无人机飞控系统接口信息形式化处理系统的设计与实现
这是一篇关于接口,形式化方法,MVC,接口定义语言,代码生成的论文, 主要内容为无人机飞行控制系统接口信息是无人机内部飞控计算机与相关子系统之间的通信信息,这些信息中就包含了大量的飞行状态参数或飞行指令。因而,对于无人机飞行控制系统,接口信息显得十分重要。但是,由于国内对这些接口信息的处理方式目前还是以手工方式、文本编辑方式为主,对接口信息的设计、验证、使用等各方面都造成了不便,进而还会影响到无人机飞行控制系统的开发。所以,提出了以形式化的方式处理飞行控制系统接口信息的构想。本文基于这一构想设计并实现了无人机飞控系统接口信息形式化处理系统,使用本系统就可以利用形式化方法实现对接口信息的处理。 本文首先通过对无人机飞行控制系统接口信息的整理,总结出接口信息的特点。并根据这些特点,设计并实现一种适合于存储接口信息的文件格式(也称形式化规格),使得具有这种存储格式的文件能够很好地展现接口信息。然后,以此类信息文件为接口信息源,在此基础上实现辅助接口设计、验证接口特征、快速生成使用接口信息代码的功能。最后,按照改进MVC设计模式,实现无人机飞控系统接口信息形式化处理系统,系统提供了实现上述功能的友好的用户操作界面。通过系统的用户界面,可以利用图形符号来设置接口之间关联与接口属于那个飞控子系统,可以利用一种自定义形式语言(也称接口定义语言)来构建接口特征信息,这样达到辅助接口设计的目的。在辅助接口设计的同时,系统会自动地更新信息文件中的接口信息。在设计好接口之后,还可以通过系统的用户界面启动接口特征验证的工作或快速生成使用接口信息代码的工作。 测试表明,无人机飞控系统接口信息形式化处理系统基本实现了接口信息以形式化规格存储、接口信息以图形符号或形式语言设计、接口验证方便与使用接口信息代码可自动生成等功能。通过本系统对接口信息进行处理,可以使设计接口的同时接口信息同步更新,可以使设计接口方便、直观,可以提高设计接口的效率,可以缩短接口设计错误发现的时间,可以规范使用接口信息的代码,可以减少部分重复编码的劳动量。
结合强化学习和Petri网的游戏AI建模、分析与优化
这是一篇关于游戏AI,形式化方法,Petri网,强化学习,寻路的论文, 主要内容为在电子游戏的设计与开发中,游戏人工智能(Artificial Intelligence,AI)的设计是一个重要环节,是影响玩家体验的一个关键因素。游戏AI作为游戏可玩性、自由度的技术核心,可以提供给玩家更深层次的互动,让每个玩家体验到有趣、丰富且不同的游戏内容。有限状态机和行为树是目前游戏AI的主流配置方式,但有限状态机的决策较为单一,不易拓展,行为树则会占用更多的计算性能。强化学习作为三大机器学习方法之一,利用其“试探-得到回报-根据回报改变行为以求得更好的回报”的闭环行为策略,在电子游戏开发制作和研究中得到很好的应用,也是设计游戏AI的重要途径之一。Petri网是一种描述状态变化的建模方法,通过变迁构建各状态之间的联系,设定好变迁发射的规则以及反馈,使得网模型具备良好的灵活性。Petri网相较于其他建模语言具有一定的优势,其图形表示法简明直观,又具有很强的逻辑与数学理论支撑。本文研究的主要内容为探索形式化方法在游戏AI算法的拓展方式及其应用价值。结合强化学习和Petri网,本文主要工作成果如下:(1)提出了一种Petri网强化学习(Petri Net Reinforcement Learning,PNRL)算法,利用Petri网模型进行强化学习训练。与传统强化学习算法构建Q值表格不同的是,PNRL算法利用Petri网处理状态转移的高效性,将令牌存入Petri网的库所中,每一次变迁的发射伴随一次训练。学习过程的值更新借鉴了Q-Learning算法的值函数估计方式,但是执行的策略完全依靠Petri网自身变迁规则生成。(2)在算法测试过程中,PNRL算法的训练效果明显优于传统表格型Q-Learning算法。在面对状态数量较多的情况下,PNRL算法能保持稳定的计算消耗,用时更短,解决了Q-table过大影响训练效率的问题。同时在收敛性测试中,PNRL算法收敛速度更快。收敛后的Petri网模型能输出获得目标奖励的最快动作策略,避免局部最优。(3)将PNRL算法应用于游戏AI路径规划的导航网格和航路点,利用预先训练好的Petri网模型,快速输出目标点的寻路路径,减少实时计算占用的性能。优化后的PNRL算法,在处理较多位置状态时仍有不错的收敛效果。游戏路径规划不存在完美解法,本文为寻路算法提供一种新的思路和解决方案。
结合强化学习和Petri网的游戏AI建模、分析与优化
这是一篇关于游戏AI,形式化方法,Petri网,强化学习,寻路的论文, 主要内容为在电子游戏的设计与开发中,游戏人工智能(Artificial Intelligence,AI)的设计是一个重要环节,是影响玩家体验的一个关键因素。游戏AI作为游戏可玩性、自由度的技术核心,可以提供给玩家更深层次的互动,让每个玩家体验到有趣、丰富且不同的游戏内容。有限状态机和行为树是目前游戏AI的主流配置方式,但有限状态机的决策较为单一,不易拓展,行为树则会占用更多的计算性能。强化学习作为三大机器学习方法之一,利用其“试探-得到回报-根据回报改变行为以求得更好的回报”的闭环行为策略,在电子游戏开发制作和研究中得到很好的应用,也是设计游戏AI的重要途径之一。Petri网是一种描述状态变化的建模方法,通过变迁构建各状态之间的联系,设定好变迁发射的规则以及反馈,使得网模型具备良好的灵活性。Petri网相较于其他建模语言具有一定的优势,其图形表示法简明直观,又具有很强的逻辑与数学理论支撑。本文研究的主要内容为探索形式化方法在游戏AI算法的拓展方式及其应用价值。结合强化学习和Petri网,本文主要工作成果如下:(1)提出了一种Petri网强化学习(Petri Net Reinforcement Learning,PNRL)算法,利用Petri网模型进行强化学习训练。与传统强化学习算法构建Q值表格不同的是,PNRL算法利用Petri网处理状态转移的高效性,将令牌存入Petri网的库所中,每一次变迁的发射伴随一次训练。学习过程的值更新借鉴了Q-Learning算法的值函数估计方式,但是执行的策略完全依靠Petri网自身变迁规则生成。(2)在算法测试过程中,PNRL算法的训练效果明显优于传统表格型Q-Learning算法。在面对状态数量较多的情况下,PNRL算法能保持稳定的计算消耗,用时更短,解决了Q-table过大影响训练效率的问题。同时在收敛性测试中,PNRL算法收敛速度更快。收敛后的Petri网模型能输出获得目标奖励的最快动作策略,避免局部最优。(3)将PNRL算法应用于游戏AI路径规划的导航网格和航路点,利用预先训练好的Petri网模型,快速输出目标点的寻路路径,减少实时计算占用的性能。优化后的PNRL算法,在处理较多位置状态时仍有不错的收敛效果。游戏路径规划不存在完美解法,本文为寻路算法提供一种新的思路和解决方案。
结合强化学习和Petri网的游戏AI建模、分析与优化
这是一篇关于游戏AI,形式化方法,Petri网,强化学习,寻路的论文, 主要内容为在电子游戏的设计与开发中,游戏人工智能(Artificial Intelligence,AI)的设计是一个重要环节,是影响玩家体验的一个关键因素。游戏AI作为游戏可玩性、自由度的技术核心,可以提供给玩家更深层次的互动,让每个玩家体验到有趣、丰富且不同的游戏内容。有限状态机和行为树是目前游戏AI的主流配置方式,但有限状态机的决策较为单一,不易拓展,行为树则会占用更多的计算性能。强化学习作为三大机器学习方法之一,利用其“试探-得到回报-根据回报改变行为以求得更好的回报”的闭环行为策略,在电子游戏开发制作和研究中得到很好的应用,也是设计游戏AI的重要途径之一。Petri网是一种描述状态变化的建模方法,通过变迁构建各状态之间的联系,设定好变迁发射的规则以及反馈,使得网模型具备良好的灵活性。Petri网相较于其他建模语言具有一定的优势,其图形表示法简明直观,又具有很强的逻辑与数学理论支撑。本文研究的主要内容为探索形式化方法在游戏AI算法的拓展方式及其应用价值。结合强化学习和Petri网,本文主要工作成果如下:(1)提出了一种Petri网强化学习(Petri Net Reinforcement Learning,PNRL)算法,利用Petri网模型进行强化学习训练。与传统强化学习算法构建Q值表格不同的是,PNRL算法利用Petri网处理状态转移的高效性,将令牌存入Petri网的库所中,每一次变迁的发射伴随一次训练。学习过程的值更新借鉴了Q-Learning算法的值函数估计方式,但是执行的策略完全依靠Petri网自身变迁规则生成。(2)在算法测试过程中,PNRL算法的训练效果明显优于传统表格型Q-Learning算法。在面对状态数量较多的情况下,PNRL算法能保持稳定的计算消耗,用时更短,解决了Q-table过大影响训练效率的问题。同时在收敛性测试中,PNRL算法收敛速度更快。收敛后的Petri网模型能输出获得目标奖励的最快动作策略,避免局部最优。(3)将PNRL算法应用于游戏AI路径规划的导航网格和航路点,利用预先训练好的Petri网模型,快速输出目标点的寻路路径,减少实时计算占用的性能。优化后的PNRL算法,在处理较多位置状态时仍有不错的收敛效果。游戏路径规划不存在完美解法,本文为寻路算法提供一种新的思路和解决方案。
基于自然语言处理的轨交联锁系统安全性质生成方法
这是一篇关于安全性质,形式化方法,轨道交通联锁系统,自然语言处理的论文, 主要内容为安全性质是描述软件系统在各种运行场景下必须要满足的环境条件和功能要求。安全性质的违反可能会引起恶劣的后果,特别对于嵌入式控制系统而言,违反安全性质甚至可能产生难以挽回的结果。因此,对安全性质的验证一直是嵌入式控制软件开发过程中重要的一环。对于安全性质进行形式化的验证是一种可靠的保障嵌入式控制系统安全性的方法。然而,形式化方法基于形式化语言和形式化模型,而目前的工业界中,由于自然语言描述实际场景的丰富性和形式化的高门槛,工程师仍使用自然语言来编写安全性质,这意味着如果想要将基于验证的形式化方法用于安全性质验证中,必须先对自然语言进行形式化转化。而自然语言因为其多变复杂的句式和语法,使得自动化地对其进行形式化转化显得格外困难,是该领域学术研究的一大挑战,也是许多嵌入式控制系统行业的一大技术壁垒。本文提出了一种基于依存关系分析的自然语言处理技术自动生成安全性质的方法,选用在嵌入式控制系统中具有代表性的轨道交通联锁系统作为研究的对象,本文为联锁系统的自然语言安全需求自动化地生成了安全性质,并在实际的验证工具上对本文生成的安全性质进行了验证,证明了本文提出方法的可靠性和实用性。本文的主要贡献是:1)提出了一种基于依存关系分析的知识图谱生成方法,通过三元组的抽取和精化合并来获得自然语言需求中的实体间关系和属性,该方法支持从自然语言需求中半自动化地生成以三元组和二元组形式表示的知识图谱。2)提出了一种基于依存关系分析的安全性质生成方法,通过归纳出联锁系统需求的依存关系间的规则来完成对自然语言中语义信息的抽取和组合,该方法支持从自然语言安全需求中自动化地生成的准确可靠的安全性质。3)设计并实现了安全性质生成工具,可对给定的需求文档生成知识图谱以表示领域知识,并对给定的自然语言安全需求进行安全性质生成。本文将生成的安全性质在真实工程中进行了性质验证,证明了生成性质的有效性和准确性。
互模拟等价验证算法的比较与应用
这是一篇关于形式化方法,互模拟等价,RDF图的论文, 主要内容为随着计算机科学的发展,形式化验证方法在软件和硬件领域的应用越来越广泛。互模拟等价关系是形式化方法中的一个重要概念,它表示两个转移系统之间的等价关系,当两个系统互模拟等价时,它们可以相互模拟彼此的动作。互模拟等价关系对并发系统的验证与分析具有重要作用,比如:两个转移系统满足相同的CTL(计算树逻辑)和CTL*公式当且仅当它们是互模拟等价的。互模拟等价验证算法可以分为局部算法和全局算法。本文主要研究这两类算法。本文的主要贡献如下所示:(1)对局部算法以及准局部算法的实现过程进行了优化,比较了它们的运行效率。之后,通过对标号转移系统的饱和处理将这两种算法推广到了弱互模拟等价的验证问题中。(2)实现并比较全局算法。全局算法的核心思想就是划分等价类,本文详细解释了这一思想的发展和演变过程。算法在一个初始分类的基础上对等价类不断地进行分割精化,直到满足如下条件:(1)所有互模拟的状态都属于同一等价类(2)一个等价类内的所有状态都是互模拟的。之后重点介绍了时间复杂度为O(mlogn)的Valmari算法,并分别用Java和C++实现了算法,然后将这两种版本的算法和CADP工具进行了比较。(3)全局算法的应用。上文提到的Valmari算法也是一种互模拟压缩算法,本文分别实现了由Valmari和Alexander Sch?tzle提出的两种互模拟压缩算法,并将其应用于知识图谱的互模拟压缩问题中,比较了两种算法的运行效果。根据实验数据可知,在PC平台上处理百万级规模的数据时可选择基于内存的Antti Valmari算法,在服务器的数据库中处理更大规模数据时可选择基于外存的Alexander Sch?tzle算法。
安全协议形式化分析及其应用
这是一篇关于安全协议,形式化方法,串空间模型,定理推证,模型检测的论文, 主要内容为协议是在计算机网络和分布系统中两个或多个主体(Principals)为相互交换信息而规定的一组信息交换规则和约定。安全协议也称作密码协议，是在协议中应用加密解密的手段隐藏或获取信息，以达到安全性的各种目的。对于安全协议的形式化研究始于20世纪70年代末，现在，安全协议的形式化研究成为一个热点领域，有众多的形式化和逻辑的研究方法涌现出来。 串空间(strand space)模型是出现在上世纪末的一种新型的安全协议的形式化方法，它是一种能结合定理证明和模型检测的混合形式化方法。事实证明,串空间模型是分析安全协议的一种实用、直观和严格的形式化方法。 基于此模型开发的自动验证工具ATHENA已经实现了对协议的认证性特性验证，但未能克服模型检测方法所造成的状态空间严重爆炸的问题，对秘密性协议的证明也是不完善的。我们结合使用定理证明和模型检测技术，开发了安全协议验证工具AVSP，其中核心算法AVSP首次使用了理想的概念来定义协议的秘密性，并对秘密性安全属性进行验证。我们还提出一些剪枝规则对状态搜索空间进行剪枝，在我们试验中得到的对于Needham-Schroeder安全协议的弱一致性认证属性验证过程中充分说明这些状态搜索空间剪枝规则的应用，该结果清楚地表明所有的空间剪枝规则可有效缩小状态搜索空间，防止状态空间爆炸。实验结果分析表明AVSP是正确的和高效的。
基于自然语言处理的轨交联锁系统安全性质生成方法
这是一篇关于安全性质,形式化方法,轨道交通联锁系统,自然语言处理的论文, 主要内容为安全性质是描述软件系统在各种运行场景下必须要满足的环境条件和功能要求。安全性质的违反可能会引起恶劣的后果,特别对于嵌入式控制系统而言,违反安全性质甚至可能产生难以挽回的结果。因此,对安全性质的验证一直是嵌入式控制软件开发过程中重要的一环。对于安全性质进行形式化的验证是一种可靠的保障嵌入式控制系统安全性的方法。然而,形式化方法基于形式化语言和形式化模型,而目前的工业界中,由于自然语言描述实际场景的丰富性和形式化的高门槛,工程师仍使用自然语言来编写安全性质,这意味着如果想要将基于验证的形式化方法用于安全性质验证中,必须先对自然语言进行形式化转化。而自然语言因为其多变复杂的句式和语法,使得自动化地对其进行形式化转化显得格外困难,是该领域学术研究的一大挑战,也是许多嵌入式控制系统行业的一大技术壁垒。本文提出了一种基于依存关系分析的自然语言处理技术自动生成安全性质的方法,选用在嵌入式控制系统中具有代表性的轨道交通联锁系统作为研究的对象,本文为联锁系统的自然语言安全需求自动化地生成了安全性质,并在实际的验证工具上对本文生成的安全性质进行了验证,证明了本文提出方法的可靠性和实用性。本文的主要贡献是:1)提出了一种基于依存关系分析的知识图谱生成方法,通过三元组的抽取和精化合并来获得自然语言需求中的实体间关系和属性,该方法支持从自然语言需求中半自动化地生成以三元组和二元组形式表示的知识图谱。2)提出了一种基于依存关系分析的安全性质生成方法,通过归纳出联锁系统需求的依存关系间的规则来完成对自然语言中语义信息的抽取和组合,该方法支持从自然语言安全需求中自动化地生成的准确可靠的安全性质。3)设计并实现了安全性质生成工具,可对给定的需求文档生成知识图谱以表示领域知识,并对给定的自然语言安全需求进行安全性质生成。本文将生成的安全性质在真实工程中进行了性质验证,证明了生成性质的有效性和准确性。
基于串空间模型分析与验证密码安全协议
这是一篇关于安全协议,形式化方法,串空间模型,理想,秘密性:AVSP的论文, 主要内容为随着网络的普及以及电子商务和电子政务蓬勃兴起，安全协议变得越来越重要，确保安全协议的安全性已经成为一项重要的研究课题。安全协议分析是一个很难解决的问题，20年来为了应对这一挑战，科学家们投入了大量的精力。在已有的理论和方法中，形式化分析方法的成果比较突出，其发展前景被专家们普遍看好，本文第二章对此进行了综述。 串空间(STRAND SPACE)模型由F’abrega、Herzog和Guttman三人提出，它是分析安全协议的一种实用、直观和严格的形式化方法，它充分吸收了前人的研究成果，模型使用一种节点间存在因果关系的有向图来表示协议的运行。D.Song对串空间模型进行了扩展，并开发了安全协议自动验证工具ATHENA。 在深入研究串空间理论的基础上，本文从理论和算法两个方面对串空间模型进行了扩展和完善。在理论上，本文引入了理想的语义，并首次使用了理想的概念对安全协议的秘密性进行严格的定义，同时使用理想的命题逻辑公式表示安全协议的秘密性；另外，本文修正了F’abrega、Herzog和Guttman三人文献中的一个引理的证明，原有的证明是不完善的。在算法上，本文增设了一条状态删减规则，并进行了严格的证明；另外，对模型检测算法进行了修改，使得算法可以找出协议在限定搜索深度下所有攻击反例。我们使用JAVA语言对本文的模型检测算法进行了具体实现，开发了一个拥有自主知识产权的安全协议自动验证工具AVSP。对已经进行的实验结果分析表明，本文对串空间模型的扩展是正确的和有效的；另外，利用AVSP我们发现了Woo-Lam4认证协议的一个新的在现有的文献中没有公布的攻击。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设港湾 ，原文地址：https://m.bishedaima.com/lunwen/54072.html
