下载掌阅APP，畅读海量书库
立即打开
系统工程已经发展到实用阶段，数字工程是基于模型系统工程（MBSE）的未来之路。知识计算引擎是知识计算硬核所在，也是“系统工程”与“数字工程”的技术结合部。“知识驱动计算，计算赋能评估，评估服务决策”。因此，知识计算引擎MBSE在数字化时代具有广泛的应用前景。
预实践理念的核心内涵是仅靠仿真不足以解决博弈型复杂决策问题。只有把仿真系统作为数据源，综合运用仿真、大数据、人工智能、数字孪生、区块链乃至正在兴起的元宇宙等先进数字技术，在数字平台上开展超前于竞争对手的预实践活动，才能解决适变环境下的决策等当前面临的一系列重大复杂问题。可以说，预实践是“实践论”思想在数字化时代的创新体现，也是当代数字化转型的重要趋势和必然要求。
在上述预实践的核心内涵中，也蕴含了仿真与预实践之间的关系，即预实践是一种面向决策问题的、基于仿真的数字化综合集成技术。也可以说，预实践是一种糅合了仿真哲学的特殊的实践方式。预实践既要向过往成功的实践案例学习，也要向仿真系统学习，还要向许多其他类型的有借鉴价值的推演型应用系统学习。正因为要以大量的“基于学习的活动”为其必备的厚实基础，预实践才具有独特的、不易具备的特殊价值和特有的创新魅力。
本章紧扣“双程合一”（数字工程和系统工程）数字化转型趋势，研究知识计算引擎技术，旨在为预实践评估提供强力支撑。
睿德团队主要负责建设具有自主首创意义的知识计算预实践工场，该工场由3个部分构成，具体如下：
（1）知识计算引擎专用组件。它又称为“架构桥”，含义是通往未来之桥，由“当前架构+能力谱组件+未来架构”组成，可以形象地表示为连接当前与未来的桥梁。
（2）睿德知识计算通用平台。知识计算通用平台是由睿德团队提出的一种系统工程方法，是在复杂适变决策问题的系统科学定义和求解理论基础上，面向某一实际决策领域和决策产品需求，研究该类问题的具体求解过程及其实现方法，通常包括流程、架构、模型、算法等。
（3）战略预实践评估演练环境。评估是把握内在规律、找出存在问题、优化决策方案、调整措施方法、优化资源配置、提升质量效益的重要手段。要深刻认识评估对决策的辅助支持和质量提升作用，并建立科学可行、讲求实效的评估标准和评估方法，切实做到凡重大决策必先行评估，凡重大项目必先评后验，先验效用评估与后验绩效评估相结合，以及事先、事中和事后评估相结合。
战略预实践评估演练环境由任务导调系统、任务计算系统、任务编程系统及任务仿真系统构成，如图3.1所示。任务导调系统由战略任务、体系任务和集群任务3层构成，每层任务包括任务触发点和任务执行周期两个要素。任务计算系统的功能是实施知识计算，生成规划方案，从高层到低层可分为战略任务知识计算引擎、体系任务知识计算引擎及作业任务知识计算引擎，任务计算系统从高层到底层是一个自顶向下预实践的过程。任务编程系统的功能是下达演练任务，发挥组织作用，调用仿真系统，上传评估结果，从高层到底层可分为战略任务流程编制单元、体系任务流程编制单元及作业任务流程编制单元。任务仿真系统的功能是执行过程仿真和效果评估，其中，战略层包括复杂组织战略使命仿真、能态演化系统动力学仿真、建设发展兵棋推演仿真；体系层包括体系链网仿真挖掘建模、多智能体体系对抗仿真、多域作战体系仿真优化；作业层包括作战平台智能交战仿真、无人集群异构重组仿真、集群杀伤链交战管理仿真和集群杀伤链智能适变仿真，任务仿真系统从作业层到战略层是一个自底向上的预评估过程。任务计算系统向任务编程系统输出任务清单，任务编程系统的输入是任务清单，输出是任务流程，任务仿真系统根据任务流程执行过程仿真并评估仿真效果。战略预实践评估演练环境的功能架构见表3.1。
图3.1 战略预实践评估演练环境
表3.1 战略预实践评估演练环境的功能架构
续表
任务计算系统的关键技术是复杂任务知识计算技术，其技术创新方向包括战略任务知识计算、体系任务知识计算、集群任务知识计算。任务编程系统的关键技术是复杂组织任务流程MBSE技术，其技术创新方向包括战略管理流程MBSE、体系作业流程MBSE、集群作业流程MBSE。任务仿真系统的关键技术是复杂任务智能仿真技术，其技术创新方向包括基于能态架构仓、基于体系智联网、基于集群智能池。
睿德团队引领建设以知识计算为核心技术支撑的战略管理工程学科。战略管理工程是以5项工程为分支、4项技术为支撑、10种方法为主要内容的特殊门类的管理工程。战略管理数字决策工程是以知识计算为核心技术，以预实践评估为典型应用场景的战略管理工程领域，也是战略管理工程与数字工程的一种结合方式。评估既是决策优化的中继器，也是决策的驱动器，即用评估分析前期决策实施效果，通过评估促进后续进一步的决策优化。后边章节介绍的10种方法是作者从睿德研究成果中选取的既符合战略管理工程范畴，又可以用于预实践评估的代表性方法。
学术界和工业界都对知识计算进行了深入的研究。2019年9月24日，在“华为全联接大会”上，华为云发布基于AI开发平台ModelArts打造的“全生命周期知识计算解决方案”。简单理解，知识计算是把各种形态的知识，通过一系列AI技术进行抽取、表达并协同大量数据进行计算，进而产生更为精准的算法模型。华为云的知识计算解决方案主要有四大模块—知识获取、知识建模、知识管理、知识应用，企业可以基于该解决方案打造自己的知识计算平台，目前多用于研发、生产、运营、销售、售后服务等企业核心流程，已在石油、汽车、医疗、化纤、钢铁、交通等行业率先实践。
2022年5月31日，由中国人工智能产业发展联盟和华为云计算技术有限公司主办、中国信息通信研究院云计算与大数据研究所和人工智能关键技术和应用评测工业和信息化部重点实验室承办的《知识计算白皮书》发布会顺利召开。知识计算研究各种知识表达、学习，并将各类知识转化为可计算的模型，协同数据联合建模，面向行业提供知识应用全生命周期解决方案。知识计算充分发挥知识价值，有效助力人工智能认知、决策和学习，为产业网络化、数字化、智能化的转型提供有力支撑。《知识计算白皮书》从多维度、多角度、多层次剖析了知识在企业从数字化到智能化的过程中发挥的重要作用，综合阐述并客观分析了知识计算从知识层、模型层、算子层到行业应用的框架体系，通过能源、工业、医疗、政务、金融等行业的知识计算应用案例阐释知识计算为产业、行业、企业带来的价值，描绘了未来知识计算在技术、产业、标准、生态等方面的发展愿景。
2021年4月28日，浙江大学召开OpenKS（知目）知识计算引擎开源项目发布会，宣布其与合作单位研发的知识计算引擎OpenKS取得重大进展。OpenKS基于百度飞桨平台，可实现模型的大规模分布式训练与图计算，解决了从数据到知识，从知识到决策的三大问题。OpenKS集成了大量算法和解决方案，可以提供一系列知识学习与计算的多层级接口标准，以供各机构研发人员按统一的形式进行算法模型研究成果的封装、集成与服务，并通过开源机制支持企业和社区开发者根据不同的场景需求对接口服务进行调用和进一步开发。各行业可以选择引擎中的算法，快速搭建行业系统应用，以应对多变的决策需求。当行业与需求发生变化时，还能够及时地提供算力、算法支撑，以缩短行业智能化改造的时间。
睿德团队的研究主题是多组合战略选择（Multiplex Strategic Portfolio Selection and Optimization，MSPSO），主要包括3方面：通用战略分析方法（SWOT分析）、组合决策优化方法（Portfolio Selection and Optimization）及国防战略选择推演方法（Alternative Defense Strategy Exercise），下面分别进行介绍。
1.通用战略分析方法
SWOT分析是一种用来确定企业自身的竞争优势（Strength）、竞争劣势（Weakness）、机会（Opportunity）和威胁（Threat），从而将企业的战略与企业的内部资源、外部环境有机结合的分析工具。它可以帮助企业确定自己的资源优势和不足，了解面临的机会和挑战，对于制定公司未来的发展战略具有至关重要的意义。SWOT分析首先定义项目或业务活动的战略目标，并确定对实现该目标至关重要的内部和外部因素。优势和劣势定义了企业内部环境因素，机会和威胁定义了企业外部环境因素。战略矩阵是将内部要素与外部环境结合分析的工具，通过将优势、劣势与机会、威胁对应进行分割，可得出企业应对环境变化的4种不同类型的战略组合，分别是SO战略、WO战略、ST战略和WT战略，见表3.2。
表3.2 SWOT分析的战略组合
2.组合决策优化方法
组合决策优化系统是预实践方案的求解器，用于开展方案组合的优化推演，并支持项目的决策优化。
1）认知演化驱动的仿真优化模型
本章将模拟人类认知过程的模型称为认知模型，为了将以创造性思维为基础的问题求解的认知行为算法化，在充分反映创造性思维的特征的前提下，对这类认知行为的基本流程进行建模。认知是指人们获得知识或应用知识的过程，又或是信息加工的过程。是指对外界事物的认知过程，即对作用于人的感觉器官的外界事物进行信息加工的过程，包括感觉、知觉、记忆、想象、思维和语言等。创造性思维是指以新异、独创的方式解决问题的思维。创造性思维是人类独有的高级心理活动过程，人类所创造的成果，就是创造性思维的外化与物化。创造性思维是在一般思维基础上发展起来的，它是以新的方式解决问题的思维活动，强调开拓性和突破性，在解决问题时带有鲜明的主动性。针对基于创造性思维的问题求解过程中各认知行为的关系，提出基于创造性思维的认知演化模型，如图3.2所示。
图3.2 基于创造性思维的认知演化模型
具体而言，认知演化驱动的仿真优化模型如图3.3所示，包括5个环节：项目组合优化模型、仿真（路径功效协同仿真）、仿真数据挖掘、效益知识模型、认知演化计算引擎。
图3.3 认知演化驱动的仿真优化模型
（1）项目组合优化模型：对认知演化计算提供的方案进行组合与优化。该模型旨在满足各类现实约束的前提下，从给定的备选方案中挑选合适的项目组合，以实现效用最大化。它的两个重要因素是约束条件和目标函数。由于存在不同的决策偏好和需求，项目组合选择问题在不同环境下也表现出不同的目标，最常见的是收益最大化和风险最小化。约束条件可以简单归纳为五类约束，包括资源约束、时间约束、需求约束、项目相互关系约束及其他相关约束。项目组合优化模型可根据目标函数的个数分为单目标组合优化模型和多目标组合优化模型。
（2）路径功效协同仿真：在仿真运行阶段主要将方案构建阶段得到的方案作为输入，进行仿真实验，并产生仿真数据，供知识挖掘阶段使用。路径功效协同仿真在虚拟的对抗条件下产生数据，供评估分析模块进行作战效能评估，以及进行数据挖掘形成知识。效能仿真又分为全体系对抗仿真和基于概率规则元模型的行动仿真两类仿真，这两类仿真都属于构造仿真的范畴，构造仿真与虚拟仿真和实拟仿真（也称实况仿真）相对，是一种回路中不含人和实物的仿真。
（3）仿真数据挖掘。评估和知识挖掘阶段的工作主要有两项，一是判断当前通过演化得到的方案是否满足需求，如果满足则将其进行记录；二是使用数据挖掘工具结合仿真数据和专家知识进行知识挖掘，并将得到的知识存入知识库，供构建方案时使用；如果方案已能满足需求，则将其作为最终方案。
（4）功效知识模型：采用贝叶斯网络理论的方式对功效知识进行表达。从实现的角度看，知识模型具备易用性；从表达能力的角度看，知识模型应当易理解、具备一定的柔性，以及可对复杂的关联关系和不确定性进行表达；知识模型必须能够通过样本学习建立，并且能够融合专家知识。贝叶斯网络以概率论和图论为基础，结点表示随机变量，结点间的有向边表示变量之间的因果关系，变量之间的影响程度通过网络中依附在父、子结点对上的条件概率来表示。贝叶斯网络理论尤其适合描述应用领域内的非线性关系和由随机现象引起的不确定性，它具有强大的知识表达能力和概率推理能力。
（5）认知演化计算引擎：在方案构建阶段利用评估案例库构建战略决策调控方案。在不同的案例背景下，所能构建的方案优劣各不相同。在极端条件下，如果尚未获取任何额外知识，则只能依靠专家经验进行方案构建，所构建的方案或方案集合称为初始方案，初始方案是整个演化的源头。初始方案不一定是较优的方案，甚至可能是较差的方案，虽然该引擎对初始方案的优劣并没有要求，但是初始方案可能对演化时间造成影响。随着知识的逐渐丰富，构建方案所能使用的信息越来越多，构建得到的方案也会越来越好。
2）基于作战净评估的兵力层方案组合优化
作战净评估（Operation Net Assessment，ONA）利用多种信息源从战略层建立对手、环境和己方的体系数字画像。每个体系的作战过程可以抽象为ENAR链，即为了达到预定效果（Effect），体系节点（Node）将采取设定的行动（Action），同时消耗一定的资源（Resource）。效果是由于军事或非军事行动或一系列行动而导致的系统的物理和/或行为状态；节点是作为系统的基本组件或结合点的人、地点或物理事物；行动是针对特定节点的活动；资源是针对特定节点所提供的外交、情报、军事、经济资源；链路是效果、节点、行动和执行动作的资源之间的关系。基于静态博弈的思路开展敌我ENAR链对抗分析，设定推演规则、博弈规则、致胜规则，最终确定敌我双方的获胜率。
3）基于能力三角形的能力层方案组合优化
通过对装备体系的投资组合，评估不同装备体系形成的能力链路对解决关键能力问题的贡献。每个体系都具备能力，通过杀伤链将体系串联在一起，形成联合作战能力。杀伤链由节点和边组成，节点表示具备某种能力的体系，边表示体系之间的关系。在这里，体系是装备系统和非装备系统的有机组合，其核心要素是任务、装备系统和指挥控制结构。能力用于衡量体系完成使命任务可能性的程度。
具体而言，所有系统都具有一定功能，通过指挥控制结构相互连接的装备系统具备完成特定使命的能力。装备体系架构只考虑了装备体系的核心要素，因此，根据该架构进行原型化的装备体系的能力具有不确定性。能力三角形由3方面组成：
（1）任务网络。它是由任务节点组成的网络，任务节点是指系统所执行的活动，它是对使命的分解。
（2）系统网络。它是由系统组成的网络，系统具有某些功能，完成任务需要这些功能。
（3）指挥控制网络。它是由指挥控制节点组成的网络，指挥控制节点是指用于处理信息、组织管理、决策计划、控制反馈等活动的逻辑节点。
上述3类网络可组合形成不同的体系，不同的体系又具备不同的能力。
4）基于功能依赖网络的装备层方案组合优化
通过对装备系统的投资组合来评估体系的能力，而装备系统之间往往存在依赖关系，从而形成功能上相互依赖的网络。功能依赖网络包括节点类型、依赖关系、性能水平、依赖强度及依赖关键度等。整个功能依赖网络由一系列节点及其相互依赖关系组成。
节点包括体系中的系统节点和能力节点两类。系统节点可以是硬件系统、装备系统等，能力节点则是为了达成目标所需的能力。例如一个由监测卫星、侦察机、指挥控制中心、导弹基地组成的防空体系，若用功能依赖网络描述其组件，则系统节点包括监测卫星、侦察机节点、指挥控制节点、导弹节点等；能力节点包括为了完成防空目标所需的基本能力，如侦察探测能力、交战毁伤能力等。
依赖关系是存在于两个节点之间的一种状态或条件，表示一个节点的操作运行在某种程度上依赖于另一个节点的运行。依赖关系可以存在于系统节点之间或能力节点之间，也可以存在于系统节点和能力节点之间。例如某无人作战体系，无人机、预警机、装甲部队、导弹等系统节点依赖于卫星导航系统为其提供授时和定位服务；侦察探测能力依赖于侦察卫星、无人机和预警机的性能水平，而交战毁伤能力的发挥不仅依赖于装甲部队和导弹系统节点的性能，还依赖于指挥协调能力节点。
一对由节点 N i 和 N j 组成的依赖关系可以用三元组表示，即 D ij =｛ N i ， N j ，PR ij ｝。其中， N i 为提供节点或被依赖节点， N j 为接受节点或依赖节点，PR ij 是用来描述依赖关系强度的参数集合。若某节点仅有一个直接提供者，则称该节点具有单依赖关系，该节点就是单依赖关系节点；若某节点有两个以上的直接提供者，则称该节点具有多依赖关系，该节点就是多依赖关系节点。对于多依赖关系节点 N j ，它的所有依赖关系指的是 N j 与其所有提供节点组成的依赖关系。
5）基于SCMILE的项目层方案组合优化
SCMILE有六方面的功能：①感知功能（Sense），负责提供有关战场的数据。②指挥控制功能（Command and Control），负责分析战场信息，并提供决策、计划和指示等信息。③机动功能（Mobile），负责可移动装备的移动和运输。④通信功能（Information），负责提供信息存储、处理和传播的基础设施和运行流程。⑤后勤功能（Logistic），负责提供物资材料，以保障正常运行。⑥作战功能（Engagement），负责提供诱骗、干扰、打击等功能。通过投资项目提高这些功能水平，项目属性包括投入投量、预期绩效、配套保障、建设要求的基本属性。采用某种函数关系表示投入投量、预期绩效、配套保障、建设要求等基本属性与功能提高的关系。
建设方案综合研判是基于定性与定量相结合的集体智慧决策形式。在围绕规划建设方案决策方面，项目需求测算与过程推演提供了较好的定量测算评估结果，项目投资组合分析从效费比最优化角度给出了规划项目组合结果，即提供了建设方案雏形。基于此，方案综合研判需要从战略目标、杀伤链建设角度对建设方案进行总体优化与决策。
3.国防战略选择推演方法
战略选择演习由战略与预算中心（CSBA）于2012年首次提出并开展了第一次实践，其诞生的原因是2011年美国国会通过的《预算控制法案》，按计划该法案于2013年1月2日生效。但CSBA认为，无论该法案是否生效，美国国防部未来十年都可能面临资金紧张的问题，美军并没有无限的资源。虽然国防开支总体水平很重要，但鉴于国防部不断变化的优先事项和不断演变的威胁环境，国防资源的分配方式更加重要。相关内容在第20章有详细介绍，此处不再赘述。
4.任务场景设置
睿德任务场景被称为“反干预战略选择”战略预实践评估演练，由“反干预战略选择”任务场景模拟器、知识计算流程模拟器、“反干预战略选择”战略预实践评估演练环境3个部分构成。
反干预战略选择演练是一种新型的复杂概念技术融合演练。
（1）采用复杂概念激励。例如“灰区”，2021年4月19日，兰德公司发布了报告《灰区侵略的威慑评估框架》（ What Deters and Why：Applying a Framework to Assess Deterrence of Gray Zone Aggression ）。该报告评估了美国及其盟友目前对灰区侵略的威慑态势，并评估了相应的应对策略。
①灰区威慑的评估框架：何为有效威慑，灰区行动的8个特征，应对高端灰区攻击的8个标准框架。
②针对特定对象的灰区威慑具体案例分析。
③对美国陆军的6项建议：加强区域存在感，明确共同声明，设立专门援助部队，派遣特种部队，加强情报工作，整合多种工具与资源（如在美国陆军内部设立“灰区融合中心”处理专门事宜）。
（2）从“项目融合演习”转变为“技术融合演练”。项目融合（Project Convergence）是陆军的学习、实验和示范活动，旨在将陆军的武器系统和指挥控制系统与联合部队的其他武器系统积极整合，从而提高陆军在陆地、空中、海洋、太空和网络领域的作战能力，确保陆军在应对国家安全新挑战方面保持领先地位。项目融合的灵感源于美国陆军六大现代化优先事项中的下一代战斗车辆现代化装备，试图实现将自动目标识别与未来战斗车辆相结合。“项目融合”围绕5个核心要素：人员、武器系统、指挥与控制、情报、地形，被认为“是在旅级及以下进行战术边界学习和建立人工智能基础架构的基础”。作战部队可以结合武器数据交换以更快地制定决策，提供当前可用的AI和网络杀伤力以支持需求开发，并保证各种武器组合开发同步进行。项目融合演习作为一项军事活动，通过虚实结合的方式探索未来军事概念，进行部队和装备的升级换代。项目融合是作战组织与作战流程在更高层次上的重组。
①人员：军队的根本基础，要以合适的岗位职能、合适的技能定位和培训来招募合适的人员，以期完成未来战场的复杂任务。
②武器系统：作战资源现代化将提供士兵所需的武器系统，从而在致命和有效方面保持世界领先水平。
③指挥与控制：在更快节奏和更复杂的环境下，拥有正确的指挥与控制系统，包括集成战术网络、司令部计算环境，以及集成的防空和导弹防御作战指挥系统。
④情报：开发合适的数据支持器，通过人工智能和机器学习增强融合效能，帮助陆军在感知单元和毁伤单元之间实现最佳匹配。
⑤地形：在正确的地域配置正确的武器。
睿德团体要想从“项目融合演习”深入到“技术融合演练”，就需要进一步提升其内涵，明确其定义。
（3）引入臭鼬型“预实践工场”协同创新模式。臭鼬工厂以企业化的经营与独特的管理方式，带领一群专业工程师研发出美国国防科技中最先进的武器产品，更以迅速、有效的成本控制闻名于世。从最初的简陋仓库式办公室、少数工程师、薄弱的型号项目基础，到主导美国先进技术研发的高效率创新团队，臭鼬工厂在短短的几十年间成功完成了多级跳，并保持着旺盛的发展势头，这与其独特而先进的管理理念和方法密切相关。这些被人们归纳总结为“臭鼬管理法”的法则，不仅在航空航天领域，也在工业、商业等众多领域的企业管理中发挥了不小的作用。在这种组织创新模式的催生下，施乐的Polo Alto实验室、美国AT＆T的贝尔实验室、“曼哈顿计划”、IBM的“国际象棋项目”、BMW的“i项目”等如雨后春笋般崛起，这些都是商业化臭鼬工厂的典型代表。睿德知识计算预实践工场的新模式就是要引入臭鼬型“预实践工场”协同创新模式，开创性地利用“政府+大学+创投+企业”的形式，提升预实践工场的活力和创新能力。
反干预战略选择演练以一种新型战略选择演练概念模型为指导，如图3.4所示，面向高层、中层、基层用户，可以分别开展高层、中层、基层演练。高层演练的核心是战略选择驱动引擎，它对高层用户输出导航仪产品，可供高层用户使用，战略选择驱动引擎生成的路线图和体系网产品可以对体系快速原型进行引导，生成的异构多集群体系可以进行中层演练，异构多集群体系对中层用户可以输出前置体系智能，如体系组网、适变和贡献率等。战略选择驱动引擎生成的行动表和项目方案可以对异构多集群体系输出的体系网络合约进行引导，生成的异构可重构集群可以进行基层演练，异构可重构集群对基层用户输出前置集群智能，如智能组件、数字孪生、算法预制件等。基层演练的结果可以向上反馈至中层演练，中层演练的结果可以向上反馈至高层演练，从而形成一个高层引导低层，低层反馈高层的闭环。
图3.4 反干预战略选择演练框架
因此，反干预战略选择演练需要一种新型“管理流程MBSE”为支撑。睿德团队的研究重点为基于架构的流程管理MBSE，它可分为3层：战略管理流程SMP/MBSE、任务管理流程MMP/MBSE、作业管理流程OMP/MBSE。其中，战略管理流程SMP/MBSE遵循知识计算MBSE方法论，基于睿德团队提出的战略管理架构；任务管理流程MMP/MBSE遵循ABM/DANSE/MBSE方法论，基于JMT/MAMx的SoSAF架构；作业管理流程OMP/MBSE遵循ABMS/EC2/MBSE方法论，基于美国DoDAF等多个架构。
基于“战略选择演练”的睿德知识计算研究定位与技术作用可以概括如下：①开启行业智能化升级的全新路径；②人工智能与知识的结合，为行业AI落地提供了新思路；③对业务进行建模与求解，知识计算构建业务决策智能化引擎；④聚焦政务知识计算，可以开启政务服务新模式；⑤聚焦知识与AI的高效结合，推动人工智能向认知发展；⑥完善知识计算体系的构建，突破知识表达局限。
决策推演知识计算模型分为3层：战略选择知识计算方程、知识计算引擎流程驱动模型及知识计算引擎求解算法模型。
战略选择知识计算方程包括下述4个部分。
（1）状态转换方程：未来能态架构（能力态势架构）数据（ t 0 + t k ）= F （当前能态架构数据（ t 0 ），数据推导引擎DEg）。
（2）组件拼图方程：架构桥能力谱组件（ t 0 ， t k ）［ i ］= F i （当前能态架构数据（ t 0 ），未来能态架构数据（ t 0 + t k ），知识推导引擎KEg）， i =1，2，…，5。
（3）组合决策方程：｛能力组合（ t 0 ， t k ），项目方案（ t 0 ， t k ）｝ AI = F i （｛架构桥能力谱组件（ t 0 ， t k ）［ i ］， i =1，2，…，5｝，智能解算引擎IEg）。
（4）多方权衡方程：｛能力组合（ t 0 ， t k ），项目方案（ t 0 ， t k ）｝ MAN-AI = F i （｛能力组合（ t 0 ， t k ），项目方案（ t 0 ， t k ）｝ AI ，智慧解算引擎WEg）。
以上是九宫格演练1.0方案采用的知识计算方程。在目前论证的九宫格演练2.0方案中，是在第二个方程中一次性产出所有的构建雏形，并由后两个方程分别进行精制和定型，之后计划调整为在后3个知识计算方程中逐步均匀产生能力谱构件。调整后的3个方程分别产生的构件为｛路线图，计划表；体系网，投资方案；记分卡，导航仪｝。
该推演方程可以细化为系统工程矩阵模型，横向可以按系统工程名称、系统工程问题、系统工程方法、知识计算方法、计算输出产品划分；纵向可以按目标架构选择系统工程、绩效途径选择系统工程、组合配置选择系统工程、综合集成选择系统工程划分。更进一步，系统工程矩阵可以转换为4个知识计算引擎，分别是数据推导引擎、知识推导引擎、智能演算引擎、智慧演算引擎。
数据推导的概念内涵：以路线图、行动表等核心产品研制需求为牵引，针对未来战略能力态势架构目标要求，开展基于语义网络和数据分析的战略能态架构视图建模，采用语义描述、模型转换、解析分析、关联分析、指标解算等数据推导方法，对各类架构视图模型数据进行分析综合，形成语义和数据增强的当前及未来战略能态架构模型，为基于架构的战略规划评估决策提供基础数据信息和知识模型支持。
数据推导的核心是基于数据仓库和语义图谱的战略能力态势模型构建与推导，其研究内容主要如下：①基于多源数据融合的数据仓库构建；②战略能力态势架构建模框架与视图规范；③数据驱动的架构视图模型语义增强；④架构视图模型语义逻辑校验；⑤面向产品研制需求的架构视图关联分析推导；⑥架构视图模型解析分析与指标计算。
1.数据推导引擎体系的结构
数据推导引擎体系包括应用服务、引擎计算、模型算法、数据资源和基础设施5个层次，如图3.5所示。
图3.5 数据推导引擎体系的结构示意图
1）应用服务层
应用服务层主要涵盖了数据推导引擎为战略规划评估提供的各类服务，具体包括基础服务和专题服务两个层次。基础服务是由数据推导引擎提供的基本服务类型，这些服务面向特定问题可以组合为上层的专题服务。基础服务主要包括能态架构视图模型构建、能态架构语义数据增强、能力发展路径筹划、项目-体系关联匹配、体系快速原型架构设计、系统手段-体系方法贡献率推算、体系网络原型分析优化及战略能力预置导航推演等服务。专题服务面向战略规划中的典型问题提供专项服务。例如架构桥的构建问题，主要包括战略能态对比分析、当前能态架构建模推导、目标靶心数字画像推算及未来能态架构建模推导等服务。
2）引擎计算层
引擎计算层是引擎的核心部分，主要功能是根据应用服务面向的问题要求，调用相关数据、模型、算法，进行一系列架构建模和数据推导，并提供相应的产品和服务。引擎计算层分为配置管理和推导计算两个层次。配置管理主要是根据研究问题的需求做好引擎软硬件的配置和任务方案设置，并对相关流程、模型、数据、算法进行管理调用，最终支持结果的展示。推导计算是数据推导的核心执行逻辑和方法，主要包括架构建模、模型校验、语义推导、关联分析和指标计算等核心组件。
3）模型算法层
模型算法层主要负责驱动数据推导引擎的数据、语义和图谱增强的架构模型及其推导计算算法，包括模型和算法两方面。模型主要包括战略目的模型、系统手段模型、体系方法模型、建设项目模型、架构数据模型、语义网络模型及架构图谱模型。算法主要包括SWOT分析算法、CCI分析算法、OCL语法检测算法、语义匹配算法、OWL本体推理算法、链路预测算法、能力EMW推理算法及架构图谱推理算法。
4）数据资源层
数据资源指支撑模型构建、算法计算和引擎推导所需的各类数据、信息及专家知识经验等，具有文本、图像、数据库、语音等多种数据形式，需要采用数据仓库的方法进行融合处理。数据资源层具体包括镜鉴方战略能态数据、镜鉴方项目建设数据、红方战略目标数据、红方规划项目数据、红方能力领域数据、评估专家认知数据资源、规划评估案例数据、红方演习训练数据和红方仿真推演数据。
5）基础设施层
基础设施层主要提供数据推导引擎运行所需的软件/硬件环境，包括主机服务器、操作系统、网络设备、安全设备和算力云等组件。
2.数据推导引擎运行逻辑
数据推导引擎的运行逻辑如下：
（1）问题需求分析。根据用户下达给数据推导引擎的应用问题和服务请求进行需求分析，锚定问题重点，明确产品和服务的具体要求。
（2）任务方案设置。根据问题要求设置数据推导的任务方案，对任务所需的资源、主要功能要求、具体技术途径、目的产品形式进行总体设计。
（3）模型数据准备。根据任务方案收集数据信息，重用或者定制所需的基础模型和算法。
（4）初始运行配置。根据任务方案配置数据推导引擎的软硬件环境和模型资源接口，为引擎正常运行所需的计算能力、安全环境和模型资源提供服务。
（5）流程模板创建。按照数字化流水线要求，根据任务方案创建顶层流程，作为数据推导的基准过程模型。
（6）模型数据导入。按照推导流程要求导入相关的模型和数据，为建模和推导计算等响应功能提供支撑。
（7）架构视图建模。根据问题需求，建立战略能力态势架构相关视图模型。
（8）架构数据增强。根据具体问题需求对导入数据进行分析提炼，按照架构数据模型将处理后的数据关联到相应的视图模型中，实现架构数据增强。
（9）架构语义增强。根据具体问题需求，采用语义关联匹配等技术，按照架构语义模型将语义信息关联到相应的视图模型中，实现架构语义增强。
（10）架构图谱增强。根据具体问题需求，以架构语义模型为基础，将语义信息关联到相应的视图模型中，实现架构图谱增强。
（11）架构模型校验。针对架构增强模型，调用OCL语法检测和CCI分析相关算法开展语法检测和模型分析，对架构模型方案进行初步分析优化。
（12）架构语义推导。针对架构增强模型，调用语义匹配算法，对架构模型进行语义推导，并对架构模型方案进行初步分析优化。
（13）架构关联分析。针对架构增强模型，调用OWL本体推理算法、架构图谱推理算法等算法，分析架构视图之间的关联关系，支持项目-体系关系匹配、基于能力差距的发展路径筹划等应用功能。
（14）架构指标解算。针对架构增强模型，调用CCI分析算法、链路预测算法、能力EMW推理算法，对架构定量指标进行推导解算，以支持系统手段-体系方法贡献率推算、体系网络原型分析优化、战略能力预置导航推演等应用功能。
（15）结果分析展示。采用图表、动画等多种形式，展示用户关注的数据推导结果。
3.数据推导引擎的功能流程
数据推导引擎的核心功能之一是开展当前及未来的战略能力态势架构建模，两个架构之间的能力差距弥补是战略规划需要解决的核心问题。这里针对能态架构建模和架构桥问题需求，详细描述数据推导引擎的功能流程，具体包括当前能态多源数据获取、当前能态架构数据建模、目标图像数据刻画、未来能态架构数据建模4个部分，如图3.6所示。
图3.6 数据推导引擎总体框架
知识推导引擎负责实现组件模型预置、架构数据提取、组件知识填写和组件语义推理等功能。通过综合运用知识挖掘、知识图谱、语义推理等技术和方法，实现从结构化、非结构化数据到图谱，再从图谱生成杀伤链并集成到架构视图，通过多维关联语义化企业架构，围绕当前建设状态对能力规划方案进行推演和评估。知识推导引擎的计算过程如图3.7所示。
图3.7 知识推导引擎的计算过程
1.架构桥预铺组件知识库
架构桥预铺组件知识库是针对原始数据（主要是自然文本）的建库工具。原始数据来源包括领域知识文本/表单、规划路线图文本/表单和规划方案文本/表单等。领域知识文本/表单为组件模型提供术语库，规划路线图文本/表单为路线图组件和行动表组件提供数据来源，规划方案文本/表单为项目方案组件提供数据来源。
架构桥预铺组件知识库负责实现文本数据建库和领域知识本体构建两方面的功能。
2.组件模型预置
1）组件元模型
睿德团队通过通用战略分析、组合决策优化方法和国防战略选择推演方法，对反干预战略选择技术融合演练场景下的多组合战略选择问题进行研究。其核心是能态架构和能力谱组件模型，能力谱包括路线图、行动表、项目方案、体系网和导航仪5个组件，其中，路线图、行动表、项目方案、体系网作用于未来能力演化，导航仪则作用于战略方向。
构成能力谱5个组件的元模型包括核心元模型和扩展元模型。能力谱的核心元模型简介见表3.3。
表3.3 能力谱的核心元模型简介
2）模型视图
（1）路线图组件视图。路线图组件视图的生成流程如图3.8所示，1号引擎提供“四制SWOT”状态分布，包括当前靶心析取、靶心定位分析、目标靶心刻画，借助SWOT分析对内、外部环境进行分析，明确目标和战略航向绩效，从而得出路线图。路线图组件的核心元模型包括能力、资源、组织单元、行动方案、技术服务和环境。
（2）行动表组件视图。行动表组件视图根据实践层次可分为技术层面、项目层面及能力层面。其中，技术层面行动表通过能力在某个时间可提供的服务来描述，即能力-服务-进度的关系，体现为单项能力随时间的发展；项目层面是能力与项目/系统的对应，以某个项目/系统在什么时间可以达成相应的能力来体现项目的实施进展，即能力-项目/系统-进度的关系；能力层面行动表通过SCMILE能力包-项目/系统-进度的关系形成体系作战能力。行动表组件的核心元模型包括能力、项目里程碑、项目、状态及技术服务。
图3.8 路线图组件视图的生成流程
（3）项目方案组件视图。项目方案组件体现能力与项目群之间的关联，它是一个将实际项目与其交付能力相关联的矩阵。战略能力是军队在履行战略任务时所表现出的能力，而项目、项目群包含众多建设项目且项目目标都围绕项目群总体目标要求，是一种达成战略能力的手段。研究项目群目标并不是简单地将各支撑项目目标进行汇总，而应在把握项目群总体发展目标的基础上，以总体目标为指导牵引，吸收综合各项目目标，从而形成项目群目标体系。从层次结构上来说，各层级项目群发展目标也应具有结构上的包容性和逻辑上的递进性。建设项目的战略发展目标是整个项目群纲领性发展方向规划，战略目标所涉及的领域范围及所提出的能力指标要求是所属全部重点建设内容发展目标的框架，各重点建设内容发展目标要在项目群战略目标指导下设定。重点建设内容发展目标同样应作为其所有支撑建设项目目标的范畴和边界，从而在整个重大工程项目群中形成重大工程项目战略发展目标到重点建设内容发展目标，再到支撑建设项目目标的完备目标体系架构。
项目方案分析结合SWOT环境分析结论和研究成果，挖掘项目群与路线图能力指标之间的关联关系，探索项目群之间的项目组合。项目方案视图在编制过程中应以能力指标要求下的项目、项目群为规划管理核心，对项目规划、实施、完成等阶段涉及的重点建设要素进行精准管控，并绘制科学完整的项目方案视图。项目方案组件的核心元模型包括项目服务、项目、项目组合及技术服务。
（4）体系网组件视图。相比于能力层面的SCMILE能力包-项目/系统-进度的关系，体系网增加了组织/执行者-角色-活动-信息的关系。体系网组件的核心元模型包括参与者、角色、价值流、行动、功能、数据实体、应用组件、服务、信息系统服务、技术服务、技术组件、项目服务及组织单元。
3.架构数据提取
架构数据提取通过自然语言处理技术对自然文本进行分割和提取。文本分割是文本处理中广泛使用的技术，它将长文本分成更有意义的片段，并将其用于下游任务，如自然语言理解、文本摘要、关键词提取和文本聚类。根据文本分析的任务，片段又分为单词、语句、主题、短语或任何信息单元。架构数据提取主要使用spaCy中的doc.noun_chunks属性来实现文本分割过程。
spaCy是一个开源的Python自然语言处理软件包，它能够提供管道工具包，包括标记化、词性标注、词条化、命名实体识别、依赖解析等，用于自然语言处理任务。基本名词短语或NP组块不允许嵌套其他NP的名词短语，因此不存在NP级并列、介词短语和关系从句。根据spaCy的官方解释，noun_chunks属性将迭代文档中的基本名词短语。先使用noun_chunks属性获取语句中的基本名词短语，再使用“conj”扩展基本名词块，最后删除比其他跨度小的重复跨度。此外，还引入了spaCy中提供的NER信息作为分割依据。在某些情况下，与名词组块属性返回的结果相比，spaCy提供的NER识别结果可以返回更好的语义文本片段。这样，经过处理的语句将被分割成基于名词组块的部分。
4.组件知识填写
组件知识填写以上述组件模型预置与架构数据提取作为输入，提取组件知识，得到相应的带有语义信息的知识图谱表示模型。
● 基于语义网络（知识图谱），将组件模型与架构数据相关联。
● 输入：组件预置模型、架构提取数据、相关数据（项目监测数据、外方情报数据及往年评估数据等）。
● 输出：带有本体的基础知识图谱数据模型（用于支撑后续的语义推理）。
5.组件语义推理
针对知识的多元性，构建基于架构元模型的多维关联语义化知识本体，同时建立一个面向能力组合管理的战略能力态势架构。所谓多维关联，是指该架构的领域元模型需要考虑不同领域项目的特点，建立不同类型架构元模型的关联。
战略选择旨在构建实现战略目标的总体途径，在能力组态引导下塑造战略态势。战略选择具有较高的复杂性、动态性和不确定性，本节中的计算过程是根据知识推导引擎计算结果，在智能计算方法的基础上，生成智能优化后的建设方案。基于此，本节以机器智能的思想为指导，结合智能计算、数据挖掘等理论丰富仿真优化方法，利用认知演化计算求解战略选择的优化问题，从而提高总体战略规划和发展路线图的有效性。智能演算引擎计算过程的总体框架如图3.9所示。
总体而言，本节将战略选择问题分解为预铺知识萃取计算、能力组合演化决策、装备组合决策优化、项目组合决策优化4个环节。先验算法实验包括现有标准测试库和特定领域实验库，通过先验算法实验获得先验信息，并以此为基础建立深度不确定决策优化算法库。预铺知识萃取计算是指对知识推导引擎输出的组件雏形进行必要的知识萃取，之后，从使命能力、装备系统、建设项目维度进行决策优化，最终得出智能计算优化后的战略决策方案。如图3.10所示，对于能力、装备、项目组合的决策优化，包括以下环节：①建立组合优化模型，用数学语言描述问题，对各层级内的目标和约束条件进行建模；②使用“组合方案+仿真+数据挖掘+知识萃取+优化计算”的模式对问题进行求解，最终得到通过智能优化后的建设方案。
图3.9 智能演算引擎计算过程的总体框架
图3.10 基于仿真大数据的智能决策优化
具体而言，智能演算引擎属于一种决策优化规则引擎。规则引擎由推理引擎发展而来，它是一种嵌入在应用程序中的组件，能够将业务决策从应用程序代码中分离出来，并使用预定义的语义模块编写业务决策。规则引擎通常包括规则库、待处理池、推理引擎（模块匹配及执行模块）。在执行过程中，数据被送入待处理池，推理引擎根据具体的算法将待处理池中的数据对象和规则库中的规则进行比较，得到符合条件的匹配规则并执行。作为业务规则管理系统（BRMS）核心的规则执行引擎，规则条件匹配的算法及效率决定了规则引擎的性能。智能演算引擎的流程驱动模型可细化为预铺知识萃取计算、能力组合演化决策、装备组合演化决策和项目组合演化决策4个模块。智能演化引擎采用数学优化模型进行求解，由优化变量、目标函数和约束条件三要素组成的最优化问题数学模型可以表述如下：在满足约束条件的前提下，寻求一组优化变量，使目标函数达到最优值。通过对数学优化模型的进一步优化，能力组合演化决策采用多周期、多属性的鲁棒优化方法，装备组合演化决策采用演化计算优化方法，项目组合演化决策采用多目标组合优化方法分别进行智能推演。
本节根据战略选择面向未来长远战略目标的特点，采取“用仿真结果数据驱动决策模型”的思想方法，在获取仿真结果基本数据的基础上，参考决策前的能力态势评估和初始解推演过程中得到的部分数据（包含非结构化、半结构化和结构化数据），研究提出一种智能演算引擎计算过程。
1.预铺知识萃取计算
图3.11 预铺知识萃取计算框架
预铺知识萃取是指对2号引擎输出的架构桥“预铺”组件雏形进行必要的知识萃取，并对路线图、行动表、项目方案、体系网和导航仪组件雏形提取相关的知识片段。预铺知识萃取计算框架如图3.11所示。
2.能力组合演化决策
能力组合演化决策采用多周期、多属性的鲁棒优化方法，通过目标层和能力层两个层次的同步演化流程实现能力组合的认知演化优化计算，获取最优的能力层投资组合方案，如图3.12所示。其中，目标层的“组合方案+仿真+数据挖掘+知识萃取+优化计算”模式对知识推演引擎输出的路线图组件雏形进行优化求解，得到最优路线图组合方案。能力层的“组合方案+仿真+数据挖掘+知识萃取+优化计算”模式对知识推演引擎输出的体系网组件雏形进行优化求解，得到最优体系网组合方案。
图3.12 能力组合演化决策的功能流程
具体来看，首先通对目标层和能力层的建模仿真，获取仿真数据；然后对两个层次的仿真结果进行数据挖掘，得到两个层次的知识萃取；最后通过认知演化优化计算得到最优的能力层投资组合方案。
能力组合演化决策技术规格见表3.4。通过提供相应的前提条件，运用相关方法技术，结合支撑工具，能得到下一环节的输入，最终获取最优的能力层投资组合方案。
表3.4 能力组合演化决策技术规格
续表
续表
3.装备组合决策优化
装备组合决策优化采用演化计算优化方法，通过能力层和装备层两个层次的同步演化流程实现认知演化优化计算，进而获取最优的装备层投资组合方案，如图3.13所示。装备层的“组合方案+仿真+数据挖掘+知识萃取+优化计算”模式对知识推演引擎输出的行动表组件雏形进行优化求解，得到最优行动表组合方案。具体来看，首先对装备层的组件和方案进行仿真，并获取仿真数据；然后对仿真结果进行数据挖掘，得到装备层的知识萃取；最后通过认知演化优化计算得到最优的装备层投资组合方案。
图3.13 装备组合决策优化的功能流程
装备组合决策优化技术规格见表3.5。通过提供相应的前提条件，运用相关方法技术，结合支撑工具，能得到下一环节的输入，最终获取最优的装备层投资组合方案。
表3.5 装备组合决策优化技术规格
续表
4.项目组合决策优化
项目组合决策优化采用多目标组合优化方法，通过装备层和项目层两个层次的同步演化流程实现认知演化优化计算，获取最优的项目层投资组合方案，如图3.14所示。项目层的“组合方案+仿真+数据挖掘+知识萃取+优化计算”模式对知识推演引擎输出的项目方案组件雏形进行优化求解，得到最优的项目层投资组合方案。具体而言，首先对项目层进行仿真，并获取仿真数据；然后对仿真结果进行数据挖掘，得到项目知识萃取模型；最后通过认知演化优化计算得到最优的项目层投资组合方案。
图3.14 项目组合决策优化的功能流程
项目组合决策优化技术规格见表3.6。通过提供相应的前提条件，运用相关方法技术，结合支撑工具，能得到下一环节的输入，最终获取最优的项目层投资组合方案。
表3.6 项目组合决策优化技术规格
智慧演算引擎以智能演算引擎求解得到的能力组合和项目方案为输入，结合先期专家调研获得的先验信息所形成的综合集成研讨专家认知库，通过选择过程认知、选择结果认知、集成研讨认知和人机共识认知4个环节，生成人机共识的能力组合与项目方案。该引擎主要负责架构解的认知和见解，其认知收敛过程是一个机器推理和优化结果与领域专家认知结果相互融合，并逐步迭代得到人机共识解的过程。迭代发生于未达到人机共识认知的情况，当存在无法调和的共识冲突时允许无认知解。智慧演算引擎计算过程的总体框架如图3.15所示。
图3.15 智慧演算引擎计算过程的总体框架
智慧演算引擎计算过程在综合集成研讨厅执行，能够支持宏观决策，按照研讨厅体系思想，以宏观决策为研究对象。智慧综合运用了现有的信息技术与人工智能技术，采用互联网开发模式，集成了异种操作系统和数据库，建立了一个基于分布式网络的研讨厅。该研讨厅主要有数据中心（包括分布的数据库子系统、研讨厅数据库子系统、资源信息子系统及研讨厅数据维护子系统等）、集成支撑中心（包括模型子系统、方法子系统、群体意见整合子系统、知识开发与发现子系统、可视建模子系统及信息检索子系统等）、研讨中心（包括研讨方式与模板管理、脚本生成、研讨流程管理、状态管理、角色管理、研讨机理管理、报告形成与输出、分研讨厅管理与分厅方案集成等模块）、信息协作中心（包括为了方便研讨决策而设计的内/外部部件系统及通知管理、日程事务管理、厅内办公协作系统等），以及安全中心（包括防火墙、代理服务器、主动入侵检测、用户行为跟踪、物理隔离等技术与途径）。
结合实际问题的需求建设实用化研讨厅的关键是应用信息技术设计研讨厅系统的体系结构，主要是研讨厅网络系统的软件体系结构与开发模式。根据复杂问题的规模，需要通过集成研讨来处理复杂的问题，所要建立的集成研讨厅的体系结构具有开放、分布、透明、用户友好等突出特点，计算模式采用嵌套B/S结构的多层分布式体系，应用企业级服务器端技术与宿主语言，开发理念应充分体现基于构件的网络系统的设计思想。集成研讨厅的体系结构如图3.16所示，主要包括人机界面、决策、综合集成、网关、资源和平台6个层次。
人机界面层实现对专家友好的人机交互界面与对话方式，将人的意志赋予智能体（Agent），形成人与智能体交互是人机结合的主要方式。
决策层主要开发决策目标与分析服务，如战略预测、战略预警、多目标综合评价、战略选择与预实践评估等。
综合集成层是实现集成研讨的关键，包括综合集成研讨和综合集成支撑两项服务。综合集成研讨服务执行综合集成研讨与表决，包括研讨方式、脚本、模板、流程、状态、主持人、专家群体、分布的集成研讨管理、研讨意见整合、方案表决和报告输出等。综合集成支撑服务支持综合集成研讨与表决，包括知识开发与可视化建模环境、视频、模型/方法/数据库/独立应用等资源的调度，以及站内外的信息检索与协作、数据仓库、知识发现与案例推理、分布研讨的结论与资源的集成等。
图3.16 集成研讨厅的体系结构
网关层视具体系统分为数据网关和资源网关。前者是研讨厅中的知识、方法、模型、应用与多媒体数据、研讨信息等的连接、访问与管理接口；后者是连接、访问与管理分布的多研讨厅系统，主要包括通信连接器、调度器、队列与事物管理器、分厅方案集成与消息管理器等。
资源层主要有多个分研讨厅构成，并由资源管理器进行统一调度管理。
平台层又称为基础设施层，它是集成研讨厅的基础设施与运行的物理平台。对于研讨厅，它可能是局域网甚至是城域网；对于一个涉及面很广的复杂问题，分研讨厅可能是一个分布式的、多层次的集群结构，这时的分研讨厅协作网关还应具备路由与交换等功能。
1.选择过程认知
复杂组织为了塑造未来战略态势需要进行战略选择分析。复杂组织战略选择分析是基于内、外部竞争条件和竞争环境相互影响的态势分析。它是在对复杂组织自身与复杂组织所处环境进行深刻剖析后，依照矩阵形式排列，运用系统分析的方法，将各种因素相互匹配并分析，最终得到相应结论的分析方法。战略选择分析可以帮助复杂组织探索发展选择方向，应对复杂组织面临的机遇和挑战，并做出更好的战略决策。
2.选择结果认知
认知指智慧解算系统对架构解的认知和见解，其认知收敛过程是一个机器推理和优化结果与领域专家认知结果相互融合，并逐步迭代得到人机共识解的过程。迭代发生于未达到人机共识认知的情况，当存在无法调和的共识冲突时允许无认知解。选择结果认知是指解算系统自动生成的架构解的进一步优化，旨在将机器自动解算的结果与人的意识相结合。因为从本质上来说，对于战争这种复杂系统的建模过程是非常复杂的，而模型的准确性对于自动解算的结果至关重要，然而在建模之初很难描述清楚、描述完全自动解算过程中全部的中断情况。这就需要认知解算系统的选择结果，并在后面的解的优化过程中结合集成研讨认知，融入领域专家的主管能动智慧，并在人机共识阶段不断地使机器的选择结果和领域专家的选择结果协同，以达成共识，形成最后的智慧演算引擎解。
3.集成研讨认知
按照研讨厅体系的思想，在研讨环境下将专家的定性认识通过建模的方法来实现，专家分析其结果，不断修改模型或其参数直至达到一个满意的结果。这就是综合集成研讨厅体系的一个非常重要的思想，并且它的实现是从定性到定量综合集成思想的体现。但是由于宏观经济决策是非常复杂的问题，目前所能给出的定量方法的模型相对来讲还是比较简单的，实现从专家的定性认识到定量认识的过程是根据分析匹配原有的一些案例同时修改其参数或者调用已知的一些模型并修改，而真正建立一个复杂模型来验证专家的定性认识目前仍有一定的难度。
4.人机共识认知
智慧演算引擎不同于一般的决策支持系统的一个重要方面，是将人视为问题求解系统的组成部分。该系统根据人与机器各自的特长与优势进行功能与过程的分工，并形成“人机分工、各取所长、以人为主、人机一体”的人机智能系统。人机结合的途径是人机交互与人机协作。
1.战略能力演化技术
战略能力是军队在履行其战略任务时所表现出的能力，也是国家战略能力的核心内容，还是维护和实现国家利益的重要保障。在长期军事实践的基础上，战略能力的概念内涵不断得到完善。战略能力的演化过程可以理解为战略目标的动态管理和组织能力的持续进化。目标和能力的动态管理是指找到一个系统的层次目标，并对目标进行动态跟踪管理，在目标实现的过程中，不断实现组织能力的动态进化，能力的进化又反过来推动下一目标的快速实现。
战略能力演化技术由战略、体系、系统和项目4个能力演化元模型构成。其中，战略作为整个技术的最顶层，负责确定总体战略能力水平、能力组合类型及能力特征，在确定总体战略能力目标后，需要进一步调整和优化战略能力体系框架。根据能力体系，从跨军种、跨领域、多任务的视角，整合各种能力资源，通过系统集成，实现战略能力威慑、实战、防护和复原能力的整体提升。最后，将战略能力落实到具体项目中，通过单一项目的组合优化，实现战略能力系统的建设和调整优化。战略能力演化技术将技术、作战理念和各种作战能力进行结合，通过可靠的、灵活的、强大的战略能力体系、系统和项目，反映军事战略能力运用的未来方向。
2.建设绩效评估技术
战略绩效评估是以战略为导向的绩效管理。它是一个强调将公司的战略转化为战略地图并分解转化为公司、部门、员工的绩效指标，再通过战略绩效管理的流程制度对绩效过程进行监督、控制、评估的系统。目前，战略绩效评估多使用综合指数法，结合多重视角进行定量分析，给出定性结论，基本满足战略军力评估分析结论的主要要求。该方法已经普遍应用于美国的各类战略军力报告中，主要包括战备状态评估、规模评估和能力评估3方面。
建设绩效评估技术由路线图、行动表、项目方案、体系网和导航仪5个绩效评估元模型构成。其中，路线图处于战略层，显示了资源和责任组织的规划能力部署，实现对项目规划、实施、评估等阶段涉及的重点建设要素进行管控，并绘制科学完整的路线图；行动表处于系统层，它是系统绩效评估的具体行动指标，根据其实践层次，可分为技术层面、项目层面和能力层面；项目方案处于项目层，体现了能力与项目群之间的关联，它是一个将实际项目与其交付能力相关联的矩阵，包含众多建设项目且项目目标都围绕项目群总体目标要求；体系网处于体系层，通过组织/执行者-角色-活动-信息等将各体系关联起来，体现了各体系绩效评估的交互情况；导航仪综合了前4个元模型，以预期管控为目的，结合预期绩效样机、支撑体系原型和人类行为仿真技术，对战略规划的建设方案进行绩效评估、组合优化和决策调控。
3.绩效指标体系生成技术
绩效指标是评判对象业绩好坏的重要因素，也是绩效评估工作的关键要素，在企业中通常以行为指标和结果指标体现。其中，行为指标是指员工在工作岗位上的行为表现；结果指标是指通过员工的工作所能带来的工作和组织的某些变化。
绩效指标体系生成技术由航向绩效、战略绩效、体系绩效、系统绩效和项目绩效5个元模型构成。航向绩效也称为战略计分卡，对应绩效评估中的“导航仪”组件，它是一种面向战略目标的评价体系，用于评估战略规划方案的建设实施与其能态要求的匹配程度及支撑效果。战略计分卡根据顶层战略目标和CCI需求，从体系作战效能、战略执行、组织建设、督导与推进4个角度，将组织的战略规划落实为可操作的衡量指标和目标值。战略绩效、体系绩效、系统绩效和项目绩效，分别对应绩效评估中的“路线图”、“体系网”、“行动表”和“项目方案”组件，从战略、体系、系统、项目4个层级制定绩效指标，生成绩效指标评估体系。
4.数据推导引擎技术
数据推导引擎，以数据为中心基于元模型进行可视化建模，对当前能态架构和目标能态架构进行数据刻画，并对二者之间的能态差进行测算和评估。
数据推导引擎技术分为当前能态多源数据获取、当前能态架构数据建模、目标图像数据刻画、未来能态架构数据建模4个环节，并在此基础上建立了能态评估数据库。具体而言，当前能态多源数据获取是对数据来源进行辨别明确，并从数据仓中读取数据、分析结果；当前能态架构数据建模是对当前的概念逻辑、实体逻辑和语义本体进行建模；目标图像数据刻画是对当前的战略靶心（“四制SWOT”状态分布）进行分析提取，通过分析靶心定位，刻画目标靶心；未来能态架构数据建模通过确定靶心模型，提高靶心分辨率，并给出增强分辨率下的靶标架构。
数据推导引擎属于架构建模导调引擎，具有以下功能：①可实现任务转派、撤回、提取、驳回、跳转、唤醒等功能；②任务可分为主办任务与协办任务，主办任务执行完毕会自动进行节点流转，但协办任务不会；③任务可设置参与人，按照参与类型分为普通参与和会签参与；④任务可关联表单；⑤任务可设置期望完成时间、提醒时间、重复提醒时间及是否自动执行；⑥任务可设置完成后的统一回调处理；⑦任务可通过委托他人进行处理。
数据推导引擎的求解算法模型为架构知识表达模型，通过求解算法模型匹配流程驱动模型，并建立架构知识表达片段。
5.知识推导引擎技术
知识推导引擎技术按架构桥的路线图、行动表、项目方案、体系网、导航仪5个能力谱组件分为5个子引擎，各子引擎计算过程均包括组件模型预置、架构数据提取、组件知识填写和组件语义推理4个环节，并在此基础上建立了架构桥预铺组件知识库。
知识推导引擎属于能谱知识推理引擎，能力谱组件均可采用评估对象能态插值模型来表示，从而形成统一知识模型。评估对象能态插值模型分为体系演化世代背景图、评估本体演化模型图和规划指标插值曲线图3部分。知识推导引擎采用多源数据资源，如多模态数据集、知识图谱数据集和分布式数据库等，并基于多模态数据集、多类型知识图谱等将数据载入，结合知识对接、知识抽取、知识表征等知识学习算法进行知识推演。
6.智能演算引擎技术
智能演算引擎根据知识推导引擎的计算结果，以机器智能的思想为指导，结合智能计算、数据挖掘等理论丰富仿真优化方法，利用认知演化计算求解战略选择的优化问题，提高总体战略规划和发展路线图的有效性。
7.智慧演算引擎技术
智慧演算引擎根据智能推演引擎的计算结果，结合人类智慧和领域专家经验，对智能优化决策方案进行人机结合的综合集成研讨，输出人机共识的最优决策方案。
具体而言，在选择过程认知中，专家通过“反干预战略综合集成兵棋推演系统”了解引擎战略选择过程，之后，汇集处理专家认知意见，用认知图模型对专家认知意见进行表达；在选择结果认知中，专家通过“反干预战略选择过程虚拟展现系统”了解引擎战略选择结果，之后，汇集处理专家认知意见，用认知图模型对专家认知意见进行表达；在集成研讨认知中，专家使用“反干预战略选择模糊德尔菲人工决策系统”，通过汇集处理专家所持的战略选择意见，用认知图模型对专家认知意见进行表达；在人机共识认知中，运行人机融合共识致谬风险评估管控系统，通过汇集处理前三步所形成的认知图模型，形成人机共识认知图和致谬风险评估结论，并决定是否继续进行迭代。
智慧演算引擎属于“专家认知蒸馏”引擎，其作用是将原始数据集中大量的知识压缩到少量合成数据中，同时在合成数据上进行训练。该模型的性能与在原始数据集上的模型性能相近，主要采用模糊认知图模型进行模型求解。模糊认知图是知识的一种图解表示，它是一个将模糊反馈动力系统中的因果时间、参与值、目标与趋势等通过各概念间的弧线相连的图结构，节点是概念、实体等，弧线表示概念或实体间的因果关系，在结构上可以看成是面向对象的单层带反馈的神经网络。
8.战略管理流程MBSE技术
战略管理流程MBSE技术是基于睿德团队提出的战略管理架构（睿德战略管理架构）并遵循知识计算MBSE的一种技术。
睿德战略管理架构的元模型与“目的、方法、手段”能力生成结构同构，并基于项目随时间持续演化，能够支持多架构概念、项目驱动的能力演化概念、“评估、决策、控制”一体化的闭环决策理论，以及架构数据驱动的行为仿真理论。
9.敏捷组织智能技术
敏捷组织智能技术是由“数据+算力+算法”赋能的、以用户价值为共同目标、以成员的自驱力和创造力激发为根本、以业务和组织的网络协同为机制、以共治共生为文化，能柔性动态敏捷响应内、外部环境变化的新型组织模式。数智化敏捷组织就像一个智能生物体，具有能够感知全局的“神经末梢”，快速传递信息的“神经中枢”，驱动组织的数据“血液”，驱动数据处理的云计算“心脏”，以及形成认知的智能“大脑”。
敏捷组织智能技术用于战略预实践评估演练环境，通过评估把握内在规律，找出存在的问题，并使用智能方法给出优化决策方案和调整措施方法，通过优化资源配置提升质量效益。敏捷组织智能技术的应用场景较为广泛，业界对它的需求较大，如超前敏捷响应，包括前置制造无人装备原型、数智装备虚体、算法预制件等。
业界对睿德MBSE的敏捷集群智能应用场景有较高的需求，比如：超前敏捷响应，前置制造无人装备原型、数智装备虚体、算法预制件等。睿德MBSE的“敏捷集群智能”应用场景软硬件构成包括：高层，按年度组织战略预演和评估，由战略选择知识计算平台支撑；高层通过生成体系快速原型，引导中层；中层，按年度组织体系演习和评估，由多域体系任务链路规划系统支撑，中层通过生成体系网络合约引导基层；基层，按年度组织集群演训和评估，需多方技术支撑，包括野外和城市数字地理环境、多Agent协同集群任务规划、集群编队LVC仿真、装备行为数智Agent、装备VR数智虚体、无人装备物流系统及无人集群算法箱。睿德MBSE采用自上而下预实践，自底向上预评估的模式。
目前，许多MBSE模型是基于V模型的，而睿德MBSE则是基于图3.17所示的双回路模型的，并展开为系统工程矩阵。
睿德DKIW复合型MBSE的基本特点是多引擎复合驱动，它包括数据推导引擎、知识推导引擎、智能演算引擎及智慧演算引擎，分别对应于数据型D-MBSE、知识型K-MBSE、智能型I-MBSE、智慧型W-MBSE。多样化系统工程过程及其交叉集成共构成系统工程矩阵；与以往研究相比，不仅基于架构，而且是一个当前架构和一个未来架构；不仅是基于模型的系统工程，而且是输出数字制品的数字化系统工程，体现了系统工程与数字工程的结合；架构元模型与“目的、方法、手段”能力生成结构相同构，并基于项目随时间持续演化，能支持多架构概念、项目驱动的能力演化概念、“评估、决策、控制”一体化的闭环决策理论，以及架构数据驱动的行为仿真理论；通过数据制品和数字合约达到上下耦合和体系统筹，可以用高层数字制品统筹协调下层智能制造和数字孪生。
图3.17 双回路模型
本章的最后，讨论一下睿德DKIW复合型MBSE的未来前景。睿德DKIW复合型MBSE是以广义知识计算为技术牵引和自主创新主线的。广义知识计算对象为产业创新链，广义知识计算需求为前移需求响应时间，广义知识计算目的为预先配置和训练三级组织智能。广义知识计算内容：①重大场景变化；②竞争市场变化；③智能需求变化；④智能超前预置。广义知识计算MBSE（非装备级MBSE）的特点：①超出知识计算引擎范畴；②多层次、体系化MBSE；③支持数字决策概念；④支持DANSE/MBSE方法。
战略级MBSE的数字制品有架构桥“七件套”，包括源于当前、未来架构数据模型的两套架构仓，以及架构桥的5个能力谱组件；体系级MBSE的数字制品有体系智联网数字原型；集群级MBSE的数字决策制品有智件互联网、数智虚体、算法预制件等不同形态的集群智能产品。
［1］唐旻.基于项目群管理的军队建设规划路线图研究［D］.长沙：国防科技大学，2018.
［2］潘教峰，张晓林.第四范式：数据密集型科学发现［M］.北京：科学出版社，2012.
［3］王磊，王维平，杨峰，等.认知演化算法［J］.计算机科学，2010，37（9）：198-204.
［4］李志飞.基于能力的武器装备体系方案权衡空间多维粒度探索方法及应用［D］.长沙：国防科技大学，2015.
［5］瞿幼苗.面向智能决策的推理引擎技术［D］.西安：西北工业大学，2018.
［6］多夫·多里.基于模型的系统工程—综合运用OPM和SysML［M］.杨峰，译.北京：机械工业出版社，2017.
［7］MYKEL J K，et al.Alogrithms for decision making［M］.Trinity Lane：Cambridge University Press，2021.
［8］魏青，张世波.基于案例推理的CBR研究综述［J］.电脑知识与技术，2009，30（2）：8518-8519.
［9］王丹力，郑楠，刘成林.综合集成研讨厅体系起源、发展现状与趋势［J］.自动化学报，2021，47（8）：1822-1839.
［10］封皓君，段立，张碧莹.面向知识图谱的知识推理综述［J］.计算机系统应用，2021，30（10）：21-30.
［11］MARÍA D M R，et al.Ontology-driven approach for KPI meta-modelling，selection and reasoning［J］.International Journal of Information Management，2021，58：1-12.
［12］明梦君.复杂约束下的进化多目标优化方法研究［D］.长沙：国防科技大学，2022.
［13］李凯文.基于深度强化学习的组合优化方法研究［D］.长沙：国防科技大学，2022.
［14］束哲.体系架构超网络建模与优化方法研究［D］.长沙：国防科技大学，2018.
［15］鲁金直，马君达，等.基语义的基于模型的系统工程方法支持复杂装备体系建模及态势感知仿真［C］//第四届体系工程学术会议.厦门：［s.n.］，2022.
［16］朱宁.基于DSM的武器装备体系架构建模与仿真方法研究［D］.长沙：国防科技大学，2016.
［17］王维平，李小波，杨松，等.智能化多无人集群作战体系动态适变机制设计方法［J］.系统工程理论与实践，2021，41（5）：1096-1106.
［18］李小波，梁浩哲，王涛，等.面向装备规划计划的体系贡献率评估方法［J］.科技导报，2020，38（21）：38-46.
［19］王磊.协同攻击任务规划认知演化计算研究［D］.长沙：国防科技大学，2010.
［20］刘佳杰.基于模体的无人机集群任务规划方法［D］.长沙：国防科技大学，2018.
［21］ROBERT J.L，et al.Making good decisions without predictions：Robust decision making for planning under deep uncertainty［R］.Santa Monica，CA：RAND Corporation，2013.
［22］施国强，刘泽伟，林廷宇，等.面向复杂产品建模与仿真系统的开放式云架构设计［J］.系统仿真学报，2022（3）：442-451.
［23］KIM P T.Machine learning and probabilistic graphical models for decision support systems［M］.Florida：CRC Press，2022.
［24］STEVEN M L.Planning algorithms［M］.Trinity Lane：Cambridge University Press，2006.
［25］DAVID B，et al.Knowledge representation and reasoning—A review of the state of the art and future opportunities［R］.Brussels：NATO Science ＆ Technology Organization，2022.
［26］VINCENT F.On the choice of priors in Bayesian deep learning［D］.Zurich：ETH Zurich，2021.
［27］KENNETH L，JAMES R，et al.Operationalization of standardized C2-Simulation （C2SIM）interoperability［C］.［S.l.］：ICCRTS，2016
［28］CHOU P H，et al.Novel AI decision aids for decision dynamics，deception and game theory［R］.Florida：Army Research Laboratory，2021.
［29］GUO Z，WAN Z，ZHANG Q，et al.A survey on uncertainty reasoning and quantification for decision making：Belief theory meets deep learning［J］.Preprint arXiv：2206.05675.2022.
［30］HU X，CHU L，PEI J，et al.Model complexity of deep learning：A survey［J］.Knowledge and Information Systems，2021，63（10）：2585-2619.
［31］高阳，陈世福，陆鑫.强化学习研究综述［J］.自动化学报，2004，30（1）：86-100.
［32］ROBERT J L，et al.Defense resource planning under uncertainty：An application of robust decision making to munitions mix planning［R］.Santa Monica，CA.：RAND Corporation，2016.