Research Article

MAS4SysML: Wieloagentowy framework do generowania modeli SysML v2 z języka naturalnego

DOI:

10.3791/70395

May 19th, 2026

In This Article

Summary

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Protokół ten prezentuje MAS4SysML, podejście wieloagentowe, które automatycznie generuje kod SysML v2 poprzez skoordynowany podział zadań, wymagając niewielu iteracji naprawczych i znacząco skracając czas ręcznego modelowania, jednocześnie poprawiając efektywność modelowania systemowego.

Abstract

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Automatyczne generowanie dokładnych modeli SysML na podstawie wymagań języka naturalnego może znacząco przyspieszyć wdrażanie inżynierii systemów opartych na modelach (MBSE) w rozwoju złożonych systemów. Jednak korzystanie z dużych modeli językowych (LLM) do generowania kodu modelu często nie spełnia ścisłych ograniczeń składniowych formalnych języków modelowania, a konsekwentne zapewnienie semantycznego dopasowania między generowanymi modelami a wymaganiami pozostaje wyzwaniem. Aby sprostać tym wyzwaniom, artykuł przedstawia MAS4SysML, wieloagentowy framework współpracy do generowania kodu SysML v2, który poprawia poprawność składniową i spójność semantyczną przy ograniczonym budżecie napraw. Framework rozkłada zadanie modelujące na hierarchiczne podzadania, formalizuje je jako strukturalne karty zadań i generuje kod modelu w sposób oddolny. Podczas generowania używa się oficjalnego środowiska walidacyjnego do diagnostyki składni; Po ukończeniu framework weryfikuje spójność semantyczną między kodem a kartami zadań. Jeśli walidacja składni lub semantyczna zawodzi, ramy iteracyjnie naprawiają i rewalidują kod w ramach ustalonego budżetu napraw, kierując się informacjami zwrotnymi diagnostycznymi, aż do spełnienia kryteriów walidacji lub wyczerpania budżetu. Aby ocenić proponowaną metodę, tworzymy zbiór danych SysML v2 obejmujący pięć podstawowych typów zadań — wymagania, przypadki użycia, strukturę, parametrykę i maszyny stanów — oraz przeprowadzamy eksperymenty porównawcze. Wyniki pokazują, że MAS4SysML zmniejsza średni wskaźnik błędów składniowych do 2,63, zwiększa podobieństwo semantyczne do 0,91 i przewyższa istniejące metody generowania kodu ogólnie.

Introduction

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

MBSE stało się kluczową metodologią analizy wymagań, projektowania architektury systemów oraz planowania weryfikacji w rozwoju złożonego sprzętu w dziedzinach takich jak lotnictwoi kosmonautyka. Korzystając z jednolitych języków modelowania, takich jak SysML, jako szkieletu modelowania, informacje — w tym wymagania, struktura, zachowanie i ograniczenia — mogą być organizowane w spójny model framework, poprawiając strukturę procesów i efektywność współpracy interdyscyplinarnej2. Jednak wraz ze wzrostem skali systemu, liczba modeli, które trzeba opracować, rośnie odpowiednio, co prowadzi do stałego wzrostu obciążenia ręczn....

Access restricted. Please log in or start a trial to view this content.

Protocol

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Proces generowania kodu w ramach MAS4SysML jest podsumowany w Pliku Uzupełniającym 1. Należy zauważyć, że badanie nie ma na celu jednorazowego wygenerowania kompletnego modelu systemu z języka naturalnego z ścisłą spójnością widoków krzyżowych, obejmującą wymagania, strukturę, parametrykę i zachowanie. Zamiast tego protokół koncentruje się na generowaniu kilku reprezentatywnych typów kodu widokowego SysML v2.

Faza I: Analiza zadań
Workflow zaczyna się od parsowania zadań. System dostarcza zamysł modelowania w języku naturalnym dla Agenta Generowania Struktury Zadań, który generuje zestaw kart zadań. Ab....

Access restricted. Please log in or start a trial to view this content.

Results

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ocena modelu bazowego
Najpierw wybraliśmy kilka popularnych LLM i przeprowadziliśmy wstępne testy wydajności z wykorzystaniem bezpośredniego generowania model-to-code, w tym CodeX(175B)19, CodeGen-Mono(16.1B)20, PaLM Coder(62B)21, Alphacode(1.1B)22, Incoder(6.7B)23 oraz code-davinci-002(175B)24. Jak pokazano w Tabeli 2, code-davinci-002(175B.......

Access restricted. Please log in or start a trial to view this content.

Discussion

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Proponujemy MAS4SysML, wieloagentowy framework współpracy do półautomatycznego generowania kodu modelu SysML v2. Ramy składają się z czterech funkcjonalnie komplementarnych agentów. Podczas generowania (i) hierarchicznie rozkłada wymagania modelowania w języku naturalnym, korzystając ze struktury opartej na drzewie zadań, i formalizuje je na strukturalne karty zadań, a (ii) generuje kod modelu SysML v2 oddolnie, kierując się ograniczeniami i relacjami zależnościami określonymi w tych kartach. Przez całą generację moduł w.......

Access restricted. Please log in or start a trial to view this content.

Disclosures

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy nie mają konfliktu interesów. Narzędzia AI/LLM były używane wyłącznie podczas budowy zbiorów danych. Konkretnie, aby zbudować zbiór danych ewaluacyjnych, użyliśmy narzędzia AI do generowania opisów modelowania w języku naturalnym odpowiadającym ręcznie tworzonym modelom SysML v2 (czyli generując "opis zadania" na podstawie autorskiego modelu SysML v2), tworząc pary wejście–wyjście do benchmarkingu. Poza tym ograniczonym celem, AI nie była wykorzystywana do generowania proponowanej metody, wyników eksperymentalnych, analiz danych, rysunków/tabel ani żadnego tekstu rękopisu.

Acknowledgements

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Badania te są wspierane przez Civil Aerospace Project (D020101) Chińskiej Państwowej Administracji Nauki, Technologii i Przemysłu na rzecz Obrony Narodowej.

....

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
LangChainLangChain (projekt open-source)v1.0.8; https://github.com/langchain-ai/langchainRamy interakcji LLM i orkiestracji agentów
LangGraphLangChain (projekt open-source)v1.0.3; https://github.com/langchain-ai/langgraphFramework wykonawczy wieloagentowego przepływu pracy
PythonPython Software Foundation3.10.x; https://www.python.org/downloads/release/python-3100/Główny język programowania implementacji MAS4SysML
Pilotażowa implementacja SysML v2Grupa Zarządzania Obiektami (OMG)(podaj wersję wydania/tagu); https://github.com/Systems-Modeling/SysML-v2-Pilot-ImplementationWykorzystywane do walidacji składni i parsowania modeli

References

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Miller, W. D. The Future of Systems Engineering: Realizing the Systems Engineering Vision 2035. Transdisciplinarity and the Future of Engineering. , IOS Press. (2022).
  2. Kirshner, M. J. A. Model-based systems engineering cybersecurity for space systems. Aerospace. 10 (2), 116(2023).
  3. Bajaj, M., Fried....

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

SysML Model GenerationMulti Agent FrameworkNatural Language RequirementsModel Based Systems EngineeringSemantic ConsistencySyntactic CorrectnessLarge Language ModelsCode ValidationTask DecompositionSemantic Alignment

Related Articles