Konfiguration und Diagnose. H. Kleine Büning Universität Paderborn Informatik: Wissensbasierte Systeme WS 14/15. Vorlesung H. Kleine Büning 1/38
|
|
- Josef Peters
- vor 6 Jahren
- Abrufe
Transkript
1 Konfiguration und Diagnose H. Kleine Büning Universität Paderborn Informatik: Wissensbasierte Systeme WS 14/15 Vorlesung H. Kleine Büning 1/38
2 Konfiguration und Diagnose Konfiguration: 1 Gegeben: Komponenten (technische Komponenten, Softwarekomponeneten) 2 Gegeben: Randbedingungen und Wissen 3 Gegeben: Zielsystem 4 Frage: Gibt es eine Menge von Komponenten, die das Zielsystem realisieren? Repräsentation und Algorithmen?? Domänenabhängig versus -unabhängig?? Lösbarkeit versus Komplexität Einführung H. Kleine Büning 2/38
3 Konfiguration und Diagnose Beispiele: 1 Autokonfigurator 2 Digitale Schaltungen 3 Internet-Web APPS 4... Einführung H. Kleine Büning 3/38
4 Konfiguration und Diagnose Diagnose: 1 Gegeben: Symptome 2 Gegeben: Randbedingungen und Wissen 3 Gegeben: Fehler 4 Frage: Gibt es unter den Symptomen eine Teilmenge, die auf den Fehler schließen lassen??, 5 alternativ: Frage: welche Fehler liegt bei einer Menge von Symptomen vor?? Beispiele: Krankeiten, technische Defekte Einführung H. Kleine Büning 4/38
5 Konfiguration und Diagnose 1 Einfache Grundlagen für beide Problembereiche: Abduktion 2 spezielle Repräsentationen und Algorithmen für die Konfiguration und Diagnose 3 Grenzen der Lösbarkeit Einführung H. Kleine Büning 5/38
6 Abduktion Ein grundlegender Ansatz für Konfiguration und Diagnose: Idee: 1 Gegeben Wissen G und Ziel β (Target, Ziel, Manifestation) 2 Query: Welche Voraussetzungen E müssen gegeben sein, damit E G = β gilt? Beispiel: G ist eine Menge von Regeln (G = { if a then b, if b then t, if d then t} Ziel t dann gilt a und G implizieren t Abduktion H. Kleine Büning 6/38
7 Abduktion Das Wissen ist als aussagenlogische Formel gegeben: Lit(V ) ist die Menge der Literale für die Variablenmenge V. Definition 1 (Abduction) For classes of formulas R and T an instance (V, H, G, M) of the abduction problem abd(r, T ) is a set of variables V, the hypotheses H Lit(V ), a formula G with var(g) V, and a formula M (the manifestation). Then the question is whether there exists a subset E H such that E G = M and E G is consistent(satisfiable). When we restrict the hypotheses to variables H V the abduction problem for classes R and T is denoted as abd V (R, T ). Abduktion H. Kleine Büning 7/38
8 Abduktion DHORN ist die Menge der Horn Formeln, für die jede Klausel genau ein positives Literal enthält DHORN sind definite Horn Formeln. Beispiel: a b d und b, wobei a, b, d, Variable sind. Term ist die Menge aller Terme. Ein Term ist eine Konjunktion von Literalen, z.b. (a b). k-term ist die Menge der Terme mit maximal k Literalen. Beispiele für Abduktionsprobleme: 1 definite Horn Formeln (Implikationen, siehe auch Regeln) abd(dhorn, Variable) und abd V (DHORN, Variable) 2 abd(2-term, Term) Abduktion H. Kleine Büning 8/38
9 Abduktion Konfiguration : Die Lösung E für das Abduktionsproblem (V, H, G, M) { E H : E G = M und E G ist widerspruchsfrei (erfüllbar)} ist die Menge der Komponenten, die mit dem Wissen G das Zielsystem impliziert. Beispiel: PKW G = { Benzin Motor, Diesel Motor, Motor Getriebe Antrieb, Automatik Getriebe, Hand Getriebe} Ziel = Antrieb H={Benzin, Diesel, Automatik, Hand } Lösung:??? Abduktion H. Kleine Büning 9/38
10 Abduktion Diagnose : Die Lösung E ist die Menge der Ursachen für das Auftreten von M auf der Basis des Diagnosewissens G. G = { Husten Luft, Fieber Entzündung, Entzündung Geräusche Lungenentzündung } Hypothesen H = { Fieber } Ziel (Diagnose): Lungenentzündung Gibt es eine Lösung? E H : E G = Lungenentzündung und E G ist nicht widerspruchsvoll???? Abduktion H. Kleine Büning 10/38
11 Abduktion Mit Abduktion lassen sich nur einfache Konfigurations- und Diagnoseproblem beschreiben. 1 zusätzliche Anforderungene, z.b. minimale Lösungen 2 mächtigere Repräsentationen Basis für Komplexitätsabschätzungen Frage: Wie schierig sind die Abduktionsprobleme zu lösen? Abduktion H. Kleine Büning 11/38
12 Abduktion Beispiel: abd V (DHORN, DHORN), also das Wissen G ist eine Menge von Implikationen, das Ziel ist eine Menge von Implikationen M, und sei die Menge der Hypothesen H eine Menge von aussagenlogischen Variablen aus der Variablenmenge V. Frage: Gibt es eine Menge E H : G E = M und E G ist erfüllbar? Beobachtung: Wenn es eine Lösung gibt, dann ist H eine Lösung. H G ist immer widerspruchsfrei. Also genügt der Test H G = M. Zeit: polynomial in der Länge von G, H und M. Satz: abd V ist lösbar in polynomialer Zeit. Abduktion H. Kleine Büning 12/38
13 Abduktion Beispiel: 1 abd(dhorn, DHORN) ist NP-vollständig. 2 abd(horn, Horn) ist NP-vollständig. 3 abd(cnf, CNF) ist Σ P 2 -vollständig. Abduktion H. Kleine Büning 13/38
14 Abduktion Minimale Lösungen für abd V (DHORN, Variable): 1 Wissen G ist Menge von Implikationen 2 Ziel ist eine Variable v 3 H ist eine Menge von Variablen 4 natürliche Zahl k 1 5 Frage: Gibt es eine E H : E k und E G ist erfüllbar und E G = v?? Rate eine Menge E H mit maximal k Elementen und teste den Rest in polynomialer Zeit (Problem in NP). Die NP-härte zeigt man durch eine Reduktion auf das Set Cover Problem. Das obige Problem ist NP-vollständig. Abduktion H. Kleine Büning 14/38
15 Skelettkonfiguration und Abduktion Idee: 1 Gegeben eine Produktstruktur P als UND-Oder-Graph (azyklisch). 2 Die Blätter enthalten die Komponenten. Die Menge sei H. 3 Die Wurzel enthält das Zielprodukt M. 4 Suche Komponenten, die zusammen mit der Produktstruktur P zum Ziel M führen. Beobachtung: Produktstruktur ist eine definite Horn Formel (Implikationen). Damit erhalten wir ein Abduktionsproblem Triviale Lösung: Nehme alle Komponenten. Nicht immer sinnvoll!!! Abduktion H. Kleine Büning 15/38
16 Skelettkonfiguration und Abduktion Zusätzliches Wissen. Siehe Beispiel PKW 1 Ein Antrieb ist entweder ein Diesel oder ein Benziner. 2 nicht als Implikation ausdrückbar, 3 formal: Diesel Benzin (negative Klausel, Horn Klausel) 4 also abd V (Horn, Variable) 5 damit wird das Problem NP-vollständig 6 alternativ: minimale Lösung (Komplexität) Abduktion H. Kleine Büning 16/38
17 Skelettkonfiguration und Abduktion Zusätzliches Wissen. Siehe Beispiel PKW Alternative Darstellung 1 Ein Antrieb ist entweder ein Diesel oder ein Benziner. 2 nicht als Implikation ausdrückbar, 3 Gruppen von Komponenten z.b: {Benzin, Diesel}, {c 1, c 2 };.. 4 Wähle je eine Komponente aus den Gruppen Abduktion H. Kleine Büning 17/38
18 Skelettkonfiguration und Abduktion Zusätzliches Wissen. Siehe Beispiel PKW Alternative Darstellung: Gruppen von Mengen von Komponenten; formal 1 Gegeben globales Wissen G in Form von Implikationen (azyklischer UND-Oder-Graph). 2 Für 1 i n disjunkte Komponentenmengen C i = {c i1,..., c it } 3 Ziel A 4 Query : a 1 C 1... a n C n : a 1... a n G = A??? Satz: Das Problem ist NP-vollständig. Abduktion H. Kleine Büning 18/38
19 Skelettkonfiguration und Abduktion Kosten: 1 Gegeben eine Produktstruktur P als UND-Oder-Graph (azyklisch). 2 Die Blätter enthalten die Komponenten. Die Menge sei H. 3 Die Wurzel enthält das Zielprodukt M. 4 Jede Komponente hat einen Preis. 5 Suche Komponenten, die zusammen mit der Produktstruktur P zum Ziel M führen und zusammen nicht mehr als xx kosten. Wie entscheide ich schnell, ob es eine Lösung gibt oder eine Lösung mit Preis kleiner als y gibt? Hinweis: A Algorithmus Abduktion H. Kleine Büning 19/38
20 Beschreibungen mit Hilfsvariablen Einführendes Beispiel: α = (a 1 b 1 ) (a 2 b 1 ) (a 1 b 2 ) (a 2 b 2 ) (a 3 b 1 ) (a 3 b 2 ) Kürzere Darstellung: Φ = (a 1 x) (a 2 x) ( x b 1 ) ( x b 2 ) (x b 3 ) Die Menge der Folgerungen von Φ mit Variablen V = {a 1, a 2, b 1, b 2, b 3 } ist äquivalent zu α. In Zeichen: α = V Φ.Diese Definition ist äquivalent zu α = xφ. Beispiel Abduktion: H = {a}, G = a b c, Ziel M = x(b x, x c), x ist Hilfsvariable x(b x, x c) ist äquivalent zu b c. Dann gilt a (a b c) = x(b x, x c) aber es gilt nicht a (a b c) = (b x, x c) Gegenbeispiel: Bewertung a = 1, b = 1, c = 1, x = 0 Abduktion H. Kleine Büning 20/38
21 Beschreibungen mit Hilfsvariablen Achtung: Hilfsvariable können zu einer größeren Komplexität des Abduktionsproblems führen. Beispiel: abd V (DHORN, DHORN) ist lösbar in quadratischer Zeit. (Hypothesen sind Variable.) Es sei definiert DHORN := { Xβ : β DHORN} Theorem 2 abd V (DHORN, DHORN) ist conp-vollständig. Reduktion auf das folgende conp-vollständige Problem: {(α, Xβ) : α, β DHORN, α = Xβ} Abduktion H. Kleine Büning 21/38
22 Konfiguration Definition 3 Configuration Problem conf g (R, T )) for classes of propositional formulas R and T with global knowledge. Instance: Set of components C = {α 1,, α n } R, global knowledge G R, target formula β T. Query K C : K G SAT and K G = β? Unterschied zur Abduktion: Anstelle der Hypothesen in Form von Variablen oder Literalen sind die Hypothesen nun komplexe Komponenten. Definition 4 conf (R, T ) bezeichnet das Konfigurationsproblem mit leerem globalem Wissen. Abduktion H. Kleine Büning 22/38
23 Konfiguration 2-Term := {L 1 L 2 : L i sind Literale} Term := {L 1... L n : L i sind Literale} Beispiel für conf(2-term, Term): Menge der Komponenten C := {(a b), ( a y)} Ziel: Φ := b y Query: Gibt es eine Menge K C : K ist erfüllbar und K = Φ? Komponenten bestehen aus zwei Literalen. Wie schwer ist das Konfigurationsproblem conf(2-term, Term)? Abduktion H. Kleine Büning 23/38
24 Konfiguration Theorem 5 Das Konfigurationsproblem conf(2-term, Term) ist NP-vollständig. Beweis. The configuration problems conf(2-term, Term) and conf g (2-Term, Term) are in NP: guess a satisfiable subset K. The test whether or not K G = t for the global knowledge G and the target term t is simple. Now for conf(2-term, Term) we will show the NP-hardness by a reduction to the SAT problem. Let α = α 1... α m be a CNF formula over the variables x 1,..., x n. We associate to α a set C of 2-term components and a target formula β, such that α is satisfiable if and only if there exists a satisfiable subset K C: K = β. Abduktion H. Kleine Büning 24/38
25 Konfiguration Beweis. Fortsetzung: Let q 1,..., q m be new variables for α. Let C = {(q i L) : 1 i m, L α i } be the set of components and β = q 1... q m. Suppose, α is satisfiable. Then there is a satisfying truth assignment v for α and therefore for every clause α i there is a literal L with v(l) = 1. The set of components K = {(q i L) : 1 i m, v(l) = 1, L α i } is satisfiable and because for every clause α i there exists some L α i with v(l) = 1 we obtain K = q 1... q m. For the other direction we assume that there is some satisfiable subset K C with K = β. Then for every variable q i there is a term q i L in K. Since K is satisfiable, the conjunction of literals L of the components (2-terms) is satisfiable. This leads to a satisfying truth assignment for α. Remark: It can easily be seen that for any satisfiable subset K C it holds var(α)k β if and only if K = β. Abduktion H. Kleine Büning 25/38
26 Konfiguration Weitere Beispielklassen 1 conf(knf, Literal), Literal ist die Menge der Literale 2 conf(2-knf, 2-KNF) 3 conf(klausel, Literal), Klausel ist die Menge der Klauseln Einfache Strategie: 1 Rate eine Menge von Komponenten K C aus der Menge der Komponenten C 2 überprüfe die Menge K auf Erfüllbarkeit 3 überprüfe K = t, wobei t die Zielformel ist. Abduktion H. Kleine Büning 26/38
27 Konfiguration Beispiel: Konfigurationsproblem mit globalem Wissen Beispiel 1: conf g (DHORN, DHORN) Gegeben: Globales Wissen G = {a b, b c w} Komponenten C = {x, (x a), (y c)} Zielformel: t = w Query: K C : K ist widerspruchsfrei und K G = t? Abduktion H. Kleine Büning 27/38
28 Konfiguration Beispiel: Konfigurationsproblem mit globalem Wissen Beispiel 1: conf g (DHORN, DHORN) Gegeben: Globales Wissen G = {a b, b c w} Komponenten C = {x, (x a), (y c)} Zielformel: t = w Query: K C : K ist widerspruchsfrei und K G = t? Lösung: K = {x, (x a)} Abduktion H. Kleine Büning 28/38
29 Konfiguration Beispiel: Konfigurationsproblem mit globalem Wissen Beispiel 2: conf g (CNF, CNF) Gegeben: Globales Wissen G = {a b, a b, a b} Komponenten C = {a, a, b, b} Zielformel: t = b Query: K C : K ist widerspruchsfrei und K G = t? Lösung: Es gibt keine Lösung. Abduktion H. Kleine Büning 29/38
30 Konfiguration Konfigurationsproblem mit globalem Wissen transformiert in ein Problem ohne globales Wissen. Transformation existiert, falls die Sprache für die Komponenten mächtig genug ist. Beispiel 2: conf g (CNF, CNF) Gegeben: Globales Wissen G CNF Komponenten C = {α 1,..., α n }, α i CNF Zielformel: β CNF Query: K C : K ist widerspruchsfrei und K G = β? Abduktion H. Kleine Büning 30/38
31 Konfiguration Beispiel 2: conf g (CNF, CNF) Globales Wissen G CNF Komponenten C = {α 1,..., α n }, α i CNF Zielformel: β CNF Query: K C : K ist widerspruchsfrei und K G = β? Gesucht : Komponentenmenge C und Zielformel β, so dass gilt K C : K ist widerspruchsfrei und K G = β? gdw. K C : K ist widerspruchsfrei und K = β? Abduktion H. Kleine Büning 31/38
32 Konfiguration Beispiel 2: conf g (CNF, CNF) Globales Wissen G CNF Komponenten C = {α 1,..., α n }, α i CNF Zielformel: β CNF Query: K C : K ist widerspruchsfrei und K G = β? Gesucht : Komponentenmenge C und Zielformel β, so dass gilt K C : K ist widerspruchsfrei und K G = β? gdw. K C : K ist widerspruchsfrei und K = β? Lösung: C := {G, α 1 G,..., α n G} Abduktion H. Kleine Büning 32/38
33 Konfiguration, Äquivalenz Gegeben: Komponentenmenge C Zielformel β Query: K C : K ist widerspruchsfrei, K β. 1 wesentlich stärkere Anforderung 2 tritt oftmals im Zusammenhang mit Hilfsvariablen auf Definition 6 Let R and T be classes of formulas. e-conf(r, T ): An instance of the equivalence configuration problem is a finite set of components C = {α 1,, α n } R and a target formula β T. The question is whether there exists a satisfiable subset K C such that K SAT and K β. Abduktion H. Kleine Büning 33/38
34 Konfiguration, Äquivalenz Beispiel: e-conf(2-term, Term) Gegeben: Komponentenmenge C := {a q 1, b q 1, a q 2, b q 2, a q 3, b q 3 } Zielformel β = q 1 q 2 q 3 1 Gibt es eine Lösung für: K C : K ist erfüllbar,k = β? 2 Gibt es eine Lösung für: K C : K ist erfüllbar, K β? Abduktion H. Kleine Büning 34/38
35 Konfiguration, Äquivalenz Beispiel: e-conf(2-term, Term) Gegeben: Komponentenmenge C := {a q 1, b q 1, a q 2, b q 2, a q 3, b q 3 } Zielformel β = q 1 q 2 q 3 1 Gibt es eine Lösung für: K C : K ist erfüllbar,k = β? 2 Gibt es eine Lösung für: K C : K ist erfüllbar, K β? 3 Gibt es eine Lösung für: K C : K ist erfüllbar, ( a bk) β? Abduktion H. Kleine Büning 35/38
36 Konfiguration, Äquivalenz Beispiel: e-conf(( Komponentenmenge CNF), CNF) ist Σ P 3 vollständig. Gegeben: 1 Komponentenmenge C mit Komponenten in CNF 2 Variablenmenge X 3 Zielformel Y β CNF 4 Query: K C : K is widerspruchsfrei und XK β? Abduktion H. Kleine Büning 36/38
37 Konfiguration, Äquivalenz Beispiel: e-conf(( Komponentenmenge CNF), CNF) ist Σ P 3 vollständig. Gegeben: 1 Komponentenmenge C mit Komponenten in CNF 2 Variablenmenge X 3 Zielformel Y β CNF 4 Query: K C : K is widerspruchsfrei und XK β? Gegeben: Komponenten C = {a x, a w, x b} Variablenmenge X = {x} Ziel β = y(a y, y b) Query: K C : K ist widerspruchsfrei und xk β? Abduktion H. Kleine Büning 37/38
38 Ressourcen-basierte Konfiguration Modellierungaufgaben: Geben Sie bitte eine natürliche Repräsentation an: 1 Die Komponente c i kommt maximal k-mal vor. 2 Die Komponente c i kommt mindestens k-mal vor. 3 c 1 oder c 2 müssen vorkommen (c 1 c 2 ). 4 c 1 und c 2 müssen vorkommen c 1 c 2 ). 5 nicht (c 1 und c 2 ), Anzahl der Vorkommen von c 1 und c 2 aber nicht begrenzt. (Gibt es eine Lösung?) 6 Jede Komponente kommt höchstens einmal vor und die folgenden Bedingungen müssen erfüllt sein 1 c 1 c 2 2 c 1 c 2 c 3 3 (c 1... c t ) c 0 4 Sei α KNF eine Formel über den Variablen c 1,..., c n Abduktion H. Kleine Büning 38/38
Logik 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
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)
Mehr4. Bayes Spiele. S i = Strategiemenge für Spieler i, S = S 1... S n. T i = Typmenge für Spieler i, T = T 1... T n
4. Bayes Spiele Definition eines Bayes Spiels G B (n, S 1,..., S n, T 1,..., T n, p, u 1,..., u n ) n Spieler 1,..., n S i Strategiemenge für Spieler i, S S 1... S n T i Typmenge für Spieler i, T T 1...
MehrMusterlösung 3. D-MATH Algebra I HS 2015 Prof. Richard Pink. Faktorielle Ringe, Grösster gemeinsamer Teiler, Ideale, Faktorringe
D-MATH Algebra I HS 2015 Prof. Richard Pink Musterlösung 3 Faktorielle Ringe, Grösster gemeinsamer Teiler, Ideale, Faktorringe 1. Sei K ein Körper. Zeige, dass K[X 2, X 3 ] K[X] ein Integritätsbereich,
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
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
MehrAlgorithmen für Hornlogik
Prof. Dr. Heribert Vollmer Institut für Theoretische Informatik Lebniz Universität Hannover Jing Liu Algorithmen für Hornlogik Studienarbeit 2010 1 Einleitung Die Aussagenlogik ist der Bereich der Logik,
MehrTU5 Aussagenlogik II
TU5 Aussagenlogik II Daniela Andrade daniela.andrade@tum.de 21.11.2016 1 / 21 Kleine Anmerkung Meine Folien basieren auf den DS Trainer von Carlos Camino, den ihr auf www.carlos-camino.de/ds findet ;)
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 /
MehrVorsemesterkurs Informatik
Vorsemesterkurs Informatik Vorsemesterkurs Informatik Mario Holldack WS2015/16 30. September 2015 Vorsemesterkurs Informatik 1 Einleitung 2 Aussagenlogik 3 Mengen Vorsemesterkurs Informatik > Einleitung
MehrKomplexitätstheorie Einführung und Überblick (Wiederholung)
Literatur C. Papadimitriou UC Berkeley Zum Komplexitätsbegriff Strukturelle Komplexität Average Case Analyse Effiziente Algorithmen Logische Komplexität Beschreibungssprachen: SQL Kolmogorov Komplexität
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
Mehr3. Grundlegende Begriffe von Logiken - Aussagenlogik
3. Grundlegende Begriffe von Logiken - Aussagenlogik Wichtige Konzepte und Begriffe in Logiken: Syntax (Signatur, Term, Formel,... ): Festlegung, welche syntaktischen Gebilde als Formeln (Aussagen, Sätze,
MehrReduktionen. Algorithmen und Datenstrukturen Kapitel 6.2 Komplexitätstheorie. Exkurs: Reduktionen allgemein. Reduktionen: Erläuterungen
en Algorithmen und Datenstrukturen Kapitel 6.2 Komplexitätstheorie P, und C Definition () Seien L 1, L 2 {0, 1} zwei Sprachen. Wir sagen, dass L 1 auf L 2 in polynomialer Zeit reduziert wird, wenn eine
MehrAutomatentheorie und formale Sprachen rechtslineare Grammatiken
Automatentheorie und formale Sprachen rechtslineare Grammatiken Dozentin: Wiebke Petersen 17.6.2009 Wiebke Petersen Automatentheorie und formale Sprachen - SoSe09 1 Pumping lemma for regular languages
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.
MehrErfüllbarkeit und Allgemeingültigkeit
Theoretische Informatik: Logik, M. Lange, FB16, Uni Kassel: 3.3 Aussagenlogik Erfüllbarkeit 44 Erfüllbarkeit und Allgemeingültigkeit Def.: eine Formel ϕ heißt erfüllbar, wennesein I gibt, so dass I = ϕ
MehrHilbert-Kalkül (Einführung)
Hilbert-Kalkül (Einführung) Es gibt viele verschiedene Kalküle, mit denen sich durch syntaktische Umformungen zeigen läßt, ob eine Formel gültig bzw. unerfüllbar ist. Zwei Gruppen von Kalkülen: Kalküle
MehrBeispiel Aussagenlogik nach Schöning: Logik...
Beispiel Aussagenlogik nach Schöning: Logik... Worin besteht das Geheimnis Ihres langen Lebens? wurde ein 100-jähriger gefragt. Ich halte mich streng an die Diätregeln: Wenn ich kein Bier zu einer Mahlzeit
MehrAlgorithmen für OBDD s. 1. Reduziere 2. Boole sche Operationen
Algorithmen für OBDD s 1. Reduziere 2. Boole sche Operationen 1 1. Reduziere siehe auch M.Huth und M.Ryan: Logic in Computer Science - Modelling and Reasoning about Systems, Cambridge Univ.Press, 2000
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:
MehrLogik für Informatiker
Vorlesung Logik für Informatiker 7. Aussagenlogik Analytische Tableaus Bernhard Beckert Universität Koblenz-Landau Sommersemester 2006 Logik für Informatiker, SS 06 p.1 Der aussagenlogische Tableaukalkül
MehrFormale Methoden 2. Gaetano Geck Lehrstuhl I Logik in der Informatik WS 2014/2015
Formale Methoden 2 Gaetano Geck Lehrstuhl I Logik in der Informatik WS 2014/2015 Teil 3: Logik 1 Aussagenlogik Einleitung Eigenschaften Äquivalenz Folgerung Normalformen 2 Prädikatenlogik Wenn eine Karte
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,
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
MehrNormalformen boolescher Funktionen
Normalformen boolescher Funktionen Jeder boolesche Ausdruck kann durch (äquivalente) Umformungen in gewisse Normalformen gebracht werden! Disjunktive Normalform (DNF) und Vollkonjunktion: Eine Vollkonjunktion
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 27. Aussagenlogik: Logisches Schliessen und Resolution Malte Helmert Universität Basel 28. April 2014 Aussagenlogik: Überblick Kapitelüberblick Aussagenlogik: 26.
MehrAlgorithmic Bioinformatics III Graphs, Networks, and Systems SS2008 Ralf Zimmer
Algorithmic Bioinformatics III Graphs, Networks, and Systems SS2008 Ralf Zimmer Graph Theory Introduction Ralf Zimmer, LMU Institut für Informatik, Lehrstuhl für Praktische Informatik und Bioinformatik,
Mehr23.1 Constraint-Netze
Grundlagen der Künstlichen Intelligenz 1. April 2015 2. Constraint-Satisfaction-Probleme: Constraint-Netze Grundlagen der Künstlichen Intelligenz 2. Constraint-Satisfaction-Probleme: Constraint-Netze Malte
MehrAussagenlogische Widerlegungsverfahren zum Nachweis logischer Eigenschaften und Beziehungen
Einführung in die Logik - 4 Aussagenlogische Widerlegungsverfahren zum Nachweis logischer Eigenschaften und Beziehungen Widerlegungsverfahren zum Aufwärmen: Bestimmung von Tautologien mittels Quick Falsification
MehrKlausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13)
Berlin, 21. Februar 2013 Name:... Matr.-Nr.:... Klausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13) 1 2 3 4 5 6 7 8 9 Σ Bearbeitungszeit: 90 min. max. Punktezahl:
MehrStatistische Verfahren in der Künstlichen Intelligenz, Bayesische Netze
Statistische Verfahren in der Künstlichen Intelligenz, Bayesische Netze Erich Schubert 6. Juli 2003 LMU München, Institut für Informatik, Erich Schubert Zitat von R. P. Feynman Richard P. Feynman (Nobelpreisträger
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
MehrTheorie der Informatik. Theorie der Informatik. 6.1 Einführung. 6.2 Alphabete und formale Sprachen. 6.3 Grammatiken. 6.4 Chomsky-Hierarchie
Theorie der Informatik 17. März 2014 6. Formale Sprachen und Grammatiken Theorie der Informatik 6. Formale Sprachen und Grammatiken Malte Helmert Gabriele Röger Universität Basel 17. März 2014 6.1 Einführung
MehrMusterlösung der Hauptklausur zur Vorlesung Theoretische Grundlagen der Informatik Wintersemester 2012/13
Institut für Kryptographie und Sicherheit Prof. Dr. Jörn Müller-Quade Musterlösung der Hauptklausur zur Vorlesung Theoretische Grundlagen der Informatik Wintersemester 22/3 Vorname Nachname Matrikelnummer
MehrFormale Systeme. Aussagenlogik: Sequenzenkalkül. Prof. Dr. Bernhard Beckert WS 2010/2011 KIT INSTITUT FÜR THEORETISCHE INFORMATIK
Formale Systeme Prof. Dr. Bernhard Beckert WS 2010/2011 KIT INSTITUT FÜR THEORETISCHE INFORMATIK KIT University of the State of Baden-Württemberg and National Large-scale Research Center of the Helmholtz
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
MehrBisher. minimale DNF. logischen Formeln Booleschen Funktionen Schaltungen
Bisher Klassische Aussagenlogik (Syntax, Semantik) semantische Äquivalenz von Formeln äquivalentes Umformen von Formeln (syntaktisch) Normalformen: NNF, DNF, CNF, kanonische DNF und CNF Ablesen kanonischer
MehrUnterspezifikation in der Semantik Hole Semantics
in der Semantik Hole Semantics Laura Heinrich-Heine-Universität Düsseldorf Wintersemester 2011/2012 Idee (1) Reyle s approach was developed for DRT. Hole Semantics extends this to any logic. Distinction
MehrEntscheidungsverfahren für Bernays/Schönfinkelbzw. Datenlogik-Formeln
Vorlesung Letz WS 2002/2003 TU München: Logikbasierte Entscheidungsverfahren Entscheidungsverfahren für Bernays/Schönfinkelbzw. Datenlogik-Formeln INHALTE Die Bernays-Schönfinkel-Klasse bzw. Datenlogik-Formeln
MehrSprachen/Grammatiken eine Wiederholung
Sprachen/Grammatiken eine Wiederholung Was sind reguläre Sprachen? Eigenschaften regulärer Sprachen Sprachen Begriffe Symbol: unzerlegbare Grundzeichen Alphabet: endliche Menge von Symbolen Zeichenreihe:
MehrAllgemeine Mechanik Musterlösung 11.
Allgemeine Mechanik Musterlösung 11. HS 2014 Prof. Thomas Gehrmann Übung 1. Poisson-Klammern 1 Zeigen Sie mithilfe der Poisson-Klammern, dass folgendes gilt: a Für das Potential V ( r = α r 1+ε ist der
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
MehrGrundlagen der Theoretischen Informatik
Grundlagen der Theoretischen Informatik Sommersemester 2015 23.04.2015 Viorica Sofronie-Stokkermans e-mail: sofronie@uni-koblenz.de 1 Bis jetzt 1. Terminologie 2. Endliche Automaten und reguläre Sprachen
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
MehrWeitere Beweistechniken und aussagenlogische Modellierung
Weitere Beweistechniken und aussagenlogische Modellierung Vorlesung Logik in der Informatik, HU Berlin 2. Übungsstunde Aussagenlogische Modellierung Die Mensa versucht ständig, ihr Angebot an die Wünsche
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
MehrLiteratur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)
Dominating Set 59 Literatur Dominating Set Grundlagen 60 Dominating Set (DS) M. V. Marathe, H. Breu, H.B. Hunt III, S. S. Ravi, and D. J. Rosenkrantz: Simple Heuristics for Unit Disk Graphs. Networks 25,
MehrTheoretische Informatik SS 03 Übung 11
Theoretische Informatik SS 03 Übung 11 Aufgabe 1 Zeigen Sie, dass es eine einfachere Reduktion (als die in der Vorlesung durchgeführte) von SAT auf 3KNF-SAT gibt, wenn man annimmt, dass die Formel des
MehrGrundlagen der Theoretischen Informatik
FH Wedel Prof. Dr. Sebastian Iwanowski GTI22 Folie 1 Grundlagen der Theoretischen Informatik Sebastian Iwanowski FH Wedel Kap. 2: Logik, Teil 2.2: Prädikatenlogik FH Wedel Prof. Dr. Sebastian Iwanowski
MehrStefan Schmid TU Berlin & T-Labs, Berlin, Germany. Reduktionen in der Berechenbarkeitstheorie
Stefan Schmid TU Berlin & T-Labs, Berlin, Germany Reduktionen in der Berechenbarkeitstheorie Problem: Wie komme ich von hier zum Hamburger Hbf? 2 Beispiel P1 Wie komme ich von hier zum Hamburger Hbf? kann
MehrZusammenfassung des Stoffes zur Vorlesung Formale Systeme
Zusammenfassung des Stoffes zur Vorlesung Formale Systeme Max Kramer 13. Februar 2009 Diese Zusammenfassung entstand als persönliche Vorbereitung auf die Klausur zur Vorlesung Formale Systeme von Prof.
MehrAussagenlogik Prädikatenlogik erster Stufe. Logik. Logik
Grundzeichen Aussagenlogik Aussagenvariablen P, Q, R,... Junktoren nicht und oder Runde Klammern (, ) Formeln Aussagenlogik Formeln sind spezielle Zeichenreihen aus Grundzeichen, und zwar 1 Jede Aussagenvariable
MehrETHISCHES ARGUMENTIEREN IN DER SCHULE: GESELLSCHAFTLICHE, PSYCHOLOGISCHE UND PHILOSOPHISCHE GRUNDLAGEN UND DIDAKTISCHE ANSTZE (GERMAN
ETHISCHES ARGUMENTIEREN IN DER SCHULE: GESELLSCHAFTLICHE, PSYCHOLOGISCHE UND PHILOSOPHISCHE GRUNDLAGEN UND DIDAKTISCHE ANSTZE (GERMAN READ ONLINE AND DOWNLOAD EBOOK : ETHISCHES ARGUMENTIEREN IN DER SCHULE:
MehrDank. 1 Ableitungsbäume. 2 Umformung von Grammatiken. 3 Normalformen. 4 Pumping-Lemma für kontextfreie Sprachen. 5 Pushdown-Automaten (PDAs)
ank Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Bernhard Beckert iese Vorlesungsmaterialien basieren ganz wesentlich auf den Folien zu den Vorlesungen
MehrRandomisierte Algorithmen
Randomisierte Algorithmen Randomisierte Algorithmen 7. Random Walks Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2016/2017 1 / 43 Überblick Überblick Ein randomisierter
MehrGeschichte der Logik. Vorlesung Logik Sommersemester 2012 Universität Duisburg-Essen. Syllogismen (I) Syllogismen (II)
Geschichte der Logik Vorlesung Logik Sommersemester 2012 Universität Duisburg-Essen Barbara König Übungsleitung: Christoph Blume Beginn in Griechenland: Aristoteles (384 322 v.chr.) untersucht das Wesen
MehrWas bisher geschah. Aufgaben: Diagnose, Entscheidungsunterstützung Aufbau Komponenten und Funktion
Was bisher geschah Daten, Information, Wissen explizites und implizites Wissen Wissensrepräsentation und -verarbeitung: Wissensbasis Kontextwissen Problemdarstellung fallspezifisches Wissen repräsentiert
MehrKapitel 1.3. Normalformen aussagenlogischer Formeln. Mathematische Logik (WS 2010/11) Kapitel 1.3: Normalformen 1 / 1
Kapitel 1.3 Normalformen aussagenlogischer Formeln Mathematische Logik (WS 2010/11) Kapitel 1.3: Normalformen 1 / 1 Boolesche Formeln, Literale und Klauseln Eine Boolesche Formel ist eine aussagenlogische
MehrKapitel 1.0. Aussagenlogik: Einführung. Mathematische Logik (WS 2011/12) Kapitel 1.0: Aussagenlogik: Einführung 1/ 1
Kapitel 1.0 Aussagenlogik: Einführung Mathematische Logik (WS 2011/12) Kapitel 1.0: Aussagenlogik: Einführung 1/ 1 Ziele der Aussagenlogik In der Aussagenlogik analysiert man die Wahrheitswerte zusammengesetzter
Mehr6 Gleichungen und Gleichungssysteme
03.05.0 6 Gleichungen und Gleichungssysteme Äquivalente Gleichungsumformungen ( ohne Änderung der Lösungsmenge ).) a = b a c = b c Addition eines beliebigen Summanden c.) a = b a - c = b - c Subtraktion
MehrAutomaten und formale Sprachen. Lösungen zu den Übungsblättern
Automaten und formale Sprachen zu den Übungsblättern Übungsblatt Aufgabe. (Sipser, exercise.3) M = ({q, q2, q3, q4, q5}, {u, d}, δ, q3, {q3}) δ: u d q q q 2 q 2 q q 3 q 3 q 2 q 4 q 4 q 3 q 5 q 5 q 4 q
MehrBeschreibungslogiken. Daniel Schradick 1schradi@informatik.uni-hamburg.de
Beschreibungslogiken Daniel Schradick 1schradi@informatik.uni-hamburg.de Was sind Beschreibungslogiken? Definition: Formalisms that represent knowledge of some problem domain (the world ) by first defining
MehrEinführung in die Weihnachtliche Informatik
Frohe Weihnachten! Einführung in die Weihnachtliche Informatik A. Clausing, Einführung in die Weihnachtliche Informatik, 23. 12. 2004 EWI 1 Kathrinchens Wunschzettel Weihnachtswünsche Vor langer, langer
MehrBeschreibungskomplexität von Grammatiken Definitionen
Beschreibungskomplexität von Grammatiken Definitionen Für eine Grammatik G = (N, T, P, S) führen wir die folgenden drei Komplexitätsmaße ein: Var(G) = #(N), Prod(G) = #(P ), Symb(G) = ( α + β + 1). α β
MehrDie Klassen P und NP. Dr. Eva Richter. 29. Juni 2012
Die Klassen P und NP Dr. Eva Richter 29. Juni 2012 1 / 35 Die Klasse P P = DTIME(Pol) Klasse der Probleme, die sich von DTM in polynomieller Zeit lösen lassen nach Dogma die praktikablen Probleme beim
MehrLogik-Grundlagen. Syntax der Prädikatenlogik
Logik-Grundlagen X 1 :...: X k : ( A 1 A 2... A m B 1 B 2... B n ) Logische und funktionale Programmierung - Universität Potsdam - M. Thomas - Prädikatenlogik III.1 Syntax der Prädikatenlogik Prädikat:
MehrÜbung 4: Aussagenlogik II
Übung 4: Aussagenlogik II Diskrete Strukturen im Wintersemester 2013/2014 Markus Kaiser 8. Januar 2014 1/10 Äquivalenzregeln Identität F true F Dominanz F true true Idempotenz F F F Doppelte Negation F
MehrBeuth Hochschule Ist P gleich NP? Vermutlich nicht! WS15/16, S. 1
Beuth Hochschule Ist P gleich NP? Vermutlich nicht! WS15/16, S. 1 Ist P gleich NP? Vermutlich nicht! Komplexitätsklassen von algorithmischen Problemen Achtung: Das Wort "Klasse" bedeutet hier etwas ähnliches
MehrErfüllbarkeit von Horn-Klauseln und Berechnung des kleinsten Herbrand-Modells
Erfüllbarkeit von Horn-Klauseln und Berechnung des kleinsten Herbrand-Modells Effiziente Entscheidung der Erfüllbarkeit von Horn-Klauseln Effiziente Berechnung des kleinsten Herbrand-Modells M P Naive
MehrReadMe zur Installation der BRICKware for Windows, Version 6.1.2. ReadMe on Installing BRICKware for Windows, Version 6.1.2
ReadMe zur Installation der BRICKware for Windows, Version 6.1.2 Seiten 2-4 ReadMe on Installing BRICKware for Windows, Version 6.1.2 Pages 5/6 BRICKware for Windows ReadMe 1 1 BRICKware for Windows, Version
MehrHauptklausur zur Vorlesung Logik für Informatiker im Sommersemester 2012 Lösung
Universität Koblenz-Landau FB 4 Informatik Prof. Dr. Viorica Sofronie-Stokkermans 23.07.2012 Dipl.-Inform. Markus Bender Hauptklausur zur Vorlesung Logik für Informatiker im Sommersemester 2012 Lösung
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
MehrMusterlösung 11.Übung Mathematische Logik
Lehr- und Forschungsgebiet Mathematische Grundlagen der Informatik RWTH Aachen Prof. Dr. E. Grädel, F. Reinhardt SS 2015 Aufgabe 2 Musterlösung 11.Übung Mathematische Logik Geben Sie für die folgenden
Mehrp^db=`oj===pìééçêíáåñçêã~íáçå=
p^db=`oj===pìééçêíáåñçêã~íáçå= Error: "Could not connect to the SQL Server Instance" or "Failed to open a connection to the database." When you attempt to launch ACT! by Sage or ACT by Sage Premium for
MehrLemma Für jede monotone Grammatik G gibt es eine kontextsensitive
Lemma Für jede monotone Grammatik G gibt es eine kontextsensitive Grammatik G mit L(G) = L(G ). Beweis im Beispiel (2.): G = (V,Σ, P, S) : P = {S asbc, S abc, CB BC, ab ab, bb bb, bc bc, cc cc}. (i) G
MehrI. Aussagenlogik. Aussagenlogik untersucht Verknüpfungen wie "und", "oder", "nicht", "wenn... dann" zwischen atomaren und komplexen Sätzen.
I. Aussagenlogik 2.1 Syntax Aussagenlogik untersucht Verknüpfungen wie "und", "oder", "nicht", "wenn... dann" zwischen atomaren und komplexen Sätzen. Sätze selbst sind entweder wahr oder falsch. Ansonsten
MehrRelease Notes BRICKware 7.5.4. Copyright 23. March 2010 Funkwerk Enterprise Communications GmbH Version 1.0
Release Notes BRICKware 7.5.4 Copyright 23. March 2010 Funkwerk Enterprise Communications GmbH Version 1.0 Purpose This document describes new features, changes, and solved problems of BRICKware 7.5.4.
MehrWas ist das? Wer an einem sonnigen Tag die runden Lichtflecken unter einem Baum einmal entdeckt hat, findet sie immer und überall wieder.
Was ist das? Wer an einem sonnigen Tag die runden Lichtflecken unter einem Baum einmal entdeckt hat, findet sie immer und überall wieder. Was hat es mit dem Phänomen auf sich? Der Light Walk verführt zum
MehrHTW IMI-B Informatik 1 Kara Worksheet 2 Seite: 1. Variables to store a true/false state: boolean movingright = true;
HTW IMI-B Informatik 1 Kara Worksheet 2 Seite: 1 You will need these Java constructs for the following exercises: Variables to count things: int zaehler = 0; Variables to store a true/false state: boolean
MehrQualitätssicherung von Software
Qualitätssicherung von Software Prof. Dr. Holger Schlingloff Humboldt-Universität zu Berlin und Fraunhofer FIRST Folie 2 Inhaltsplanung (20.10.) 1. Einleitung, Begriffe, Software-Qualitätskriterien 2.
MehrErgänzungsmaterial g zum Kapitel. Die Unified Modeling Language (UML) Aggregation versus Komposition
Ergänzungsmaterial g zum Kapitel Die Unified Modeling Language (UML) Aggregation versus Komposition UML, statisches Modell: Assoziationen Kardinalität beliebig: festes Intervall: 0.. offenes Intervall:
MehrAussagenlogische Kalküle
Aussagenlogische Kalküle Ziel: mit Hilfe von schematischen Regeln sollen alle aus einer Formel logisch folgerbaren Formeln durch (prinzipiell syntaktische) Umformungen abgeleitet werden können. Derartige
MehrGrundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I. Ulrich Furbach. Sommersemester 2014
Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Ulrich Furbach Institut für Informatik Sommersemester 2014 Furbach Grundlagen d. Theoretischen Informatik:
MehrAlgorithmen & Programmierung. Steuerstrukturen im Detail Selektion und Iteration
Algorithmen & Programmierung Steuerstrukturen im Detail Selektion und Iteration Selektion Selektion Vollständige einfache Selektion Wir kennen schon eine Möglichkeit, Selektionen in C zu formulieren: if
MehrExercise (Part XI) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1
Exercise (Part XI) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises. All
MehrPrediction Market, 28th July 2012 Information and Instructions. Prognosemärkte Lehrstuhl für Betriebswirtschaftslehre insbes.
Prediction Market, 28th July 2012 Information and Instructions S. 1 Welcome, and thanks for your participation Sensational prices are waiting for you 1000 Euro in amazon vouchers: The winner has the chance
MehrWas bisher geschah: klassische Aussagenlogik
Was bisher geschah: klassische Aussagenlogik klassische Aussagenlogik: Syntax, Semantik Äquivalenz zwischen Formeln ϕ ψ gdw. Mod(ϕ) = Mod(ψ) wichtige Äquivalenzen, z.b. Doppelnegation-Eliminierung, DeMorgan-Gesetze,
MehrZur Definition von Definition Albert J. J. Anglberger, Peter Brössel
Zur Definition von Definition Albert J. J. Anglberger, Peter Brössel Zusammenfassung Wir werden in dieser Arbeit zwei neue Definitionsvorschläge von Definition entwickeln, die folgende Eigenschaften aufweisen:
MehrReguläre Sprachen und endliche Automaten
Reguläre Sprachen und endliche Automaten 1 Motivation: Syntaxüberprüfung Definition: Fließkommazahlen in Java A floating-point literal has the following parts: a whole-number part, a decimal point (represented
Mehr2. Teilklausur zur Vorlesung Grundlagen der Theoretischen Informatik
2. Teilklausur zur Vorlesung Grundlagen der Theoretischen Informatik Hinweise Ulrich Furbach Christian Schwarz Markus Kaiser Arbeitsgruppe Künstliche Intelligenz Fachbereich Informatik, Universität Koblenz-Landau
MehrKapitel 2 MENGENLEHRE
Kapitel 2 MENGENLEHRE In diesem Kapitel geben wir eine kurze Einführung in die Mengenlehre, mit der man die ganze Mathematik begründen kann. Wir werden sehen, daßjedes mathematische Objekt eine Menge ist.
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
MehrMathematik für Naturwissenschaftler I WS 2009/2010
Mathematik für Naturwissenschaftler I WS 2009/2010 Lektion 4 23. Oktober 2009 Kapitel 1. Mengen, Abbildungen und Funktionen (Fortsetzung) Berechnung der Umkehrfunktion 1. Man löst die vorgegebene Funktionsgleichung
MehrCNC ZUR STEUERUNG VON WERKZEUGMASCHINEN (GERMAN EDITION) BY TIM ROHR
(GERMAN EDITION) BY TIM ROHR READ ONLINE AND DOWNLOAD EBOOK : CNC ZUR STEUERUNG VON WERKZEUGMASCHINEN (GERMAN EDITION) BY TIM ROHR PDF Click button to download this ebook READ ONLINE AND DOWNLOAD CNC ZUR
MehrGrundlagen der Kognitiven Informatik
Grundlagen der Kognitiven Informatik Wissensrepräsentation und Logik Ute Schmid Kognitive Systeme, Angewandte Informatik, Universität Bamberg letzte Änderung: 14. Dezember 2010 U. Schmid (CogSys) KogInf-Logik
MehrKlausur Formale Systeme Fakultät für Informatik 2. Klausur zum WS 2010/2011
Fakultät für Informatik 2. Klausur zum WS 2010/2011 Prof. Dr. Bernhard Beckert 08. April 2011 Vorname: Matrikel-Nr.: Platz: Klausur-ID: **Platz** **Id** Die Bearbeitungszeit beträgt 60 Minuten. A1 (17)
MehrFormale Sprachen. Spezialgebiet für Komplexe Systeme. Yimin Ge. 5ahdvn. 1 Grundlagen 1. 2 Formale Grammatiken 4. 3 Endliche Automaten 5.
Formale Sprachen Spezialgebiet für Komplexe Systeme Yimin Ge 5ahdvn Inhaltsverzeichnis 1 Grundlagen 1 2 Formale Grammatien 4 Endliche Automaten 5 4 Reguläre Sprachen 9 5 Anwendungen bei Abzählproblemen
MehrDank. Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I. Probleme über Sprachen. Teil II.
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
MehrFormale Methoden 1. Gerhard Jäger 16. Januar Uni Bielefeld, WS 2007/2008 1/19
1/19 Formale Methoden 1 Gerhard Jäger Gerhard.Jaeger@uni-bielefeld.de Uni Bielefeld, WS 2007/2008 16. Januar 2008 2/19 Reguläre Ausdrücke vierte Art (neben Typ-3-Grammatiken, deterministischen und nicht-deterministischen
Mehr