تصمیم گیری کارآمد در سیستمهای خود تطبیق با کمک شبکه های پتری سطح بالا

تضمین ویژگی های کیفی مورد نیاز در مهندسی سیستمهای خود تطبیق چالش برانگیز است به ویژه در صورت عدم قطعیت که ممکن است در موقعیتهای مختلف رخ دهد, از تغییرات در محیط عملیاتی سیستم تا ابهام در هنگام انتخاب گزینه مناسب تطبیق. روشهای رسمی ابزار دقیقی برای مشخص کردن و تایید رفتار سیستمهای خود تطبیق فراهم میکنند. آنها هم در طول طراحی سیستم و هم در زمان اجرا اعمال می شوند تا ضمانت هایی در مورد ویژگی های مورد نیاز ارائه دهند. با این حال، این روش هامعمولا از تایید جامع در زمان اجرا برای انتخاب گزینه های انطباق و دستیابی به اهداف انطباق استفاده میکنند، که زمان و منابع زیادی را صرف میکند.با هدف رفع این کمبود، در این مقاله اولا، فضای تطبیق را با کمک یادگیری عمیق کاهش می دهیم و سپس برای کمک به فرآیند تصمیم گیری در تعیین مناسب ترین گزینه های سازگاری و کاهش عوارض جانبی, تاثیر هر طرح تطبیق را بر بقیه ویژگی های کیفی سیستم پیش بینی می کنیم. یک مولفه کاهش دهنده فضای تطبیق به عنصر تحلیل اضافه شده و از یادگیری عمیق برای کاهش فضای سازگاری استفاده می کنیم. علاوه بر این، عنصر برنامه ریز با یک مولفه پیشبینی کننده تاثیر تصمیم توسعه یافته است، که از تحلیل کمی برای پیشبینی تاثیر یک تصمیم استفاده میکند. رویکرد ما بر روی یک برنامه کاربردی اینترنت اشیاء خود تطبیق بنام Deltaiot اعمال می شود و نتایج به دست آمده با سایر رویکردها مقایسه می شود. نتایج نشان می دهد که فضای تطبیق ۹۷,۵۷ درصد کاهش یافته و میزان خطا در تصمیم گیری بسیار پایین است.

کلیدواژه ها:

سیستم خودتطبیق ، کاهش فضای تطبیق ، یادگیری عمیق ، شبکه پتری سطح بالا.