考虑动态负载均衡的装备体系多维度韧性表征与优化
《RELIABILITY ENGINEERING & SYSTEM SAFETY》:Multi-dimensional Resilience Characterization and Optimization of Equipment System-of-Systems Considering Dynamic Load Balancing
【字体:
大
中
小
】
时间:2026年08月28日
来源:RELIABILITY ENGINEERING & SYSTEM SAFETY 13.7
编辑推荐:
•针对装备系统之系统(ESoS),构建时空超网络模型,通过划分重叠的作战空间域来捕捉装备的异构性、层级性和动态交互特性。•建立涵盖"防护-退化-恢复-适应"四阶段的、包含八项核心指标及负载均衡校正项的多维韧性表征框架。•提出域内优先、跨域协同与支援恢复三级响应策略,实现动态任
•针对装备系统之系统(ESoS),构建时空超网络模型,通过划分重叠的作战空间域来捕捉装备的异构性、层级性和动态交互特性。•建立涵盖"防护-退化-恢复-适应"四阶段的、包含八项核心指标及负载均衡校正项的多维韧性表征框架。•提出域内优先、跨域协同与支援恢复三级响应策略,实现动态任务负载重分配与资源调度。•提出基于韧性重要性的改进鲸鱼优化算法,融合自适应权重机制与混合搜索策略,高效求解负载均衡问题。•在小型、中型和大型ESoS场景中验证所提方法,各场景韧性提升幅度为24%至56.2%,平均提升约32%。引言随着任务场景持续向多元化、智能化方向演进[1],以无人机(UAV)、无人地面车辆(UGV)和无人水面艇(USV)等无人平台为核心,集成环境感知、任务决策、作战执行与综合支援装备的复杂装备系统之系统(ESoS),其网络化与协同化特征日益凸显。在多任务协作背景下,这些异构装备单元通过深度协作形成多域互联的复杂网络系统。该系统不仅在物理层(装备实体)、通信层(信息传输)和任务指挥层(决策与调度)上呈现出多层耦合特性,还具备动态节点功能切换和实时任务需求调整等演化特征[[2], [3], [4]]。这种多层动态体系架构在提升任务执行效率的同时,也带来了新的脆弱性挑战:物理层节点故障、通信层链路干扰和任务指挥层调度延迟等局部扰动,可通过层内级联效应和层间耦合关系快速传播,导致系统整体任务能力退化。在此背景下,如何定量评估ESoS在受到故障、干扰或环境扰动时维持核心任务功能并从事件中快速恢复的能力,已成为ESoS韧性研究的关键问题。在ESoS建模领域,面向多元化任务场景的装备实体表现出显著的功能异构性和结构层级性,传统的一维建模方法难以满足其复杂协同需求。建模方法一般经历了从静态网络、多层耦合网络到超网络的逐步演进[2]。早期研究采用静态网络对系统之系统进行建模;然而,静态网络无法刻画ESoS的动态任务交互特征。为准确表征各类装备在任务执行中的功能差异,异构网络模型已成为主流建模方法。基于观察-定向-决策-行动(OODA)理论框架,Liu等人[5]将ESoS中的核心实体分为侦察、决策、打击和目标四类,明确界定了各类装备在任务过程中的角色。Yang等人[6]构建了针对ESoS特定性而设计的专用异构网络模型,通过指定节点功能类型和边交互规则,实现了系统结构与任务协同的集成表征。近年来,考虑到ESoS在任务执行中的层级协作特性,多层网络模型被广泛用于分析其复杂交互机制。Sun等人[7]采用多层网络架构对ESoS进行解构,系统地组织了包括指挥调度、环境感知、任务执行和目标适应等不同层级之间的功能边界和交互逻辑。Wang等人[1]进一步提出了无人ESoS的三层结构模型,将其分解为物理实体层、信息通信层和任务指挥层,有效应对了动态变化的任务基线所带来的建模挑战。随着物联网(IoT)技术深度融入ESoS,基于物联网的建模方法为提升系统表征精度提供了新的途径。Farooq和Zhu[8]针对战场物联网(IoBT)中通信设备的异构性,创新性地提出了一种异构多层网络建模方法。该方法不仅能够准确描述不同类型设备之间的通信链路,还能量化任务信息的传播路径和交互效率,从而为ESoS在物联网环境下的任务协同优化提供模型支撑。然而,现有的异构网络和多层网络模型在仅捕捉成对节点交互方面存在固有局限,无法描述异构装备的跨域协同耦合关系,且忽略了作战任务的时空动态演化。相比之下,超网络模型通过超边连接多个节点,克服了上述缺陷。它能够精细描绘ESoS的时空异构性、多级关联性和动态作战链路,是复杂动态装备系统之系统的高级且适用的建模方法。在ESoS性能评估领域,韧性作为评估系统在扰动、故障或攻击下维持功能并快速恢复能力的核心方法学,已成为保障ESoS任务有效性、提升作战效能和改善系统生存力的关键研究方向。韧性评估体系总体呈现出从传统的单阶段故障损害评估和静态拓扑鲁棒性分析向多阶段全时序演化评估和多维综合量化表征的演进趋势[9]。目前,韧性评估方法已在生态科学、工程材料和学等领域得到广泛应用[[10], [11], [12], [13]]。然而,在军事领域,由于作战的多维性、环境的复杂性和信息获取能力的有限性,使用"表征"一词来描述ESoS的韧性属性更为恰当。现有的ESoS量化韧性表征方法大致可分为两类:基于网络性能的表征和基于网络结构的表征。在基于网络性能的方法方面,Xu等人[3]开发了基于作战网络性能分析的韧性表征指标,利用性能积分比综合衡量ESoS在受到打击或干扰影响阶段的平均累积性能。类似地,Wang等人[14]提出了基于网络性能指标的综合动态韧性表征框架。在基于网络结构的方法方面,Zhang等人[15]运用平均场理论和谱图论等数学工具,将复杂的相互作用N维系统简化为更易处理的单维系统,从而对其韧性进行解析估计。值得注意的是,随着作战系统日益复杂,传统的单层网络分析已不足以完全捕捉这些系统的韧性特征,涉及多层和多类型的复杂网络结构已成为研究焦点[16]。Grossman等人[17]基于复杂网络拓扑,研究了复杂网络顶部动态过程对损坏的响应,并提出了一种基于信息流的韧性表征方法。Duan等人[18]针对多层网络,将高维系统转化为融入全局变量和层结构变量的低维有效系统,从而实现了对原始系统基本特征和动态变化的准确捕捉。总体而言,大多数现有韧性评估方法侧重于单一生存力维度,缺乏对覆盖"防护-退化-恢复-适应"全过程动态韧性的精细化表征,难以全面反映ESoS在扰动前后的全周期演化规律。在ESoS性能增强方面,现有针对任务执行期间扰动响应和功能优化的研究可分为两部分:算法驱动的重构和关键节点的针对性优化。在优化算法赋能系统重构领域,当前研究聚焦于动态环境中的自适应调整策略。Sun等人[19]直接面向任务环境的高不确定性,创新性地从深度强化学习角度切入网络恢复问题,构建了无人ESoS韧性增强框架,通过智能体自主学习最优恢复策略,实现扰动后的快速功能恢复。Nafiesh等人[20]通过设计基于网络性能退化全周期特征——即预警、退化和恢复——的三级渐进优化方案,克服了单阶段优化的局限,有效增强了双层相互依赖网络的抗扰动能力和自愈能力。Feng等人[21]提出了一种增强的鸽群优化算法,以应对多无人机编队的协同韧性优化需求,通过模拟鸽群导航和觅食的群体智能,高效求解编队重构的最优配置。Li等人[22]考虑了不同链路间的资源消耗差异,提出了SoS-Restorer方法,利用深度强化学习精确搜索无人作战系统的最优重构路径,在控制成本的同时最大化系统功能恢复效率。在关键节点识别和针对性优化领域,研究聚焦于识别系统内的核心功能载体。基于中心性的分析方法由于其操作便捷和结果可解释性的优势,长期占据学术界的中心地位并获得了广泛认可[23,24]。Liu等人[25]提出了作战链中心性(OCC)指标,通过量化节点在不同作战链中的功能贡献和不可替代性,准确区分不同节点的重要性等级。Fan等人[26]提出了一种基于深度强化学习的关键节点识别方法,构建了智能体与网络环境之间的交互模型,使模型通过持续探索学习判定节点重要性的规则,从而克服了传统方法依赖人工特征设计的局限。在此基础上,负载均衡和级联故障抑制已成为军事ESoS韧性优化的核心技术手段[41]。目前相关研究主要聚焦于故障后的网络重构和关键节点保护,以缓解局部系统过载。然而,大多数现有方法未能主动调控动态任务波动下不均匀的节点负载分布,导致对级联故障迭代链式传播的抑制效果有限。尽管现有研究在ESoS建模和韧性优化领域取得了显著进展,但仍存在两个核心局限。第一,传统建模方法大多局限于静态网络架构或单一维度交互关系,难以准确捕捉ESoS任务执行过程中节点状态和协同关系的动态演化,以及空间布局对交互效率的约束效应[[27], [28], [29]]。第二,传统韧性研究大多聚焦于增强网络拓扑鲁棒性或设计功能冗余,而忽视了现实场景中因资源分配不均和任务调度失衡导致的节点过载问题——这些问题往往是系统级级联故障的关键诱因[[30], [31], [32]]。韧性概念在基础设施系统领域已得到广泛研究。Bruneau等人提出的韧性三角提供了一个基础量化框架——通过刻画破坏性事件后系统功能下降与恢复的轨迹,将韧性直观地定义为系统性能累积损失;三角面积越小,性能损失越小、恢复越快,表明韧性越高[36]。该概念进一步发展为韧性曲线方法,跟踪系统在事件前、事件中和事件后各阶段的性能动态,为韧性量化提供了更具普适性的分析工具,已被广泛应用于评估各类城市关键基础设施系统的灾害响应与恢复能力[[37], [38], [39], [40]]。本文提出的防护、退化、恢复和适应四阶段韧性表征框架,与经典韧性曲线框架具有清晰的映射关系:防护对应事件前的准备与抗扰;退化对应事件中的响应与吸收;恢复对应事件后的恢复与反弹;适应则超越了传统韧性曲线,捕捉了系统在新的均衡状态下可能发生的再配置与增强能力——这一阶段在经典韧性三角模型中往往被忽略。在此基础上,本文旨在动态负载分布条件下优化ESoS韧性,提出一种融合空间特征的多维韧性表征与优化方法。为弥补上述不足,本文旨在实现动态负载分配条件下ESoS韧性的精准表征,提出一种融合空间特征的ESoS多维韧性表征与优化方法。具体贡献如下:(1)构建了一种时空特征感知的ESoS超网络模型。通过划分重叠的作战空间域并嵌入时间维度动态更新节点和边的属性,该模型有效捕捉了ESoS的异构性、层级性和时空动态演化特征,为韧性评估提供了贴近场景的建模基础。(2)提出了一种多阶段、多维度的韧性表征框架。
基于完整的预防-退化-恢复作战流程,设计了预警因子、抵抗因子和恢复因子等关键指标,并引入负载均衡校正项,实现了对ESoS适应性、抵抗性和可恢复性的多维度定量评估。(3) 设计了一个完整的韧性优化框架,涵盖空间域划分、动态负载均衡和优化算法求解。通过域内优先、跨域协调和支持恢复的三级响应策略,实现资源的动态分配。采用基于韧性重要性的改进鲸鱼优化算法求解负载均衡问题,显著降低了由节点过载引起的级联故障风险,增强了ESoS在复杂干扰下的韧性。
本文其余部分组织如下:第2节构建了时空特征感知的ESoS超网络模型。第3节建立了包含动态负载均衡机制的多阶段、多维度韧性表征框架。第4节提出了基于空间域划分的动态负载均衡策略和韧性优化算法。第5节进行了案例研究与分析。第6节总结了全文并概述了未来的研究方向。
章节摘要
ESoS建模
ESoS的任务执行过程可以通过OODA理论进行解释,该理论形成了以观察、判断、决策和行动为中心的持续迭代闭环循环。设备节点可以根据其作战功能分为五种基本类型:侦察、决策、打击、支援和目标。在实际任务执行中,ESoS中的各种设备节点必须适应多种作战任务需求,展现出两种典型特征。
ESoS的多阶段和多维度韧性表征
在复杂的战场环境中,ESoS面临的干扰(如敌方干扰、设备故障和突发环境变化)具有随机性、突发性和多源性的特点。它们的发生时间、强度和影响范围没有固定模式,使得传统的确定性指标不足以准确捕捉真实的战场条件。基于构建的ESoS超网络模型和动态演化机制。
考虑动态负载均衡机制的韧性优化
在作战过程中,ESoS的作战效能不仅取决于时间上的协同,还取决于空间布局和职能冗余。基于此,本文提出了一种考虑空间特征的ESoS动态演化机制。通过建立空间约束和功能备份机制,实现ESoS的动态重构和负载均衡。
案例研究
为了全面验证所提出的考虑空间特征、动态负载均衡和改进鲸鱼优化算法的ESoS多维度韧性表征与优化方法的有效性,并克服单一场景规模仿真的局限性,本节构建了小、中、大规模三种梯度ESoS仿真场景,以模拟真实战场的多层次作战需求。
结论与未来工作
本文系统地研究了考虑动态负载均衡的设备系统之系统(ESoS)的多维度韧性表征与优化,旨在解决动态任务环境中由于资源分配不均和任务调度不平衡引起的节点过载和级联故障问题。主要贡献和结论如下:
(1) 在建模层面,构建了一个融合空间域划分的ESoS超网络模型。
CRediT作者贡献声明
董兴辉:写作——审阅与编辑,写作——原稿撰写,可视化,方法论。徐仁杰:写作——审阅与编辑,写作——原稿撰写,监督,方法论,资金获取。李继超:写作——审阅与编辑,验证,监督,方法论,资金获取,正式分析。付宇德:写作——审阅与编辑,可视化,监督,方法论,正式分析。杜红艳:写作——审阅与编辑,可视化,监督,方法论。
董兴辉|徐仁杰|李继超|付宇德|杜红艳|杨科伟
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号