用z3 smt求解器进行语法推理
z3gi的Python项目详细描述
使用Z3 SMT解算器的语法推理
========================
[z3]：https://github.com/z3prover/z3
找到一个最小尺寸的确定性有限自动机（dfa），它接受一组给定的正字符串，拒绝一组给定的负字符串。已经证明它是np完全的。
z3gi提供了使用可满足性模理论（smt）解决这个（和类似）问题的不同方法。
sources
--------
或者，您可以通过克隆此存储库来安装z3gi，使用“setuptools”进行安装：https://gitlab.science.ru.nl/rick/smtgi.git
$python smtgi/z3gi/setup.py install'1'的1或3大于5的倍数（这样的dfa在这里被描述为[dfa]）。
[dfa]：http://abbadingo.cs.num.ie/dfa.html
this file can be found at `docs/train.txt`):
```
16 2
1 4 1 0 0 0
1 4 0 1 0 0
1 4 0 0 1 0
1 5 1 0 1 1 1
1 6 1 1 1 1 0 1
1 6 0 1 0 0 0 0
1 6 1 0 0 0 0 0
1 7 0 0 0 1 1 0 1
1 7 0 0 0 0 1 0 1
0 3 1 0 1
0 4 0 0 0 0
0 4 1 1 0 1
0 5 0 0 0 0 0
0 5 0 0 1 0 1
0 6 0 1 0 1 1 1
0 7 1 0 0 0 1 1 1
```
我们可以用Z3GI来学习train.txt中字符串的模型如下：
我是说，
状态0=0，
n=5，
状态2=2，
状态4=4，
1=input！瓦尔！0，
状态1=1，
0=输入！瓦尔！1，
输出=[3->；真，4->；真，否则->；假]，
传输=[（0，输入！瓦尔！0）->；3，
（0，输入！瓦尔！1）->；4，
（4，输入！瓦尔！0）->；2，
（3，输入！瓦尔！0）->；4，
（3，输入！瓦尔！1）->；2，
（2，输入！瓦尔！0）->；1，
（1，输入！瓦尔！1）->；3，
（4，输入！瓦尔！1）->；1，
else->；0]
```
我们可以将学习到的模型解释如下。
-`0=输入！瓦尔！1`和'1=输入！瓦尔！0“提供'0'和'1'的标识符
-`n=5'表示学习的模型有5个状态
-`state0=0'到`state4=4'提供这些状态的标识符
-`out'描述这些状态的输出函数（如果接受则为'true'，如果拒绝则为'false'）
-`trans'定义状态和符号到状态（例如`（0，输入！瓦尔！0）->；3）`描述从'state0'到'state3'的转换`）
在python中使用z3gi打开python解释器：
```
$python
````
2。这次让我们使用不同的编码器：
```
>；>z3gi.encoder s import expressive
>；>encoder=expressive.encoder（）
```
>3.创建一个示例：
```
>；>z3gi.sample import sample
>；>sample=sample（encoder）
```
>4。将“train.txt”中字符串的约束添加到示例中：
```
>；>gt；来自Z3GI。解析器导入abbadingo
>；>gt；对于字符串，在abbadingo.read中添加标签（open（'train.txt'，'r'），header=1）：
…示例[字符串]=标签
…
```
5。获取模型！
```
>；>model=sample.model（）
>；>print（model）
```
========================
[z3]：https://github.com/z3prover/z3
找到一个最小尺寸的确定性有限自动机（dfa），它接受一组给定的正字符串，拒绝一组给定的负字符串。已经证明它是np完全的。
z3gi提供了使用可满足性模理论（smt）解决这个（和类似）问题的不同方法。
sources
--------
或者，您可以通过克隆此存储库来安装z3gi，使用“setuptools”进行安装：https://gitlab.science.ru.nl/rick/smtgi.git
$python smtgi/z3gi/setup.py install'1'的1或3大于5的倍数（这样的dfa在这里被描述为[dfa]）。
[dfa]：http://abbadingo.cs.num.ie/dfa.html
this file can be found at `docs/train.txt`):
```
16 2
1 4 1 0 0 0
1 4 0 1 0 0
1 4 0 0 1 0
1 5 1 0 1 1 1
1 6 1 1 1 1 0 1
1 6 0 1 0 0 0 0
1 6 1 0 0 0 0 0
1 7 0 0 0 1 1 0 1
1 7 0 0 0 0 1 0 1
0 3 1 0 1
0 4 0 0 0 0
0 4 1 1 0 1
0 5 0 0 0 0 0
0 5 0 0 1 0 1
0 6 0 1 0 1 1 1
0 7 1 0 0 0 1 1 1
```
我们可以用Z3GI来学习train.txt中字符串的模型如下：
我是说，
状态0=0，
n=5，
状态2=2，
状态4=4，
1=input！瓦尔！0，
状态1=1，
0=输入！瓦尔！1，
输出=[3->；真，4->；真，否则->；假]，
传输=[（0，输入！瓦尔！0）->；3，
（0，输入！瓦尔！1）->；4，
（4，输入！瓦尔！0）->；2，
（3，输入！瓦尔！0）->；4，
（3，输入！瓦尔！1）->；2，
（2，输入！瓦尔！0）->；1，
（1，输入！瓦尔！1）->；3，
（4，输入！瓦尔！1）->；1，
else->；0]
```
我们可以将学习到的模型解释如下。
-`0=输入！瓦尔！1`和'1=输入！瓦尔！0“提供'0'和'1'的标识符
-`n=5'表示学习的模型有5个状态
-`state0=0'到`state4=4'提供这些状态的标识符
-`out'描述这些状态的输出函数（如果接受则为'true'，如果拒绝则为'false'）
-`trans'定义状态和符号到状态（例如`（0，输入！瓦尔！0）->；3）`描述从'state0'到'state3'的转换`）
在python中使用z3gi打开python解释器：
```
$python
````
2。这次让我们使用不同的编码器：
```
>；>z3gi.encoder s import expressive
>；>encoder=expressive.encoder（）
```
>3.创建一个示例：
```
>；>z3gi.sample import sample
>；>sample=sample（encoder）
```
>4。将“train.txt”中字符串的约束添加到示例中：
```
>；>gt；来自Z3GI。解析器导入abbadingo
>；>gt；对于字符串，在abbadingo.read中添加标签（open（'train.txt'，'r'），header=1）：
…示例[字符串]=标签
…
```
5。获取模型！
```
>；>model=sample.model（）
>；>print（model）
```
欢迎加入QQ群-->： 979659372
