CnCPT框架能够系统地探索大规模复杂系统架构的最佳配置。CnCPT提供了一种直接和系统的方法,通过让用户关注架构设计的基本约束,快速开发可行的架构概念。组成、CONOP和启发式约束可以进行调整,以适应指挥官、架构师和分析师的使用情况,并实现对架构设计空间的快速探索。CnCPT框架允许用户定义关注的关键指标,并开发出性能最大化的最佳架构。CnCPT建立在军事战役分析固有的成熟方法之上,它接受了大规模系统架构固有的不确定性,并使用户能够根据他们的风险容忍度来确定架构探索的优先次序。对于专注于其战斗力的战术和战略的指挥官来说,CnCPT能够以固定的构成来探索军事胜利所带来的最佳系统级CONOP。对于旨在利用当前CONOPs确定部队最佳构成的架构师来说,CnCPT能够在不同的设计之上行使固定的作战方案,以确定最佳的架构构成。最后,对于分析师来说,CnCPT允许对框架的每个方面进行修改;约束条件、架构生成、架构繁殖、群体选择和评分方法都可以根据分析家的目标完全定制。
CnCPT框架的设计有一个主要目的,即能够系统地探索大规模复杂系统架构的最佳配置。一个系统架构的性能是由几个复合因素造成的,其中一些是用户和设计者可以控制的,另一些则是由敌对的系统架构掌握的。指挥官、架构师和分析师可以选择他们的架构的组成和CONOPS,但必须做出的决定的数量很快就会让人不知所措。由少数系统组成的简单架构很容易通过传统的敏感性分析来理解,但由数百至数千个单独系统组成的复杂的系统架构,对环境和敌方系统的动态反应和回应,通过传统方法进行分析变得非常具有挑战性。传统的敏感性分析限制了探索的范围,因为探索所有可能的配置在计算上是难以实现的。CnCPT框架提供了一种方法来处理这种探索,它通过系统的架构生成,利用易于配置的约束条件,使用战役级别的建模和仿真进行性能评估,以及由底层遗传算法管理的架构探索。该框架被设计为高度灵活,可根据用户需求进行定制。
图4-1提供了该框架内部关键过程的概述。输入数据被提供给架构生成和仿真核心组件。架构生成的输入数据包含用于生成可行架构的组合、CONOP和启发式约束。直接提供给仿真核心的输入数据是CnCPT将要优化的固定架构。随着CnCPT框架开始其内部探索,架构生成器提供了成批的架构,以便在仿真中进行评估。这些批次最初由随机生成的架构组成,但随着时间的推移,从前几代中培育出来的架构也被纳入其中。仿真完成后,每个批次的架构都通过指标生成器模块进行分级,并记录到文件中供检查。然后,生成的指标被用于健身评估器模块,对架构进行评分,并向架构生成器提供用于培育后续批次的架构。这个内部循环一直持续到达到退出标准(见4.8节)。