CN111898227B - 一种基于多智能体的网络化可靠性仿真分析方法 - Google Patents
一种基于多智能体的网络化可靠性仿真分析方法 Download PDFInfo
- Publication number
- CN111898227B CN111898227B CN202010725569.XA CN202010725569A CN111898227B CN 111898227 B CN111898227 B CN 111898227B CN 202010725569 A CN202010725569 A CN 202010725569A CN 111898227 B CN111898227 B CN 111898227B
- Authority
- CN
- China
- Prior art keywords
- reliability
- task
- node
- simulation
- component
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 98
- 238000004458 analytical method Methods 0.000 title claims abstract description 35
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 42
- 238000002347 injection Methods 0.000 claims abstract description 40
- 239000007924 injection Substances 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 18
- 230000008859 change Effects 0.000 claims abstract description 9
- 230000006872 improvement Effects 0.000 claims abstract description 4
- 230000008439 repair process Effects 0.000 claims description 12
- 238000004132 cross linking Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 4
- 230000006855 networking Effects 0.000 claims description 3
- 230000011273 social behavior Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 11
- 239000000243 solution Substances 0.000 description 8
- 238000010276 construction Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000006126 MAS system Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种基于多智能体的网络化可靠性仿真分析方法,包括:搭建组件层网络;设定各个组件节点的智能体特性;设定各个节点连接边的智能体特性;设定故障注入装置,指定故障注入位置,故障注入时间及故障注入强度;设定任务执行过程,搭建任务层网络并设定任务执行顺序、时间与循环;分析仿真系统的网络结构,得到系统关键节点,并运行仿真系统,观察故障注入后系统的工作状态变化情况,多角度测量仿真系统的可靠度并找出仿真系统的薄弱环节;对仿真系统可靠性进行分析与评估。本发明,提高系统可靠性,对提升系统的可靠性提出更有效的改进措施。
Description
技术领域
本发明涉及可靠性仿真分析技术领域,更具体的说是涉及一种基于多智能体的网络化可靠性仿真分析方法。
背景技术
目前,多智能体(Multi-Agent System,MAS)是多个智能体组成的集合,它的目标是是让若干个具备简单智能却便于管理控制的系统能通过相互协作实现复杂智能,使得在降低系统建模复杂性的同时,提高系统的鲁棒性、可靠性、灵活性。它主要具有三个特点:1)自主性:在多智能体系统中,每个智能体都能管理自身的行为并做到自主的合作或者竞争;2)容错性:智能体系统中,不同的智能体间互动合作,完成独立或者共同的目标,如果某几个智能体出现了故障,其他智能体将自主地适应新的环境并继续工作,不会使整个系统陷入故障状态;3)灵活性和可扩展性:MAS系统本身采用分布式设计,智能体具有高内聚低耦合的特性,使得系统表现出极强的可扩展性;4)协作能力:多智能体系统是分布式系统,智能体之间可以通过合适的策略相互协作完成全局目标。
复杂网络(Complex Network),是指具有自组织、自相似、吸引子、小世界、无标度中部分或全部性质的网络。它主要具有四个特点:1)结构复杂,表现在节点数目巨大,网络结构呈现多种不同特征;2)网络进化:表现在节点或连接的产生与消失。例如world-widenetwork,网页或链接随时可能出现或断开,导致网络结构不断发生变化;3)动力学复杂性:节点集可能属于非线性动力学系统,例如节点状态随时间发生复杂变化;4)连接多样性:节点之间的连接权重存在差异,且有可能存在方向性。
现有的可靠性仿真分析方法通常着重于系统中各个部件的功能及运行状态,没有关注整个任务的实施状态,就算是关注了整个任务的状态但并没有将视角扩展到系统中各个任务间的相互关联与影响,因此仿真效果相对有限,在包含多任务的复杂系统的可靠性仿真过程中缺点尤为明显。
因此,如何提供一种基于多智能体的网络化可靠性仿真分析方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于多智能体的网络化可靠性仿真分析方法,将系统中的各个组成部分看作不同种类的多智能体,使系统的各个组件组成一个网络化的多智能体系统,通过系统中各个组成部分的信息交互与协调合作,模拟出实际系统运行时的真实情况,并对系统运行时的可靠性进行仿真分析。本发明使用多智能体建模仿真工具实现对各个组件、整个系统及环境的搭建;在搭建的过程中,使用多层次网络化的搭建模式,分为任务层、组件层这两种不同颗粒度的视角进行搭建,既创建出各个组件的实体又指定不同任务所需的组件及功能,更加清晰地模拟出实际系统的功能与结构;在仿真的过程中,使用多智能体编辑器创建故障注入装置,既能够指定故障注入类型,又能够指定故障注入强度,便于对各种条件下的系统可靠性情况进行仿真分析。
本发明能很好的将实际运行过程中的系统状态仿真模拟出来,同时系统各个组件的层次关系,各类任务的运行关系及其与系统故障的内部关系都能够得到很好的展示与分析,仿真过程的自由度也相当高,更方便可靠性分析人员对系统进行可靠性分析。
为了实现上述目的,本发明采用如下技术方案:
一种基于多智能体的网络化可靠性仿真分析方法,所述方法包括以下步骤:
S1、根据仿真系统的内部结构搭建组件层网络,包括各个组件节点及节点连接边的智能体对象;
S2、设定各个组件节点的智能体特性,包括可靠度、任务重要度、平均修复时间、是否有储备措施;
S3、设定各个节点连接边的智能体特性,包括可靠度、信息或故障传播方向、信息或故障传播速度;
S4、设定故障注入装置,指定故障注入位置,故障注入时间及故障注入强度;
S5、设定任务执行过程,搭建任务层网络并在任务层网络设定任务执行顺序、时间与循环;
S6、静态分析所述仿真系统的网络结构,得到系统关键节点,并运行所述仿真系统,根据所述各个组件节点和各个节点连接边的智能体特性模拟真实环境中的系统工作情况,观察故障注入后系统的工作状态变化情况,多角度测量所述仿真系统的可靠度并找出任务执行时所述仿真系统的导致任务失败的组件节点与节点连接边;
S7、根据对所述仿真系统结构的分析及测量结果,对所述仿真系统可靠性进行分析与评估。
优选的,所述步骤S1包括:通过为每个组件分别创建一个智能体对象,同时根据所述仿真系统内各个对象的信息传递协同工作行为关系将相关对象连接起来,组成一个复杂的组件层网络。
优选的,所述步骤S2中各个组件节点的智能体特性包括反映所述组件节点工作可靠程度的可靠度、反映所述组件节点在任务中的重要程度的任务重要度、反映所述组件节点故障后完成修复的平均时间的平均修复时间。
优选的,所述步骤S3中各个节点连接边的智能体特性包括反映所述节点连接边工作可靠程度的可靠度、反映通过所述节点连接边传递的信息的方向以及反映通过所述节点连接边传递的信息强度。
优选的,所述步骤S5包括:基于步骤S1搭建的组件层网络,为不同任务制定不同的组件节点工作顺序及工作时间,根据各个任务间的执行顺序与交联关系搭建任务层网络,并设定任务执行顺序执行时间与循环。
优选的,所述步骤S6包括:根据系统的任务层网络及组件层网络,分析在执行目标任务时与各个任务的交联关系最多,与其他节点的连接关系较复杂也极易发生级联故障的组件节点,得到所述关键节点。
优选的,所述步骤S6中薄弱环节为在多次循环里任务失败的情况中,多次出现故障从而导致了任务失败的组件节点与节点连接边。
优选的,所述步骤S7包括:通过分析所述仿真系统的关键节点和薄弱环节,对所述仿真系统的可靠性提升提出建议。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于多智能体的网络化可靠性仿真分析方法,可以解决复杂系统难以进行自由仿真并进行基于任务网络的可靠性分析的难题,能够根据系统实际结构搭建组件层网络,并根据实际任务执行过程的系统组件调用情况搭建任务层网络,实现对复杂系统真实运行过程真实而自由地模拟。同时,在设定故障注入装置与任务执行情况后,实现了对系统任务执行过程中的可靠性变化情况进行真实而及时的反映,便于对系统进行真实而准确的可靠性分析,实现了任务层与组件层网络中的故障定位与诊断,找出系统的薄弱环节与关键节点,最终找到提高系统可靠性的办法。这种可靠性仿真方法仿真自由度更大,更加贴近实际工作情况,仿真可信度也更高,同时能够依据任务网络将任务失败的原因定位到某组件节点或某条连接边的失效上,对提升系统的可靠性提出更有效的改进措施。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的程序流程图。
图2附图为本发明提供的原理示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种基于多智能体的网络化可靠性仿真分析方法,仿真系统方法包括以下步骤:
S1、根据仿真系统的内部结构搭建组件层网络,包括各个组件节点及节点连接边的智能体对象;
S2、设定各个组件节点的智能体特性,包括可靠度、任务重要度、平均修复时间、是否有储备措施;
S3、设定各个节点连接边的智能体特性,包括可靠度、信息或故障传播方向、信息或故障传播速度;
S4、设定故障注入装置,指定故障注入位置,故障注入时间及故障注入强度;
S5、设定任务执行过程,搭建任务层网络并在任务层网络设定任务执行顺序、时间与循环;
S6、静态分析仿真系统的网络结构,得到系统关键节点,并运行仿真系统,根据仿真系统各个组件节点和各个节点连接边的智能体特性模拟真实环境中的系统工作情况,观察故障注入后系统的工作状态变化情况,多角度测量仿真系统的可靠度并找出任务执行时仿真系统的导致任务失败的组件节点与节点连接边;
S7、根据对仿真系统结构的分析及测量结果,对仿真系统可靠性进行分析与评估。
为了进一步优化上述技术方案,仿真系统步骤S1包括:通过为每个组件分别创建一个智能体对象,同时根据仿真系统内各个对象的信息传递协同工作行为关系将相关对象连接起来,组成一个复杂的组件层网络。
为了进一步优化上述技术方案,仿真系统步骤S2中各个组件节点的智能体特性包括反映仿真系统组件节点工作可靠程度的可靠度、反映仿真系统组件节点在任务中的重要程度的任务重要度、反映仿真系统组件节点故障后完成修复的平均时间的平均修复时间。
为了进一步优化上述技术方案,仿真系统步骤S3中各个节点连接边的智能体特性包括反映仿真系统节点连接边工作可靠程度的可靠度、反映通过仿真系统节点连接边传递的信息的方向以及反映通过仿真系统节点连接边传递的信息强度。
为了进一步优化上述技术方案,仿真系统步骤S5包括:基于步骤S1搭建的组件层网络,为不同任务制定不同的组件节点工作顺序及工作时间,根据各个任务间的执行顺序与交联关系搭建任务层网络,并设定任务执行顺序执行时间与循环。
为了进一步优化上述技术方案,仿真系统步骤S6包括:根据系统的任务层网络及组件层网络,分析在执行目标任务时与各个任务的交联关系最多,与其他节点的连接关系较复杂也极易发生级联故障的组件节点,得到仿真系统关键节点。
为了进一步优化上述技术方案,仿真系统步骤S6中薄弱环节为在多次循环里任务失败的情况中,多次出现故障从而导致了任务失败的组件节点与节点连接边。
为了进一步优化上述技术方案,仿真系统步骤S7包括:通过分析仿真系统的关键节点和薄弱环节,对仿真系统的可靠性提升提出建议。
本发明提供了一种基于多智能体的网络化可靠性仿真分析方法,为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作详细描述,图1为本方法的程序流程,图2为具体原理与重要环节:
步骤S1、根据仿真系统的内部结构搭建组件层网络,包括各个组件节点及节点连接边的智能体对象。仿真系统中一般包含多个内部组件,每个部件本身具有一定的功能与特性,同时不同的组件按照一定的顺序工作运行后可以完成不同的任务。因此系统内包含两层网络结构,分别为组件层网络和任务层网络。而步骤S1中的目标就是搭建最基础的组件层网络,为每个组件分别创建一个智能体对象,在组件层网络中,这个对象就是一个节点。而不同的组件间在执行任务时发生的信息传递、协同工作等行为关系则创建为一个连接边,这些组件节点与连接边就组成了一个组件层的复杂网络。
步骤S2、设定各个组件节点的智能体特性,包括可靠度、任务重要度、平均修复时间、是否有储备措施。在搭建完组件层网络之后,对每个组件节点对象赋予智能体特性,所谓的智能体特性就是自主性、灵活性、可扩展性、协作能力等。所以每个网络节点就不单单是一个独立的个体,或是某个任务中的一环,同时也是一个自身能够具备与外界交流与扩展进化能力的智能个体。落实在可靠性仿真分析中,则是为组件节点对象设计以下几个可靠性相关的特性:(1)反映该组件节点工作可靠程度的可靠度;(2)反映该组件节点在某项任务中的重要程度的任务重要度;(3)反映该组件节点故障后完成修复的平均时间的平均修复时间。这些特性是后续步骤中能够进行可靠性仿真分析的关键,是实现仿真功能的核心技术之一。
步骤S3、设定各个节点连接边的智能体特性,包括可靠度、信息或故障传播方向、信息或故障传播速度。在设计好每个组件节点的智能体特性之后,对每个连接边对象赋予智能体特性,使整个网络成为一个多智能体网络系统。与上同理,落实在可靠性仿真分析中,就是为连接边对象设计以下几个可靠性相关的特性:1)反映该连接边工作可靠程度的可靠度;2)反映该通过该连接边传递的信息的方向;3)反映该通过该连接边传递的信息强度。这些特性也是后续步骤中能够进行可靠性仿真分析的关键,也是实现仿真功能的核心技术之一。
步骤S4、设定故障注入装置,指定故障注入位置,故障注入时间及故障注入强度。在进行仿真之前,已经预设了一个故障注入装置,它共有三处信息需要指定,分别为1)故障注入位置,即发生原始故障的组件节点;2)故障注入时间,有多种时间控制方式,例如在某时刻、经过某段间隔时间或在某段时间内持续注入等;3)故障注入强度,即此时刻注入故障的强度大小或危害严重程度大小。有了以上三个控制选项,我们就可以相对自由地设定故障发生的方式与严重程度,能够比较自由地对真实运行中出现的各种情况进行仿真。
步骤S5、设定任务执行过程,搭建任务层网络并在任务层网络设定任务执行顺序、时间与循环。基于步骤S1搭建的组件网络,需要为不同的任务制定不同的组件节点工作顺序及工作时间,搭建出第二层网络即任务层网络。在这层网络中,我们不仅可以看到每个任务包含的各种组件及它们的交互方式,同时也能看到不同任务之间的交联关系与先后顺序。例如,某任务T1的执行需要节点(N1,N2,N3…)通过连接边(E1,E2,E3…)进行依次交互后才能完成,那么此任务节点T1既与组件节点(N1,N2,N3…)相连接,又成为任务网络中的一个节点。同理任务(T2,T3,T4…)也都设定为了任务网络的其中一个节点,而如果不同的任务节点(Ti1,Ti2,Ti3…)间存在一定的交联关系,那么可以用连接边(e1,e2,e3…)将这些任务节点连接起来,此时我们就设定好了第二层网络——任务网络。它既与第一层网络即组件层网络相连,对组件层网络起到了一定的控制作用,同时又具有自身的网络特性,能够反映系统任务的结构以及执行情况,是我们分析整个系统网络结构的基础,也是运行后续系统仿真功能的前提。
步骤S6、静态分析仿真系统的网络结构,得到系统关键节点,并运行仿真系统,根据各个组件节点和各个节点连接边的智能体特性模拟真实环境中的系统工作情况,观察故障注入后系统的工作状态变化情况,多角度测量仿真系统的可靠度并找出任务执行时仿真系统的薄弱环节。在组件层网络、任务层网络与故障注入装置均设置完毕后,就可以首先对整个系统的网络进行一次静态分析,目的是找到网络中交联关系较多、与其他节点的连接关系较复杂也极易发生级联故障的部分,并将此类部分中的节点定义为关键节点,即系统运行过程中起到至关重要的作用的节点。之后就可以开始运行整个仿真程序,大致分为两个步骤,即系统运行仿真与故障注入。首先开始系统运行仿真,我们让任务T1与T2依次间隔相同时间开始进行。我们可以看到执行某任务T1时,节点(N1,N2,N3…)依次开始工作,同时通过连接边(E1,E2,E3…)进行了信息交互。与上同理,在T1执行完成后,某任务T2开始执行,节点(N4,N3,N5…)依次开始工作,同时通过连接边(E4,E5,E6…)进行了信息交互。要注意的是,T2是在T1完成后才开始进行的,并且在之前对系统进行静态分析时可以发现,N3作为两个任务的公共节点,起到了很重要的信息传递作用,因此我们可以将其定义为此系统中的关键节点。
在系统能够正常持续运行后,开始进行第二步即故障注入过程。我们既可以在指定位置注入指定强度的故障,也可以在随机位置注入随机强度的故障,为方便理解,首先以将故障注入到关键节点N3中为例,查看系统功能是否受到影响或度量系统功能收到何种程度的影响。我们发现如果在任务T1刚刚完成后注入,那么此时后续任务T2将会无法顺利进行,信息无法从N4通过N3传递到N5。同时,因为N3出现了故障导致下一次循环中的任务T1也无法顺利完成,整个系统完全失效。在下一次的循环中,我们将故障随即注入到其他节点中,查看系统功能是否受到影响或度量系统功能收到何种程度的影响。在数十个甚至上百上千个循环后,我们就可以在后续步骤中通过统计分析得到各个任务的运行成功率,也可以得到系统中容易导致任务失败的薄弱环节。
步骤S7、根据对仿真系统结构的分析及测量结果,对仿真系统可靠性进行分析与评估。根据多次循环后的系统任务失败情况,我们可以通过统计分析得到各个任务的运行成功率,也可以得到系统中容易导致任务失败的薄弱环节。首先在每个循环的任务网络中定位出失败的任务,若失败的任务不止一个,则在任务网络中标明所有的失败任务并依次处理。在多次循环后,我们可以依次重点关注某一个任务,根据任务层网络与组件层网络的关联方式定位出导致任务失败的关键节点,接着查看此关键节点周围的连接边,定位出故障的源头,找到故障发生的根本可能原因,从而找到相应的解决办法。同时也可以在分析过多次故障案例后,对系统中的各个组件网络节点的组件可靠性与各个任务网络节点的任务成功率进行统计分析,找出系统的薄弱环节,结合之前静态分析中得到的关键组件节点,找到提高系统质量与可靠性的着眼点与可行的办法。
本发明公开了一种基于多智能体的网络化可靠性仿真分析方法,能够根据系统实际结构搭建组件层网络,并根据实际任务执行过程的系统组件调用情况搭建任务层网络,实现对复杂系统真实运行过程真实而自由地模拟。同时,在设定故障注入装置与任务执行情况后,实现了对系统任务执行过程中的可靠性变化情况进行真实而及时的反映,便于可靠性分析人员对系统进行真实而准确的可靠性分析,实现了任务层与部件层网络中的故障定位与诊断,能够方便地找出系统的薄弱环节与关键节点,最终找到提高系统可靠性的办法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种基于多智能体的网络化可靠性仿真分析方法,其特征在于,所述方法包括以下步骤:
步骤S1、根据仿真系统的内部结构搭建组件层网络,包括各个组件节点及节点连接边的智能体对象;
步骤S2、设定各个组件节点的智能体特性,包括可靠度、任务重要度、平均修复时间、是否有储备措施;
步骤S3、设定各个节点连接边的智能体特性,包括可靠度、信息或故障传播方向、信息或故障传播速度;
步骤S4、设定故障注入装置,指定故障注入位置,故障注入时间及故障注入强度;
步骤S5、设定任务执行过程,搭建任务层网络并在任务层网络设定任务执行顺序、时间与循环;
步骤S6、静态分析所述仿真系统的网络结构,得到系统关键节点,并运行所述仿真系统,根据所述各个组件节点和各个节点连接边的智能体特性模拟真实环境中的系统工作情况,观察故障注入后系统的工作状态变化情况,多角度测量所述仿真系统的可靠度并找出任务执行时所述仿真系统的导致任务失败的组件节点与节点连接边;
步骤S7、根据对所述仿真系统结构的分析及测量结果,对所述仿真系统可靠性进行分析与评估;
所述步骤S1包括:通过为每个组件分别创建一个智能体对象,同时根据所述仿真系统内各个对象的信息传递协同工作行为关系将相关对象连接起来,组成一个复杂的组件层网络;
所述步骤S2中各个组件节点的智能体特性包括反映所述组件节点工作可靠程度的可靠度、反映所述组件节点在任务中的重要程度的任务重要度、反映所述组件节点故障后完成修复的平均时间的平均修复时间;
所述步骤S3中各个节点连接边的智能体特性包括反映所述节点连接边工作可靠程度的可靠度、反映通过所述节点连接边传递的信息的方向以及反映通过所述节点连接边传递的信息强度。
2.根据权利要求1所述的一种基于多智能体的网络化可靠性仿真分析方法,其特征在于,所述步骤S5包括:基于步骤S1搭建的组件层网络,为不同任务制定不同的组件节点工作顺序及工作时间,根据各个任务间的执行顺序与交联关系搭建任务层网络,并设定任务执行顺序执行时间与循环。
3.根据权利要求1所述的一种基于多智能体的网络化可靠性仿真分析方法,其特征在于,所述步骤S6包括:根据系统的任务层网络及组件层网络,分析在执行目标任务时与各个任务的交联关系最多,与其他节点的连接关系较复杂也极易发生级联故障的组件节点,得到所述关键节点。
4.根据权利要求1所述的一种基于多智能体的网络化可靠性仿真分析方法,其特征在于,所述步骤S6中薄弱环节为在多次循环里任务失败的情况中,多次出现故障从而导致了任务失败的组件节点与节点连接边。
5.根据权利要求1所述的一种基于多智能体的网络化可靠性仿真分析方法,其特征在于,所述步骤S7包括:通过分析所述仿真系统的关键节点和薄弱环节,对所述仿真系统的可靠性提升提出建议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010725569.XA CN111898227B (zh) | 2020-07-24 | 2020-07-24 | 一种基于多智能体的网络化可靠性仿真分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010725569.XA CN111898227B (zh) | 2020-07-24 | 2020-07-24 | 一种基于多智能体的网络化可靠性仿真分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111898227A CN111898227A (zh) | 2020-11-06 |
CN111898227B true CN111898227B (zh) | 2024-03-26 |
Family
ID=73189929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010725569.XA Active CN111898227B (zh) | 2020-07-24 | 2020-07-24 | 一种基于多智能体的网络化可靠性仿真分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898227B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114355094B (zh) * | 2022-03-18 | 2022-06-10 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 基于多源信息的产品可靠性薄弱环节综合评估方法和装置 |
CN115858316B (zh) * | 2022-11-22 | 2023-08-08 | 中国兵器工业信息中心 | 基于多Agent的网络化软件系统可靠性建模仿真方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104298593A (zh) * | 2014-09-23 | 2015-01-21 | 北京航空航天大学 | 一种基于复杂网络理论的soa系统可靠性评价方法 |
CN108536972A (zh) * | 2018-04-13 | 2018-09-14 | 中国人民解放军陆军装甲兵学院 | 基于自适应智能体的复杂系统可靠性仿真方法及系统 |
JP2018147460A (ja) * | 2017-03-06 | 2018-09-20 | 住友ゴム工業株式会社 | ゴム状弾性体の性能の予測方法 |
CN109597752A (zh) * | 2018-10-19 | 2019-04-09 | 中国船舶重工集团公司第七六研究所 | 基于复杂网络模型的故障传播路径仿真方法 |
CN110991044A (zh) * | 2019-12-03 | 2020-04-10 | 北京机电工程研究所 | 基于Agent建模的飞行器系统任务可靠性评估方法 |
-
2020
- 2020-07-24 CN CN202010725569.XA patent/CN111898227B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104298593A (zh) * | 2014-09-23 | 2015-01-21 | 北京航空航天大学 | 一种基于复杂网络理论的soa系统可靠性评价方法 |
JP2018147460A (ja) * | 2017-03-06 | 2018-09-20 | 住友ゴム工業株式会社 | ゴム状弾性体の性能の予測方法 |
CN108536972A (zh) * | 2018-04-13 | 2018-09-14 | 中国人民解放军陆军装甲兵学院 | 基于自适应智能体的复杂系统可靠性仿真方法及系统 |
CN109597752A (zh) * | 2018-10-19 | 2019-04-09 | 中国船舶重工集团公司第七六研究所 | 基于复杂网络模型的故障传播路径仿真方法 |
CN110991044A (zh) * | 2019-12-03 | 2020-04-10 | 北京机电工程研究所 | 基于Agent建模的飞行器系统任务可靠性评估方法 |
Non-Patent Citations (4)
Title |
---|
A Supervisory Algorithm Against Intermittent and Temporary Faults in Consensus-Based Networks;GIANFRANCO PARLANGELI;IEEE ACCESS;第8卷;98775-98786 * |
Fault Injection, Detection and Treatment in Simulated Autonomous Vehicles;Krzhizhanovskaya, VV et al;computational science-iccs 2020,PTI;第12137卷;471-485 * |
基于Agent的装备系统可靠性仿真机理研究;申莹;曹军海;吴俊伟;;系统仿真学报(第S1期);第110-115页 * |
复杂系统理论在复杂网络系统可靠性分析上的应用;黄进永;冯燕宽;张三娣;;质量与可靠性(第05期);第23-28页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111898227A (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11176290B1 (en) | Approximate physical simulation integrated debugging method and system based on digital twinning | |
CN110276147B (zh) | 一种基于数字孪生模型的制造系统故障溯源方法、系统 | |
CN111898227B (zh) | 一种基于多智能体的网络化可靠性仿真分析方法 | |
Klein et al. | Attribute-based architecture styles | |
Iftikhar et al. | A case study on formal verification of self-adaptive behaviors in a decentralized system | |
Schaefer et al. | Model-based exploratory testing: a controlled experiment | |
CN102360333B (zh) | 基于hisqm排队模型考虑故障排除过程的构件软件可靠性分析方法 | |
CN109542589B (zh) | 一种面向区块链智能合约的运行无损的监测系统及方法 | |
CN111368441A (zh) | 基于SysML模型的级联失效传播效应动态分析方法 | |
CN110569615A (zh) | 一种多源异构嵌入式软件协同仿真测试方法 | |
CN101098259A (zh) | 一种实现大数据冲击的自动化测试的方法和系统 | |
CN102289205A (zh) | 基于Agent的赋时着色Petri网的可重构装配系统建模方法 | |
CN115858316B (zh) | 基于多Agent的网络化软件系统可靠性建模仿真方法 | |
George | Analysis and quantification of test driven development approach | |
CN110502838A (zh) | 基于仿真的备件管理策略优化模型 | |
Liebel et al. | Comparing Comprehensibility of Modelling Languages for Specifying Behavioural Requirements. | |
Siegert et al. | aTLAS: A testbed to examine trust for a redecentralized web | |
Nguyen et al. | A framework for distributed testing of timed composite systems | |
Athamena et al. | A petri net based multi-agent system behavioral testing | |
Agrawal et al. | Coupled Requirements-driven Testing of CPS: From Simulation To Reality | |
Rotondo | A Survey for Testing Self-organizing, Adaptive Systems in Industry 4.0 | |
Miclea et al. | Intelligent agents and BIST/BISR-working together in distributed systems | |
CN118069534A (zh) | 一种无人集群软件缺陷检测方法 | |
Mohamad Zin et al. | Predicting the performance of traditional general contract projects: a neural network based approach | |
Syba et al. | Framework and tool support to design high quality domain models for intelligent systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |