CN120104288B 一种半实物仿真资源的调度方法、设备及存储介质 （成都流体动力创新中心）

(19)国家知识产权局(12)发明专利(10)授权公告号CN120104288B(65)同一申请的已公布的文献号(73)专利权人成都流体动力创新中心地址610072四川省成都市青羊区二环路西二段75号(72)发明人王宇包富瑜陈功覃金贵邬晓毅苏金波张俊傲李航钟宇叶志强王勇审查员周佳利(74)专利代理机构重庆恩洲知识产权代理事务所(特殊普通合伙)50263专利代理师兰渝宏一种半实物仿真资源的调度方法、设备及存储介质本申请涉及半实物仿真领域，尤其涉及一种半实物仿真资源的调度方法、设备及存储介质。方法包括：获取半实物仿真资源库中的若干个仿真模型、若干个仿真设备和多个测试任务；将仿真模型与不同的仿真设备进行组合得到半实物仿真节点，并生成多种协作组合，以协作执行多个测试任务，得到每个仿真模型的性能测试数据；分析每种仿真模型的性能测试数据，生成每种仿真模型的性能参数集，性能参数集包括若干个场景敏感指标和若干个静态基础指标；基于仿真模型需求和每种仿真模型的性能参数集，从半实物仿真资源库中选取目标仿真模型和目标仿真设备，以执行目标仿真任务。实现调度策略与21.一种半实物仿真资源的调度方法，其特征在于，所述方法包括：S101、获取半实物仿真资源库和多个不同任务场景下的测试任务，所述半实物仿真资源库中包括若干个仿真模型、若干个仿真设备；S102、将每个仿真模型与不同的仿真设备进行组合，得到多种半实物仿真节点，其中，多种所述半实物仿真节点之间的仿真模型不同或者仿真设备不同；S103、基于多种所述半实物仿真节点生成多种协作组合，以协作执行多个测试任务，得到每个仿真模型在不同仿真设备、不同协作组合、不同任务场景下的性能测试数据；所述性能测试数据包括若干个评估指标；S104、分析每种仿真模型的性能测试数据，生成每种仿真模型的性能参数集，所述性能参数集包括若干个场景敏感指标和若干个静态基础指标；S104包括：比对每种仿真模型的性能测试数据中同一评估指标的多个取值，确定取值波动；当所述取值波动大于预设波动值时，将对应的评估指标确定为所述场景敏感指标，将所述场景敏感指标的不同取值与任务场景和/或仿真设备和/或协作组合关联储存；当所述取值波动小于所述预设波动值时，将对应的评估指标确定为所述静态基础指标；S105、基于目标仿真任务的任务场景、仿真模型需求，根据所述仿真模型需求和每种仿真模型的性能参数集，从所述半实物仿真资源库中选取目标仿真模型和目标仿真设备，以执行所述目标仿真任务。分析场景敏感指标的若干个取值的变化趋势，分别确定任务场景、仿真设备、协作组合对所述场景敏感指标的影响系数；根据所述影响系数从任务场景、仿真设备、协作组合中确定所述场景敏感指标的影响因子，并将所述影响因子与所述场景敏感指标关联储存。3.如权利要求1所述的方法，其特征在于，所述方法还包括：所述静态基础指标储存为固定值或范围区间，其中，所述范围区间基于所述静态基础指标的多个取值确定。4.如权利要求1所述的方法，其特征在于，所述仿真模型需求包括性能需求，所述S105还包括：基于所述性能需求和所述仿真模型的所述静态基础指标，对未被使用的若干个仿真模型进行筛选，得到若干个备选仿真模型；基于若干个所述备选仿真模型、所述半实物仿真资源库中未被使用的若干个备选仿真设备，生成多种备选仿真节点；并基于多种所述备选仿真节点组合得到多种备选协作组合；基于所述备选仿真模型的场景敏感指标，评估所述目标仿真任务的任务场景下每个所述备选协作组合的预测性能和资源占用率；选取所述预测性能满足所述性能需求，且所述资源占用率最低的备选协作组合作为目标协作组合，将所述目标协作组合内的备选仿真模型和备选仿真设备作为所述目标仿真模型和所述目标仿真设备。5.如权利要求1所述的方法，其特征在于，所述S105之前还包括：获取待执行的仿真任务的优先级，将优先级最高的至少一个仿真任务作为所述目标仿真任务。将所述目标仿真模型加载到对应的目标仿真设备中，得到若干个目标半实物仿真节3在执行所述目标仿真任务的过程中，持续监测若干个目标半实物仿真节点的任务执行若所述目标半实物仿真节点的所述实测性能数据与所述性能测试数据的差异大于预设差异，将所述目标半实物仿真节点生成的仿真数据进行隔离。若所述目标半实物仿真节点的所述实测性能数据与所述性能测试数据的差异小于所述预设差异，基于所述目标仿真模型的场景敏感指标，从所述半实物仿真资源库中未被使用的若干个仿真设备中选取优选仿真设备；将所述目标仿真模型加载到所述优选仿真设备中，以替换所述目标仿真设备，更新所述目标半实物仿真节点。处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至7中任一项所述的半实物仿真资源的调度方法。9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1至7中任一项所述的半实物仿真资源的调度方法。4一种半实物仿真资源的调度方法、设备及存储介质技术领域[0001]本申请涉及半实物仿真领域，尤其涉及一种半实物仿真资源的调度方法、设备及存储介质。背景技术[0002]半实物仿真(Hardware-in-the-Loop,HIL)技术通过将物理设备与数字仿真模型有机结合，为复杂系统的开发、测试和验证提供了高效且可靠的手段，其应用场景涵盖航空航天、汽车电子、电力系统、工业自动化等领域，能够显著降低研发成本并缩短产品上市周期。而在HIL框架中若能够结合先进的资源调度技术，则可以进一步提升仿真的效率和效[0003]例如，专利申请公布号为CN116774978A的发明专利申请，公开了一种面向服务的仿真模型可重用框架与集成方法，面向服务的仿真模型可重用框架包括资源层、服务组件层、服务层和应用层；资源层用于解决资源的描述、组织和管理等功能；服务组件层用于将不同层次、不同领域、不同类别、不同粒度的模型以组件的形式进行封装；服务组件层主要封装等，主要任务是完成模型的描述、重构和装配；服务层用于采用云服务的方式实现对模专利申请公布号为CN119088562A的发明专利申请，公开了一种仿真资源池管理调度方法和系统、仿真方法和系统，其中仿真资源池管理调度方法包括：构建设备资源池和模型资源池，其中，设备资源池中配置有多个仿真设备的相关信息，模型资源池中配置有多个模型运行时态信息；建立仿真任务，从模型资源池中获取与仿真任务对应的模型的运行时态信息；计算设备资源池中仿真设备与模型匹配的优先度值，基于最优优先度值调取仿真设备，将调取的仿真设备分配给对应的仿真任务。[0004]然而，现有资源调度技术为实现标准化管理，常采用统一的数据封装，难以满足半实物仿真中仿真模型与物理设备的联合调度需求，导致资源动态分配与弹性调度能力不足，限制了仿真系统的效率与扩展性。发明内容[0005]本申请的主要目的在于提供一种半实物仿真资源的调度方法、设备及存储介质。为了解决上述所提到的技术问题，本申请具体采用以下技术方案：[0006]本申请的第一方面在于，提供一种半实物仿真资源的调度方法，所述方法包括：[0007]S101、获取半实物仿真资源库和多个不同任务场景下的测试任务，所述半实物仿真资源库中包括若干个仿真模型、若干个仿真设备；[0008]S102、将每个仿真模型与不同的仿真设备进行组合，得到多种半实物仿真节点，其中，多种所述半实物仿真节点之间的仿真模型不同或者仿真设备不同；[0009]S103、基于多种所述半实物仿真节点生成多种协作组合，以协作执行多个测试任5务，得到每个仿真模型在不同仿真设备、不同协作组合[0010]S104、分析每种仿真模型的性能测试数据，生成每种仿真模型的性能参数集，所述性能参数集包括若干个场景敏感指标和若干个静态基础指标；[0011]S105、基于目标仿真任务的任务场景、仿真模型需求，根据所述仿真模型需求和每种仿真模型的性能参数集，从所述半实物仿真资源库中选取目标仿真模型和目标仿真设[0012]在一些实施例中，所述性能测试数据包括若干个评估指标；S104包括：比对每种仿真模型的性能测试数据中同一评估指标的多个取值，确定取值波动；当所述取值波动大于预设波动值时，将对应的评估指标确定为所述场景敏感指标，将所述场景敏感指标的不同取值与任务场景和/或仿真设备和/或协作组合关联储存；当所述取值波动小于所述预设波动值时，将对应的评估指标确定为所述静态基础指标。[0013]在一些实施例中，所述方法还包括：分析场景敏感指标的若干个取值的变化趋势，分别确定任务场景、仿真设备、协作组合对所述场景敏感指标的影响系数；根据所述影响系数从任务场景、仿真设备、协作组合中确定所述场景敏感指标的影响因子，并将所述影响因子与所述场景敏感指标关联储存。[0014]在一些实施例中，所述方法还包括：所述静态基础指标储存为固定值或范围区间，其中，所述范围区间基于所述静态基础指标的多个取值确定。[0015]在一些实施例中，所述仿真模型需求包括性能需求，所述105还包括：基于所述性能需求和所述仿真模型的所述静态基础指标，对未被使用的若干个仿真模型进行筛选，得到若干个备选仿真模型；基于若干个所述备选仿真模型、所述半实物仿真资源库中未被使用的若干个备选仿真设备，生成多种备选仿真节点；并基于多种所述备选仿真节点组合得到多种备选协作组合；基于所述备选仿真模型的场景敏感指标，评估所述目标仿真任务的任务场景下每个所述备选协作组合的预测性能和资源占用率；选取所述预测性能满足所述性能需求，且所述资源占用率最低的备选协作组合作为目标协作组合，将所述目标协作组合内的备选仿真模型和备选仿真设备作为所述目标仿真模型和所述目标仿真设备。[0016]在一些实施例中，所述S105之前还包括：获取待执行的仿真任务的优先级，将优先级最高的至少一个仿真任务作为所述目标仿真任务。[0017]在一些实施例中，所述方法，还包括：将所述目标仿真模型加载到对应的目标仿真设备中，得到若干个目标半实物仿真节点；在执行所述目标仿真任务的过程中，持续监测若干个目标半实物仿真节点的任务执行质量；当所述任务执行质量低于预设质量时，获取所述目标半实物仿真节点的实测性能数据；若所述目标半实物仿真节点的所述实测性能数据与所述性能测试数据的差异大于预设差异，将所述目标半实物仿真节点生成的仿真数据进行隔离。[0018]在一些实施例中，所述方法还包括：若所述目标半实物仿真节点的所述实测性能数据与所述性能测试数据的差异小于所述预设差异，基于所述目标仿真模型的场景敏感指标，从所述半实物仿真资源库中未被使用的若干个仿真设备中选取优选仿真设备；将所述目标仿真模型加载到所述优选仿真设备中，以替换所述目标仿真设备，更新所述目标半实物仿真节点。6[0021]处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如本申请任一实施例提供的半实物仿真资源的调度方法的步骤。[0022]本申请的第三方面在于，还对应地提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器如本申请任一实施例提供的半实物仿真资源的调度方法的步骤。[0024]本申请实施例提供一种半实物仿真资源的调度方法、设备及存储介质，通过多样化的异构资源测试组合，每种仿真模型的性能参数集中建立了动静分离的指标体系，将模型性能分为场景敏感指标和静态基础指标并定制化的存储，以显化仿真模型在不同环境下的性能边界与动态影响关系。由此，将半实物仿真资源间的强耦合性转化为提升协同效率的优势，使其能基于性能参数集的多维分析，实现调度策略与实际运行环境的高度适配，提升了资源利用率和调度准确性。[0025]具体地，通过将仿真模型与不同仿真设备交叉组合生成多样化仿真节点，并在多任务场景下执行测试任务，覆盖了不同测试条件(如任务场景类型、仿真设备型号、协作组合配置)下的复杂场景，进而捕捉数字模型与物理硬件、不同模型组合的协同效能和隐性依赖关系。进一步的，通过比对性能参数集识别出受显著影响的指标，分离动态与静态指标并将动态指标与其关键影响因子进行关联存储，打破“一刀切”的数据封装方式，为动态调度提供依据。[0026]进一步的，在任务匹配初期，通过静态指标快速过滤不满足基础能力要求的模型，降低后续动态评估的计算复杂度。再通过场景敏感指标量化任务场景、设备特性及协作模式对模型性能的实时影响，基于多维度(仿真性能、资源占用)采用逐层筛选和统筹筛选机制实现资源调度，应对强耦合环境下的性能劣化或互补效应，预判并规避性能陷阱，突破单体资源性能评估的局限，优化资源调度对复杂环境的动态响应能力。附图说明[0027]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。[0028]图1是本申请实施例提供的一种半实物仿真资源的调度方法的示意性流程图；[0029]图2是本申请实施例提供的一种半实物仿真资源库封装的示意图；[0030]图3是本申请的实施例提供的一种计算机设备的结构示意性框图。具体实施方式[0031]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员7在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不或暗示相对重要性。他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有要素的过程、方法、物品或者装置中还存在另外的相同要素。[0037]半实物仿真是一种将实际物理硬件与计算机生成的数字模型相结合进行系统测试的技术。它通过在闭环环境中运行真实硬件和虚拟模型，来验证系统的性能和可靠性。[0038]本文中，仿真模型是指用于模拟系统行为的数学或逻辑模型，即半实物仿真中的虚拟模型。这些模型可以是基于物理定律构建的动力学模型、控制系统算法或者是信号处理流程等。它们通常是在仿真软件中实现，并且能够对输入数据做出响应，生成输出结果。[0039]本文中，仿真设备是指那些直接参与实验过程的实际物理组件，如传感器、执行器、控制器等，即半实物仿真中真实的硬件设备。这些硬件设备接收来自仿真模型的数据作为输入，并将其转化为真实的物理动作或状态变化；同时，它们也能够向仿真模型反馈实际操作的结果。模型为物理设备提供控制指令或环境参数；另一方面，物理设备根据接收到的信息执行相应操作，并将结果反馈给仿真模型以更新其状态。这种相互作用要求两者之间具有高度的一致性和同步性，仿真模型与物理设备之间的强耦合性也导致了二者间的相互影响。并且，随着系统规模扩大和应用场景多样化，不同领域的仿真模型往往需要联合起来共同工作，形成异构模型联合仿真，使得模型之间也会相互影响。例如，无人机模型完成观测任务、雷达模型完成探测任务，两个仿真模型相互协同完成任务，两个仿真模型的性能表现具有耦合关系。[0041]现有资源调度技术倾向于采用统一的数据封装方式，规范化数据格式，便于存储和检索，但在面对跨设备、跨领域场景时却暴露出严重的局限性。由于缺乏灵活的适配机制，不同类型的数据难以无缝对接，容易形成信息孤岛，即便拥有丰富的资源库，也无法准确实现资源动态分配与弹性调度，限制了仿真系统的效率与扩展性。过多样化的异构资源测试组合，每种仿真模型的性能参数集中建立了动静分离的指标体系，将模型性能分为场景敏感指标和静态基础指标并定制化的存储，以显化仿真模型在不8同环境下的性能边界与动态影响关系。其中，静态基础指标量化模型固有性能，用于筛选基础能力达标的仿真模型，场景敏感指标则动态反映模型在真实部署环境中的性能波动与适配性，用于进行联合仿真的性能评估。由此，将半实物仿真资源间的强耦合性转化为提升协同效率的优势，使其能基于性能参数集的多维分析，灵活匹配任务需求与资源特性，预判并规避性能陷阱。[0043]下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。请参阅图1,图1是本申请实施例提供的一种半实物仿真资源的调度方法的示意性流程图，如图1所示，本申请实施例提供一种半实物仿真资[0044]S101、获取半实物仿真资源库和多个不同任务场景下的测试任务，所述半实物仿真资源库中包括若干个仿真模型、若干个仿真设备。[0045]其中，半实物仿真资源库是指存储有多种仿真模型(如飞行器模型、雷达模型、无人机模型、卫星模型等)和多种仿真设备(如实时仿真机、五轴飞行转台、力矩负载模拟器、飞行控制计算机、外挂任务计算机、GPS卫星导航发生器等)的综合资源池。[0046]具体地，定义多维度任务场景，以涵盖不同任务类型(如探测任务、协同任务)和不同任务背景环境(如山地地形、恶劣天气条件、城市密集建筑群、电磁干扰)的组合，每个场景对应特定的仿真条件与约束。对应的，测试任务是针对不同任务场景设计的具体验证需求，例如在雨天环境下测试无人机编队的通信稳定性，或在城市峡谷场景中评估雷达探测精度。示例性的，可以根据实际需求预先设定具有代表性的面覆盖模型与设备在多样化条件下的协同适配性，另一方面避免冗余或无效的测试任务增加前期测试负担，为后续性能分析提供准确可靠的基础数据，具体任务场景和测试任务在此不做限定。[0047]应理解，通过模拟真实场景的复杂性，系统性验证仿真资源在异构环境下的适应性与协作效能。例如，探测任务可测试模型在极端天气下的感知精度衰减，协同交互任务可测试电磁干扰下多设备通信时延波动。这种多维度测试可获取细粒度的动态性能数据，为后续资源调度提供差异化场景适配依据，避免单一场景测试导致的性能评估偏差。[0048]S102、将每个仿真模型与不同的仿真设备进行组合，得到多种半实物仿真节点，其中，多种所述半实物仿真节点之间的仿真模型不同或者仿真设备不同。[0049]具体地，半实物仿真节点是指由一个仿真模型与至少一个仿真设备共同构成的最小执行单元，其中仿真模型负责模拟被测系统的数字逻辑，而仿真设备则提供物理接口或硬件环境，二者协同完成特定仿真任务，通过将仿真模型与仿真设备进行全交叉组合，生成多样化的半实物仿真节点。例如飞行器模型A可分别与飞控设备和五轴飞行转台组合，得到两个半实物仿真节点。[0050]应理解，多种半实物仿真节点覆盖了模型与设备在硬件软件协同中的多样化可能性，形成“模型-设备”配对的完备集合，通过节点间的性，为后续分析软硬件协同效能提供基础。示例性的，可以按照[0051]在一些实施例中，仿真设备可以是单个的硬件设备，也可以是由多个硬件设备集成的硬件系统。也就是说，每个仿真设备内可以集成有多个硬件设备，并且根据仿真设备所9能模拟的深度与广度，将仿真设备划分为轻量化节点和全量化节点。其中，轻量化节点可用于模拟或替代系统中的某些小型控制器或传感器的功能，全量化节点则更接近于实际应用中的完整硬件系统，相比轻量化节点提供更加全面、精准的功能模拟或直接作为更为可靠的系统的一部分运行。[0052]示例性的，在无人机仿真中，轻量化节点可以包括实时仿真机、飞行控制计算机、外挂任务计算机，用于核心功能的快速验证，满足轻量级、低成本的仿真需求；全量化节点可以包括实时仿真机、五轴飞行转台、力矩负载模拟器、飞行控制计算机、外GPS卫星导航发生器等，全量化节点的配置更加全面，能够更精确地模拟真实环境中飞行、探测等任务的执行。其中，实时仿真机是核心计算单元，运行对应的仿真模型、环境模型及控制算法；飞行控制计算机用于执行飞行控制逻辑(如姿态控制、导航算法);外挂任务计算机用于管理任务载荷(如传感器、武器系统)的模拟；五轴飞行转台用于模拟飞行器姿态变化(如俯仰、滚转、偏航、X/Y/Z轴位移);力矩负载模拟器用于模拟飞行器在气动、机械负载下的动力学响应。[0053]应理解，半实物仿真在实际应用中也会使用如轻量化节点和全量化节点对应的各种集成硬件系统，可以基于实际使用需求预先设置设备组合规则，若仿真设备是单个的硬件设备，可以根据设备组合规则将多个硬件设备组合成多种硬件系统形式存在的仿真设[0054]由此，每个仿真模型与仿真设备组合形式既多样化又精简化，最终形成数量可控半实物仿真节点，一方面更加贴合实际应用中半实物仿真节点的实际配置，提高了测试中所使用的半实物仿真节点的有效性，进而提升后续性能测试数据的可用性；另一方面，无需根据仿真模型所需测试的性能、任务场景等其他因素对仿真模型和仿真设备之间进行繁琐且复杂的高精度配对，避免冗余或无效半实物仿真节点产生干扰性测试数据，有效降低半实物仿真节点配对的复杂性和后续测试的难度和计算量。[0055]S103、基于多种所述半实物仿真节点生成多种协作组合，以协作执行多个测试任务，得到每个仿真模型在不同仿真设备、不同协作组合、不同任务场景下的[0056]具体地，协作组合是指由两个及两个以上半实物仿真节点构成的协同工作单元，用于模拟真实任务过程中多设备的联合执行任务的场景，对于每一个测试任务，可以根据测试任务的仿真模型需求，从多种半实物仿真节点中选取若干个半实物仿真节点生成多种协作组合，通过不同的协作组合调用对应的半实物仿真节点多次执行，验证每个仿真模型在不同仿真设备、不同协作组合、不同任务场景下的性能，记录每个仿真模型的性能测试数据。也就是说，性能测试数据是仿真模型在特定条件下的模型性能数据，例如雷达模型B分别加载到全量化节点、轻量化节点中，在电磁干扰或晴天场景的任务场景的检测精度、单次推理的计算耗时等。[0057]例如，在无人机仿真中，协作组合可以是一个集群或集群中负责执行某个具体任务的小队，协作组合可以包括第一半实物仿真节点“飞行器模型A+全量化节点”、第二半实[0058]例如，当测试任务为探测任务时，探测任务需要使用为无人机的搜索、跟踪、时刻同步等能力，且测试任务的仿真模型需求为3个无人机模型，筛选出无人机模型对应的多个半实物仿真节点，并基于这些半实物仿真节点，生成3个半实物仿真节点为一组的多种协作[0059]在一些实施例中，不同或相同的半实物仿真节点可以组合成协作组合，验证同构或异构资源协同工作时的整体效能。也就是说，协作组合中的若干个半实物仿真节点可以[0060]在一些实施例中，无论是测试任务还是需执行的目标仿真任务，均包括若干个仿可以确定任务类型，结合作为公开信息的部分环境参数可以预测的大致任务场景，例如任务地点的天气情况、地形情况等。进一步的，根据任务的多重要素可以综合分析仿真模型需求，仿真模型需求可以包括任务对仿真模型的数量需求、类型需求和性能需求等。[0061]例如，仿真对象的使用需求为3个无人机内协同执行多个目标对象的跟踪任务，可以确定仿真模型的使用需求为3个(即数量需求)无人机模型(即类型需求),且要求无人机的通信延迟指标小于等于50ms(即性能需求)。又例如，仿真对象的使用需求为无人机内协同执行多个目标对象的跟踪任务，可以确定仿真模型的使用需求为无人机模型(即类型需求),且要求无人机的通信延迟指标小于等于50ms(即性能需求)。[0062]示例性的，基于任务类型与任务背景、仿真对象的使用需求提取关键性能要求，例如，探测类型的任务需高精度感知、协同任务需低时延通信、山地场景需强抗干扰能力等，再结合任务执行条件(如实时性要求、资源预算限制)设定具体阈值，得到综合性的性能需求。需要说明的是，无论是测试任务还是需执行的目标仿真任务的任务场景、仿真模型需求均可以由用户确定和修改，或者参照相关技术获取，在此不做限定。[0063]应理解，对于测试任务，其环境参数可以作为任务场景与对应的场景敏感指标关联储存，其仿真模型需求也仅考虑任务对仿真模型的数量需求、类型需求。而对于目标仿真任务，其环境参数只有部分基础信息为公开信息，并且可以随着仿真任务的推进(例如执行探测任务后获取到的环境数据)而逐步公开，其需全面考虑任务对仿真模型的数量需求、类型需求和性能需求等，且性能需求可以基于性能参数集来匹配满足需求的仿真模型。[0064]S104、分析每种仿真模型的性能测试数据，生成每种仿真模型的性能参数集，所述性能参数集包括若干个场景敏感指标和若干个静态基础指标。[0065]具体地，对所有收集到的性能测试数据进行统计分析，对比同一评估指标在多种条件下的取值变化，确定在不同任务场景、仿真设备类型或协作组合下性能指标的稳定性，进而根据稳定性差异化储存不同的评估指标，生成一个全面反映其性能特征的性能参数集，系统化地描述各个仿真模型在各种运行条件下的表现。[0066]其中，静态基础指标为模型固有且相对稳定的稳定模型性能，反映单体仿真模型的基础效能。例如，仿真模型的工作频率、信号处理能力、数据处理能力等技术层面的特性在不同条件下保持相对稳定。这类指标其受外部环境影响较小，在不同仿真设备或任务场景、协作组合下的波动较小，例如某雷达模型的“最小检测距离”在多次测试中稳定在5米左[0067]其中，场景敏感指标为随外部环境或协作条件显著变化的动态模型性能。例如，雷达模型的作用距离、覆盖范围、探测精度、误码率等具体实施层面的特性可能随着环境的变化(如电磁干扰强度增加或地形复杂度上升)而大幅变动。这类指标在特定任务场景、仿真设备或协作组合下存在动态性能波动，例如，仿真模型D在仿真设备X上虽精度高，但与仿真11模型E的协同会因资源竞争导致通信延迟激增；又例如通信模型的数据丢包率在电磁干扰场景中可能从正常环境的0.1%激增至5%,或导航模型的路径规划成功率在复杂地形中在轻量化节点中因计算资源不足而下降。[0068]在一些实施例中，场景敏感指标包括：协作指标，用于表征多节点协同工作的整体效能，例如节点间数据同步时延、任务协同执行成功率、多模型并发运行时的资源竞争冲突；场景指标，用于表征环境动态性对性能的影响，例如山地场景下的地形匹配误差、强电磁干扰中的通信误码率、多障碍物环境下路径规划算法的重规划次数。[0069]应理解，性能参数集通过静态基础指标提供了仿真模型的基本性能框架，还通过场景敏感指标反映在复杂多变的实际操作环境中仿真模型如何响应外部因素影响，最终形成的性能参数集将仿真模型的静态能力与动态适配性进行解耦，为后续调度提供了多维决态基础指标包括“图像处理分辨率1080p”,而场景敏感指标包括“低光照条件下识别准确率从92%降至78%,与红外传感器设备E联动时可提升至85%”,从而为后续资源调度提供兼顾稳定性与灵活性的量化依据。[0070]在一些实施例中，每种仿真模型的性能参数集关联有仿真模型的类型标签，例如雷达模型、飞行器模型、无人机模型等，用于后续根据仿真模型需求快速筛选出所需类型的[0071]在一些实施例中，所述性能测试数据包括若干个评估指标。其中，评估指标是用于量化仿真模型在特定测试条件(如任务场景类型、仿真设备型号、协作组合配置)下的性能表现的维度，评估指标通过性能测试数据的具体数值体现，不同类型的仿真模型可以使用不同的评估指标。这些评估指标包括模型固有的静态特性，受外部环境显著影响的动态特性。[0072]在一些实施例中，S104包括：比对每种仿真模型的性能测试数据中同一评估指标的多个取值，确定取值波动；当所述取值波动大于预设波动值时，将对应的评估指标确定为所述场景敏感指标，将所述场景敏感指标的不同取值与任务场景和/或仿真设备和/或协作组合关联储存；当所述取值波动小于所述预设波动值时，将对应的评估指标确定为所述静态基础指标。[0073]其中，取值波动是指同一评估指标在不同任务场景、仿真设备或协作组合下的数设置预设波动值用于判定评估指标的稳定程度，其具体数值可以根据实际需求设定。[0074]具体的，通过量化分析性能测试数据中同一评估指标在多次测试任务的执行中的数值变化范围来区分评估指标的类型，若某评估指标的取值波动大于预设波动值，表明其性能受外部环境显著影响，则判定其为场景敏感指标，并将其不同取值与具体影响因素关联存储，如具体的某类任务场景类型、仿真设备型号、协作组合配置，形成动态性能映射关波动小于预设波动值，则判定其为静态基础指标，取其均值或稳定区间作为固定参数。[0075]例如某仿真模型在三种仿真设备上的计算耗时分别为15ms、18ms、16ms,其取值波动为3ms,且预设波动值上限为中位数的20%,即在中位数16ms的上下波动3.2ms的范围内为静态基础指标，超出3.2ms的范围为场景敏感指标，此时可以确定某仿真模型的计算耗时这一评估指标为静态基础指标。[0076]示例性的，对每个评估指标的跨场景的性能测试数据计算标准差，若标准差超过预设波动值，则触发场景敏感标志并提取关联元数据(如仿真设备ID、协作组合编号),构建兼具稳定性描述与动态适配关系的性能参数集。[0077]在一些实施例中，其特征在于，所述方法还包括：分析场景敏感指标的若干个取值的变化趋势，分别确定任务场景、仿真设备、协作组合对所述场景敏感指标的影响系数；根据所述影响系数从任务场景、仿真设备、协作组合中确定所述场景敏感指标的影响因子，并将所述影响因子与所述场景敏感指标关联储存。[0078]具体地，变化趋势是指同一指标在不同测试条件(如任务场景类型、仿真设备型号、协作组合配置)下的数值变化规律，例如通信模型的而线性上升，根据变化趋势量化任务场景、仿真设备、协作组合三类因素对指标的独立影响程度，即影响系数。对应的，可以设置预设系数，用于判定某因素对指标具有显著影响的标准，具体数值可以根据实际需求灵活设定，当某因素的影响系数大于预设系数时，将该因素标记为影响因子并与场景敏感指标关联存储。缩短30%,则仿真设备类型的影响系数为0.3;而“山地地形”的任务场景导致同一指标下降20%,则该任务场景类型的影响系数为0.2;而在不同的协作组合中同一指标只上下波动了8%,则该协作组合类型的影响系数仅为0.08.若预设系数为0.1,则“协作组合”不被纳入影[0080]示例性的，可以通过自动化数据分析工具实现影响因子的识别与存储，也可以通过采用回归分析或敏感性分析等相关性分析算法量化影响因子，还可以将通过控制变量对同一指标的影响因子进行识别，例如在同一任务场景、同一仿真设备下，分析协作组合的影[0081]在一些实施例中，其特征在于，所述方法还包括：所述静态基础指标储存为固定值或范围区间，其中，所述范围区间基于所述静态基础指标的多个取值确定。[0082]具体地，对于静态基础指标，根据其数据稳定性采用差异化策略：若指标在跨场景控范围内的轻微波动，通过统计性能测试数据中的多个取值，计算其极值范围或置信区间，如路径规划模型的计算耗时在10ms至12ms间浮动，则基于统计分布将其存储为范围区间，如“耗时区间[10ms,12ms]”,又如通信模型的通信耗时在三种协作组合中分别为15ms、15.5ms、14.8ms,其范围区间定义为[14.5ms,15.6ms]。[0083]由此，既简化了基础性能的查询效率，又通过区间上下限保留了必要的细节，为后续调度提供弹性匹配空间，同时避免因单一固定值过度严格导致的误筛问题。[0084]应理解，最终形成的参数集将静态能力与动态适配性解耦，例如“视觉识别模型D”的参数集中，静态基础指标包括“图像处理分辨率1080p”,而场景敏感指标则结合测试环境上下文进行记录为“低光照条件下识别准确率从92%降至78%,与红外传感器设备E联动时可提升至85%”,从而为后续资源调度提供量化依据。[0085]在一些实施例中，所述S105之前还包括：获取待执行的仿真任务的优先级，将优先级最高的至少一个仿真任务作为所述目标仿真任务。[0086]具体地，获取所有待处理仿真任务的优先级，优先级可以由用户定义或根据任务的紧急程度、资源需求、截止时间自动生成，如救援任务的优先级高于巡逻任务的优先级，具体表现为数值或等级。随后，根据优先级标签筛选出优先级最高的一个或多个任务作为“目标仿真任务”,确保在资源竞争场景下高时效性或高价值的关键任务优先获得资源匹配，避免因任务顺序混乱导致核心流程延迟。[0087]S105、基于目标仿真任务的任务场景、仿真模型需求，根据所述仿真模型需求和每种仿真模型的性能参数集，从所述半实物仿真资源库中选取目标仿真模型和目标仿真设[0088]具体地，对于需执行的目标仿真任务，根据任务目标可以确定任务类型，结合目前已公开的环境参数预测的任务场景，例如任务地点的天气情况、地形情况等。进一步的，根据仿真对象的使用需求可以确定仿真模型需求，例如目标仿真任务对仿真模型的性能需求和类型需求，首先基于类型需求筛选出对应的类型的仿真模型，再以目标仿真任务的已知任务场景为限定项，协作组合、仿真设备为可选项，选取评估指标满足性能需求的仿真模型，若仿真模型需求对某类型的仿真模型有明确的数量需求，最后根据目标仿真任务对仿真模型的数量需求可以确定对应数量的具有匹配关系的目标仿真模型和目标仿真设备。[0089]在一些实施例中，根据仿真模型需求对每种仿真模型的性能参数集进行逐层筛选。首先，通过静态基础指标快速过滤对于性能需求不达标的仿真模型；针对静态基础指标达标的合格仿真模型，结合目标仿真任务的任务场景，以目标仿真任务中已确定的任务场景为限定，根据合格仿真模型的场景敏感指标所关联的任务场景、仿真设备，灵活分析仿真模型在不同任务场景、仿真设备下可能呈现出的场景敏感指标的具体数值，选取下限值满足性能需求的仿真模型与仿真设备组合，即为合格仿真节点，实现仿真模型与仿真设备之间的强绑定筛选，确保二者在协同时既满足静态性能基准，又能适应动态环境需求。[0090]由此，将仿真模型与仿真设备视为整体执行单元进行联合评估，从根本上解决了传统调度中因硬件与算法解耦导致的性能不达标问题，有效规避性能劣化组合。例如，某仿真模型虽静态指标达标，但若与低性能设备组合会导致实时性崩溃，绑定筛选可直接排除此类组合，避免后续生成无效的协作组合，降低资源调度的运算量和效率。[0091]进一步的，基于筛选出符合性能需求的若干个合格仿真节点，生成若干个合格协作组合，基于仿真模型的场景敏感指标所关联的协作组合，评估若干个仿真模型之间的协同性，例如某些组合协同时会有更好或更坏的性能表现，此时可以优先选取协同性最佳的合格协作组合中的仿真模型与仿真设备，作为目标仿真模型和目标仿真设备。[0092]由此，首先排除静态基础指标不达标的仿真模型，再将仿真模型和仿真设备的作为绑定的执行单元二次筛选，以排除场景敏感指标不达标的仿真节点，最后引入协作组合进行最优协同效能的筛选，通过逐层筛选有效降低不合格的低效仿真节点和协作组合带来的冗余计算量，提高资源调度的效率和响应速度。需要说明的是，对于不同的协作组合，可能会由于资源竞争等原因导致仿真模型性能出现小幅度的向下波动，但实际应用中更多的情况是相互协作产生更优的模型效能，因此即使将协作组合的筛选后置，基于择优选取的原则也可以避免选取到向下波动的协作组合，确保最终选取的目标仿真模型和目标仿真设备仍然能够满足性能需求。[0093]应理解，每种仿真模型的性能参数集中建立了动静分离的指标体系，打破“一刀配初期，通过静态指标快速过滤不满足基础能力要求的模型，大幅降低后续动态评估的计算复杂度。而场景敏感指标通过关联任务场景、设备型号等影响因子，量化模型在真实部署中的性能边界，在资源绑定阶段，结合当前任务场景优先选择场景敏感指标最优的模型-设备组合。由此，既保留了传统资源调度的效率优势，[0094]在一些实施例中，由于任务场景可以有多样化的参数，而目标仿真任务一般可以公开或预测部分任务场景，而非全部任务场景，对于已知的任务场景可以确定场景限定参数(例如天气情况、温度情况),对于未知的任务场景可以确定场景可选参数。在后续的模型选取过程中，可以根据场景限定参数的参数值对场景敏感指标进行预筛选，将场景敏感指标关联储存的场景限定参数与目标仿真任务的场景限定参数匹配(例如目标仿真任务的天气情况为阴天，某场景敏感指标绑定的天气情况也为阴天)的场景敏感指标保留，将场景敏感指标关联储存的场景限定参数与目标仿真任务的场景限定参数不匹配(例如目标仿真任务的限定参数为20℃,某场景敏感指标绑定的天气情况为30℃-40℃)设为隐藏状态，由此，以目标仿真任务的已知任务场景为限定项，确保与目标仿真任务的任务场景不匹配的性能参数在本次目标仿真任务的资源调配过程中不被使用，进一步提升资源调配效率。[0095]在一些实施例中，所述仿真模型需求包括性能需求，所述105还包括：基于所述性能需求和所述仿真模型的所述静态基础指标，对未被使用的若干个仿真模型进行筛选，得到若干个备选仿真模型；基于若干个所述备选仿真模型、所述半实物仿真资源库中未被使用的若干个备选仿真设备，生成多种备选仿真节点；并基于多种所述备选仿真节点组合得到多种备选协作组合；基于所述备选仿真模型的场景敏感指标，评估所述目标仿真任务的任务场景下每个所述备选协作组合的预测性能和资源占用率；选取所述预测性能满足所述性能需求，且所述资源占用率最低的备选协作组合作为目标协作组合，将所述目标协作组合内的备选仿真模型和备选仿真设备作为所述目标仿真模型和所述目标仿真设备。[0096]具体地，根据仿真模型需求对每种仿真模型的性能参数集进行多维度筛选筛选。首先通过静态基础指标对半实物仿真资源库中未被使用的若干个仿真模型快速过滤，去除不达标的仿真模型。针对静态基础指标达标的若干个备选仿真模型，基于若干个备选仿真模型、半实物仿真资源库中未被使用的若干个备选仿真设备，生成多种备选仿真节点。在此基础上，随机组合多种备选仿真节点得到多种备选协作组合，根据备选仿真模型的场景敏感指标所关联的协作组合、任务场景、仿真设备，结合目标仿真任务的任务场景，灵活分析仿真模型在不同备选协作组合、备选仿真设备下可能呈现出的场景敏感指标的具体数值，进而从整个协作组合的宏观角度评估多个仿真模型协作所能产生的综合性能，即预测性能。其中，预测性能指备选协作组合在目标仿真任务场景下预期达成的综合效能水平，如任[0097]同时，资源占用率可以从备选协作组合所占用的仿真模型的数量、仿真设备的数量和运行仿真所需的硬件资源消耗(如CPU占用、内存带宽、通信带宽)等维度综合评估，再通过加权算法将预测性能与资源占用率转化为综合评分，例如优先选择“性能达标且硬件准计算实际占用率，避免资源过载，另一方面可选择性的以更少的仿真资源完成仿真任务，节省出的仿真资源可以用于其他仿真任务，最大化资源利用效率。合，通过检索仿真模型F的场景敏感指标为“在仿真设备X上的强电磁干扰场景识别率85%”及仿真模型G的场景敏感指标为“在仿真设备Y上的山地路径规划耗时18ms”,结合仿真模型F和仿真模型G的静态基础指标为“数据同步间隔(5ms)”,采用预测模型预测该备选协作组[0099]资源占用率可以通过累加备选协作组合内各仿真模型的静态基础指标和仿真设宽占用15%,计算整体资源消耗，再结合备选协作组合所需使用的仿真模型数量和仿真设备[0100]若最终确定有两个备选协作组合的预测性能均满足性能需求，其中第一个备选协作组合需要使用3个仿真模型，而第二个备选协作组合仅需要使用2个仿真模型，此时可以选用第二个备选协作为目标协作组合。[0101]在一些实施例中，基于大量的协作组合在实际任务中实际展现出的性能表现的标记数据集训练得到预测模型。由此，可以基于预测模型根据备选协作组合中各个备选仿真模型的静态基础指标与场景敏感指标，预测备选协作组合的预测性能。[0102]应理解，若在仿真任务的执行过程中，由于大量资源已被占用，根据仿真模型需求对每种仿真模型的性能参数集进行逐层筛选(即分别基于静态基础指标进行预筛选；基于仿真模型的场景敏感指标关联的仿真设备、任务场景进行一轮筛选，基于仿真模型的场景敏感指标关联的协作组合、任务场景进行二轮筛选)无法选取匹配性能需求的仿真模型，此时可以触发的统筹筛选(即基于静态基础指标进行预筛选；基于仿真模型的场景敏感指标关联的仿真设备、任务场景、协作组合进行统一筛选)。通过更大算力的全面统筹规划模型与设备、模型与模型的协同效能，实现仿真模型与仿真设备，仿真模型与仿真模型之间的强[0103]在一些实施例中，所述仿真模型需求包括性能需求，所述105还包括：基于所述性能需求和所述仿真模型的所述静态基础指标，对未被使用的若干个仿真模型进行筛选，得到若干个合格仿真模型；基于若干个所述合格仿真模型、所述半实物仿真资源库中未被使用的若干个所述仿真设备，生成多种合格仿真节点，基于所述合格仿真模型的场景敏感指标和目标仿真任务的任务场景，评估每个所述合格仿真节点的预测性能；选取所述预测性能满足所述性能需求的若干个合格仿真节点；基于筛选出符合性能需求的若干个合格仿真节点，生成若干个合格协作组合，选取目标仿真任务的任务场景下，协同性最佳的合格协作组合中的仿真模型与仿真设备，作为目标仿真模型和目标仿真设备。[0104]若未选取到所述预测性能满足所述性能需求的合格仿真节点，例如此时需要无人机模型、视觉识别模型，只选取到了满足性能需求的无人机模型对应的合格仿真节点，而未选取到满足性能需求的视觉识别模型对应的合格仿真节点。[0105]此时，基于所述性能需求和所述仿真模型的所述静态基础指标，对未被使用的若干个仿真模型进行筛选，得到若干个备选仿真模型；基于若干个所述备选仿真模型、所述半实物仿真资源库中未被使用的若干个所述备选仿真设备，生成多种备选仿真节点；基于多种所述备选仿真节点组合得到多种备选协作组合；基于所述备选仿真模型的场景敏感指标，评估目标仿真任务的任务场景下每个所述备选协作组合的预测性能；选取所述预测性能满足所述性能需求的备选协作组合作为目标协作组合，将所述目标协作组合内的备选仿真模型和备选仿真设备作为所述目标仿真模型和所述目标仿真设备。此时，目标协作组合内可能包含在逐层筛选中不满足性能需求视觉识别模型对应的合格仿真节点，和另一个红外传感器设备对应的仿真节点，两者协作即可满足性能需求。[0106]需要说明的是，基于性能需求和仿真模型的所述静态基础指标，对未被使用的若干个仿真模型进行筛选，得到的备选仿真模型或合格仿真模型本质上为相同的仿真模型，为了区分逐层筛选和统筹筛选而做差异化命名。[0107]通过场景敏感指标量化任务场景、设备特性及协作模式对模型性能的实时影响，基于多维度(仿真性能、资源占用)采用逐层筛选和统筹筛选机制实现资源调度，应对强耦合环境下的性能劣化或互补效应，预判并规避性能陷阱，突破单体资源性能评估的局限，优化资源调度对复杂环境的动态响应能力。例如，在资源充足时，优先规避因设备或模型间耦合导致的性能劣化组合；在资源受限时，通过统筹规划实现性能互补，例如某模型单体性能不足，但与特定设备或协作组合后可满足任务需求，从而最大化资源利用率，既避免了传统调度中“信息孤岛”导致的资源浪费，又在复杂场景下实现动态适配，提升仿真系统的效率与扩展性。[0108]在一些实施例中，通过预评估备选协作组合的预测性能与资源占用率，支持资源紧张时的快速切换，避免传统调度因资源固定分配导致的僵化。[0109]在一些实施例中，所述方法，还包括：将所述目标仿真模型加载到对应的目标仿真设备中，得到若干个目标半实物仿真节点；在执行所述目标仿真任务的过程中，持续监测若干个目标半实物仿真节点的任务执行质量；当所述任务执行质量低于预设质量时，获取所述目标半实物仿真节点的实测性能数据；若所述目标半实物仿真节点的所述实测性能数据与所述性能测试数据的差异大于预设差异，将所述目标半实物仿真节点生成的仿真数据进行隔离。[0110]具体地，在仿真任务执行阶段，将目标仿真模型加载到对应的目标仿真设备上，形成若干个目标半实物仿真节点，如将通信模型部署到选定的通信仿真设备。随后，在任务运行过程中，通过实时监控并持续采集每个目标半实物仿真节点的任务执行质量。其中，任务执行质量用于表征目标半实物仿真节点的实际运行表现，包括数据准确性(如目标识别率)、时延(如通信响应时间)、资源利用率(如CPU占用率)等关键参数。例如，在无人机编队仿真中，若某目标半实物仿真节点负责路径规划，其任务执行质量可能由“路径偏差≤2米”[0111]当监测发现某节点的任务执行质量低于预设质量(如路径偏差超过3米或任务超时),将获取该目标半实物仿真节点的实测性能数据，即当前运行状态下实际采集的性能参数。随后，将实测性能数据与目标仿真模型在历史性能测试数据中的预期值进行比对，若差异超过预设差异，则判定该目标半实物仿真节点出现异常。此时，立即将该节点生成的仿真数据进行隔离，如切断其输出至主系统的数据流或标记为无效数据，防止异常数据影响整体仿真结果。应理解，可以选取与目标仿真任务的任务场景类型、协作组合配置和仿真设备型号相似度最高的一系列高相关性的性能测试数据，对实测性能数据进行比对。[0112]其中，预设质量与差异阈值的设定可以基于历史测试数据的统计分布，如取95%置信区间的上限作为预设质量，确保既能快速响应异常，又避免因短期波动误判，具体数值在此不做限定。[0113]应理解，通过动态比对实测数据与预期数据，精准识别仿真模型与仿真设备在真实运行中因环境波动(如硬件过载、突发干扰)导致的性能劣化。例如，若某雷达模型在测试中抗干扰能力达标，但实际运行时因设备散热不良导致性能骤降，其实测数据与测试数据的差异将触发隔离，避免错误探测结果污染全局仿真。[0114]在一些实施例中，所述方法还包括：若所述目标半实物仿真节点的所述实测性能数据与所述性能测试数据的差异小于所述预设差异，基于所述目标仿真模型的场景敏感指标，从所述半实物仿真资源库中未被使用的若干个仿真设备中选取优选仿真设备；将所述目标仿真模型加载到所述优选仿真设备中，以替换所述目标仿真设备，更新所述目标半实物仿真节点。[0115]具体地，在仿真任务执行阶段，若监测发现目标半实物仿真节点的实测性能数据与历史性能测试数据的差异未超过预设差异，则当前仿真模型与仿真设备的组合仍具备基础性能保障。此时，进一步基于该模型的场景敏感指标，从资源库中未被使用的备选仿真设备中筛选出优选仿真设备。随后将目标仿真模型从原目标仿真设备迁移至优选仿真设备，更新目标半实物仿真节点，从而在保证任务质量的同时优化资源分配。[0116]示例性的，根据当前目标仿真模型的场景敏感指标和所处的任务场景、协作组合，确定对目标仿真模型的模型性能具有增益作用的仿真设备，作为优选仿真模型。也就是说，关联存储是在资源调配中快速定位性能波动和消除性能波动的基础，优选仿真设备是当前目标仿真模型所处仿真环境(即任务场景、协作组合)下性能更优的仿真设备，其选择目标是确保模型在动态环境中维持或提升效能。[0117]应理解，当任务场景突变(如天气从晴朗转暴雨)或设备故障导致轻微性能波动时，避免触发过度干预，可根据场景敏感指标的关联关系快速切换备选组合，如启用“暴雨场景识别率”更高的模型-设备组合，而无需重新全量测试。由此，利真模型与仿真设备的协同潜力，以提升仿真任务的完成质量。[0118]本申请实施例模型资源统一管理、模型动态加载技术以及异常处理机制等步骤，其中，模型资源池构建可实现异构模型资源的统一管理和可扩展，提高模型的重用性和利用率；模型动态加载技术则是开展仿真中的半实物模型动态加载，加强对半实物仿真模型灵活部署；异常处理机制则是可实现半实物仿真过程中的容错控制，提高半实物仿真系统的鲁棒性与稳定性。[0119]在一些实施例中，为满足多样化仿真任务需求，需要对半实物仿真资源库中的仿真模型和仿真设备进行统一的形式化描述与功能封装，将具体的资源映射到逻辑资源，打破协同仿真节点资源之间的壁垒，实现半实物仿真资源的统一管理与仿真过程中的综合调度，提升资源调度的效率和系统仿真性能。[0120]请参阅图2,图2是本申请实施例提供的一种半实物仿真资源库封装的示意图。如图2所示，半实物仿真资源库内的仿真资源包括飞行器模型、无人机模型、卫星模型、雷达模2、轻量化节点N等仿真设备。预先根据实际应用场景中不同的任务需求设置不同任务场景下的测试任务，例如协同任务需求下包括时空同步任务、传输任务、数据更新任务、网络传输任务；探测任务需求下包括搜索任务、目标指示任务、跟踪任务。基于此执行步骤S102至的静态基础指标，如工作频率、信号处理能力、数据处理能力，分别从这两个层面对仿真模型进行虚拟化封装得到性能参数集。[0121]应理解，高度适应半实物仿真场景下，模型与设备在不同场景、协作组合下的动态适配性及耦合效应，跨设备、跨领域场景下也能够捕捉异构资源间的隐性依赖关系，避免形源分配基于多维度(仿真性能、资源占用)进行匹配，应对强耦合环