Goal and Feature Model Optimization for the Design and Self-Adaptation of Socio-Cyber-Physical Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Socio-cyber-physical systems (SCPSs) are cyber-physical systems with social concerns. Many emerging SCPSs, often qualified as “smart”, need such concerns to be addressed not only at design time but also at runtime, often by adapting dynamically to surrounding contexts, to keep providing optimal value to users. A comprehensive requirements and design modeling approach is needed to incorporate social concerns (e.g., using goal modeling) into SCPS development activities. This paper introduces an optimization method that provides design-time and runtime solutions for self-adaptive SCPSs while supporting the validation of their design models. The method helps satisfying the goals of the SCPS and its stakeholders by monitoring the system’s environment and qualities, while enforcing correctness constraints specified in a feature model. We integrate arithmetic functions generated automatically from goal and feature models to build a combined goal-feature model and synchronize the values of the features shared between i) the objective function represented by goal functions, and ii) the constraints represented by feature functions. The goal-feature model is solved by an optimization tool (IBM CPLEX) in order to calculate optimal adaptation solutions for common situations at design time. Runtime optimization is also used by the system for adapting to situations unanticipated during design. We use a Smart Home Management System case study to assess how well the method can be used to manage selection among alternatives according to monitored environmental conditions while solving emergent conflicts. Further experiments on the use of the method for runtime adaptation show good performance for realistic models and good scalability overall. Some remaining challenges and limitations exist, including the availability of quantitative models as inputs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle