離散制御器合成

概要

離散制御器合成（Discrete Controller Synthesis; DCS）は，システムの環境をラベル付き遷移システム（LTS）でモデル化し，安全性条件（やってはいけない状態を避ける）および活性条件（必ず達成すべき目標を実現する）を与えると，これらを数学的に保証した形でシステムを制御するコントローラ（離散制御器）を自動生成する技術です．

ヒューリスティックな方法とは異なり，DCSは与えられた条件を満たすコントローラが存在すれば必ず発見し，存在しなければ不可能であることを証明します．これはミッションクリティカルなシステムの信頼性保証に大きく貢献します．

鄭研究室では，DCSを自己適応ソフトウェアのコアエンジンとして位置づけ，アルゴリズムの効率化・AI との融合・多様な応用展開の3方向で研究を推進しています．

合成アルゴリズムの研究

状態爆発問題（State Explosion Problem）はDCS の最大の課題です．環境モデルの状態数が増えると，探索空間が指数的に拡大します．我々は以下のアプローチで合成の効率化を追求しています．

  • On-the-fly 合成（KBSE 2025） コントローラ探索を遅延評価で行い，必要な部分の状態空間のみを展開することで，計算空間を大幅に削減します．

  • 差分合成（Hirano et al., ICIEA 2021） 環境モデルが変化した際，変化した差分部分のみを再合成することで，全体の再計算を回避します．

  • Pre-controller 合成（Arioka et al., ICCSCE 2023） 実行前に汎用的な事前制御器を合成しておき，実行時の計算コストを削減します．

  • LTS 最小化による状態爆発抑制（Yamaguchi et al., KBSE 2025） 等価な振る舞いを持つ状態を統合し，LTSを最小化することで探索空間を削減します．

  • メイクスパン最適化（Shimizu et al., ICCSCE 2023） 並列タスクのスケジューリングにDCSを適用し，合成コントローラの実行効率（メイクスパン）を最適化します．

  • 行動優先度を用いた探索効率化（Takeuchi et al., ICCE-Asia 2024） 合成アルゴリズム内の探索順序に行動優先度情報を導入し，目標状態への到達を加速します．

  • ML 性能予測（Ikeda et al., ICCE-Asia 2024） 機械学習モデルにより合成の計算コストを事前予測し，資源割り当てを最適化します．

AI・機械学習との融合

近年，DCSのアルゴリズムにAIを組み込むことで，従来の探索ベース手法では難しかった大規模問題への対応が進んでいます．

  • 強化学習誘導探索（Ubukata et al., QRS 2025; SEAMS 2026） 強化学習エージェントがDCS探索を誘導し，状態爆発を引き起こす問題でも効率的にコントローラを発見します．

  • Mixture-of-Experts RL によるロバスト探索（Ubukata et al., SEAMS 2026） 複数の強化学習方策を専門家として組み合わせるMoEアーキテクチャで，多様な問題構造に対するロバスト性を向上します．

  • LLM によるステップワイズ合成方策設計（Ishimizu et al., ICCE-Asia 2024） 大規模言語モデル（LLM）を用いて，DCSの探索方策を段階的に設計・改善します．

  • LLM による制御問題の自動修正（Ishimizu et al., TOWERS 2025） LLM が合成に失敗した制御問題を分析し，問題の仕様を自動的に修正・再定式化します．

応用事例

DCSは，正確な動作保証が求められる様々なシステムに適用されています．

  • ロボット経路探索（Li et al., ACSOS 2023 demo） DCSを用いた自走式ロボットのリアルタイム経路計画と障害物回避制御．

  • IoT/Node-RED システム（Yamauchi et al., IEEE IoT 2021） Node-RED ワークフロー上でのDCS適用による IoT デバイスの安全な自動制御．

  • Systems-of-Systems 制御（Li et al., SESoS@ICSE 2024） 複数の独立したサブシステムが協調動作する Systems-of-Systems へのDCS拡張．

  • クラウドネイティブ侵入回復（KBSE 2024） クラウド環境でのセキュリティ侵害を検知した後，DCSにより安全な状態へ自動回復します．

代表論文

  • Zhenyu Hu et al. “Self-Adaptive Defense Against Dynamic Poisoning Attacks in Federated Learning.” SEAMS 2025.
  • T. Ubukata et al. “Reinforcement Learning-Guided Discrete Controller Synthesis.” QRS 2025.
  • T. Ubukata et al. “Mixture-of-Experts RL for Robust Discrete Controller Synthesis.” SEAMS 2026.
  • Tomoki Yamaguchi et al. “LTS Minimization for Scalable Discrete Controller Synthesis.” KBSE 2025.
  • Yuki Arioka et al. “Pre-Controller Synthesis for Runtime Cost Reduction.” ICCSCE 2023.
  • Yuki Shimizu et al. “Makespan Optimization in Discrete Controller Synthesis.” ICCSCE 2023.
  • Yusei Ishimizu et al. “LLM-based Stepwise Policy Design for DCS.” ICCE-Asia 2024.
  • Yusei Ishimizu et al. “Automated Problem Repair for Discrete Controller Synthesis via LLM.” TOWERS 2025.
  • Takuto Yamauchi et al. “Automated IoT System Control via Discrete Controller Synthesis on Node-RED.” IEEE IoT Journal, 2021.
  • Jialong Li et al. “Discrete Controller Synthesis for Systems-of-Systems.” SESoS@ICSE 2024.