Parley+：自适应系统中的不确定性降低

《ACM Transactions on Autonomous and Adaptive Systems》：Parley+: Uncertainty Reduction in Self-Adaptive Systems

自适应系统不确定性减少研究提出Parley+方法，通过改进控制器合成和形式化验证提升系统性能，在移动机器人导航和服务型系统中验证优于原方法88.1%。

　　

摘要

在探索如何应对自适应系统（SAS）中的不确定性问题时，研究界主要集中在调整SAS架构或行为以适应不确定性的解决方案上。相比之下，那些直接减少影响SAS的不确定性的方法（除了通过全面监控其组件和环境之外）仍较少被研究。我们之前的工作提出了Parley，这是一种更为精细、适应性更强的方法，用于降低SAS的不确定性。为此，我们设计了一种包含“不确定性降低控制器”的SAS架构，该控制器在SAS的适应循环中驱动新信息的获取，并采用一种基于工具的方法，通过概率模型检测来合成这些控制器。我们方法生成的控制器能够在降低SAS不确定性的收益与新信息获取成本之间实现最佳平衡，并保证满足系统需求。在本文中，我们通过改进这些控制器的合成方式以及扩展Parley+的形式化定义来证明其有效性，从而将其发展为Parley+。我们通过移动机器人导航和基于服务的系统SAS的应用实例，展示了该方法的有效性，并对其进行了评估。评估结果显示，在88.1%的情况下，Parley+生成的控制器能够比Parley更有效地帮助系统实现目标。