Innehåll. Föreläsning Ett exempel. Svarsextraktion. Träden i läsematerialet

Storlek: px
Starta visningen från sidan:

Download "Innehåll. Föreläsning Ett exempel. Svarsextraktion. Träden i läsematerialet"

Transkript

1 Innehåll Föreläsning ÿsvarsextraktion ÿsundhet och fullständighet för resolution i redikatlogiken. Logik med tillämningar och ÿavsnitt 3, Kaitel 4.1 (Obs inte 2.7!) och 7.8 Svarsextraktion ÿofta ställer man frågor av tyen x(x) och med hjäl av resolution kan man (kanske) visa att det existerar ett x. ÿmen om man veta vilket/vilka x det gäller då? ÿvi kan använda svarsextraktion. ÿartificiell Intelligens Ett exemel De som har vingar och lägger ägg är fåglar x(has_wings(x) lays_eggs(x) is_bird(x)) Fåglar är djur y(is_bird(y) animal(y)) Klara lägger ägg och har vingar lays_eggs(klara) has_wings(klara) Finns det något djur? w(animal(w)) 1. has_wings(x) lays_eggs(x) is_bird(x) 2 is_bird(y) animal(y) 3. lays_eggs(klara) 4. has_wings(klara) 5. animal(w) 6. is_bird(y) {w y} 2, 5 7. has_wings(y) lays_eggs(y) {x y} 1, 6 8. has_wings(klara) {y Klara} 3, 7 9. [] 4, 8 ÿ Vi vet att det existerar ett djur men inte vem (om vi inte tjuvtittar å unifieringen). Träden i läsematerialet ÿ Slarviga, saknar tex beskrivning av vilken unifiering som gjorts. ÿ Vårt exemel som ett träd: is_bird(y) animal(y) animal(w) {w y} is_bird(y) has_wings(x) lays_eggs(x) is_bird(x) {x y} has_wings(w) lays_eggs(w) lays_eggs(klara) {y Klara} has_wings(klara) has_wings(klara) []

2 Lägg till ett svarsredikat ÿefter man gjort om frågan till klausulform gör man den till en tautologi. ÿi vårtexemel: animal(w) animal(w) ÿgör om resolutionen igen å exakt samma sätt som tidigare fast nu med svarsredikatet också. 6. is_bird(w) animal(w) {w y} 2, 5 7. has_wings(w) lays_eggs(w) animal(w) {x y} 1, 6 8. has_wings(klara) animal(klara) {y Klara} 3, 7 9. animal(klara) 4, 8 ÿoch då får vi vårt svar, det ett djur och denna någon är Klara! ÿmen vad händer om vi lägger till fakta om fågeln Jaco också? Hur vet vi att vi funnit alla lösningar som finns? ÿmåste generera fler bevis. Men man kan inte alltid söka efter alla lösningar. Vi kan få generiska svar också ÿ En grandarent är en förälder till en förälder x y z (arent(x, y) arent(y, z) grandarent(x,z)) Alla har en förälder y x arent(x, y) Finns det ett x och y så att x är grandarent till y? x y grandarent(x, y) ÿ Klausulerna: arent(x 1,y 1 ) arent(y 1,z 1 ) grandarent(x 1,z 1 ) arent(f(y 2 ), y 2 ) grandarent(x 3,y 3 ) 1. arent(x 1,y 1 ) arent(y 1,z 1 ) grandarent(x 1,z 1 ) 2. arent(f(y 2 ), y 2 ) 3. grandarent(x 3,y 3 ) 4. arent(y 2,z 1 ) grandarent(f(y 2 ),z 1 ) {x 1 f(y 2 ), y 1 y 2 }1,2 2. arent(f(w 2 ), w 2 ) (Dö om variablerna i 2) 5. grandarent(f(f(w 2 )),w 2 ) {y 2 f(w 2 ), z 1 w 2 }2,4 6. [] {x 3 f(f(w 2 )), y 3 w 2 }3,5 OBS! Exakt samma resolution med exakt samma unifieringar! 1. arent(x 1,y 1 ) arent(y 1,z 1 ) grandarent(x 1,z 1 ) 2. arent(f(y 2 ), y 2 ) 3. grandarent(x 3,y 3 ) grandarent(x 3,y 3 ) 4. arent(y 2,z 1 ) grandarent(f(y 2 ),z 1 ) {x 1 f(y 2 ), y 1 y 2 }1,2 2. arent(f(w 2 ), w 2 ) (Dö om variablerna i 2) 5. grandarent(f(f(w 2 )),w 2 ) {y 2 f(w 2 ), z 1 w 2 }2,4 6. grandarent(f(f(w 2 )), w 2 ) {x 3 f(f(w 2 )), y 3 w 2 }3,5 ÿom vi låter f(x) vara en funktion som talar om vad föräldern till x heter så visar vårt svar att för ett valfritt w 2 blir f(f(w 2 )) föräldern till föräldern till w 2 och då ufylls villkoren för vår fråga. ÿkan bli mer komlicerade extraktioner om frågorna innehåller flera redikat eller blir udelad i flera klausuler. Finns fler exemel i läsematerialet. Läs och förstå!

3 Exemel å flera redikat i frågan ÿanna, Bo och Cissi är läkare. Varje läkare som inte är en secialist, är en allmänläkare. Allmänläkare gillar inte skaleller och om man inte gillar forskning är man inte secialist. Anna gillar inte det Bo gillar och tvärtom. Anna gillar skaleller och forskning. ÿfinns det någon läkare som är en allmänläkare men inte secialist? Formler ÿ Använder redikaten läkare/1, secialist/1, allmänläkare/1, gillar/2. ÿ Anna, Bo och Cissi är läkare. läkare(anna) läkare(bo) läkare(cissi) ÿ Varje läkare som inte är en secialist, är en allmänläkare. x (läkare(x) secialist(x) allmänläkare(x)) ÿ Allmänläkare gillar inte skaleller och om man inte gillar forskning är man inte secialist. x (allmänläkare(x) gillar(x, skaleller)) x( gillar(x, forskning) secialist(x)) Formler ÿ Anna gillar inte det Bo gillar och tvärtom. x(gillar(bo, x) gillar(anna, x)) % Anna gillar inte det Bo gillar x( gillar(anna, x) gillar(bo, x)) % Bo gillar det Anna inte gillar ÿ Anna gillar skaleller och forskning. gillar(anna, skaleller) gillar(anna, forskning) ÿ Finns det någon läkare som är en allmänläkare men inte secialist? x (läkare(x) allmänläkare(x) secialist(x)) och tvärtom ÿ Översätts med en ekvivalens. ÿ "Den som står i skuggan står inte i solen och tvärtom Låt A = står i skuggan och B = står inte i solen. Första delen, A B, säger inget om det finns några andra latser än skuggan där man inte står i solen. ÿ Tänkbara tolkningar i naturligt sråk (1:a korrekt, 2:a vanlig feltolkning): "den som står i skuggan står inte i solen och den som inte står i solen står i skuggan (a b) ( b a) vilket om man tar bort blir ( a b) (b a) lägger till att alla som inte står i solen står i skuggan. Dvs det finns bara två latser att vara å: i solen eller i skuggan. "den som står i skuggan står inte i solen och den som står i solen står inte i skuggan" (a b) (b a) vilket om man tar bort blir ( a b) ( b a) Ingen ny information! Vi vet fortfarande inte om det finns fler latser förutom skuggan där man kan stå utan att stå i solen. Omvandling till klausulform 1. läkare(anna) 2. läkare(bo) 3. läkare(cissi) 4. läkare(x 4 ) secialist(x 4 ) allmänläkare(x 4 ) 5. allmänläkare(x 5 ) gillar(x 5, skaleller) 6. gillar(x 6, forskning) secialist(x 6 ) 7. gillar(bo, x 7 ) gillar(anna, x 7 ) 8. gillar(anna, x 8 ) gillar(bo, x 8 ) 9. gillar(anna, skaleller) 10. gillar(anna, forskning) 11. läkare(x 11 ) allmänläkare(x 11 ) secialist(x 11 ) Resolution 12. gillar(bo, forskning) 10 och 7 {x 7 forskning} 13. secialist(bo) 12 och 6 {x 6 Bo} 14. läkare(bo) allmänläkare(bo) 13 och 4 {x 4 Bo } 15. allmänläkare(bo) 14 och läkare(bo) secialist(bo) 15 och 11 {x 11 Bo } 17. secialist(bo) 16 och och 13

4 Svarsextraktionen ÿgör om frågan till en tautologi. ÿ läkare(x 11 ) allmänläkare(x 11 ) secialist(x 11 ) (läkare(x 11 ) allmänläkare(x 11 ) secialist(x 11 )) ÿgör om resolutionen. ÿibland skaar man ett svarsredikat istället för att göra frågan till tautologi (men idén är densamma). ÿ läkare(x 11 ) allmänläkare(x 11 ) secialist(x 11 ) ans(x 11 ) Resolution igen 12. gillar(bo, forskning) 10 och 7 {x 7 forskning} 13. secialist(bo) 12 och 6 {x 6 Bo} 14. läkare(bo) allmänläkare(bo) 13 och 4 {x 4 Bo } 15. allmänläkare(bo) 14 och läkare(bo) secialist(bo) ans(bo) 15och11{x 11 Bo } 17. secialist(bo) ans(bo) 16 och ans(bo) 17 och 13 Allkvantifierade frågor ÿblir en skolemkonstant eller skolemfunktion införd i frågan. ÿvårt grandarent -exemel med ny fråga: Finns det för alla x ett y så att y är grandarent till x? x y grandarent(y,x) Negerad och i klausulform: grandarent(y 3,a) ÿman kan se det som att man försöker visa att det finns en erson a som inte har en grandarent. 1. arent(x 1,y 1 ) arent(y 1,z 1 ) grandarent(x 1,z 1 ) 2. arent(f(y 2 ), y 2 ) 3. grandarent(x 3,a) ans(x 3 ) 4. arent(y 2,z 1 ) grandarent(f(y 2 ),z 1 ) {x 1 f(y 2 ), y 1 y 2 } 1och 2 2. arent(f(w 2 ), w 2 ) (Dö om variablerna i 2) 5. grandarent(f(f(w 2 )),w 2 ) {y 2 f(w 2 ), z 1 w 2 }2 och4 6. ans(f(f(a))) {x 3 f(f(a)), w 2 a} 3 och 5 Kan tolkas som att det selar ingen roll vem man väljer för att visa att frågan är falsk så får man att denna erson ufyller formeln. Läs mer i häftet om att det är OK att ersätta konstanten (och skolemfunktioner) i frågan med en variabel. Detta ga att denna skolemkonstant/funktion inte kommer att unifieras bort utan finns kvar till slutet av beviset. Sammanfattning om svarsextraktion ÿförst gör man ett vanligt bevis. ÿgör målet till en tautologi genom att lägga till frågeredikaten. (Eller lägg till redikatet ans.) ÿgör ett nytt bevis å samma sätt som det första och alicera alla unifieringar å det nya målet. ÿklausulen som blir kvar å slutet av beviset är vårt svar. ÿ{1. (x 1 =y 1 ) (x 1 ) (y 1 ) 2. (d) 3. (x 3 =g) (x 3 =s) (x 3 =b) 4. (x 4 =y 4 ) t(x 4 ) t(y 4 ) 5. t(g) (g), 6. (g) t(g), 7. t(s) (s), 8. (s) t(s), 9. t(b) (g), 10. (g) t(b), 11. (x 11 )} Exemlet Portias ussel: Ny 11: (x 11 ) ans(x 11 )

5 12. (x 4 =b) t(x 4 ) (g) 4o10{y 4 b} 13. (x 3 =g) (x 3 =b) t(s) (g) PM 3 och 12 {x 4 x 3 } 14. t(s) ans(s) 8 och 11, {x 11 s} 15. (x 3 =g) (x 3 =b) (g) ans(s) 13 och (d=b) (g) ans(s) PM 15 och 2, {x 3 d} 17. t(x 4 ) t(d) (x 4 ) PM2och4,{y 4 d} 18. t(x 4 ) t(b) (g) (x 4 ) ans(s) PM 16 och (x 4 =s) t(x 4 ) 4och14,{y 4 s} 20.(b=s) (g) 10 och 19, {x 4 b} 21.(b=s) ans(g) 11 och 20, {x 11 g} 22. t(b) ans(s) ans(g) PM 14 och t(x 4 ) (g) (x 4 ) ans(s) ans(g) 18 och (g) (x 4 ) ans(s) ans(g) 22 och 23, {x 4 b} 25. (x 4 ) ans(s) ans(g) 11 och 24, {x 11 g} 26. ans(s) ans(g) ans(x 4 ) 11och25{x 11 x 4 } Gick inte så bra 12. (b = y4) t(y4) (g) {x4 b} 4 o (b = s) (g) (s) {y4/s} 8 o (x3 = g) (x3 = s) (g) (s) PM3o (d = s) (g) (s) PM {x3 d} 2 o (g) (s) PM2o t(g) (s) 6 o (g = y4) t(y4) (s) {x4 g} 4 o (g = s) (s) {x4 s} 8 o (x3 = s) (s) PM 15 o (s) PM {x3 d} 2 o [] {x11 s} 11 o 22 Nytt försök Sundhet och fullständighet för resolution ÿvi börjar med satslogiken och bevisar sen för redikatlogiken. ÿresolution med direkt inferens är inte fullständig. ÿresolution som motsägelse bevis är sund och fullständig i satslogiken. Sundhet och fullständighet för resolution ÿsundhet: Om vi nått tomma klausulen med hjäl av resolutionsroceduren ska klausulmängden S vara osatisfierbar. A = A ÿfullständighet: Om en klausulmängd S är osatisfierbar ska vi kunna nå tomma klausulen med hjäl av resolutionsroceduren. = A A Resolution med direkt inferens: ÿ Ett bevis av klausulen A från en mängd med klausuler U är en sekvens φ 1, φ 2,,φ n med följande egenskaer: Varjeφ i är antingen En medlem i U Resultatet från en resolution mellan φ j och φ k där 1 j,k i φ n =A ÿu res A betyder att formeln A kan bevisas från U med hjäl av resolution. Fullständighet för resolution ÿresolution är inte fullständig för direkt inferens, inte ens när målet är en enda literal! ÿexemel som bevisar detta: Låt U = {A 1 }={}ocha= q. Vi ser direkt att {A 1 } A(dvsomärsannsåär qdet också) men vi kan inte göra resolution å något i U för att nå det resultatet.

6 Fullständighet forts... ÿman löser exemlet ovan genom att negera frågan och lägga det i samma mängd som hyoteserna och sedan nå motsägelse. {A 1 } A omm A 1 A valid omm A 1 A motsägelse ÿa 1 =, A= ( q) = q ÿ1., 2., 3. q 4. [] (1 och 2) ÿvi ska visa att resolution är sunt och fullständigt när man använder det för refutation. Resolutionsroceduren ÿlåt S vara en mängd klausuler och definiera S 0 =S. Antag att vi har konstruerat S i. Välj två kolliderande klausuler C 1,C 2 S i,ochlåt C=Res(C 1,C 2 )=(C 1 - {l}) (C 2 -{l c }) ÿom C= kan roceduren avbrytas, eftersom S då är osatsifierbar. ÿannars konstruera S i+1 =S i {C}. ÿom S i+1 =S i för alla möjliga kollisioner, avbryts roceduren, S är satisifierbar. Sundhet för resolution i satslogiken ÿresolution är sund. Dvs om C 1 och C 2 är kolliderande klausuler och C är resolventen så gäller att {C 1,C 2 } C ÿvi har sagt att det gäller förut men inte bevisat det ÿför att visa att resolution är sund måste man visa ovanstående + använda induktion (I boken använder de semantiska träd för att bevisa det.) Fullständighet för resolution i satslogiken ÿom en klausulmängd S är osatisfierbar så kan vi nå tomma klausulen med hjäl av resolutionsroceduren. ÿstruktur å beviset: Skaa ett hjälmedel semantiskt träd Visa att detta träd är stängt om S osatisfierbar Visa att trädets ubyggnad innebär att man måste ha nått tomma klausulen med resolutionsroceduren. Semantiska träd (Algoritm 4.31) ÿ Det semantiska trädet med höjd n för mängden S är ett fullt binärt träd T vars kanter har följande etiketter ( 1, 2,, n är de atomer som finns i S): Den vänstra kanten från en nod å nivå i har etiketten i. Den högra kanten från en nod å nivå i har etiketten i ÿ Varje gren g i trädet definierar en tolkning där v g ( i )=T om i är etiketten å i:te kanten och v g ( i )=F annars. ÿ Grenen är sluten om v g (S)=F och annars är grenen öen. ÿ Trädet är slutet om alla grenar är slutna och annars är trädet öet. Exemel: S = { q, q, q r} q ÿden gula grenen motsvarar tolkningen v() = T, v(q) = F, v(r) = F. v(s) = T så grenen är öen. ÿden gröna grenen motsvarar tolkningen v() = F, v(q) = F, v(r) = T. v(s) = F så grenen är stängd. q q q r r r r r r r r

7 ÿ(lemma 4.33) Varje tolkning för mängden S motsvaras av en gren i trädet och varje gren motsvaras av en tolkning. Vi har ju konstruerat trädet så! ÿ(teorem 4.34) Semantiska träd är stängda omm klausulmängden S är osatisfierbar. ÿ(definition 4.35) Om vi har ett stängt träd och en gren g så är failure node den nod i g som falsifierar S och ligger närmast roten. ÿ(definition 4.41) Föräldranoden till två failure nodes kallas inference node. Failure och Inference nodes S={, q, r, q r} 1 q q q q 2 r r r r r r r r 3 4 ÿlemma 4.45: Om v är en artiell tolkning som hör iho med en inference node så falsifierar tolkningen resolventen. ÿfailurenoderna 3 o 4 hör iho q med klausulerna C1 = r... r r ochc2= q r. 3 4 ÿv blir v() = T och v(q) = T ÿresolventen = q ÿaddera resolventen till mängden... Failure och Inference nodes S1 = {, q, r, q r, q} 1 q q q q 5 2 r r r r r r r r 3 4 Res( q, q) = 3 4 S2 = {, q, r, q r, q, } Res(, ) = [] S3 = {, q, r, q r, q,, []} 6 1 q q q q 5 2 r r r r r r r r Huvudbevisets struktur igen: ÿ Om S är osatisfierbar finns ett stängt semantiskt träd. ÿ Klausulerna i S kan kolas samman med failure nodes i trädet. Det finns dessutom minst en inference node i trädet. ÿ Varje inference node raderar två failure nodes och skaar en ny. Antalet failure nodes minskar! ÿ Dessutom hör varje inference node iho med ett resolutionssteg. ÿ När vi minskat ned antalet failure nodes till en så måste det vara roten. Den är associerad med att få fram tomma klausulen i resolutionsroceduren. ÿ Dvs, Om en klausulmängd S är osatisfierbar så kan vi nå tomma klausulen med hjäl av resolutionsroceduren. I redikatlogiken har vi lärt oss: ÿen osatisfierbar klausulmängd medför alltid att hittas i ett ändligt antal steg. ÿen satisfierbar klausulmängd kan ge en icketerminerande beräkning, vilket gör att vi för en godtycklig klausulmängd inte vet om den är satisfierbar eller inte. ÿresolution är alltså inte en beslutsrocedur för validitet i redikatlogiken. (Är inte avgörbar.)

8 Avgörbarhet ÿvissa delmängder av redikatlogiken är avgörbar. Dvs det finns en beslutsrocedur för satisfierbarhet. ÿett exemel är ändliga klausulmängder utan funktionssymboler. Detta ger en ändlig Herbrandbas och då kan vi undersöka satisfierbarheten. Reetition ÿen grundterm är en term vars variabler har ersatts med element ur Herbranduniversum. Samma gäller för grundatom och grundklausul. ÿs är en klausulmängd. Det finns en modell för S omm det finns en Herbrandmodell för S. ÿherbrands teorem En klausulmängd S är osatisfierbar omm det finns en ändlig mängd av grundklausuler av S som är osatisfierbara. Sundhet för resolution i redikatlogiken ÿsamma idé som i satslogiken. Kärnan i beviset är att om C 1 och C 2 är kolliderande klausuler och C är resolventen så gäller att {C 1,C 2 } C ÿvi måste ta hänsyn till unifieringar och bygger u resolventen å följande sätt: C= (C 1 σ-{l 1 σ}) (C 2 σ -{l 2c σ}) Bevis ÿ C 1 och C 2, satisfierbara. Då finns en modell I så att v(c i )=T. ÿ Definitionen av värderingarna v ger att det finns grunda instanser C i =C i λ i så att v(c i )=T. ÿeftersom σ är en mgu finns det substitutioner θ i så att λ i =σθ i. Med andra ord har vi C i =C i λ i =(C i σ)θ i ochdärmedär v(c i σ) = T under samma tolkning som v(c i )=T. ÿnu bli beviset lika som för satslogiken. Antingenl 1 σeller l 2c σ är satisfierbar (men inte båda!) Omv(l 1 σ) = T måste det finnas någon annan literal i C 2 som är sann. Denna literal finns i resolventen som också blir satisfierad. PSS om v(l 2c σ)=t Fullständighet för resolution i redikatlogiken ÿ Bygger också å sematiska träd som i beviset för satslogiken. Failure-noden definieras om grenen fram till den falsifierar en en grund instans av en klausul. ÿ Induktionsbevis ÿ Kritiskt steg är att bevisa att inferensnoden kan kolas samman med en resolvent mellan två failure-noder. Visas med hjäl av Lifting-lemma som säger att två klausuler C 1 och C 2 kan associeras med grunda klausuler C 1 och C 2. Deras resolvent C kan i sin tur associeras med C.

*UXSS YQLQJ±/RJLNPHGWLOOlPSQLQJDUYW

*UXSS YQLQJ±/RJLNPHGWLOOlPSQLQJDUYW *USS YQLQJ±/RJLNPHGWLOOlPSQLQJDUYW 8SSJLIW Här kommer några teoretiska frågor, skriv svaren med egna ord, dvs skriv inte av ohbilderna: a. Vad är en beslutsprocedur? En algoritm som terminerar och som

Läs mer

Grundläggande logik och modellteori

Grundläggande logik och modellteori Grundläggande logik och modellteori Kapitel 7: SAT-lösare Henrik Björklund Umeå universitet 29. september, 2014 SAT En instans av SAT är en mängd av mängder av literaler. Exempel: {{p, q, r}, {p, q, s},

Läs mer

Grundläggande logik och modellteori (5DV102)

Grundläggande logik och modellteori (5DV102) Tentamen 2013-10-31 Grundläggande logik och modellteori (5DV102) M. Berglund och K. Markström Totalt antal uppgifter 11 Maximalt antal poäng 30 Krav för 3 i betyg 14 poäng Krav för 4 i betyg 19 poäng,

Läs mer

Avslutning. Vad? Hur? Anmärkningar inför tentan 2. Vad ska kunnas?

Avslutning. Vad? Hur? Anmärkningar inför tentan 2. Vad ska kunnas? Avslutning Anmärkningar inför tentan Vad ska kunnas? Avslutning 1 Vad? Anmärkningar inför tentan 1 Att ha en bra förståelse för det som behandlades på föreläsningarna och gruppövningarna räcker i princip.

Läs mer

p /\ q r DD1350 Logik för dataloger Kort repetition Fö 3 Satslogikens semantik

p /\ q r DD1350 Logik för dataloger Kort repetition Fö 3 Satslogikens semantik DD1350 Logik för dataloger Fö 3 Satslogikens semantik 1 Kort repetition Satslogik formellt språk för att uttrycka påståenden med variabler och konnektiv /\, \/,, t.ex. p /\ q r 1 Kort repetition Naturlig

Läs mer

Grundläggande logik och modellteori (5DV102)

Grundläggande logik och modellteori (5DV102) Tentamen 2014-01-10 Grundläggande logik och modellteori (5DV102) M. Berglund och K. Markström Totalt antal uppgifter 10 Maximalt antal poäng 30 Krav för 3 i betyg 1 Krav för 4 i betyg 19 poäng, vara minst

Läs mer

Föreläsning 8. Innehåll. Satisfierbarhet hos en formel. Logik med tillämpningar

Föreläsning 8. Innehåll. Satisfierbarhet hos en formel. Logik med tillämpningar Föreläsning 8 Logik med tillämpningar 000413 Innehåll Lite mer om värderingar och tolkningar Semantiska tablåer i predikatlogiken Kapitel 3.5 Satisfierbarhet hos en formel En formel A är satisfierbar om

Läs mer

DD1350 Logik för dataloger. Fö 7 Predikatlogikens semantik

DD1350 Logik för dataloger. Fö 7 Predikatlogikens semantik DD1350 Logik för dataloger Fö 7 Predikatlogikens semantik 1 Kryssprodukt av mängder Om A och B är två mängder så är deras kryssprodukt A B mängden av alla par (a,b), där a A och b B. Ex: A={1,2}, B={3,4},

Läs mer

Grundläggande logik och modellteori

Grundläggande logik och modellteori Grundläggande logik och modellteori Kapitel 4: Konjunktiv och disjunktiv normalform Henrik Björklund Umeå universitet 15. september, 2014 CNF och DNF Konjunktiv normalform (CNF) Omskrivning av en formel

Läs mer

Lektion 8: Konstruktion av semantiska tablåer för PTL-formler

Lektion 8: Konstruktion av semantiska tablåer för PTL-formler Lektion 8: Konstruktion av semantiska tablåer för PTL-formler Till denna lektion hör uppgift 2, 6 och 0 i lärobokens avsnitt.6 (sid. 255). Lös uppgift 2 genom att konstruera en semantisk tablå. Följande

Läs mer

Avslutning. Vad? Hur? Anmärkningar inför tentan 2. Vad ska ni kunna?

Avslutning. Vad? Hur? Anmärkningar inför tentan 2. Vad ska ni kunna? Avslutning Anmärkningar inför tentan Vad ska ni kunna? Avslutning 1 Vad? Anmärkningar inför tentan 1 Att ha en bra förståelse för det som behandlades på föreläsningarna, inlämningsuppgifterna och gruppövningarna

Läs mer

Innehåll. Föreläsning 7. Satslogiken är för grov. Samma sak i predikatlogik: Första ordningens predikatlogik. Logik med tillämpningar

Innehåll. Föreläsning 7. Satslogiken är för grov. Samma sak i predikatlogik: Första ordningens predikatlogik. Logik med tillämpningar Innehåll Föreläsning 7 Logik med tillämpningar 99-03-01 Första ordningens predikatlogik Objekt, predikat, kvantifierare Funktioner, termer, wffs Bindning och räckvidd Tolkningar och värderingar Satisfiering,

Läs mer

Grundläggande logik och modellteori

Grundläggande logik och modellteori Grundläggande logik och modellteori Kapitel 3: Bevissystem, Hilbertsystem Henrik Björklund Umeå universitet 8. september, 2014 Bevissystem och Hilbertsystem Teorier och deduktionsproblemet Axiomscheman

Läs mer

Normalisering av meningar inför resolution 3. Steg 1: Eliminera alla och. Steg 2: Flytta alla negationer framför atomära formler

Normalisering av meningar inför resolution 3. Steg 1: Eliminera alla och. Steg 2: Flytta alla negationer framför atomära formler Normalisering av meningar inför resolution På samma sätt som i satslogiken är resolution i predikatlogiken en process vars syfte är att vederlägga att en klausulmängd är satisfierbar. Det förutsätter dock

Läs mer

Logik för datavetare DVK:Log Tisdagen 28 oktober 2014. Institutionen för dataoch systemvetenskap David Sundgren

Logik för datavetare DVK:Log Tisdagen 28 oktober 2014. Institutionen för dataoch systemvetenskap David Sundgren Institutionen för dataoch systemvetenskap David Sundgren Logik för datavetare DVK:Log Tisdagen 28 oktober 2014 Skrivtid: 9 00-13 00. Inga hjälpmedel utom formelsamlingen på nästa sida är tillåtna. För

Läs mer

Grundläggande logik och modellteori

Grundläggande logik och modellteori Grundläggande logik och modellteori Kapitel 8: Predikatlogik Henrik Björklund Umeå universitet 2. oktober, 2014 Första ordningens predikatlogik Signaturer och termer Första ordningens predikatlogik Formler

Läs mer

Föreläsning 9: NP-fullständighet

Föreläsning 9: NP-fullständighet Föreläsning 9: NP-fullständighet Olika typer av problem: 1. Beslutsproblem: A(x) =Ja. 2. Optimeringsproblem: A(x) =m Vanligen max/min. 3. Konstruktionsproblem: A(x) =En struktur. Vanligen lösningen till

Läs mer

Innehåll. Föreläsning 4-5. Logiska system. Alfabet. Calculus. Well-formed formulas. Vanliga termer i logik Satslogik. Första ordningens predikatlogik

Innehåll. Föreläsning 4-5. Logiska system. Alfabet. Calculus. Well-formed formulas. Vanliga termer i logik Satslogik. Första ordningens predikatlogik Innehåll Föreläsning 4-5 Logik med tillämpningar 010220 Vanliga termer i logik Satslogik syntax och semantik beslutsprocedurer Första ordningens predikatlogik syntax och semantik Kapitel 3-5: Topic 8-11

Läs mer

PCP-satsen på kombinatoriskt manér

PCP-satsen på kombinatoriskt manér austrin@kth.se Teorigruppen Skolan för Datavetenskap och Kommunikation 2005-10-24 Agenda 1 Vad är ett bevis? Vad är ett PCP? PCP-satsen 2 Vad, hur och varför? Lite definitioner Huvudresultatet 3 Ännu mer

Läs mer

Föreläsning 5. Deduktion

Föreläsning 5. Deduktion Föreläsning 5 Deduktion Hur ett deduktivt system fungerar Komponenter - Vokabulär Ett deduktivt system använder ett visst slags språk som kan kallas för systemets vokabulär. I mindre formella fall är kanske

Läs mer

Om semantisk följd och bevis

Om semantisk följd och bevis Matematik, KTH Bengt Ek december 2017 Material till kursen SF1679, Diskret matematik: Om semantisk följd och bevis Logik handlar bla om studiet av korrekta slutledningar, dvs frågan om när det är riktigt

Läs mer

Filosofisk Logik (FTEA21:4) föreläsningsanteckningar/kompendium. v. 2.0, den 29/ III. Metalogik 17-19

Filosofisk Logik (FTEA21:4) föreläsningsanteckningar/kompendium. v. 2.0, den 29/ III. Metalogik 17-19 Filosofisk Logik (FTEA21:4) föreläsningsanteckningar/kompendium IV v. 2.0, den 29/4 2013 III. Metalogik 17-19 Modeller för satslogiken 18.1 Vi har tidigare sagt att en modell är en tolkning av en teori

Läs mer

Grundläggande logik och modellteori

Grundläggande logik och modellteori Grundläggande logik och modellteori Kapitel 6: Binära beslutsdiagram (BDD) Henrik Björklund Umeå universitet 22. september, 2014 Binära beslutsdiagram Binära beslutsdiagram (Binary decision diagrams, BDDs)

Läs mer

Algoritmer, datastrukturer och komplexitet

Algoritmer, datastrukturer och komplexitet Algoritmer, datastrukturer och komplexitet Övning 9 Anton Grensjö grensjo@csc.kth.se 9 november 2017 1 Idag Bevis av NP-fullständighet Labbteoriredovisning inför labb 4 2 Teori Teori När vi talar om NP-fullständighet

Läs mer

DD1350 Logik för dataloger

DD1350 Logik för dataloger DD1350 Logik för dataloger Fö 4 Predikatlogik 1 Kort repetition Satslogik Naturlig deduktion är ett sunt och fullständigt bevissystem för satslogik Avgörbarhet Så vad saknas? Egenskaper Satslogiken är

Läs mer

Algoritmer, datastrukturer och komplexitet

Algoritmer, datastrukturer och komplexitet Algoritmer, datastrukturer och komplexitet Övningsmästarprovsövning 2 Anton Grensjö grensjo@csc.kth.se 20 november 2017 1 Dagordning 1. Genomgång av uppgiftens lösning 2. Genomgång av bedömningskriterier

Läs mer

Satslogik grundläggande definitioner 3. Satslogik. Uppgift 1. Satslogikens syntax (välformade formler) Satslogikens semantik (tolkningar)

Satslogik grundläggande definitioner 3. Satslogik. Uppgift 1. Satslogikens syntax (välformade formler) Satslogikens semantik (tolkningar) Satslogik grundläggande definitioner Satslogikens syntax (välformade formler) Satslogikens semantik (tolkningar) Modeller, logisk konsekvens och ekvivalens Några notationella förenklingar Kompletta mängder

Läs mer

Detta är ett ofärdigt utdrag ur ovanstående text. Vänligen sprid inte!

Detta är ett ofärdigt utdrag ur ovanstående text. Vänligen sprid inte! Filosofiska institutionen Göteborgs universitet UTKAST Resolution, unifiering och syntaktiska modeller En introduktion till logikprogrammeringens teori Björn Haglund Detta är ett ofärdigt utdrag ur ovanstående

Läs mer

Logik I. Åsa Hirvonen Helsingfors universitet. Våren 2013

Logik I. Åsa Hirvonen Helsingfors universitet. Våren 2013 Logik I Åsa Hirvonen Helsingfors universitet Våren 2013 Inledning Logik är läran om härledning. Med hjälp av logiken kan vi säga när ett resonemang är korrekt och när det inte är det. För att kunna studera

Läs mer

DD1350 Logik för dataloger

DD1350 Logik för dataloger DD1350 Logik för dataloger Fö 8 Axiomatiseringar 1 Modeller och bevisbarhet Sedan tidigare vet vi att: Om en formel Φ är valid (sann i alla modeller) så finns det ett bevis för Φ i naturlig deduktion.

Läs mer

Predikatlogik: Normalformer. Klas Markström

Predikatlogik: Normalformer. Klas Markström 1 Precis som i satslogik så är det bekvämt att kunna hitta en normalform för meningar. Om vi kan utgå från att alla meningar är på normalform så behöver vi t.e.x. inte bekymra oss om en massa specialfall

Läs mer

Föreläsning 9: Turingmaskiner och oavgörbarhet. Turingmaskinen. Den maximalt förenklade modell för beräkning vi kommer använda är turingmaskinen.

Föreläsning 9: Turingmaskiner och oavgörbarhet. Turingmaskinen. Den maximalt förenklade modell för beräkning vi kommer använda är turingmaskinen. Föreläsning 9: Turingmaskiner och oavgörbarhet Turingmaskinen Den maximalt förenklade modell för beräkning vi kommer använda är turingmaskinen. Data är ett oändligt långt band där nollor och ettor står

Läs mer

Algoritmer, datastrukturer och komplexitet

Algoritmer, datastrukturer och komplexitet Algoritmer, datastrukturer och komplexitet Övning 8 Anton Grensjö grensjo@csc.kth.se 12 november 2015 Anton Grensjö ADK Övning 8 12 november 2015 1 / 21 Översikt Kursplanering Ö8: Mästarprov 1, oavgörbarhet

Läs mer

Föreläsning 7+8: NP-problem. Begreppet effektiv algoritm är alltså synonymt med går i polynomisk tid i den här kursen. Är detta en rimlig uppdelning?

Föreläsning 7+8: NP-problem. Begreppet effektiv algoritm är alltså synonymt med går i polynomisk tid i den här kursen. Är detta en rimlig uppdelning? Formalisering av rimlig tid Föreläsning 7+8: NP-problem En algoritm som har körtid O(n k ) för någon konstant k är rimligt snabb. En algoritm som har körtid Ω(c n ) för någon konstant c>1 är för långsam.

Läs mer

Algoritmer, datastrukturer och komplexitet

Algoritmer, datastrukturer och komplexitet Algoritmer, datastrukturer och komplexitet Övning 10 Anton Grensjö grensjo@csc.kth.se 18 november 2015 Anton Grensjö ADK Övning 10 18 november 2015 1 / 20 Översikt Kursplanering Ö9: NP-fullständighetsbevis

Läs mer

Substitution och unifiering

Substitution och unifiering Substitution och unifiering Exempel varför behövs substitution? Substitution Unifiering Den mest generella unifieraren Substitution och unifiering 1 Resolution kräver substitution ett enkelt exempel Gäller

Läs mer

Föreläsning 8+9: NP-problem. Begreppet effektiv algoritm är alltså synonymt med går i polynomisk tid i den här kursen. Är detta en rimlig uppdelning?

Föreläsning 8+9: NP-problem. Begreppet effektiv algoritm är alltså synonymt med går i polynomisk tid i den här kursen. Är detta en rimlig uppdelning? Formalisering av rimlig tid Föreläsning 8+9: NP-problem En algoritm som har körtid O(n k ) för någon konstant k är rimligt snabb. En algoritm som har körtid Ω(c n ) för någon konstant c>1 är för långsam.

Läs mer

Algoritmer, datastrukturer och komplexitet

Algoritmer, datastrukturer och komplexitet Algoritmer, datastrukturer och komplexitet Övning 10 Anton Grensjö grensjo@csc.kth.se 9 november 2017 1 Idag En konstruktionsreduktion Fler bevis av NP-fullständighet 2 Teori Repetition Ett problem tillhör

Läs mer

Grundläggande logik och modellteori

Grundläggande logik och modellteori Modeller och uttrycksfullhet hos predikatlogik Department of mathematics Umeå university Föreläsning 10 Dagens föreläsning 1 Innehåll på resten av kursen 2 Varför verifikation? Formella metoder för verifikation

Läs mer

Kap. 7 Logik och boolesk algebra

Kap. 7 Logik och boolesk algebra Ka. 7 Logik och boolesk algebra Satslogik Fem logiska konnektiv: ej, och, eller, om-så, omm Begre: sats, sanningsvärde, sanningsvärdestabell tautologi, kontradiktion Egenskaer: Räkneregler för satslogik

Läs mer

Logik och bevisteknik lite extra teori

Logik och bevisteknik lite extra teori Logik och bevisteknik lite extra teori Inger Sigstam 2011-04-26 1 Satslogik (eng: propositional logic) 1.1 Språket Alfabetet består av följande symboler: satssymbolerna p 0, p 1, p 2,.... konnektiverna,,,,.

Läs mer

P(X nk 1 = j k 1,..., X n0 = j 0 ) = j 1, X n0 = j 0 ) P(X n0 = j 0 ) = etc... P(X n0 = j 0 ) ... P(X n 1

P(X nk 1 = j k 1,..., X n0 = j 0 ) = j 1, X n0 = j 0 ) P(X n0 = j 0 ) = etc... P(X n0 = j 0 ) ... P(X n 1 Kaitel 1 Mer Markovkedjor Med att secificera en Markovkedja menar vi att man bestämmer övergångsmatrisen P. Detta säger ju allt om dynamiken för rocessen. Om vi dessutom vet hur kedjan startar, dvs startfördelningen

Läs mer

Föreläsning 8: Intro till Komplexitetsteori

Föreläsning 8: Intro till Komplexitetsteori Föreläsning 8: Intro till Komplexitetsteori Formalisering av rimlig tid En algoritm som har körtid O(n k ) för någon konstant k är rimligt snabb. En algoritm som har körtid Ω(c n ) för någon konstant c>1

Läs mer

FÖRELÄSNING 3 ANDERS MÄRAK LEFFLER IDA/HCS

FÖRELÄSNING 3 ANDERS MÄRAK LEFFLER IDA/HCS 729G06 Logik FÖRELÄSNING 3 ANDERS MÄRAK LEFFLER IDA/HCS 160208 Idag C-regeln, informell (och formell) inledning till predikatlogik (Bevis kommer senare.) 2 3 Vår (Snöfritt Cykla) (Vår Snöfritt) Cykla Lätt

Läs mer

Filosofisk logik Kapitel 15 (forts.) Robin Stenwall Lunds universitet

Filosofisk logik Kapitel 15 (forts.) Robin Stenwall Lunds universitet Filosofisk logik Kapitel 15 (forts.) Robin Stenwall Lunds universitet Dagens upplägg Antalet element i en mängd Kardinalitet Humes princip Cantors teorem Den universella mängden Några mängdteoretiska paradoxer

Läs mer

En introduktion till predikatlogik

En introduktion till predikatlogik rasmus.blanck@gu.se FT1200, LC1510 och LGFI52 VT2017 (Premiss 1) (Premiss 2) (Slutsats) Alla människor är dödliga Sokrates är en människa Sokrates är dödlig Detta argument är intuitivt giltigt: Det finns

Läs mer

I en deterministisk omgivning beror nästa tillstånd bara av agentens handling och nuvarande tillstånd.

I en deterministisk omgivning beror nästa tillstånd bara av agentens handling och nuvarande tillstånd. OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervalsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet

Läs mer

K2 Något om modeller, kompakthetssatsen

K2 Något om modeller, kompakthetssatsen KTH Matematik Bengt Ek Maj 2005 Kompletteringsmaterial till kursen 5B1928 Logik för D1: K2 Något om modeller, kompakthetssatsen Vi skall presentera ett enkelt (om man känner till sundhets- och fullständighetssatsen

Läs mer

Formella metoder. Loop-program som statetransformers. Betrakta följande problem. specifikationen.

Formella metoder. Loop-program som statetransformers. Betrakta följande problem. specifikationen. 8Att bevisa egenskaper om program Formella metoder... 1 Loop-program som statetransformers... 1 Några exempel... 2 Partiell korrekthet och total korrekthet... 3 Programspecifikation... 3 Hoarelogik och

Läs mer

Material till kursen SF1679, Diskret matematik: Om urvalsaxiomet mm. Axiom som är ekvivalenta med urvalsaxiomet

Material till kursen SF1679, Diskret matematik: Om urvalsaxiomet mm. Axiom som är ekvivalenta med urvalsaxiomet Matematik, KTH Bengt Ek december 2017 Material till kursen SF1679, Diskret matematik: Om urvalsaxiomet mm Vi har tidigare nämnt Zermelo-Fraenkels axiom för mängdläran, de upprepas på sista sidan av dessa

Läs mer

KTH Matematik B.Ek Lösningar tentamen 5B1928 Logik för D (och IT), 29 augusti 2007

KTH Matematik B.Ek Lösningar tentamen 5B1928 Logik för D (och IT), 29 augusti 2007 KTH Matematik B.Ek Lösningar tentamen 5B1928 Logik för D (och IT), 29 augusti 2007 1) Det handlar om knarröborna A, B och C. A säger: Om C är kung är vi alla det. B säger: A och C är olika sorter. Vad

Läs mer

Logik och modaliteter

Logik och modaliteter Modallogik Introduktionsföreläsning HT 2015 Formalia http://gul.gu.se/public/courseid/70391/lang-sv/publicpage.do Förkunskaper etc. Logik: vetenskapen som studerar argument med avseende på (formell) giltighet.

Läs mer

13. CHURCH S OCH GÖDELS SATSER. KORT ORIENTERING OM BERÄKNINGSBARHET, EFFEKTIV UPPRÄKNELIGHET OCH AVGÖRBARHET.

13. CHURCH S OCH GÖDELS SATSER. KORT ORIENTERING OM BERÄKNINGSBARHET, EFFEKTIV UPPRÄKNELIGHET OCH AVGÖRBARHET. 81 13 CHURCH S OCH GÖDELS SATSER KORT ORIENTERING OM BERÄKNINGSBARHET, EFFEKTIV UPPRÄKNELIGHET OCH AVGÖRBARHET Våra beräkningar skall utföras på symbolsträngar, där symbolerna tas från ett givet alfabet

Läs mer

I en deterministisk omgivning beror nästa tillstånd bara av agentens handling och nuvarande tillstånd.

I en deterministisk omgivning beror nästa tillstånd bara av agentens handling och nuvarande tillstånd. OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervalsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet

Läs mer

Tommy Färnqvist, IDA, Linköpings universitet. 2 Strukturer 2 2.1 Domäner... 2 2.2 Tolkningar... 3

Tommy Färnqvist, IDA, Linköpings universitet. 2 Strukturer 2 2.1 Domäner... 2 2.2 Tolkningar... 3 Föreläsning 2 Semantik 729G06 Logikdelen Föreläsningsanteckningar i Programmering och logik 27 januari 2014 Tommy Färnqvist, IDA, Linköpings universitet 2.1 Innehåll Innehåll 1 Lite mer syntax 1 2 Strukturer

Läs mer

Viktiga frågor att ställa när ett argument ska analyseras och sedan värderas:

Viktiga frågor att ställa när ett argument ska analyseras och sedan värderas: FTEA12:2 Föreläsning 2 Grundläggande argumentationsanalys II Repetition: Vid förra tillfället började vi se närmre på vad som utmärker filosofisk argumentationsanalys. Vi tittade närmre på ett arguments

Läs mer

Kompletteringsmaterial. K2 Något om modeller, kompakthetssatsen

Kompletteringsmaterial. K2 Något om modeller, kompakthetssatsen KTH Matematik Bengt Ek Maj 2008 Kompletteringsmaterial till kursen SF1642, Logik för D1 och IT3: K2 Något om modeller, kompakthetssatsen Vi skall presentera ett enkelt (om man känner till sundhets- och

Läs mer

Vad är det? Översikt. Innehåll. Vi behöver modeller!!! Kontinuerlig/diskret. Varför modeller??? Exempel. Statiska system

Vad är det? Översikt. Innehåll. Vi behöver modeller!!! Kontinuerlig/diskret. Varför modeller??? Exempel. Statiska system Vad är det? Översikt Discrete structure: A set of discrete elements on which certain operations are defined. Discrete implies non-continuous and therefore discrete sets include finite and countable sets

Läs mer

Primitivt rekursiva funktioner och den aritmetiska hierarkin

Primitivt rekursiva funktioner och den aritmetiska hierarkin Primitivt rekursiva funktioner och den aritmetiska hierarkin Rasmus Blanck 0 Inledning En rad frågor inom logiken, matematiken och datavetenskapen relaterar till begreppet beräkningsbarhet. En del i kursen

Läs mer

Komplexitetsklasser och repetition

Komplexitetsklasser och repetition Algoritmer, datastrukturer och komplexitet, hösten 2016 Uppgifter till övning 12 Komplexitetsklasser och repetition Uppgifter på komplexitetsklasser co-np-fullständighet Ett diskret tekniskt diagnosproblem

Läs mer

Filosofisk logik Kapitel 15. Robin Stenwall Lunds universitet

Filosofisk logik Kapitel 15. Robin Stenwall Lunds universitet Filosofisk logik Kapitel 15 Robin Stenwall Lunds universitet Dagens upplägg Första ordningens mängdlära Naiv mängdlära Abstraktionsaxiomet (eg. comprehension) Extensionalitetsaxiomet Små mängder Ordnade

Läs mer

DD1361 Programmeringsparadigm HT16

DD1361 Programmeringsparadigm HT16 DD1361 Programmeringsparadigm HT16 Logikprogrammering 1 Dilian Gurov, TCS Delkursinnehåll Logikprogrammering Logisk versus procedurell läsning Kontrollflöde Unifiering, Backtracking, Snitt Negation Induktiva

Läs mer

Om modeller och teorier

Om modeller och teorier Matematik, KTH Bengt Ek december 2017 Material till kursen SF1679, Diskret matematik: Om modeller och teorier Hittills i kursen har vi studerat flera olika typer av matematiska strukturer, bl.a. (partial)ordnade

Läs mer

Antag att b är förgreningsfaktorn, d sökdjupet, T (d) tidskomplexiteten och M(d) minneskomplexiteten.

Antag att b är förgreningsfaktorn, d sökdjupet, T (d) tidskomplexiteten och M(d) minneskomplexiteten. OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervalsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet

Läs mer

Programmering II (ID1019)

Programmering II (ID1019) ID1019 Johan Montelius Instruktioner Betyg Programmering II (ID1019) 2019-03-08 Svaren skall lämnas på dessa sidor, använd det utrymme som nns under varje uppgift för att skriva ner ditt svar (inte på

Läs mer

Algebra I, 1MA004. Lektionsplanering

Algebra I, 1MA004. Lektionsplanering UPPSALA UNIVERSITET Matematiska Institutionen Dan Strängberg HT2016 Fristående, IT, KandDv, KandMa, Lärare 2016-11-02 Algebra I, 1MA004 Lektionsplanering Här anges rekommenderade uppgifter ur boken till

Läs mer

K3 Om andra ordningens predikatlogik

K3 Om andra ordningens predikatlogik KTH Matematik Bengt Ek Maj 2005 Kompletteringsmaterial till kursen 5B1928 Logik för D1: K3 Om andra ordningens predikatlogik Vi presenterar på dessa sidor kortfattat andra ordningens predikatlogik, vilket

Läs mer

Tentamen i TDDC75 Diskreta strukturer

Tentamen i TDDC75 Diskreta strukturer Tentamen i TDDC75 Diskreta strukturer 2017-01-05, Lösningsförslag (med reservation för eventuella fel) 1. Betrakta följande satslogiska uttryck: (p q) (q p) (a) Visa genom naturlig deduktion att uttrycket

Läs mer

DD1361 Programmeringsparadigm HT17

DD1361 Programmeringsparadigm HT17 DD1361 Programmeringsparadigm HT17 Logikprogrammering 1 Dilian Gurov, KTH Delkursinnehåll Logisk versus procedurell läsning Kontrollflöde: Unifiering, Backtracking, Snitt Induktiva datatyper och rekursion

Läs mer

Algoritmer, datastrukturer och komplexitet

Algoritmer, datastrukturer och komplexitet Algoritmer, datastrukturer och komplexitet Övning 12 Anton Grensjö grensjo@csc.kth.se 10 december 2015 Anton Grensjö ADK Övning 12 10 december 2015 1 / 19 Idag Idag Komplexitetsklasser Blandade uppgifter

Läs mer

B. Kvadratkomplettering

B. Kvadratkomplettering B.1 Minimum för kvadratiska funktioner Betrakta funktionen f ( x) x a (B.1.1) Om x och a är reella så gäller uenbarligen att f ( x) 0 för alla x. Minimivärdet 0 så fås för x a. Betrakta nu den mera allmänna

Läs mer

Filosofisk logik Kapitel 19. Robin Stenwall Lunds universitet

Filosofisk logik Kapitel 19. Robin Stenwall Lunds universitet Filosofisk logik Kapitel 19 Robin Stenwall Lunds universitet Dagens upplägg Gödels fullständighetsteorem Sundhet och fullständighet Fullständighetsbeviset Vittneskonstanter Henkinteorin Eliminationsteoremet

Läs mer

DD1361 Programmeringsparadigm HT15

DD1361 Programmeringsparadigm HT15 DD1361 Programmeringsparadigm HT15 Logikprogrammering 1 Dilian Gurov, TCS Innehåll Logikprogrammering Kontrollflöde Unifiering Backtracking Negation Snitt Induktiva datatyper och rekursion Inbyggda datatyper:

Läs mer

Tentamenskod: Inga hjälpmedel är tillåtna

Tentamenskod: Inga hjälpmedel är tillåtna Intelligenta och lärande system 15 högskolepoäng Provmoment: Ladokkod: Tentamen ges för: Tentamen (TEN1) Artificiell intelligens (AI) 5hp 21IS1C Systemarkitekturutbildningen Tentamenskod: Tentamensdatum:

Läs mer

Tommy Färnqvist, IDA, Linköpings universitet. 1 Kursadministration 1. 2 Introduktion 2 2.1 Varför logik?... 2 2.2 Satslogik... 2

Tommy Färnqvist, IDA, Linköpings universitet. 1 Kursadministration 1. 2 Introduktion 2 2.1 Varför logik?... 2 2.2 Satslogik... 2 Föreläsning 1 Syntax 729G06 Logikdelen Föreläsningsanteckningar i Programmering och logik 21 januari 2014 Tommy Färnqvist, IDA, Linköpings universitet 1.1 Innehåll Innehåll 1 Kursadministration 1 2 Introduktion

Läs mer

Rekursion och induktion

Rekursion och induktion Rekursion och induktion Vi börjar med ett exempel. EXEMPEL 1 I slutet av 1800-talet presenterade den franske matematikern Edouard Lucas ett slags matematiskt pussel ( recréation mathématiques ) vars mål

Läs mer

FÖRELÄSNING 8 ANDERS MÄRAK LEFFLER IDA/HCS

FÖRELÄSNING 8 ANDERS MÄRAK LEFFLER IDA/HCS 729G06 Logik FÖRELÄSNING 8 ANDERS MÄRAK LEFFLER IDA/HCS 160309 Idag Sammanfattning*/uppsamling 2 Mer problemöversikt (och lite definitioner) Inte ersättning för andra föreläsningar! 3 Vad är enlogik? Syntax

Läs mer

Föreläsning 6: Induktion

Föreläsning 6: Induktion Föreläsning 6: Induktion Induktion är en speciell inferensregel. En mängd är välordnad om varje delmängd har ett minsta element Exempel: N är välordnad (under ) Låt P(x) vara ett predikat över en välordnad

Läs mer

DD1350 Logik för dataloger. Fö 2 Satslogik och Naturlig deduktion

DD1350 Logik för dataloger. Fö 2 Satslogik och Naturlig deduktion DD1350 Logik för dataloger Fö 2 Satslogik och Naturlig deduktion 1 Satslogik En sats(eller utsaga)är ett påstående som kan vara sant eller falskt. I satslogik(eng. propositionallogic) representeras sådana

Läs mer

Induktionsprincipen Starka induktionsprincipen Välordningsprincipen Divisionsalgoritmen

Induktionsprincipen Starka induktionsprincipen Välordningsprincipen Divisionsalgoritmen Föreläsning 3 Induktionsprincipen Starka induktionsprincipen Välordningsprincipen Divisionsalgoritmen Mängder Induktion behöver inte börja från 1, Grundsteget kan vara P (n 0 ) för vilket heltal n 0 som

Läs mer

Hornklausuler i satslogiken

Hornklausuler i satslogiken Hornklausuler i satslogiken Hornklausuler (efter logikern Alfred Horn) är ett viktigt specialfall som tillåter effektiva algoritmer och ligger till grund för regelbaserade expertsystem och logiska programspråk

Läs mer

Lösning av tentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610, tisdagen den 27 maj 2014, kl

Lösning av tentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610, tisdagen den 27 maj 2014, kl 1 Matematiska Institutionen KTH Lösning av tentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610, tisdagen den 27 maj 2014, kl 14.00-19.00. Examinator: Olof Heden Hjälpmedel: Inga hjälpmedel

Läs mer

Rekursion och induktion

Rekursion och induktion Rekursion och induktion Vi börjar med ett exempel. EXEMPEL 1 I slutet av 1800-talet presenterade den franske matematikern Edouard Lucas ett slags matematiskt pussel ( recréation mathématiques ) vars mål

Läs mer

Kimmo Eriksson 12 december 1995. Att losa uppgifter av karaktaren \Bevisa att..." uppfattas av manga studenter

Kimmo Eriksson 12 december 1995. Att losa uppgifter av karaktaren \Bevisa att... uppfattas av manga studenter Kimmo Eriksson 12 december 1995 Matematiska institutionen, SU Att genomfora och formulera ett bevis Att losa uppgifter av karaktaren \Bevisa att..." uppfattas av manga studenter som svart. Ofta ar det

Läs mer

MA2047 Algebra och diskret matematik

MA2047 Algebra och diskret matematik MA2047 Algebra och diskret matematik Något om logik och mängdlära Mikael Hindgren 5 september 2018 Utsagor Utsaga = Påstående som har sanningsvärde Utsagan kan vara sann (S) eller falsk (F) öppen eller

Läs mer

MATEMATIKENS SPRÅK. Avsnitt 1

MATEMATIKENS SPRÅK. Avsnitt 1 Avsnitt 1 MATEMATIKENS SPRÅK Varje vetenskap, liksom varje yrke, har sitt eget språk som ofta är en blandning av vardagliga ord och speciella termer. En instruktionshandbok för ett kylskåp eller för en

Läs mer

Sanningsvärdet av ett sammansatt påstående (sats, utsaga) beror av bindeord och sanningsvärden för ingående påståenden.

Sanningsvärdet av ett sammansatt påstående (sats, utsaga) beror av bindeord och sanningsvärden för ingående påståenden. MATEMATISK LOGIK Matematisk logik formaliserar korrekta resonemang och definierar formellt bindeord (konnektiv) mellan påståenden (utsagor, satser) I matematisk logik betraktar vi påståenden som antingen

Läs mer

Föreläsning 4 Datastrukturer (DAT037)

Föreläsning 4 Datastrukturer (DAT037) Föreläsning 4 Datastrukturer (DAT037) Fredrik Lindblad 1 2016-11-10 1 Slides skapade av Nils Anders Danielsson har använts som utgångspunkt Se http://wwwcsechalmersse/edu/year/2015/course/dat037 Förra

Läs mer

Lösningsförslag till övningsuppgifter, del II

Lösningsförslag till övningsuppgifter, del II Lösningsförslag till övningsuppgifter del II Obs! Preliminär version! Ö.1. För varje delare d till n låt A d var mängden av element a sådana att gcd(a n = d. Partitionen ges av {A d : d delar n}. n = 6:

Läs mer

Lösningsförslag till tentamen i SF1629, Differentialekvationer och Transformer II (del 1)

Lösningsförslag till tentamen i SF1629, Differentialekvationer och Transformer II (del 1) KTH, Matematik Maria Saprykina Lösningsförslag till tentamen i SF1629, Differentialekvationer och Transformer II (del 1) 1 a). Lös ekvationen 3p. 3y 2 y +16x = 2xy 3. b). Finn en lösning som är begränsad

Läs mer

Fråga 5 (1 poäng) För att definiera ett sökproblem krävs...

Fråga 5 (1 poäng) För att definiera ett sökproblem krävs... OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervarlsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet

Läs mer

Föreläsning 4 Datastrukturer (DAT037)

Föreläsning 4 Datastrukturer (DAT037) Föreläsning 4 Datastrukturer (DAT07) Fredrik Lindblad 1 november 2017 1 Slides skapade av Nils Anders Danielsson har använts som utgångspunkt Se http://wwwcsechalmersse/edu/year/2015/course/dat07 1 Innehåll

Läs mer

F. Drewes Datavetenskapens grunder, VT02. Lite logik

F. Drewes Datavetenskapens grunder, VT02. Lite logik F Drewes 2002-05-23 Datavetenskapens grunder, VT02 Lite logik Den här texten är en sammanfattning av logikdelen i kursen Datavetenskapens grunder Den handlar om satslogik och predikatlogik, några av deras

Läs mer

Upplägg. Binära träd. Träd. Binära träd. Binära träd. Antal löv på ett träd. Binära träd (9) Binära sökträd (10.1)

Upplägg. Binära träd. Träd. Binära träd. Binära träd. Antal löv på ett träd. Binära träd (9) Binära sökträd (10.1) Binära träd Algoritmer och Datastrukturer Markus Saers markus.saers@lingfil.uu.se Upplägg Binära träd (9) Binära sökträd (0.) Träd Många botaniska termer Träd, rot, löv, gren, Trädets rot kan ha ett antal

Läs mer

Introduktion till algoritmer - Lektion 4 Matematikgymnasiet, Läsåret 2014-2015. Lektion 4

Introduktion till algoritmer - Lektion 4 Matematikgymnasiet, Läsåret 2014-2015. Lektion 4 Introduktion till algoritmer - Lektion 4 Matematikgymnasiet, Läsåret 014-015 Denna lektion ska vi studera rekursion. Lektion 4 Principen om induktion Principen om induktion är ett vanligt sätt att bevisa

Läs mer

Föreläsning 2. AVL-träd, Multi-Way -sökträd, B-träd TDDD71: DALG. Innehåll. Innehåll. 1 Binära sökträd

Föreläsning 2. AVL-träd, Multi-Way -sökträd, B-träd TDDD71: DALG. Innehåll. Innehåll. 1 Binära sökträd Föreläsning AVL-träd, Multi-Wa -sökträd, B-träd DDD7: DALG Utskriftsversion av föreläsning i Datastrukturer och algoritmer november 5 omm Färnqvist, IDA, Linköpings universitet. Innehåll Innehåll Binära

Läs mer

Övningshäfte 1: Logik och matematikens språk

Övningshäfte 1: Logik och matematikens språk GÖTEBORGS UNIVERSITET MATEMATIK 1, MMG200, HT2014 INLEDANDE ALGEBRA Övningshäfte 1: Logik och matematikens språk Övning A Målet är att genom att lösa och diskutera några inledande uppgifter få erfarenheter

Läs mer

Programkonstruktion och Datastrukturer, lektion 7

Programkonstruktion och Datastrukturer, lektion 7 Programkonstruktion och Datastrukturer, lektion 7 Johannes Åman Pohjola & William Sjöstedt, Uppsala Universitet 9 Dec 2010 Vad har följande funktion för tidskomplexitet? fun pow2 0 = 1 pow2 n = pow2(n

Läs mer

Semantik och pragmatik (serie 5)

Semantik och pragmatik (serie 5) Semantik och pragmatik (serie 5) (Predikat)logik Mängdlära överkurs (och repetition för en del). Mats Dahllöf Institutionen för lingvistik och filologi April 2015 1 / 41 Korsning av två egenskaper E 1

Läs mer

Robin Stenwall Lunds universitet

Robin Stenwall Lunds universitet Robin Stenwall Lunds universitet Vik$gt a) tänka på Innehållet i kursen formell logik förutsätts vara inhämtat (repetera om du är osäker). I allmänhet gäller att kursinnehållet, som ska instuderas på relativt

Läs mer