On the Modeling of Sequential Reactive Systems by Means of Real Time Automata

E. Vinarskii; V. Zakharov

doi:10.3103/S0146411621070178

Публикации

?

On the Modeling of Sequential Reactive Systems by Means of Real Time Automata

Automatic Control and Computer Sciences. 2021. Vol. 55. No. 7. P. 751–762.

Винарский Е. М., Захаров В. А.

Переводчик: Захаров В. А.

Научное направление: Компьютерные науки

Язык: английский

Полный текст

DOI

Текст на другом сайте

Ключевые слова: simulation transition systems reactive system реагирующая система formal verification конечный автомат реального времени формальная верификация модели Finite State Machine (FSM)размеченная система переходов отношение симуляции

ПУБЛИКАЦИЯ ПОДГОТОВЛЕНА ПО РЕЗУЛЬТАТАМ ПРОЕКТА:

Модели процессов: проверка соответствия наблюдаемому поведению, автоматический синтез и анализ поведенческих свойств (2021)

Molecular dynamics and machine learning insights into oil-brine interfacial tension: Uncovering roles of dissolved gases and salinity

Nikitiuk B., Lenev D., Писарев В. В. и др., Journal of Colloid and Interface Science 2026 Vol. 718 Article 140444

Добавлено: 28 октября 2026 г.

Predicting multi-component oil viscosity using machine learning methods

Deshchenya V., Nikolay D. Kondratyuk, Sivakova A. и др., Chemical Engineering Sciences 2027 Vol. 337 Article 124616

Добавлено: 28 октября 2026 г.

PARSE: Physical attribute representativity and stationarity evaluator open-source library for 3D images using scalar and vector metrics

Zubov A., Zubov A., Малявко, Я. и др., Computer Physics Communications 2025 Vol. 317 Article 109860

Добавлено: 28 октября 2026 г.

Amplifying Latent Safety in Large Language Models via Gated Activation Steering

Roman Prosvirnin, Suslov A., Aleksei Soldatov и др., Computation 2026 Vol. 14 No. 10 Article 261

Добавлено: 27 октября 2026 г.

PACTraD: Multi-Task Benchmark and Domain-Specific Attention Mechanism for Wildlife Classification, Detection, and Segmentation in Protected Area Camera Trap Data

Aleksei Samarin, Назаренко А. А., Nazarenko D. и др., Big Data and Cognitive Computing 2026 Vol. 10 No. 11 P. 1–52

Добавлено: 27 октября 2026 г.

2026 10th Scientific School Dynamics of Complex Networks and their Applications

IEEE, 2026.

Добавлено: 26 октября 2026 г.

A Curated Dataset for Chemical Characterization of Heated Tobacco Product Aerosol

Maddalena L., Yildiz B., Del Vecchio Blanco F. и др., Scientific data 2026 P. 1–20

Добавлено: 26 октября 2026 г.

A Multi-Feature Fusion Deep Neural Network with Attention for Multi-Task Crop Monitoring

Obsie E. Y., Zhan Y., Liu Y., Engineering Research Express 2026 Article 7

Добавлено: 22 октября 2026 г.

A Neural Network Approach for Generating Libration Point Orbits

Lev Pyatko, Sergey Aksenov, Regular and Chaotic Dynamics 2026 Vol. 31 No. 5 P. 794–813

In the circular restricted three-body problem, families of periodic and quasi-periodic orbits exist in the vicinity of the libration points and are of significant interest for practical applications. This work presents a neural network-based algorithm for orbit construction and station-keeping, applicable to both periodic and quasi-periodic orbits near collinear libration points. The method employs a ...

Добавлено: 19 октября 2026 г.

Основы теории информации

Воронцова Т. Д., М.: Академия, 2025.

Учебник подготовлен в соответствии с требованиями федеральных государственных образовательных стандартов среднего профессионального образования и предназначен для изучения профессиональных модулей «Защита информации в информационно-телекоммуникационных системах и сетях с использованием программных и программно-аппаратных, в том числе криптографических средств защиты» и «Защита информации в автоматизированных системах программными и программно-аппаратными средствами». Содержание учебника включает в себя аксиоматику теории информации, а также такие фундаментальные понятия, как ...

Добавлено: 19 октября 2026 г.

A Reproducible Microscopy Acquisition Pipeline and Microscopy-Aware Attention for Classification, Detection, and Segmentation of Microorganisms

Aleksei Samarin, Назаренко А. А., Nazarenko D. и др., Machine Learning and Knowledge Extraction 2026 Vol. 8 No. 10 Article 330

Добавлено: 14 октября 2026 г.

Studies in Computational Intelligence

Springer, 2026.

Добавлено: 13 октября 2026 г.

Proceedings of the 3rd International Conference on Sustainability: Developments and Innovations. Proceedings of ICSDI 2026, Volume 4. Lecture Notes in Civil Engineering (LNCE, volume 886)

Springer, 2026.

Добавлено: 13 октября 2026 г.

Sandpile Cellular Automata with Manna Rule on the Chung-Lu Graph: Application to X Social Network

Дмитриев А. В., Корнилов В. В., Batienkov R., Lecture Notes in Civil Engineering 2026 Vol. 886 P. 249–255

Добавлено: 13 октября 2026 г.

Sandpile Cellular Automata with Manna Rule on the Chung-Lu Graph: Application to X Social Network

Дмитриев А. В., Shulman I., Лебедев А. А., Studies in Computational Intelligence 2026 Vol. 1265 P. 266–273

Добавлено: 13 октября 2026 г.

When universal machine learning models fail in capacitance prediction for carbon-based supercapacitors: Leakage-aware validation and electrolyte screening

Makarov D. M., Каликин Н. Н., Fashchevsky K. A. и др., Electrochimica Acta 2026 Vol. 579 Article 150159

Добавлено: 13 октября 2026 г.

LiteKV: A KV cache compression method for efficient inference on resource-constrained devices

Zhang Z., Ильвовский Д. А., Information Processing and Management 2026 Vol. 63 No. 7

Добавлено: 13 октября 2026 г.

No Species Is an Island, Entire of Itself: Genetic Speciation Algorithm with Interplay among Species

Громов В. А., Сохраби М., Fathollahi-Fard A., International Journal of Engineering, Transactions B: Applications 2027 Vol. 40 No. 5 P. 1437–1460

Добавлено: 12 октября 2026 г.

JavaCapsule: Итеративная генерация и отладка Java-кода на основе структурированной обратной связи

Александров Д. В., Василевский В. И., Резуник Л. и др., Труды Института системного программирования РАН 2026 Т. 38 № 5 С. 73–90

Ограничения при выполнении задач, требующих точного извлечения информации из сверхдлинных последовательностей, приводят к снижению качества генерации и отладки кода крупных объектно-ориентированных систем, характеризующихся сложными межклассовыми зависимостями и необходимостью анализа длинных трассировок выполнения, превышающих размеры стандартных контекстных окон. Предлагается технология JavaCapsule для генерации и отладки Java-кода, реализующая итеративную отладку на основе структурированной обратной связи, включающей результаты ...

Добавлено: 12 октября 2026 г.

Proceedings of the 34th IUPAP Conference on Computational Physics: CCP2023, August 4-8, Kobe, Japan

Singapore: Springer, 2026.

Добавлено: 12 октября 2026 г.

РАЗРАБОТКА МЕТОДА И АЛГОРИТМОВ АДАПТИВНОГО ФЕДЕРАТИВНОГО ОБУЧЕНИЯ С УЧЕТОМ РАСПРЕДЕЛЕННОГО ЗАПАЗДЫВАНИЯ КЛИЕНТСКИХ ОБНОВЛЕНИЙ

Зыков С. В., Ермаков С. Р., Современные наукоемкие технологии 2026 № 9 С. 43–53

При федеративном обучении с неоднородными клиентскими данными и переменными задержками запоздавшие обновления могут ухудшать качество модели, а обмен параметрами с глобальным сервером увеличивает сетевую нагрузку. Целью исследования является разработка и теоретико-экспериментальное обоснование метода и алгоритмов адаптивного федеративного обучения с учетом распределенного запаздывания клиентских обновлений. Для обоснования разрабатываемых решений использованы событийная и непрерывная модели градиентных обновлений, ...

Добавлено: 11 октября 2026 г.

User Traffic Generation for Networks-on-Chip High-Level Modeling in BookSim-based Toolset

Омаров М. Т., Маликов М. А., Американов А. А., , in: 2026 International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM).: IEEE, 2026. P. 791–796.

Добавлено: 22 августа 2026 г.

Экономичная имитационная модель гусеничного движителя

Комиссаров А. И., Вестник Московского государственного технического университета им. Н.Э. Баумана. Серия: Машиностроение 2025 Т. 155 № 4 С. 72–89

Основное требование к имитационным моделям гусеничных машин для компьютерных тренажеров по обучению управлению машинами и роботами заключается в возможности их работы в режиме реального и близкого к реальному времени, что обеспечивается существенным упрощением кинематики и динамики модели взаимодействия гусеничного движителя с опорным основанием. Приведено описание оригинальной экономичной модели гусеничного движителя с учетом групп траков, расположенных ...

Добавлено: 6 августа 2026 г.

Моделирование пространственных эффектов в контексте регионального развития

Букина Т. В., В кн.: Кафедра социально-экономической географии: семь десятилетий развития.: Пермь: Пермский государственный национальный исследовательский университет, 2025. Гл. 5 С. 57–79.

Каждый регион характеризуется уникальными особенностями развития, которые формируют будущее его экономики. Уровень экономического развития региона определяется различными условиями, такими как обеспеченность природными ресурсами, наличие производственных мощностей, развитие институтов и социальной сферы, инфраструктурная обеспеченность и многими другими. Следовательно, при оценке уровня регионального развития необходимо учитывать совокупность факторов, которые в разной степени оказывают на него влияние. Необходимо отметить, ...

Добавлено: 3 августа 2026 г.