5. Logik in der KI. Wissensbasis: Menge von Aussagen, die Fakten über die Welt repräsentieren, formuliert in einer Wissensrepräsentationssprache.
|
|
- Andreas Giese
- vor 6 Jahren
- Abrufe
Transkript
1 5. Logik in der KI Wissensbasis: Menge von Aussagen, die Fakten über die Welt repräsentieren, formuliert in einer Wissensrepräsentationssprache. Neue Aussagen können in die Wissensbasis eingefügt werden: TELL(WB, α) WB Über Abfragen kann ermittelt werden, ob bestimmte Aussagen in der Wissensbasis vorhanden sind: ASK(WB, β) yes gdw. β folgt aus den Aussagen in WB. Insbesondere gilt: ASK(Tell(WB, α), α) yes Inferenzmechanismus: Ableitung von Aussagen, die aus der Wissensbasis folgen Realisierung der ASK-Operation Einf. in die KI 5 1
2 Wissensbasierte Agenten Ein wissensbasierter Agent verwaltet eine Wissensbasis. Initial ist dort nur Hintergrundwissen vorhanden. Beobachtungen (Perzepte) werden aufgenommen: TELL. Der Inferenzmechanismus bestimmt, welche Aktion, in Abhängigkeit der aktuellen Ziele, als nächste ausgeführt werden soll. Wissensbasierte Agenten sind Agenten mit internen Zuständen. Einf. in die KI 5 2
3 function KB-AGENT( percept) returns an action static: KB, a knowledge base t, a counter, initially 0, indicating time TELL(KB, MAKE-PERCEPT-SENTENCE( percept, t)) action ASK(KB, MAKE-ACTION-QUERY(t)) TELL(KB, MAKE-ACTION-SENTENCE(action, t)) t t + 1 return action Einf. in die KI 5 3
4 Wissensbasierte Agenten (2) Beschreibung wissensbasierter Agenten auf drei Abstraktionsebenen: Epistemologische Ebene: (Wissensebene) Was weiß der Agent? Welche Fakten kennt er? Eine Fahrt von Ulm nach Stuttgart kostet 36.- DM. Logische Ebene: Kodierung des Wissens in Aussagen der Wissensrepräsentationssprache Preis(Ulm, Stuttgart, 36.00) Implementierungsebene: Interne Darstellung der Aussagen Einf. in die KI 5 4
5 Die Wumpus-Welt (1) Das Wumpus Computerspiel Ein Agent erforscht eine Höhle auf der Suche nach einem Goldschatz. Die Höhle besteht aus mehreren miteinander verbundenen Räumen. Irgendwo in der Höhle lauert der Wumpus, ein Ungeheuer, das jeden frißt, der in seine Nähe kommt. Obendrein gibt es Fallgruben, in die der Agent stürzen kann. Die Höhle besteht aus 4 4 Feldern (Räumen). Auf dem Feld, auf dem sich der Wumpus befindet, und in den unmittelbar benachbarten Feldern nimmt man einen unangenehmen Geruch wahr (Stench). Auf Feldern, die unmittelbar neben einer Fallgrube (PIT) liegen, spürt man einen Luftzug (Breeze). Einf. in die KI 5 5
6 Die Wumpus-Welt (2) Das Gold erkennt man am Glitzern (Glitter). Falls der Agent gegen eine Wand läuft, spürt er einen Stoß. Der Agent besitzt (genau) einen Pfeil, mit dem er den Wumpus töten kann. Wird der Wumpus getötet, so ist sein Todesschrei überall zu hören. Der Agent stirbt, wenn er in eine Fallgrube fällt oder dem lebenden Wumpus begegnet. Der Agent kann seinen Standort nicht unmittelbar wahrnehmen. Wahrnehmungen werden als 5-Tupel dargestellt: [Stench, Breeze, Glitter, None, None] bedeutet: Geruch, Luftzug, Glitzern, kein Stoß, kein Schrei. Einf. in die KI 5 6
7 Die Wumpus-Welt (3) Aktionen: vorwärts gehen, nach rechts wenden, nach links wenden, das Gold greifen, den Pfeil abschießen, die Höhle verlassen (falls Standort Feld [1,1]). Anfangszustand: Agent auf [1,1] nach Osten gewandt, irgendwo der Wumpus, das Gold und drei Fallgruben. Ziel: Hole das Gold und verlasse die Höhle. Einf. in die KI 5 7
8 4 Stench Breeze PIT 3 Breeze Stench PIT Breeze Gold 2 Stench Breeze 1 Breeze PIT Breeze START Einf. in die KI 5 8
9 Die Wumpus-Welt (4) 1,4 2,4 3,4 4,4 1,3 2,3 3,3 4,3 1,2 2,2 3,2 4,2 OK 1,1 2,1 3,1 4,1 A OK OK (a) A = Agent B = Breeze G = Glitter, Gold OK = Safe square P = Pit S = Stench V = Visited W = Wumpus 1,4 2,4 3,4 4,4 1,3 2,3 3,3 4,3 1,2 2,2 P? 3,2 4,2 OK 1,1 2,1 A 3,1 P? 4,1 V B OK OK (b) [1, 2] und [2, 1] sind sicher Der Wumpus ist in [1, 3]! Einf. in die KI 5 9
10 1,4 2,4 3,4 4,4 1,3 W! 2,3 3,3 4,3 1,2 A 2,2 3,2 4,2 S OK OK 1,1 2,1 B 3,1 P! 4,1 V V OK OK (a) A = Agent B = Breeze G = Glitter, Gold OK = Safe square P = Pit S = Stench V = Visited W = Wumpus 1,4 2,4 P? 3,4 4,4 1,3 W! 2,3 A 3,3 P? 4,3 S G B 1,2 S 2,2 3,2 4,2 V V OK OK 1,1 2,1 B 3,1 P! 4,1 V V OK OK (b) Einf. in die KI 5 10
11 Wissensrepräsentation (1) Syntax: Bestandteile und Konstruktionsprinzipien von Aussagen. Semantik: Beziehung zwischen Aussagen und Fakten in der Welt. Representation World Sentences Semantics Entails Sentence Semantics Facts Follows Fact Einf. in die KI 5 11
12 Wissensrepräsentation (2) Folgerungsbeziehung: Inferenz/Ableitung: KB = α KB i α Eine Inferenzprozedur heißt korrekt, wenn nur solche Aussagen abgeleitet werden, die auch logisch folgen, Die Folge der einzelnen Schritte der Inferenzprozedur stellt einen Beweis dar. Eine Inferenzprozedur ist vollständig, wenn sie jede Aussage, die logisch folgt, ableiten kann. Eine Beweistheorie gibt die einzelnen (korrekten) Ableitungschritte an. Einf. in die KI 5 12
13 Wissensrepräsentation (3) Deklarativ: Logische Sprache, formale Semantik, Inferenzmechanismus, explizite Wissensrepräsentation, Flexibilität, große Ausdrucksmächtigkeit (Konnektoren) Prozedural: Domänenwissen in den Berechnungsformalismus integriert, implizite Wissensrepräsentation, zu geringe Ausdrucksmächtigkeit ( Der Wumpus befindet sich auf irgendeinem Feld ) Natürlichsprachlich: Kontextabhängigkeit, Ambiguität ( Kleine Hunde und Katzen ), natürliche Sprache als Kommunikationsmittel Einf. in die KI 5 13
14 Logik in der KI Logik als Grundlage für KI-Methoden: Formale Systeme zur Modellierung und Wissensrepräsentation Grundlage zur Beschreibung der Semantik anderer Ansätze zur Wissensrepräsentation Bereitstellung von Inferenzmechanismen als Grundlage für logisches Schließen Maschinelle Deduktion Logisches Programmieren Einf. in die KI 5 14
15 Language Ontological Commitment Epistemological Commitment (What exists in the world) (What an agent believes about facts) Propositional logic facts true/false/unknown First-order logic facts, objects, relations true/false/unknown Temporal logic facts, objects, relations, times true/false/unknown Probability theory facts degree of belief 0 1 Fuzzy logic degree of truth degree of belief 0 1 Einf. in die KI 5 15
16 Aussagenlogik Syntax: Grundbausteine der Aussagenlogik sind nicht weiter zerlegbare atomare Aussagen (Propositionen) D : Der Wumpus ist tot W 1,3 : Der Wumpus ist auf [1,3] Aussagen können wahr oder falsch sein. Mit Hilfe logischer Konnektoren (und, oder, nicht etc.) werden aus atomaren Aussagen Formeln aufgebaut. Semantik: Wann ist eine Aussage wahr? Wann folgt eine Aussage aus einer Wissensbasis? Beweistheorie: Wie können Aussagen, die aus einer Wissensbasis folgen, (syntaktisch) abgeleitet werden? Einf. in die KI 5 16
17 Formale Syntax Abzählbares Alphabet Σ von atomaren Formeln: P, Q, R,.... Formel : Atomare Formel Komplexe Formel Atomare Formel : W F P Q R... Komplexe Formel Konnektor : (Formel) Formel Konnektor Formel Formel : Konnektoren: Negation Konjunktion Disjunktion Implikation Äquivalenz Einf. in die KI 5 17
18 Semantik (1) Interpretation: Belegung der Atome in Σ mit Wahrheitswerten ausgedrückt durch eine Funktion I: Σ {W, F} Eine Formel ϕ wird von einer Interpretation I erfüllt oder ist wahr unter I gemäß: I = W I = F I = P gdw. I(P) = W I = ϕ gdw. I = ϕ I = ϕ ψ gdw. I = ϕ und I = ψ I = ϕ ψ gdw. I = ϕ oder I = ψ I = ϕ ψ gdw. wenn I = ϕ, dann I = ψ I = ϕ ψ gdw. I = ϕ, genau dann wenn I = ψ Einf. in die KI 5 18
19 Semantik (2) Interpetation komplexer Formeln entsprechend der Wahrheitstafeln: P Q P P Q P Q P Q P Q False False True False False True True False True True False True True False True False False False True False False True True False True True True True Einf. in die KI 5 19
20 Ein Beispiel: I: P W Q F R F S. W ϕ = ((P Q) (R S)) ( (P Q) (R S)). Frage: I = ϕ? Einf. in die KI 5 20
21 Semantik (3) Die Semantik setzt eine Normierung der umgangssprachlichen Junktoren und, oder, nicht, wenn, dann und genau dann, wenn voraus. Beispiele: oder wird nicht-ausschließend verwendet: Eine Disjunktion ist nur dann falsch, wenn beide Teilformeln falsch sind. wenn, dann beschreibt i.a. keinen kausalen Zusammenhang zwischen den Teilformeln ( 5 ist eine ungerade Zahl impliziert Tokyo ist die Hauptstadt von Japan, 5 ist eine gerade Zahl impliziert Sam ist ein netter Kerl) P Q: Falls P wahr ist, muss auch Q wahr sein, bzw. wenn Q falsch ist, muss auch P falsch sein. Extensionale Logik: Der Wahrheitswert komplexer Formeln hängt nur von den Wahrheitswerten der Teilformeln ab. Deutung komplexer Formeln: Dekomposition in ihre atomaren Bestandteile Einf. in die KI 5 21
22 Modelle (1) Eine Interpretation I heißt Modell von ϕ, falls I = ϕ Eine Interpretation ist Modell einer Menge von Formeln, falls sie alle Formeln der Menge erfüllt. Eine Formel ϕ heißt erfüllbar, wenn es ein I gibt, das ϕ erfüllt, unerfüllbar, wenn ϕ nicht erfüllbar ist, allgemeingültig oder Tautologie, wenn für alle I gilt, dass I ein Modell von ϕ ist. Einf. in die KI 5 22
23 Modelle (2) Zwei Formeln heißen logisch äquivalent (ϕ ψ), wenn für alle I gilt: I = ϕ gdw. I = ψ Eine Formel ϕ folgt aus einer Formelmenge WB, WB = ϕ, gdw. für alle Modelle I mit I = WB gilt: I = ϕ. Einf. in die KI 5 23
24 > P Q P Q > P Q P Q P Q P Q P => Q P => Q => Einf. in die KI 5 24
25 Beispiele für Tautologien Idempotenz: Kommutativität: Assoziativität: Distributivität: demorgan sche Regeln: X X X X X X X Y Y X X Y Y X (X Y ) (Y X ) (X Y ) Z X (Y Z ) (X Y ) Z X (Y Z ) X (Y Z ) (X Y ) (X Z ) X (Y Z ) (X Y ) (X Z ) (X Y ) ( X Y ) (X Y ) ( X Y ) Einf. in die KI 5 25
26 Umformungen: X X (X Y ) X Y (X Y ) (X Y ) (Y X ) Tautologien können zur äquivalenten Umformung von Formeln benutzt werden. Einf. in die KI 5 26
27 Wahrheitstafeln Wie können wir entscheiden, ob eine Formel erfüllbar, allgemeingültig oder unerfüllbar ist? Wahrheitstafel aufstellen Beispiel: Ist ϕ = ((P H ) H ) P allgemeingültig? P H P H (P H ) H ((P H ) H ) P F F F F W F W W F W W F W W W W W W F W Da die Formel unter allen möglichen Wahrheitsbelegungen wahr ist (von allen Interpretationen erfüllt wird), ist ϕ allgemeingültig. P: Der Wumpus ist auf [1,3] H: Der Wumpus ist auf [2,2] Einf. in die KI 5 27
28 Folgerungsbeziehung (1) Eine Formelmenge (z.b. eine Wissensbasis) beschreibt die Welt i.d.r. nur unvollständig, d.h. läßt die Wahrheitswerte einiger Aussagen offen. Beispiel: WB = {P Q, R P, S} WB ist definitiv bzgl. S, läßt aber P, Q, R bis zu einem gewissen Grad unspezifiziert. Modelle von WB: P Q R S P Q R P F W F W W W F W W W W W W F W W W W W W W W W W In allen Modellen von WB ist Q R wahr. WB = Q R Einf. in die KI 5 28
29 Folgerungsbeziehung (2) Eine Formel ϕ folgt aus WB, wenn ϕ in allen Modellen von WB wahr ist. WB = ϕ gdw. I = ϕ für alle Modelle I von WB Eigenschaften: WB {ϕ} = ψ gdw. WB = ϕ ψ (Deduktionstheorem) WB {ϕ} = ψ gdw. WB {ψ} = ϕ (Kontrapositionssatz) WB {ϕ} ist unerfüllbar gdw. WB = ϕ (Widerspruchssatz) Einf. in die KI 5 29
30 Inferenzregeln (1) Inferenzregeln geben an, wie aus Formeln in der Wissensbasis neue Formeln erzeugt oder abgeleitet werden können. Korrekte Inferenzregeln erzeugen nur solche Formeln, die aus der Wissensbasis logisch folgen (s. oben). Inferenzregeln werden durch Schemata beschrieben. α 1,...,α n β α i : Prämissen β : Konklusion Zum Nachweis der Korrektheit zeige: Jedes Modell von {α 1,..., α n } ist auch Modell von β. Einf. in die KI 5 30
31 Inferenzregeln (2): Beispiele Modus Ponens: α β, β α Und-Elimination: Und-Einführung Oder-Einführung: Unit-Resolution: α 1 α 2... α n α i α 1,α 2,...,α n α 1 α 2... α n α i α 1 α 2... α n α β, β α Einf. in die KI 5 31
32 Inferenzregeln (3) Die Korrektheit der Resolutionsregel: α β, β γ α γ bzw. α β, β γ α γ False False False False True False False False True False True True False True False True False False False True True True True True True False False True True True True False True True True True True True False True False True True True True True True True Einf. in die KI 5 32
33 Kalküle und Beweise Ein Kalkül ist eine Menge von Inferenzregeln. Ein Beweisschritt ist die Anwendung einer Inferenzregel auf eine Menge von Formeln. Ein Beweis ist eine Folge von Beweisschritten, wobei die jeweils neu abgeleiteten Formeln in die Formelmenge mit aufgenommen werden. Einf. in die KI 5 33
34 Korrektheit und Vollständigkeit Falls mit dem Kalkül C eine Formel ϕ aus WB abgeleitet werden kann, schreiben wir WB C ϕ. Ein Kalkül C heißt korrekt, wenn alle mit C aus einer Wissensbasis WB ableitbaren Formeln logisch folgen: Wenn WB C ϕ, dann WB = ϕ. Die Korrektheit von C folgt aus der Korrektheit der Inferenzregeln. Ein Kalkül heißt vollständig, wenn jede Formel, die aus WB folgt, auch aus WB ableitbar ist: Wenn WB = ϕ, dann WB C ϕ. Einf. in die KI 5 34
35 Normalformen (1) Atom: atomare Formel Literal: (negierte) atomare Formel Klausel: Disjunktion von Literalen Eine Formel ist in konjunktiver Normalform (KNF), wenn sie eine Konjunktion von Disjunktionen von Literalen ist. D.h., eine Formel in KNF hat folgende Gestalt: n i=1 ( m j =1 l i,j ), wobei l i,j Literale sind. Eine Formel ist in disjunktiver Normalform (DNF), wenn sie eine Disjunktion von Konjunktionen von Literalen ist: n i=1 ( m j =1 l i,j ). Einf. in die KI 5 35
36 Normalformen (2) Die Herstellung von konjunktiver bzw. disjunktiver Normalform erfolgt durch äquivalenzerhaltende Umformung. Das bedeutet, zu jeder Formel existieren äquivalente Formeln in KNF und in DNF. Eine Formel in DNF ist erfüllbar gdw. mindestens ein Disjunktionsglied erfüllbar ist. Sie ist allgemeingültig, wenn mindestens ein Disjunktionsglied allgemeingültig ist. Eine Formel in KNF ist allgemeingültig gdw. wenn jedes Konjunktionsglied allgemeingültig ist. Sie ist unerfüllbar, wenn mindestens ein Konjunktionsglied unerfüllbar ist. Einf. in die KI 5 36
37 Erzeugen der KNF 1. Eliminiere mit α β (α β) (β α) 2. Eliminiere mit α β ( α β) 3. Bringe unmittelbar vor die Atome mit (α β) ( α β) und (α β) ( α β) Einf. in die KI 5 37
38 4. Verteile über mit ((α β) γ) ((α γ) (β γ)) 5. Vereinfache mit (α α) α etc. Ergebnis ist eine Konjunktion von Disjunktionen von Literalen. Das Herstellen der DNF erfolgt analog. Einf. in die KI 5 38
39 Resolutionskalkül (1) Der Resolutionskalkül ist ein negativer Testkalkül. In einem Testkalkül werden die logischen Inferenzregeln ausgehend von der zu beweisenden Formel so lange angewandt, bis diese auf logische Axiome zurückgeführt ist. Ein negativer Kalkül zeichnet sich dadurch aus, dass seine logischen Axiome unerfüllbar sind. Sie entsprechen den elementaren Widersprüchen. Typisches Beispiel für ein solches Axiom ist der elementare Widerspruch (F ). Resolutionskalkül: Die Formeln liegen in Normalform vor: Klauselform Es gibt ein logisches Axiom: (leere Klausel) Es gibt eine Schlussregel: Resolutionsregel Einf. in die KI 5 39
40 Resolutionskalkül (2) Voraussetzung: Die Formeln in der Wissensbasis WB liegen in KNF vor. Äquivalent können wir annehmen, dass WB eine Menge von Klauseln ist. Wegen Kommutativität, Assoziativität und Idempotenz von werden Klauseln auch als Mengen von Literalen aufgefasst. Klauselform Klauselmengen: Klauseln: C, D Literale: l bzw. l. Eine Interpretation I erfüllt C gdw. es ein l C gibt, so dass I = l. I erfüllt falls für alle C : I = C. Einf. in die KI 5 40
41 Resolutionskalkül (3) C 1 {l}, C 2 {l} C 1 C 2 C 1 C 2 heißt Resolvente der Elternklauseln C 1 {l} und C 2 {l}. l und l sind die Resolutionsliterale. Beispiele: {α, β} resolviert mit { β, γ} zu {α, γ}. { a} resolviert mit {a} zu. ist die leere Klausel, d.h. eine leere Menge von Literalen. Die Resolvente folgt aus den Elternklauseln (Korrektheit der Resolutionsregel). Die Resolvente ist nicht äquivalent zu den Elternklauseln. Einf. in die KI 5 41
42 Resolutionskalkül (4) R( ) = {C C ist Resolvente zweier Klauseln aus } D kann im Resolutionskalkül aus abgeleitet werden, D, gdw. es eine Folge von Klauseln C 1, C 2,..., C n gibt mit C n = D, so dass C 1 R( ) und C i R( {C 1,..., C i 1 }), für 2 i n. Lemma (Korrektheit) Wenn D, dann = D. Beweisskizze: Da für alle C und für alle mit C R( ) C aus logisch folgt, ergibt sich das Lemma durch Induktion über die Länge der Ableitung. Einf. in die KI 5 42
43 Resolutionskalkül (5) Der Resolutionskalkül ist unvollständig. Das heißt, aus einer Klauselmenge können nicht alle Klauseln abgeleitet werden, die logisch aus ihr folgen. Beispiel: { {a, b}, { b, c} } = {a, b, c} {a, b, c} Der Resolutionskalkül ist widerlegungsvollständig. Das bedeutet, aus einer unerfüllbaren Klauselmenge kann mit dem Resolutionskalkül immer die leere Klausel abgeleitet werden. Da der Kalkül korrekt ist und keine Interpretation die leere Klausel erfüllt, gilt: Theorem: Eine Klauselmenge ist genau dann unerfüllbar, wenn mit dem Resolutionskalkül die leere Klausel daraus ableitbar ist. Einf. in die KI 5 43
44 Resolutionskalkül (6) Das heißt: Wenn { ϕ}, dann ist { ϕ} unerfüllbar. Mit dem Widerspruchssatz folgt daraus: = ϕ. Der Resolutionskalkül stellt damit ein vollständiges Beweisverfahren für die Aussagenlogik dar, das insbesondere für die automatische Deduktion geeignet ist. Bei der Implementierung des Verfahrens wird häufig eine Strategie angegeben, die die Reihenfolge der Resolutionsschritte angibt. Einf. in die KI 5 44
45 Die Wumpus-Welt (5) 1,4 2,4 3,4 4,4 1,3 W! 2,3 3,3 4,3 1,2 A 2,2 3,2 4,2 S OK OK 1,1 2,1 B 3,1 P! 4,1 V V OK OK A = Agent B = Breeze G = Glitter, Gold OK = Safe square P = Pit S = Stench V = Visited W = Wumpus Aktuelle Situation: [S = Geruch, B = Luftzug, B i,j = Luftzug auf Feld (i, j )] S 1,1, B 1,1, S 2,1, B 2,1, S 1,2, B 1,2 Einf. in die KI 5 45
46 Beschreibung der Domäne (Auszüge): Die Wumpus-Welt (6) R 1 : S 1,1 W 1,1 W 1,2 W 2,1 R 2 : S 2,1 W 1,1 W 2,1 W 2,2 W 3,1 R 3 : S 1,2 W 1,1 W 1,2 W 2,2 W 1,3 R 4 : S 1,2 W 1,3 W 1,2 W 2,2 W 1,1... Gilt WB = W 1,3? Die Wissensbasis WB als Klauselmenge: Der aktuelle Zustand: { S 1,1 }, { S 2,1 }, {S 1,2 },... Die Domäne: R 1 : {S 1,1, W 1,1 }, {S 1,1, W 1,2 }, {S 1,1, W 2,1 } R 2 :..., {S 2,1, W 2,2 },... R 3 :... R 4 : { S 1,2, W 1,3, W 1,2, W 2,2, W 1,1 }... Einf. in die KI 5 46
47 Die Wumpus-Welt (7) Negat der zu beweisenden Formel: { W 1,3 } Resolutionsbeweis: { W 1,3 }, { S 1,2, W 1,3, W 1,2, W 2,2, W 1,1 } { S 1,2, W 1,2, W 2,2, W 1,1 } {S 1,2 }, { S 1,2, W 1,2, W 2,2, W 1,1 } {W 1,2, W 2,2, W 1,1 } { S 1,1 }, {S 1,1, W 1,1 } { W 1,1 } { W 1,1 }, {W 1,2, W 2,2, W 1,1 } {W 1,2, W 2,2 } { S 1,1 }, {S 1,1, W 1,2 } { W 1,2 } { W 1,2 }, {W 1,2, W 2,2 } {W 2,2 } { S 2,1 }, {S 2,1, W 2,2 } { W 2,2 } { W 2,2}, {W 2,2 } Einf. in die KI 5 47
48 Die Wumpus-Welt (8) Bisher: Ableitung von Fakten aus der Wissensbasis, z.b. Ist der Wumpus auf Feld [1,3]? Frage: Wie können wir ableiten, welche Aktionen der Agent ausführen soll? Antwort: Zusätzliche Regeln. Möglichkeiten: Negative Selektion: Schließe alle beweisbar gefährlichen Aktionen aus A 1,1 East A W 2,1 Forward Positive Selektion: Schlage nur Aktionen vor, die beweisbar sicher sind A 1,1 East A W 2,1 Forward Einf. in die KI 5 48
49 Die Wumpus-Welt (9) Zur Beschreibung der Instruktion Gehe nicht vorwärts, wenn der Wumpus auf dem nächsten Feld sitzt. benötigt man 64 Klauseln (16 Felder 4 mögliche Orientierungen). function PROPOSITIONAL-KB-AGENT( percept) returns an action static: KB, a knowledge base t, a counter, initially 0, indicating time TELL(KB, MAKE-PERCEPT-SENTENCE( percept, t)) for each action in the list of possible actions do if ASK(KB, MAKE-ACTION-QUERY(t, action)) then t t + 1 return action end Einf. in die KI 5 49
50 Die Wumpus-Welt (10) Die Wumpus-Welt kann in Aussagenlogik modelliert werden. Die Modellierung ist jedoch aufwendig. 1. Für jedes einzelne Feld müssen entsprechende Regeln aufgestellt werden R 1 : S 1,1 W 1,1 W 1,2 W 2,1 R 2 : S 2,1 W 1,1 W 2,1 W 2,2 W 3,1 R 3 :. S 1,2 W 1,1 W 1,2 W 2,2 W 1,3. 2. Eigentlich müssen alle atomaren Aussagen mit einem Zeitindex versehen werden, der angibt zu welchem Zeitpunkt die Aussage gilt bei einem Horizont von 100 Zeitschritten benötigen wir allein 6400 Regeln zur Aktionsbeschreibung. Modellierung in einer ausdrucksstärkeren Logik, in der über Objekte quantifiziert werden kann: Prädikatenlogik 1. Stufe Einf. in die KI 5 50
51 Zusammenfassung Rationale Agenten benötigen Wissen über ihre Welt, um rationale Entscheidungen treffen zu können. Dieses Wissen wird mit Hilfe einer deklarativen Wissensrepräsentationssprache dargestellt und in einer Wissensbasis gespeichert. Wir benutzen dafür (zunächst) Aussagenlogik. Aussagenlogische Formeln sind allgemeingültig, erfüllbar oder unerfüllbar. Dem semantischen Folgerungsbegriff entspricht die Ableitbarkeit auf der syntaktischen Ebene. Der Resolutionskalkül ist eine Möglichkeit, diese Ableitbarkeit zu realisieren. Aussagenlogik erfordert auch für kleine Weltausschnitte häufig sehr aufwendige Modellierungen. Aussagenlogik ist entscheidbar. Einf. in die KI 5 51
Theoretische Grundlagen des Software Engineering
Theoretische Grundlagen des Software Engineering 7: Einführung Aussagenlogik schulz@eprover.org Logisches Schließen 2 gold +1000, 1 per step, Beispiel: Jage den Wumpus Performance measure death 1000 10
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.
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
MehrFormeln. Signatur. aussagenlogische Formeln: Aussagenlogische Signatur
Signatur Formeln Am Beispiel der Aussagenlogik erklären wir schrittweise wichtige Elemente eines logischen Systems. Zunächst benötigt ein logisches System ein Vokabular, d.h. eine Menge von Namen, die
MehrLogik für Informatiker
Logik für Informatiker 2. Aussagenlogik Teil 3 30.04.2012 Viorica Sofronie-Stokkermans Universität Koblenz-Landau e-mail: sofronie@uni-koblenz.de 1 Letztes Mal Aussagenlogik Syntax: welche Formeln? Semantik:
MehrLogik für Informatiker
Vorlesung Logik für Informatiker 3. Aussagenlogik Einführung: Logisches Schließen im Allgemeinen Bernhard Beckert Universität Koblenz-Landau Sommersemester 2006 Logik für Informatiker, SS 06 p.1 Beispiel:
MehrProlog basiert auf Prädikatenlogik
Software-Technologie Software-Systeme sind sehr komplex. Im Idealfall erfolgt die Programmierung problemorientiert, während die notwendige Übertragung in ausführbare Programme automatisch erfolgt. Prolog-Philosophie:
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
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
MehrLogische Folgerung. Definition 2.11
Logische Folgerung Definition 2.11 Sei 2A eine aussagenlogische Formel und F eine endliche Menge aussagenlogischer Formeln aus A. heißt logische Folgerung von F genau dann, wenn I ( ) =1für jedes Modell
MehrMethoden der KI in der Biomedizin Logische Agenten 1
Methoden der KI in der Biomedizin Logische Agenten 1 Karl D. Fritscher Organisatorisches Voraussetzungen: Lehrstoff zu den Themengebieten: a. Einführung in die KI, Expertensysteme b. Problemlösung durch
Mehr1 Aussagenlogische Formeln
1 Aussagenlogische Formeln Aufgabe 1.1 Transformieren Sie die Formel in disjunktive Normalform (DNF). ((:A! :B) ^ D)! ((A _ C) $ (:B ^ D)) Lösung 1.1 Schrittweise Transformation: Schritt 1: ((:A! :B) ^
Mehr5. Aussagenlogik und Schaltalgebra
5. Aussagenlogik und Schaltalgebra Aussageformen und Aussagenlogik Boolesche Terme und Boolesche Funktionen Boolesche Algebra Schaltalgebra Schaltnetze und Schaltwerke R. Der 1 Aussagen Information oft
Mehr9. Übung Formale Grundlagen der Informatik
Institut für Informatik Sommersemester 2001 Universität Zürich 9. Übung Formale Grundlagen der Informatik Norbert E. Fuchs (fuchs@ifi.unizh.ch) Reinhard Riedl (riedl@ifi.unizh.ch) Nadine Korolnik (korolnik@ifi.unizh.ch)
MehrProf. Dr. sc. Hans-Dieter Burkhard Vorlesung Winter-Semester 2003/04. Wissensrepräsentation: Resolution (im PK1)
Einführung in die KI Prof. Dr. sc. Hans-Dieter Burkhard Vorlesung Wissensrepräsentation: Resolution (im PK1) 2. Resolution Vorbild für Formalismus : exakt, präzise, (theoretisch) beherrscht Aufbau: Zeichen
MehrWS 2009/10. Diskrete Strukturen
WS 29/ 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/ws9
MehrSemantic Web Technologies I!
www.semantic-web-grundlagen.de Semantic Web Technologies I! Lehrveranstaltung im WS11/12! Dr. Elena Simperl! DP Dr. Sebastian Rudolph! M.Sc. Anees ul Mehdi! www.semantic-web-grundlagen.de Logik Grundlagen!
MehrEinführung in die Fuzzy Logic
Einführung in die Fuzzy Logic Entwickelt von L. Zadeh in den 60er Jahren Benutzt unscharfe (fuzzy) Begriffe und linguistische Variablen Im Gegensatz zur Booleschen Logik {0,} wird das ganze Intervall [0,]
MehrMai 2006. Hauptseminar: Nichtrelationale Datenbanken Historisch-Kulturwissenschaftliche Informationsverarbeitung Universität zu Köln
Hauptseminar: Nichtrelationale Historisch-Kulturwissenschaftliche Informationsverarbeitung Universität zu Köln Mai 2006 Was ist eine Datenbank? Erweiterung relationaler um eine Deduktionskomponente Diese
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
MehrBeispiel. Bsp.: Betrachte Schlussweise in: (3) folgt aus (1) und (2), siehe z.b. Resolutionsregel. was ist mit folgender Schlußweise:
Theoretische Informatik: Logik, M. Lange, FB16, Uni Kassel: 5.4 Prädikatenlogik mit Gleichheit Resolution 192 Beispiel Bsp.: Betrachte Schlussweise in: 1 Wenn es regnet, dann wird die Straße nass. R N
MehrTheoretische Grundlagen des Software Engineering
Theoretische Grundlagen des Software Engineering 9: Prädikatenlogik schulz@eprover.org Rückblick 2 Rückblick: Vor- und Nachteile von Aussagenlogik Aussagenlogik ist deklarativ: Syntaxelemente entsprechen
Mehrder einzelnen Aussagen den Wahrheitswert der zusammengesetzten Aussage falsch falsch falsch falsch wahr falsch wahr falsch falsch wahr wahr wahr
Kapitel 2 Grundbegriffe der Logik 2.1 Aussagen und deren Verknüpfungen Eine Aussage wie 4711 ist durch 3 teilbar oder 2 ist eine Primzahl, die nur wahr oder falsch sein kann, heißt logische Aussage. Ein
MehrWissensrepräsentation und -verarbeitung in Logiken. bereinigt Pränex Skolem ( -Eliminierung) Klausel (Menge von Klauseln, Notation ohne Quantoren)
Was bisher geschah Wissensrepräsentation und -verarbeitung in Logiken klassische Aussagenlogik klassische Prädikatenlogik: Wiederholung Syntax, Semantik Normalformen: bereinigt Pränex Skolem ( -Eliminierung)
MehrTeil 1: Digitale Logik
Teil 1: Digitale Logik Inhalt: Boolesche Algebra kombinatorische Logik sequentielle Logik kurzer Exkurs technologische Grundlagen programmierbare logische Bausteine 1 Analoge und digitale Hardware bei
MehrTheoretische Informatik
Theoretische Informatik - das Quiz zur Vorlesung Teil I - Grundzüge der Logik In der Logik geht es um... (A) die Formen korrekten Folgerns (B) die Unterscheidung von wahr und falsch (C) das Finden von
MehrWissensbasierte Systeme/ Expertensysteme. Teil 2
Wissensbasierte Systeme/ Expertensysteme Teil 2 BiTS, Sommersemester 2004 Dr. Stefan Kooths KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 2 1 Gliederung 1. Einführung und Einordnung 2. Entscheidungsunterstützung(ssysteme)
MehrFormale Methoden. Alexander Knapp, Gerhard Schellhorn. Universität Augsburg
Formale Methoden Alexander Knapp, Gerhard Schellhorn Universität Augsburg Formale Methoden: Ziele (1) Grundlagen für die Softwareerstellung Mathematik von Spezifikations- und Programmiersprachen Vermeidung
MehrGrundlagen der Theoretischen Informatik - Sommersemester 2012. Übungsblatt 1: Lösungsvorschläge
Lehrstuhl für Softwaretechnik und Programmiersprachen Professor Dr. Michael Leuschel Grundlagen der Theoretischen Informatik - Sommersemester 2012 Übungsblatt 1: Lösungsvorschläge Disclaimer: Bei Folgendem
Mehr2. Vorlesung. Slide 40
2. Vorlesung Slide 40 Knobelaufgabe Was tut dieses Programm? Informell Formal Wie stellt man dies sicher? knobel(a,b) { Wenn a = 0 dann return b sonst { solange b 0 wenn a > b dann { a := a - b sonst b
MehrBinäre Suchbäume (binary search trees, kurz: bst)
Binäre Suchbäume (binary search trees, kurz: bst) Datenstruktur zum Speichern einer endlichen Menge M von Zahlen. Genauer: Binärbaum T mit n := M Knoten Jeder Knoten v von T ist mit einer Zahl m v M markiert.
MehrProgram = Logic + Control
Program = Logic + Control Prozedurale/imperative Sprachen: Abläufe formulieren Computer führt aus von-neumann-maschine Idee von deklarativen/logischen/funktionalen Programmiersprachen: Zusammenhänge formulieren
MehrKlausur Formale Systeme Fakultät für Informatik WS 2009/2010
Klausur Formale Systeme Fakultät für Informatik WS 2009/2010 Prof. Dr. Bernhard Beckert 18. Februar 2010 Name: Mustermann Vorname: Peter Matrikel-Nr.: 0000000 Klausur-ID: 0000 A1 (15) A2 (10) A3 (10) A4
MehrSatz. Für jede Herbrand-Struktur A für F und alle t D(F ) gilt offensichtlich
Herbrand-Strukturen und Herbrand-Modelle Sei F eine Aussage in Skolemform. Dann heißt jede zu F passende Struktur A =(U A, I A )eineherbrand-struktur für F, falls folgendes gilt: 1 U A = D(F ), 2 für jedes
Mehr3.Inferenzsysteme 3.4 Logische Programme und Antwortmengensemantik
Darstellung, Verarbeitung und Erwerb von Wissen 3.Inferenzsysteme 3.4 Logische Programme und Antwortmengensemantik DVEW WS 2004/05 c Gabriele Kern-Isberner 1 Stratifizierte Programme (Whlg.) Sei P ein
MehrDatenstruktur zum Speichern einer endlichen Menge M von Zahlen. Genauer:
Binäre Suchbäume (binary search trees, kurz: bst) Datenstruktur zum Speichern einer endlichen Menge M von Zahlen. Genauer: Binärbaum T mit n := M Knoten Jeder Knoten v von T ist mit einer Zahl m v M markiert.
MehrA.1 Schaltfunktionen und Schaltnetze
Schaltfunktionen und Schaltnetze A. Schaltfunktionen und Schaltnetze 22 Prof. Dr. Rainer Manthey Informatik II Bedeutung des Binärsystems für den Rechneraufbau Seit Beginn der Entwicklung von Computerhardware
MehrSkriptum zur Vorlesung Mathematische Logik
Skriptum zur Vorlesung Mathematische Logik Klaus Gloede Mathematisches Institut der Universität Heidelberg Wintersemester 2006/07 INHALTSVERZEICHNIS i Inhaltsverzeichnis I Collegium Logicum 1 1 Die Aussagenlogik
MehrKlausur für Studiengänge INF und IST
Familienname: Matrikelnummer: Studiengang: (bitte ankreuzen) INF IST MED Vorname: Email-Adresse: Immatrikulationsjahr: Klausur für Studiengänge INF und IST sowie Leistungsschein für Studiengang Medieninformatik
MehrNichtmonotones Schließen
Was bisher geschah Wissensrepräsentation und -verarbeitung in Zustandsübergangssystemen klassischer Aussagenlogik: Entscheidungstabellen, -bäume, -diagramme Wissensrepräsentation und -verarbeitung durch
MehrGrundlagen der Informationverarbeitung
Grundlagen der Informationverarbeitung Information wird im Computer binär repräsentiert. Die binär dargestellten Daten sollen im Computer verarbeitet werden, d.h. es müssen Rechnerschaltungen existieren,
MehrZusammenfassung. Satz. 1 Seien F, G Boolesche Ausdrücke (in den Variablen x 1,..., x n ) 2 Seien f : B n B, g : B n B ihre Booleschen Funktionen
Zusammenfassung Zusammenfassung der letzten LV Einführung in die Theoretische Informatik Woche 6 Harald Zankl Institut für Informatik @ UIBK Wintersemester 2014/2015 Satz 1 Seien F, G Boolesche Ausdrücke
MehrUniversität Koblenz-Landau, Abteilung Koblenz FB 4 Informatik. Seminar Entscheidungsverfahren für logische Theorien. Endliche Modelle.
Universität Koblenz-Landau, Abteilung Koblenz FB 4 Informatik Seminar Entscheidungsverfahren für logische Theorien Tobias Hebel Koblenz, am 18.02.2005 Inhaltsverzeichnis 1 Einleitung... 3 2 Grundlagen...
MehrBachelor Grundlagen der Logik und Logikprogrammierung 12. Februar 2009 3
Bachelor Grundlagen der Logik und Logikprogrammierung 12. Februar 2009 3 Aufgabe 1 (20 Punkte) Dialogische Logik a) Was isteine formal wahrebehauptung? Welche Aussageschematasindallgemeingültig? b) Überprüfen
MehrSemantik von Formeln und Sequenzen
Semantik von Formeln und Sequenzen 33 Grundidee der Verwendung von Logik im Software Entwurf Syntax: Menge von Formeln = Axiome Ax K ist beweisbar Formel ϕ beschreiben Korrektkeit Vollständigkeit beschreibt
MehrFormale Methoden II. Gerhard Jäger. SS 2008 Universität Bielefeld. Teil 8, 11. Juni 2008. Formale Methoden II p.1/30
Formale Methoden II SS 2008 Universität Bielefeld Teil 8, 11. Juni 2008 Gerhard Jäger Formale Methoden II p.1/30 Beispiele Anmerkung: wenn der Wahrheitswert einer Formel in einem Modell nicht von der Belegungsfunktion
MehrDarstellung, Verarbeitung und Erwerb von Wissen
Darstellung, Verarbeitung und Erwerb von Wissen Gabriele Kern-Isberner LS 6 Information Engineering TU Dortmund Wintersemester 2008/09 G. Kern-Isberner (TU Dortmund) DVEW 1 / 38 Kapitel 1 Einführung und
Mehr5 Logische Programmierung
5 Logische Programmierung Logik wird als Programmiersprache benutzt Der logische Ansatz zu Programmierung ist (sowie der funktionale) deklarativ; Programme können mit Hilfe zweier abstrakten, maschinen-unabhängigen
MehrFragen für die Klausuren
Fragen für die Klausuren Vom Quellcode zum ausführbaren Programm Was ist ein Quellcode? Ist der Quellcode von einem Programm auf unterschiedlichen Rechner gleich? Nennen Sie drei Programmiersprachen. Was
MehrKapitel DB:V (Fortsetzung)
Kapitel DB:V (Fortsetzung) V. Grundlagen relationaler Anfragesprachen Anfragen und Änderungen Relationale Algebra Anfragekalküle Relationaler Tupelkalkül Relationaler Domänenkalkül DB:V-67 Relational Algebra
MehrErnst-Moritz-Arndt-Universität Greifswald Fachbereich Physik Elektronikpraktikum
Ernst-Moritz-Arndt-Universität Greifswald Fachbereich Physik Elektronikpraktikum Protokoll-Nr.: 11 Digitalschaltungen Protokollant: Jens Bernheiden Gruppe: 2 Aufgabe durchgeführt: 25.06.1997 Protokoll
MehrZusammenfassung. 1 Wir betrachten die folgende Signatur F = {+,,, 0, 1} sodass. 3 Wir betrachten die Gleichungen E. 4 Dann gilt E 1 + x 1
Zusammenfassung Zusammenfassung der letzten LV Einführung in die Theoretische Informatik Woche 7 Harald Zankl Institut für Informatik @ UIBK Wintersemester 2014/2015 1 Wir betrachten die folgende Signatur
MehrDIPLOMARBEIT. Ein interaktives E-Learning System für die Grundlagen der mathematischen Logik. Ausgeführt am
DIPLOMARBEIT Ein interaktives E-Learning System für die Grundlagen der mathematischen Logik Ausgeführt am Institut für Informationssysteme Arbeitsbereich Wissensbasierte Systeme der Technischen Universität
MehrVerwendet man zur Darstellung nur binäre Elemente ( bis lat.: zweimal) so spricht man von binärer Digitaltechnik.
Kursleiter : W. Zimmer 1/24 Digitale Darstellung von Größen Eine Meßgröße ist digital, wenn sie in ihrem Wertebereich nur eine endliche Anzahl von Werten annehmen kann, also "abzählbar" ist. Digital kommt
MehrTerme stehen für Namen von Objekten des Diskursbereichs (Subjekte, Objekte des natürlichsprachlichen Satzes)
Prädikatenlogik Man kann den natürlichsprachlichen Satz Die Sonne scheint. in der Prädikatenlogik beispielsweise als logisches Atom scheint(sonne) darstellen. In der Sprache der Prädikatenlogik werden
MehrEin kausaler Zusammenhang entspricht einer speziellen wahren Implikation. Beispiel: Wenn es regnet, dann wird die Erde nass.
Implikation Implikation Warum ist die Tabelle schwer zu schlucken? In der Umgangssprache benutzt man daraus folgt, also, impliziert, wenn dann, nur für kausale Zusammenhänge Eine Implikation der Form:
MehrLogikprogrammierung. gehalten von Prof Dr. Jürgen Giesl im Sommersemester 2006 an der RWTH Aachen
Logikprogrammierung gehalten von Prof Dr. Jürgen Giesl im Sommersemester 2006 an der RWTH Aachen eine studentische Mitschrift von Florian Heller florian@heller-web.net Diese Mitschrift erhebt keinen Anspruch
MehrBaader Nutt 1: Basic Description Logics
Baader Nutt 1: Basic Description Logics Ludwig Maximilians Universität München Sommersemester 2009 Institut: CIS Hauptseminar: Beschreibungslogik Seminarleiter: Hans Leiß, Martin Hofmann Referentin: Natalia
MehrFoundations of Systems Development
Foundations of Systems Development Vergleich und Zusammenfassung Martin Wirsing in Zusammenarbeit mit Moritz Hammer und Axel Rauschmayer WS 2007/08 2 Ziele Wichtige Aspekte von algebraischen Spezikationen
MehrKapitel 11: Wiederholung und Zusammenfassung
Wiederholung und Zusammenfassung 1: Begriff und Grundprobleme der Informatik Begriff Informatik Computer als universelle Rechenmaschine Grenzen der Berechenbarkeit Digitalisierung Problem der Komplexität
MehrProlog = Programmierung in Logik (Roussell, Colmerauer, 1973/74)
Logikprogrammierung Historie: Philosophie / Mathematik Künstliche Intelligenz Praktische Programmiersprache: Prolog = Programmierung in Logik (Roussell, Colmerauer, 1973/74) Grundidee: Ein Programm ist
MehrFixpunktsemantik logischer Programme Pascal Hitzler Juli 1997 Kurzuberblick im Rahmen der Vorlesung Einfuhrung in Prolog von T. Cornell im Sommersemester 1997 an der Universitat Tubingen. Beweise sind
MehrTheorie der Informatik
Theorie der Informatik 6. Formale Sprachen und Grammatiken Malte Helmert Gabriele Röger Universität Basel 17. März 2014 Einführung Beispiel: Aussagenlogische Formeln Aus dem Logikteil: Definition (Syntax
MehrKapitel 7: Formaler Datenbankentwurf
7. Formaler Datenbankentwurf Seite 1 Kapitel 7: Formaler Datenbankentwurf Die Schwierigkeiten der konzeptuellen Modellierung sind zu einem großen Teil dadurch begründet, dass sich die relevanten Strukturen
MehrLogik & Semantik 7. Vorlesung Prädikatenlogik 1. Syntax der Prädikatenlogik Semantik der Prädikatenlogik: Grundbegriffe (Variablen-)Substitutionen
Logik & Semantik 7. Vorlesung Prädikatenlogik 1 Syntax der Prädikatenlogik Semantik der Prädikatenlogik: Grundbegriffe (Variablen-)Substitutionen 1 Definition eines logischen Systems: Generelles Schema
MehrWas bisher geschah Wissensrepräsentation und -verarbeitung in Zustandsübergangssystemen Constraint-Systemen Logiken Repräsentation von Mengen
Was bisher geschah Wissensrepräsentation und -verarbeitung in Zustandsübergangssystemen Constraint-Systemen Logiken Repräsentation von Mengen aussagenlogischer Regeln: Wissensbasis (Kontextwissen): Formelmenge,
Mehr1. Übersicht, Einführung und Motivation
Kapitel 1 Übersicht, Einführung und Motivation 1. Übersicht, Einführung und Motivation 8 Struktur der Vorlesung 1 Übersicht, Einführung und Motivation 2 Wissensrepräsentation 3 Klassische und nichtklassische
MehrRechnerstrukturen und Programmierparadigmen
Informatik A: Rechnerstrukturen und Programmierparadigmen Prof. Dr. Norbert Fuhr SS 2003 Universität Duisburg-Essen, Abteilung Duisburg Fakultät 5 Autor des Skriptes: Prof. Dr. Wolfram Luther. Zuletzt
MehrFormale Systeme, WS 2012/2013 Praxisaufgabe 1: SAT-Solver Spotlight
Karlsruher Institut für Technologie Institut für Theoretische Informatik Prof. Dr. Peter H. Schmitt David Farago, Christoph Scheben, Mattias Ulbrich Formale Systeme, WS 2012/2013 Praxisaufgabe 1: SAT-Solver
MehrÜbung 6 - Planen, Schliessen unter Unsicherheit, Logik. Aufgabe 1 - Block-Welt-Planung Gegeben sei das nachfolgende Planungsproblem aus der Blockwelt:
Theoretischer Teil - Planen, Schliessen unter Unsicherheit, Logik Aufgabe 1 - Block-Welt-Planung Gegeben sei das nachfolgende Planungsproblem aus der Blockwelt: B A Anfangszustand A B Zielzustand 1. Stellen
MehrProlog. Vertiefungsmodul Programmiersprachen. VM Programmiersprachen - Prolog. Florian Kleene
Prolog Vertiefungsmodul Programmiersprachen VM Programmiersprachen - Prolog Florian Kleene Entstehung und Geschichte Aufbau von Prolog Programmen Fakten Regeln Anfragen Funktionsweise des Interpreters
MehrLeseprobe. Uwe Lämmel, Jürgen Cleve. Künstliche Intelligenz ISBN: 978-3-446-42758-7. Weitere Informationen oder Bestellungen unter
Leseprobe Uwe Lämmel, Jürgen Cleve Künstliche Intelligenz ISBN: 978-3-446-42758-7 Weitere Informationen oder Bestellungen unter http://www.hanser.de/978-3-446-42758-7 sowie im Buchhandel. Carl Hanser Verlag,
MehrLogik und Mengenlehre. ... wenn man doch nur vernünftig mit Datenbanken umgehen können will?
Mengenlehre und Logik: iederholung Repetitorium: Grundlagen von Mengenlehre und Logik 2002 Prof. Dr. Rainer Manthey Informationssysteme 1 arum??? arum um alles in der elt muss man sich mit herumschlagen,......
MehrInformatik A ( Frank Hoffmann)
Teillösungen zum 1. Aufgabenblatt zur Vorlesung Informatik A ( Frank Hoffmann) 1. Improvisieren Stellen Sie die Zahl 6 dar durch einen Ausdruck, der genau dreimal die Ziffer i enthält und ansonsten neben
Mehr5.1 Drei wichtige Beweistechniken... 55 5.2 Erklärungen zu den Beweistechniken... 56
5 Beweistechniken Übersicht 5.1 Drei wichtige Beweistechniken................................. 55 5. Erklärungen zu den Beweistechniken............................ 56 Dieses Kapitel ist den drei wichtigsten
MehrInformatik I WS 07/08 Tutorium 24
Info I Tutorium 24 Informatik I WS 07/08 Tutorium 24 3.2.07 astian Molkenthin E-Mail: infotut@sunshine2k.de Web: http://infotut.sunshine2k.de Organisatorisches / Review is zum 2.2 müssen alle Praxisaufgaben
MehrMathematische Grundlagen der Informatik
Skriptum zur Vorlesung Mathematische Grundlagen der Informatik gehalten in WS 2015/16 von Sven Kosub 4. Februar 2016 Version v4.20 Inhaltsverzeichnis Prolog 1 1 Logik 5 1.1 Aussagen.....................................
MehrDiskrete Strukturen und Logik WiSe 2007/08 in Trier. Henning Fernau Universität Trier fernau@uni-trier.de
Diskrete Strukturen und Logik WiSe 2007/08 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Diskrete Strukturen und Logik Gesamtübersicht Organisatorisches Einführung Logik & Mengenlehre
MehrDeductive Reasoning Agents
Multiagentensysteme Deductive Reasoning Agents Volkan Aksu & Sebastian Ptock Überblick Einleitung Deductive Reasoning Agents Der Staubsauger-Roboter Agentenorientierte Programmierung (AOP) Concurrent MetateM
MehrAnswer Set Programming
Answer Set Programming mit Answer Set Prolog (A-Prolog) Wangler Thomas Logikprogrammierung Institut für Computerlinguistik Universität Heidelberg Inhaltsverzeichnis Inhaltsverzeichnis Inhaltsverzeichnis
MehrVO Wissensrepräsentation
VO Wissensrepräsentation WS 2012 Stefan Woltran, Gerhard Brewka Institut für Informationssysteme,TU Wien Institut für Informatik, Uni Leipzig woltran@dbai.tuwien.ac.at, brewka@informatik.uni-leipzig.de
MehrAussagenlogik Schnelldurchlauf
Aussagelogik Schelldurchlauf Michael Leuschel Softwaretechik ud Programmiersprache Lecture 3 Teil 1: Sprache (Sytax) Bestadteile Atomare Aussage (atomic propositios) Etweder wahr oder falsch (Wahrheitswert,
MehrFormale Methoden III - Tutorium
Formale Methoden III - Tutorium Daniel Jettka 19.06.06 Inhaltsverzeichnis 1. Logische Eigenschaften von Merkmalsstrukturen 1. Logische Eigenschaften von MS Ausgangspunkt: Unterscheidung von: Linguistische
Mehr1. Der Begriff Informatik 2. Syntax und Semantik von Programmiersprachen. I.2. I.2. Grundlagen von von Programmiersprachen.
1. Der Begriff Informatik 2. Syntax und Semantik von Programmiersprachen I.2. I.2. Grundlagen von von Programmiersprachen. - 1 - 1. Der Begriff Informatik "Informatik" = Kunstwort aus Information und Mathematik
MehrLogische Programmierung
Logische Programmierung B-82 Deklaratives Programmieren in Prädikatenlogik: Problem beschreiben statt Algorithmus implementieren (idealisiert). Grundlagen: Relationen bzw. Prädikate (statt Funktionen);
MehrKapitel 4: (Einige) Andere Logiken
Kapitel 4: (Einige) Andere Logiken 4.1: Modale Logiken Grundgedanke Nicht alles stimmt unabhängig vom Zeitpunkt es schneit unabhängig vom Ort man kann das Meer sehen unabhängig vom Sprecher ich bin müde
MehrStichwortverzeichnis. A-Aussage. logisches Quadrat 42
A A-Aussage logisches Quadrat 43 Addition boolesche Algebra 46 Algebra boolesche 46 Algorithmus 306 Alle-Aussage alternative Schreibweise 253 f., 265 erkennen 256 Übersetzung 250 f. Allquantor 242 Definition
MehrÜbungsaufgaben zur Vorlesung Modellbasierte Softwareentwicklung Wintersemester 2014/2015 Übungsblatt 8
Prof. Dr. Wilhelm Schäfer Paderborn, 8. Dezember 2014 Christian Brenner Tristan Wittgen Besprechung der Aufgaben: 15. - 18. Dezember 2014 Übungsaufgaben zur Vorlesung Modellbasierte Softwareentwicklung
MehrModallogik (aussagenlogisch)
Kapitel 2 Modallogik (aussagenlogisch) In diesem Abschnitt wird eine Erweiterung der Aussagenlogik um sogenannte Modalitäten behandelt. Damit erlangt man eine größere Aussagekraft der Sprache, allerdings
MehrAnfragesprachen mit Rekursion Datalog
Beispiel: Frankfurter U-Bahn-Netz Hier vereinfacht: Eine Relation U-Bahn-Netz mit Attributen Linie, Halt, nächsterhalt 7.1 7.2 Statische Analyse 7.3 U-Bahn-Netz Linie Halt nächsterhalt U4 Bockenheimer
MehrGrundlagen der Informatik II. Teil I: Formale Modelle der Informatik
Grundlagen der Informatik II Teil I: Formale Modelle der Informatik 1 Einführung GdInfoII 1-2 Ziele/Fragestellungen der Theoretischen Informatik 1. Einführung abstrakter Modelle für informationsverarbeitende
MehrWissensbasierte Systeme
WBS4 Slide 1 Wissensbasierte Systeme Vorlesung 4 vom 03.11.2004 Sebastian Iwanowski FH Wedel WBS4 Slide 2 Wissensbasierte Systeme 1. Motivation 2. Prinzipien und Anwendungen 3. Logische Grundlagen 4. Suchstrategien
Mehr6.1 Syntax und Semantik von Constraint-Logikprogrammen
Kapitel 6 Logikprogrammierung mit Constraints Nachdem wir nun sowohl die reine Logikprogrammierung als auch ihre Implementierung in der Sprache Prolog betrachtet haben, wollen wir uns zum Schluss mit einer
MehrTerminologische Logik
Terminologische Logik auch: Beschreibungslogik oder Begriffslogik (engl. description logic, terminological logic) Terminologische Logiken sind Teilsprachen der Prädikatenlogik, die speziell auf die Beschreibung
MehrPrädikate zum Testen und Manipulieren der Struktur der Terme; Mehr meta-logische Prädikate z.b. zum Testen des Zustands der Ableitung;
Mehr Prolog Prolog bietet mehr an, z.b.: Prädikate zum Testen und Manipulieren der Struktur der Terme; Mehr meta-logische Prädikate z.b. zum Testen des Zustands der Ableitung; Mehr extra-logische Prädikate,
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 3: Alphabete (und Relationen, Funktionen, Aussagenlogik) Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Oktober 2008 1/18 Überblick Alphabete ASCII Unicode
MehrEinführung in die Wissensverarbeitung und Data Mining
Einfhrung in die Wissensverarbeitung und Data Mining Peter Becker FH Bonn-Rhein-Sieg Fachbereich Angewandte Informatik!" $# Vorlesung Wintersemester 2001/02 1. Einfhrung Vorbemerkungen 1 Einfhrung Vorbemerkungen
MehrPrädikatenlogik: Grundlagen
Prädikatenlogik: Grundlagen Vorversion der Folien des Kap. 9! Stand 15.05.2007 Im Verlauf der Vorlesungen zu diesem Kapitel werden Änderungen und Ergänzungen erfolgen. Sie sollten daher sorgfältig auf
MehrSatz Ein Boolescher Term t ist eine Tautologie genau dann, wenn t unerfüllbar ist.
Erfüllbarkeit, Uerfüllbarkeit, Allgemeigültigkeit Defiitio Eie Belegug β ist passed zu eiem Boolesche Term t, falls β für alle atomare Terme i t defiiert ist. (Wird ab jetzt ageomme.) Ist β(t) = true,
MehrMathematische Grundlagen Kurseinheit 1: Grundlagen
Mathematische Grundlagen Kurseinheit 1: Grundlagen Autorin: Luise Unger In L A TEX gesetzt von Luise Unger c 2007 Fernuniversität in Hagen Fachbereich Mathematik (10/05) Alle Rechte vorbehalten 01141-4-01-S
Mehr