Local abstraction refinement for probabilistic timed programs

ما مدل های برنامه هایی را که احتمالات، زمان واقعی و داده ها را شامل می شوند، در نظر می گیریم. ما روش جدید تصحیح انتزاعی را برای محاسبه حداقل و حداکثر احتمال دستیابی برای چنین مدلهای ارائه می کنیم. رویکرد ما با استفاده از قواعد اصلاحی محلی به منظور کاهش حجم انتزاع تولید شده و پیچیدگی عملیات مورد نیاز در مقایسه با رویکردهای قبلی این نوع، را کاهش می دهد. ما تکنیک ها را اجرا می کنیم و آنها را در انتخاب مطالعات موردی بزرگ، از جمله برخی از مدل های زمان واقعی احتمال احتمالی دولت، نشان می دهد بهبود در موارد موجود در موارد مختلف.