42、并行程序的 Event-B 分解方法解析

并行程序的 Event-B 分解方法解析

1. 最终事件精化证明

为了证明最终事件相对于其抽象版本的精化,需要为抽象中消失的参数 k 提供一个见证。这里的参数 k 恰好是两个发布值中的最小值。给定这个见证后,模拟证明义务就变得简单了,因为抽象和具体事件都为变量 result 分配了等价的表达式。

还需要证明防护强化,这就需要为新引入的变量给出一些不变式。以 process1 为例,有以下五个不变式:
- inv1 1: publish1 ̸= M + 1 ⇒ finish1 = TRUE :如果 process1 发布了某个结果,那么它一定已经终止,这意味着该进程最多只能发布一次。
- inv1 2: publish1 ̸= M + 1 ⇒ publish1 ∈ PART 1
- inv1 3: publish1 ̸= M + 1 ⇒ ARRAY(publish1) = TRUE
- inv1 4: publish1 ̸= M + 1 ⇒ (∀i·i ∈ PART 1 ∧ i < publish1 ⇒ ARRAY(i) = FALSE) :这几个不变式表明 process1 不会给出错误信息,如果它发布了某个结果,那么这个结果一定是它在 PART 1 中能找到的最小索引。
- inv1 5: finish1 = TRUE ∧ publish1 = M + 1 ⇒ (∀i·i ∈ PART 1 ∧ i < publish2 ⇒ ARRAY(i) = FALSE) :当 process1 终止但

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