美国空军（USAF）越来越多地使用无人驾驶飞行器（UAV），给负责培养空勤人员的飞行训练单位带来了压力。学员配额的增加，加上向 MQ-9 机体过渡所产生的新培训要求，影响了达到预期学员吞吐量水平所需的资源。本研究利用无人机飞行训练单位的历史数据，开发了一个训练中队日常运作的仿真模型。当前的需求、操作和教员人员配备水平被用来对单位人员配备和机组人员产量之间的关系进行基线评估。随后的分析调查了课程频率、班级规模和教员数量对学员吞吐量的影响。研究结果建议在课程执行中采用新方法，以更充分地利用教员能力，并告知无人机飞行训练单位满足美国空军需求所需的适当人员配备水平。
第 9 攻击中队（9 ATKS）位于新墨西哥州霍洛曼空军基地，负责培训 MQ-9 "死神 "无人机的机组人员。飞行员和传感器操作员组成发射和回收机组，负责飞机的起飞和着陆；由传感器操作员和飞行员组成的飞行机组负责飞行中的操作。MQ-9 可执行多种作战任务，从空中拦截到战斗搜索和救援协助。9 ATKS 实施了五种不同的培训课程，使操作员为 MQ-9 行动的各个方面做好准备。
人员配备水平对 9 ATKS 的能力提出了挑战，它既要提供足够的支持以保持常驻机组人员的飞行熟练程度、支持所需的行政任务，又要提供适当的机组人员休息，同时还要满足当前受训学生人数的需求。由于预计未来几年将有更多的学生参加初始资格培训（IQT），9ATKS 希望确定维持课程流程所需的教官飞行员数量，以确保学生按照规划时间表毕业。除了人员配备问题外，许多其他随机性因素也会影响满足培训要求的能力，包括天气条件、常驻人员部署、临时任务（TDY）、维护、飞行状态和休假。
这项研究工作旨在通过优化目前的人员配置，确定 9 ATKS 每年可培训的操作人员数量，并确定预计增加的学员所需的教员人数。通过建模和模拟，进行了全面的人员配备分析，以确定当前的人员配备是否能够在不过度增加教官任务的情况下满足学生的生产需求，确定造成培训延迟的方面，以及满足空军未来需求变化所需的教官预计人数。
MQ-9 训练涉及多个课程。其中规模最大的是基本初始资格课程，也称为再认证/过渡轨道 1 (IQT)。IQT 培训新加入 MQ-9 的飞行员和传感器操作员，包括 93 个培训日，其中 61 个教学日和 32 个飞行日。重新认证/过渡轨道 2（TX-2）是对已超过 39 个月未获得 MQ-9 资格的飞行员和传感器操作员的强制性培训，包括 71 个培训日，其中 49 个教学日和 22 个飞行日。重新鉴定/过渡轨道 3（TX-3）是对 39 个月以下不合格的飞行员和传感器操作员的要求，包括 43 个教学日和 16 个飞行日，共计 59 个训练日。过渡轨道 4（TX-4）培训合格的飞行员或传感器操作员，使其具备使用 MQ-9 主要武器系统的资格。TX-4 轨道的培训天数为 44 天，包括 28 个教学日和 16 个飞行日。9 ATKS 提供的最后一个培训项目是正式训练单位（FTU）教官升级培训（FIUT）课程，用于将机组成员升级为教官。该课程为期 22 天，包括 7 个教学日和 15 个飞行日。除节假日和周末外，9ATKS 全年同时开展所有五个培训项目。
从表 1 中的人员配备水平可以看出，9ATKS 内有不同级别的人员。每位飞行员每周能够指导的飞行活动次数取决于其职位的可用性。如果飞行员没有额外的中队要求，他们每周可以指导五次飞行活动，同时保持适当的机组休息。除了与每类人员相关的技能组合外，飞行员之间的技能组合也各不相同，这限制了每个人有资格指导的课程部分。
9 ATKS 飞行员还负责运营主管、飞行主管以及发射和回收人员的日常人员配置。这些额外的职位需要特殊的技能组合，限制了能够担任每个职位的飞行员人数。虽然飞行员经常作为教官飞行，但他们也必须每月作为主要飞行员飞行一次，以保持对 MQ-9 的熟悉程度。同样，传感器操作员也因其职位和可用性而受到指导内容的限制。
基本等效机组人员（BCE）是 9 ATKS 用来衡量年度机组人员产量的一项指标。在正常运行情况下，9ATKS 预计每年至少产生 120 个 BCE。BCE 因素按教学大纲类型加权，其中 IQT 教学大纲的权重最大。表 2 按教学大纲列出了机组人员完成工作的 BCE 权重。
历史上解决人员配备和调度问题的工作使用过线性编程（Winston，2004 年）和整数编程（Billionnet，1999 年），并已应用于现实世界的调度问题（Ryan 和 Foster，1981 年；Ghalwash 等，2016 年）。虽然这些方法已成功应用，但由于该问题的复杂性、动态性和随机性，这些方法需要做出许多不可接受的假设。
模拟已被广泛应用于调度优化中，它允许用更接近真实世界问题的分布来表示各因素，而不是一个恒定值。Banks 等人（2010 年）强调，通常可以建立一个系统模型，并用数学方法加以解决，但现实世界系统的复杂性并不能像计算机模拟那样得到很好的体现。通过模拟系统，可以研究和分析随时间变化而变化的各个方面，并通过多次运行深入了解预期结果及其分布情况。一旦构建了模拟模型，用户就可以改变多种因素，并根据这些变化预测系统性能。根据输入变化对模拟输出进行分析，可提供有关不同变量影响的宝贵信息。从模拟中获得的洞察力可以帮助确定现实世界系统中可以改进的地方。
对文献的深入研究发现，模拟研究技术适用于 9 个 ATKS 面临的情况。Sepulveda 等人（1999 年）利用仿真技术改进了癌症治疗中心的流程，不同类型的病人在多个地点就诊，由具备不同技能的医院员工进行治疗，结果在不改变人员配置的情况下，服务的病人增加了 30%。Kumar 和 Kapur（1989 年）模拟了急诊室的排班情况，以评估不同班次的人员配置水平对服务质量的影响，同时最大限度地减少病人等待时间和成本。与 9 名 ATKS 同时指导课程类似，医院员工负责提供五种不同级别的急诊服务，同时受到班次长度的限制。Seguin 和 Hunter（2013 年）使用资源分配规划工具模拟了加拿大空军飞行训练学校的训练操作，以分析训练计划、找出延误原因并最大限度地缩短课程完成时间。模拟考虑了天气、飞机、模拟器、不同教员类型以及学生表现。模拟发现，飞行模拟器的可用性是造成延误的最大原因，并确定了分段排课形式是加快课程完成的最佳选择。
Jun 等人（1999 年）说明了针对多标准目标函数同时使用模拟和优化技术的好处。April 等人（2003 年）指出，几乎所有的现代模拟软件包都提供了对输入参数最佳值的搜索，而不是统计估计，并使用进化方法来搜索解决方案空间和进化解决方案群。Simio 使用的 OptQuest 优化软件就是利用这种进化方法，结合用户提供的起点、精度水平、停止标准和目标函数，对模拟的输入和输出进行评估，以探索候选值（April 等人，2003 年）。Kleijnen 和 Wan（2007 年）利用 OptQuest 最小化库存管理系统的库存成本，得出的结论是，与修正的响应面方法相比，OptQuest 提供的输出是对真实最优值的最佳估计。
由于 MQ-9 飞行训练调度的复杂性，我们通过 Simio 及其 OptQuest 功能将模拟和优化相结合。该软件套件能够运行实验、生成多种类型的输出数据，并允许进行直观分析，以评估 9 ATKS 排程问题的最佳排程选项（Prochaska 和 Thiesing，2008 年）。
为了最有效地实现研究目标并体现 9 ATKS 的实际运行情况，我们使用 Simio 面向对象的仿真软件建立了一个仿真模型。我们还考虑了其他方法，但认为基于模拟的方法最适合了解当前的人员配备水平、对吞吐量的影响以及预测未来不确定性的最佳人员配备。该模型代表了 9 个 ATKS 日常运作的主要方面。每名指派、挂靠、预备役或承包教官在模拟中都代表一种资源。2018 年 10 月与 9 ATKS 相关的飞行员和传感器操作员人数被用作代表性人员配备。9 ATKS 中没有两名教官拥有相同的技能组合或工作要求。
由于教官总数为 132 人，因此模拟个性化的时间表是不切实际的。根据历史数据，对每种教官类型采用了平均每周飞行任务量，使指派教官、附属教官、后备教官和承包教官每周分别完成五次、两次、四次和五次飞行任务。传统的后备飞行员每月只完成一次飞行任务，因此从模型中剔除。
在正常运行情况下，教官在汇报前、汇报后、行政管理和机组休息方面的要求限制了教官每天只能完成一次飞行任务。因此，一名教员在一天 8 小时的飞行活动中被扣押。教员也可因非飞行专业任务而被扣押。每天都会有一个实体到达并扣押额外任务所需的适当教员资源。此外，历史数据显示，有 12% 的教员因服役期满、休假、生病和其他军事任务而无法执行任务，每天由另外一个实体随机扣押 16 名教员。
教官拥有 14 种不同的技能组合，这决定了他们可以指导哪些飞行或学术课程。教官的模式选择反映了 9 ATKS 采购的优先顺序，由资源清单顺序决定。
MQ-9 飞机和模拟器都用于培训目的，每种都有四架供日常使用。模型将这些飞机和模拟器视为资源，由学员在开始每项训练任务时使用。通常情况下，每架飞机每天要完成四次飞行，每个模拟器每天要完成五次飞行，这些都是每个设备资源的容量。天气条件和飞机维护限制了飞机的可用性，而模拟器的可用性则受到停机维护和软件更新的限制。由于天气和维护造成的历史平均运行时间损失分别为 23.6% 和 3.5%。模拟器不受天气影响，但因维护和软件更新而停机的时间占 0.3%。
天气影响是由一个实体在天气阻碍飞行的日子里扣押所有飞机来模拟的，并通过随机抽签的方式获得。每种类型飞机的维护都是附加在每种设备资源上的可靠性因素。飞机和模拟器的故障是基于使用次数计算的，故障之间的次数是均匀分布的。停机时间被模拟为一整天，这使得飞机和模拟器分别在四次和五次飞行中无法使用。为了将飞机上 3.5% 的停机时间模拟为四次飞行，每架飞机的正常运行时间为 114 次飞行，并模拟为最小 104 次和最大 124 次的均匀分布。模拟器 0.3%的停机时间被模拟为均匀分布，最大为 1,800 次飞行，最小为 1,400 次飞行，以捕捉 5 次停机时间。
培训计划的教学大纲将事件与每个事件所需的时间（小时）进行了细分。事件包括学术课程、模拟飞行和飞机飞行，文件列出了每个培训日需要完成的事件（空军部，2018 年）。五门不同的课程被表示为处理实体的服务器。如图 1 所示，每个服务器内都有一个任务表，根据《MQ-9 训练手册》列出了该课程大纲的所有事件和必要进度。代表教学大纲的每个任务表都包含每个训练事件的不同方面，包括任务名称、处理时间、前置任务、学员失败概率、飞行员资源需求、传感器操作员资源需求、设备需求、开始任务流程和结束任务流程。每个事件的学员失败概率基于历史数据。所有任务的处理时间都设定为 8 小时，因为这些任务通常需要一整天才能完成。
有些任务可以根据其前提要求以不同的顺序完成。前置组件允许学员根据教员和设备的可用性，以各种模式完成任务。飞行员、传感器操作员和设备要求包含适用于特定活动的教员或设备（飞机或模拟器）列表。在某些活动中，只需要一名随堂教员，而其他教员的要求则由虚拟资源来填补。此外，有些教学日严格基于计算机，不依赖任何资源。
每个培训活动的起始任务要么是由每个学生完成的单个流程，要么是由两个学生（超级学生）完成的活动，要么是由整个班级的学生完成的学术课程。单个流程会检查资源是否可供该学生使用，以及该学生当前是否正在完成其他任务。如果满足这两个条件，学生就会在任务期间使用相应的资源。对于超级学生和学术班级任务，开始任务流程会让学生实体等待，直到有适当数量的学生可用。模拟处理时间结束后，执行完成任务流程。所有事件的完成任务流程都类似；学生释放为任务占用的资源。
通过随机抽号来确定学生是否未能完成任务。如果学生没有通过，则说明他们没有达到下一个任务的前置要求，将重复任务直到通过为止。
实体代表机组人员，由一名学生飞行员和一名学生传感器操作员组成，流经每个课程中的事件。学生到达时间由历史平均班级数和规模决定。对于 IQT，学生每 41 天到达一次，TX-2 课程每 365 天到达一次，TX-3 课程每 219 天到达一次，TX-4 课程每 183 天到达一次，FIUT 轨道每 37 天到达一次。IQT 课程的历史平均班级人数为 10 人，TX-4 课程为 6 人，其余课程的平均班级人数均为 2 人。
模型假设对于正确捕捉 9 个 ATKS 的实际情况是必要的，因为这些情况无法在模拟中再现。数据提供了教员无法上课的情况，但没有按原因进行分解。因此，不可用教员的百分比是作为整个教员库每天的确定比例来实施的。
天气也会影响完成培训的能力。在雨季（7 月至 9 月），许多计划中的飞行要么作为模拟飞行完成，要么被取消。该模型并没有实施天气的季节性影响，而是实施了因天气原因而取消航班的总体平均率。这一概率同时适用于所有飞机。
飞机和模拟器的维护也会导致培训延迟。每种设备资源中都内置了一个独立的可靠性系数，以反映这两种设备的停机时间。故障之间的正常运行时间采用均匀分布，假定停机时间为一天。
FIUT 课程用于培训学生成为其他四门课程的教员。课程所需的所有飞行都依赖于 IQT 教学大纲流程，因为 FIUT 学生指导 IQT 学生是其课程要求的一部分。由于实际培训情况的复杂性，FIUT 培训的这一环节没有被模拟。FIUT 课程任务表中包含了由于这种依赖而造成的延迟，以表示时间延迟。
用于模型输入的所有数据均由 9 ATKS 和第 16 训练中队（16 TRS）提供。第 16 训练中队的行动助理主任负责监督 9 ATKS 的行动，并维护有关课程学生人数和教员可用率的历史数据。16 TRS 还提供了因天气和维护问题造成的航班取消率。有关教员人数及其技能组合的信息由 9 ATKS 参谋长提供，这些信息为创建资源清单和代表当前业务的资源数 量提供了指导。教员的选择偏好由 9 ATKS 调度员提供，他还就教员在额外任务中的平均利用率提供了指导，这有助于创建一个更切合实际的模型。调度员还提供了每类教官每周完成的平均飞行次数，以及成员必须进行重新认证飞行的频率。
这项研究的重点是深入了解在规定时间内完成培训的学生达到预期人数所需的教员数量。为进行模型验证和运行分析，记录了飞机利用率、模拟器利用率和教员利用率。为了指导教学大纲在哪些方面可能需要改进，记录了完成每项任务所需的等待时间，以确定每项教学大纲中哪些事件导致了延迟。
在整个模型构建过程中，咨询了最熟悉中队职能的 9 个 ATKS 成员，以确认模型中的表述准确无误。在试运行期间，通过可视化显示屏监测学生人数，显示当前课程的学生人数和完成课程的人数。这样可以验证课程是否同时开始和结束，以及学生是否顺利完成了整个教学大纲。此外，为了建立一个基线，还记录了在完美条件下完成教学大纲所需的天数，即在没有天气或维护取消以及所有教员都在岗的情况下。每班学员完成教学大纲所需的时间与 MQ-9 初始资格认证和再认证培训课程教学大纲的预测时间直接吻合。
通过比较完成每个教学大纲所需的时间与历史结果，对模型进行了验证。模拟运行的学生人数与历史上完成不同培训课程的学生人数相同。模拟运行了 20 次，历时 730 天。完成每个教学大纲的历史平均天数与模拟学生完成每个教学大纲所需的平均天数进行了比较。修改后的双样本 t 置信区间表明，模拟平均完成时间与历史完成时间之间没有显著差异。
此外，还将 2017-2018 年完成每个教学大纲的历史学生人数与完成每个教学大纲的模拟学生人数进行了比较。在所有教学大纲中，真实世界和模拟数据的吞吐量几乎相同，因此验证了该模型能够准确捕捉当前的运行情况。
9 ATKS 预计对训练有素的 MQ-9 机组人员的需求会增加，因此 IQT 班的规模也会扩大。为了了解班级规模扩大对中队的影响，我们在每个班级 10 到 18 名学生的范围内进行了实验。此外，9ATKS 还想了解增加教员对学生流量的影响，因此进行了一项实验，将现有教员增加到授权水平的 100%，即飞行员和传感器操作员均增加到 18 人。另一项研究是增加上课频率。在教员水平保持不变、班级规模从 10 人到 18 人不等的情况下，进行了一项实验，将班级间隔时间从每 50 天减少到 40 天和 30 天。实验结果被采用。
验证后，对模型输入进行了更新，以反映典型的 IQT 班级规模，即每年教授 7 个班级。对反映正常运行的更新模型进行了 20 次复制，共运行 730 天，输入参数列于表 3。对输出数据进行了分析，以确定资源利用率。按设备类型划分的总体利用率表明，飞机和模拟器的利用率分别为 50.2% 和 57.9%。这表明在正常运行情况下，这些资源的可用性并不是限制学生吞吐量的因素。
按技能组合划分的教员平均利用率包括 12% 的时间用于教学以外的任务，明显高于飞机和模拟器资源。具有运行监督员（TOP 3）、额外值班飞行评估员/飞行评估员（ADFE/FE）、发射和回收（LR）资格的教员飞行员以及所有高级技能的使用率超过 90%。在 FIUT 课程中使用最多的指定教员（DI）的使用率接近 86%。只具备模拟器资格的教员使用率为 77%。传感器操作员的使用率低于飞行员的使用率，这是因为他们需要履行的额外职责较少。许多教员拥有多种资格，因此使用率并不相互排斥。
通过每次增加三名不同技能的飞行员和传感器操作员，分析了增加教员对 IQT 学员吞吐量的影响。不出所料，教员的增加提高了每年完成课程的学生平均人数，并缩短了完成课程的平均时间。使用配对 t 置信区间来确定一年内完成 IQT 教学大纲的平均学生人数和平均完成时间的显著差异。基线模型与每次增加的指导教师以及每次增加的指导教师之间的配对比较进行了分析。如表 4 所示，当增加六名或六名以上指导教师时，与基线模型有显著差异。增加六名以上的指导教师并没有使一年内完成教学大纲的学生人数显著增加，但却减少了完成教学大纲的时间，而增加九名以上的指导教师则没有进一步改善时间。我们有理由认为，改善的逐渐减小可归因于教员不再是限制学生完成时间的因素。
我们还收集了每个任务的学生等待时间。在 IQT 教学大纲中的 72 项任务中，有 33 项任务的平均等待时间超过了一天，其中 19 项是需要全班共同完成的学术课程。第 39 项任务的平均等待时间最长，由 7 次飞行组成，其中两次飞行的失败率是教学大纲中最高的 2509 次飞行。大部分训练延误都发生在需要全班同时完成的学术课程上，学术课程占延误时间的 55.1%，而飞机和模拟器飞行分别占延误时间的 24.2%和 20.7%。表 5 列出了平均等待时间超过两天的任务的平均等待时间和最长等待时间。
在正常工作水平下，9 ATKS 预计每年可生产 120 BCE。表 6 列出了基线模拟中按教学大纲分列的年度 BCE 产量。在正常运行情况下，按照目前的人员配备水平、历史班级规模和班级频率，120 个 BCE 的目标是可以实现的。
9 ATKS 还想估算一下如果以军事人员编制取代承包商支持的吞吐量。目前的人员配备包括 15 名承包商飞行员和 18 名承包商传感器操作员，其中分别有 8 名和 7 名获得认证，只能在模拟器中进行指导。模拟运行了 730 天，每个场景重复 20 次，只使用非承包商教员。每种情况下，飞行员和传感器操作员教员的数量均增加 3 人，模型中每种教员的数量均增加到 24 人。从分析中可以看出，承包商部队对学生吞吐量有影响。如表 7 所示，通过配对-t 置信区间分析发现，如果取消承包商部队，则需要增加 12 至 15 名军事飞行员和传感器操作员，才能实现与目前相似的吞吐量和完成时间。
由于兴趣集中在提高 IQT 教学大纲的学生通过率上，最能体现学生通过率的两个反应因素是一年内完成教学大纲的学生人数和课程完成时间。影响学生学习效率的两个可控因素是教师人数和班级规模的变化。我们采用了实验设计，以确定对学生学习效率影响最大的教员增加水平和班级规模。
考虑的班级规模范围基于历史数据和预期的未来班级规模。教员配备的范围是根据授权的允许配备水平确定的，从没有到增加 18 名飞行员和传感器操作员不等。表 8 列出了各因素的选定水平。在分析教员和学生班级规模的不同水平时，采用了面上有轴向点和附加中心点的中心复合设计。
使用 JMP 对 10 个方案进行了全二阶模型分析。为了满足响应面假设，对响应进行了 Box-Cox 转换，从而充分解决了模型有效性问题。等式（1）和（2）提供了在编码空间中完成 IQT 教学大纲的年度学生人数和平均完成时间的简化响应面模型。
为每个预测方程创建了一系列可能组合的热图。图 2 显示，当班级规模较小且增加更多教师时，完成时间最短。如图（3）所示，当班级规模最大时，学生吞吐量最大，但并不会受到增加教员的巨大影响。
为了进一步分析班级规模、教师、学生吞吐量和完成 IQT 教学大纲所需时间之间的关系，我们使用了 OptQuest 附加功能。班级人数以两人为单位递增，而教师人数则以三人为单位递增。OptQuest 开发的每个方案都至少运行十次，以得出学生的平均通过率和完成时间。每个目标都单独进行了优化。最大化时，在增加 18 名教师和 18 个班的情况下，学生吞吐量在 186.7 天内达到 125。将结业时间最小化则需要 140.6 天，68 名学生将在一年内完成 IQT 课程。这是在班级规模为 10 人、增加 12 名教师的情况下实现的。这些结果与班级规模为 16 人、不增加教员的基线模式进行了比较，两者的结果差异显著。
针对 OptQuest 的多目标特性，对两个目标进行了归一化处理，权重相同。所有实验方案均以班级人数为 16 人、教员人数增加 15 人为最优解。这些变量值产生的平均学生吞吐量为 116 人，平均学生结业时间为 167.3 天。在这一最优解中，完成学业的学生人数与最佳吞吐量 126 人相比偏差 10 人，而完成学业时间与最佳完成学业时间 141.3 天相比偏差 26 天。在单独评估目标时，使用响应面预测方程找到的解决方案相似。然而，在使用 OptQuest 时，只有模型能够处理的方案才能运行，这就限制了解决方案的空间，使其只能包括班级人数平均和以三人为增量增加教师。
在激增期间，9 个 ATKS 预计每年产生 140 个 BCE。在其他四门课程保持不变的情况下，这一年需要 125 名学生完成 IQT 教学大纲。如图 3 所示，这样的要求需要 18 人的班级规模和增加 17 或 18 名教员。在目前的人员配备下，班级人数的增加每年平均只能完成 114 名学生的课程，教员使用率增加 3%。因此，对上课频率进行了调查。通过调整班次和班级规模，完成了一项实验设计，以确定对学生吞吐量的影响。班级规模与表 8 相同，而课程频率的编码值则从 30 天到 50 天不等。采用面上有轴心点和两个中心点的中心复合设计来分析不同的到课率和学生班级规模。
分析了衡量学生吞吐量和完成时间影响的二阶模型。公式 (3) 和 (4) 分别提供了在编码空间中的吞吐量和完成时间的简化响应曲面。
在班级频率为 30 天、班级人数为 14 人的情况下，学生吞吐量最大，每年有 126 名学生，平均完成时间为 272.1 天。在每 49 天有 10 名学生到校的情况下，结业时间最小化，每年有 69 名学生结业，平均结业时间为 145 天。这两个目标的最佳解决方案产生的平均吞吐量和完成时间与基线有显著差异。图 4 和图 5 中的热图显示了吞吐量和完成时间的组合范围。更重要的是，这表明改变班次和班级规模可以在不增加任何人员的情况下满足 125 名学生的激增要求。
模拟 126 人的最大吞吐量（每 30 天 14 人的班级规模），飞行员和传感器操作员的利用率分别为 94.1% 和 77.8%，比基线操作分别提高了 5.5% 和 2.9%，但平均每年可多培养 18 名 MQ-9 机组人员。
模型分析和结果对决策者很有价值，因为他们可能需要调整多种因素，以满足美空军对 MQ-9 机组人员的需求。模拟成功地提供了在不中断正在进行的训练的情况下分析 9 ATKS 运行情况的方法。根据模拟中测试的情景，开发出了多元回归方程，可用于预测学员吞吐量和课程完成时间。通过分析模拟的不同方面，我们获得了对真实世界系统的洞察力，这些方面的设置代表了当前的人员配备和运行情况。为了在离散事件模拟中表现真实世界的系统，有必要进行假设和简化，因此结果是可靠的，但并不精确。
目前的人员配备水平能够超过预期的学生年吞吐量。但是，这需要充分利用最合格的飞行员。虽然学生偶尔会因为飞机或模拟器上的课程飞行而延误，但学术活动造成的延误最大，这主要是由于要求学生以班级为单位完成学术活动。
分析表明，班级规模比教员人数对学生吞吐量的影响更大。在不改变每年 IQT 课程数量的情况下，要实现每年 125 名 IQT 学员完成课程的目标，飞行员教员和传感器操作员都需要增加 17-18 人。将人员配备增加到授权水平的 100%将能够满足 140 名 BCE 的需求。不过，通过调整班级规模和增加抵达频率，无需增加人员配备也能满足需求。
今后的工作将通过提高模型的保真度来加强，从每日运行提高到每小时运行。这将更准确地评估教员的使用情况，允许教员每天完成一次以上的飞行活动。此外，这还将允许使用特定的教员对每节课进行单独的学术课程建模。增加并持续收集每次活动的失败率数据，可以更准确地预测学生的总体完成情况。收集更多关于教师可用性的具体数据，可以实现个性化的停课时间。可以模拟不同目标权重的影响，以便深入了解优先顺序。此外，还可以在模型中确定到课分布，以便更准确地捕捉到到课情况的变化。
本文所表达的观点仅代表作者本人，并不反映美国空军、国防部或美国政府的官方政策或立场。
托马斯-塔拉福斯（THOMAS TALAFUSE）是空军技术研究所作战科学系作战研究助理教授，拥有阿肯色大学工业工程博士学位。他的研究兴趣包括可靠性、风险分析和应用统计。他的电子邮件地址是tom.talafuse@gmail.com。
兰斯-钱伯纳（LANCE CHAMPAGNE）拥有杜兰大学生物医学工程学士学位、空军技术研究所（AFIT）运筹学硕士学位和运筹学博士学位。他是空军技术研究所作战科学系作战研究助理教授，研究兴趣包括基于代理的模拟、作战建模和多元分析技术。他的电子邮件地址是lance.champagne@afit.edu。
ERIKA GILTS 是美国空军现役作战研究分析员，被派往德国拉姆施泰因空军基地。她拥有安德森大学数学教育学士学位和空军技术学院运筹学硕士学位。她的研究兴趣包括建模与仿真、军事行动分析、文本挖掘和应用统计。她的电子邮件地址是erika.gilts@gmail.com。
April, J., F. Glover, J. P. Kelly, and M. Laguna.2003."仿真优化实用入门》。In Proceedings of the 2003 Winter Simulation Conference, edited by S. Chick, P. Sanchez, D. Ferrin, and D. Morrice, 71 - 78.Piscataway, NJ: Institute of Electrical and Electronics Engineers, Inc.
Banks, J., J. S. Carson, B. L. Nelson, and N. M. David.2010.离散事件系统仿真》。第五版。新泽西州上鞍河：Pearson Education, Inc.
Billionnet, A. 1999, 4. "Integer Programming to Schedule a Hierarchical Workforce with Variable Demands".European Journal of Operational Research 114(1):105-114.
Department of the Air Force 2018.MQ-9 Initial Qualification and Requalification Training Course.弗吉尼亚州兰利-尤斯特斯联合基地：总部空战司令部。
Ghalwash, M. F., X. H. Cao, I. Stojkovic, and Z. Obradovic.2016."使用坐标后裔优化的结构化特征选择》。BMC Bioinformatics 1(17):158-172.
Jun, J. B., S. H. Jacobson, and J. R. Swisher.1999."离散事件模拟在卫生保健诊所中的应用：A Survey".运筹学会期刊》50:109-123。
Kleijnen, J. P. C., and J. Wan.2007.OptQuest and Alternatives"：OptQuest and Alternatives".Simulation Modelling Practice and Theory 15:354-362.
Kumar, A. P., and R. Kapur.1989."离散模拟应用--急诊室人员调度》。In Proceedings of the 1989 Winter Simulation Conference, edited by E. MacNair, K. Musselman, and P. Heidelberger, 1112-1120.纽约州纽约市：纽约州纽约市：计算机协会。
Prochaska, K., and R. M. Thiesing.2008."Simio 简介》。In Proceedings of the 2008 Winter Simulation Conference, edited by S. Mason, R. Hill, L. Monch, O. Rose, T. Jefferson, and J. Fowler, 229-235.佛罗里达州迈阿密：佛罗里达州迈阿密：电气与电子工程师协会。
Ryan, D., and B. Foster.1981."An Integer Programming Approach to Scheduling".In Computer Scheduling of Public Transport, edited by A. Wren, 269-280.North-Holland Publishing Company.
Seguin, R., and C. Hunter.2013."2 Canadian Forces Flying Training School Resource Allocation Simulation Tool".In Proceedings of the 2013 Winter Simulation Conference, edited by R. Pasupathy, S. Kim, A. Tolk, R. Hill, and M. Kuhl, 2866- 2877.华盛顿特区：美国电气与电子工程师协会。
Sepulveda, J. A., W. J. Thompson, F. F. Baesler, and M. I. Alvarez.1999."癌症治疗中心使用仿真改进流程》。In Proceedings of the 1999 Winter Simulation Conference, edited by P. Farrington, H. Nembhard, D. Sturrock, and G. Evans, 1541-1548.新泽西州皮斯卡塔韦：电气与电子工程师协会。
Winston, W. 2004.Operations Research:Applications and Algorithms.Belmont, CA: Brooks/Cole.