La transformation de modèles est un concept central de l’ingénierie dirigée par les modèles, puisqu’elle fournit un moyen d’automatiser la manipulation de ceux-ci. Il n’est cependant pas aisé de réaliser un programme capable de transformer un modèle en un autre. Les règles qui constituent ces programmes peuvent parfois s’avérer très compliquées à trouver, même pour un expert en la matière. Une première approche pour apprendre automatiquement des règles de transformation de modèles à partir d’une paire d’exemples a été proposée par Martin Faunes. Celle-ci repose sur un algorithme g´en´etique qui permet de dériver, de manière automatique, des programmes de plus en plus aptes `a transformer des mod`eles. Dans le cadre de ce mémoire, nous proposons d’améliorer cette approche en introduisant une dimension de contrôle et en complexifiant la structure des règles de transformation, ce qui permettra de dériver des programmes de transformation plus performants. Deux nouvelles approches seront présentées, chacune différant dans sa manière d’apprendre le contrôle des règles. La première va générer les règles ainsi que leur ordre d’exécution simultanément tandis que la deuxième va d’abord apprendre les règles avant d’apprendre l’ordre d’exécution de celles-ci.
la date de réponse | 6 sept. 2013 |
---|
langue originale | Français |
---|
L'institution diplômante | |
---|
Superviseur | Naji Habra (Promoteur) |
---|
- transformation de modèles
- automatique
- algorithme génétique
Une approche génétique pour la dérivation de règles et méta-règles de transformation de modèles à partir d'exemples
Cobbaert, Q. (Auteur), Masson, P. (Auteur). 6 sept. 2013
Student thesis: Master types › Master en sciences informatiques