论文题目: 基于Q学习的复杂程序动态分析技术
论文类型: 硕士论文
论文专业: 计算机软件与理论
作者: 王玉宝
导师: 徐宝文
关键词: 程序分析,机器学习,学习,复杂程序,程序动态分析,依赖性分析,程序切片
文献来源: 东南大学
发表年度: 2005
论文摘要: Q学习是机器学习的一种,以其简捷、高效的算法及自适应学习特点,成为增强学习的典型代表,在人工智能领域得到越来越多的应用。理论和实践证明,解决动态过程优化问题是Q学习的长处。程序分析领域中切片技术日趋成熟。基于系统依赖图的程序静态切片技术效率高、应用广。但是,随着软件程序的功能多样化发展,复杂性随之提高,环境中干扰因素不断增加。复杂程序在不确定环境中的动态分析、控制成为技术难题和迫切需求。此时,切片方法为主的程序分析理论、技术严重受限。提出用Q学习策略探索程序分析领域存在的难题,是一次大胆尝试。论文引入Q学习独有的优势,针对复杂程序动态分析、控制难题,提出基于Q学习的复杂程序动态分析、控制思想,构造切实可行的分析算法,着重对并发程序、面向对象程序、不确定环境中的复杂程序动态分析进行研究,初步形成了基于Q学习的复杂程序动态分析技术,为实时、有效控制不确定环境中复杂程序的动态过程提供了依据。在此基础上,对基于Q学习的复杂程序动态分析、控制系统(析控器:QACA)的实现相关技术进行了研究。论文的主要工作:(1)通过对基于Q学习的复杂程序动态分析技术的研究,解决当前在并发程序、面向对象程序、不确定环境中的复杂程序等的动态分析方面存在的难题,提高分析智能性、效率及精度。(2)在Q学习分析的基础上,探讨对复杂程序实施动态最优控制,增强复杂软件程序的自动控制能力,为提高大型、重要软件系统的安全性、可维护性等问题提供对策。(3)对析控器(QACA)的实现相关技术进行基础性研究。论文的主要成果表现在以下几个方面:提出一种基于Q学习的程序智能分析思想及方法,初步形成基于Q学习的复杂程序动态分析技术。提出Q依赖链、Q依赖图等一系列基于Q学习的程序分析新概念。融合了传统程序分析技术和机器学习领域知识,使这两个学科有机结合、优势互补。提出将不确定环境中的复杂程序区分特征、区别分析的方法。既可提高析控器学习、分析的效率,又使智能分析、控制的针对性、精确性得到增强。为提高析控器的学习、训练速度及动态分析时效,提出利用当前程序分析中先进理论、技术对程序的表示、分析等方法,约束动态分析信息量,缩短了agent的学习、训练周期。提出运用Q学习策略实时分析、控制复杂程序动态过程的思想和方法,研究、设计将析控器绑定或嵌入大型重要软件系统程序的动态过程,为基于Q学习的析控器系统实现做出基础性研究工作。
论文目录:
摘要
Abstract
第一章 引言
1.1 选题依据
1.2 国内外研究现状
1.3 主要研究内容
1.4 论文主要成果
1.5 论文结构
第二章 程序分析基本理论、技术及其发展
2.1 基本概念
2.2 基本理论、技术及其发展
2.2.1 程序切片
2.2.2 顺序程序分析
2.2.3 面向对象程序分析
2.2.4 并发程序分析
2.2.5 动态分析技术
2.3 复杂程序动态分析需求
2.3.1 两个概念
2.3.2 不确定环境中的复杂程序动态分析
2.3.3 解决问题的基本思路
2.4 本章小结
第三章 Q 学习及其在程序分析中的可用性研究
3.1 机器学习
3.2 增强学习
3.2.1 学习机制
3.2.2 学习任务
3.3 Q 学习
3.3.1 Q 函数
3.3.2 一个学习Q 的算法
3.3.3 非确定情况时的Q 学习
3.4 Q 学习对程序智能分析的可用性
3.5 本章小结
第四章 基于 Q 学习的复杂程序动态分析技术
4.1 基于Q 学习的程序动态分析法
4.1.1 几个定义
4.1.2 单元划分
4.1.3 基本算法
4.2 确定环境中特征程序动态分析
4.2.1 普通程序
4.2.2 并发程序
4.2.3 面向对象程序
4.3 不确定环境中的复杂程序动态分析
4.3.1 基本问题
4.3.2 学习、训练及分析要点
4.3.3 基本算法及组织过程
4.4 基于Q 学习的程序动态分析效果评析
4.5 本章小结
第五章 基于 Q 学习的复杂程序动态分析、控制系统
5.1 QACA 总体框架
5.2 QACA 系统组织结构
5.2.1 构成要素
5.2.2 组织结构
5.3 QACA 工作机制
5.4 本章小结
第六章 总结与展望
6.1 论文总结
6.2 相关问题讨论
6.3 今后工作展望
致谢
参考文献
附录 攻读硕士学位期间完成的论文列表
发布时间: 2007-06-11
参考文献
- [1].iOS平台程序动态分析系统的研究与实现[D]. 梁枫.北京邮电大学2016
- [2].电力动态分析系统软件及其关键技术的研究与实现[D]. 李军辉.电子科技大学2016
- [3].嵌入式软件动态分析技术的研究[D]. 王淑娥.电子科技大学2011
- [4].基于程序分析和神经网络语言模型的代码推荐研究[D]. 张俊男.上海师范大学2018
- [5].网络新闻热点分布及其热度预测方法研究[D]. 金厅.杭州电子科技大学2018
- [6].基于机器学习和图像处理技术的病虫害预测[D]. 杭立.宁夏大学2018
- [7].在线商品评论情感分析和评论有用性的研究[D]. 王晗.广西民族大学2018
- [8].机器学习在姿态识别中的研究与应用[D]. 包艳艳.西安建筑科技大学2018
- [9].基于机器学习的视频中多个数字时钟识读的研究[D]. 吕小攀.华中师范大学2018
- [10].云层背景图像机器学习分类方法研究[D]. 姚繄蕾.哈尔滨工业大学2018
相关论文
- [1].Q-learning强化学习算法改进及其应用研究[D]. 褚建华.北京化工大学2009
- [2].基于智能体系统的Q-学习算法的研究与改进[D]. 胡子婴.哈尔滨理工大学2007
- [3].发电商报价策略的Q学习模型分析[D]. 高瞻.上海交通大学2008
- [4].基于Q-学习的单路口智能信号控制研究[D]. 封晨.昆明理工大学2008
- [5].基于多智能体和Q-学习的交通控制与诱导协同方法研究[D]. 杨朝.吉林大学2008
- [6].基于改进Q学习算法的发电商竞价策略[D]. 陆黎.上海交通大学2007
- [7].基于改进Q-学习的导航知识获取算法研究[D]. 贺振东.东北电力大学2006
- [8].基于Q学习的Agent智能决策的研究与实现[D]. 虞靖靓.合肥工业大学2005
- [9].基于模糊Q学习的Agent智能决策研究与实现[D]. 高建清.合肥工业大学2006
- [10].基于Daikon的Java程序动态分析技术研究[D]. 杨东晓.吉林大学2004