2017
Mean-Payoff Optimization in Continuous-Time Markov Chains with Parametric Alarms
BAIER, Christel, Clemens DUBSLAFF, Ľuboš KORENČIAK, Antonín KUČERA, Vojtěch ŘEHÁK et. al.Základní údaje
Originální název
Mean-Payoff Optimization in Continuous-Time Markov Chains with Parametric Alarms
Autoři
BAIER, Christel (276 Německo), Clemens DUBSLAFF (276 Německo), Ľuboš KORENČIAK (703 Slovensko, garant, domácí), Antonín KUČERA (203 Česká republika, domácí) a Vojtěch ŘEHÁK (203 Česká republika, domácí)
Vydání
Cham, Quantitative Evaluation of Systems, od s. 190-206, 17 s. 2017
Nakladatel
Springer
Další údaje
Jazyk
angličtina
Typ výsledku
Stať ve sborníku
Obor
10201 Computer sciences, information science, bioinformatics
Stát vydavatele
Švýcarsko
Utajení
není předmětem státního či obchodního tajemství
Forma vydání
tištěná verze "print"
Impakt faktor
Impact factor: 0.402 v roce 2005
Kód RIV
RIV/00216224:14330/17:00095081
Organizační jednotka
Fakulta informatiky
ISBN
978-3-319-66334-0
ISSN
UT WoS
000696692800012
Klíčová slova anglicky
parameter synthesis; continuous-time Markov chains; non-Markovian distributions; Markov decision process; policy iteration; generalized semi-Markov process; Markov regenerative process
Štítky
Příznaky
Mezinárodní význam, Recenzováno
Změněno: 27. 4. 2018 09:56, RNDr. Pavel Šmerk, Ph.D.
Anotace
V originále
Continuous-time Markov chains with alarms (ACTMCs) allow for alarm events that can be non-exponentially distributed. Within parametric ACTMCs, the parameters of alarm-event distributions are not given explicitly and can be subject of parameter synthesis. An algorithm solving the epsilon-optimal parameter synthesis problem for parametric ACTMCs with long-run average optimization objectives is presented. Our approach is based on reduction of the problem to finding long-run average optimal strategies in semi-Markov decision processes (semi-MDPs) and sufficient discretization of parameter (i.e., action) space. Since the set of actions in the discretized semi-MDP can be very large, a straightforward approach based on explicit action-space construction fails to solve even simple instances of the problem. The presented algorithm uses an enhanced policy iteration on symbolic representations of the action space. The soundness of the algorithm is established for parametric ACTMCs with alarm-event distributions satisfying four mild assumptions that are shown to hold for uniform, Dirac, exponential, and Weibull distributions in particular, but are satisfied for many other distributions as well. An experimental implementation shows that the symbolic technique substantially improves the efficiency of the synthesis algorithm and allows to solve instances of realistic size.
Návaznosti
GA15-17564S, projekt VaV |
| ||
MUNI/A/0992/2016, interní kód MU |
|