仿真器指标

2024-10-05

仿真器指标（通用5篇）

仿真器指标篇1

城市平面交叉口是削弱道路网络通行能力的“滞点”,对于他们的交通运行状况评价是城市交通的研究重点。对交叉口交通运行进行动态模拟,有助于完成交叉口运行状况的分析和交通控制的优化。本课题利用交通仿真技术开发了城市交叉口可视化控制系统(Visual Intersection Control system,VICs)。计算机仿真技术可以动态、直观、逼真地模拟交叉口交通运行的各种交通现象,分析交通流各要素之间的交通特性,仿真交叉口交通运行。对仿真系统的交通运行评价,可以反映仿真系统模拟的准确性和控制结果的有效性。本文旨在针对信号交叉口计算机仿真系统,分析仿真系统的评价指标,建立有效的评价指标体系,并提出系统中评价指标的具体实现原理与计算方法。

1评价指标体系

1.1 评价指标关联性

评价指标除应有科学性、全面性、客观性等基本要求外,同时在评价决策中还要求指标具有独立性。如果评价指标关联,评价结果就会具有倾向性[1]。如图1所示,假设有A、B两指标是关联的,其关联性大小用其包含部分C表示,消除量纲且归一化后,A指标的数量为 Na+Nc,B指标的数量为Nb+Nc;Wa,Wb为A,B两指标的权重,综合效应为Wa×Na+Wb×Nb+(Wa+Wb)Nc,其效应夸大了(Wa×Nc)或(Wb×Nc),可见,夸大的效应与两指标的权重和关联性大小有关系。为确保评价结果的客观性,避免评价指标的关联性是至关重要的,同时还要求评价指标具有一定的示意性和代表性。

1.2 评价指标体系分析

交叉口控制评价指标通常应涵盖安全、效率、环保等多方面的综合指标,计算机交通控制仿真软件主要针对效率优化而设计,而交通运行效率层面的指标如表1所示。

考察此6个指标的关联性:行车延误(指标1)与行程速度(指标2)成一定的线性关系,因在城市交通网络中,行车延误是间断交通流的一个关键运行性能指标,是车辆在通过交叉口的过程中所造成的时间损失,他不仅反映了交叉口的通畅状况,也反映了交叉口的服务水平,是所有指标中最重要的指标,因此系统选取指标1。停车次数(指标3)与停车时间(指标4)都是延误方面的指标,由于停车次数是体现交叉口控制效果的指标,并且仿真系统对此指标能较准确实现,故采用。排队长度(指标5)是所有指标中最能形象、直观地反映交叉口拥堵情况的数据,故采用。二次排队率(指标6)是交通管理中需要严格控制的指标,故选用。

综上分析,系统建立包括平均行车延误、平均排队长度、平均停车次数和二次排队率的评价指标体系。

1.3 仿真模型中评价指标实现的基础

评价指标在仿真系统中的实现,需要建立相关的统计基础。VICs系统设置OD、状态、停车次数、时间等属性,以便仿真系统有效地进行系统指标评价。车辆OD属性控制车辆的入口和出口。状态属性是指车辆是否已经通过交叉口的一个开关控制量,未通过交叉口的车辆状态为1,已经通过交叉口的车辆状态为0。停车次数属性是记录车辆停车次数的计数参数,用于评价系统平均停车次数和二次排队率等指标。时间属性记录车辆在交叉口的时间,车辆出现在交叉口时,该车状态属性为1,开始计时;车辆于交叉口消失时,该车状态属性为0,停止计时。时间属性用于评价行车延误。

2评价指标分析和实现

2.1 行车延误

行车延误是假设交叉口没有信号灯控制,车辆在交叉口不停车而通过所需时间与实际所需时间之差,其影响因素主要有车辆到达率和交叉口通行能力两个方面。行车延误是评价信号交叉口的运行效率和服务水平的重要度量。VICs系统以交通延误最小作为控制指标,因此以行车延误为主来进行系统评价,本文对其作详细分析,并采用两种方法实现。

2.1.1 Webster法

在分析中,假设车辆到达率在一定时间段内稳定,交叉口进口道通行能力为常数,车辆受信号阻挡所造成的行车延误与车辆到达率的相互关系不变且无长期排队。延误分均衡相位延误与随机延误两部分[2]。

由Webster理论,车辆总延误时间表达为:

undefined

其中α是从车流模拟实验计算得出的修正项,由于数值较小,可忽略不计。因此,通过对均衡相位延误和随机延误的实现,将此二延误相加可求得各相位行车延误,再以相位求得平均,即可得出平均行车延误。

2.1.2 时间差法

根据延误的定义,平均行车延误亦可用VICs系统中时间属性来实现。车辆的时间属性记录了每辆车在交叉口的时间,这个时间即可用于延误计算。系统以周期为单位,计算车辆在交叉口的总时间,减去理论通行时间,再取平均,即可得到一周期内的平均行车延误。

通过系统实测数据验证,Webster法与时间差法拟合度较高,从而证明本系统对行车延误的实现方法科学合理,能对控制效果进行评价。

2.2 平均排队长度

平均排队长度能形象、直观地反映交叉口拥堵情况。信号交叉口的排队长度计算[3],按流量饱和与非饱和分成两类:

(1) 进口道车流量不饱和时,绿灯启亮时的初始排队车辆数N为:

N = qtER

(2) 进口道车流量饱和时,绿灯启亮时的平均排队车辆数等于整个周期的平均排队车辆数加上周期性变化的平均变程之半,则饱和绿灯启亮时的初始排队车辆数N为:

N = qti + qtER/2

如果进口道恰好饱和时,ti = tER/2,N = qtER。

系统以相位为单位计算排队长度,将获得通行权的相位的排队长度记为0,其余相位计算实际排队长度,再以车道平均,即可得到每车道的平均排队长度。

2.3 平均停车次数

平均停车次数可以直观地反映交叉口延误情况和服务水平。系统利用车辆属性中的停车次数属性记录了每辆车在交叉口的停车次数,以周期为单位,计算一周期内所有车辆的停车次数之和,再求平均,即可得到一周期内的平均停车次数。

2.4 二次排队率

二次排队率能够直观地反映交叉口是否拥堵,是交通管理中需要严格控制的指标。在交叉口进口道上,经过交叉口的车辆连续二次或二次以上遇到红灯而导致车辆二次或二次以上的停车排队,将这辆车定义为二次排队车辆。二次排队示意图如图2所示。

二次排队率[4]是指一个周期内停车二次或二次以上的车辆数与该周期绿灯时间内的驶离车辆数之比。

VICs系统利用车辆属性中的停车次数属性,以周期为单位,计算停车次数≥2的车辆数,再除以一周期内的车辆总数,即可得到一周期内的二次排队率。

3结语

本文通过对交叉口车辆运行评价指标的关联性分析,建立了行车延误、平均排队长度、平均停车次数、二次排队率等4个相对独立有效的交叉口仿真系统运行评价指标。在对各评价指标的仿真属性分析的基础上,本课题提出了系统中评价指标的计算方法与具体实现原理。经系统初步调试验证,本指标体系能基本评价交叉口交通运行状况,能作为本课题“城市交叉口可视化控制系统(Visual Intersection Control system,VICs)”的车辆运行评价指标。

参考文献

[1]杨晓光,云美萍.城市交通控制系统交通效益评价指标及其关联性研究[J].公路交通科技,2004(10):81-84.

[2]尹宏宾,徐建闽.道路交通控制技术[M].广州:华南理工大学出版社,2000.

[3]何宁,杨涛,李朝阳,等.信号交叉口延误及排队长度的实证研究和应用[J].公路交通科技,2002,19(5):106-109.

[4]张建华,林航飞.平面信号交叉口车辆两次停车率研究[J].交通科技,2004(3):96-98.

仿真器指标篇2

一、标准符合性检测与评价的内涵和特点

标准符合性检测指对产品的功能、性能等指标进行测试,并与相关标准所规定指标进行对比,以判断其是否符合标准的规定与要求的活动[1]。标准符合性评价是根据产品的各项指标的检测结果,采用恰当的方法,综合判定产品与相应标准符合程度的活动。可以看出,标准符合性评价是建立在对评价对象的各项指标进行检查、测定的基础上。

建模仿真标准符合性检测和评价的特点主要有:(1)建模仿真标准符合性检测评价难度大,主要表现在指标类型复杂、定性指标较多,且相关研究较少。(2)建模仿真领域不同标准间关联度高,仿真产品不仅要符合相关专业应用类标准,还要符合建模仿真类的通用性基础标准。(3)能否实现互联互通关系仿真产品的可扩展性和效益的发挥,标准符合性检测评价是实现仿真产品间互联互通的基础。

二、标准符合性检测评价指标体系

2.1建模仿真标准分类。建模仿真领域标准可分为仿真系统、仿真数据、仿真模型、仿真试验方法等4类。对每个类别各抽取了十项左右典型标准,并对每个标准的条款要求进行分析归纳,最终建立了各类建模仿真标准检测评价指标体系。限于篇幅,本文仅就仿真系统和仿真模型类标准的指标体系进行详细论述,其他类标准的指标体系可以参照这两类标准给出。

2.2仿真系统类标准指标体系。仿真系统类标准符合性检测评价指标体系由组成指标、功能指标、任务性能指标、技术性能指标和其他特性指标等5个一级指标组成,每个一级指标又可细分为若干个二级指标和三级指标。(1)组成指标。是指产品的组成划分与标准条款要求的符合程度。根据具体标准条款要求可以进一步细化对应的二级指标,例如某类模拟系统的组成指标包括操控台、作业机、网络设备、通信设备、投影设备、声音设备等6个二级指标。(2)功能指标。是指产品的功能与标准条款要求的符合程度。例如某标准的功能指标有模拟功能、显示功能、评估功能、故障自动检测与定位功能、其他功能等5个二级指标。(3)任务性能指标。是指与实际任务紧密关联的性能要求的符合程度。例如某标准任务性能指标包括模拟特性、训练控制特性、训练效果评估特性、接口性能、设备自检等5个二级指标。(4)技术性能指标。是指一般仿真系统都具有的性能要求,主要包括可靠性、保障性、维修性、测试性、环境适应性、电磁兼容性、安全性、运输性等二级指标。可靠性包括平均故障间隔时间、可利用率、可用性等三级指标,维修性包括平均修复时间、最大修复时间、定检周期等三级指标。(5)其他特性指标。主要是指人机工程、标志与外观质量等特性指标。

2.3仿真模型标准指标体系。仿真模型标准指标体系由模型内容指标、建模过程指标、模型文档指标、建模方法指标、模型性能指标等5个一级指标组成。(1)模型内容指标。是指模型描述的内容与标准要求的符合程度。例如概念模型要求模型描述内容应包括实体属性、行动中的动作集合和关系、实体状态变化事件集合、事件处理的军事规则、交互关系等。(2)建模过程指标。是指建模过程与标准要求的符合程度。例如数学逻辑模型要求建模过程应包括提取模型实体、实体属性量化、细化行为、制定逻辑流程图、确定模型算法、确定模型运行的数据、建立模型文档等。(3)模型文档指标。是指模型文档的内容、格式等与标准要求的符合程度。一般包括基本要求、描述内容、描述格式等3个二级指标。(4)建模方法指标。是指仿真模型所采用的建模方法是否符合标准要求。例如概念模型建模方法采用基于实体的方法(EATI法、UML、IDEF0、IDEF1X、IDEF4等)、基于过程的军事概念建模(IDEF3、流程图等)。(5)模型性能指标。是指仿真模型的性能与标准要求的符合程度。性能指标一般包括可信性、简明性、重用性、易用性等二级指标。

三、标准符合性检测方法

通过对建模仿真标准指标体系的研究分析,确定适用于建模仿真标准符合性检测的方法主要有感官检测法、器具检测法、试验检测法、软件测试法等。

(1)感官检测法[2,3]。感官检测法是指靠人的感觉器官(眼、耳、鼻、皮肤等)对产品质量特性进行评价和判定的活动。其过程见图1。

感官检测方法的优点是省时省力,操作简单,其缺点是容易受人的个性差异影响,如错觉、误差、疲劳程度、心理影响、生理差异等,存在一定的不准确性。

有许多建模仿真标准符合性检测指标可通过感官方法来检测,如仿真系统中的组成类指标、外观特性指标等。

(2)器具检测法[3]。器具检测法是指依靠计量仪器、量具采用物理或化学方法进行的检测。检测过程见图2。

建模仿真标准符合性检测中用到的器具检测方法主要是物理器具检测法。例如,采用几何量检测法检测产品的尺寸,采用物理量检测法检测电磁兼容性等。

(3)试验检测法[2,3]。试验检测法是指产品在实际使用条件下或在人工模拟工作条件下进行试验,验证产品质量特性的方法。试验检测法可以更准确地考核产品的实际质量,但试验检测法操作相对复杂,费用大。例如,炮兵雷达训练模拟器的模拟功能、显示功能、评估功能等指标适用于试验检测法。

(4)软件测试法。建模仿真领域的产品大多涉及到大量的软件组成。对于这些软件应当参照相应的软件工程标准进行检测评价,重点应是软件的功能、性能测试。一般采用常规的白盒测试或黑盒测试法,例如代码走查、静态分析、逻辑测试等方法,需要满足逻辑覆盖、边界条件覆盖、路径覆盖等要求[4]。

标准符合性检测过程中的软件测试活动可以由专门的第三方测试机构执行,也可以由产品验收方组织专门人员按照经过评审的测试计划执行。

四、标准符合性综合评价方法

综合评价方法是指在多个指标检测结果的基础上采用一定的数学函数,对标准符合程度给出一个确定的评价结果。根据所采用的评价函数的不同,可分为两类:单一的综合评价方法,例如专家打分法、层次分析法、模糊综合评判法、灰色综合评价法等;组合的评价方法,如层次分析法与模糊综合评判法相结合,层次分析法与灰色综合评价法结合等。

通过对建模仿真标准符合性评价特点的分析研究,确定适合于建模仿真的评价方法有合格判定法、模糊综合评判法、层次分析法等。

(1)合格判定法。对所有的检测指标与标准要求相比较,当所有指标符合检测要求时,评价产品为合格,否则为不合格。这是目前建模仿真领域常用的标准符合性评价方法。这种评价方法的优点是把关严格,缺点是比较粗糙,无法区别其符合程度,不能准确反映产品标准符合程度的相对优劣程度。

(2)模糊综合评判方法[5]。主要是针对建模仿真标准中大量不易量化、靠主观判断评测的指标,根据这些指标对评测要求的隶属度将其量化,并对这些指标赋予不同的权重,应用模糊数学理论进行综合评价的一种方法。其优点是可以通过最大隶属度原则对大量定性指标进行综合评价,并对评价对象进行定量排序。缺点是指标权重确定的科学与否对评价结果的影响较大。

建模仿真标准规定的指标大量涉及人为主观判断因素,指标合格与否的界限模糊(如仿真系统类标准中,许多功能指标的检测和评价要通过有经验的人员通过目视和操作来完成),所以适合用模糊综合评判方法。另外,此方法可以按综合分值的大小进行同类产品进行比较,克服了合格判定法的不足。

(3)层次分析法[5]。是一种定性分析和定量分析相结合的评价决策方法。该方法通过对评价指标的分解,形成具有支配关系的层次结构指标体系。然后通过比较的方式确定各指标的重要程度,为每个指标确定权重。通过自下而上的标准符合性层次分析最终完成产品的评价。

该方法优点是既能够处理定性指标评价问题,也能够处理定量指标评价问题,具有实用、简洁的特点。缺点是人的主观判断、选择、偏好对结果影响大。在建模仿真标准符合性评价中,层次分析法可与合格判定法相结合使用。对已判定合格或不合格的产品进行优劣排序,改善合格判定法比较粗糙的不足。还可与模糊评判法相结合,运用层次分析法确定各指标的权重,然后再使用模糊评判法计算最终评价结果。

五、结束语

建模仿真标准符合性检测和评价是建模仿真标准实施和监督的重要环节,对标准的贯彻实施有十分重要的意义。本文通过分析建模仿真标准评价特点与分类,提出了标准符合性检测和评价的指标体系,对适用于建模仿真领域的检测方法和评价方法进行了分析研究。在实际工作中,需要根据实用可操作的原则灵活选择检测与评价方法。

摘要：研究了建模仿真领域标准分类,提出了标准符合性检测与评价指标体系,并对适合于建模仿真领域的标准符合性检测方法与评价方法进行了分析对比。

关键词：建模与仿真,标准符合性,检测,评价

参考文献

[1]刘瀚猛,芮建武,等.藏文字库标准符合性自动检测方案设计与实现[J].中文信息学报,2008,22(3):124-128.

[2]李有为.产品质量检验方法研究[J].企业技术开发,2011,30(2):71-72.

[3]倪国华.质量检验方式和方法[J].山东农机,2002,7:14-16.

[4]林宁,孟庆余.软件测试实用指南[M].清华大学出版社,2004.

仿真器指标篇3

近几年, 有许多研究者对世界各地的电力网络进行了研究。孟仲伟等对中、美典型电力网络拓扑结构进行对比, 并分析了小世界特性对故障传播的影响, 阐明了电力网络属于小世界网络, 认为小世界网络具有的较小的平均距离及较高的聚类系数等性质对故障传播起到重要的作用[6];Lu Z X等引入小世界模型对我国电力系统的联锁故障进行模拟, 研究表明了重要节点和关键线路对联锁故障的发生和扩散有着重要作用[7];Reka A等分析了北美电网拓扑结构存在的脆弱性[8];Reka K等则对北美电网的联锁故障进行了建模和仿真, 结论表明北美电网存在的少部分脆弱节点会导致大规模事故的发生[9]。

笔者将电力网络抽象为一个复杂网络, 从电网的拓扑结构特性出发, 研究电网对几种随机故障和蓄意攻击的承受能力, 从而提出相应的模型和算法, 并用IEEE118总线系统通过不同指标分析电网的脆弱性, 根据故障模拟试验结果, 分析电网本身拓扑结构特性对故障传播的影响, 从而实现对油田生产中电力系统的科学维护。

1 复杂网络理论简介

复杂网络研究将电力网络抽象为由n个节点和m条线路组成的无向有权网络。如果节点i和节点j之间没有线路直接相连, 则定义线路的效能eij=0, 否则线路的效能eij为 (0, 1]之间的一个数值。对于n所有存在的边, 初始状态eij=1, 表示所有的线路都工作正常。考虑到电力系统的特点, 将所有节点分为发电机节点、负荷节点和变电站节点3类, 分别为nG、nL和nT。

2 分析电力网络脆弱性的关键指标

2.1 节点的度介数

在复杂网络分析中, 度数和介数是网络特性中非常重要的指标。研究者也常用度数或介数来研究复杂网络的脆弱性。而且, 越来越多的研究者专注于改进指标来进一步研究复杂网络的脆弱性, 比如Comin C H等根据介数与度数的关系提出了一种改进的指标[10]。把复杂网络的指标应用到电力网络中也是目前进行脆弱性分析的研究热点。在此, 笔者也将改进的指标应用到电力网络脆弱性分析中。

以往的研究中, 攻击度数最大或者介数最大的节点和线路对电力网络脆弱性分析是非常有效的。基于Comin C H等的研究, 把度数和介数有效结合起来构成新的指标并定义为度介数。一般地, 网络中第i个节点的度介数, 其中B (i) 是第i个节点的介数值;D (i) 是第i个节点的度数值;λ为两者的最优参数, 该指标越大, 则认为该节点越重要。当BD (i) =0时, 有B (i) =0和D (i) =0两种情况。当D (i) =0时, 表示第i个节点为孤立节点, 没有其他节点与之相连, 即网络中其他任意两个节点之间最短路径都不通过该节点, 那么该节点的介数B (i) =0;而当B (i) =0时, 表示该第i个节点对其他节点之间的传输没有直接控制力。需要注意的是, 当B (i) =0时, D (i) 不一定为0, 但是该节点的重要性几乎可以忽略不计。

2.2 边的度介数指标

在电力网络中, 节点对之间线路具有非常大的重要性。因此, 对网络中线路的分析是非常重要的。虽然边的度数还没有明确的定义, 但是可以看出, 边的重要性可以由它连接的两个节点来计算。在文献[11]中, Petter H和Beom J K尝试了几个不同的方式, 用局部信息的节点度数来定义边的度数D (v, w) :

其中, 边 (v, w) 连接两个度数分别为Dv和Dw的节点v和w。Holme P和Beom J K发现第一个公式与其他公式相比更符合边度数的定义。因此, 边 (v, w) 的度数D (v, w) ≡DvDw。

对于度数分别为Dv和Dw的两个节点v和w之间的边 (v, w) 来说, 它的度介数BD (v, w) 的定义和节点的度介数相似, 可表示为:

其中, B (v, w) 表示边 (v, w) 的介数值;D (v, w) 表示边 (v, w) 的度数值;λ为两者的最优参数。当BD (v, w) =0时, 有B (v, w) =0和D (v, w) =0两种情况。当D (v, w) =0时, 表示它连接的两个节点v和w至少有一个为孤立节点, 这条边不存在, 即没有边连接v和w两个节点, 那么该边的介数B (v, w) =0;而当B (v, w) =0且存在时, 表示该边对其他节点连接线路的传输没有直接控制力。需要注意的是, 当B (v, w) =0且存在时, D (v, w) 一定不为0, 但是该边的重要性几乎可以忽略不计。

2.3 负载损失

在此, 用负载损失来衡量电力网络的脆弱性。对于失联的子系统i, 其负载损失表示为:

其中, 在子系统i中, Ci为发电机容量, Di为负载最大需求量。则整个系统的负载损失为:

其中, D为故障前负载需求量的总和, S为故障后失联子系统的数量。此指标反映了电力网络受到节点和线路攻击后的鲁棒性。

3 仿真

电力网络担负着将电能从发电机节点输送至负荷节点的任务, 与网络的整体效能密切相关, 因此, 笔者采用基于全局效能和负载损失的联锁故障模型, 以研究电网结构对电力网络脆弱性的影响。当电力网络受到攻击时, 其拓扑结构发生变化, 引起最有效路径的重分布, 进而引起其他相邻元件的过载, 最终导致联锁崩溃。

时刻t的线路效能迭代规则为:

其中, eij为线路 (i, j) 初始时刻的效能;eij (t+1) 为线路 (i, j) 在t+1时刻的效能;BDij (t) 为线路 (i, j) 在t时刻的线路度介数;Cij为各线路的度介数上限, , 其中Bmax (i, j) =α×Bij (0) 为线路的介数上限;α是线路耐受性系数, α>1。

在电力网络中, 线路连接的两个顶点与其他节点相连的数目是有限的, 因此Dmax (i, j) =β×Dij (0) 为线路的度数上限;β是线路连接性系数, β>1;λ为两者的最优参数。

在式 (1) 所示的模型中, 用线路效能eij的降低来模拟由于线路 (i, j) 的边的度介数超过其度介数上限而导致相连线路传输能力下降的过程;而当线路 (i, j) 的度介数低于其度介数上限时, 其相连线路的传输能力能够得到恢复。

联锁故障仿真流程如下:

a.输入线路效能矩阵{eij}、发电机节点集SG和负荷节点集SL;

b.计算初始线路度介数分布BD (0) 和各线路的度介数上限Cij;

c.移除指定的节点或线路, 修改网络连接权矩阵;

d.计算度介数分布、系统全局效能E和负载损失LOL;

e.如果没有更多的线路过载或者系统全局效能的差值小于给定的误差范围, 转至步骤g;

f.根据式 (1) 修改网络连接权矩阵{eij}, 转至步骤d;

g.记录每次迭代的系统全局效能和负载损失, 结束联锁故障仿真。

4 故障模拟

笔者采用不同指标通过IEEE118总线系统来分析电力网络的脆弱性。IEEE118总线系统有54个发电机总线、64个负载总线和186个传输总线, 结构如图1所示。除随机攻击外, 还用线路的介数指标和度介数指标来衡量电力网络的鲁棒性。

由于网络线路担负着将电能从发电机节点输送到负荷节点的任务, 与网络的整体效能密切相关, 因此, 选择对网络中的线路进行攻击, 以研究电网对随机故障和蓄意攻击的承受能力。文献[12]中, 陈晓刚等在电力系统网络脆弱性分析中, 得出介数指标效果优于度数指标的结论。因此, 笔者采取以下3种攻击策略:

a.随机线路攻击。每次随机地移除一条线路。

b.线路介数攻击。每次选择并移除网络中线路介数最高的一条线路。

c.线路度介数攻击。每次选择并移除网络中线路度介数最高的一条线路。

为了避免随机线路移除的影响, 计算了随机移除线路10次的负载损失LOL和全局效能E的结果作为最终的LOL和E的结果。基于3种攻击策略的负载损失LOL和全局效能E的结果如图2、3所示。结果表明:在攻击IEEE118总线系统中, 攻击线路介数比随机攻击更有效, 攻击度介数还会有更进一步的提高。随机线路攻击对网络的全局效能的影响很小, 这说明电力网络对随机线路攻击有较强的耐受力。而受到高度介数线路攻击时, 全局效能下降明显, 且全局效能下降最大。高度介数线路承担了大量的最有效路径。高度介数线路的移除会引起大量最有效路径的重新分布, 进而引起联锁故障。因此高度介数线路对电力网络的联锁故障有着重大的影响。与其他两种攻击策略相比, 基于攻击线路度介数有更小的负载损失LOL和全局效能E。

5 结束语

研究电力网络脆弱性是基于复杂网络理论的, 但是电力网络系统和复杂网络在特性上有一些不同。度介数指标相对单纯的度数或介数指标能更好地辨识电力网络的脆弱环节;高度介数线路和高度介数节点都对系统的脆弱性有重大影响。因此, 要提高整个电网的可靠性水平, 必须从电网的结构出发, 加强对关键环节, 尤其是高度介数节点的保护和防范, 避免由于这些环节的故障而造成联锁故障, 进而降低油田生产过程中的断电概率。笔者提出的度介数指标对油田生产中电力系统脆弱性的评估、改善、保护以及大规模灾变的预防等提供了一个新的思路和方向。

参考文献

[1]Barabasi A-L.Scale-free Networks:a Decade and Beyond[J].Science, 2009, 325 (5939) :412~413.

[2]Bascompte J.Disentangling the Web of Life[J].Science, 2009, 325 (5939) :416~419.

[3]Schweitzer M H, Fagiolo G, Sornette D, et al.Economic Network:the New Challenges[J].Science, 2009, 325 (5939) :422~425.

[4]Pickard G, Pan W, Ranwan I, et al.Time-critical Mobilization[J].Science, 2011, 334 (28) :509~512.

[5]Li X, Dong Z.Detection and Prediction of the Oneset of Human Ventricular Fibrillation:an Approach Based on Complex Network Theory[J].Phys Rev E, 2011, 84:062901.

[6]孟仲伟, 鲁宗相, 宋靖雁.中美电网的小世界拓扑模型比较分析[J].电力系统自动化, 2004, 28 (15) :21~24.

[7]Lu Z X, Meng Z W, Zhou S X.Cascading Failure Analysis of Bulk Power System Using Small-world Network Model[C].Proceedings of the 8th International Conference on Probabilistic Methods Applied to Power Systems.Iowa State University:Ames Iowa, 2004:635~640.

[8]Reka A, Istvan A, Gray L, Nakarado.Structural Vulnerability of the North American Power Grid[J].Phys Rev E, 2004, (69) :025103.

[9]Reka K, Paolo C, Reka A, et al.Modeling Cascading Failures in the North American Power Grid[J].Eur Phys J B, 2005, (46) :101~107.

[10]Comin C H, Costa L D.Identifying the Starting Point of a Spreading Process in Complex Networks[J].Phys Rev E, 2011, (84) :056105.

[11]Petter H, Beom J K.Attack Vulnerability of Complex Networks[J].Phys Rev E, 2002, (65) :056109.

仿真器指标篇4

1.1 RoboCup的介绍

RoboCup联盟是一个国际性研究和教育的组织,它通过提供一个标准问题(即机器人足球比赛)来促进人工智能和智能机器人的研究。这个领域可以集成并检验很大范围内的技术,同时也可被用作综合的面向工程并应用于教育。

其中的RoboCup仿真组比赛通过提供了一个完全分布式控制、实时异步多智能体的环境,很好地模拟了真实的足球机器人比赛环境,检验各种智能机器人技术,对人工智能理论研究提供了绝佳的实验平台,具有非常重要的意义[1]。在Robocup2D仿真组的比赛中,由于场上状态是一个庞大的、复杂多变的实时系统,并且仿真服务器中具有噪声干扰,所以每个智能体如何在动态变化的环境下选择最优的动作,是一个非常复杂的问题[2]。

目前2D仿真比赛中的策略学习中选择最优的方法有多种,大体上可分为三种。决策树学习是一种基于符号的机器学习方法,是一个类似流程图的树结构,其中每个内部节点表示对某个属性的测试,每个分支体表属性的一个取值,每个叶子代表类别或决策结果,从而可用从根到叶的不同路径代表不同的决策规则,从中选择最优;人工神经网络是基于连接的机器学习方法,是对生物神经元的简化和模拟,通过学习和调整神经元之间的连接参数可以提高系统的智能,使用神经网络一般使用训练的方法而不是直接的程序设计;强化学习是一种无指导的学习,它的主要思想是“与环境交互”和“试错”,并试图从交互过程中找到一些可以用计算机程序实现学习的方法,先行动再观察是与环境交互的基本方式。而现在这些方法大多是针对一些足球仿真比赛中特定的技能设计进行择优,如截球、传球和局部合作等,很少有对整体水平有一个比较系统的综合评价后再选择,这样没有先从大局出发进行评价研究,可能导致球队代码的开发方向不明确,容易走弯路。

1.2 综合评价技术的研究

现有的评价技术主要针对评价问题的要素及指标进行研究,解决评价问题不同方面的评价技术有很多种,各有自己的优缺点。

1) 指标的筛选

指标选取的方法主要有专家调研法、条件广义方差极小法、极大不相关法、选取典型指标法、最小均方差法、极小极大离差法等[3]。

专家调研法是请出专家来筛选指标;条件广义方差法和极大不相关法则是通过计算指标矩阵得到方协方差矩阵S来研究,这两种方法的好与坏关键在于临界值的选取;典型指标是将指标先进行聚类,然后在每一类中选取一个或多个典型指标;最小均方差法和极小极小离差法则是从指标之间的差别进行研究,利用均方差、离差等数学定义将差异较小的指标删除,这种方法只考虑到指标的差异程度,很容易将重要的指标删除,但其引用的数据还是原始数据,因此还保留着客观的特点。

2) 确定权重的方法

目前关于权重的确定,根据计算权重的来源不同主要分为主观赋权法、客观赋权法和组合赋权法。客观赋权法主要有熵值法、拉开档次法、逼近理想法;而主观赋权法的方法就比较多,研究也比较成熟,主要有相对比较法、连环比率法、集值迭代法、最小平方法和特征向量法、PATTERN法、专家咨询法、层次分析法和相容矩阵分析法等。而组合赋权法是结合主观赋权法和客观赋权的各自特点形成。

这三类主要的赋权法的特点是:主观赋权法能比较好地评价对象所处的背景条件和评价者的意图,但各个权重的准备性依赖于用专家的知识和经验积累,主观随意性比较大;客观赋权法的原始数据虽然来自源于样本矩阵的实际数据,却切断了权重系数的主观性,具有绝对的客观性,可能产生不合理权重;而组合赋权法在一定程度上既反映了决策者的主观信息,又利用了原始数据,使用权重具有客观性,但是否准确重点在于如何确定主,客观赋权权重系数所占的比例。

针对目前的这种情况,和对系统上的最优评价的迫切需要,本文提出一种全新的运用系统工程中综合评价方法,并灵活运用这种评价方法到RoboCup仿真2D比赛的研究里。

2 原理和方法

2.1 建立球队的指标矩阵

现有多支球队要进行优劣评价及排序,设多支球队的球队集为T(t1,t2,…,tm),将要考察的指标,如进球次数、输球次数、抢断次数等运用指标的筛选方法来选获得指标集G(g1,g2,…,gn),指标的加权向量为W(ω1,ω2,…,ωn)T,且要求0<ωi<1。球队ti针对的指标gj的所取得的值aij(i=1,2,…,m;j=1,2,…,n),这样产生的矩阵A=(aij)m×n为考查球队基本样本矩阵。

通常,指标值可分为效益型、成本型。所谓效益型指标值是指指标值越大越好的指标,成本型指标值是指属性值越小越好的指标[4]。首先将样本矩阵归一化处理,以消除各指标量纲不同带来的影响,得到归一化指标矩阵D=(dij)m×n。其中:

对于效益型指标,令:

dij=(aij-a $_{j}^{\min}$ )/(a $_{j}^{\max}$ -a $_{j}^{\min}$ ) (1)

对于成本型指标,令:

dij=(a $_{j}^{\max}$ -aij)/(a $_{j}^{\max}$ -a $_{j}^{\min}$ ) (2)

式中,a $_{j}^{\min}$ 、a $_{j}^{\max}$ 分别为第j个指标值aij的最小值和最大值。显见,dij∈[0,1]。

2.2 确定各指标的权重

权重确定的三种方法都各有优缺点,而组合赋权法可以通过修正主、客观赋权法所占比例进行调整,可调性比较高,故本文在权重的设定上采用组合赋权法。

首先设主观赋权法得出的指标权重向量为W′(ω′1,ω′2,…,ω′n)T,且满足0≤ω′j≤1, $\sum_{j = 1} ω^{'} = 1$ ;客观赋权法得出的指标权重向量为W″(ω″1,ω″2,…,ω″n)T,且满足0≤ω″j≤1, $\sum_{j = 1} ω^{″} = 1$ ;。记α,β分别表示W′,W″的重要程度,即权重系数,且0≤α≤1,0≤β≤1,α+β=1。

则综合权重为:

W=αW′+βW″ (3)

W″=1[∑mi=1(dmaxj-dij)2]∑nj=11∑mi=1(dmaxj-dij)2

i=1,2,…,m;j=1,2,…,n (4)

其中的主观权重采用专家咨询法获得;而客观权重的设定运用了文献[6]中给出的客观赋权法。

2.3 系数α、β的确定

考虑到综合了主客观权值,则必须确定权重系数α、β。本文利用[5] 多属性决策中权重确定的主客观赋权法中的方法来确定权重系数,该方法中最后得出的系数α、β求解公式为:

$α = \frac{C_{22} - C_{12}}{C_{11} + C_{22} - 2 C_{12}} β = \frac{C_{11} - C_{12}}{C_{11} + C_{22} - 2 C_{12}}$ (5)

其中:

$C_{11} = \sum_{i = 1}^{m} \sum_{j = 1}^{n} (d_{j}^{\max} - d_{i j})^{2} ω^{'}_{j}^{2}$ (6)

$C_{22} = \sum_{i = 1}^{m} \sum_{j = 1}^{n} (d_{j}^{\max} - d_{i j})^{2} ω^{″}_{j}^{2}$ (7)

$C_{12} = \sum_{i = 1}^{m} \sum_{j = 1}^{n} (d_{j}^{\max} - d_{i j})^{2} ω^{'}_{j}^{2} ω^{″}_{j}^{2}$ (8)

最后定义矩阵E=(eij)m×n为加权的规范化指标矩阵,矩阵E满足:

eij=dij×ωji=1,2,…,m j=1,2,…,n (9)

并设定各球队的最后评价值为h,用这个评价值对各队伍的整体水平进行综合评价,它满足:

$h_{i} = \sum_{j = 1}^{n} (d_{j}^{\max} - d_{i j})^{2} \times ω_{j}^{2} i = 1, 2, \dots, m$ (10)

因为式(10)采用的是误差平方和来描述,所以说明评价值h越小,该球队的各项性能就越优良,采用的策略,算法更能很好地协作,有利用整体的智能化提高。

3 实验设计

在众多RoboCup仿真2D比赛的参赛队伍中,挑选了其中的5支代表球队来验证评价模型。包括我校代表队G队,世界经典球队U队,一支国内RoboCup公开赛前五强的H队,二支国际比赛中前16强的A队和R队。在Ubuntu 9.04系统下的rcssserver平台13.0.0版本里进行比赛,选取U队为参照队,使其它四支队分别与U进行一场比赛,提取进球数、输球数、截球数和守门员扑球成功率等四个指标进行研究。比赛获得的指标集如表1。然后将表1规范化。其中进球次数、截球次数和扑球成功率为效益型指标,利用式(1)归一化,输球次数为成本型指标,利用式(2)归一化。得到表2。

通过专家咨询得到主观权重为W′=[0.3,0.3,0.2,0.2]T,利用式(4)求出客观权重为W″=[0.1977,0.3102,0.2127,0.2793]T,根据式(5)～式(8)可以求得α=0.4803,β=0.5197,则最终可以得出综合权重为W=[0.2468,0.3053,0.2066,0.2412]T。

由式(10)求出各球队的最后评价值如表3所示。

由评价值可知,评价值越低,球队的整体综合水平较高,排名较前。根据本文设计的综合评价模型,测试的四支球队的排名由前到后的顺序分别是R队、H队、A队和G队。

4 实验结果分析

本文将选取出来的五支队进行小组循环赛,利用常规方法,即先通过获胜场数来决定,如果获胜场数相同,则继续通过比赛的小比分来进行小组排名。得出小组排名如表4所示。

可见,这个排名与本文的评价模型得出的排名是一致的,验证了本文的评价模型的正确性和实用性。

5 结语

通过模拟比赛实验,验证了综合评价设计理论确实可用于机器人足球比赛的系统的评价,这有利于未来对机器人足球比赛进行合理正确的评价,有利于指导人工智能的研究方向。当然使用评价理论时候还有很多可以进一步优化,如可再尝试其它的一些主客观赋权法以及调整它们的比例,如何选取关键指标和对各种多属性综合评价方法的研究等,使建立的RoboCup评价系统更合理。

参考文献

[1]李艳.优势关系粗糙集在RoboCup中的决策分析[J].计算机科学,2009,36(4):232-242.

[2]李龙澍.基于神经网络的批强化学习在RoboCup中的应用[J].计算机技术与发展,2009,19(7):98-101.

[3]叶义成.系统综合评价技术及其应用[M].冶金工业出版社,2006.

[4]陈华友.多属性决策中的一种最优组合赋权方法研究[J].运筹与管理,2003,12(2):6-10.

[5]张全.多属性决策中权重确定的一种集成方法[J].管理科学学报,1998,1(3):50-53.

[6]樊治平.多属性决策的一种新方法[J].系统工程,1994,12(1):25-27.

仿真器指标篇5

关键词：二次型性能指标,温控系统,神经元PID控制器

1 概述

神经元网络 (Neural Networks) 是利用工程技术手段模拟人脑神经网络和功能的一种大规模并行的非线性系统[1], 具有信息分布储存、并行处理以及自组织、自学习能力等优点, 在信息处理、模式识别、智能控制等领域有着广阔的应用前景。本文设计了二次型性能指标神经元PID控制器, 并用Matlab软件进行了仿真。

2 二次型性能指标的神经元PID控制器

神经元PID控制器的结构框图如图1所示。

让神经元PID控制器权系数按使某一性能指标为最小来调整, 以实现自适应PID控制。在神经元学习算法中, 借助最优控制中二次型性能指标的思想, 在加权系数的调整中引入二次型性能指标, 使输出误差和控制增量加权平方和为最小来调整加权系数, 从而间接实现对输出误差和控制增量加权的约束控制。

设性能指标为:

本文选择有监督Hebb学习规则来修正连接权值, 这样采用二次型性能指标规范优化后的神经元PID控制器的输出及学习算法如公式2-6。

公式2-6中, b0为输出相应的第一个值, 并且:

ηI, ηP, ηD分别为积分, 比例, 微分的学习速度, K为神经元的比例系数, K>0。按照梯度下降法修正网络的加权系数ωi (k) , 即按J (k) 对加权系数的负梯度方向搜索调整有:

3 控制器在温控系统中的应用

选取被控对象为:

应用Matlab仿真软件对二次型性能指标的神经元控制器从跟踪性、抗干扰性和鲁棒性进行仿真。

3.1 跟踪性

系统的输入加单位阶跃信号, 二次性能神经元PID仿真曲线如图3所示。二次性能神经元PID的采样周期Ts=0.1, 由图2可知, 该控制器能跟踪给定阶跃信号。