLA模型之间相互独立、仿真进程互不影响的特性，提出一种将模型参数空间分区并行优化的结构，对于每个仿真模型，建立多个模型参数空间，每个参数空间对应通过互相独立的仿真优化进程，从而实现单个模型在多个参数空间内进行并行优化，其原理如图2所示。本分区并行优化结构相较于传统的参数优化结构更具通用性，并能同时实现多模型的并行优化，充分利用分布式的计算资源，从软件结构上解决复杂模型参数优化的效率问题。

优化框架各部分说明：

1） 仿真运行支撑环境是整个优化框架的基础支撑，从仿真的方案、模型设计，仿真运行到仿真模型的参数优化，整个过程与仿真环境密不可分，所有的操作均基于分布式仿真环境，同时又为仿真环境所服务。

2） 仿真设计器为用户提供界面化、智能化的仿真方案设计功能，用户只需在方案设计界面进行拖拽操作，并输入仿真的目标函数或适应度函数，无需任何编码，即可完成整个仿真方案的设计。

3） 运行调度模块为不同的仿真方案分配相应的仿真资源，采用多种资源调度算法充分发挥分布式、庞大的计算资源优势，提高仿真优化的速度和仿真资源的利用率。

4） 解析执行器将仿真得出的数据转化为优化器所能解析的数据，同时接受优化器发送的优化数据，为下一步的仿真运行提供参数优化方向指导。

5） 运行控制器能控制仿真进程的开始、暂停/继续、结束等基本仿真功能，还能接收从解析执行器发送的模型新参数信息，为仿真模型的下一次仿真迭代设置参数。

6） Elf（智能优化器）是整个仿真优化体系的核心，优化器分区优化方法对复杂系统模型中的关键参数进行整定和优化，为参数优化提供指导方向，使系统得到相对最优参数并使系统达到最优或满意的输出指标。

3  模型参数仿真优化机制设计

在复杂系统中，往往有多个模型参数需要优化，由于多个模型之间存在数据交互关系，且模型之间互相影响，逐个模型进行优化耗时过长，且难以获得最终满足条件的参数。本文根据复杂模型参数优化特点，结合分布式仿真体系，搭建了分布式仿真模型参数优化体系，其优化流程如图4所示。

1） 仿真设计人员通过仿真设计器设计仿真参数优化方案。

2） 利用运行调度器为仿真方案分配相应的仿真资源。

3） 在运行控制器接收到开始仿真指令后，仿真模型根据仿真方案中设定的初始参数进行第一次仿真。

4） Elf智能优化器从分布式仿真环境获取仿真模型参数和仿真目标值，优化器通过优化算法进行参数调整，将新的模型参数发送至解析执行器。

5） 经由运行控制器将新的参数赋给仿真模型，进行下一次迭代，直到经过优化后的仿真模型参数满足优化终止条件。

在分布式仿真优化体系的基础上，本文提出了多种并行优化机制，主要体现在以下三个层面，分别是单模型的并行优化、多模型的并行优化和方案级的并行优化。

单模型级的并行针对于单个模型复杂度较高的情况，由于仿真模型的复杂度不同，往往存在某些仿真模型复杂度相较其他模型复杂度较高，在有的仿真模型已经到达相对最优解时，某些仿真模型仍需要大量的优化迭代，此时单模型的并行最为适用。多模型并行优化机制主要针对于模型之间关联性较强，模型之间调用关系复杂的情况，多模型的并行能将多个模型独立开，并通过分布式环境进行数据交互，能将复杂问题分解成多个独立的优化问题，并且多个优化进程之间是并行的。仿真方案级的优化针对于复杂系统过于庞大，上述两种级别的并行优化已经不能满足优化效率时，仿真方案级的优化以仿真方案为单独的个体，能够利用多个相同的仿真方案的并行运行来完成仿真模型的优化任务。

本文设计一种单模型的并行优化机制，其结构如图5所示。其中B模型复杂度相对较高，因此可以在仿真方案中设计多个B成员，分别赋不同的参数值，在经过一次迭代后，智能优化器能接收到多组B成员的模型参数，能够同时进行多个相同模型的参数优化。

多模型的并行优化结构如图6所示。多个仿真成员之间具有数据传递关系，共同组成复杂系统的优化方案。多仿真成员之间进行数据交互，多个不同的仿真模型分别将各自的仿真输出经由分布式环境转发至智能优化器，智能优化器根据最终的优化目标和仿真成员各自的输出得出下一次优化迭代中各个仿真成员所需的参数，达到多成员并行优化的目的。

当系统复杂度过大时，上述两种模型级的并行就不能满足优化的性能需求，本文系统设计了一种方案级的并行结构，将仿真模型参数域划分成多个等分，每个仿真方案只在自己的参数域中寻求最优解，最终将多个参数域的仿真结果进行比较，得出最优的参数解，其并行结构如图7所示。

4  結  语

本文提出的基于分布式仿真的复杂系统参数优化框架，运用分区并行策略优化模型参数。相较于传统的仿真优化框架，本框架既具备分布性和并行性，还具备开发高效性和通用性。本文目前完成基于分布式仿真和分区并行优化的系统设计和原型实现，在接下来的研究中，将使用该框架进行典型仿真应用的优化性能测试。同时进一步完善框架的实用性和通用性，调整仿真资源分配和模型参数优化算法，进一步提高仿真效率和参数优化效率，优化系统的人机交互方式，使本仿真平台更具实用性。

注：本文通讯作者为朱国华。

参考文献

[1] 于梦阁，潘振宽，蒋荣超，等.基于近似模型的高速列车头型多目标优化设计[J].机械工程学报，2019，55（24）：178?186.

[2] 朱国华，丁建军，杨晨，等.基于HLA的模型级仿真成员组合技术研究[J].现代电子技术，2016，39（12）：10?13.

[3] 亢良伊，王建飞，刘杰，等.可扩展机器学习的并行与分布式优化算法综述[J].软件学报，2018，29（1）：109?130.

[4] 吴诗辉，刘晓东，邵悦，等.一种基于神经网络的仿真优化方法[J].系统仿真学报，2018，30（1）：36?44.

[5] 孙永泽，陆忠华.基于超限学习机与随机响应面方法的深度学习超参数优化算法[J].高技术通讯，2019，29（12）：1165?1174.

[6] 姬杭，周军华，施国强，等.一种复杂系统轻量化建模与仿真技术框架[J].系统仿真学报，2018，30（6）：2013?2019.

[7] 袁小芳，刘晋伟，陈秋伊，等.并行混沌与和声搜索的多目标混合优化算法[J].湖南大学学报（自然科学版），2018，45（4）：96?103.

[8] 郑世明，徐新伟，朱江.基于构件的武器装备体系敏捷仿真框架研究[J].指挥控制与仿真，2019，41（2）：87?93.

[9] 周檬，贾亚雷.基于改进粒子群优化算法的先进绝热压缩空气储能系统参数优化[J].热力发电，2018（1）：94?99.

[10] 闫涛，刘凤娴，陈斌.基于量子混沌粒子群优化算法的分数阶超混沌系统参数估计[J].电子学报，2018，46（2）：333?340.

[11] 王家润，谢海峰.基于任务分解模型的离散数据格网化并行优化[J].计算机工程与设计，2018，39（6）：1774?1781.

[12] 王雅琳，孙家舟，薛永飞，等.面向分馏塔操作参数优化的带禁忌表并行粒子群优化算法[J].大连理工大学学报，2019，59（2）：194?200.