A Declarative Approach for Model Generation
Une approche déclarative pour la génération de modèles
Résumé
Owning models is useful in many different fields. Models can be used to test and to validate approaches, algorithms and concepts. Unfortunately, models are rarely available, are cost to obtain, or are not adapted to most of cases due to a lack of quality.
An automated model generator is a good way to generate quickly and easily models that are valid, in different sizes, likelihood and diverse.
In this thesis, we propose a novel and declarative model driven approach, based on constraint programming for automated model generation. Models are modelled as a meta-model. This later is then encoded in constraint programming to find solutions. For more useful models, we are concerned by their likelihood, which is obtained by simulating probability distributions related to domain-specific metrics and also by their diversity through model comparison distances.
Disposer de modèles dans le but de valider ou tester une approche ou un concept est d'une importance primordiale dans beaucoup de domaines différents. Malheureusement, ces modèles ne sont pas toujours disponibles, sont coûteux à obtenir, ou bien ne répondent pas à certaines exigences de qualité ce qui les rend inutiles dans certains cas de figure.
Un générateur automatique de modèles est un bon moyen pour obtenir facilement et rapidement des modèles valides, de différentes tailles, pertinents et diversifiés.
Dans cette thèse nous proposons une nouvelle approche déclarative et basée sur la programmation par contraintes pour la génération de modèles. Ces derniers sont modélisés sous la forme d'un méta-modèle qui est ensuite formalisé efficacement en contraintes pour trouver des solutions. Dans l'optique d'obtenir des modèles utiles, nous nous intéressons à leur vraisemblance qui est obtenue via des lois de probabilités et des métriques spécifiques aux domaines et à leur diversité assurée par des distances comparant ces modèles.
Loading...