بهبود دقت وارسي مدل آماري براي فرآيندهاي تصميم ماركوف

انفجار حالات يكي از مشكلات اصلي وارسي مدل در همه انواع آن است. وارسي مدل آماري به عنوان يكي از راه حل هاي پيشنهادي براي اين مشكل ارائه شده است. اين روش به طور ويژه براي راستي آزمايي سيستم هايي كه داراي برخي جنبه هاي تصادفي هستند مورد توجه قرار گرفته است. تعميم وارسي مدل آماري به تحليل فرآيندهاي تصميم ماركوف مستلزم حل عدم قطعيت براي حالت هاي هر مدل است. هر چند تا كنون راه حل هايي براي اين مسئله ارائه شده اند هر يك از اين راه حل ها داراي محدوديت هايي هستند. در اين مقاله راه حل جديدي مبتني بر يادگيري ماشين و با استفاده از درخت تصميم براي حل مسئله عدم قطعيت در فرآيندهاي تصميم ماركوف ارائه مي شود. استفاده از اين روش دو راهكار مهم را براي غلبه بر مشكل انفجار حالات به وجود مي آورد. راهكار نخست استفاده از درخت تصميم براي حل عدم قطعيت در وارسي مدل آماري است با هدف تقريب احتمال دسترس پذيري است. راهكار دوم به شناسايي حالت-هاي دسترس پذير از حالت شروع مي پردازد يا هدف كاهش مدل مورد نياز مي پردازد. نتايج تجربي نشان مي دهد دقت محاسبات وارسي مدل آماري با استفاده از اين روش بين 90 تا 99 درصد است و اندازه مدل بين 30 تا 98 درصد كاهش مي يابد.