2. 多学科模型接口的基本类型与交互模式

在多学科联合仿真与协同设计中，模型之间的“接口”决定了数据以什么形式、在什么时机、以多大粒度流动。接口选型不当，往往不是模型算不出来，而是数据传不过去、传得太慢或传得不一致。本节把工程中最常见的五类接口——文件交换、API 调用、消息队列、共享内存、联合仿真接口——放在同一坐标系下比较，并给出可操作的选型依据。

五类接口的本质差异

理解这五类接口，关键是抓住三个维度：耦合方向（单向还是双向）、时间关系（同步阻塞还是异步解耦）、数据驻留位置（磁盘、进程内存还是共享物理内存）。

• 文件交换：模型 A 把结果写成文件（如 CSV、JSON、MAT、HDF5），模型 B 读取。本质是“磁盘中介、离线解耦”。优点是实现最简单、可追溯、跨语言跨机器；缺点是延迟高、无实时反馈、需处理格式与单位约定。
• API 调用：一方以函数/HTTP/RPC 形式直接调用另一方的计算能力，如 Python 通过 requests 调用仿真服务的 REST 接口。本质是“请求—响应、同步阻塞”。优点是语义清晰、可传结构化参数；缺点是调用方需等待，被调方故障会直接传导。
• 消息队列：通过 Kafka、RabbitMQ、MQTT 等中间件发布/订阅消息。本质是“异步、可缓冲、多对多”。优点是削峰填谷、松耦合、支持一对多广播；缺点是引入中间件运维、消息顺序与重复需处理。
• 共享内存：多个进程映射同一块物理内存（如 POSIX shm_open + mmap），直接读写同一地址空间。本质是“零拷贝、极低延迟”。优点是带宽最高、延迟最小；缺点是无法跨机器、需自行做同步（信号量/互斥锁），且生命周期管理复杂。
• 联合仿真接口：遵循 FMI/FMU 等标准，由主控算法（Master）在固定通信步长上调用各 FMU 的 doStep，交换输入输出变量。本质是“时间同步、步长驱动、标准化”。优点是支持跨工具协同、可回放、变量语义明确；缺点是需要处理代数环、步长与稳定性问题。

选型判断：从需求反推接口

接口选型不是“哪个先进选哪个”，而是从四个问题出发：是否需要实时闭环？是否跨机器/跨语言？数据量多大？是否要求可追溯？

实操示例：用 FMI 联合仿真接口交换两个 FMU 的数据

假设有一个“电机模型 FMU”和一个“控制器 FMU”，通信步长 h = 0.001 s，仿真总时长 T = 1 s。主控算法按以下逻辑推进：

# 伪代码：FMI 2.0 联合仿真主控循环（示例参数）
h = 0.001          # 通信步长，单位 s
T = 1.0            # 总仿真时长，单位 s
t = 0.0

motor = load_fmu("motor.fmu")       # 电机 FMU
ctrl  = load_fmu("controller.fmu")  # 控制器 FMU

motor.instantiate(); ctrl.instantiate()
motor.setup_experiment(start_time=0.0, stop_time=T)
ctrl.setup_experiment(start_time=0.0, stop_time=T)
motor.enter_initialization(); ctrl.enter_initialization()
motor.exit_initialization();  ctrl.exit_initialization()

while t < T:
    # 1) 控制器读取电机转速，计算电压指令
    speed = motor.get_real("shaft.speed")      # 单位 rad/s
    ctrl.set_real("input.speed", speed)
    ctrl.do_step(t, h, True)
    voltage = ctrl.get_real("output.voltage")  # 单位 V

    # 2) 电机接收电压指令并推进一步
    motor.set_real("input.voltage", voltage)
    motor.do_step(t, h, True)

    t += h

motor.terminate(); ctrl.terminate()

这段循环体现了联合仿真接口的核心特征：主控算法统一管理时间推进，两个 FMU 在同一个 t 上交换变量，步长 h 决定耦合精度。若 h 取 0.01 s，计算更快但可能丢失高频动态；若取 0.0001 s，精度提高但计算量成倍增加。实际工程中常用“步长减半、结果变化小于阈值”来判断步长是否足够。

混合使用与常见陷阱

真实系统很少只用一种接口。例如：用文件交换做离线标定数据归档，用 API 调用触发单次仿真，用消息队列把结果推送给多个可视化消费者，用共享内存做同机高频闭环，用 FMI 做跨工具时间同步。混合使用时要注意三点：

• 时间基准统一：文件交换和消息队列没有全局时钟，若与联合仿真混用，需明确“谁的时间戳是权威”。
• 数据一致性：共享内存读写必须配合同步原语，否则会出现“读到半更新数据”的撕裂问题。
• 故障隔离：API 调用是同步阻塞，被调方超时会拖垮调用方；消息队列和文件交换天然具备缓冲，更适合不稳定链路。