康世龍

(山西云時代技術(shù)有限公司，山西 太原 030000)

0 引言

計(jì)算機(jī)仿真技術(shù)主要用于解決各行業(yè)實(shí)驗(yàn)代價高、實(shí)現(xiàn)過程無法重復(fù)及理論算法驗(yàn)證等問題，仿真技術(shù)的發(fā)展從最初的硬電路仿真、實(shí)物仿真、半實(shí)物仿真到當(dāng)前的虛擬化模擬仿真、基于代理的仿真，實(shí)現(xiàn)了從單實(shí)物的模擬到多實(shí)體間的協(xié)同模擬，解決了傳統(tǒng)仿真技術(shù)無法實(shí)現(xiàn)的多業(yè)務(wù)體協(xié)同，因此計(jì)算機(jī)仿真技術(shù)已經(jīng)成為各行業(yè)解決技術(shù)難題的基礎(chǔ)工具[1]。

基于代理技術(shù)的計(jì)算機(jī)仿真是通過分布式思想構(gòu)建的，通過代理執(zhí)行特定的功能單元，并將多個代理通過進(jìn)程調(diào)度機(jī)制形成相應(yīng)的仿真體系，從而完成特定的仿真任務(wù)。而多代理仿真架構(gòu)是通過任務(wù)調(diào)度機(jī)制完成代理間的不沖突管理工作，當(dāng)前，基于多代理的仿真技術(shù)主要應(yīng)用于軍事仿真、智慧城市、工業(yè)自動化仿真等方面。

圖1所示為多代理仿真研究的架構(gòu)圖。多代理仿真研究主要涉及模型體系研究、調(diào)度機(jī)制研究、數(shù)據(jù)融合策略研究、自適應(yīng)機(jī)制研究等。模型體系的研究最初起源于軍事應(yīng)用，美軍的聯(lián)合作戰(zhàn)仿真系統(tǒng)JSIMS(Joint Simulation System)構(gòu)建的MMF(Military Modeling Framework)建?？蚣躘2]，為仿真系統(tǒng)提供了基礎(chǔ)的開發(fā)框架，可實(shí)現(xiàn)模型組件的自有組配，但該模型體系并未提供具體的元描述，為此胡曉峰等提出了EBI(Entity，Behavior，Interaction)建模方法[3]，將模型的設(shè)計(jì)按照其靜態(tài)參數(shù)、行為模型以及動態(tài)屬性等進(jìn)行了細(xì)分，增強(qiáng)了模型設(shè)計(jì)過程中的靈活性，降低了各參數(shù)間的耦合度。

圖1 多代理仿真研究架構(gòu)圖

關(guān)于調(diào)度機(jī)制的研究，主要完成對多代理間的任務(wù)規(guī)劃工作，如代理A完成戰(zhàn)場數(shù)據(jù)監(jiān)聽的任務(wù)，代理B完成敵對目標(biāo)打擊的任務(wù)，代理C完成打擊效果的評估工作，那么在調(diào)度過程中，需要確保代理A能夠?qū)⒋鞡執(zhí)行的結(jié)果傳遞給代理C，圖2所示為簡單的基于時間片的任務(wù)調(diào)度機(jī)制示例圖，圖中顯示在T3～T5時刻代理B執(zhí)行了其任務(wù)，在T5時刻代理A將執(zhí)行結(jié)果通知代理C，從而完成一次代理任務(wù)調(diào)度過程。

圖2 基于時間片的任務(wù)調(diào)度機(jī)制

本文針對現(xiàn)有的模型體系架構(gòu)以及任務(wù)調(diào)度機(jī)制，提出了一種應(yīng)用于多代理仿真中的自適應(yīng)模型融合機(jī)制，該機(jī)制利用模型自身的繼承機(jī)制，應(yīng)用馬爾科夫概率模型自匹配模型結(jié)構(gòu)，實(shí)現(xiàn)多代理仿真的智能化。

1 自適應(yīng)機(jī)制介紹

本文提出的模型自適應(yīng)融合機(jī)制采用文獻(xiàn)[4]中所提出的HMP仿真模型組件技術(shù)，該模型遵循HLA分布式仿真體系架構(gòu)，模型結(jié)構(gòu)定義如下：

HMP=

其中,Mport、Attri、BaseModel、UserModel、ObjectBaseClass和InteractionBaseClass分別表示HMP的管理端口、屬性、模型基類、用戶模型、對象基類以及交互基類，各基類的定義通過其他公共參數(shù)完成數(shù)據(jù)的交互，如BaseModel的定義如下：

BaseModel=

那么基類與HMP交互通過公共參數(shù)Attri進(jìn)行數(shù)據(jù)匹配，可通過模型標(biāo)識作為基類與模型間交互的通道。

在多代理分布式仿真體系的實(shí)際應(yīng)用中，模型體系作為仿真的基礎(chǔ)數(shù)據(jù)提供者，扮演著仿真架構(gòu)中細(xì)胞的角色，如何確保各模型結(jié)構(gòu)能夠自適應(yīng)匹配仿真引擎的管理與調(diào)度是確保多代理仿真高效性的基礎(chǔ)。

1.1 自適應(yīng)匹配機(jī)制

自適應(yīng)模型匹配機(jī)制按照狀態(tài)轉(zhuǎn)換條件，設(shè)計(jì)獨(dú)立代理進(jìn)行模型管理工作，圖3所示為自適應(yīng)匹配原理圖，代理監(jiān)聽模型的公共數(shù)據(jù)參數(shù)，當(dāng)仿真引擎的事件驅(qū)動滿足預(yù)測模型的調(diào)用條件時，按照概率事件代理決定是否完成預(yù)測模型的調(diào)用。

圖3 自適應(yīng)匹配原理圖

圖3中，[u,N]表示一個時域，[u,N]|k表示在k時刻的下一個時域區(qū)間，而X∧[u,N]|k表示k時刻的下一個時刻發(fā)生的狀態(tài)?；A(chǔ)模型即為實(shí)際功能模型的輸入?yún)?shù)，通過公共數(shù)據(jù)結(jié)構(gòu)Attri，代理執(zhí)行時通過調(diào)度算法，按照仿真引擎實(shí)時發(fā)生的事件信息去判斷是否滿足基礎(chǔ)模型的調(diào)用。代理工作流程描述如下：

(1)啟動代理新進(jìn)程，分配線程監(jiān)聽功能模型的輸入；

(2)接收并管理各功能模型的Attri參數(shù)結(jié)構(gòu)(公共參數(shù))，通過Attri中的關(guān)鍵字段對模型進(jìn)行唯一識別；

(3)仿真引擎啟動事件激活，啟動新線程接收仿真引擎的模型事件信息；

(4)根據(jù)仿真引擎的事件信息，代理依據(jù)狀態(tài)轉(zhuǎn)換模型判別是否符合調(diào)用基礎(chǔ)模型的機(jī)會條件。

1.2 自適應(yīng)模型機(jī)制

本文采用一種分布式仿真框架作為自適應(yīng)模型匹配的框架支撐，框架由各類功能獨(dú)立的代理構(gòu)成，模型結(jié)構(gòu)采用XML的形式存儲?；诖朔N模式，本文設(shè)計(jì)開發(fā)了多代理、自適應(yīng)分布式仿真系統(tǒng)，系統(tǒng)利用代理的靈活特性，動態(tài)調(diào)用相關(guān)的基礎(chǔ)模型結(jié)構(gòu)。

代理監(jiān)控模型設(shè)計(jì)采用經(jīng)典的BDI模型結(jié)構(gòu)，所謂BDI是由信念(Belief)、愿望(Desire)和策略(Implications)所構(gòu)成的集合，該模型代理的關(guān)鍵在于求解領(lǐng)域行為規(guī)則庫P(Plan Library)的描述。代理監(jiān)控模型是分布式仿真系統(tǒng)的核心構(gòu)件，采用BDI模型的擴(kuò)展可定義為三元組ACO：

A={ai}—代理的基本行為表述集合；

C={ci，ai}—代理執(zhí)行行為ai的條件集合；

O={ci，ai，oi}—代理響應(yīng)行為ai的具體動作集合。

模型體系結(jié)構(gòu)按照HMP的模型架構(gòu)定義，將Attri作為公共交互參數(shù)，其結(jié)構(gòu)化定義如圖4所示。

圖4 模型結(jié)構(gòu)定義

采用這種監(jiān)視公共參數(shù)模式的數(shù)據(jù)流管控機(jī)制，有利于在實(shí)際仿真環(huán)境中提升系統(tǒng)設(shè)計(jì)的靈活性。該機(jī)制所采用的思想在文獻(xiàn)[5]中也有所介紹，文獻(xiàn)[5]提出了一種自適應(yīng)多代理系統(tǒng)的形式化描述語言，認(rèn)為在實(shí)際的自適應(yīng)系統(tǒng)設(shè)計(jì)中業(yè)務(wù)與邏輯要實(shí)現(xiàn)分離，這樣可提升應(yīng)用軟件的模塊化程度。

1.3 自適應(yīng)模式融合初始化

本文所設(shè)計(jì)的模型融合策略，是通過多代理仿真中模型管理及自適應(yīng)調(diào)度的優(yōu)化實(shí)現(xiàn)的。對于系統(tǒng)初始化狀態(tài)，核心工作機(jī)制是完成監(jiān)控代理服務(wù)的啟動以及數(shù)據(jù)池的初始化，本文采用建立模型相關(guān)度關(guān)聯(lián)，圖5所示為模型相關(guān)度關(guān)聯(lián)圖。本文僅考慮模型間相對的屬性關(guān)聯(lián)度，如Model2相對Model1的關(guān)聯(lián)度為33.3%，而Model1相對Model2的關(guān)聯(lián)度為25%，相關(guān)度形象地表示了各個模型間的關(guān)聯(lián)親密度。根據(jù)文獻(xiàn)[6]自適應(yīng)模型研究，相關(guān)度越大的模型間關(guān)聯(lián)關(guān)系程度越深，因此本文利用文獻(xiàn)[6]中所提出的自適應(yīng)模型作為初始理論依據(jù)，暫不考慮各模型間的輸入輸出關(guān)系(將在后期研究中進(jìn)行分析)，相關(guān)度描述如式(1)所示：

(1)

式(1)簡單地描述了模型輸出相關(guān)度的計(jì)算過程，即計(jì)算本模型相對其他模型的相關(guān)度。

圖5 模型相關(guān)度關(guān)聯(lián)圖

相關(guān)度高的模型間存在較大的關(guān)聯(lián)關(guān)系，監(jiān)控代理在模型交互過程中優(yōu)先選用關(guān)聯(lián)度較高的模型進(jìn)行切換，在實(shí)際的多代理仿真過程中，需要考慮各個模型的輸入、輸出參數(shù)，如圖5中Model1的輸出參數(shù)為Property A，而ModelN的輸入?yún)?shù)為Property A，那么該模型間的關(guān)聯(lián)度被認(rèn)為有效；若Model1的輸入?yún)?shù)為Property Z，同時Model2的輸入?yún)?shù)為Property Z，那么該模型間的關(guān)聯(lián)度則無效。

建立模型間關(guān)聯(lián)度的網(wǎng)絡(luò)模型是初始化后的核心工作，利用網(wǎng)絡(luò)模型建立模型間的關(guān)系，圖6所示為網(wǎng)絡(luò)模型，通過加權(quán)矩陣wn×n表示模型間的相關(guān)聯(lián)關(guān)系，目標(biāo)選擇概率如式(2)所示：

(2)

圖6 網(wǎng)絡(luò)模型

1.4 自適應(yīng)模式融合的過程選擇

自適應(yīng)模式融合的處理主要取決于監(jiān)控代理對模型關(guān)聯(lián)圖的解讀，通過對各個模型間關(guān)聯(lián)度的提取，形成一個有向加權(quán)非對稱矩陣[7]：

(3)

如上式所示，矩陣中的非0元素表示代理間存在聯(lián)系，同時矩陣中的元素值表示代理間的關(guān)聯(lián)度的大小。根據(jù)對矩陣的迭代解算形成最終的意向模型選擇，由于在多代理仿真中需要保證仿真的運(yùn)行效率，因此在算法的實(shí)現(xiàn)過程中需要確保矩陣解算過程中的迭代優(yōu)化(矩陣的解算優(yōu)化本文不做贅述)。

2 仿真實(shí)驗(yàn)

本文利用基于分布式仿真體系架構(gòu)的某仿真引擎構(gòu)建模型調(diào)度管理的原型系統(tǒng)，以某應(yīng)用仿真作為背景，實(shí)現(xiàn)代理完成模型調(diào)度管理工作，按照自適應(yīng)模型融合的實(shí)現(xiàn)流程創(chuàng)建整個實(shí)驗(yàn)過程。最后完成與某仿真引擎自有模型管理機(jī)制的效率對比。

某仿真引擎的工作機(jī)理如圖7所示，在整個仿真過程中通過黑板結(jié)構(gòu)進(jìn)行全局?jǐn)?shù)據(jù)的維護(hù)，通過代理的方式完成功能仿真，并且同地理信息數(shù)據(jù)、模型數(shù)據(jù)通過交互中間件完成數(shù)據(jù)的重構(gòu)，本文通過增加監(jiān)控代理對黑板結(jié)構(gòu)中的模型構(gòu)建關(guān)聯(lián)圖(增加了額外的工作量，由于在實(shí)際的仿真過程中模型結(jié)構(gòu)是相對靜止的，因此對每個模型的出入度默認(rèn)為確定)[8]。

圖7 某仿真引擎工作機(jī)理圖

本實(shí)驗(yàn)以模型數(shù)量以及周期內(nèi)模型調(diào)度次數(shù)作為實(shí)驗(yàn)仿真的變量。圖8所示為模型調(diào)度次數(shù)的遞增對響應(yīng)時間的影響實(shí)驗(yàn)圖，在模型數(shù)量一定情況下，隨著模型調(diào)度次數(shù)的遞進(jìn)，引擎自有的模型調(diào)度機(jī)制在Windows系統(tǒng)自有的任務(wù)調(diào)度機(jī)制下無法滿足用戶的請求次數(shù)時(如圖8當(dāng)調(diào)度次數(shù)達(dá)到700次/周期的時候)，自適應(yīng)融合調(diào)度機(jī)制通過管理檢索自有的關(guān)聯(lián)圖能夠快速地調(diào)度關(guān)聯(lián)度最大的模型結(jié)構(gòu)。

圖8 調(diào)度次數(shù)與響應(yīng)時間對比圖

模型數(shù)量的多少直接決定仿真粒度及仿真效率的高低，對于大型分布式仿真來說，構(gòu)建一個中型的仿真場景至少需要上萬個實(shí)體維護(hù)，底層須確保有近500個模型支撐。圖9所示為隨著模型數(shù)量的增加(用戶請求一定的前提下)，系統(tǒng)響應(yīng)時間的對比圖。圖中顯示當(dāng)模型數(shù)量達(dá)到150批的時候，自適應(yīng)融合機(jī)制在響應(yīng)時間上明顯優(yōu)于某引擎自有的模型調(diào)度機(jī)制，整體效率提升了近20%。

圖9 模型數(shù)量與響應(yīng)時間對比圖

3 結(jié)論

分布式仿真技術(shù)已經(jīng)為多行業(yè)驗(yàn)證性研究提供了高效、準(zhǔn)確的計(jì)算服務(wù)，然而模型作為計(jì)算機(jī)仿真的基礎(chǔ)，設(shè)計(jì)有效、合理的調(diào)度機(jī)制是仿真過程優(yōu)劣的評價標(biāo)準(zhǔn)之一。本文利用自適應(yīng)思想，采用相關(guān)度作為模型協(xié)同調(diào)用的依據(jù)，設(shè)計(jì)了一套自適應(yīng)模型調(diào)度融合算法，通過與某仿真引擎的模型管理機(jī)制進(jìn)行調(diào)度性能對比，結(jié)果表明在模型調(diào)度效率上提升了近20%。