以智能仿真引擎为核心关键突破的四个技术点。

　　这四个方面的技术要点只是对未来智能演绎模拟引擎的一些功能思考和技术探索。如果你不能尽力而为，你只能做一块砖。请注意读者的共同思考。

　　(1)基于认知计算的智能自主行为建模

　　底层平台是模拟系统的基础，上层的核心是模型和数据。相对而言，模型的建立往往与特定的业务有关，而实体模型的行为描述或建模（有自己的行为和交互行为）是最复杂和最困难的，很难用一般的物理过程或算法来表达。以军事模拟应用领域为例，未来战场的作战行为交互非常复杂。行为的建模往往极其困难。军事模拟行为建模的难点主要在于：一是模拟实体种类繁多，难以构建通用行为模型。行为是虚幻的。对于每个指挥官来说，在同样的情况下，他们对情况的处理和认知是不同的，因此行为建模不能是一个非常量化和通用的模型。第二，作战行为是多样的，不同情况下的行动过程规则不同，难以表达多种行为模式。第三，很难表达军事概念的模型。在具体的军事工程实践中，很难在业务人员和技术人员之间进行沟通。第四，缺乏简洁的工具是工具。

　　基于以上几点，我们可以尝试使用基于有限状态机的解决方案（目前，国内一些相关制造商已经有了很好的应用程序）。

　　通过这种方式，我们为模型与物理模型的松散耦合，提高了整个系统的弹性。行为与物理模型的关系。

　　目前，我们可以通过该技术实现行为规则的外部结构，提高行为建模的效率和灵活性，实现基于规划的模拟实体的自动操作，但我们不能真正实现模拟实体的智能和自主性。

　　智能解释模拟平台需要更高的行为建模要求。因此，我们提出了基于认知计算的独立行为建模解决方案，不仅可以通过人工智能领域的学习方法解决认知领域的问题，还可以解决上图中的问题“大脑”功能进行“升级”，从被动处理“行为规则库”积极学习行为规则，通过认知框架实现自主行为建模。

　　目前，关于这一领域的研究正在进行中，近年来AlphaGO，AlphaZero人工智能的发展似乎表明，这种实现越来越接近我们。就在这几天，作者刚刚看到DeepMind最新的预印论文和博客介绍了它的名字Agent智能体57，在街机学习环境中（AcradeLearningEnvironmnet,ALE）在所有57款雅利达游戏中，数据集实现了超人的表现。有兴趣的读者可以下载研究（//arxiv.org/pdf/2003.13350.pdf）

　　(2)基于大数据和深度学习的智能模拟评估

　　模拟评估的基础是模拟数据。随着模拟规模的扩大，模拟实体的增加和交互的复杂性，模拟数据变得越来越复杂，尤其是在进行超实时大样本模拟实验时。因此，在未来，模拟数据的收集和处理已经达到了大数据应用的场景。大量的问题只能通过研究大数据技术在建模和模拟中的应用来解决。复杂结构模拟数据的处理为模拟评价提供了良好的数据基础。

　　仿真评价是在一定的仿真数据基础上建立相应的评价指标体系，选择合适的评价方法的系统工程。面对大量的仿真推演数据和各种指标系统，智能方法的深度学习可以利用数据不断优化评价算法，从而可以计算出过去人们需要评价的指标，从而提高模拟评价系统的自动化程度。