Monotonic Abstraction Techniques: from Parametric to Software Model Checking
单调抽象是在参数化分布系统的模型检验中引入的一种技术,用于处理保护中包含全局条件的转换。该技术已被重新解释在声明性的设置在我们以前的论文,并适用于验证容错系统下的所谓的“停止故障”模型。声明性的重新解释包括逻辑技术(量词相对化,特别是量词实例化)在更广泛的背景下有意义。事实上,我们最近表明,这种技术可以过近似阵列加速度,使他们可以作为一个有意义的(和实际有效的)组件CEGAR循环在软件模型检验了。
2014-11-14 cs.LO cs.SE
Parameter Synthesis for Markov Models: Faster Than Ever
我们提出了一个简单的技术来验证概率模型的转移概率是参数。关键是用极值的非确定性选择来代替参数转换。使用现成的平均值分析所得到的无参数模型产生参数空间中区域概率的(可细化的)下限和上限。该技术优于现有的分析参数马尔可夫链的几个数量级的运行时间和可扩展性。它的美妙之处在于它适用于各种概率模型。它特别提供了第一个健全的和可行的方法进行参数综合的马尔可夫决策过程。
2016-05-26 cs.LO
An Efficient Synthesis Algorithm for Parametric Markov Chains Against Linear Time Properties
在本文中,我们提出了一个有效的算法的参数综合PLTL公式的参数关于参数马尔可夫链。将PLTL公式转化为一个几乎完全分块的Büchi自动机,然后将其与参数马尔可夫链组合。然后,我们减少了问题,以解决优化问题,允许决定使用SMT求解器的公式的满意度。该算法也适用于区间马尔可夫链。复杂度在马尔可夫链的大小上是线性的,在公式的大小上是指数的。我们提供了一个原型,并显示了我们的方法的效率在一些基准。
2016-05-14 cs.FL cs.LO
Incremental Verification of Parametric and Reconfigurable Markov Chains
参数化系统的分析在验证中是一个不断发展的领域,但参数化概率系统的分析仍处于起步阶段。这部分是因为它要困难得多:虽然非随机系统有漂亮的截止结果,只允许关注小的实例,但这种方法几乎没有希望扩展到概率系统的定量分析,因为概率取决于系统的大小。独角兽将是一个参数化系统到公式的自动转换,可以根据系统的参数绘制实现目标的可能性或实现目标的预期成本。虽然这种分析存在于狭窄的系统类别,如排队等候,我们的目标都较低-逐步探索参数空间-和较高-考虑一般系统。新颖之处在于大量利用参数化系统实例之间的相似性。当参数增大时,参数较小的系统一般存在于较大的系统中。我们使用这个观察结果来指导参数马尔可夫链的优雅状态消除方法,使得模型转换将从系统中在增加参数时稳定的部分开始。我们认为,这可能会导致一个非常便宜的迭代方法来分析参数系统,显示这种方法如何扩展到可重构系统,并在两个基准上证明这种方法的规模。
2018-04-05 cs.LO
On the Complexity of Reachability in Parametric Markov Decision Processes
本文研究了参数马尔可夫决策过程(pMDP),它是马尔可夫决策过程(MDP)的一种扩展,其中转移概率由有限参数集上的多项式描述。固定所有参数的值会产生MDP。特别是,本文研究了这些参数的值,使诱导MDP满足一些可达性约束的复杂性。我们讨论不同的变体取决于比较运算符的约束和域的参数值。我们改进了该问题的所有已知下界,并特别提供了该问题不同变体的ETR完整性结果。此外,我们提供的见解在功能描述诱导可达性概率,以及如何pMDPs概括并发随机可达性游戏。
2019-04-02 cs.CC cs.LO
Parametric LTL on Markov Chains
研究了有限马氏链对参数化LTL(pLTL)公式的验证问题.在pLTL中,直到模态配备有包含变量的界限;例如,$\Diamond_{\le x}\ φ$断言$φ$在$x$时间步长内成立,其中$x$是自然数上的变量。本文研究的中心问题是确定一组参数赋值$V_{\prec p} (φ)$,使得在马尔可夫链中满足pLTL公式$φ$的概率满足给定的阈值$\prec p$,其中$\prec$是实数的比较,$p$是概率.对于pLTL判定$V_{> 0}(φ)$的空性是不可判定的,我们考虑了几个逻辑片段。我们考虑参数可达性的属性,一个子逻辑的pLTL限制到下一个和$\Diamond_{\le x}$,参数Büchi属性,最后,一个最大的子类的pLTL的空$V_{> 0}(φ)$是可判定的。
2014-06-25 cs.FL cs.LO
Analyzing Value Functions of States in Parametric Markov Chains
University of Antwerp(安特卫普大学)
本文研究参数马尔可夫链验证,将单调性问题归约为状态间可达性概率比较,利用坍缩同值等价类的高效算法减小模型规模,并加速单调性检查与参数提升,可作为快速预处理步骤。
2025-04-26 cs.AI cs.LO
Mean-Payoff Optimization in Continuous-Time Markov Chains with Parametric Alarms
带有警报的连续时间马尔可夫链(ACTMCs)允许警报事件可以是非指数分布的。在参数ACTMC中,报警事件分布的参数没有明确给出,并且可以是参数合成的主题。提出了一种求解以长期平均为优化目标的参数ACTMC的$\varepsilon$ -最优参数综合问题的算法。我们的方法是基于减少的问题,以寻找长期平均最优策略,在半马尔可夫决策过程(半MDP)和充分离散化的参数(即,动作)空间。由于在离散化的半MDP的动作集可以是非常大的,一个简单的方法,基于显式的动作空间的建设未能解决甚至简单的情况下的问题。所提出的算法使用了增强的政策迭代符号表示的动作空间。该算法的合理性建立参数ACTMCs与报警事件分布满足四个温和的假设,被证明是持有均匀,狄拉克和Weibull分布,特别是,但满足许多其他分布以及。实验结果表明,符号技术大大提高了合成算法的效率,并允许解决现实大小的实例。
2017-06-20 cs.LO cs.PF
Generalized Parameter Lifting: Finer Abstractions for Parametric Markov Chains
针对参数马尔可夫链验证的参数提升方法存在的局限,提出广义参数提升放宽限制假设,并设计大步变换算法减少参数依赖以获得更紧近似,显著提升验证速度。
2025-08-04 cs.FL cs.LO
Symblicit algorithms for optimal strategy synthesis in monotonic Markov decision processes
Université de Mons(蒙斯大学);Université Libre de Bruxelles(布鲁塞尔自由大学)
本文提出基于伪反链的符号算法,用于解决单调马尔可夫决策过程中的最优策略综合问题,适用于期望均值收益和随机最短路径两种量化设置,并在自动规划和LTL综合中展现出良好的性能。
2014-07-21 cs.DS cs.LO cs.SY
SEA-PARAM: Exploring Schedulers in Parametric MDPs
我们研究参数马尔可夫决策过程(PMDPs)和他们的可达概率“独立”的参数。与现有的参数合成工作(在工具PARAM和PRISM中实现)不同,我们的主要重点是描述不同类型的最佳确定性无记忆神经网络的整个参数范围。我们实现了一个简单的原型工具SEA-PARAM,计算这些最佳的搜索引擎,并显示实验结果。
2017-07-13 cs.LO
Path Abstraction for Markov Reward Models
University of Twente(特温特大学)
本文将概率模型检测中的路径抽象技术扩展至马尔可夫奖励模型的期望奖励,证明其保持模型结构与单调吸收性,给出PARI/GP实现的数值求解方法,为相关研究提供支撑。
2026-08-27 cs.FL cs.LO
Learning Robust Policies for Uncertain Parametric Markov Decision Processes
该研究针对不确定参数化马尔可夫决策过程,结合场景方法理论提出可验证安全的策略综合方法,在满足PCTL公式保证的同时避免过度保守,并在多个基准上验证了效果。
2024-05-15 cs.LO cs.SY eess.SY
Graph-Based Reductions for Parametric and Weighted MDPs
University of Antwerp(安特卫普大学);Flanders Make(法兰德斯制造研究院)
本文研究参数化马尔可夫决策过程中加权可达性的归约复杂性,证明判定状态间不劣关系为coETR完全,并提出多项式时间算法及两个推理规则用于高效预处理。
2023-05-09 cs.AI cs.LO
Efficient Sensitivity Analysis for Parametric Robust Markov Chains
Radboud University(拉德堡德大学);Eindhoven University of Technology(埃因霍温理工大学);University of Texas at Austin(德克萨斯大学奥斯汀分校)
本研究针对参数化鲁棒马尔可夫链,提出基于线性规划的高效灵敏度分析方法,可筛选高影响参数,适配百万状态、千级参数的模型,并可嵌入迭代学习方案提升性能。
2023-05-01 cs.LG cs.LO math.OC
Automated Experiment Design for Data-Efficient Verification of Parametric Markov Decision Processes
Department of Computer Science, University of Oxford(牛津大学计算机科学系);Department of Electrical Engineering, Eindhoven University of Technology(埃因霍温理工大学电气工程系)
本文提出一种利用参数模型和实验数据进行统计验证的新方法,通过参数综合确定可行参数集,主动合成实验提高数据相关性,并传播信息以获得验证结果。
2017-07-05 cs.LG cs.LO cs.SY
Parameter Synthesis for Markov Models: Covering the Parameter Space
针对马尔可夫模型概率参数未知的问题,提出参数化离散时间马尔可夫链与马尔可夫决策过程的三类分析算法,实现对应工具并通过多领域基准完成广泛实验评估。
2023-11-07 cs.LO cs.SY eess.SY
PAC Approximation and DIRECT Optimization for Parametric Markov Models
Key Laboratory of System Software (Chinese Academy of Sciences)(中国科学院系统软件重点实验室);Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学);Institute of Optics and Electronics, Chinese Academy of Sciences(中国科学院光电技术研究所);Institute of Intelligent Software Guangzhou(广州智能软件研究所)
本文针对参数马尔可夫决策过程,采用场景方法合成PAC近似,结合统计模型检查分析黑盒参数模型,集成DIRECT算法实现无导数全局优化,在2997个基准上验证了DIRECT优化组件的性能。
2026-08-04 cs.AI cs.FL cs.LO