一種仿真模型參數分區并行優化結構設計

楊晨 周帥 朱國華

摘? 要： 針對現有復雜系統并行優化結構優化難度大、開發效率低等問題，為了實現復雜系統參數優化結構的通用性和開發高效性，基于HLA分布式仿真框架，提出一種將仿真模型參數空間分區進行優化的通用并行優化結構，介紹并分析了仿真分區并行優化調度機制，并在此基礎上進行系統實現。仿真分析比較表明，相較于現有并行仿真參數優化體系結構，文中的仿真結構具有更好的通用性和開發高效性。運用通用、分區并行的復雜系統參數優化結構，可以在保證參數優化高效的同時，降低系統開發的時間成本。

關鍵詞： 參數分區; 并行優化; 仿真模型; 復雜系統; 參數優化; 比較分析

中圖分類號： TN919?34; TP399? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）22?0136?04

Abstract： In allusion to the problem that the parallel optimization structure of existing complex system is difficult to optimize and has low development efficiency， a general parallel optimization architecture that the parameter space partition of the simulation model is optimized is proposed based on the HLA distributed simulation framework to achieve the universality and development efficiency of the parameter optimization structure of the complex system. The scheduling mechanism of the simulation partition parallel optimization is introduced and analyzed， on which the system implementation is performed. The simulation analysis and comparison show that， in comparison with the existing parallel simulation parameter optimization architecture， the simulation structure in this paper has better universality and development efficiency. The use of general and partition parallel parameter optimization structure of complex system can not only ensure the efficient parameter optimization， but also reduce the time cost of system development.

Keywords： parameter partition; parallel optimization; simulation model; complex system; parameter optimization; comparative analysis

0? 引? 言

21世紀以來，仿真模型參數優化問題一直受到眾多學者的廣泛關注，其中復雜系統模型參數優化問題尤為突出。目前的模型參數優化方法有建立數學模型進行優化、基于仿真的參數優化和利用近似模型進行優化等[1]。由于復雜系統的仿真模型參數過多、系統實體之間關聯性強等問題導致復雜系統參數優化耗時過長、難以接受，而仿真能夠很好地解決這種帶有不確定性和隨機性的問題，因此建立復雜系統的模型構建和仿真優化的體系架構，提高參數優化的速度，是目前復雜系統仿真優化面臨的重要挑戰。

并行仿真是目前提高復雜系統參數優化效率的重要解決方案，但是目前的并行優化算法和結構都是針對特定問題的專用解決方案，通用性差，難以適用于其他系統的優化。本文設計一套融合了分布式仿真（High Level Architecture，HLA）[2]和模型參數分區優化的分布式并行框架[3]，并在此基礎上進行系統實現。該系統運用分布式仿真框架，采用分區并行的參數迭代尋優方法，不僅具有分布性和并發性，能充分發揮龐大的計算機資源優勢而且具有通用性和運用難度低的優點，能有效地提高仿真參數優化的運行速度和開發效率。

1? 研究背景

隨著計算機技術、人工智能和數學分析方法的發展，仿真參數優化算法取得了卓越的進展。現今大部分學者都是針對特定問題開展仿真優化工作，吳詩輝等人運用神經網絡對仿真系統進行模擬，驗證了該方法的可行性和高效性[4]。孫永澤等人對隨機響應面算法進行改進，提出了一種針對于深度學習的超參數優化算法，對深度學習模型有更好的優化效果，但是通用性較差[5]。姬杭等人搭建了一種輕量級的復雜系統建模和仿真框架，為復雜系統仿真框架提供了研究思路[6]。

仿真的最大優勢就是能夠通過多次運行和調整闡釋不確定性和隨機性的問題。基于仿真的參數優化包括兩種方法，分別是優化模型的輸入參數和對模型內部參數進行優化，本文主要探討的是針對模型內部參數的優化。有大量的學者針對復雜系統優化問題進行了研究[7?10]，其基本的仿真框架可以分為以下三類：

1） 將候選策略集中的策略逐一輸入仿真模型，驅動仿真運行，然后比較每一組仿真輸出結果，根據輸出結果來確定最優的策略;

2） 將仿真模塊嵌入到優化算法中，將仿真模塊的輸出作為算法的適應值，指導優化算法搜索新的解，優化算法產生的新解又作為下一次的仿真輸入，直到滿足模型的終止條件;

3） 利用近似模型對仿真模型進行模擬，大多利用神經網絡對模型進行模擬，然后對近似模型進行優化，達到滿意的終止條件后再映射到真實模型上。

由于復雜系統仿真參數優化速度慢，許多學者采用并行的優化結構來提高參數優化速度。王家潤等針對并行處理中的線程任務分解共性難點，提出軟硬件結合的并行優化策略及反距離權重（IDW）插值的并行優化算法（PIDW），并驗證了該并行結構的高效性[11];王雅琳等以MapReduce的任務分發思想構建算法的并行處理框架，設計任務預分配策略，減少通信成本，提高計算效率[12]。上述的并行優化結構都在特定問題上發揮著至關重要的作用，提高了仿真參數優化速度，但研究始終圍繞著根據特定問題進行的建模設計，其并行優化結構通用性較差，難以適用于其他問題。

針對上述問題本文提出分區并行優化思想，并基于HLA仿真體系設計開發一套支撐分區參數并行優化思想的分布式仿真架構。通過分區并行參數優化方法對復雜系統模型中的關鍵參數進行整定和優化，相較于現有的仿真并行優化體系，本系統具備更好的通用性和更高的開發效率。

2? 模型參數分區并行仿真優化原理

傳統方法下大多采用并行調度方式進行仿真優化，其原理如圖1所示。傳統的并行優化只針對一個特定的仿真方案，將仿真方案中的多個仿真模型用于一個仿真進程內進行優化，但是每個仿真模型只有一個仿真進程。這種方法雖然優化進程也屬于并發處理，但是首先，仿真進程依然是對單個仿真進程進行參數優化，其次，多個仿真模型雖然是并發的，但是每個仿真模型只有一個進程。這種方案利用的計算資源相對有限，模型優化速度也受到很大的限制。相較于傳統的并行優化結構，本文系統利用HLA模型之間相互獨立、仿真進程互不影響的特性，提出一種將模型參數空間分區并行優化的結構，對于每個仿真模型，建立多個模型參數空間，每個參數空間對應通過互相獨立的仿真優化進程，從而實現單個模型在多個參數空間內進行并行優化，其原理如圖2所示。本分區并行優化結構相較于傳統的參數優化結構更具通用性，并能同時實現多模型的并行優化，充分利用分布式的計算資源，從軟件結構上解決復雜模型參數優化的效率問題。

優化框架各部分說明：

1） 仿真運行支撐環境是整個優化框架的基礎支撐，從仿真的方案、模型設計，仿真運行到仿真模型的參數優化，整個過程與仿真環境密不可分，所有的操作均基于分布式仿真環境，同時又為仿真環境所服務。

2） 仿真設計器為用戶提供界面化、智能化的仿真方案設計功能，用戶只需在方案設計界面進行拖拽操作，并輸入仿真的目標函數或適應度函數，無需任何編碼，即可完成整個仿真方案的設計。

3） 運行調度模塊為不同的仿真方案分配相應的仿真資源，采用多種資源調度算法充分發揮分布式、龐大的計算資源優勢，提高仿真優化的速度和仿真資源的利用率。

4） 解析執行器將仿真得出的數據轉化為優化器所能解析的數據，同時接受優化器發送的優化數據，為下一步的仿真運行提供參數優化方向指導。

5） 運行控制器能控制仿真進程的開始、暫停/繼續、結束等基本仿真功能，還能接收從解析執行器發送的模型新參數信息，為仿真模型的下一次仿真迭代設置參數。

6） Elf（智能優化器）是整個仿真優化體系的核心，優化器分區優化方法對復雜系統模型中的關鍵參數進行整定和優化，為參數優化提供指導方向，使系統得到相對最優參數并使系統達到最優或滿意的輸出指標。

3? 模型參數仿真優化機制設計

在復雜系統中，往往有多個模型參數需要優化，由于多個模型之間存在數據交互關系，且模型之間互相影響，逐個模型進行優化耗時過長，且難以獲得最終滿足條件的參數。本文根據復雜模型參數優化特點，結合分布式仿真體系，搭建了分布式仿真模型參數優化體系，其優化流程如圖4所示。

1） 仿真設計人員通過仿真設計器設計仿真參數優化方案。

2） 利用運行調度器為仿真方案分配相應的仿真資源。

3） 在運行控制器接收到開始仿真指令后，仿真模型根據仿真方案中設定的初始參數進行第一次仿真。

4） Elf智能優化器從分布式仿真環境獲取仿真模型參數和仿真目標值，優化器通過優化算法進行參數調整，將新的模型參數發送至解析執行器。

5） 經由運行控制器將新的參數賦給仿真模型，進行下一次迭代，直到經過優化后的仿真模型參數滿足優化終止條件。

在分布式仿真優化體系的基礎上，本文提出了多種并行優化機制，主要體現在以下三個層面，分別是單模型的并行優化、多模型的并行優化和方案級的并行優化。

單模型級的并行針對于單個模型復雜度較高的情況，由于仿真模型的復雜度不同，往往存在某些仿真模型復雜度相較其他模型復雜度較高，在有的仿真模型已經到達相對最優解時，某些仿真模型仍需要大量的優化迭代，此時單模型的并行最為適用。多模型并行優化機制主要針對于模型之間關聯性較強，模型之間調用關系復雜的情況，多模型的并行能將多個模型獨立開，并通過分布式環境進行數據交互，能將復雜問題分解成多個獨立的優化問題，并且多個優化進程之間是并行的。仿真方案級的優化針對于復雜系統過于龐大，上述兩種級別的并行優化已經不能滿足優化效率時，仿真方案級的優化以仿真方案為單獨的個體，能夠利用多個相同的仿真方案的并行運行來完成仿真模型的優化任務。

本文設計一種單模型的并行優化機制，其結構如圖5所示。其中B模型復雜度相對較高，因此可以在仿真方案中設計多個B成員，分別賦不同的參數值，在經過一次迭代后，智能優化器能接收到多組B成員的模型參數，能夠同時進行多個相同模型的參數優化。

多模型的并行優化結構如圖6所示。多個仿真成員之間具有數據傳遞關系，共同組成復雜系統的優化方案。多仿真成員之間進行數據交互，多個不同的仿真模型分別將各自的仿真輸出經由分布式環境轉發至智能優化器，智能優化器根據最終的優化目標和仿真成員各自的輸出得出下一次優化迭代中各個仿真成員所需的參數，達到多成員并行優化的目的。

當系統復雜度過大時，上述兩種模型級的并行就不能滿足優化的性能需求，本文系統設計了一種方案級的并行結構，將仿真模型參數域劃分成多個等分，每個仿真方案只在自己的參數域中尋求最優解，最終將多個參數域的仿真結果進行比較，得出最優的參數解，其并行結構如圖7所示。

4? 結? 語

本文提出的基于分布式仿真的復雜系統參數優化框架，運用分區并行策略優化模型參數。相較于傳統的仿真優化框架，本框架既具備分布性和并行性，還具備開發高效性和通用性。本文目前完成基于分布式仿真和分區并行優化的系統設計和原型實現，在接下來的研究中，將使用該框架進行典型仿真應用的優化性能測試。同時進一步完善框架的實用性和通用性，調整仿真資源分配和模型參數優化算法，進一步提高仿真效率和參數優化效率，優化系統的人機交互方式，使本仿真平臺更具實用性。

注：本文通訊作者為朱國華。

參考文獻

[1] 于夢閣，潘振寬，蔣榮超，等.基于近似模型的高速列車頭型多目標優化設計[J].機械工程學報，2019，55（24）：178?186.

[2] 朱國華，丁建軍，楊晨，等.基于HLA的模型級仿真成員組合技術研究[J].現代電子技術，2016，39（12）：10?13.

[3] 亢良伊，王建飛，劉杰，等.可擴展機器學習的并行與分布式優化算法綜述[J].軟件學報，2018，29（1）：109?130.

[4] 吳詩輝，劉曉東，邵悅，等.一種基于神經網絡的仿真優化方法[J].系統仿真學報，2018，30（1）：36?44.

[5] 孫永澤，陸忠華.基于超限學習機與隨機響應面方法的深度學習超參數優化算法[J].高技術通訊，2019，29（12）：1165?1174.

[6] 姬杭，周軍華，施國強，等.一種復雜系統輕量化建模與仿真技術框架[J].系統仿真學報，2018，30（6）：2013?2019.

[7] 袁小芳，劉晉偉，陳秋伊，等.并行混沌與和聲搜索的多目標混合優化算法[J].湖南大學學報（自然科學版），2018，45（4）：96?103.

[8] 鄭世明，徐新偉，朱江.基于構件的武器裝備體系敏捷仿真框架研究[J].指揮控制與仿真，2019，41（2）：87?93.

[9] 周檬，賈亞雷.基于改進粒子群優化算法的先進絕熱壓縮空氣儲能系統參數優化[J].熱力發電，2018（1）：94?99.

[10] 閆濤，劉鳳嫻，陳斌.基于量子混沌粒子群優化算法的分數階超混沌系統參數估計[J].電子學報，2018，46（2）：333?340.

[11] 王家潤，謝海峰.基于任務分解模型的離散數據格網化并行優化[J].計算機工程與設計，2018，39（6）：1774?1781.

[12] 王雅琳，孫家舟，薛永飛，等.面向分餾塔操作參數優化的帶禁忌表并行粒子群優化算法[J].大連理工大學學報，2019，59（2）：194?200.