[发明专利]一种自动化仿真建模的方法

说明书

本发明提供一种自动化仿真建模的方法，分析所要仿真的系统，获取实体以及因素，并根据实体以及因素获取其对应的数据；根据实体类别建立对应的agent；根据实体类别建立对应的agent，agent决策建立响应模型；将一响应模型与其他所有的响应模型的影响强度作为输入层权重，输入经过仿射变换，再激活后产生多维内部向量；输出经过仿射变换，再激活后产生输出向量；每个响应模型接收对应的响应模型的输出向量作为其输入向量进行计算得到一输出结果；将所有的响应模型的输出结果进行汇总，与所述数据的匹配程度计算损失函数，再以梯度下降训练响应模型的输出层权重，训练收敛后，完成建模，既可以增加agent来细化实体类别的模型，也可以人工指定agent的部分策略来利用既有知识。

技术领域

本发明涉及一种自动化仿真建模的方法。

背景技术

传统计算机仿真需要专业人员设计系统组成与系统中每个因素的响应函数，不能仿真信息不完备的系统；典型机器学习方法建模需要人工确定各因素的影响关系，不能渐进细化模型，不能适应动态演变的系统，难以利用已有专家知识。

发明内容

本发明要解决的技术问题，在于提供一种自动化仿真建模的方法，便于进行仿真。

本发明是这样实现的：一种自动化仿真建模的方法，包括：

步骤1、分析所要仿真的系统，获取实体以及因素，并根据实体以及因素获取其对应的数据；

步骤2、根据实体类别建立对应的agent，agent决策建立响应模型；

步骤3、将一响应模型与其他所有的响应模型的影响强度作为输入层权重，输入经过仿射变换，再激活后产生多维内部向量；输出经过仿射变换，再激活后产生输出向量；

步骤4、每个响应模型接收对应的响应模型的输出向量作为其输入向量进行计算得到一输出结果；

步骤5、将所有的响应模型的输出结果进行汇总，与所述数据的匹配程度计算损失函数，再以梯度下降训练响应模型的输出层权重，训练收敛后，完成建模。

进一步地，所述响应模型为神经网络模型。

进一步地，还包括步骤6、建模完成后，计算总体损失，根据计算结果采用每个agent的策略梯度来调整agent的策略函数参数，多次迭代该过程最终得到优化的模型。

本发明具有如下优点：本发明一种自动化仿真建模的方法，通过采用机器学习手段结合知识工程，利用多来源的数据与知识，动态在线建立或提升仿真模型。我们提出的方法将待仿真系统的影响因素统一建模，既可以增加agent来细化实体类别的模型，也可以人工指定agent的部分策略来利用既有知识。

附图说明

下面参照附图结合实施例对本发明作进一步的说明。

图1为本发明方法执行流程图。

具体实施方式

如图1所示，一种自动化仿真建模的方法，包括：

步骤1、分析所要仿真的系统，获取实体以及因素，并根据实体以及因素获取其对应的数据；

步骤2、根据实体类别建立对应的agent，agent决策建立响应模型，所述响应模型为神经网络模型；

步骤3、将一响应模型与其他所有的响应模型的影响强度作为输入层权重，输入经过仿射变换，再激活后产生多维内部向量；输出经过仿射变换，再激活后产生输出向量；

步骤4、每个响应模型接收对应的响应模型的输出向量作为其输入向量进行计算得到一输出结果；