فهرست نشریات علمی دسترسی آزاد ایران

این مقاله یک رویکرد نوین مبتنی بر یادگیری تقویتی را برای تطبیق خودکار عناصر بین مدل‌های مبدا و مقصد در فرایند تبدیل مدل‌ها ارائه می‌دهد. این الگوریتم که با نام کیوموتور شناخته می‌شود، با استفاده از جداول پاداش، نگاشت‌های بهینه بین عناصر مدل‌ها را یاد می‌گیرد. در روش پیشنهادی، یک جفت مدل نمونه شامل مدل مبدا و مدل مقصد به‌همراه فرامدل‌های آن‌ها، به الگوریتم کیوموتور داده می‌شود. این الگوریتم سعی می‌کند 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 به‌روز می‌کند. الگوریتم یادگیری تقویتی کیوموتور نیاز به یادگیری زبان‌های تبدیل پیچیده (مانند ATL و ETL ) را حذف کرده و تنها با یک جفت نمونه اولیه، قادر به تعمیم قوانین تبدیل به نمونه‌های مشابه است. این ویژگی نه‌تنها پیچیدگی فرایند تبدیل را کاهش می‌دهد و استفاده برای کاربران غیرمتخصص را تسهیل می‌کند، بلکه امکان پردازش مدل‌های بسیار بزرگ (با بیش از 000/600 عنصر) را نیز فراهم می‌سازد. نتایج ارزیابی نشان‌دهند ة برتری این الگوریتم نسبت به روش‌های مرسوم در زمان اجرای کوتاه‌تر و مقیاس‌پذیری بالاتر است. در ادامه، پیشنهادهایی برای توسعه آینده شامل افزایش دقت از طریق ادغام یادگیری عمیق، بهبود شناسایی الگوهای پیچیده‌تر و طراحی سیستم ارزیابی خودکار کیفیت تبدیل ارائه شده است. این رویکرد می‌تواند به‌عنوان پایه‌ای برای پژوهش‌های آینده در زمینه خودکارسازی فرایندهای مدل‌سازی مورد استفاده قرار گیرد.