[发明专利]基于高斯回归模型的作战仿真实验方案优化方法

说明书

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。

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)]