未来智能化推演仿真的思索(续)

    此处，以上篇内容

（三）主要技术点

以智能化仿真引擎为核心，重点突破的四个技术点如下图所示：

这四方面的技术要点，仅是一些对未来智能化推演仿真引擎部分的功能思索及技术实现探索，未能全尽仅做引玉之砖，请各位关注读者共同思索。

（1）基于认知计算的智能化自主行为建模

对仿真系统而言底层平台是基础，上层核心是模型与数据。相对来讲模型的建立往往与具体业务相关，而实体模型的行为描述或者建模（有自身行为也有交互行为）是最复杂也是最困难的，很难用通用的物理过程或者算法来表述。以军事仿真应用领域举例，未来的战场的作战行为交互是非常复杂的。对于行为的建模往往是异常困难的。军事仿真行为建模的难点主要有：第一仿真实体类别多，难以构建通用化行为模型。行为虚无缥渺，对于每一个指挥员来讲，同一个态势下，他们对于态势处理和认知不一样，所以行为建模无法进行一个很量化、通用化的模型。第二作战行动多样，不同态势下处理行动流程规则不一，难以表达多种的行为模式。第三是军事概念的模型难以表述。往往业务人员与技术人员沟通交流困难，很难达成一致，这一点在具体的军事工程实践过程当中也是非常突出的问题。第四是缺乏友好简洁的工具。

基于以上几点我们可以尝试用基于有限状态机的解决方案来解决实现（目前国内有相关厂商已经有良好的应用）。其架构设计，如下图所示：

这样我们实现了行为模型与物理模型间的松散耦合，提高了整体系统的弹性。行为与物理模型关系如下图所示：

目前我们可以通过这种技术实现行为规则的外置，能够提高行为建模的效率及灵活性，实现了仿真实体基于规划的自动化运行，但不能真正做到仿真实体的智能与自治。

智能推演仿真平台所需要的行为建模要求更高，为此我们提出了基于认知计算的自主行为建模解决方案，既以人工智能领域学习方法解决认知域的问题，也就是要将上图中的“大脑”功能进行“升级”，从被动的处理“行为规则库”的信息到主动的通过认知框架学习到行为规则，以实现自主的行为建模。

目前关于这方面的研究正在开展中，而近年来Alpha GO、Alpha Zero等人工智能的发展，仿佛昭示着这种实现离我们越来越近。就在这几天笔者刚刚看到DeepMind最新发布的预印本论文和博客中介绍了名为Agent57的智能体，该智能体在街机学习环境（Acrade Learning Environmnet, ALE）数据集所有57个雅利达游戏中实现了超人类的表现。有兴趣的读者可以下载研究一下（https:///pdf/2003.13350.pdf）

（2）基于大数据和深度学习的智能化仿真评估

仿真评估的基础是仿真数据，随着仿真规模的扩大、仿真实体的增多、交互的复杂的提高，仿真数据也越来越多越复杂，特别是在进行超实时大样本的仿真实验时就更是如此。因此，未来仿真数据的收集、处理已经达到大数据应用的场景，只有研究好大数据技术在建模与仿真中的应用才能解决好海量、复杂结构的仿真数据的处理问题为仿真评估提供良好的数据基础。

仿真评估是在一定仿真数据基础之上，确立相应的评估指标体系，选用合适的评估方法进行的一项系统工程。对于面对海量的仿真数据及多样的指标体系，利用深度学习的智能化方法可以利用数据不断优化评估算法，使以往需要人来进行评估的指标变得可计算化，从而提高仿真评估系统的自动化程度。

当前业内主要的仿真平台都采用传统的仿真评估方法，没有面向未来大数据的环境有针对性的提出解决方案，因此这一探索实现具备重要意义，一种可参考的架构设计如下图所示：

该架构有以下几点技术要点：

1）基于深度置信网络的仿真数据特征差异度量和模型可信度评估。

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。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的机制，根据不同仿真数据的特点，通过两个或者多个深度学习网络（深度学习机），建立协同训练和反馈控制的深度学习网络，如下图所示：

对于每个深度学习网络，我们理论探讨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。

2）面向仿真大数据的一体化柔性仿真评估方法

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。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程度和智能化程度，确保结果的稳定性和精确性。

不同评估目的或者评估对象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。因此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。因此要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”。一体化柔性仿真评估方法的创新之处在于，一方面实现对整个评估过程数据进行管理，支持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；此外，针对不同的评估对象，提供柔性的指标提取模型构建方法。

3）基于大数据的仿真实验因子优化设计方法

复杂仿真实验设计过程一般可以分为调研分析、实验设计、实验运行及分析三个阶段，其中调研分析阶段主要是根据先验知识提炼出指标、因子并提出仿真实验目的和要求。实验设计阶段根据实验目的的不同分为两个子阶段：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。相应的，实验运行与分析阶段也分为对应的两个子阶段。

由于复杂仿真实验因子数量众多、实验运行次数多等特点，为了提高实验效率节省实验精力，首先需要对进行重要因子的筛选。我们给出的仿真实验因子筛选过程模型，为仿真实验的顺利进行提供指导。仿真实验因子筛选过程可以分为因子指标提炼、因子预筛选、因子筛选三个阶段，其中因子指标提炼阶段主要是根据先验知识提炼出指标、因子并提出仿真实验目的和要求。因子预筛选阶段主要是为了得出因子的对指标影响的单调性、正负效应和大小等方面信息，为因子筛选阶段选择合适的方法做准备。因子筛选阶段是该过程模型的核心，是指由实验者选择或程序推荐适当的因子筛选方法来进行筛选实验，最终得出显著因子。由此仿真实验因子筛选过程模型的IDEF0 描述如下图所示。

（3）分布式仿真服务

现代仿真面对问题的复杂度和寻求解决的精度要求越来越高，仿真的需求也日新月异，对仿真系统在效率、灵活、开放等方面提出更高要求，采用传统架构的仿真系统暴露出效率、易用性、兼容性等方面的问题。

组件化、服务化仿真总体架构是利用组件化技术提高平台构件、模型组件的内聚性和降低平台构件间、模型组件间的耦合性，利用面向服务体系结构构建适应复杂、动态变化需求的分布式软件系统。

服务计算作为已经在商业上广泛应用的计算范型，得到了越来越多的厂家和用户支持，其可重用性、松散耦合、互操作等特点对于解决大型分布式仿真系统的架构问题给出了一个新思路。美军在其JLVC2020计划中已经将服务计算架构引入到具体的系统中并且计划于2020年形成新一代的联合训练仿真系统CEMS。该系统的目标是：将现有的松散联邦的体系架构向以目标为中心设计的多组件服务集成的组件构架转型，并且集成各种模型于一个综合的训练环境，以提高模拟训练的效率。这一框架的提出将提高各系统的联合协作，降低维护成本，以及提供给受训者更加方便的接入。

面向服务的体系结构（SOA,Sevice-Oriented Architecture）基本思想是以服务为核心，将仿真资源整合成可操作的、基于标准的服务，使其能被重新组合和应用，这对于构建可用于多种任务、适用不同应用、针对不同级别的综合仿真平台总体及其演化发展至为关键。

研究仿真应用与模型计算服务化框架、仿真服务发布/发现/订购/组合，模拟计算服务的调度与管理、基于BOM的模型组件形式化描述、模型组件的继承和组合、模型驱动架构MDA（Model Driven Architecture）等模型组件化、服务化技术，使仿真系统互操作性及模型重用性大大提高，通过建立大型模型计算服务器还可实现仿真应用、模拟训练的定制、随需接入，可以极大提高仿真实验及模拟训练的效率。

从目前一些仿真平台的现实情况来看，像诸如基于DMAS架构设计的平台，本身在设计理念上与服务计算有很多相通之处，可供参考借鉴。此外参考主流服务计算框架，实现分布式仿真服务架构，其最核心内容是构建高性能分布式服务化仿真引擎。

目前我们正在研究的方向是建立高性能分布式服务化仿真引擎，拟采用分布式多Agent系统（Distributed Multi-AgentSystem, DMAS）设计架构，以分布式共享通用黑板（Generic BlackBoard, GBB）数据为中心，在分布式共享数据高效存取服务的基础上，提供时间管理、分布式数据分发、多分辨率模型调度、负载均衡、仿真实体管理等服务，以实现按计算数据和计算任务两种方式的并行计算能力，同时为实现仿真模型、组件及应用的柔性可配置，引擎按面向服务的架构（Service OrientedArchitecture, SOA）设计标准服务化接口以支持便利的扩展，其体系架构如下图所示：

主要实现功能如下：

（1）分布式共享通用黑板（GBB）

（2）黑板管理器

（3）分布式共享数据高效存取服务

（4）分布式数据分发服务

（5）时间管理服务

（6）多分辨率模型调度服务

（7）负载均衡管理服务

（8）实体管理服务

（9）SOA标准服务化接口

（4）基于云计算的多分支并行仿真

多分支并行仿真的需求来源于未来仿真场景的复杂性。对作战实验、方案规划等应用而言，仿真必须进行反复的迭代与调整。从不同的角度，按不同的策略都可能会对仿真产生影响从而形成新的仿真分支。此外在仿真推演过程中如果融入外部信息，新情况、新态势也会导致仿真分支，因此对于仿真推演而言就提出了多分支平行仿真的技术要求。多分支平行仿真是指从单次仿真出发（通常以某一仿真案为蓝本作为仿真推演的想定），在仿真推演过程中根据临机的配置调整或从多角度、多策略的对抗分析而产生不同的仿真分支，并针对每个分支平行的进行仿真推演以实现对不同分支的仿真结果进行记录分析与评估。主要涉及以下技术研究：云仿真环境支撑技术；超实时加速仿真推演控制与数据记录技术；基于仿真记录的超实时仿真恢复技术；多分支平行仿真推演监控技术

1）云仿真环境支撑技术

云仿真环境支撑技术以应用领域的需求为背景，基于云计算理念，综合应用各类技术，包括复杂系统模型技术、高性能计算技术、先进分布仿真技术、虚拟化技术、普适化技术及应用领域有关的专业技术等，实现系统中各类资源（包括模型资源、计算资源、存储资源、网络资源、数据资源、信息资源、知识资源、软件资源，物理效应设备及仿真器等）按需共享与重用，实现多用户按需协同互操作，实现系统动态优化调度运行，进而支持全生命周期仿真活动。通过云架构的资源自动组合技术和弹性调度机制，仿真环境可根据使命任务实现柔性可配置和按需服务。这一技术主要目标是实现仿真资源的动态管理，特别是对于多分支仿真点的记录、保存、转移以及所需计算资源（主要是虚拟机）的快速生成及原有信息的快速克隆。

2）超实时加速仿真推演控制与数据记录技术

超实时加速推演需要仿真引擎的支持，主要涉及模型调度与时间管理技术。这主要靠基础仿真平台，进行定制化升级实现。平台实现并行高性能分布式服务化仿真引擎以实现超实时加速仿真推演技术。未来可能需要的主要工作：根据仿真分析与评估的粒度及要求进行超实时仿真运行记录的定制，超实时运行下仿真控制及外部信息干预条件下的仿真推演以及超实时加速运行的性能优化。

其优化改造系统示意图如下：

3）基于仿真记录的超实时仿真恢复技术

多分支平行仿真的实现基础是基于决策点或调整点的多分支方案生成，从实现方式上看可采用基于记录点的“仿真克隆”技术实现。主要涉及的技术难点有：基于仿真记录点的超实时仿真恢复；记录点“仿真克隆”与仿真分支分发。其技术实现示意如下图所示：

如图所示在某节点上的仿真推演Sim1在某一点P1处产生分支（决策点或多策略对抗分支点），此时将P1点的记录及仿真推演方案的相关内容进行克隆，并根据当前计算节点资源消耗情况决定将其发送到新的计算节点还是在原节点上重新启动新的仿真推演，而后通过基于记录点的超实时仿真恢复技术将分支仿真推演恢复、调整方案，实现多分支平行推演。基于记录点的仿真推演恢复我们已经有工程化的研究基础，需要进行改造升级的是推演的时间管理、实体管理等模块。

4）多分支平行仿真推演监控技术

对于多个分支进行平行仿真的情况，需要将不同仿真节点的分支仿真数据进行收集、分析与处理，这就需要对多个分支平行仿真推演进行监控与管理，以区分不同的数据记录为后续分析评估奠定基础。多分支平行推演监控将利用仿真引擎自带的仿真监控技术，结合多分支推演模式进行，主要由多分支监控协调管理模块、仿真监控模块、多分支平行仿真数据记录管理模块组成，其结构图如下图所示：

  以上内容是笔者在学习工作的实践中，结合未来作战训练的发展变化对仿真平台提出的具体现实需求及应对的技术实现的一些思想探索。有些内容正在逐步的付诸于工程实施，有些内容还在理论研究及探索阶段，希望各位圈内大咖同行能结伴而行，以推进我国军事仿真推演的整体研究及实践，不妥之处请各位多提宝贵意见。（全文完）

文中观点仅一家之言，有谬误之处欢迎留言讨论。