【Petri网导论学习笔记】Petri网导论入门学习(三)

news2024/11/15 12:14:01

Petri网导论入门学习(三)

  • Petri 网导论学习笔记(三)
        • 定义 1.4
        • 定义 1.5
        • 定义 1.6
        • 定义 1.7

Petri 网导论学习笔记(三)

如需学习转载请注明原作者并附本帖链接!!!
如需学习转载请注明原作者并附本帖链接!!!
如需学习转载请注明原作者并附本帖链接!!!

原创码字不易,觉得不错请一键三连吧
这篇主要是1.1章节的收尾
(ノへ ̄、)

发现网上关于Petri网的学习资源较少,这里分享的是看Petri网导论这本书的笔记(感觉相对于那个视频来说书上写的还是更详细一点,当然视频学习到第三章的笔记也会传上来,后续会主要看这本书来学习Petri网),欢迎大家来一起交流和学习,使用的学习资料是:
Petri网导论 吴哲辉著(主要)
Petri网:模型、理论与应用-清华大学

定义 1.4

N = ( S , T ; F ) N=(S,T;F) N=(S,T;F)为一个网。
1 ) N d = ( T , S ; F ) 1)N^{\mathrm{d}}=(T,S;F) 1)Nd=(T,S;F)称为网 N N N对偶网(dual net);
2 ) N − 1 = ( S , T ; F − 1 ) 2)N^{-1}=(S,T;F^{-1}) 2)N1=(S,T;F1)称为网 N N N逆网(inversed net),其中 F − 1 = {   ( x , y )   ∣   ( y , x ) ∈ F   } F^{-1}=\{\:(x,y)\:|\:(y,x)\in F\:\} F1={(x,y)(y,x)F}

小白也能听懂版:

N = ( S , T ; F ) N=(S,T;F) N=(S,T;F)

ST交换→对偶网

F流关系逆置→逆网
逆网和对偶网

定义 1.5

设  N = ( S , T ; F )  为一个网。如果 S 1 ⊆ S , T 1 ⊆ T F 1 = ( ( S 1 × T 1 ) ∪ ( T 1 × S 1 ) ) ∩ F \text{设 }N=(S,T;F)\text{ 为一个网。如果}\\S_{1}\subseteq S,\quad T_{1}\subseteq T\\F_{1}=((S_{1}\times T_{1})\cup(T_{1}\times S_{1}))\cap F  N=(S,T;F) 为一个网。如果S1S,T1TF1=((S1×T1)(T1×S1))F

则称  N 1 = ( S 1 , T 1 ; F 1 )  为网  N  的一个子网(subnet)。 \text{则称 }N_1=(S_1,T_1;F_1)\text{ 为网 }N\text{ 的一个子网(subnet)。} 则称 N1=(S1,T1;F1) 为网 N 的一个子网(subnet)

F F F里的 S → T 和 T → S S→T和T→S STTS的流关系的子集

注意的是库所子集 S 1 S_1 S1和变迁子集 T 1 T_1 T1给出,子网的有向边集 F 1 F_1 F1就确定了→S和T确定,ST子集所相关的流关系的子集也就确定了

定义 1.6

N = ( S , T ; F ) N=(S,T;F) N=(S,T;F)为一个网, S 1 ⊆ S . S_1\subseteq S. S1S.
1 ) N o s ( S l ) 1) N_{\mathrm{os}}( S_{\mathrm{l} }) 1)Nos(Sl) = ( S 1 , T 1 ; F 1 ) ( S_{1}, T_{1}; F_{1}) (S1,T1;F1)称为网 N N N关于库所子集 S 1 S_1 S1外延子网(outface sub-net),当且仅当:
T 1 = ∙ S 1 ∪ S 1 ∙ = ⋃ s ∈ S 1 ( ∙ s ∪ s ∙ ) F 1 = ( ( S 1 × T 1 ) ∪ ( T 1 × S 1 ) ) ∩ F \begin{aligned}&T_{1}=^{\bullet}S_{1}\cup S_{1}^{\bullet}=\bigcup_{s\in S_{1}}(^{\bullet}s\cup s^{\bullet})\\&F_{1}=((S_{1}\times T_{1})\cup(T_{1}\times S_{1}))\cap F\end{aligned} T1=S1S1=sS1(ss)F1=((S1×T1)(T1×S1))F

T 1 T_1 T1 S 1 S_1 S1的外延也可以说是 S 1 S_1 S1中所有 s s s元素的外延

F 1 F_1 F1 S 1 S_1 S1与其外延 T 1 T_1 T1中的 F F F中的流关系的一部分

所以是包含了 S 1 S_1 S1的前集和后集的变迁与之相关的流关系所以是外延子网

2 ) N i s ( S 1 ) = ( S 1 , T 2 ; F 2 ) 2)N_{\mathrm{is}}( S_{1}) = ( S_{1}, T_{2}; F_{2}) 2Nis(S1)=(S1,T2;F2)称为网 N N N关于库所子集 S 1 S_1 S1内连子网( inner-link sub-net),当且仅当
T 2 = ∙ S 1 ∩ S 1 ∙ = ( ⋃ s ∈ S 1 ∙ s ) ∩ ( ⋃ s ∈ S 1 s ∙ ) F 2 = ( ( S 1 × T 2 ) ∪ ( T 2 × S 1 ) ) ∩ F T_{2}={}^{\bullet}S_{1}\cap S_{1}^{\bullet}=(\bigcup_{s\in S_{1}}{}^{\bullet}s)\cap(\bigcup_{s\in S_{1}}s^{\bullet})\\F_{2}=((S_{1}\times T_{2})\cup(T_{2}\times S_{1}))\cap F T2=S1S1=(sS1s)(sS1s)F2=((S1×T2)(T2×S1))F

注意上面变迁的∪变成了∩!

T 2 T_2 T2只是 S 1 S_1 S1的前集也是后集

F 2 F_2 F2 S 1 S_1 S1与其外延 T 2 T_2 T2中的 F F F中的流关系的一部分

所以是包含了 S 2 S_2 S2的前集和后集的变迁与之相关的流关系所以是内连子网

外延子网与内联子网示意图

定义 1.7

N = ( S , T ; F ) N=(S,T;F) N=(S,T;F)为一个网 , T 1 ⊆ T . T_1\subseteq T. T1T.

1 ) N o s ( T 1 ) = ( S 1 , T 1 ; F 1 ) 1)N_{\mathrm{os}}(T_{1})=(S_{1},T_{1};F_{1}) 1)Nos(T1)=(S1,T1;F1)称为网 N N N关于变迁子集 T 1 T_1 T1外延子网,当且仅当
S 1 = ∙ T 1 ∪ T 1 ∙ = ⋃ t ∈ T 1 ( ∙ t ∪ t ∙ ) F 1 = ( ( S 1 × T 1 ) ∪ ( T 1 × S 1 ) ) ∩ F \begin{aligned}&S_{1}=^{\bullet}T_{1}\cup T_{1}^{\bullet}=\bigcup_{t\in T_{1}}(^{\bullet}t\cup t^{\bullet})\\&F_{1}=((S_{1}\times T_{1})\cup(T_{1}\times S_{1}))\cap F\end{aligned} S1=T1T1=tT1(tt)F1=((S1×T1)(T1×S1))F

与上面的定义类似,只不过上面是以S为中心,1.7以T为核心

2 ) N i s ( T 1 ) = ( S 2 , T 1 ; F 2 ) 2)N_{\mathrm{is}}( T_{1}) = ( S_{2}, T_{1}; F_{2}) 2)Nis(T1)=(S2,T1;F2)称为网 N N N关于变迁子集 T 1 T_1 T1内连子网,当且仅当
S 2 = ∙ T 1 ∩ T 1 ∙ = ( ⋃ t ∈ T 1 ∙ t ) ∩ ( ⋃ t ∈ T 1 t ∙ ) F 2 = ( ( S 2 × T 1 ) ∪ ( T 1 × S 1 ) ) ∩ F S_{2}=^{\bullet}T_{1}\cap T_{1}^{\bullet}=(\bigcup_{t\in T_{1}} {}^{\bullet}t)\cap(\bigcup_{t\in T_{1}}t^{\bullet})\\F_{2}=((S_{2}\times T_{1})\cup(T_{1}\times S_{1}))\cap F S2=T1T1=(tT1t)(tT1t)F2=((S2×T1)(T1×S1))F

与上面的定义类似,只不过上面是以S为中心,1.7以T为核心

在这里插入图片描述
在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2130569.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

Axure设计之全屏与退出全屏交互实现

在Axure RP中,设计全屏与退出全屏的交互功能可以极大地提升用户体验,尤其是在展示产品原型或进行演示时。本文将详细介绍如何在Axure RP中通过结合JavaScript代码实现全屏与退出全屏的交互效果。 ​ Axure原型设计web端交互元件库:https://…

网络安全产品认证证书大全(持续更新...)

文章目录 一、引言二、《计算机信息系统安全专用产品销售许可证》2.1 背景2.2 法律法规依据2.3 检测机构2.4 检测依据2.5 认证流程2.6 证书样本 三、《网络关键设备和网络安全专用产品安全认证证书》3.1 背景3.2 法律法规依据3.3 检测机构3.4安全认证和安全检测依据标准3.5 认证…

9月→2024年计算机与信息安全国际会议

【9月→郑州、吉隆坡双会场】 Springer-LNICST 🔥🔥2024年计算机与信息安全国际会议(WCCIS 2024) 会议时间:2024年9月20-22日 论文收录:EI,Scopus稳定检索 网络安全,访问控制&am…

了解MySQL 高可用架构:主从备份

为了防止数据库的突然挂机,我们需要对数据库进行高可用架构。主从备份是常见的场景,通常情况下都是“一主一从/(多从)”。正常情况下,都是主机进行工作,从机进行备份主机数据,如果主机某天突然意外宕机,从机…

Android 13 固定systemUI的状态栏为黑底白字,不能被系统应用或者三方应用修改

目录 一.背景 二.思路 三.代码流程 1.colos.xml自定义颜色 2.设置状态栏的背景颜色 3.对View进行操作 ①.对Clock(状态栏左侧的数字时钟)进行操作 ②.对电池(BatteryMeterView)进行操作 4.锁屏状态栏 5.patch汇总 一.背景 客户需求将状态栏固定成黑底白字,并且不能让系…

红外小目标检测:基于深度学习

目录 ​编辑 1.红外成像技术的优势 2.红外小目标检测的基本原理 常用方法 1. 背景抑制法 2. 基于滤波的方法 3. 基于模型的方法 4. 基于深度学习的方法 5. 多传感器融合方法 3.代码实战 案例背景 数据准备 模型选择 代码实现 讲解 4.应用场景 5.未来发展趋势 …

NISP 一级 | 4.2 操作系统的安全威胁

关注这个证书的其他相关笔记:NISP 一级 —— 考证笔记合集-CSDN博客 0x01:漏洞和漏洞扫描 对计算机系统安全威胁最大的就是系统本身的漏洞,只有存在漏洞,黑客才有机会入侵我们的计算机系统。具统计证明,99% 的黑客攻击…

基于spring实现博客项目的删除和更新(五)

8. 实现用户退出 前端直接清除掉token即可. 实现客⼾端代码 <注销>链接已经提前添加了onclick事件 &#xff0c;在common.js中完善logout⽅法 function logout(){localStorage.removeItem("user_token");location.href "blog_login.html"; } 点击…

Adobe 将推出人工智能视频模型 Firefly 视频模型: 最长 5 秒,支持视频编辑

最近&#xff0c;Adobe 发布了一款全新的创意工具–Adobe Firefly 视频模型。 这一创新工具标志着 Adobe 在现有 Firefly 生成式人工智能图像模型的基础上&#xff0c;大胆涉足人工智能生成视频领域。 Adobe 表示&#xff0c;该模型是经过道德训练的&#xff0c;使用的数据都是…

数字孪生之-3D可视化

定义&#xff1a; 广义&#xff1a;一切现实物体的虚拟化表达&#xff0c;都可以算是广义的数字孪生行业&#xff1a;数字孪生体应该是与现实物体一对一映射、实时数据连接、有数据模型和对应的数据的 个人理解数字孪生的实现还是基于数据驱动&#xff0c;加上上帝视角&#xf…

微软九月补丁星期二发现了 79 个漏洞

微软将在2024 年 9 月补丁星期二修复 79 个漏洞。 微软有证据表明&#xff0c;发布的四个漏洞被野外利用和/或公开披露&#xff1b;所有四个漏洞均已在CISA KEV上列出。微软还在修补四个关键的远程代码执行 (RCE) 漏洞。 不同寻常的是&#xff0c;微软本月尚未修补任何浏览器…

Leetcode面试经典150题-141.环形链表

题目比较简单&#xff0c;重点是理解思想 解法都在代码里&#xff0c;不懂就留言或者私信 /*** Definition for singly-linked list.* class ListNode {* int val;* ListNode next;* ListNode(int x) {* val x;* next null;* }* }*/ public…

Transformer学习(2):自注意力机制

回顾 注意力机制 自注意力机制 自注意力机制中同样包含QKV&#xff0c;但它们是同源(Q≈K≈V)&#xff0c;也就是来自相同的输入数据X&#xff0c;X可以分为 ( x 1 , x 2 , . . , x n ) (x_1,x_2,..,x_n) (x1​,x2​,..,xn​)。 而通过输入嵌入层(input embedding)&#xff0c…

环境搭建1

预编译.h 这里面包含一些常用的头文件 #pragma once #include<SDKDDKVer.h> #include<stdio.h> #include<tchar.h> #include<bitset> #include<conio.h> #include"atlstr.h" #include<atlimage.h> #include<iostream> #…

Unity数据持久化 之 一个通过2进制读取Excel并存储的轮子(2) (*****生成数据结构类的方式特别有趣****)

本文仅作笔记学习和分享&#xff0c;不用做任何商业用途 本文包括但不限于unity官方手册&#xff0c;unity唐老狮等教程知识&#xff0c;如有不足还请斧正​​ Unity数据持久化 之 一个通过2进制读取Excel并存储的轮子(1)-CSDN博客 本节内容 实现目标 通过已经得到的Excel表格…

算法-图论(建图,拓扑排序)

文章目录 建图的三种方式邻接矩阵邻接表链式前向星 拓扑排序拓扑排序基础原理介绍拓扑排序步骤解析拓扑排序模板leetcode-课程表 建图的三种方式 我们建图的三种方式分别是邻接矩阵, 邻接矩阵, 链式前向星 邻接矩阵 假设我们的点的个数为N个, 我们就把他们的下标依次标为1, …

Java邮件:如何配置以实现自动化邮件通知?

Java邮件发送性能优化策略&#xff1f;怎么实现Java 发邮件功能&#xff1f; Java邮件API提供了一个强大且灵活的框架&#xff0c;使得开发者能够轻松地集成邮件发送功能到他们的应用程序中。AokSend将详细介绍如何配置Java邮件&#xff0c;以实现自动化邮件通知。 Java邮件&…

大数据新视界 --大数据大厂之数据治理之道:构建高效大数据治理体系的关键步骤

&#x1f496;&#x1f496;&#x1f496;亲爱的朋友们&#xff0c;热烈欢迎你们来到 青云交的博客&#xff01;能与你们在此邂逅&#xff0c;我满心欢喜&#xff0c;深感无比荣幸。在这个瞬息万变的时代&#xff0c;我们每个人都在苦苦追寻一处能让心灵安然栖息的港湾。而 我的…

Leetcode 盛水最多的容器

算法思路&#xff1a; Explanation: Two-pointer technique: Start with two pointers, one at the beginning (left) and one at the end (right) of the height array.Calculate the area formed between the two vertical lines. The area is calculated as: Area ( righ…

Leetcode Hot 100刷题记录 -Day14(矩阵置0)

矩阵置0 问题描述&#xff1a; 给定一个 m x n 的矩阵&#xff0c;如果一个元素为 0 &#xff0c;则将其所在行和列的所有元素都设为 0。 示例 1&#xff1a; 输入&#xff1a;matrix [[1,1,1],[1,0,1],[1,1,1]] 输出&#xff1a;[[1,0,1],[0,0,0],[1,0,1]]示例 2&#xff1a;…