시뮬레이션 모델 개발 방법론 및 M&S 활용 방법


  • 시뮬레이션 모델 개발 방법론 및 M&S 활용 방법에 대한 글입니다

M&S에서 통계의 역할 및 실험 설계법

  • M&S 프로세스에서 통계학의 필요성
    • 목적에 부합된 데이터 수집 / 실증 / 결과 분석할 때 통계가 필요
    • 모델 내부 변수들이 비 확정적 확률 변수
    • 입력 값이 확률 변수면 출력 값도 확률 변수
    • 실증 과정은 난수를 사용한 통계적 가설검증
      • 데이터 실증(Validataion)
      • 모델 실증(Validation)
    • 결과 분석은 출력 난수 값들의 통계적 처리
  • 통계 이론의 M&S 적용 개념
    • 모집단에거 표본을 추출해 모집단의 통계값 예측
    • M&S에선 실제 시스템을 모집단이라 생각하고 모델은 표본이라 생각할 수 있음
  • 통계 용어와 M&S 용어의 유추적 비교
  • 실험 틀(Experimental Frame) 개념
    • 실험 틀 모델
      • 입력 데이터 발생기 : 실험 시나리오 및 실험 설계 데이터를 시스템 모델에 입력
      • 시뮬레이션 제어기 : 논리적 오류 식별 및 실행 제어(파라미터 a는 반드시 양수가 되야한다! a가 음수가 되면 중단)
      • 출력 데이터 수집기 : 통계처리/분석에 필요한 데이터
    • 시스템 모델과 실험 틀 모델이 완전 분리되어야 함
      • 시뮬레이션 실험의 효율성
        • 시스템 모델과 실험 틀 모델의 조합으로 다양한 실험 수행
        • 모델 1번 => 실험 틀 여러개
        • 실험 틀 고정 => 모델 여러개
      • 모델 수정 / 유지 보수의 효율성
        • 시스템 모델과 실험 틀 모델의 독립적 수정/유지보수
  • 시뮬레이션 실험 설계
    • 굉장히 중요함
    • 모든 입력 변수 값 조합들의 집합을 X로 넣음
    • 그러나 오래 걸릴 수 있어서 집합의 일부만 표본으로 보고 추세를 볼 수 있음 => 최소의 실험
  • 실험 설계 순서
    • 1) 문제 정의 및 실험 목적 설정
    • 2) 측정 지수 정의(Y) 및 측정 대상 변수(X) 결정
    • 3) 대상 변수 값들의 변경 범위 설정
    • 4) 변수 값 선택 설계
    • 5) 실험 및 데이터 수집
    • 6) 데이터 분석
    • 7) 결론 및 추천
  • 고전적 실험 설계의 대표적 예시
    • Full Factorial Design, FFD : 모든 가능한 입력 변수 조합 사용
      • 문제점 : 많은 실험 횟수로 비용 증대
    • Fractional Factorial Design : 모든 가능한 조합 중 일부 조합 사용
      • 문제점 : 어떤 조합이 실험 설계 목표 달성이 가능한지 판단이 난해함
    • 더 궁금하면 실험 설계법 학습을 추천
  • 복제 시뮬레이션을 통한 표본 추출 방법
    • 시뮬레이션 R번 반복(복제 시뮬레이션)
  • R개의 출력 표본 추출을 위한 복제/반복 실험 방법
    • 복제 : 생성된 데이터의 순서는 다르지만 통계적 특성이 같은 순차적 데이터
  • R개의 출력 표본 추출을 위한 복제/반복 실험 방법
    • 크기를 1/R 씩 R개로 분할

M&S 체계 개발 방법, 환경 및 적용 사례

  • M&S 체계 개발 누가, 어떻게 하나?
    • 일기예보 예시
    • 국방 M&S 체계 예시
  • 국방 M&S 체계
    • 군사학 + M&S 기술 + ICT 기술
  • 시뮬레이션 시스템
    • 도메인 지식 + M&S 기술 + ICT 기술
  • SW 공학 측면에서 본 이산사건 M&S 시스템 개발
  • M&S 체계 연동 개념
    • 체계 연동 : 체계들 간 데이터 교환 + 시뮬레이션 시각 동기화
  • KAST SMSLab 프로젝트에서 사용하는 다양한 도구들 -
  • 개발 사례 : 기만기 효과도 분석 M&S 체계
    • 목적 : 효과도 분석을 통한 기만기 제원 산출 및 운용 전술 개발
      • 기만기 : 전자전 무기체계 (음파 발생기)
  • 효과도(회피율) 분석 M&S 체계 상위 레벨 설계
    • 몬테 카를로 시뮬레이션 사용
  • 연동 시뮬레이션 설계
    • 연속 시간 모델 + 이산 사건 모델 연동
    • 수상함은 이산 사건 모델
    • 아래 기만기와 어뢰는 연속 시간 모델
  • 기만기 효과도 분석 시뮬레이션 과정
  • 시뮬레이션 결과
    • 교리 개발 vs 기만기 제원(ROC) 도출

M&S 활용 방안

  • M&S 기법 적용
    • 시스템 과학의 3가지 문제
    • 분석 문제
      • 기능 분석 / 검증
      • 성능(효과도) 분석 / 예측
      • 고장 진단 / 수명 예측 등
    • 설계 문제
      • 설계 명세 및 검증
      • 시뮬레이션 기반 획득 등
    • 최적화 문제
      • 정적 최적화(파라미터 최적화)
      • 동적 최적화(강화학습)
  • 시스템 수명 주기(Life Cycle)에서 M&S 적용 방안
    • 전체 Life Cycle에 적용 가능
  • 시뮬레이션 기반 획득(SBA : Simulation Based Acquisition)
    • SVA = SE의 V 프로세스 + M&S 기술 + 제조/생산 기술
  • 시뮬레이션 기반 최적화 문제
    • 현실 세계를 수식 형태로 표현 불가능할 경우 시뮬레이션 기반 최적화 문제로 품
    • 일반 최적화 문제는 목적 함수와 제약 조건이 닫힌 형태의 수식으로 표현
  • Stochastic 시뮬레이션 기반 최적화 : 정적 vs 동적
    • 정적 최적화 문제
      • 메타 휴리스틱 알고리즘
      • 최적화된 x값은 시스템 상태 S와 무관
    • 동적 최적화
      • 강화 학습(Q 알고리즘)
      • 최적화된 a 값은 시스템 상태 S의 함수
  • 국방 분야에서 M&S 활용
  • 이산사건 M&S 시스템 활용 : Simulation As Service
    • 대상 이산사건 시스템
    • 이런 시스템 중 M&S 시스템 구축
    • 도메인 지식을 구현

동적 시스템의 데이터 모델 및 시뮬레이션 모델

  • 머신러닝을 이용한 모델과 시뮬레이션 모델의 차이점을 이해하기
  • 동적 시스템 모델링 접근법 : 기계학습 vs 시스템 모델링
    • 동적 시스템 : 시스템의 상태가 계속 달라짐
    • 기계학습은 데이터를 통해 모델을 생성
    • 시스템 과학은 물리 법칙을 사람이 시뮬레이션 모델로 변환
    • 목적은 다양한 의문 사항을 풀기 위함(공통점)
      • 예측
    • 입력 시나리오를 넣어 가상 실험을 파악
  • 기계학습 기반 데이터 모델의 구조적 제한점
    • 예측 결과가 유효할 조건
      • 학습할 때와 예측할 때의 시스템 환경/조건이 동일해야 함
  • 시스템 동작 공간 : 데이터 모델 vs 시스템 모델
    • 직사각형이 되는 것은 데이터 모델에선 불가능
  • 동적 시스템 예측 및 최적화 : 데이터 모델 vs 시스템 모델
  • 동적 시스템 분석 능력 : 데이터 모델 vs 시스템 모델
  • 귀납적 접근과 연역적 접근의 만남
    • AI + M&S 융합
    • 귀납적 방법 : 데이터를 가지고 출발
    • 연역적 방법 : 내부 지식으로 접근
    • 어떻게 융합할지가 중요함

추가적으로 볼 자료

Reference


이 글이 도움이 되셨다면 추천 클릭을 부탁드립니다 :)

Buy me a coffeeBuy me a coffee





© 2017. by Seongyun Byeon

Powered by zzsza