[论文解读] Strategy Synthesis for Multi-dimensional Quantitative Objectives

Krishnendu Chatterjee, Mickaël Randour+1 more|arXiv (Cornell University)|Jan 24, 2012

Formal Methods in Verification参考文献 38被引用 4

一句话总结

本文为具有parity目标的多维定量博弈中有限记忆策略需求提出了紧致的指数级界，提出了一种最优的符号化与增量式算法用于策略合成，并精确刻画了有限记忆与随机性之间的权衡。主要贡献在于显著改进了多能量博弈的先前三重指数级上界，为均值支付与带parity条件的能量博弈中的记忆使用量建立了匹配的上下界。

ABSTRACT

Multi-dimensional mean-payoff and energy games provide the mathematical foundation for the quantitative study of reactive systems, and play a central role in the emerging quantitative theory of verification and synthesis. In this work, we study the strategy synthesis problem for games with such multi-dimensional objectives along with a parity condition, a canonical way to express $ω$-regular conditions. While in general, the winning strategies in such games may require infinite memory, for synthesis the most relevant problem is the construction of a finite-memory winning strategy (if one exists). Our main contributions are as follows. First, we show a tight exponential bound (matching upper and lower bounds) on the memory required for finite-memory winning strategies in both multi-dimensional mean-payoff and energy games along with parity objectives. This significantly improves the triple exponential upper bound for multi energy games (without parity) that could be derived from results in literature for games on VASS (vector addition systems with states). Second, we present an optimal symbolic and incremental algorithm to compute a finite-memory winning strategy (if one exists) in such games. Finally, we give a complete characterization of when finite memory of strategies can be traded off for randomness. In particular, we show that for one-dimension mean-payoff parity games, randomized memoryless strategies are as powerful as their pure finite-memory counterparts.

研究动机与目标

• 为具有parity目标的多维定量博弈中有限记忆获胜策略所需的记忆量建立紧致的指数级界。
• 设计一种最优的符号化与增量式算法，以高效计算此类博弈中的有限记忆获胜策略。
• 刻画不同博弈类别中策略的有限记忆与随机性之间的权衡关系。
• 通过推导匹配的下界，改进多能量博弈的先前三重指数级上界。

提出的方法

• 作者通过博弈论分析和对子博弈的约化，证明了记忆需求的匹配上下界。
• 他们提出了一种符号化与增量式算法，通过即时计算与状态空间剪枝，高效计算有限记忆获胜策略。
• 该方法基于parity博弈中优先级层级的归纳，递归构建子博弈中的获胜策略。
• 对记忆与随机性之间权衡的刻画依赖于概率推理，以及对不同策略类型下可达收益向量的分析。
• 他们采用了博弈分解技术，隔离获胜区域，并分析优先级集合减少的子博弈。
• 通过一维均值支付博弈的案例研究，验证了理论结果，证明了随机化有限记忆策略具有严格优越性。

实验结果

研究问题

• RQ1 在具有parity目标的多维均值支付与能量博弈中，有限记忆获胜策略的确切记忆复杂度是什么？
• RQ2 能否设计一种最优的符号化与增量式算法，以高效合成此类策略？
• RQ3 在哪些博弈类别中，随机化无记忆策略可达到与纯有限记忆策略相同的获胜能力？
• RQ4 在表达能力上，是否存在纯有限记忆、随机化无记忆与随机化有限记忆策略之间的严格层次结构？
• RQ5 在不同类型的博弈中，记忆与随机性在获胜能力方面的精确权衡关系是什么？

主要发现

• 本文为具有parity目标的多维均值支付与能量博弈中有限记忆获胜策略所需的记忆量，建立了紧致的指数级界（上下界匹配）。
• 所提出的符号化与增量式算法实现了最优复杂度，并已成功集成至Acacia+合成工具中，展示了实际效率。
• 在一维均值支付parity博弈中，随机化无记忆策略与纯有限记忆策略具有相同的能力，实现了记忆与随机性之间的完全权衡。
• 在双人多均值支付博弈中，随机化无记忆策略严格弱于纯有限记忆策略，表明在这些设定中记忆依然至关重要。
• 在多均值支付博弈中，即使在一维玩家情况下，随机化有限记忆策略也严格强于随机化无记忆策略与纯有限记忆策略，因其能够实现收益向量的精确线性组合。
• 通过一个反例表明，随机化有限记忆策略可达到纯有限记忆或随机化无记忆策略无法实现的收益向量(0,0)，从而证明其严格优越性。