[发明专利]一种基于任务导向的复杂仿真系统可信度评估方法

权利要求书

1.一种基于任务导向的复杂仿真系统可信度评估方法，其特征在于，包括如下步骤：

步骤1：实现复杂仿真系统的前置分析；

步骤2：构建复杂仿真系统的协同网络；

步骤3：构建复杂仿真系统的可信度指标网络；

步骤4：进行基于可信度传导链的综合可信度计算；

步骤1包括以下步骤：

步骤1-1：界定复杂仿真系统的全系统级和任务级范畴；

步骤1-2：对复杂仿真系统进行组成优化划分；

步骤1-3：计算优化划分后每个子仿真系统的可信度值；

步骤1-1包括：定义全系统级范畴SoS为待评估复杂仿真系统包含的所有子仿真系统集合，定义任务级范畴SoS_Task-X为待评估复杂仿真系统在执行仿真任务X时所涉及的子仿真系统的集合，表示为：

其中S_m为组成复杂仿真系统的第m个子仿真系统，m为子仿真系统的组成个数且为正整数，N₊为正整数集合，S_il∈SoS_Task-X为执行具体仿真任务X时涉及到的第l个子仿真系统，子仿真系统个数为l；

步骤1-2包括：针对任务级范畴SoS_Task-X复杂仿真系统进行组成优化划分：根据实施仿真任务的主体需求及子仿真系统的组成特征，对当前仿真任务中所涉及的子仿真系统的组成进行精简，合并相互联系频繁且不注重关注它们之间交互细节的子仿真系统，其过程需遵循如下3条约束条件：

一是在优化划分后的复杂仿真系统中，新的子仿真系统S_Xn的规模下限为优化划分前复杂仿真系统中的某个子仿真系统S_il，即：{S_Xn}_min＝{S_il}，其中{S_Xn}_min为子仿真系统S_Xn的规模下限；

二是在优化划分后的复杂仿真系统中，新的子仿真系统S_Xn的规模上限为集合SoS_Task-X本身，即：{S_Xn}_max＝SoS_Task-X，其中{S_Xn}_max为子仿真系统S_Xn的规模上限；

三是新的子仿真系统S_Xn能够进行独立的仿真实验，并且能够通过可信度评估方法得到可信度；

则待评估复杂仿真系统在执行仿真任务X时所涉及的子仿真系统的集合SoS_Task-X通过优化划分转换成新的集合SoS_Task-X-Opt，表示为：

其中S_Xn为优化划分后的任务级范畴的复杂仿真系统中第n个子仿真系统，为S_Xn中第j个被优化划分的子仿真系统；

步骤1-3包括：计算优化划分后每个子仿真系统的可信度值，针对每个子仿真系统进行独立的仿真实验，并利用可信度评估方法进行可信度评估，得到SoS_Task-X-Opt中每个子仿真系统S_Xn的可信度值为C_Xn，其中0≤C_Xn≤1；

步骤2包括以下步骤：

步骤2-1：切分仿真任务X为两个以上子任务，在具体实施时根据仿真任务的流程、阶段性特征及参与的子仿真系统，将仿真任务X切分为有限个数，切分时需遵循如下3条约束条件：

一是切分出的子任务能够描述在任务期间各子仿真系统的信息交互关系，描述内容具体包括所述子任务涉及的子仿真系统、子任务期间两两子仿真系统每次发生信息交互时的上游子仿真系统、下游子仿真系统、信息交互起始时间、子任务类型；

二是仿真任务切分时避免切分时间点位于两子仿真系统的信息交互过程中，如果无法避免，则将该次信息交互过程计入所在子任务时间较长的一方，如果信息交互关系横跨的两个子任务时间相等则任选一方，并记录本次信息交互过程的起始时间；

三是仿真任务切分的数量根据评估者的需求而定，具体实施时切分个数不超过仿真任务阶段性特征个数的3倍；

切分后的仿真任务集合表示为：X＝{X_T1 X_T2…X_T(n-1) X_Tn},n∈N₊，其中X_Tn为第n个切分出的子任务；

步骤2-2：构建每个子仿真任务所对应的系统间信息网络图，针对每个切分好的子仿真任务X_Tn，以涉及的子仿真系统为网络节点，以两两子仿真系统之间的信息交互关系为网络节点间的有向网络连接，形成面向子仿真任务的系统间信息网络图，并对n个切分出的子任务进行同样操作，形成系统间信息网络群组；对于系统间信息网络群组中的每对信息交互关系，采用4元组R进行表示，具体为：R(X_Tn,S_Xx,S_X(x+1),k)＝[X_Tn S_Xx S_X(x+1) k]，其中S_Xx为上游节点系统，S_X(x+1)为下游节点系统，k为信息交互发生时的起始离散时间；

步骤2-3：按时间序列构建复杂仿真系统协同网络，将所有子仿真任务对应的系统间信息网络按照任务执行的时间顺序进行叠加，即以SoS_Task-X-Opt中每个子仿真系统S_Xn为网络节点，将步骤2-2系统间信息网络群组中的每对信息交互关系作为单次有向网络连接，并按任务时间顺序建立两两网络节点之间的多次有向网络连接，形成复杂仿真系统协同网络，复杂仿真系统协同网络是复杂仿真系统在完成仿真任务过程中两两子仿真系统之间动态交互关系构成的网络结构；复杂仿真系统协同网络中两两节点之间的每段网络连接关系，采用步骤2-2中的4元组R分别表示；

步骤3包括以下步骤：

步骤3-1：将复杂仿真系统协同网络映射为可信度指标网络，针对步骤2-3中建立的复杂仿真系统协同网络，将存在信息交互关系的两两子仿真系统从中全部解耦；针对每一对两两子仿真系统，按照信息交互关系R的时间序列k，将所述两两子仿真系统进一步解耦成一系列的两个子仿真系统在子任务A_Tn下的单次信息交互关系；最后将两个子仿真系统分别映射为它们的可信度，并将它们之间的单次信息交换关系映射为可信度传导关系，即形成两两可信度指标的单次传导关系；可信度传导关系的定义为在两个子仿真系统协同任务过程中，上游节点的可信度对下游节点输出信息可信度的影响程度，具体过程表达为：

其中C_Xx为上游节点子仿真系统S_Xx的可信度，C_X(x+1)为下游节点子仿真系统S_X(x+1)的可信度，R为信息交互关系，C_R为可信度传导关系，X_Tn为可信度传导关系对应的子任务，k为可信度传导关系发生的起始离散时间；

将同对的两两可信度指标的多次传导关系按时间序列叠加，并对所有的两两指标进行上述操作，即得到复杂仿真系统的可信度指标网络；

步骤3-2：计算两两子仿真系统在输入信息可信度100％条件下的协同运行可信度：设两两子仿真系统协同运行后的综合仿真可信度为C_Xx(x+1)，综合仿真可信度C_Xx(x+1)同时也是下游节点输出信息的可信度；在计算两两子仿真系统协同运行可信度C_Xx(x+1)在输入信息100％可信条件下的特殊值时，将子仿真系统S_Xx和S_X(x+1)看作一个整体系统且保证上游节点输入信息100％可信，并得到评估值；

步骤3-3：表征可信度指标网络中两两节点间的可信度传导关系；

步骤3-4：计算可信度传导关系中的传导系数，

步骤3-5：简化可信度传导关系的整定流程；

步骤3-3包括：设两两子仿真系统协同运行的综合仿真可信度C_Xx(x+1)＝C_R(X_Tn,C_Xx,C_X(x+1),k)，该公式在实际复杂仿真系统运行中需满足如下约束条件：

一是下游节点输出信息的可信度不应超过该下游节点自身可信度，即协同运行过程中末端节点的可信度决定综合可信度的上限，即C_Xx(x+1)≤C_X(x+1)；

二是综合可信度的下限为C_Xx(x+1)≥λ·C_XxC_X(x+1)，其中λ为两子仿真系统之间网络通信能力的仿真可信度，且λ∈[0,1]；

三是影响可信度传导关系的因素包含上游节点输出信息的可信度对下游节点实际运行的影响程度，根据实验与约束建立可信度传导关系：

其中C_Xx为上游节点S_Xx可信度值，C_X(x+1)为下游节点S_X(x+1)可信度值，C_Xx(x+1)为两子仿真系统协同运行综合可信度，δ为可信度传导系数，表征影响程度，且δ≥0，λ为两子仿真系统之间网络通信能力的仿真可信度且λ∈[0,1]；

步骤3-4包括：按照可信度传导关系且符合实际复杂仿真系统的一般条件0C_Xx≤1，0C_X(x+1)≤1，0C_Xx(x+1)≤1，可信度传导系数δ为：

其中δ≥0；当δ越小时，代表上游节点输出信息的可信度对下游节点输出信息的可信度影响程度越小；

当δ越大时，代表上游节点输出的信息对下游节点输出信息的可信度影响程度越大；

式中λ根据复杂仿真系统的网络传输能力与真实系统的相似度来计算；

将上述评估得到的λ，步骤1-3中单个系统可信度C_Xx与C_X(x+1)、步骤3-2中协同运行可信度带入可信度传导系数计算公式，得到两两指标在该次信息交互中的δ；对可信度指标网络中的所有传导系数进行上述计算，将完成对指标网络可信度传导关系的完全整定；

步骤3-5包括：针对同一对两两节点之间发生两次以上同向的可信度传导关系的情况，梳理出所有关系相应仿真任务X_Tn的类型；针对每种类型的子任务，只对首次发生该类任务的可信度传导关系进行整定得到相应的δ，其余同类型任务的可信度度传导关系沿用首次参数；

步骤4包括以下步骤：

步骤4-1：根据步骤3-1建立的可信度指标网络，结合步骤1-3得到的单个子仿真系统可信度值和步骤3-4得到的可信度传导系数，以进行仿真任务X时的起始节点出发，按照可信度传导关系C_R(X_Tn,C_Xx,C_X(x+1),k)中的离散时间k序列梳理信息流经节点的顺序，直至任务完成，由此形成可信度传导链；

步骤4-2：根据可信度传导链进行综合可信度计算，当传导链中出现单输入单输出或单输入多输出节点时，则按照步骤3-3可信度传导关系进行计算，前序所有节点形成的协同运行可信度将作为新的可信度节点，与后续节点形成两两指标传导关系；当传导链中存在多输入单输出或多输入多输出的节点时，首先按照步骤3-3中可信度传导关系计算每个上游节点与多输入节点的协同运行可信度，再按如下公式计算：

其中C_Xy为下游节点，为n个提供多输入的上游节点与下游节点C_Xy分别协同运行的可信度，C_muti-input为n个输入共同作用下的最终可信度。