SuMo: A Mutation Testing Strategy for Solidity Smart Contracts
智能合约是在区块链基础设施中部署和执行的软件程序。由于其不可变的性质，直接由部署基础设施的特定特征导致，智能合约必须在发布之前进行彻底的测试。测试是有助于提高智能合约可靠性的主要活动之一，从而可能防止大量有价值资产的损失。因此，重要的是为测试人员提供允许他们评估他们执行的活动的工具。变异测试是评估测试集故障检测能力的一种有效方法。在本文中，我们提出了SuMo，一种用于以太坊智能合约的新型突变测试工具。SuMo实现了一组44个突变操作符，这些操作符是从最新的Solidity文档和著名的突变测试工具开始设计的。这些允许模拟智能合约开发人员可以制造的各种故障。这组操作符旨在限制死产突变体的生成，这会减慢突变测试过程并限制工具的可用性。我们报告的第一次评估SuMo的开源项目的测试套件。我们得到的结果是令人鼓舞的，它们表明SuMo可以有效地帮助开发人员提供更可靠的智能合约。
2021-05-08 cs.SE
Mutation testing of smart contracts at scale
由于智能合约的不可变性，因此对其进行彻底测试至关重要。即使是智能合约中的小错误也可能导致巨大的金钱损失。然而，测试是不够的;确保测试的质量和完整性也很重要。已经有几种方法通过突变测试来应对这一挑战，但它们的有效性值得怀疑，因为它们只考虑了小的合同样本。因此，我们评估了大规模智能合约突变测试的质量。我们选择了现有的（智能合约特定的）突变算子中最有前途的，分析了它们在可重复性方面的有效性，并强调了可以注入突变的严重漏洞。此外，我们通过引入能够检测气体消耗中的偏差的新的杀死条件来改进现有的变异方法，即，执行交易所需的货币价值。本文在https://github.com/pieterhartel/Mutation-at-scale上有一个复制包
2020-01-22 cs.SE
Testing the Usability and Accessibility of Smart TV Applications Using an Automated Model-based Approach
随着智能电视（TV）和交互式智能电视应用（app）的普及，这些app的可用性已经成为重要的质量特征。之前的研究从可用性的角度研究了智能电视应用程序。然而，这些方法主要是手动的，基于模型的自动化测试方法的可用性测试目的的潜力还没有得到充分的探索。在本文中，我们提出了一种方法来测试智能电视应用程序的可用性的基础上自动生成的智能电视用户交互模型，从现有的应用程序由一个专门的自动爬虫。通过该模型，智能电视应用程序中定义的用户任务可以根据其可行性和估计的用户工作量自动进行评估，这反映了分析应用程序的可用性。该分析可以应用于常规用户和具有各种特定需求的用户。这种基于模型的自动化分析方法的结果可用于优化智能电视应用程序的用户界面，以提高其可用性、可访问性和质量。
2020-04-03 cs.SE
Basis Path Coverage Criteria for Smart Contract Application Testing
智能合约的广泛认可确立了其在下一代区块链技术领域的重要性。然而，编写正确的智能合约是非常困难的。此外，一旦网络确认了状态改变事务，结果是不可变的。因此，在部署之前对智能合约应用程序进行全面测试至关重要。本文的重点是智能合约的测试覆盖标准，这是衡量测试质量的客观规则。我们分析了以太坊智能合约程序模型与传统程序模型相比的独特特征。为了捕捉智能合约的基本控制流行为，我们提出了全事务基路径集和有界事务交互的概念。前者是一组有限的线性独立的过程间路径，从中可以通过线性组合构建以太坊交易的潜在无限路径，而后者是交易在一定范围内的排列。基于这两个概念，我们定义了一个家庭的基于路径的测试覆盖标准。给出了覆盖需求的生成算法。最后通过一个案例分析比较了所提出的测试覆盖准则与随机测试和语句覆盖测试的有效性。
2019-11-24 cs.SE
A Survey of Verification, Validation and Testing Solutions for Smart Contracts
智能合约是存储在区块链上的程序，在满足预定条件时运行。然而，设计和实现智能合约并不简单，因为在区块链上部署时，不再可能修改它（无论是为了改进还是修复错误）。只有通过部署一个新版本的智能合约才有可能，这是昂贵的（新合约的部署成本和旧合约的销毁成本）。为此，有许多解决方案可以在部署之前测试智能合约。由于实现无错误的智能合约可以提高可靠性并降低成本，因此测试是一项必不可少的活动。在本文中，我们将试图解决智能合约测试的现有解决方案分为以下几类：公共测试网络，安全分析工具，区块链模拟器和区块链模拟器。然后，我们分析这些解决方案，对它们进行分类，并展示它们的优点和缺点。
2021-12-07 cs.DC cs.MA cs.SE
Enabling Automated Integration Testing of Smart Farming Applications via Digital Twin Prototypes
本文提出数字孪生原型方法，通过仿真硬件接口实现智能农业应用（如青贮饲料制作）的自动化集成测试，并支持持续集成与Docker容器持续部署。
2023-11-09 cs.SE
Vulseye: Detect Smart Contract Vulnerabilities via Stateful Directed Graybox Fuzzing
针对现有智能合约模糊测试工具状态反馈不足、测试资源浪费的问题，提出以漏洞为导向的有向状态灰盒模糊测试工具Vulseye，通过代码与状态双目标引导及新型适应度度量提升测试的有效性与效率。
2024-08-19 cs.SE
Towards Interoperability Testing of Smart Energy Systems -- An Overview and Discussion of Possibilities
本文概述了智能能源系统互操作性测试的挑战，分析了现有测试概念，并提出了系统级互操作性测试方法的协调与改进方向。
2024-11-05 cs.SE
Effective Targeted Testing of Smart Contracts
本文提出智能合约定向测试框架Griffin，采用定向符号执行和增强版控制流图CFG+生成测试数据，用于杀死变异体、验证告警和生成反例，实验证明其能在合理时间内有效到达目标行。
2024-07-05 cs.SE
Helion: Enabling Natural Testing of Smart Homes
本文提出Helion系统，利用n-gram语言建模学习智能家居用户例程规律并预测自然自动化场景，并通过与Home Assistant集成的HelionHA平台实现端到端测试。
2023-08-13 cs.CR cs.SE
Detecting Buggy Contracts via Smart Testing
Columbia University（哥伦比亚大学）；The University of Chicago（芝加哥大学）
针对混合动态分析难发现智能合约深层缺陷的问题，本文提出可自主决策的 SmartSys，利用基础模型选择分析技术、生成模糊目标并结合动态反馈抑制幻觉，发现长期遗漏漏洞并提升覆盖率。
2024-09-06 cs.LG cs.PL cs.SE
Monitoring Informed Testing for IoT
物联网（IoT）系统通过标准化的服务接口不断从异构的“智能对象”收集大量数据。一个关键的挑战是如何使用这些数据和相关的事件日志来构建不断适应的使用概况，并将其应用于增强测试方法，即，对测试进行优先级排序，以测试物联网系统的持续集成。此外，这些使用概况提供相关性权重，以分析系统的架构和行为。基于分析，测试方法可以预测容易出错的特定系统位置，从而建议扩展的运行时监控是必要的。此外，物联网旨在通过网络连接数十亿个“智能设备”。即使是连接几十个智能设备的小型物联网系统的测试也需要一个测试虚拟机（VM）网络，可能会在雾和云中传播。在本文中，我们提出了一个在单独的VM环境中测试每个IoT层的框架，并讨论了最佳VM分配的潜在困难。
2018-12-14 cs.SE
ADF-GA: Data Flow Criterion Based Test Case Generation for Ethereum Smart Contracts
测试是提高以太坊智能合约程序质量的重要技术。然而，目前对智能合约的测试工作只关注智能合约程序的静态问题。针对智能合约程序的动态测试，目前还缺少一种面向数据流的测试用例生成方法。为了解决这个问题，本文提出了一种新的测试用例生成方法，称为ADF-GA（使用遗传算法的基于所有使用数据流标准的测试用例生成），用于基于Solidity的以太坊智能合约程序。ADF-GA的目标是通过三个阶段有效地生成一组有效的测试用例。首先，从源代码构造相应的程序控制流图。然后对生成的控制流图进行分析，获取Solidity程序中的变量信息，定位request语句，并得到待测试的定义-使用对。最后，采用遗传算法生成测试用例，并提出了一种改进的适应度函数来计算每个测试用例的定义-使用对覆盖率。对几个有代表性的Solidity程序进行了实验研究。结果表明，ADF-GA能有效地生成测试用例，达到更好的覆盖率，并减少了遗传算法的迭代次数。
2020-02-29 cs.SE
IDOL: Improved Different Optimization Levels Testing for Solidity Compilers
本文提出 IDOL 方法，通过逆向优化转换生成语义等价的智能合约变体来测试 Solidity 编译器，并在初步评估中发现 3 个已确认的优化缺陷。
2025-06-15 cs.SE
An Autonomous Performance Testing Framework using Self-Adaptive Fuzzy Reinforcement Learning
RISE Research Institutes of Sweden（瑞典RISE研究院）；Mälardalen University（梅拉达伦大学）
测试自动化带来了降低成本和人力的潜力，但是软件测试的几个方面仍然具有自动化的挑战。一个这样的例子是自动化性能测试，以找到性能突破点。目前的性能测试用例自动生成方法主要涉及使用源代码或系统模型分析或基于用例的技术。但是，源代码和系统模型在测试时可能并不总是可用的。另一方面，如果测试系统可以学习测试过程中针对预期目标的最佳性能测试策略，则可以在没有高级性能模型的情况下实现测试自动化。此外，学习的策略可以在以后被重用于类似的软件系统中，从而导致更高的测试效率。我们提出了SaFReL，一个自适应模糊强化学习为基础的性能测试框架。SaFReL通过初始学习阶段学习最优策略以生成性能测试用例，然后在迁移学习阶段重用它，同时保持学习运行并长期更新策略。通过在模拟环境中的多次实验，我们证明了我们的方法比典型的测试过程更有效地为不同的程序生成目标性能测试用例，并且在不访问源代码和性能模型的情况下自适应地执行。
2020-07-30 cs.AI cs.PF cs.SE
Static Application Security Testing (SAST) Tools for Smart Contracts: How Far Are We?
本文提出包含45种漏洞类型的细粒度智能合约漏洞分类体系，并构建覆盖40种类型、含788个文件和10,394个漏洞的基准，评估8种SAST工具后发现其漏报约50%、精确率不足10%，同时揭示多工具组合可降低漏报但增加误报，为工具改进与选择提供指导。
2024-06-29 cs.SE
Curiosity Driven Multi-agent Reinforcement Learning for 3D Game Testing
针对游戏行业人工测试或录制/回放的局限，提出cMarlTest方法，通过好奇心驱动的多智能体强化学习协同测试3D游戏，实验表明其在覆盖准则和耗时效率上均优于单智能体RL变体。
2025-02-20 cs.SE
Smart Fuzzing of 5G Wireless Software Implementation
本文结合AFL++模糊测试与大语言模型自动解读参数，提升OAI5G开源5G软件框架的安全性、可靠性和可理解性。
2023-09-22 cs.SE
Asynchronous Integration of Real-Time Simulators for HIL-based Validation of Smart Grids
本文针对智能电网系统级验证缺乏跨领域复杂用例测试方法的问题，提出将实时仿真器异步集成到联合仿真环境中，并通过三个实际实现和两个控制示例验证了该方法的有效性。
2023-09-14 cs.SE
Synergizing Code Coverage and Gameplay Intent: Coverage-Aware Game Playtesting with LLM-Guided Reinforcement Learning
College of Computer and Information Science, Southwest University（西南大学计算机与信息科学学院）；College of Science and Technology, Nihon University（日本立命馆大学科学技术学院）；Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；Waseda Institute for Advanced Study, Waseda University（早稻田大学高级研究机构）
SMART框架通过LLM引导强化学习，结合结构验证与功能验证，提升游戏更新测试的覆盖率和任务完成率。
2025-12-14 cs.AI cs.SE
ItyFuzz: Snapshot-Based Fuzzer for Smart Contract
本文提出基于快照的智能合约模糊测试器 ItyFuzz，通过快照状态与单例交易，结合数据流航点机制和比较航点，实现秒级链上测试，快速发现并生成真实漏洞利用。
2023-06-29 cs.CR cs.SE
EVMFuzz: Differential Fuzz Testing of Ethereum Virtual Machine
以太坊虚拟机（EVM）是智能合约的运行环境，其漏洞可能会导致以太坊生态的严重问题。随着许多智能合约验证技术的开发，EVM的安全问题还没有得到很好的研究。在本文中，我们提出EVMFuzz，旨在检测EVMs与差分模糊测试的漏洞。EVMFuzz的核心思想是不断为不同的EVM的执行生成种子合约，从而尽可能多地发现执行结果之间的不一致，最终通过输出交叉引用发现漏洞。首先，我们提出了内部不一致性指标的评估指标，如执行的操作码序列和使用的气体。然后，我们通过一组预定义的变异器构建种子合同，并采用动态优先级调度算法来指导种子合同的选择和最大化的不一致性。最后，我们利用不同的EVM作为交叉引用的预言机，以避免手动检查执行输出。为了进行评估，我们对36，295个真实世界的智能合约进行了大规模突变，并生成了253，153个智能合约。其中，66.2%表现出差异性，包括1,596个变体合约触发了EVM之间的不一致输出。在人工分析的基础上，我们在四个广泛使用的EVM中发现了5个以前未知的安全漏洞，并且所有这些漏洞都已被纳入通用漏洞和暴露（CVE）数据库。
2019-04-08 cs.SE
Automatic Web Testing using Curiosity-Driven Reinforcement Learning
Web测试一直被认为是一项非常困难的任务。即使在今天，Web测试仍然严重依赖于人工工作，而自动化Web测试远远没有达到人类水平的性能。Web测试中的关键挑战包括动态内容更新和隐藏在复杂用户交互和特定输入值下的深层错误，这些错误只能由巨大搜索空间中的某些动作序列触发。在本文中，我们提出了WebExplor，自动端到端的Web测试框架，实现自适应探索的Web应用程序。WebExplor采用好奇心驱动的强化学习生成满足时序逻辑关系的高质量动作序列（测试用例）。此外，WebExplor在在线测试过程中逐步构建自动机，为进一步提高测试效率提供了高层次的指导。我们已经对WebExplor的六个真实项目进行了全面的评估，一个商业SaaS Web应用程序，并对世界上排名前50位的Web应用程序进行了野外研究。结果表明，在大多数情况下，WebExplor可以实现显着更高的故障检测率，代码覆盖率和效率比现有的最先进的Web测试技术。WebExplor还在商业Web应用程序中检测到12个以前未知的故障，这些故障已被开发人员确认并修复。此外，我们的野外研究还发现了3，466个异常和错误。
2021-03-10 cs.SE
Solsmith: Solidity Random Program Generator for Compiler Testing
本文提出并实现Solidity编译器测试程序生成器Solsmith，通过独特程序生成策略和差分测试验证其有效性，发现四个已确认编译器缺陷。
2025-06-04 cs.SE
Gimitest: A Comprehensive Tool for Testing Reinforcement Learning Policies
Simula Research Laboratory（西莫拉研究实验室）
针对强化学习策略可靠性测试难的问题，提出综合框架并实现开源工具Gimitest，它支持多种gym框架，可修改集成组件，能在不同环境下测试单智能体和多智能体RL策略，展示了其有效性。
2026-07-09 cs.AI cs.LG cs.SE
Reinforcement Learning-supported AB Testing of Business Process Improvements: An Industry Perspective
本文结合扎根理论与 Delphi 研究，访谈并调查十名专家，从工业界评估 AB-BPM 方法论及工具，指出人工控制、组织文化适配和集成执行平台的必要性。
2023-04-16 cs.SE
DeepRNG: Towards Deep Reinforcement Learning-Assisted Generative Testing of Software
Vector Institute for Artificial Intelligence（向量人工智能研究所）；University of Guelph（圭尔夫大学）
尽管机器学习（ML）已经成功地自动化了各种软件工程需求，但软件测试仍然是一个极具挑战性的话题。在本文中，我们的目标是通过直接增强随机数生成器（RNG）与深度强化学习（RL）代理使用一个有效的，自动提取的状态表示的测试下的软件，以提高软件的生成测试。使用Cosmos SDK作为测试平台，我们证明了所提出的DeepRNG框架对具有超过350，000行代码的高度复杂软件库的测试提供了统计上的显着改进。DeepRNG框架的源代码在网上公开。
2022-01-29 cs.AI cs.LG cs.SE
Deep Reinforcement Learning for Black-Box Testing of Android Apps
Android应用程序的状态空间是巨大的，在测试期间对其进行彻底的探索仍然是一个重大挑战。事实上，最佳的探索策略高度依赖于被测应用程序的功能。强化学习（RL）是一种机器学习技术，它通过尝试和错误来学习解决任务的最佳策略，由积极或消极的奖励引导，而不是由明确的监督。深度RL是RL的最新扩展，它利用了神经网络的学习能力。这些功能使Deep RL适合复杂的探索空间，例如Android应用程序。然而，最先进的公开可用工具仅支持基本的表格式RL。我们已经开发了ARES，这是一种用于Android应用程序黑盒测试的深度RL方法。实验结果表明，它实现了更高的覆盖率和故障揭示比基线，其中包括最先进的基于RL的工具，如TimeMachine和Q-Testing。我们还定性地研究了这种性能背后的原因，并确定了Android应用程序的关键功能，这些功能使Deep RL对它们特别有效，即存在链式和阻塞活动。
2021-01-15 cs.SE
Using Reinforcement Learning for Load Testing of Video Games
与大多数类型的软件系统不同，测试视频游戏在很大程度上仍然是由人类测试人员执行的手动活动。这主要是由于视频游戏需要持续和智能的用户交互。最近，强化学习（RL）已被用于部分自动化功能测试。RL可以训练智能代理，甚至可以在玩游戏时达到超人的表现，因此适合探索它们寻找bug。我们研究了使用RL进行视频游戏负载测试的可能性。事实上，游戏测试的目标不仅是识别功能错误，还要检查游戏的性能，例如在屏幕上显示高要求的3D场景时避免延迟和保持最低每秒帧数（FPS）的能力。我们定义了一种方法，采用强化学习训练一个代理能够玩游戏作为一个人，同时也试图确定在FPS下降的游戏领域。我们证明了我们的方法在三个游戏的可行性。其中两个被用作概念验证，通过注入人为的性能错误。第三个是一个开源的3D游戏，我们使用经过训练的代理进行负载测试，显示其识别导致FPS较低的游戏区域的潜力。
2022-01-18 cs.SE
muPRL: A Mutation Testing Pipeline for Deep Reinforcement Learning based on Real Faults
本文提出了muPRL，一个基于真实故障的深度强化学习变异测试流水线，通过代码库挖掘构建真实RL故障分类体系并推导出变异算子，实验证明其能有效区分强弱测试生成器，为开发者提供测试场景充分性的反馈。
2024-08-27 cs.SE
Testing for Fault Diversity in Reinforcement Learning
本文提出使用质量多样性优化解决强化学习策略测试中的故障多样性问题，通过将QD优化器与最先进框架对比，证明其能更有效地发现多样化的故障。
2024-03-22 cs.SE
Deep Reinforcement Learning for Automated Web GUI Testing
本文提出WebRLED，一种基于深度强化学习的Web应用自动化GUI测试方法，通过网格动作值学习、动作判别器和好奇心驱动奖励模型提升探索效率，在代码覆盖率和故障检测率上优于现有SOTA技术。
2025-04-27 cs.SE
Search-Based Testing of Reinforcement Learning
Graz University of Technology（格拉茨工业大学）；Silicon Austria Labs（奥地利硅实验室）；Lamarr Security Research（拉马尔安全研究中心）
深度强化学习（RL）的评估具有内在的挑战性。特别是学习策略的不透明性以及代理和环境的随机性使得测试深度RL代理的行为变得困难。我们提出了一个基于搜索的测试框架，该框架能够实现广泛的新型分析功能，用于评估深度RL代理的安全性和性能。对于安全测试，我们的框架利用搜索算法来搜索解决RL任务的参考轨迹。回溯状态的搜索，称为边界状态，构成安全关键的情况。我们创建安全测试套件，评估如何以及RL代理逃脱安全关键的情况下，这些边界状态附近。为了进行可靠的性能测试，我们通过模糊测试创建了一组不同的跟踪。这些模糊跟踪用于将代理带入各种各样的潜在未知状态，从这些状态将代理的平均性能与模糊跟踪的平均性能进行比较。我们将我们基于搜索的测试方法应用于任天堂超级马里奥兄弟的RL。
2022-05-14 cs.AI cs.LG cs.SE
Hawkeye: Change-targeted Testing for Android Apps based on Deep Reinforcement Learning
ByteDance（字节跳动）；University of Edinburgh（爱丁堡大学）
针对Android应用更新测试效率低的问题，提出基于深度强化学习的Hawkeye定向测试方法，优先执行与代码变更相关的GUI操作，实验证明其优于现有工具并适用于商业应用冒烟测试。
2023-09-04 cs.LG cs.SE
Reinforcement learning guided fuzz testing for a browser's HTML rendering engine
University of Glasgow（格拉斯哥大学）
本文首次将训练好的测试用例生成深度学习模型与双重深度Q网络（DDQN）相结合，基于代码覆盖率信号引导测试用例创建，使Firefox HTML渲染引擎的代码覆盖率较基线语法模糊测试器提升了多达18.5%。
2023-07-27 cs.AI cs.SE
Fuzzy Logic Guided Reward Function Variation: An Oracle for Testing Reinforcement Learning Programs
The Hong Kong Polytechnic University（香港理工大学）
本文提出一种基于模糊逻辑的自动化预言机，通过量化智能体对奖励策略的符合趋势来检测RL程序缺陷，在复杂测试场景中优于人工预言机。
2024-06-28 cs.AI cs.SE
Testing match-3 video games with Deep Reinforcement Learning
测试视频游戏是制作过程中的关键步骤，需要花费大量的时间和资源。一些软件公司正试图使用人工智能来减少对人力资源的需求，使用能够取代人类代理的系统。我们研究了使用深度强化学习在match-3视频游戏中自动化测试过程的可能性，并建议在Dueling Deep Q-Network范式的框架中解决这个问题。我们在Jelly Juice游戏上测试了这种网络，这是一款由RedBit Games开发的匹配3视频游戏。网络从游戏环境中提取基本信息，并推断下一步行动。我们将结果与随机玩家的表现进行比较，发现网络显示出最高的成功率。在大多数情况下，结果与真实用户获得的结果相似，随着时间的推移，网络也成功地学习了区分游戏级别的不同特征，并使其策略适应日益增加的难度。
2020-11-24 cs.LG cs.SE stat.ML
Mutation Testing of Deep Reinforcement Learning Based on Real Faults
Polytechnique Montréal（蒙特利尔工程学院）
测试深度学习（DL）系统是一项复杂的任务，因为它们的行为与传统系统不同，特别是因为它们的随机性。尽管如此，能够使现有的测试技术（如突变测试（MT））适应DL设置将大大提高其潜在的可验证性。虽然已经做出了一些努力来将MT扩展到监督学习范式，但很少有工作将其扩展到强化学习（RL），RL也是DL生态系统的重要组成部分，但其行为与SL非常不同。本文建立在现有的MT方法，以提出一个框架，RLMutation，MT应用于RL。值得注意的是，我们使用现有的故障分类法来构建一组与RL相关的变异算子，并使用一个简单的启发式算法来生成RL的测试用例。这使我们能够比较基于现有方法的不同突变杀死定义，以及分析所获得的突变算子及其称为高阶突变（HOM）的潜在组合的行为。我们发现，突变杀死定义的设计选择可以影响是否突变被杀死以及生成的测试用例。此外，我们发现，即使有一个相对较少的测试用例和运营商，我们管理生成HOM有趣的属性，可以提高RL系统的测试能力。
2023-01-13 cs.LG cs.SE
Adaptive Reinforcement Learning for Dynamic Configuration Allocation in Pre-Production Testing
University of California, Santa Cruz（加州大学圣克鲁兹分校）
本文提出一种将配置分配重构为序列决策问题的强化学习框架，首次结合Q学习与混合奖励设计，并开发自适应在线-离线训练方案，在模拟中优于静态基线，接近最优性能。
2025-10-02 cs.LG cs.SE stat.ML
Technical Challenges of Deploying Reinforcement Learning Agents for Game Testing in AAA Games
Electronic Arts (EA)（美国艺电（EA））
本文针对AAA级游戏生产中开发环境与最终产品差异大、测试能力不足的问题，介绍了在现有脚本机器人自动化测试方案中集成强化学习系统以提升测试覆盖率的实践，总结了落地中的耗时难点并提出相关研究方向，助力游戏行业应用强化学习技术。
2023-07-19 cs.AI cs.LG cs.SE
Safeguarding Learning-based Control for Smart Energy Systems with Sampling Specifications
Fraunhofer IKS（弗劳恩霍夫智能感知系统研究所）
本文针对强化学习控制能源系统时的安全问题，将实时时序安全要求离散化为 LTL 规范，以支持安全强化学习的 shields 综合与形式化验证，并为原始安全要求提供概率下界。
2023-08-11 cs.LG cs.LO cs.SE
