یادگیری تقویتی برای تطبیق خودکار عناصر در تبدیل مدل: کاهش پیچیدگی و افزایش مقیاس پذیری

این مقاله یک رویکرد نوین مبتنی بر یادگیری تقویتی را برای تطبیق خودکار عناصر بین مدل های مبدا و مقصد در فرایند تبدیل مدل ها ارائه می دهد. این الگوریتم که با نام کیوموتور شناخته می شود، با استفاده از جداول پاداش، نگاشت های بهینه بین عناصر مدل ها را یاد می گیرد. در روش پیشنهادی، یک جفت مدل نمونه شامل مدل مبدا و مدل مقصد به همراه فرامدل های آن ها، به الگوریتم کیوموتور داده می شود. این الگوریتم سعی می کند در طول فرایند یادگیری یک مدل میانی مبتنی بر فرامدل مقصد از روی عناصر مدل مبدا ایجاد کند و این مدل میانی را با مدل مقصد مربوط به نمونه ورودی مقایسه کرده و جدول پاداش مبتنی بر شباهت ساختاری را به روز می کند. الگوریتم یادگیری تقویتی کیوموتور نیاز به یادگیری زبان های تبدیل پیچیده (مانند ATL و ETL) را حذف کرده و تنها با یک جفت نمونه اولیه، قادر به تعمیم قوانین تبدیل به نمونه های مشابه است. این ویژگی نه تنها پیچیدگی فرایند تبدیل را کاهش می دهد و استفاده برای کاربران غیرمتخصص را تسهیل می کند، بلکه امکان پردازش مدل های بسیار بزرگ (با بیش از ۰۰۰/۶۰۰ عنصر) را نیز فراهم می سازد. نتایج ارزیابی نشان دهنده برتری این الگوریتم نسبت به روش های مرسوم در زمان اجرای کوتاه تر و مقیاس پذیری بالاتر است. در ادامه، پیشنهادهایی برای توسعه آینده شامل افزایش دقت از طریق ادغام یادگیری عمیق، بهبود شناسایی الگوهای پیچیده تر و طراحی سیستم ارزیابی خودکار کیفیت تبدیل ارائه شده است. این رویکرد می تواند به عنوان پایه ای برای پژوهش های آینده در زمینه خودکارسازی فرایندهای مدل سازی مورد استفاده قرار گیرد.

کلیدواژه ها:

یادگیری تقویتی ، تبدیل مدل با مثال ، مهندسی مبتنی بر مدل ، خودکارسازی