基于云计算的分布式仿真模型协同优化方法及系统与流程

本发明涉及云计算，特别涉及基于云计算的分布式仿真模型协同优化方法及系统。

背景技术：

1、分布式仿真技术通过将复杂仿真模型拆分为多个子模型，部署在不同的计算节点上并行运行，能够有效提升仿真效率，突破单节点计算资源的限制。然而，现有分布式仿真模型在协同优化过程中仍存在诸多技术瓶颈：

2、现有分布式仿真模型的协同性较差，各仿真节点之间的数据交互采用传统通信方式，存在传输延迟、数据丢失及时序冲突等问题，尤其是在多节点、大规模仿真场景中，难以实现各子模型的同步协同，严重影响仿真精度与效率。例如，传统hla架构需要以rti为工作中心，其发布和订阅过于频繁，不支持服务质量（qos），存在性能瓶颈和可伸缩性问题，无法满足大规模仿真的数据分发需求。

3、现有技术多采用静态资源分配方式，无法根据各仿真节点的实时负载与仿真需求动态调整资源，导致部分节点资源闲置、部分节点资源过载，资源利用率低下，同时增加了仿真成本。在混合云环境中，不同云平台的资源异构性进一步加剧了资源调度的难度，容易出现东部紧缺、西部过剩的结构性矛盾。

4、协同优化策略不完善，现有优化方法多针对单个仿真子模型进行独立优化，忽略了各子模型之间的耦合关系，难以实现全局优化目标，且优化算法的适应性较差，无法适配不同类型、不同场景的仿真模型优化需求。同时，多数分布式仿真平台缺乏对python等脚本语言的原生支持，难以无缝集成ai优化模型，进一步限制了优化能力。

5、以及，现有系统的扩展性与稳定性不足，当仿真模型规模扩大或仿真场景发生变化时，系统难以快速适配，且缺乏有效的异常处理与容错机制，容易导致仿真任务中断，影响优化进程。

6、因此，如何构建一种能够实现资源动态调度、高效协同交互、全局精准优化的分布式仿真模型协同优化方法及系统，成为当前本领域技术人员亟待解决的技术问题

技术实现思路

1、本发明的目的在于至少解决现有技术中存在的技术问题之一，提供基于云计算的分布式仿真模型协同优化方法及系统，能够解决上述背景技术问题。

2、为实现上述目的，本发明提供如下技术方案：基于云计算的分布式仿真模型协同优化方法，包括以下步骤：

3、s1：获取待优化的分布式仿真模型，对所述分布式仿真模型进行模块化拆分，得到若干个相互独立且可协同的仿真子模型，对每个仿真子模型进行标准化封装，统一接口协议与数据格式；

4、s2：构建云计算仿真资源池，所述云计算仿真资源池包括计算资源、存储资源与网络资源，采用虚拟化技术对所述资源进行池化管理，实时采集各资源的负载状态数据；

5、s3：基于强化学习算法构建资源调度模型，输入各仿真子模型的计算需求、时间约束及所述资源负载状态数据，动态分配云计算资源至各仿真子模型对应的仿真节点，实现资源负载均衡；

6、s4：建立改进型dds数据分发机制，结合lbts时间同步策略，实现各仿真节点之间的实时数据交互与时序协同，解决数据传输延迟与时序冲突问题；

7、s5：采用分层迭代优化策略，底层针对单个仿真子模型，基于其约束条件与局部优化目标进行独立优化；顶层基于各仿真子模型的局部优化结果，结合全局优化目标，采用nsga-iii多目标优化算法进行全局协同优化，得到初步优化方案；

8、s6：对所述初步优化方案进行仿真验证，判断其是否满足预设的优化指标与约束条件，若满足，则输出最终优化方案；若不满足，则反馈调整各仿真子模型的优化参数与资源分配策略，返回步骤s3重新进行协同优化，直至得到满足要求的最终优化方案。。

9、优选的，步骤s1中，所述模块化拆分的具体过程为：基于分布式仿真模型的功能逻辑与仿真场景需求，将所述分布式仿真模型拆分为数据输入子模型、核心计算子模型、结果输出子模型及约束校验子模型，各仿真子模型之间通过标准化接口进行数据交互，所述标准化接口支持http/https与rpc两种通信协议，数据格式采用json标准化封装。

10、优选的，步骤s2中，所述虚拟化技术采用kubernetes容器编排技术，对计算资源、存储资源与网络资源进行虚拟化封装，形成可动态伸缩的虚拟资源单元；

11、所述资源负载状态数据包括cpu利用率、内存占用率、磁盘io速率及网络带宽占用率，采集频率为1-5秒/次，采用流式数据处理方式对采集到的数据进行实时清洗与归一化处理。

12、优选的，步骤s3中，所述强化学习算法采用ppo算法，所述资源调度模型的状态空间包括资源负载状态、仿真子模型计算需求与时间约束，动作空间包括资源分配比例、节点调度策略与资源伸缩指令，奖励函数基于资源利用率、仿真效率与优化精度构建，具体公式为：reward=α×ru+β×se-γ×oe，其中ru为资源利用率，se为仿真效率，oe为优化误差，α、β、γ为权重系数，且α+β+γ=1。

13、优选的，步骤s4中，所述改进型dds数据分发机制通过优化qos策略与心跳检测机制实现，所述qos策略包括可靠性策略、实时性策略与资源占用策略，所述心跳检测机制采用加速推拉模型，排除不确定性因素，降低误判概率，同时作为时间校准依据，为时序协同提供同步信号；

14、所述lbts时间同步策略通过计算各仿真节点的最小时间戳，实现全局时间同步，确保各仿真子模型的仿真进度一致。

15、优选的，步骤s5中，所述分层迭代优化策略的迭代次数预设为5-20次，底层单个仿真子模型的局部优化采用改进遗传算法，通过调整交叉概率与变异概率，提升局部优化效率；顶层全局协同优化中，所述全局优化目标包括仿真精度最大化、仿真时间最小化与资源消耗最小化，采用nsga-iii算法对多目标进行权衡，得到帕累托最优解集，从中筛选出初步优化方案。

16、优选的，步骤s6中，所述仿真验证包括精度验证、效率验证与稳定性验证，所述优化指标包括仿真误差≤5%、仿真时间缩短≥30%、资源利用率≥85%；

17、若初步优化方案不满足优化指标，则通过梯度下降算法调整各仿真子模型的优化参数，同时优化资源调度模型的权重系数，重新执行协同优化流程。

18、一种基于云计算的分布式仿真模型协同优化系统，所述系统由模型处理模块、资源管理模块、协同调度模块、优化计算模块、结果验证模块、数据存储模块和可视化模具构成：

19、模型处理模块：用于获取待优化的分布式仿真模型，对其进行模块化拆分与标准化封装，统一接口协议与数据格式；

20、资源管理模块：用于构建云计算仿真资源池，采用虚拟化技术对资源进行池化管理，实时采集与处理资源负载状态数据；

21、协同调度模块：基于强化学习算法构建资源调度模型，动态分配云计算资源至各仿真节点，同时通过改进型dds数据分发机制与lbts时间同步策略，实现各仿真节点的协同工作；

22、优化计算模块：采用分层迭代优化策略，结合改进遗传算法与nsga-iii多目标优化算法，实现单个仿真子模型的局部优化与全局协同优化，得到初步优化方案；

23、结果验证模块：用于对初步优化方案进行仿真验证，判断其是否满足预设优化指标与约束条件，若不满足，则反馈调整优化参数与资源分配策略，形成闭环优化。

24、优选的，所述资源管理模块还包括资源预警单元，当某类资源的负载率超过预设阈值80%时，自动触发资源伸缩指令，通过增加虚拟资源单元或调度空闲资源，确保仿真任务稳定运行；

25、当负载率低于预设阈值30%时，自动释放冗余资源，降低资源消耗。

26、优选的，所述数据存储模块采用云存储技术，用于存储仿真模型数据、资源状态数据、优化过程数据及最终优化结果，支持pb级数据存储与快速查询；

27、所述可视化模块用于实时展示资源负载状态、仿真进度、优化过程及优化结果，支持用户交互操作与参数调整。

28、与现有技术相比，本发明的有益效果是：

29、1、该基于云计算的分布式仿真模型协同优化方法及系统，通过改进型dds数据分发机制与lbts时间同步策略，解决了现有分布式仿真节点之间数据传输延迟、时序冲突的问题，实现了各仿真节点的实时协同，同时通过模块化拆分与标准化封装，降低了各子模型之间的协同障碍，大幅提升了协同效率。实验表明，本发明可使仿真数据传输延迟降低40%以上，协同仿真效率提升30%以上。

30、2、该基于云计算的分布式仿真模型协同优化方法及系统，基于强化学习算法构建资源调度模型，实现了云计算资源的动态分配，根据各仿真节点的实时负载与仿真需求调整资源分配策略，避免了资源闲置与过载问题，结合资源预警与动态伸缩机制，进一步提升了资源利用率，降低了仿真成本。与传统静态资源分配方式相比，本发明的资源利用率可提升至85%以上，云计算成本降低35%以上。

31、3、该基于云计算的分布式仿真模型协同优化方法及系统，采用分层迭代优化策略，结合改进遗传算法与nsga-iii多目标优化算法，既保证了单个仿真子模型的局部优化精度，又实现了全局协同优化，能够兼顾多优化目标，适配不同类型、不同场景的仿真模型优化需求。同时，支持python等脚本语言的集成，可无缝融入ai优化模型，进一步提升优化能力，仿真误差可控制在5%以内。

32、4、该基于云计算的分布式仿真模型协同优化方法及系统，采用云计算与虚拟化技术，构建可动态伸缩的仿真资源池，当仿真模型规模扩大或仿真场景发生变化时，系统可快速适配，同时通过资源预警、异常处理与容错机制，确保仿真任务的稳定运行，避免任务中断，提升了系统的可靠性与扩展性，可广泛应用于航空航天、工业制造、交通物流等复杂仿真场景。