mCRL2项目构建指南:从源码编译到文档生成
2025-06-27 13:32:37作者:殷蕙予
项目概述
mCRL2是一个基于形式化方法的工具集,用于建模、验证和分析并发系统。本文将详细介绍如何从源码构建mCRL2项目,包括环境准备、配置选项和文档生成等关键步骤。
源码获取方式
mCRL2项目提供了两种获取源码的方式:
- 稳定版本:可以从项目官网下载发布的源码压缩包
- 开发版本:通过版本控制系统获取最新开发代码
推荐开发者使用开发版本,以便获取最新的功能和修复。
构建准备
基本环境要求
在开始构建前,需要确保系统满足以下基本要求:
- CMake构建工具
- C++编译器(支持C++17标准)
- Boost库
- 对于图形界面工具,还需要:
- Qt开发框架
- OpenGL图形库
构建目录结构
建议采用"out-of-source"构建方式,即源码目录和构建目录分离:
mCRL2/ # 源码目录
mCRL2-build/ # 构建目录
这种结构有助于保持源码整洁,便于管理多个构建配置。
平台特定说明
构建过程在不同操作系统上有所差异:
- Windows系统:需要Visual Studio或MinGW工具链
- macOS系统:推荐使用Homebrew管理依赖
- Linux系统:可通过包管理器安装大部分依赖
Python依赖管理
文档生成需要Python环境,推荐使用虚拟环境隔离依赖:
# 创建虚拟环境
python3 -m venv sphinx-venv
# 激活环境
source sphinx-venv/bin/activate
# 安装依赖
pip install -r requirements.txt
构建时需指定Python解释器路径:
cmake -DPython_EXECUTABLE=/path/to/sphinx-venv/bin/python ...
文档构建配置
mCRL2项目文档系统支持多种输出格式,可通过CMake选项控制:
MCRL2_ENABLE_DOCUMENTATION:启用文档构建MCRL2_ENABLE_DOC_DOXYGEN:生成API文档(需要Doxygen 1.9.7+)MCRL2_ENABLE_DOC_PDFLATEX:生成PDF文档(需要pdflatex)MCRL2_ENABLE_DOC_MANUAL:构建工具手册
构建目标:
doc:完整文档构建fastdoc:快速构建(不清理中间文件)
关键CMake配置选项
构建类型控制
CMAKE_BUILD_TYPE选项控制构建类型:
| 选项值 | 说明 |
|---|---|
| Release | 优化构建,不生成调试信息(生产环境推荐) |
| Debug | 启用调试符号和额外检查,优化较少(开发调试使用) |
| RelwithDebInfo | 优化构建但包含调试信息(可能保留部分检查) |
| MinSizeRel | 优化构建,侧重减小生成文件大小 |
安装配置
CMAKE_INSTALL_PREFIX:指定安装路径(默认/usr/local/)
BUILD_SHARED_LIBS:控制库类型:
- ON:生成动态链接库(默认)
- OFF:生成静态库(会显著增加可执行文件大小)
功能模块控制
| 选项 | 默认值 | 说明 |
|---|---|---|
| MCRL2_ENABLE_EXPERIMENTAL | OFF | 是否编译实验性工具 |
| MCRL2_ENABLE_DEPRECATED | OFF | 是否编译已废弃工具 |
| MCRL2_ENABLE_GUI_TOOLS | ON | 是否编译图形界面工具(如ltsview、mcrl2-gui等) |
| MCRL2_MAN_PAGES | ON | 是否生成手册页 |
测试相关
BUILD_TESTING:控制是否执行测试
MCRL2_ENABLE_TEST_TARGETS:控制是否生成测试目标(需与BUILD_TESTING配合使用)
高级配置
- Boost库路径:通过
BOOST_ROOT手动指定Boost库位置 - Qt路径:通过
Qt5_DIR指定Qt框架位置 - 代码标签:通过
CTAGS指定ctags工具路径
构建建议
- 首次构建推荐使用默认配置
- 开发调试时使用Debug构建类型
- 发布版本使用Release构建类型
- 若无图形界面需求,可禁用GUI工具减少依赖
常见问题处理
- 依赖缺失:根据错误信息安装相应开发包
- 构建失败:清理构建目录后重试
- 文档生成问题:检查Python环境和依赖是否完整
通过合理配置这些选项,开发者可以灵活定制mCRL2的构建过程,满足不同开发和使用场景的需求。
登录后查看全文
热门项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
暂无简介
Dart
669
155
Ascend Extension for PyTorch
Python
219
236
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
660
308
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.81 K
React Native鸿蒙化仓库
JavaScript
259
322
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.19 K
654
仓颉编程语言运行时与标准库。
Cangjie
141
878