• 描述模型(Descriptive Model)
‐ 强调系统的组成
‐ 捕获系统内部的关联关系
‐ 捕获系统的功能、行为、组件、接口等
• 分析模型(Analytical Model)
‐ 基于数学的 计算或 仿真
‐ 强调性能与架构的符合性
‐ 通过分析、验证和优化降低风险：MOE, MOP, KPP, TPM；正常运行时间、概率；可靠性或可用性、MTBF；成本
ModelCenter Demo 1：需求变更&需求验证
ModelCenter Demo 2：方案优化评估
ModelCenter Demo 3：概率分析
ModelCenter Demo 4：任务效能分析
• 自适应实验设计（ADOE）是基于optiSLang的AMOP。
• 它使用元模型来确定参数空间中的位置，在参数空间中重新采样是有利的。
• 用户可以权衡全局采样策略与基于元模型预测质量的采样策略。
• 一种基于高斯过程的插值方法，依据协方差函数。
• 它通过计算函数在给定点附近的已知值的加权平均值来预测函数在该点的值。
• 受基于随机模型的预期平方预测误差的激励。
• 原始形式的计算密集型。
• 可以使用各种近似方法缩放到更大的问题。
• 径向基函数(Radial Basis Function: RBF)插值是一种先进的无网格方法，可以在高维空间中构造非结构化数据的高阶精确插值。插值源于径向基函数的加权和。
• 即使在高维中，RBF对于大量的点通常也是非常精确和稳定的。
• 这是径向基函数方法的扩展。RBF快速模式可以使用回归而不是插值，这在有噪声数据的情况下可能是有利的。
