復雜自適應系統(tǒng)聯(lián)合仿真建模關鍵技術及應用研究.pdf

1、復雜自適應系統(tǒng)通常由許多并行的適應性主體組成，具有多層次的結構，具有智能性和自適應性，并呈現(xiàn)“涌現(xiàn)”的特征，難以對其進行形式化的解析與驗證。仿真是研究復雜自適應系統(tǒng)的一個重要途徑，通過對系統(tǒng)進行形式化描述，建立分布式協(xié)同仿真模型，對于領域專家研究系統(tǒng)行為和特性、預測系統(tǒng)變化范圍和發(fā)展趨勢，領域人員從事系統(tǒng)內的作業(yè)活動、進行業(yè)務訓練和演習等，都具有十分重要的意義。
　　 目前，國際上基于復雜自適應系統(tǒng)理論的仿真建模，均以Agent

2、/Swarm為基本單元，對于小規(guī)模的系統(tǒng)建模方便，仿真速度較快。但是，隨著系統(tǒng)規(guī)模的增大，大量主體間的交互問題對仿真提出了更高的要求，需要進一步實現(xiàn)分布交互式仿真；基于事件隊列調度的Swarm不能充分仿真主體間事件的隨機性，需要采用更為有效的方式實現(xiàn)仿真對象之間的協(xié)同性；傳統(tǒng)數(shù)學模型不能很好地描述系統(tǒng)推進過程中表現(xiàn)出的復雜態(tài)勢變化與內在的動力學機制，需要進一步刻畫系統(tǒng)的動態(tài)性；Swarm中更關注的是主體個體的自主性能，對各群體的中央控制

3、及其相互間的橫向聯(lián)系并沒有進行深入描述，需要在層次化、模塊化方面進行加強。
　　 針對上述問題，本文在系統(tǒng)分析復雜自適應系統(tǒng)基礎理論的基礎上，提出了聯(lián)合仿真建模技術框架；將Agent建模思想引入到具有層次化、模塊化優(yōu)勢的DEVS建模規(guī)范中，將其擴展為Agent-DEVS形式化描述規(guī)范；在HLA體系結構下，實現(xiàn)了Agent-DEVS模型的分布交互式協(xié)同仿真；基于SVM學習方法，完成了Agent-DEVS模型的參數(shù)優(yōu)化；最后構建了搶

4、險救災物資保障模擬訓練原型系統(tǒng)。歸納起來，本文主要創(chuàng)新性成果包括：
　　 ①提出了一種能夠對智能性和協(xié)作性進行描述的離散事件系統(tǒng)規(guī)范Agent-DEVS。該規(guī)范以并行DEVS為基礎，狀態(tài)元組被擴充成為Agent特征元組；增加了體現(xiàn)個體智能性的Agent模型元組；并將模型端口的輸入、輸出擴展成為體現(xiàn)社會協(xié)作性的Agent消息類型。分析了其原子模型與耦合模型的形式化描述，證明了Agent-DEVS模型的耦合封閉性，并給出了模型實現(xiàn)算

5、法。仿真試驗結果表明：1)Agent-DEVS規(guī)范能夠直接描述智能行為。其優(yōu)勢主要體現(xiàn)在建模性能上，通過將各類參數(shù)轉化為知識庫中的變量，并建立相應的處理函數(shù)集，可以描述更加復雜的智能行為；2)Agent-DEVS規(guī)范能夠較好地描述協(xié)作行為。通過模型間的相互協(xié)作，可以動態(tài)修改知識庫中的信息，提高了模型獨立處理事務的能力，增強了自治性；3)Agent-DEVS模型實現(xiàn)算法在時間復雜度和執(zhí)行效率上并不遜色。在計算時間上，該算法僅在最內層原子模

6、型中增加了Agent處理的步驟，對整體復雜性和運行速度方面的影響不大，執(zhí)行效率與DEVS/CD++基本相當。
　　 ②研究了基于HLA的Agent-DEVS協(xié)同仿真建模方法。提出了基于HLA的Agent-DEVS聯(lián)邦模型的形式化描述，將Agent-DEVS模型端口轉換為HLA數(shù)據(jù)對象，確定了Agent-DEVS聯(lián)邦模型結構，并分析了通信機制，分別建立了Agent-DEVS的知識更新與HLA的屬性更新，及Agent-DEVS的模型

7、耦合與HLA的實例交互間的映射，設計了Agent-DEVS聯(lián)邦模型在HLA中的仿真流程。仿真試驗結果表明：1)HLA體系框架增強了Agent-DEVS模型的可重用性?？梢酝瑫r實現(xiàn)與Agent-DEVS模型、非Agent-DEVS模型間的分布式交互；2)知識更新機制豐富了Agent-DEVS模型的互操作性。將知識庫的更新從模型耦合的交互中分離出來，避免了耦合交互時的密集數(shù)據(jù)流量，提高了知識庫更新效率；3)知識庫的實時性提高了Agent-D

8、EVS模型的獨立事務處理能力，自治性進一步增強。
　　 ③建立了基于SVM的Agent-DEVS模型的參數(shù)優(yōu)化模型。提出了基于SVM的Agent-DEVS模型參數(shù)優(yōu)化的流程，著重針對搶險救災物資保障仿真模型中的主要參數(shù)建立了優(yōu)化模型，重點分析了數(shù)據(jù)提取與預處理、核函數(shù)選擇、SVM參數(shù)優(yōu)選等關鍵技術，并與BP神經網(wǎng)絡進行了對比試驗。仿真試驗結果表明：1)SVM學習方法增強了Agent-DEVS模型的動態(tài)性。通過較少的樣本數(shù)據(jù)較好地

9、預測了模型參數(shù)，達到了參數(shù)優(yōu)化的目的；2)自學習能力使Agent-DEVS模型的智能性進一步提高。機器學習方法可以處理更為復雜的智能行為，隨著模型的深入應用和樣本累積，預測能力將自動增強，具有較充分的自治性；3)優(yōu)化后的參數(shù)使Agent-DEVS模型的描述能力更加精細。將優(yōu)化后的參數(shù)作為模型運行的依據(jù)，可以提高計算精度，增強描述對象的精細化程度。
　　 ④將聯(lián)合仿真建模技術應用于搶險救災領域的模擬訓練，構建了搶險救災物資保障模擬