Place bisimilarity is a behavioral equivalence for finite Petri nets, proposed by Schnoebelen and co-workers in 1991. Differently from all the other behavioral relations proposed so far, a place bisimulation is not defined over the markings of a finite net, rather over its places, which are finitely many. However, place bisimilarity is not coinductive, as the union of place bisimulations may be not a place bisimulation. Place bisimilarity was claimed decidable in [1], even if the algorithm used to this aim [2] does not characterize this equivalence, rather the unique maximal place bisimulation which is also an equivalence relation; hence, its decidability was not proved. Here we show that it is possible to decide place bisimilarity with a simple, yet inefficient, algorithm, which essentially scans all the place relations (which are finitely many) to check whether they are place bisimulations. Moreover, we propose a slightly coarser variant, we call d-place bisimilarity, that we conjecture to be the coarsest equivalence, fully respecting causality and branching time, to be decidable on finite Petri nets.


翻译:与Schnoebelen和同事在1991年提议的有限Petrinet行为等同。 与迄今为止提出的所有其他行为关系不同的是,对于有限网的标记而言,不把消减确定为减色,而是在有限的多处。然而,两样性并不是偶然的,因为降色刺激的结合可能不是一种减色。在[1]中,双样性被指称为可变。即使用于此目的的算法[2]没有描述这一等同,而是独特的最大减色点,它也是一种等同关系;因此,其消减性没有被证明。我们在这里表明,可以决定将两样性与简单但效率低的算法放在一起,基本上可以扫描所有地点关系(其中限量很多),以检查它们是否是减色。此外,我们提议一种略微粗略的变式,我们称之为d-place bigolity,我们称它为完全尊重因果关系和分支时间的可变式。

0
下载
关闭预览

相关内容

医学人工智能AIM(Artificial Intelligence in Medicine)杂志发表了多学科领域的原创文章,涉及医学中的人工智能理论和实践,以医学为导向的人类生物学和卫生保健。医学中的人工智能可以被描述为与研究、项目和应用相关的科学学科,旨在通过基于知识或数据密集型的计算机解决方案支持基于决策的医疗任务,最终支持和改善人类护理提供者的性能。 官网地址:http://dblp.uni-trier.de/db/journals/artmed/
专知会员服务
51+阅读 · 2021年5月19日
Google-EfficientNet v2来了!更快,更小,更强!
专知会员服务
19+阅读 · 2021年4月4日
一份循环神经网络RNNs简明教程,37页ppt
专知会员服务
172+阅读 · 2020年5月6日
【康奈尔大学】度量数据粒度,Measuring Dataset Granularity
专知会员服务
12+阅读 · 2019年12月27日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
TensorFlow 2.0 学习资源汇总
专知会员服务
66+阅读 · 2019年10月9日
已删除
将门创投
4+阅读 · 2018年12月10日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【推荐】SVM实例教程
机器学习研究会
17+阅读 · 2017年8月26日
Arxiv
0+阅读 · 2021年5月30日
Arxiv
3+阅读 · 2019年3月29日
VIP会员
相关VIP内容
专知会员服务
51+阅读 · 2021年5月19日
Google-EfficientNet v2来了!更快,更小,更强!
专知会员服务
19+阅读 · 2021年4月4日
一份循环神经网络RNNs简明教程,37页ppt
专知会员服务
172+阅读 · 2020年5月6日
【康奈尔大学】度量数据粒度,Measuring Dataset Granularity
专知会员服务
12+阅读 · 2019年12月27日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
TensorFlow 2.0 学习资源汇总
专知会员服务
66+阅读 · 2019年10月9日
相关资讯
已删除
将门创投
4+阅读 · 2018年12月10日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【推荐】SVM实例教程
机器学习研究会
17+阅读 · 2017年8月26日
Top
微信扫码咨询专知VIP会员