5 Logische Formalismen und Erfüllbarkeit
|
|
- Nora Brauer
- vor 7 Jahren
- Abrufe
Transkript
1 R. Reischuk, ITCS 75 5 Logische Formalismen und Erfüllbarkeit 5.1 Das Erfüllbarkeitsproblem Das Erfüllbarkeitsproblem ist von außergewöhnlicher Bedeutung nicht nur für die Logik, sondern ebenso für die gesamte Informatik, und zwar sowohl für die Kerndisziplinen als auch für viele Anwendungsbereiche. Dies Problem wurde deshalb sehr intensiv und in verschiedensten Abwandlungen betrachtet. Die Suche nach einer erfüllenden Belegung, einem Modell für eine logische Formel, nennt man auch Model-Checking Spezialfälle des Erfüllbarkeitsproblems Es stellt sich die Frage, ob das Erfüllbarkeitsproblem durch syntaktische Einschränkungen an die Booleschen Formeln einfacher wird. Wie wir bereits wissen, bleibt das Erfüllbarkeitsproblem für Formeln in 3CNF, die Sprache 3-SAT, N P vollständig, Wir wollen zunächst zeigen, daß bei noch schärferen Restriktionen an die Struktur der Formeln die Erfüllbarkeit effizient entschieden werden kann. Dazu betrachte logische Implikationen x y z w mit mehreren Literalen in der Voraussetzung x y z und einem Literal w in der Conclusion. Sind alle Literale positiv, so nennen wir dies eine positive Implikation. Eine logisch äquivalente Darstellung ist die Klausel x y z w, in der alle Literale der Voraussetzung negiert sind. Um eine Menge von positiven Implikationen zu erfüllen, könnte man einerseits alle Variable auf false setzen, so daß keine der Vorbedingungen erfüllt ist, oder andererseits alle Variablen auf true, so daß alle Conclusionen gelten. Allgemein wollen wir eine Klausel eine Horn-Klausel nennen, wenn sie höchstens ein positives Literal enthält, und eine CNF-Formel eine Horn-Formel, wenn jede ihrer Klauseln die Horn-Bedingung erfüllt. HORN-SAT sei die Einschränkung des Erfüllbarkeitsproblems auf Horn-Formeln in CNF Die erste Strategie versagt, wenn es auch Klauseln ohne negierte Variable gibt, d.h. Klauseln mit nur einer einzigen positiven Variablen z, bzw. true z. Die zweite Strategie versagt, wenn nicht nur positive Implikationen vorkommen, mit anderen Worten Klauseln, die nur negierte Variable enthalten. Beispiele für Horn-Klauseln: x 1 x 2, x x 2 x 3, x 1 und x 1 x 2. Die ersten drei Klauseln können durch die positiven Implikationen x 1 x 2, x 1 x 2 x 3 und true x 1 ersetzt werden. Der folgende Algorithmus findet eine erfüllenden Belegung für eine gegebene Horn-Formel F := F (x 1,..., x r ). Seine Strategie besteht darin, möglichst viele Variablen auf 0 setzen, d.h. er konstruiert eine möglichst kleine Teilmenge T {x 1,..., x r } der Variablen, die
2 76 AKF, UzL WS2004/05 auf den Wert 1 gesetzt werden. T := while F besitzt eine positive Implikation K, deren Voraussetzung erfüllt ist do #[alle negierten Variablen von K sind in T ]# füge die positive Variable von K zu T hinzu. Das Verfahren terminiert, da T streng monoton wächst und maximal alle r Variablen von F enthalten kann. Am Ende sind nach Konstruktion alle positiven Implikationen erüllt. Die Horn-Klausel F ist dann insgesamt erfüllt, wenn jede Klausel mit lauter negierten Variablen mindestens eine Variable enthält, die nicht zu T gehört. Lemma 5.1 Ist T die Menge der Variablen mit Wert 1 einer beliebigen erfüllenden Belegung von F, dann gilt T T. Beweis: Die Schleifeninvariante T T gilt zu Anfang, da T =. Um einen Beweis durch Widerspruch zu führen, betrachten wir die erste Iteration, wo T T verletzt werden könnte, d.h. es gibt eine Klausel K in F, bzw. eine Implikation x i1 x i2... x ik x j mit {x i1,..., x ih } T T, und x j T wird zu T hinzugefügt. Dann würde T die Klausel K offensichtlich nicht erfüllen. Korollar 5.2 Falls F erfüllbar ist, so ist die durch den obigen Algorithmus konstruierte Menge T die eindeutige 1-minimale erfüllende Belegung von F, Die Laufzeit des Verfahrens ist höchstens quadratisch, da jede Iteration der WHILE- Schleife in linearer Zeit ausgeführt werden kann. Theorem 5.3 HORN-SAT P. Die Schwierigkeit des Erfüllbarkeitsproblems hängt nicht entscheidend davon ab, daß sich Variablen sehr oft wiederholen. Für k IN bezeichne k READ SAT die Einschränkung von SAT auf CNF-Formeln, bei der jede Variable höchstens k -mal vorkommt Kommt eine Variable entweder nur als positives Literal oder nur als negatives vor, so ist eine sinnvolle Belegung dieser Variablen offensichtlich und man kann die Formel auf einfache Weise vereinfachen. Die folgende Reduktion zeigt, daß SAT selbt bei Beschränkung auf maximal 3 Vorkommnisse, d.h. die Sprache 3 READ SAT, N P -vollständig bleibt. Ersetze jedes der s Vorkommnisse einer Variablen x i in einer Formel F durch eine neue Variable y i,1,..., y i,s. Um zu erzwingen, daß alle y i,j mit dem gleichen Booleschen Wert belegt werden, fügen wir die folgenden Klauseln hinzu: (y i,1 y i,2 ) (y i,2 y i,3 ) (y i,3 y i,5 )... (y i,s 1 y i,s ) (y i,s y i,1 ).
3 R. Reischuk, ITCS 77 1-READ-SAT ist offensichtlich immer erfüllbar, solange die leere Klausel nicht vorkommt, denn die leere Klausel wird per Definition durch keine Variablenbelegung erfüllt. Ebenso kann die Erfüllbarkeit einer 1-CNF-Formel, d.h. eines Monoms ganz einfach entschieden werden. Es verbleiben die beiden Varianten 2-SAT und 2-READ-SAT. Als erstes wollen wir zeigen, daß man auch 2-SAT sehr effizient entscheiden kann. Theorem 5.4 Das Problem 2-SAT kann deterministisch in linearer Zeit gelöst werden. Mit demselben Zeitaufwand kann auch eine erfüllende Belegung für eine 2-CNF-Formel F generiert werden, wenn F erfüllbar ist. Beweis: Die logischen Implikationen, die sich aus Klauseln einer Formel F in 2-CNF ergeben, können durch einen gerichteten Graphen G F kompakt dargestellt werden. Eine Klausel y z mit Literalen y, z ist äquivalent zu den Implikationen y z sowie z y. Der Graph G F besitzt für jede Variable x in F Knoten v[x] und v[x]. Die Klausel y z wird dann durch die beiden Kanten (v[y], v[z]) und (v[z], v[y]) repräsentiert. Dieser Graph besitzt lineare Größe und kann in linearer Zeit konstruiert werden. In G F betrachten wir die starken Zusammenhangskomponenten, abgekürzt SZK. Eine SZK ist eine Äquivalenzklasse von Knoten, wobei 2 Knoten u, v in der gleichen Klasse liegen, wenn es in G F sowohl einen Weg von u nach v als auch einen Weg von v nach u gibt. Die SZK eines Graphen G bilden einen neuen Graphen Ĝ, den SZK-Graph, wobei Ĝ eine gerichtete Kante von einer SZK Z zu einer SZK Z besitzt, wenn G eine Kante (z, z ) enthält mit z Z und z Z. Es ist einfach einzusehen, daß ein SZK-Graph azyklisch ist und damit ein DAG. Lemma 5.5 F ist nicht erfüllbar genau dann, wenn es eine Variable x in F gibt, so daß G F Pfade von v[x] nach v[x] und von v[x] nach v[x] besitzt, d.h. v[x] und v[x] liegen in der gleichen SZK. Beweis: Wir zeigen zunächst die Rückrichtung. Annahme, v[x] und v[x] gehören zur selben SZK. Eine erfüllende Belegung α von F setzt entweder x oder x auf true. Falls α x = 1, betrachte den Pfad von v[x] nach v[x]. Dieser muß eine Kante (v[y], v[z]) besitzen mit α y = 1 und α z = 0. Dann wird die Klausel y z nicht erfüllt. Analoges gilt für α x = 0 und den Pfad von v[x] nach v[x]. Dies bedeutet, daß es keine erfüllende Belegung geben kann. Nehmen wir nunmehr an, daß es keine Variable gibt, die in derselben SZK vorkommt wie ihre Negation. Wir konstruieren eine erfüllende Belegung für F, indem die SZK in umgekehrter topologischer Reihenfolge betrachtet werden, d.h. wir starten mit einer Senke des SZK-DAGs. Ist noch keine Wertzuweisung an eine Komponente Z erfolgt, werden alle Literale in dieser Komponente einheitlich auf true gesetzt. Die Negationen dieser Literale werden entsprechend auf false gesetzt. Da die Negationen nach Voraussetzung nicht in derselben SZK liegen, gibt es bei dieser Zuweisung keine Konflikte.
4 78 AKF, UzL WS2004/05 Da G F mit jeder Kanten (v[y], v[z]) auch die komplementäre Kante (v[z], v[x]) in umgekehrter Richtung beinhaltet, bilden alle Negationen der Literale einer SZK Z eine eigene SZK Z. Diese beiden SZK sind in G ˆ F entweder unverbunden oder Z ist ein Vorgänger von Z (d.h. es kann einen Weg von Z nach Z geben, aber nicht von Z nach Z ), da die SZK in umgekehrter topologischer Ordnung betrachtet werden. Die so konstruierte Belegung erfüllt F genau dann, wenn es in G F keine Kante (v[y], v[z]) gibt, bei der das Literal y den Wert true und z den Wert false bekommen hat. Da innerhalb einer SZK alle Literale gleich belegt werden, müßte solch eine Kante zwei SZK Z 1, Z 2 extern verbinden, d.h. (Z 1, Z 2 ) ist eine Kante in G ˆ F. Da Z 1 den Wert true besitzt und Z 2 den Wert false und wir die SZK in umgekehrter topologischer Ordnung betrachtet haben, muß die Wertzuweisung an Z 1 stattgefunden haben, nachdem bereits Z 2 den Wert false erhalten hat, und zwar indirekt durch Zuweisung des Wertes true an die komplementäre Komponente Z 2. Der SZK-Graph enthält aber auch die komplementäre Kante (Z 2, Z 1 ) und somit eine weitere Kante von true nach false. Mit der gleichen Schlußfolgerung ergäbe sich, daß Z 2 und Z 2 eine Wertzuweisung erst nach Z 1, Z 1 erhalten können, also ein Widerspruch. Die Bedingung des Lemmas haben wir als GAP-Problem bereits diskutiert, d.h. sie kann in N L überprüft werden. Somit liegt NON-2-SAT in N L und wegen der Abgeschlossenheit unter Komplement liegt auch 2-SAT in N L und damit in P. Man kann die Zeitschranke durch ein direktes deterministisches Vorgehen verbessern, Die SZK eines Graphen können in linearer Zeit berechnet werden, ebenso die topologische Ordnung des SZK-Graphen und die Zuweisung der Booleschen Werte an die SZK. Somit können wir eine erfüllende Belegung in Linearzeit konstruieren, wenn es eine gibt. Die folgende Aufzählung listet einige der wichtigsten Abwandlungen des Erfüllbarkeitsproblems auf: 1. MONOTON-3-SAT: Es werden nur 3-CNF-Formeln der Form F = F 1 F 2 betrachtet, wobei die Teilformel F 1 nur positive und die Teilformel F 2 nur negative Literale enthält. Das Erfüllbarkeitsproblem bleibt N P vollständig. Man kann nämlich 3-SAT auf folgende Weise auf diese Einschränkung reduzieren. Es genügt Klauseln zu modifizieren, bei denen entweder genau 1 oder 2 der Literale positiv sind. Ähnlich wie bei der Reduktion von SAT auf 3-SAT können wir im ersten Fall eine Klausel K = x 1 x 2 x 3 mit Hilfe einer zusätzlichen Variablen y durch die beiden Klauseln (x 1 y) (y x 2 x 3 ) ersetzen. Damit auch die erste Klausel Länge 3 besitzt, verwenden wir noch eine zweite zusätzliche Variable z und repräsentieren K durch die Klauseln (x 1 y z) (y x 2 x 3 ) (z x 2 x 3 ).
5 R. Reischuk, ITCS 79 Im anderen Fall lautet die Ersetzung x 1 x 2 x 3 (x 1 x 2 y) (x 1 x 2 z) (y z x 3 ) SAT: Gegeben ist eine Formel F in 3-CNF mit nur positiven Literalen. Man entscheide, ob es eine Belegung der Variablen gibt, so daß jede Klausel genau 1 Literal mit Wahrheitswert true besitzt. Eine derartige Belegung heiße 1-Erfüllung. Auch diese Variante ist N P vollständig. Um die N P -Härte nachzuweisen, bedarf es einer etwas aufwendigeren Reduktion von 3-SAT. Jede Klausel K = z u v einer 3-SAT-Formel wird ersetzt durch eine Sequenz von Klauseln unter Zuhilfenahme zusätzlicher Variable a 1,..., a 6. Im ersten Schritt generieren wir das System K Durch Fallunterscheidung zeigt man: z a 1 a 4 u a 2 a 4 v a 3 a 1 a 2 a 5 a 3 a 4 a 6 Fakt 1: Jede K -erfüllende Belegung der Literale z, u, v läßt sich zu einer 1-erfüllenden Belegung von K fortsetzen. Umgekehrt liefert die Restriktion einer 1-erfüllenden Belegung von K auf die Literale z, u, v eine erfüllende Belegung von K. Denn in Abhängigkeit von der Anzahl der Literale mit Wert true in K, kann man durch Wahl von Werten für a 1, a 2, a 3, a 4 sicherstellen, daß jede der 3 ersten Klauseln in K 1-erfüllt wird. Ist mindestens eins dieser Literale true, so müssen nicht gleichzeitig a 3, a 4 und auch nicht a 1, a 2 auf true gesetzt werden. Daher können durch geeignete Wahl für a 5, a 6 auch die beiden letzten Klauseln 1-erfüllt werden. Die mittlere Klausel von K der Länge 2 ersetzen wir dann durch das System v a 3 b b c 1 c 2 b c 1 c 2 Eine 1-erfüllende Belegung dieser Klausel läßt sich zu einer 1-erfüllenden Belegung dieser 3 Klauseln fortsetzen, wobei die Variable b den Wert false erhalten muß und die c i verschiedene Werte. Da dies die einzige Möglichkeit für eine 1-Erfüllung dieser beiden Klauseln ist, erhalten wir aus einer 1-Erfüllung dieser 3 Klauseln auch immer eine 1-Erfüllung von v a 3. Um das System schließlich in eines mit nur positiven Literalen zu verwandeln, wählen wir für jede Variable x i der Ausgangsformel 2 neue Variable x i+ und x i und ersetzen positive Vorkommen von x i durch x i+ sowie negative Vorkommen durch x i. Die Belegung x i = true wird dann durch x i+ = true und x i = false
6 80 AKF, UzL WS2004/05 repräsentiert, die Belegung x i = false durch x i+ = false und x i = true. Für die Rückrichtung müssen wir noch sicherstellen, daß die neuen Variablen x i+ und x i stets komplementäre Wahrheitswerte bekommen. Dazu werden noch folgende Klauseln hinzugefügt: x i+ x i d 1 i x i+ x i d 2 i d 1 i d 2 i d 3 i Auf Grund der letzten Klausel dürfen bei 1-Erfüllung nicht beide Variable d 1 i, d 2 i auf true gesetzt werden. Die beiden ersten Klauseln implizieren, daß d 1 i, d 2 i denselben Wert bekommen müssen, und damit den Wert false. Damit ist sichergestellt, daß genau eine der Variablen x i+, x i bei einer 1-Erfüllung den Wert true erhält. 3. NAE-SAT: Die Abkürzung steht für not-all-equal-sat. Gesucht ist eine Belegung, so daß in jeder Klausel mindestens ein Literal mit Wahrheitswert true und mindestens ein Literal mit false vorkommt. Eine derartige Belegung nennen wir eine NAE-Erfüllung. Die Analyse dieser SAT-Variante bedarf einiger Überlegungen und wird im folgenden ausgeführt. Theorem 5.6 NAE-SAT ist N P vollständig. Beweis: Wir zeigen die N P -Härte wieder durch eine Reduktion von 3-SAT. F = K 1 K 2... K k sei eine Formel in 3-CNF. Zunächst wählen wir für jede Klausel K j = z 1 z 2 z 3 zwei neue zusätzliche Variable y j und w j und ersetzen K j durch die Klauseln C 1 := z 1 z 2 y j C 2 := (z 1 z 2 ) y j (z 1 y j ) (z 2 y j ) C 3 := y j z 3 w j C 4 := (y j z 3 ) w j (y j w j ) (z 3 w j ) C 1 C 2 sind logisch äquivalent zu (z 1 z 2 ) y j, d.h. die zusätzliche Variable y j muß mit demselben Wert wie z 1 z 2 belegt werden. Dies garantiert, daß bei einer erfüllenden Belegung in C 1 beide Wahrheitswerte vorkommen. Analoges gilt für C 3, da (y j z 3 ) w j, d.h. w j z 1 z 2 z 3. Es sei c eine weitere neue Variable, die global für alle Klauseln benutzt wird. Mit c verlängern wir die beiden Klauseln der Länge 2, die C 2 beschreiben, sowie die beiden in C 4 auf Länge 3, d.h. wir ersetzen C 2 und C 4 durch C 2a := z 1 y j c C 2b := z 2 y j c C 4a := y j w j c C 4b := z 3 w j c
7 R. Reischuk, ITCS 81 Fakt 1: Ist α eine Belegung der Variablen, die K j α i, so ist erfüllt, und erhält z i dabei den Wert z i = α i, y j = α 1 α 2, w j = y j α 3 = α 1 α 2 α 3 sowie c = 0 eine NAE-erfüllende Belegung für C 1, C 2a, C 2b, C 3, C 4a, C 4b. Um die Rückrichtung zu garantieren, d.h. aus einer NAE-erfüllenden Belegung die Existenz einer erfüllenden Belegung im gewöhnlichen Sinn für die Formel F abzuleiten, werden noch weitere Klauseln benötigt. Erfüllt die Belegung α die Formel F, mit anderen Worten jede Klausel K j, so gilt wegen w j z 1 z 2 z 3 = K j w 1 [α]... w k [α] = 1, wobei w j [α] den Booleschen Wert bezeichnet, den die Variable w j bei der Erweiterung der Belegung α erhält. Für j = 2,... k wählen wir zusätzliche Variable v j und definieren D 2a := (w 1 w 2 ) v 2 (w 1 v 2 ) (w 2 v 2 ) D 2b := (w 1 w 2 ) v 2 w 1 w 2 v 2 D 3a := (v 2 w 3 ) v 3 (v 2 v 3 ) (w 3 v 3 ) D 3b := (v 2 w 3 ) v 3 v 2 w 3 v 3. D ka := (v k 1 w k ) v k (v k 1 v k ) (w k v k ) D kb := (v k 1 w k ) v k v k 1 w k v k Analog wie oben garantieren diese Klauseln die Äquivalenz von v 2 weiteren und w 1 w 2, des Schließlich fügen wir noch die Klausel v 3 v 2 w 3 w 1 w 2 w 3 v k v k 1 w k w 1... w k E := v k hinzu. Die 2-er und 1-er Klauseln werden wiederum durch c verlängert, so daß sich das folgende System ergibt: D 2a := w 1 v 2 c D 2a := w 2 v 2 c.. D ka := v k 1 v k c D ka := w k v k c E := v k c Setzen wir weiter v j = 1 für alle j [2..k], dann werden auch alle D und D -Klauseln sowie E NAE-erfüllt. Als Bild der Reduktion von F definieren wir die Formel F, die
8 82 AKF, UzL WS2004/05 aus allen Klauseln des Typs C 1, C 2a, C 2b, C 3,, C 4a, C 4b, D ja, D damit gezeigt: ja, D jb besteht. Wir haben Fakt 2: Besitzt F eine erfüllende Belegung im gewöhnlichen Sinn, dann besitzt F NAE-erfüllende Belegung. eine Zum Beweis der Reduktionseigenschaft in der Rückrichtung betrachten wir eine NAEerfüllende Belegung β der Formel F. Falls in β die Variable c den Wert 0 erhält, dann muß v k = 1 gelten, d.h. für alle j die Zuweisung w j = 1, und somit wird jede Klausel K j durch w j α 1 α 2 α 3 im gewöhnlichen Sinn erfüllt. Falls c = 1 in β, betrachten wir den komplementären Vektor β (jeder Wahrheitswert in β wird durch sein Komplement ersetzt). β ist auch eine NAE-erfüllende Belegung für die Formel F. In β gilt jedoch c = 0, wir können diesen Fall daher auf den ersten zurückführen. Weitere wichtige Fragestellungen im Zusammenhang mit Booleschen Formeln sind die folgenden. 1. FORMEL-ÄQUIVALENZ: Sind 2 gegebene Formeln F 1, F 2 logisch äquivalent ( F 1 F 2 )? Dies Problem ist vollständig für die Klasse co- N P. Wir müssen überprüfen, ob für alle Belegungen α = (α 1,..., α r ) der Variablen in F 1 (x x,..., x r ) und F 2 (x 1,..., x r ) die Identität F 1 (α) = F 2 (α) erfüllt ist. Die Negation dieses Prädikates ist die Existenz einer Belegung α mit F 1 (α) F 2 (α). Da dies Problem offensichtlich in N P liegt, gehört FORMEL-ÄQUIVALENZ zu co-n P. Die Härte kann man durch eine Reduktion des Nichterfüllbarkeitsproblems SAT zeigen. Eine Eingabe F für dies Problem transformieren wir in eine Eingabe (F 1, F 2 ) für FORMEL-ÄQUIVALENZ, wobei F 1 = F und F 2 = x 1 x 1 gewählt wird. Ist F 1 äquivalent zu der offensichtlich nicht erfüllbaren Formel F 2, so bedeutet dies gerade F SAT. 2. USAT: Gegeben eine Formel F in 3-CNF, man entscheide, ob F genau 1 erfüllende Belegung besitzt. Dies Problem ist co- N P -hart; ob es auch in co- N P oder in N P liegt, ist bislang nicht bekannt. Eine Reduktion von 3 SAT läßt sich wie folgt führen: Sei F = F (x 1,..., x r ) = K 1... K m mit Klauseln K j. Wähle eine zusätzliche Variable x 0 und betrachte ˆF := (x 0 x 1... x r ) (x 0 F ). Setzt man alle Variablen auf 1, so wird ˆF erfüllt. Besitzt F eine erfüllende Belegung, so wird diese durch x 0 = 0 zu einer weiteren erfüllenden Belegung von ˆF
9 R. Reischuk, ITCS 83 fortgesetzt. Also gilt F 3 SAT ˆF USAT. ˆF können wir in eine äquivalente CNF-Formel umwandeln ˆF F := 1 j n x j x o 0 j n 1 i k x j K i und anschließend durch zusätzliche Variable auf 3-CNF transformieren Die Resolutionsmethode Resolution ist ein algorithmisches Verfahren, um die Nichterfüllbarkeit einer CNF-Formel F nachzuweisen. Definition 5.1 Enthält eine Formel F zwei Klauseln der Form K 1 = (u 1 u 2... u r y) und K 2 = (v 1 v 2... v s y), wobei u i, v i Literale sind und y eine Variable, so heißt R := (u 1 u 2... u r v 1... v s ) die Resolvente von K 1, K 2, in Notation K 1, K 2 Res R oder R = Res(K 1, K 2 ). Wendet man diese Operation iteriert auf geeignete Paare von Klauseln von F an und fügt die Resolvente jeweils zu F als weitere Klausel hinzu, so entsteht eine neue Formel F, eine Obermenge der Klauseln von F. Wir sagen dann für F und auch jede Teilmenge F der Klauseln von F : F läßt sich durch Resolution aus F ableiten. in Notation F Res F. Einfache aussagenlogische Schlüsse zeigen: Lemma 5.7 Es sei K = K 1 K 2 und K := K 1 K 2 R für ein R mit K 1, K 2 Res R. Dann gilt K K. Betrachten wir den Spezialfall r = s = 0, d.h. K 1 = y und K 2 = y, so ergibt sich als Resolvente die Klausel der Länge 0. Offensichtlich ist jede Formel, die die beiden komplementären Klauseln y und y enthält, nicht erfüllbar. Aus diesem Grunde haben wir der leeren Klausel den Wahrheitswert false zugeordnet. Daher können wir formulieren: Fakt: Enthält eine Formel F in CNF die leere Klausel, so ist sie nicht erfüllbar. Zum Nachweis der Nicht-Erfüllbarkeit einer Formel F in CNF geht die Resolutionsmethode nun folgendermaßen vor. Erweitere die Menge der Klauseln schrittweise um eine Resolvente Res(K i, K j ).
10 84 AKF, UzL WS2004/05 Falls dabei die leere Klausel entsteht, halte mit dem Ergebnis nicht-erfüllbar. Wenn durch Resolution keine neuen Klauseln mehr erzeugt werden können, halte mit dem Ergebnis erfüllbar. Definition 5.2 Der Resolutions-DAG für eine Menge F = {K 1,..., K m } von Klauseln ist ein gerichteter azyklischer Graph mit Ingrad 2, dessen Knoten mit Klauseln über der Variablemenge von F beschriftet sind. Die Quellen tragen als Label eine Klausel, die in F vorkommt, die einzige Senke ist mit markiert. Die Beschriftung der internen Knoten muß der folgenden Bedingung genügen: Besitzt ein Knoten v die direkten Vorgänger v 1, v 2 und sind U, U 1, U 2 die Labels dieser Knoten, so gilt U 1, U 2 Res U. Als Beispiel betrachten wir das Pigeonhole-Prinzip P HP n : Wenn n + 1 Tauben auf n Taubenschläge verteilt werden, so gibt es mindestens einen Schlag, in dem sich mehr als 1 Taube befindet. Man kann diese Aussage mit Hilfe Boolescher Variable x ij formalisieren, wobei i [1..n], j [1..n + 1] und x ij = 1 interpretiert wird als: Taube j befindet sich im Schlag i. Damit läßt sich die Unmöglichkeit der Aufgabenstellung, alle Tauben ohne Doppelbelegung zu verteilen, beschreiben durch eine nichterfüllbare Formel bestehend aus den Klauseln: j [1..n + 1] : x 1,j... x n,j jede Taube ist in mindestens einem der n Schläge, i [1..n] 1 k < j n + 1 : x i,k x i,j in keinem Schlag i sitzt mehr als 1 Taube, Während die Nichterfüllbarkeit mit dem semantischen Hintergrund sofort einsichtig ist, erweist sich ein rein syntaktischer (formaler) Beweis als langwierig. Es wurde nämlich gezeigt, daß jeder Beweis für die Nichterfüllbarkeit von P HP n im Resolutionskalkül exponentielle Länge besitzt. Die Resolutionsmethode garantiert somit nicht, daß für ein Problem in co-n P ein kurzer (positiver) Beweis gefunden wird. Zumindest gilt aber: immer Theorem 5.8 Der Resolutionskalkül ist korrekt, d.h. wenn F Res F gilt, dann folgt auch F = F. Der Resolutionskalkül ist widerlegungsvollständig, d.h. wenn F nicht erfüllbar ist, dann gilt F Res. Beweis: Die erste Eigenschaft folgt durch Induktion über die Länge der Resolution, wobei der Induktionsschritt gerade durch das obige Lemma abgedeckt wird. Für die Widerlegungsvollständigkeit benutzen wir enbenfalls Induktion, und zwar über die Länge n der CNF-Formel F. Im Trivialfall n = 2 muß eine nichterfüllbare Formel F
11 R. Reischuk, ITCS 85 die Gestalt F = x x besitzen. Dann läßt sich die leere Klausel in einem Schritt ableiten. Sei nun F der Länge n + 1 nicht erfüllbar. Dann muß es mindestens eine Variable x geben, so daß sowohl x als auch x als Literale in F vorkommen. Setzt man x konstant, so ergeben sich kürzere Formeln F x=1 und F x=0, die beide ebenfalls nicht erfüllbar sind. Ist beispielsweise F = K 1 K 2 K 3 K 4 K 5 = (x 1 x 2 ) (x 1 x 3 ) (x 2 x 3 ) (x 2 x 3 ) (x 2 x 3 ), so ergibt sich F x1 =0 = x 2 K 3 K 4 K 5 und F x1 =1 = x 3 K 3 K 4 K 5. Falls diese beide Formeln nicht leer sind, gilt nach Ind.-Voraussetzung: F x=1 Res und F x=0 Res. F x=1 + x bezeichne die Formel, die aus F x=1 entsteht, wenn man zu jeder Klausel, die ursprünglich das Literal x enthielt, dies wieder hinzufügt, und entsprechend F x=0 + x Im obigen Beispiel erhalten wir also F x1 =0+x 1 = (x 1 x 2 ) K 3 K 4 K 5 und F x1 =1+x 1 = (x 1 x 3 ) K 3 K 4 K 5. Wendet man den Resolutionsprozeß für F x=1 auf diese erweiterten Klauseln an, so ergibt sich entweder wieder die leere Klausel oder die Klausel x, denn x könnte als einziges Literal jeden Resolutionsschritt überleben. Analoges gilt für F x=0 + x, aus welchem sich die leere Klausel oder die Klausel x ableitet. Aus den beiden Klauseln x und x kann nunmehr abgeleitet werden. Falls andererseits eine der Formeln leer ist, z.b. F x=1, so bedeutet dies, daß x alleine in einer Klausel von F vorkommt und daß F x=1 + x = x. Dieser Fall tritt beispielsweise bei der Formel F = (x y) x ein. Man beachte, daß der Resolutionskalkül kein vollständiges Beweissystem ist, d.h. es gibt Formeln F, F mit F = F, aber im Kalkül ist die Herleitung F Res F nicht möglich. Ein einfaches Beispiel ist F = x und F = x y für zwei Variable x, y. Mit Hilfe einer vorherigen Transformation, d.h. unter Erweiterung des Resolutionskalküls, kann man jedoch auch positive Beweise generieren. Der Nachweis einer Implikation α β beispielsweise kann dadurch erbracht werden, daß man zeigt, daß die Behauptung α β nicht erfüllbar ist. Kommen wir noch einmal auf 2-SAT zurück, so sehen wir, daß durch Resolution von Klauseln, deren Länge maximal 2 beträgt, keine Klauseln größerer Länge entstehen können. Bei n Variablen gibt es nur O(n 2 ) viele verschiedene Klauseln der Länge maximal 2. Nach höchstens quadratisch vielen Iterationen auf einer 2-CNF-Formel F hat somit die Resolutionsmethode entweder die leere Klausel generieren können oder es können keine weiteren Klauseln erzeugt werden, d.h. F ist erfüllbar. Aus dieser einfachen Überlegung ergibt sich bereits die Beziehung 2 SAT P.
12 86 AKF, UzL WS2004/ Der Davis-Putnam-Algorithmus Es ist bis heute ein offenes Problem, ob es für die Nichterfüllbarkeit einer Booleschen Formel F immer einen kurzen, d.h. polynomial langen Beweis gibt. Falls diese Eigenschaft nicht gilt, so würde dies N P = co-n P implizieren. Denn der Nachweis der Erfüllbarkeit ist kein Problem. Einen kurzen Beweis kann man direkt angeben, man braucht nur eine erfüllende Belegung, eine Modell für F, zu benennen. Aufwendig kann es jedoch sein, ein geeignetes Modell erst einmal zu finden. Hierfür sind eine Vielzahl von Methoden untersucht worden, die wohl bekannteste ist das Davis-Putnam-Verfahren. Es basiert auf den folgenden Operationen, wobei die ersten beiden nur für CNF-Formeln zur Anwendung kommen: 1. Unit-Regel: kommt ein Literal z in einer Klausel K einer CNF-Formel F alleine vor, so setze z auf den Wert true und streiche K (Unit). 2. Subsumption: K 1, K 2 seien Klauseln mit der Eigenschaft, daß alle Literale aus K 1 auch in K 2 vorkommen, man sagt dann, K 1 subsummiert K 2. Streiche Klauseln, die durch andere subsummiert werden (Subsump). 3. Pure-Literal-Regel: kommt eine Variable x in einer Formel F nur positiv oder nur negiert vor, so setze sie auf den Wert true bzw. false und streiche alle so erfüllten Klauseln (Pure). 4. Split-Regel: für Variable x, die sowohl positiv als auch negiert vorkommen, ersetze F durch die beiden Formeln F x:=0 und F x:=1 und teste jede dieser Teilformeln für sich auf Erfüllbarkeit. Das Verfahren endet erfolgreich, wenn ein Modell für F gefunden wird, d.h. durch eine sukzessive Belegung der Variablen konnten alle Klauseln von F gestrichen (d.h. erfüllt) werden es bleibt die leere Formel λ übrig. Gibt es eine erfüllende Belegung, so wird diese auch gefunden. Allerdings kann die Reihenfolge, in der die Variablen bei der Split-Regel ausgewählt werden, die Länge des Verfahrens wesentlich beeinflussen, denn es werden unterschiedliche Teilprobleme generiert. Besitzt F dagegen kein Modell, so muß bei r Variablen im Prinzip jede der 2 r Variablenbelegungen betrachtet werden. Bei glücklicher Wahl der Variablen-Reihenfolge kann jedoch unter Umständen schon eine Teilbelegung der Variablen ergeben, daß die Formel so nicht erfüllt werden kann, d.h. eine Reihe von Tests können entfallen.
13 R. Reischuk, ITCS 87 procedure DavisPutnam ( F : CNF): Boolean; Eingabe: eine Formel F in CNF Ausgabe: true genau dann wenn F erfüllbar ist begin while F Unit(F ) or F Pure(F ) or F Subsump(F ) do F := Subsump(Pure(Unit(F ))) ; if F = λ then return true; #[ F enthält keine Klauseln mehr]# if F enthält eine Klausel K false then return false; wähle eine Variable x, die in F vorkommt; if DavisPutnam( F x:=1 ) = true then return true; return DavisPutnam( F x:=0 ) end DavisPutnam. Eine optimale Wahl der Split-Variablen dürfte in der Regel schwer vorherzuberechnen sein. Durch probabilistische Entscheidungen kann man versuchen, eine zumindest im Mittel nicht allzu schlechte Wahl zu treffen. Ein alternativer Ansatz sind sogenannte Random Walks, bei denen eine Belegung aller Variablen zufällig gewählt wird und man dann versucht, für nicht erfüllte Klauseln durch Änderung des Wertes eines ihrer Literale eine erfüllende Belegung zu finden. Auf diese Weise erhält man einen probabilistischen Algorithmus mit einer Laufzeit von O(expc r) für Formeln mit r Variablen, wobei c < 1, d.h. deutlich weniger als die triviale Schranke exp r, die sich durch Testen aller Variablenbelegungen ergibt. Allerdings besitzt der probabilistische Algorithmus eine wenn auch sehr kleine Fehlerwahrscheinlichkeit, bei einer erfüllbaren Formel keine erfüllende Belegung zu finden. Von großem Interesse ist auch die Untersuchung der durchschnittlichen Laufzeit, um die Erfüllbarkeit einer zufällig generierten CNF-Formel zu entscheiden, die average-case- Komplexität von SAT. Hierbei zeigt sich, daß die genauen Parameter, wie eine zufällige Formel generiert wird, entscheidenden Einfluß nehmen. Ist die Zahl n der Klauseln einer 3-CNF-Formel F im Verhältnis zur Zahl der Variablen klein, so ist F mit hoher Wahrscheinlichkeit erfüllbar und der Davis-Putnam-Algorithmus findet eine der vielen erfüllenden Belegungen schnell. Falls F sehr viele Klauseln besitzt, ist die Chance, daß sie eine erfüllende Belegung besitzt, dagegen sehr klein. Durch Resolution kann man in diesem Fall hoffen, sehr schnell die leere Klausel generieren zu können. Simulationen haben gezeigt, daß der Übergang von Erfüllbar zu Nichterfüllbar sehr drastisch erfolgt, d.h. in einem ganz engen Bereich des Quotienten n/r sind die Wahrscheinlichkeiten, daß eine zufällige Formel dieser Größe erfüllbar bzw. nicht erfüllbar ist, beide deutlich größer als null, und außerhalb dieses Bereiches liegt einer der Werte sehr nahe bei 1, der andere dementsprechend bei 0. Das genaue Verhalten um diese kritische Threshold τ 4, 3 wird zur Zeit eingehender untersucht. Durch den Einsatz probabilistischer und auch algebraischer Methoden konnten so in den letzten Jahren wesentliche Fortschritte bei der Generierung kurzer Beweise, etwa für die Nichterfüllbarkeit bestimmter Formeln, erzielt werden.
14 88 AKF, UzL WS2004/05 6 Quantifizierte Boolesche Formeln Durch Verwendung von Quantoren kann die Ausdrucksstärke Boolescher Formeln erheblich gesteigert werden. Definition 6.1 Eine quantifizierte Boolesche Formel (QBF) ist ein Ausdruck der Form E = Q 1 x 1 Q 2 x 2... Q m x m F (x 1,..., x m ), wobei Q i {, } und F (x 1,..., x m ) eine Boolesche Formel in den Variablen x 1,..., x m ist. Es bezeichne F 0 bzw. F 1 die Formel, die man aus F erhält, indem die Variable x 1 durch die Konstante 0 bzw. 1 ersetzt wird, und E i die quantifizierte Formel Q 2 x 2... Q m x m F i. E heißt wahr, falls m = 0 und F 1 oder Q 1 = und E 0 oder E 1 sind wahr oder Q 1 = und E 0 und E 1 sind wahr. Man beachte, daß im Fall m = 0 die Formel F keine Variablen, sondern nur Boolesche Konstanten enthält. Somit können wir die folgende Sprache definieren QBF := {E E ist eine wahre QBF }. Zum Beispiel ist die Boolesche Formel F (x 1,..., x m ) erfüllbar in dem zuvor definierten Sinn, falls die quantifizierte Formel x 1... x m F (x 1,..., x m ) wahr ist. Mit Hilfe von quantifizierten Formeln lassen sich Berechnungen von TM in der Klasse PSPACE beschreiben. Theorem 6.1 QBF ist PSPACE vollständig. Beweis: Um QBF PSPACE zu zeigen, betrachte man den Ableitungsbaum einer Formel E = Q 1 x 1... Q m x m F (x 1,..., x m ) (Abbildung 6), der alle möglichen Belegungen der Variablen beschreibt. Man kann diesen Baum der Tiefe m ähnlich wie beim Pebble-Game auswerten: Dem Pebbeln eines Knotens entspricht die Entscheidung über die Erfüllbarkeit einer Formel mit Hilfe ihrer beiden Teilformeln E 0, E 1. Eine DTM kann die Auswertung auf Platz O(m + F (x 1,..., x m ) ) durchführen. Es bleibt zu zeigen, daß QBF PSPACE -hart ist. Die Idee ist ähnlich wie beim Beweis der N P -Vollständigkeit von SAT. M sei eine S platzbeschränkte und damit auch exp (cs) zeitbeschränkte deterministische 1-Band DTM mit Zustandsmenge Q und Alphabet Σ, die eine Sprache L PSPACE akzeptiert, und Σ := Σ (Σ Q). X sei eine Eingabe der Länge n. Ferner definieren wir s := S(n) und t := exp (c s) und betrachten die
Resolutionskalkül. wird t als eine Menge K t von Klauseln geschrieben, welche die einzelnen Maxterme repräsentieren:
Resolutionskalkül Ein Kalkül ist eine Kollektion von syntaktischen Umformungsregeln, die unter gegebenen Voraussetzungen aus bereits vorhandenen Formeln neue Formeln erzeugen. Der Resolutionskalkül besteht
MehrAussagenlogik. Übersicht: 1 Teil 1: Syntax und Semantik. 2 Teil 2: Modellierung und Beweise. Aussagenlogik H. Kleine Büning 1/37
Aussagenlogik Übersicht: 1 Teil 1: Syntax und Semantik 2 Teil 2: Modellierung und Beweise Aussagenlogik H. Kleine Büning 1/37 Modellierungsaufgabe Es gibt drei Tauben und zwei Löcher. Jede Taube soll in
MehrResolution für die Aussagenlogik
Resolution für die Aussagenlogik Der Resolutionskakül ist ein Beweiskalkül, der auf Klauselmengen, d.h. Formeln in KNF arbeitet und nur eine Schlußregel besitzt. Der Resolution liegt die folgende Vorstellung
MehrResolutionsalgorithmus
112 Resolutionskalkül Mit dem Begriff Kalkül bezeichnet man eine Menge von syntaktischen Umformungsregeln, mit denen man semantische Eigenschaften der Eingabeformel herleiten kann. Für den Resolutionskalkül:
MehrTableaukalkül für Aussagenlogik
Tableaukalkül für Aussagenlogik Tableau: Test einer Formel auf Widersprüchlichkeit Fallunterscheidung baumförmig organisiert Keine Normalisierung, d.h. alle Formeln sind erlaubt Struktur der Formel wird
MehrFormale Grundlagen der Informatik 1 Kapitel 16 Normalformen und Hornformeln
Formale Grundlagen der Informatik 1 Kapitel 16 Normalformen und Frank Heitmann heitmann@informatik.uni-hamburg.de 9. Juni 2015 Frank Heitmann heitmann@informatik.uni-hamburg.de 1/36 Ersetzbarkeitstheorem
MehrLösungen zur Vorlesung Berechenbarkeit und Komplexität
Lehrstuhl für Informatik 1 WS 009/10 Prof. Dr. Berthold Vöcking 0.0.010 Alexander Skopalik Thomas Kesselheim Lösungen zur Vorlesung Berechenbarkeit und Komplexität. Zulassungsklausur Aufgabe 1: (a) Worin
MehrLogik für Informatiker
Logik für Informatiker 2. Aussagenlogik Teil 6 14.05.2012 Viorica Sofronie-Stokkermans Universität Koblenz-Landau e-mail: sofronie@uni-koblenz.de 1 Bis jetzt Syntax der Aussagenlogik: Definition der Menge
MehrLogik für Informatiker
Logik für Informatiker Wintersemester 2007/08 Thomas Schwentick Teil A: Aussagenlogik 3. Erfüllbarkeit Version von: 23. Januar 2008(16:11) Inhalt 3.1 Grundbegriffe 3.2 Aussagenlogische Resolution 3.3 Endlichkeitssatz
MehrGrundbegriffe für dreiwertige Logik
Grundbegriffe für dreiwertige Logik Hans Kleine Büning Universität Paderborn 1.11.2011 1 Syntax und Semantik Die klassische Aussagenlogik mit den Wahrheitswerten falsch und wahr bezeichnen wir im weiteren
MehrEinführung in die Logik
Einführung in die Logik Klaus Madlener und Roland Meyer 24. April 2013 Inhaltsverzeichnis 1 Aussagenlogik 1 1.1 Syntax................................. 1 1.2 Semantik............................... 3 1.3
MehrKochrezept für NP-Vollständigkeitsbeweise
Kochrezept für NP-Vollständigkeitsbeweise Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 11. Januar 2010 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
MehrKapitel L:II. II. Aussagenlogik
Kapitel L:II II. Aussagenlogik Syntax der Aussagenlogik Semantik der Aussagenlogik Eigenschaften des Folgerungsbegriffs Äquivalenz Formeltransformation Normalformen Bedeutung der Folgerung Erfüllbarkeitsalgorithmen
MehrLogik für Informatiker
Logik für Informatiker 2. Aussagenlogik Teil 4 07.05.2012 Viorica Sofronie-Stokkermans Universität Koblenz-Landau e-mail: sofronie@uni-koblenz.de 1 Gestern Normalformen Atome, Literale, Klauseln Konjunktive
MehrErfüllbarkeitstests. Im folgenden: Ein sehr effizienter Erfüllbarkeitstest für eine spezielle Klasse von Formeln in KNF, sogenannte Hornformeln (vgl.
Erfüllbarkeitstests Im folgenden: Ein sehr effizienter Erfüllbarkeitstest für eine spezielle Klasse von Formeln in KNF, sogenannte Hornformeln (vgl. Grundlagen und diskrete Strukturen ) Ein für Formeln
MehrFormale Grundlagen der Informatik 1 Kapitel 23 NP-Vollständigkeit (Teil 2)
Formale Grundlagen der Informatik 1 Kapitel 23 (Teil 2) Frank Heitmann heitmann@informatik.uni-hamburg.de 5. Juli 2016 Frank Heitmann heitmann@informatik.uni-hamburg.de 1/37 Die Klassen P und NP P := {L
MehrKapitel L:II. II. Aussagenlogik
Kapitel L:II II. Aussagenlogik Syntax der Aussagenlogik Semantik der Aussagenlogik Eigenschaften des Folgerungsbegriffs Äquivalenz Formeltransformation Normalformen Bedeutung der Folgerung Erfüllbarkeitsalgorithmen
MehrErsetzbarkeitstheorem
Ersetzbarkeitstheorem Die Abgeschlossenheit läßt sich auch folgendermaßen formulieren: Ersetzbarkeitstheorem Seien F und G Formeln mit F G. SeienH und H Formeln, so daß H aus H hervorgeht, indem ein Vorkommen
MehrAbbildung 1: Reduktion: CLIQUE zu VERTEX-COVER. links: Clique V = {u, v, x, y}. rechts:der Graph Ḡ mit VC V \ V = {w, z}
u v u v z w z w y x y x Abbildung 1: Reduktion: CLIQUE zu VERTEX-COVER. links: Clique V = {u, v, x, y}. rechts:der Graph Ḡ mit VC V \ V = {w, z} Definition 0.0.1 (Vertex Cover (VC)). Gegeben: Ein ungerichteter
MehrEinführung (1/3) Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (1) Vorlesungen zur Komplexitätstheorie.
Einführung (1/3) 3 Wir verfolgen nun das Ziel, Komplexitätsklassen mit Hilfe von charakteristischen Problemen zu beschreiben und zu strukturieren Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit
MehrDiskrete Strukturen Kapitel 2: Grundlagen (Beweise)
WS 2014/15 Diskrete Strukturen Kapitel 2: Grundlagen (Beweise) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_14
MehrLogik für Informatiker
Logik für Informatiker 2. Aussagenlogik Teil 5 14.05.2012 Viorica Sofronie-Stokkermans Universität Koblenz-Landau e-mail: sofronie@uni-koblenz.de 1 Bis jetzt Normalformen Atome, Literale, Klauseln Konjunktive
MehrWS 2013/14. Diskrete Strukturen
WS 2013/14 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws1314
MehrDeduktion in der Aussagenlogik
Deduktion in der Aussagenlogik Menge von Ausdrücken der Aussagenlogik beschreibt einen bestimmten Sachverhalt, eine "Theorie" des Anwendungsbereiches. Was folgt logisch aus dieser Theorie? Deduktion: aus
MehrFormale Systeme. Das Erfu llbarkeitsproblem. Prof. Dr. Bernhard Beckert, WS 2017/2018
Formale Systeme Prof. Dr. Bernhard Beckert, WS 2017/2018 Das Erfu llbarkeitsproblem KIT I NSTITUT F U R T HEORETISCHE I NFORMATIK www.kit.edu KIT Die Forschungsuniversita t in der Helmholtz-Gemeinschaft
MehrSyntax der Aussagenlogik. Vorlesung Logik Sommersemester 2012 Universität Duisburg-Essen. Formel als Syntaxbaum. Teilformel A 3 A 1 A 4
Syntax der Vorlesung Logik Sommersemester 2012 Universität Duisburg-Essen Barbara König Übungsleitung: Christoph Blume Eine atomare Formel hat die Form A i (wobei i = 1, 2, 3,...). Definition (Formel)
MehrSyntax. 1 Jedes A AS AL ist eine (atomare) Formel. 2 Ist F eine Formel, so ist auch F eine Formel. 3 Sind F und G Formeln, so sind auch
Formale der Informatik 1 Kapitel 15 Folgerbarkeit, Äquivalenzen und Normalformen Frank Heitmann heitmann@informatik.uni-hamburg.de 8. Juni 2015 Syntax Definition (Syntax der Aussagenlogik) Mit AS AL sei
MehrDank. Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I. Reduktion. Komplexitätsklassen.
Dank Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Bernhard Beckert Diese Vorlesungsmaterialien basieren ganz wesentlich auf den Folien zu den Vorlesungen
MehrFakultät für Informatik Universität Magdeburg Jürgen Dassow. Vorbemerkungen
Vorbemerkungen if (x > y) z = x; else z = y; Wenn es blaue Tiger regnet, dann fressen alle Kirschbäume schwarze Tomaten. q(1) = 1, q(i) = q(i 1) + 2i 1 für i 2 Welchen Wert hat q(6)? 24 ist durch 2 teilbar.
Mehrabgeschlossen unter,,,, R,
Was bisher geschah Turing-Maschinen können Sprachen L X akzeptieren entscheiden Funktionen berechnen f : X X (partiell) Menge aller Turing-akzeptierbaren Sprachen genau die Menge aller Chomsky-Typ-0-Sprachen
MehrAlgorithmischer Aufbau der Aussagenlogik
Algorithmischer Aufbau der Aussagenlogik In diesem Abschnitt betrachten wir Verfahren die bei gegebener endlichen Menge Σ und A-Form A entscheiden ob Σ = A gilt. Die bisher betrachteten Verfahren prüfen
MehrWeitere NP-vollständige Probleme
Weitere NP-vollständige Probleme Wir betrachten nun folgende Reduktionskette und weisen dadurch nach, daß alle diese Probleme NP-hart sind (sie sind auch in NP und damit NP-vollständig). SAT p 3-SAT p
MehrLösungsvorschläge Blatt Z1
Theoretische Informatik Departement Informatik Prof. Dr. Juraj Hromkovič http://www.ita.inf.ethz.ch/theoinf16 Lösungsvorschläge Blatt Z1 Zürich, 2. Dezember 2016 Lösung zu Aufgabe Z1 Wir zeigen L qi /
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 23. November 2017 INSTITUT FÜR THEORETISCHE 0 23.11.2017 Dorothea Wagner - Theoretische Grundlagen der Informatik INSTITUT FÜR THEORETISCHE KIT Die Forschungsuniversität
Mehr4. Logik und ihre Bedeutung für WBS
4. Logik und ihre Bedeutung für WBS WBS verwenden formale Sprache L um Wissen zu repräsentieren Grundidee: Problemlösen = Folgern aus in L dargestelltem Wissen Folgern = implizites Wissen explizit machen
MehrEinführung in die mathematische Logik
Prof. Dr. H. Brenner Osnabrück SS 2014 Einführung in die mathematische Logik Vorlesung 3 Tautologien In der letzten Vorlesung haben wir erklärt, wie man ausgehend von einer Wahrheitsbelegung λ der Aussagevariablen
MehrAussagenlogik. Übersicht: 1 Teil 1: Syntax und Semantik. 2 Teil 2: Modellierung und Beweise. Aussagenlogik H. Kleine Büning 1/25
Aussagenlogik Übersicht: 1 Teil 1: Syntax und Semantik 2 Teil 2: Modellierung und Beweise Aussagenlogik H. Kleine Büning 1/25 Einführendes Beispiel Falls Lisa Peter trifft, dann trifft Lisa auch Gregor.
MehrLogik für Informatiker
Logik für Informatiker 2. Aussagenlogik Teil 10 4.06.2012 Viorica Sofronie-Stokkermans Universität Koblenz-Landau e-mail: sofronie@uni-koblenz.de 1 Organisatorisches Hauptklausur: Montag, 23.07.2012, 16:00-18:00,
MehrResolution (Motivation) Vorlesung Logik Sommersemester 2012 Universität Duisburg-Essen. Resolution (Idee) Resolution (Idee)
(Motivation) Vorlesung Logik Sommersemester 0 Universität Duisburg-Essen Barbara König Übungsleitung: Christoph Blume Wir benötigen Algorithmen für Erfüllbarkeitstests, die zumindest in vielen Fällen gutartiges
MehrKünstliche Intelligenz Logische Agenten & Resolution
Künstliche Intelligenz Logische Agenten & Resolution Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Inferenz-Algorithmus Wie könnte ein
MehrFormale Systeme. Prof. Dr. Bernhard Beckert, WS 2016/ KIT Die Forschungsuniversita t in der Helmholtz-Gemeinschaft
Formale Systeme Prof. Dr. Bernhard Beckert, WS 2016/2017 Aussagenlogik: Tableaukalku l KIT I NSTITUT F U R T HEORETISCHE I NFORMATIK www.kit.edu KIT Die Forschungsuniversita t in der Helmholtz-Gemeinschaft
MehrEiniges zu Resolutionen anhand der Aufgaben 6 und 7
Einiges zu Resolutionen anhand der Aufgaben 6 und 7 Es gibt eine Fülle von verschiedenen Resolutionen. Die bis jetzt behandelten möchte ich hier noch ein Mal kurz erläutern. Ferner möchte ich noch auf
MehrSS Juli Übungen zur Vorlesung Logik Blatt 11
SS 2011 06. Juli 2011 Übungen zur Vorlesung Logik Blatt 11 Prof. Dr. Klaus Madlener Abgabe bis 13. Juli 2011 10:00 Uhr 1. Aufgabe: [Axiomatisierung, Übung] 1. Definieren Sie eine Formel A n der Prädikatenlogik
MehrVorlesung Logik Wintersemester 2012/13 Universität Duisburg-Essen
Vorlesung Logik Wintersemester 2012/13 Universität Duisburg-Essen Barbara König Übungsleitung: Christoph Blume & Dr. Sander Bruggink Barbara König Logik 1 (Motivation) Wir benötigen Algorithmen für Erfüllbarkeitstests,
MehrBinary Decision Diagrams (Einführung)
Binary Decision Diagrams (Einführung) Binary Decision Diagrams (BDDs) sind bestimmte Graphen, die als Datenstruktur für die kompakte Darstellung von booleschen Funktionen benutzt werden. BDDs wurden von
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 28. Aussagenlogik: DPLL-Algorithmus Malte Helmert Universität Basel 2. Mai 2014 Aussagenlogik: Überblick Kapitelüberblick Aussagenlogik: 26. Grundlagen 27. Logisches
MehrProbleme aus NP und die polynomielle Reduktion
Probleme aus NP und die polynomielle Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 15. Dezember 2009 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
MehrGrundlagen der Logik
Grundlagen der Logik Denken Menschen logisch? Selektionsaufgabe nach Watson (1966): Gegeben sind vier Karten von denen jede auf der einen Seite mit einem Buchstaben, auf der anderen Seite mit einer Zahl
MehrDank. Theoretische Informatik II. Teil VI. Vorlesung
Dank Vorlesung Theoretische Informatik II Bernhard Beckert Institut für Informatik Diese Vorlesungsmaterialien basieren zum Teil auf den Folien zu den Vorlesungen von Katrin Erk (gehalten an der Universität
MehrAufgabe. Gelten die folgenden Äquivalenzen?. 2/??
Äquivalenz Zwei Formeln F und G heißen (semantisch) äquivalent, falls für alle Belegungen A, die sowohl für F als auch für G passend sind, gilt A(F ) = A(G). Hierfür schreiben wir F G.. 1/?? Aufgabe Gelten
MehrErfüllbarkeitsprobleme. Begriffe. Varianten von SAT
Erfüllbarkeitsprobleme SAT (satisfiability problem) Eingabe: Formel F in konjunktiver Form. Frage: Gibt es eine Belegung x der Variablen in F mit F(x)=1? Beispiel: Begriffe erfüllbar satisfiable: Eigenschaft
MehrDie Klasse NP und die polynomielle Reduktion
Die Klasse NP und die polynomielle Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen Dezember 2011 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
MehrBerechenbarkeit und Komplexität: Polynomielle Reduktion / NP-Vollständigkeit / Satz von Cook und Levin
Berechenbarkeit und Komplexität: Polynomielle Reduktion / NP-Vollständigkeit / Satz von Cook und Levin Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität 11. Januar 2008 Wiederholung
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester
Mehrkontextfreie Grammatiken Theoretische Informatik kontextfreie Grammatiken kontextfreie Grammatiken Rainer Schrader 14. Juli 2009 Gliederung
Theoretische Informatik Rainer Schrader Zentrum für Angewandte Informatik Köln 14. Juli 2009 1 / 40 2 / 40 Beispiele: Aus den bisher gemachten Überlegungen ergibt sich: aus der Chomsky-Hierarchie bleiben
MehrLogische und funktionale Programmierung
Logische und funktionale Programmierung Vorlesung 2: Prädikatenkalkül erster Stufe Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 14. Oktober 2016 1/38 DIE INTERPRETATION
MehrTU9 Aussagenlogik. Daniela Andrade
TU9 Aussagenlogik Daniela Andrade daniela.andrade@tum.de 18.12.2017 1 / 21 Kleine Anmerkung Meine Folien basieren auf den DS Trainer von Carlos Camino, den ihr auf www.carlos-camino.de/ds findet ;) 2 /
MehrKapitel 1.3. Normalformen aussagenlogischer Formeln und die Darstellbarkeit Boolescher Funktionen durch aussagenlogische Formeln
Kapitel 1.3 Normalformen aussagenlogischer Formeln und die Darstellbarkeit Boolescher Funktionen durch aussagenlogische Formeln Mathematische Logik (WS 2011/12) Kapitel 1.3: Normalformen 1/ 29 Übersicht
MehrTheorie der Informatik. Theorie der Informatik. 2.1 Äquivalenzen. 2.2 Vereinfachte Schreibweise. 2.3 Normalformen. 2.
Theorie der Informatik 24. Februar 2014 2. Aussagenlogik II Theorie der Informatik 2. Aussagenlogik II 2.1 Äquivalenzen Malte Helmert Gabriele Röger 2.2 Vereinfachte Schreibweise Universität Basel 24.
MehrLogik für Informatiker
Vorlesung Logik für Informatiker 4. Aussagenlogik Syntax und Semantik der Aussagenlogik Bernhard Beckert Universität Koblenz-Landau Sommersemester 2006 Logik für Informatiker, SS 06 p.1 Syntax der Aussagenlogik:
MehrAllgemeingültige Aussagen
Allgemeingültige Aussagen Definition 19 Eine (aussagenlogische) Formel p heißt allgemeingültig (oder auch eine Tautologie), falls p unter jeder Belegung wahr ist. Eine (aussagenlogische) Formel p heißt
MehrAufgabe 13 (Markierungsalgorithmus). Gegeben ist die Formel F = (A D C) (E A) ( ( B D) E) A B (B D)
INTA - Lösungshinweise zum Übungsblatt 4, Version 1.0α. Wenn sie Fehler finden oder Ihnen etwas auch nach dem Gespräch mit ihren Kommilitonen noch unklar ist, dann schicken sie mir bitte eine Email! Aufgabe
MehrÜbung zur Vorlesung Berechenbarkeit und Komplexität
RWTH Aachen Lehrgebiet Theoretische Informatik Reidl Ries Rossmanith Sanchez Tönnis WS 2012/13 Übungsblatt 7 26.11.2012 Übung zur Vorlesung Berechenbarkeit und Komplexität Aufgabe T15 Entwickeln Sie ein
Mehr13. Woche: NP-Vollständigkeit Satz von Cook-Levin Anwendungen in der Kryptographie
13 Woche: NP-Vollständigkeit Satz von Cook-Levin Anwendungen in der Kryptographie 13 Woche: NP-Vollständigkeit, Satz von Cook-Levin, Anwendungen 276/ 333 N P-Vollständigkeit Ḋefinition NP-vollständig Sei
MehrKapitel 1.5 und 1.6. Ein adäquater Kalkül der Aussagenlogik
Kapitel 1.5 und 1.6 Ein adäquater Kalkül der Aussagenlogik Teil 1: Kalküle und Beweisbarkeit und die Korrektheit des Shoenfield-Kalküls Mathematische Logik (WS 2010/11) Kapitel 1.5 und 1.6: Kalküle 1 /
MehrLogik für Informatiker
Logik für Informatiker 2. Aussagenlogik Teil 5 8.05.2012 Viorica Sofronie-Stokkermans Universität Koblenz-Landau e-mail: sofronie@uni-koblenz.de 1 Bis jetzt Syntax der Aussagenlogik: Definition der Menge
Mehr3.1.1 Die Variante T1 und ein Entscheidungsverfahren für die Aussagenlogik
Deduktionssysteme der Aussagenlogik, Kap. 3: Tableaukalküle 38 3 Tableaukalküle 3.1 Klassische Aussagenlogik 3.1.1 Die Variante T1 und ein Entscheidungsverfahren für die Aussagenlogik Ein zweites Entscheidungsverfahren
MehrAlgorithmen zur Visualisierung von Graphen
Algorithmen zur Visualisierung von Graphen Kombinatorische Optimierung mittels Flussmethoden II Vorlesung im Wintersemester 2011/2012 10.11.2011 Orthogonale Zeichnungen II letztes Mal: Satz G Maxgrad-4-Graph
Mehr4.2 Grenzen Effizienter Schaltkreise
4.2 Grenzen Effizienter Schaltkreise Definition 19 Sei F eine Boolesche Formel. Ein Literal ist eine Variable oder deren Negation. Eine Klausel ist eine Disjunktion, d.h. eine or-verknüpfung, von Literalen.
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 17. Januar 2012 INSTITUT FÜR THEORETISCHE 0 KIT 18.01.2012 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der
Mehr2. Woche Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung
2 Woche Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 2 Woche: Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 24/ 44 Zwei Beispiele a 0
MehrDie Prädikatenlogik erster Stufe: Syntax und Semantik
Die Prädikatenlogik erster Stufe: Syntax und Semantik 1 Mathematische Strukturen und deren Typen Definition 1.1 Eine Struktur A ist ein 4-Tupel A = (A; (R A i i I); (f A j j J); (c A k k K)) wobei I, J,
MehrWas ist Logik? Was ist Logik? Aussagenlogik. Wahrheitstabellen. Geschichte der Logik eng verknüpft mit Philosophie
Was ist Logik? Geschichte der Logik eng verknüpft mit Philosophie Begriff Logik wird im Alltag vielseitig verwendet Logik untersucht, wie man aus Aussagen andere Aussagen ableiten kann Beschränkung auf
MehrEinführung in die Logik, Übungsklausur 2016/07/11
Institut für Theoretische Informatik ITI Dr. Jürgen Koslowski Einführung in die Logik, Übungsklausur 2016/07/11 Diese Aufgaben werden in der Extra-Übung am Freitag, 2016-07-15, 13:15, im SN 19.4 besprochen,
MehrKlausur zur Vorlesung Mathematische Logik
Universität Heidelberg 13. Februar 2014 Institut für Informatik Prof. Dr. Klaus Ambos-Spies Dipl.-Math. Thorsten Kräling Klausur zur Vorlesung Mathematische Logik Musterlösung Aufgabe 1 (Aussagenlogik
Mehr5.1 Inferenz. Theorie der Informatik. Theorie der Informatik. 5.1 Inferenz. 5.2 Resolutionskalkül. 5.3 Zusammenfassung. Inferenz: Motivation
Theorie der Informatik 9. März 2015 5. Aussagenlogik III Theorie der Informatik 5. Aussagenlogik III 5.1 Inferenz Malte Helmert Gabriele Röger 5.2 Resolutionskalkül Universität Basel 9. März 2015 5.3 Zusammenfassung
MehrEinführung in die Theoretische Informatik
Technische Universität München Fakultät für Informatik Prof. Tobias Nipkow, Ph.D. Sascha Böhme, Lars Noschinski Sommersemester 2011 Lösungsblatt 9 25. Juli 2011 Einführung in die Theoretische Informatik
MehrProblem der Resolution: Kombinatorische Explosion Ziel: Einschränkung der Möglichkeiten
2.6 Verfeinerung der Resolution Problem der Resolution: Kombinatorische Explosion Ziel: Einschränkung der Möglichkeiten Resolutions-Strategien: heuristische Regeln für die Auswahl der Resolventen Resolutions-Restriktionen:
MehrDiskrete Strukturen Wiederholungsklausur
Technische Universität München (I7) Winter 2013/14 Prof. J. Esparza / Dr. M. Luttenberger LÖSUNG Diskrete Strukturen Wiederholungsklausur Beachten Sie: Soweit nicht anders angegeben, ist stets eine Begründung
MehrKonjunktive Normalform
Konjunktive Normalform Eine Formel α in konjunktiver Normalform hat die Form α k 1 k 2... k r. Die Klauseln k 1,..., k r sind Disjunktionen von Literalen, also Disjunktionen von Variablen oder negierten
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 25. November 2014 INSTITUT FÜR THEORETISCHE 0 KIT 25.11.2014 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der
MehrLogik für Informatiker Logic for Computer Scientists
Logik für Informatiker Logic for Computer Scientists Till Mossakowski Wintersemester 2014/15 Till Mossakowski Logik 1/ 18 Vollständigkeit der Aussagenlogik Till Mossakowski Logik 2/ 18 Objekt- und Metatheorie
MehrLogik für Informatiker
Logik für Informatiker 2. Aussagenlogik Teil 3 06.05.2012 Viorica Sofronie-Stokkermans Universität Koblenz-Landau e-mail: sofronie@uni-koblenz.de 1 Bis jetzt Syntax (Formeln) Semantik Wertebelegungen/Valuationen/Modelle
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Dr. Hanjo Täubig Lehrstuhl für Eziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester 2007/08
MehrDie Klassen P und NP. Formale Grundlagen der Informatik 1 Kapitel 11. Die Klassen P und NP. Die Klasse P
Die Klassen Formale Grundlagen der Informatik 1 Kapitel 11 Frank Heitmann heitmann@informatik.uni-hamburg.de P := {L es gibt ein Polynom p und eine p(n)-zeitbeschränkte DTM A mit L(A) = L} = i 1 DTIME(n
MehrLogik für Informatiker
Vorlesung Logik für Informatiker 13. Prädikatenlogik Der Satz von Herbrand Bernhard Beckert Universität Koblenz-Landau Sommersemester 2006 Logik für Informatiker, SS 06 p.1 Semantische Bäume Eine klassische
Mehr8 Der Kompaktheitssatz und der Satz von Löwenheim und Skolem
8 Der Kompaktheitssatz und der Satz von Löwenheim und Skolem 8.1 Der Kompaktheitssatz Kompaktheitssatz Endlichkeitssatz Der Kompaktheitssatz ist auch unter dem Namen Endlichkeitssatz bekannt. Unter Verwendung
MehrKomplexität von Algorithmen Musterlösungen zu ausgewählten Übungsaufgaben
Dieses Dokument soll mehr dazu dienen, Beispiele für die formal korrekte mathematische Bearbeitung von Aufgaben zu liefern, als konkrete Hinweise auf typische Klausuraufgaben zu liefern. Die hier gezeigten
MehrStatt Turingmaschinen anzugeben, genügt die Angabe eines C++ Programms oder die Angabe eines Pseudocodes.
Turingmaschinen Wir haben Turingmaschinen eingeführt. Bis auf einen polynomiellen Anstieg der Rechenzeit haben Turingmaschinen die Rechenkraft von parallelen Supercomputern! Statt Turingmaschinen anzugeben,
MehrFormale Grundlagen der Informatik 1 Kapitel 19. Syntax & Semantik
Formale Grundlagen der Informatik 1 Kapitel 19 & Frank Heitmann heitmann@informatik.uni-hamburg.de 23. Juni 2015 Frank Heitmann heitmann@informatik.uni-hamburg.de 1/25 Motivation Die ist eine Erweiterung
MehrMaike Buchin 18. Februar 2016 Stef Sijben. Probeklausur. Theoretische Informatik. Bearbeitungszeit: 3 Stunden
Maike Buchin 8. Februar 26 Stef Sijben Probeklausur Theoretische Informatik Bearbeitungszeit: 3 Stunden Name: Matrikelnummer: Studiengang: Geburtsdatum: Hinweise: Schreibe die Lösung jeder Aufgabe direkt
MehrGrundlagen der Theoretischen Informatik
Grundlagen der Theoretischen Informatik 4. Kellerautomaten und kontextfreie Sprachen (III) 17.06.2015 Viorica Sofronie-Stokkermans e-mail: sofronie@uni-koblenz.de 1 Übersicht 1. Motivation 2. Terminologie
MehrLogic in a Nutshell. Christian Liguda
Logic in a Nutshell Christian Liguda Quelle: Kastens, Uwe und Büning, Hans K., Modellierung: Grundlagen und formale Methoden, 2009, Carl Hanser Verlag Übersicht Logik - Allgemein Aussagenlogik Modellierung
MehrNash-Gleichgewichte in 2-Spieler Systemen. Katharina Klost Freie Universität Berlin
Nash-Gleichgewichte in 2-Spieler Systemen Katharina Klost Freie Universität Berlin Seminar über Algorithmen, 29.10.2013 Grundlegende Definitionen A Gewinnmatrix für Spieler 1, B Gewinnmatrix für Spieler
Mehr4.2 Minimale Spannbäume: Der Algorithmus von Jarník/Prim Definition 4.2.1
Allgemeines. Minimale Spannbäume: Der Algorithmus von Jarník/Prim Definition.. (a) Ein Graph G =(V, E) heißt kreisfrei, wenn er keinen Kreis besitzt. Beispiel: Ein kreisfreier Graph: FG KTuEA, TU Ilmenau
MehrEinführung in die Theoretische Informatik
Technische Universität München Fakultät für Informatik Prof. Tobias Nipkow, Ph.D. Dr. Werner Meixner, Dr. Alexander Krauss Sommersemester 2010 Lösungsblatt 11 15. Juli 2010 Einführung in die Theoretische
MehrDas Postsche Korrespondenzproblem
Das Postsche Korrespondenzproblem Eine Instanz des PKP ist eine Liste von Paaren aus Σ Σ : (v 1, w 1 ),..., (v n, w n ) Eine Lösung ist eine Folge i 1,..., i k von Indizes 1 i j n mit v i1... v ik = w
MehrLernen mit Queries. Hans Kleine Büning Institut für Informatik, Universität Paderborn Paderborn (Germany),
Lernen mit Queries Hans Kleine Büning Institut für Informatik, Universität Paderborn 33095 Paderborn (Germany), E-mail: kbcsl @upb.de November 2007 1 Einführung In diesem Abschnitt beschreiben wir kurz,
Mehr2.2 Der Algorithmus von Knuth, Morris und Pratt
Suchen in Texten 2.1 Grundlagen Ein Alphabet ist eine endliche Menge von Symbolen. Bsp.: Σ a, b, c,..., z, Σ 0, 1, Σ A, C, G, T. Wörter über Σ sind endliche Folgen von Symbolen aus Σ. Wörter werden manchmal
Mehr