Page 309 - 《软件学报》2026年第3期

1272 软件学报 2026 年第 37 卷第 3 期

(2) 自适应可变要素
自适应可变要素与决策和执行过程紧密关联. 在决策过程中, 由规则知识库牵引, 基于目标模型将需求建模为
树形结构, 以实现对抽象主题需求的逐层分解. 随后, 通过策略知识库中存储的“叶子需求-元行为”关系进行策略
匹配. 图 4 展示了基于目标模型的需求分解过程.

顶层需求

二级需求 二级需求

··· ···

叶 叶 叶 叶 叶 叶
子 子 子 子 子 子
需 需 需 需 需 ··· 需
求 求 求 求 求 求
1 2 3 4 5 n
图 4 基于目标模型的需求分解示意图

将需求分解为子需求有助于为需求的具体实现提供清晰路径. 顶层需求代表自适应分析阶段的输入, 通常是
系统在特定情境下需要实现的宏观需求, 例如“星敏异常问题排查”. 二级需求代表实现顶层主题需求所需的中间
子需求, 例如“陀螺仪状态确认”“太阳敏感器状态确认”等. 通过逐步分解二级需求, 宏观的顶层需求被转化为具体
且可实现的目标, 使得复杂的系统需求能够层层细化, 直至每个需求都变得具体和可实现. 最终, 这些需求形成不
可再分的叶子需求, 如“陀螺仪重置”. 将该描述需求分解的目标模型 T 定义为 T = (V,E), 其中, V 为表示需求的节
点集合. E ⊆ V×V 是节点之间的有向边的集合, 表示父子关系. 根节点 R ∈ V 表示主题需求. 分支节点 B i ∈ V 表示子
需求, 满足 ∀B i ,∃(R,B i ) ∈ E. 叶子节点 L ij ∈ V 表示叶子需求, 满足 ∀L i j ,∃(B i ,L ij ) ∈ E.
元行为作为具体的行为指令, 与叶子需求相对应, 提供了实现叶子需求的明确指导. 这种方法不仅使每个需求
的实现路径得以明确, 还有效地管理和协调了系统各部分的行为, 从而确保系统在复杂环境中高效、稳定地运行.
针对已知目标, 采用 ECA 规则方法从知识库中匹配相应策略. ECA 规则是一种高效的决策方法, 通过预定义的规
则库对事件进行快速匹配和处理. 本文将“事件 E”定义为“目标为已知目标”, 将“条件 C”定义为“元行为可执行条
件”, “行为 A”定义为“向执行设备发出元行为指令”. 例如, 当系统单元目标为“陀螺仪重置”, 而该目标与知识库中
的已知单元目标“g1: 陀螺仪重置”成功匹配, 则事件 E 触发. 当条件 C (“陀螺仪已通电”) 满足, 则执行动作 A, 即
“陀螺仪断电再加电”.
对于规则知识库未覆盖的新型需求, 采用人工智能方法进行处理, 这些方法特别适用于复杂和动态的环境. 主
要包括进化算法、强化学习和深度学习. 进化算法通过模拟自然来选择优化规则知识, 强化学习通过环境交互来
调整元行为的组合以最大化奖励, 深度学习利用神经网络来捕捉复杂需求-行为模式. 这些算法使系统能够自主识
别和分析新需求, 并动态调整叶子需求与元行为的映射策略. 通过应用这些方法, 系统不仅能够处理已知需求, 还
能在面对非预期需求时迅速适应和优化, 确保在复杂环境中保持高效稳定的运行. 在空间飞行器控制场景中, 学习
机制需要重点获取以下核心知识: (1) 环境动态演化规律, 包括空间辐射环境、设备老化特性等长期变化模式; (2) 历
史故障处理经验, 通过分析星载系统日志中的异常事件处理记录, 提炼潜在规则; (3) 任务需求变更模式, 挖掘不同
任务场景下控制参数调整的关联特性.
然而, 该学习过程面临双重挑战: 其一, 规则完整性方面, 由于在轨环境的开放性和故障模式的不可穷举性, 难
以预先构建完备的规则集合; 其二, 学习准确性方面, 受限于星载计算资源约束, 需在有限算力下实现高置信度的
规则推理. 上述挑战的根源在于空间任务特殊性: 首先, 在轨数据的稀疏性导致单一故障场景可能仅有个位数样本