CN111950129A - 基于高斯回归模型的作战仿真实验方案优化方法 - Google Patents

Abstract

本发明公开了一种基于高斯回归模型的作战仿真实验方案优化方法，所述方法包括：S1，随机选取初始数量的实验因子，运行仿真系统进行仿真，得到初始数据集；S2，基于初始数据集建立反应评估指标预期分布的高斯回归模型；S3，基于高斯回归模型确定下一次仿真实验因子取值；S4，基于实验因子运行得到的当前仿真结果，通过采集函数决定是否接收当前仿真结果构成数据集；S5，基于数据集更新高斯回归模型；S6，通过步骤S3‑S5反复迭代，不断优化高斯回归模型。本发明的基于高斯回归模型的作战仿真实验方案优化方法，在保证结果有效性的基础上，进一步减少仿真运行次数。

Description

基于高斯回归模型的作战仿真实验方案优化方法

技术领域

本发明涉及作战仿真技术领域，尤其涉及一种基于高斯回归模型的作战仿真实验方案优化方法。

背景技术

仿真是研究战争的重要手段，受到各国军事研究人员的重视。开展作战仿真大致包括确定仿真目的、设计作战想定、建立仿真模型、仿真实验设计、作战推演、仿真结果分析与评估等步骤。

随着人工智能技术的发展，战争形态将朝着智能化、多域化、体系化方向发展，开展作战体系规模越来越庞大、实体越来越多，每个仿真实体行为越来越复杂，影响仿真结果的因素也越来越多。仿真实验方案会随着影响因素的增多呈指数级增长。为了提高仿真效率，现有技术提供了一种近正交拉丁超立方实验设计((Nearly Orthogonal LatinHypercube Experimental Design,NOLH)，NOLH是基于均匀分散性和正交性要求，在拉丁方实验设计(Latin Squares Experimental Design，LHC)的基础上进行扩展提出的一种设计方案，该方法不仅在一定程度上满足正交性，还具有很好的均匀性。Sanchez等已将该方法编成工具可免费下载使用。Travis、周威、李群以及束哲分别基于该方法开展仿真实验，结果表明，采用NOLH方法仅需要少量实验就能得到较好的方案，有效验证了算法的有效性。

随着仿真实验规模的扩大，上述实验设计方法仍难以满足研究需求。以论文【周威. 面向大规模Agent的近正交拉丁超立方实验设计方法研究[D].国防科技大学硕士论文, 2015.】中的仿真想定为例，该论文采用NOLH方法可将1.145万亿规模的样本空间缩减到512个方案，且能够保证正交性和均匀性。为排除随机因素影响，保证结果的有效性，每个方案采用不同随机数种子运行100次，假设每次想定运行时间约为2秒钟，则完成一次实验约需30个小时，因此，有必要进一步减少仿真运行次数。

发明内容

为解决上述现有技术中存在的技术问题，本发明提供了一种一种基于高斯回归模型的作战仿真实验方案优化方法。具体技术方案如下：

一种基于高斯回归模型的作战仿真实验方案优化方法，所述方法包括：

S1，随机选取初始数量的实验因子，运行仿真系统进行仿真，得到初始数据集；

S2，基于初始数据集建立反应评估指标预期分布的高斯回归模型；

S3，基于高斯回归模型确定下一次仿真实验因子取值；

S4，基于实验因子运行得到的当前仿真结果，通过采集函数决定是否接收当前仿真结果构成数据集；

S5，基于数据集更新高斯回归模型；

S6，通过步骤S3-S5反复迭代，不断优化高斯回归模型。

在一种可能的设计中，所述方法还包括：

根据数据集和高斯回归模型预测最优方案；

采集函数根据最优方案和当前仿真结果进行计算，决定是否接受当前仿真结果。

在一种可能的设计中，采集函数选用EI(Expected Improvement)函数：

A(x)＝E_y～p(y|x,D)[max(0,y*-y)]

式中，x是实验因子，y是基于实验因子、仿真结果计算得到的评估指标，y*为当前最优评估指标，p(y|x,D)是给定仿真实验因子得到的仿真结果和采集的数据集，评估指标的预期分布。

本发明技术方案的主要优点如下：

本发明的基于高斯回归模型的作战仿真实验方案优化方法，建立了反应建立反应评估指标预期分布的高斯回归模型，并基于高斯回归模型确定下一次实验因子取值，基于采集函数构建数据集，基于数据集更新高斯回归模型，在仿真次数较少的情况下得出的高斯回归模型即可反应评估指标的分布情况，在保证结果有效性的基础上，进一步减少仿真运行次数。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明一实施例提供的基于高斯回归模型的作战仿真实验方案优化流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，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。

以下结合附图，详细说明本发明实施例提供的技术方案。

本发明实施例提供了一种基于高斯回归模型的作战仿真实验方案优化方法，如附图 1所示，该方法包括：

S1，随机选取初始数量的实验因子，运行仿真系统进行仿真，得到初始数据集。其中，初始数量可以为10、15等。实验因子x经仿真系统进行仿真后，仿真结果为评估指数y，初始数据集为多个评估指数y的集合。

S2，基于初始数据集建立反应评估指标预期分布的高斯回归模型。

S3，基于高斯回归模型确定下一次仿真实验因子取值。

S4，基于实验因子运行得到的当前仿真结果，通过采集函数决定是否接收当前仿真结果构成数据集D。

S5，基于数据集更新高斯回归模型。

S6，通过步骤S3-S5反复迭代，不断优化高斯回归模型。

本发明实施例提供的基于高斯回归模型的作战仿真实验方案优化方法，建立了反应建立反应评估指标预期分布的高斯回归模型，并基于高斯回归模型确定下一次实验因子取值，基于采集函数构建数据集，基于数据集更新高斯回归模型，在仿真次数较少的情况下得出的高斯回归模型即可反应评估指标的分布情况，在保证结果有效性的基础上，进一步减少仿真运行次数。

其中，对于采集函数如何决定是否接受当前仿真结果加入数据集，以下进行说明：

根据数据集和高斯回归模型预测最优方案；其中，根据数据集和高斯回归模型预测最优方案的过程可以总结为代理模型，表示为p(y|x,D)。

采集函数根据最优方案和当前仿真结果进行计算，决定是否接受当前仿真结果。

作为一种示例，采集函数选用EI(Expected Improvement)函数：

A(x)＝E_y～p(y|x,D)[max(0,y*-y)]

式中，x是实验因子，y是基于实验因子、仿真结果计算得到的评估指标，y*为当前最优评估指标，p(y|x,D)是给定仿真实验因子得到的仿真结果和采集的数据集，评估指标的预期分布。

参见附图1，实验因子x是指仿真实验中关注的变量，由仿真设计人员确定。

目标函数y是根据仿真系统输出的仿真结果计算出来，由仿真设计人员确定。

采集函数A(x)需要根据最优方案和当前仿真结果进行计算，决定是否接收当前仿真结果。

数据集D是所有当前已经接收的仿真结果。

代理模型p(y|x,D)是基于数据集和高斯回归模型拟合出来的数学模型，用于预测最优方案。

仿真系统是现有技术提供的近正交拉丁超立方实验设计(Nearly OrthogonalLatin Hypercube Experimental Design,NOLH)，可以参见论文SANCHES S M.NOLHdesigns spreadsheet.Available online via http://harvest.nps.edu/[accessed 01/05/2019]。

基于上述流程，本发明实施例提供的基于高斯回归模型的作战仿真实验方案优化方法的算法如下：

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。此外，本文中“前”、“后”、“左”、“右”、“上”、“下”均以附图中表示的放置状态为参照。

最后应说明的是：以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (3)

1.一种基于高斯回归模型的作战仿真实验方案优化方法，其特征在于，所述方法包括：

S1，随机选取初始数量的实验因子，运行仿真系统进行仿真，得到初始数据集；

S2，基于初始数据集建立反应评估指标预期分布的高斯回归模型；

S3，基于高斯回归模型确定下一次仿真实验因子取值；

S4，基于实验因子运行得到的当前仿真结果，通过采集函数决定是否接收当前仿真结果构成数据集；

S5，基于数据集更新高斯回归模型；

S6，通过步骤S3-S5反复迭代，不断优化高斯回归模型。

2.根据权利要求1所述的基于高斯回归模型的作战仿真实验方案优化方法，其特征在于，所述方法还包括：

根据数据集和高斯回归模型预测最优方案；

采集函数根据最优方案和当前仿真结果进行计算，决定是否接受当前仿真结果。

3.根据权利要求2所述的基于高斯回归模型的作战仿真实验方案优化方法，其特征在于，采集函数选用EI(Expected Improvement)函数：

A(x)＝E_y～p(y|x,D)[max(0,y*-y)]

式中，x是实验因子，y是基于实验因子、仿真结果计算得到的评估指标，y*为当前最优评估指标，p(y|x,D)是给定仿真实验因子得到的仿真结果和采集的数据集，评估指标的预期分布。

Images