بهبود دقت وارسی مدل آماری برای فرآیندهای تصمیم مارکوف

انفجار حالات یکی از مشکلات اصلی وارسی مدل در همه انواع آن است. وارسی مدل آماری به عنوان یکی از راه حل های پیشنهادی برای این مشکل ارائه شده است. این روش به طور ویژه برای راستی آزمایی سیستمهایی که دارای برخی جنبه های تصادفی هستند مورد توجه قرار گرفته است. تعمیم وارسی مدل آماری به تحلیل فرآیندهای تصمیم مارکوف مستلزم حل عدم قطعیت برای حالت های هر مدل است. هر چند تا کنون راه حل هایی برای این مسئله ارائه شده اند هر یک از این راه حل ها دارای محدودیت هایی هستند. در این مقاله راه حل جدیدی مبتنی بر یادگیری ماشین و با استفاده از درخت تصمیم برای حل مسئله عدم قطعیت در فرآیندهای تصمیم مارکوف ارائه می شود. استفاده از این روش دو راهکار مهم را برای غلبه بر مشکل انفجار حالات به وجود می آورد. راهکار نخست استفاده از درخت تصمیم برای حل عدم قطعیت در وارسی مدل آماری است با هدف تقریب احتمال دسترس پذیری است. راهکار دوم به شناسایی حالت-های دسترس پذیر از حالت شروع می پردازد یا هدف کاهش مدل مورد نیاز می پردازد. نتایج تجربی نشان می دهد دقت محاسبات وارسی مدل آماری با استفاده از این روش بین 90 تا 99 درصد است و اندازه مدل بین 30 تا 98 درصد کاهش می یابد.