20、混合关键系统的智能认证与非侵入式系统级容错

混合关键系统的智能认证与非侵入式系统级容错

混合关键系统的智能认证

函数关键度规则

在SPARK中,函数是纯函数,不会更新全局数据,且只有输入参数。这意味着函数的关键度仅受其调用环境的限制。对于函数F的调用,若将返回结果赋值给关键度为RC的变量R,则需满足条件:RC ≤ FC,即函数的关键度至少要和用于捕获返回值的最关键状态项的关键度相同。

局部变量关键度

局部变量用于推导一个或多个自有变量,否则该局部变量无效。局部变量继承其用于推导的最关键自有变量的关键度。对于局部变量L,若用于推导自有变量G1, G2, …, Gn,则LC = max{∀i ∈ 1..n · GiC}。

示例分析

以之前的例子来说,Increment必须标注为至少SIL4关键度,因为它导出了关键度为SIL4的全局状态State。而Inc不导出全局变量,所以条件1未对其关键度设定下限,任何子程序都可调用Inc。但当Increment以SIL4的实际参数调用Inc时,若Inc标注的关键度低于SIL4,就违反了条件3,因此Inc只能合法地标注为SIL4。不过,仍可从较低SIL级别的子程序以较低SIL级别的参数调用Inc。函数Read的关键度没有下限,且上限无法单独推导得出。

SPARK语言扩展

SPARK语言的唯一扩展是允许开发者为特定子程序标注关键度。示例代码如下:

package Counter
--# own State (Integrity => SIL4);
--# initializes State;
is
先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值