运用仿真模型进行国防系统分析时,在国防部仿真工具中构建真实世界场景的表示会耗费大量时间和精力。然而,一旦这些模型被创建并验证后,分析人员很少能从中获取全部潜在的知识与见解。分析人员仅限于进行简单的探索,因为他们没有时间和接受过手动执行更复杂分析的培训。此外,他们缺乏与仿真工具集成的软件来自动化这些分析,并从模型中获取所有可用的知识与见解。简单的手动探索计算资源利用效率低,并且在为分析人员的问题提供最佳答案方面往往效果不佳。要从仿真模型中获取最大效益,分析人员应同时应用优化和统计分析技术。结合这些技术,并利用现有的仿真优化与分析工具,能够为决策者解答这些关键问题并提供核心见解。更重要的是,这能提高仿真研究的组织投资回报率,从而增强利益相关者的信心。此类工具也可用于模型验证与确认。

仿真与优化是两种强大的方法论,在国防部内部被广泛使用(参见 Boginski 等人(2015);Dirik 等人(2015);Kannon 等人(2015);以及 Hill 等人(2001))。仿真用于在多个保真度层级上理解复杂系统行为。例如,我们可以使用仿真对单个武器系统组件进行详细的工程、设计和测试;检查如战斗机或核潜艇等单一先进武器系统内部组件的相互作用;以及分析武器系统之间的战术交战。

优化则提供了一种强大的方法,用于在众多(有时是无限多)选项中确定最佳方案。例如,军事分析人员使用优化来最大化使用最少数量的船只和货运飞机向作战区域输送的燃料和弹药量;确定最佳的美元分配方案以最小化未来战争失败的风险;以最大化个人偏好和专业发展的方式分配军事人员到基地;以及将蓝军武器分配给红军目标,以最大化毁伤概率同时最小化附带损伤。当资源有限且任务效能至关重要时,优化能为军事决策者提供敏锐的洞察,使他们能够做出最佳选择。

从理论上讲,识别“最佳方案”的问题属于优化范畴。然而,直到最近,可用于寻找最优决策的方法仍无法应对许多现实世界问题(尤其是那些通过仿真处理的问题)所带来的复杂性和不确定性。事实上,这些复杂性和不确定性正是选择仿真作为研究此类问题基础的主要原因。因此,决策者曾面临一个“第二十二条军规”式的困境:许多重要的现实世界优化问题类型只能通过使用仿真模型来处理,但一旦提交给仿真,又没有优化方法能够充分组织对最佳解决方案的搜索。简而言之,过去不存在任何能够有效整合仿真与优化的搜索过程。在仿真之外的环境中,同样会遇到这个缺点,即无法使用传统的“封闭形式”优化工具(如数学规划)来分析复杂的(现实的)模型。

近期的进展正在改变这一局面。元启发式算法领域(该优化领域融合了人工智能以及模拟物理、生物或进化过程的类比)的进步,催生了一种成功整合仿真与优化的新方法。因此,分析人员能够从其仿真模型中获取最佳效益。

组织可能未能充分利用其仿真模型。尽管投入大量时间和资金创建仿真工具并填充经过验证的数据,但模型可能产生的宝贵知识中有很大一部分通常被忽视。能够获取此类知识的仿真分析人员对其组织极具价值,并成为备受追捧的资源。将优化和统计分析技术与仿真模型相结合,是解锁这些知识的关键。优化技术可用于多次执行仿真模型,改变输入参数值,以确定实现期望系统输出的最佳输入值。然后,可以利用统计技术探索这些仿真运行的结果,以更好地理解仿真所建模的系统。通过结合这些技术,可以为仿真模型解答的关键优化与分析问题包括:

• 优化
o 哪些输入参数组合能导致系统最佳和最差性能?
o 在多个相互竞争的目标之间,最佳权衡是什么?
• 分析
o 哪些输入参数对正在建模的系统影响最大,哪些影响最小?
o 是否存在由范围受限的输入参数子集定义的、输入参数空间中的“好”区域或“坏”区域?
o 参数权衡空间的某些区域是否比其他区域对参数变化更具鲁棒性?

要从仿真模型中获取最大效益,分析人员应同时应用优化和统计分析技术。结合这些技术能够为决策者解答这些关键问题并提供核心见解。更重要的是,它们能提高组织在分析人员和仿真模型上的投资回报率,例如提供一系列部队结构规模选项。在本文中,我们首先总结一些为优化仿真系统而开发的最相关方法。然后,我们专注于引领实际应用领域的元启发式黑箱方法,并提供该方法在商业软件中如何实现和使用的一些相关细节。作为一个具体示例,我们描述了 OptQuest 仿真优化软件引擎背后的一些数学和逻辑。最后,我们介绍一些分析人员可能遇到的用例,并讨论使用像 OptDef 这样与其仿真模型集成的仿真优化与分析工具如何减轻他们的工作量并带来更好的研究结果。

用例示例

OptDef 是一款仿真优化与分析工具,它嵌入了 OptQuest 引擎,并提供了一个面向分析人员的用户界面,可供国防分析人员使用。OptDef 可与合适的国防仿真模型一起用于各种实际应用,例如优化防空配置、最大化卫星覆盖范围、执行网络安全漏洞评估以及进行发射与部署优化。

• 最优蓝军响应:图2展示了一个概念性的“高级仿真、集成与建模框架”场景。 蓝军试图打击所有红军目标。在这种情况下,分析人员的目标是最大化命中数量,同时最小化使用的蓝军飞机数量。使用最少数量的蓝军还具有节省成本的同时仍实现任务目标的附加好处。典型的优化设置将包括改变诸如武器类型(分类变量类型)、武器数量(整数变量类型)以及每架飞机在目标上停留的时间(整数变量类型)等参数。运行仿真优化软件利用前述的元启发式方法来探索空间并找到最优响应(即达到分析人员的目标)。

• 最大卫星覆盖:分析人员可能需要优化卫星目标覆盖范围。在这种情况下,目标可能是找到最佳卫星配置,以对高优先级目标/区域获得最佳覆盖。优化设置可能包括改变航天器轨道参数和系统配置(例如,改变轨道、航天器的数量和类型)以达到目标。分析人员还可以指定多个目标,以在最佳卫星配置与成本之间取得平衡(或许另一个变量是燃料/能量)。利用多目标允许分析人员做出最符合任务需求的数据驱动决策。

• 网络安全优化与分析:分析人员可能希望通过进行漏洞评估来测试其IT系统的极限。与图2场景中蓝军处于进攻态势不同,在网络安全领域,可以专注于防御态势。可变参数可能包括作为系统架构一部分的服务器的数量和类型。它也可能包括对检测到的威胁的已知响应速度。如果系统遭受网络攻击,分析人员可以优化解决方案,以最小化功能损失和受影响持续时间。通过仿真优化,分析人员可以探索网络杀伤链中最具破坏性的场景,并识别必须不惜一切代价保护的关键组件。

成为VIP会员查看完整内容
4

相关内容

人工智能在军事中可用于多项任务,例如目标识别、大数据处理、作战系统、网络安全、后勤运输、战争医疗、威胁和安全监测以及战斗模拟和训练。
《探索军事决策支持系统中合成数据的保真度》
专知会员服务
35+阅读 · 2月28日
《多无人机作战分层强化学习框架》
专知会员服务
29+阅读 · 2月21日
《战术数据链感知模拟器标准的不断演变》
专知会员服务
34+阅读 · 2024年12月26日
《可解释人工智能在人工智能辅助决策中的作用综述》
专知会员服务
60+阅读 · 2024年1月4日
《现代游戏和仿真的军事应用》
专知会员服务
67+阅读 · 2023年11月27日
《基于超视距空战模拟的有效导弹发射监督机器学习》
专知会员服务
44+阅读 · 2023年7月10日
《军事背景下能力规划的概念模型》
专知会员服务
151+阅读 · 2023年3月28日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
9+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
11+阅读 · 2013年12月31日
Arxiv
171+阅读 · 2023年4月20日
A Survey of Large Language Models
Arxiv
484+阅读 · 2023年3月31日
Arxiv
79+阅读 · 2023年3月26日
Arxiv
175+阅读 · 2023年3月24日
Arxiv
25+阅读 · 2023年3月17日
VIP会员
相关VIP内容
《探索军事决策支持系统中合成数据的保真度》
专知会员服务
35+阅读 · 2月28日
《多无人机作战分层强化学习框架》
专知会员服务
29+阅读 · 2月21日
《战术数据链感知模拟器标准的不断演变》
专知会员服务
34+阅读 · 2024年12月26日
《可解释人工智能在人工智能辅助决策中的作用综述》
专知会员服务
60+阅读 · 2024年1月4日
《现代游戏和仿真的军事应用》
专知会员服务
67+阅读 · 2023年11月27日
《基于超视距空战模拟的有效导弹发射监督机器学习》
专知会员服务
44+阅读 · 2023年7月10日
《军事背景下能力规划的概念模型》
专知会员服务
151+阅读 · 2023年3月28日
相关基金
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
9+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
11+阅读 · 2013年12月31日
微信扫码咨询专知VIP会员