Schließen über Zeit. Einführung in die Methoden der Künstlichen Intelligenz... Allens Zeitintervalllogik. Beispiel: Rezept zum Apfelkuchenbacken

Größe: px
Ab Seite anzeigen:

Download "Schließen über Zeit. Einführung in die Methoden der Künstlichen Intelligenz... Allens Zeitintervalllogik. Beispiel: Rezept zum Apfelkuchenbacken"

Transkript

1 Einführung in die Methoden der Künstlichen Intelligenz... llens Zeitintervalllogik Dr. David Sabel WS 2012/13 1: Hefeteig zubereiten 2: Hefeteig gehen lassen 3: Äpfel schälen und schneiden 4: lech einfetten 5: Teig auf das lech 6: Äpfel auf den Kuchen setzen. 10:ackofen heizt 11:Kuchen im ackofen backen Schließen über Zeit Darstellung und Inferenzen für zeitliche Zusammenhänge Viele verschiedene Logiken z.. Modallogiken und Temporallogiken (stellen meistens genaue Zeitpunkte dar) Wir betrachten die llensche Intervall-Logik Stand der Folien: 28. Januar 2013 D. Sabel KI WS 12/13 llens Zeitlogik 2/63 llensche Intervalllogik eispiel: Rezept zum pfelkuchenbacken Vorgeschlagen von James F. llen, 1983 Keine Darstellung von Zeitpunkten, sondern: Darstellung von Zeitintervallen ohne bsolutwerte (weder von wann bis wann noch wie lang) sondern: nur die relative Lage von Intervallen 1: Hefeteig zubereiten 2: Hefeteig gehen lassen 3: Äpfel schälen und in Scheiben schneiden 4: lech einfetten 5: Teig auf das lech 6: Äpfel auf den Kuchen setzen : ackofen heizt 11: Kuchen im ackofen backen i: Zeitintervalle, für die entsprechenden ufgaben D. Sabel KI WS 12/13 llens Zeitlogik 3/63 D. Sabel KI WS 12/13 llens Zeitlogik 4/63

2 eispiel: Rezept zum pfelkuchenbacken (2) eziehungen (eine Person backt): 2 folgt direkt auf 1 3 ist später als 1 3 und 4 sind nicht gleichzeitig 1 und 4 sind nicht gleichzeitig 11 ist während 10, 11 und 10 enden gleichzeitig 11 ist nach 3 11 ist nach 4 Inferenzen z..: 11 findet nach 1 statt Wenn man sequentialisiert (z.. 3 ist komplett vor 4), dann kein Widerspruch llenscher Kalkül Sprache (grob): Intervallnamen Operatoren für die eziehungen ussagenlogiche Junktoren Semantik: bbildung der Intervallnamen auf nichtleere reelle Intervalle [, Z] D. Sabel KI WS 12/13 llens Zeitlogik 5/63 D. Sabel KI WS 12/13 llens Zeitlogik 6/63 llensche asisrelationen (1) llensche asisrelationen (2) Überlegung: Gegeben zwei reellwertige Intervalle = [, Z] und = [, Z] Wie können und zueinander liegen? Wieviele Möglichkeiten gibt es? Es gibt 13 unterschiedliche Möglichkeiten. edingung bkürzung ezeichnung Z < before Z = m meets < < Z < Z o overlaps = < Z < Z s starts < < Z = Z f finishes < < Z < Z d during =, Z = Z equal und inverse Relationen (ohne ) D. Sabel KI WS 12/13 llens Zeitlogik 7/63 D. Sabel KI WS 12/13 llens Zeitlogik 8/63

3 llensche asisrelationen (3) before m meets o overlaps s starts f finishes d during 1: Hefeteig zubereiten 2: Hefeteig gehen lassen 3: Äpfel schälen und schneiden 4: lech einfetten 5: Teig auf das lech 6: Äpfel auf den Kuchen setzen :ackofen heizt 11:Kuchen im ackofen backen llensche asisrelationen (4) Daher: Inverse: r ist inverse Relation zu r usnahme (in der Schreibweise): inverses zu und = llensche asisrelationen Die 13 llenschen asis-relationen sind: {,, m, o, s, d, f,, m, ŏ, s, d, f}. Wir bezeichnen diese Menge mit R. equal D. Sabel KI WS 12/13 llens Zeitlogik 9/63 D. Sabel KI WS 12/13 llens Zeitlogik 10/63 llensche asisrelationen als ild eispiel: pfelkuchenbacken m o s f d m ŏ s f d eziehungen (eine Person backt): 2 folgt direkt auf 1: 2 m 1 3 ist später als 1: m 1 3 und 4 sind nicht gleichzeitig: m 4 3 m 4 1 und 4 sind nicht gleichzeitig m 4 1 m 4 11 ist während d s f und 10 enden gleichzeitig f f ist nach 3: m 3 D. Sabel KI WS 12/13 llens Zeitlogik 11/63 D. Sabel KI WS 12/13 llens Zeitlogik 12/63

4 asisrelationen llensche Formeln Satz Die llenschen asis-relationen sind paarweise disjunkt, d.h. eweis: Das zeigen die ilder r 1 r 2 = r 1 = r 2. Syntax der llen-formeln atomare ussagen r, wobei, Intervallnamen und r R aussagenlogische Kombinationen von atomaren ussagen. D. Sabel KI WS 12/13 llens Zeitlogik 13/63 D. Sabel KI WS 12/13 llens Zeitlogik 14/63 llensche Formeln: Semantik Interpretation I: bildet Intervallnamen auf Intervalle [a, b] ab, wobei a, b R und a < b. Interpretation von atomaren ussagen r : Sei I() = [, Z] und I() = [, Z]. I( ) = 1, gdw. Z < I( m ) = 1, gdw. Z = I( o ) = 1, gdw. <, < Z und Z < Z I( s ) = 1, gdw. = und Z < Z I( f ) = 1, gdw. > und Z = Z I( d ) = 1, gdw. > und Z < Z I( ) = 1, gdw. = und Z = Z I( r 0 ) = 1, gdw. I( r 0 ) = 1 I( ) = 1, gdw. I( ) = 1 D. Sabel KI WS 12/13 llens Zeitlogik 15/63 llensche Formeln: Semantik (2) Interpretation von llenschen Formeln: I(F G) = 1 gdw. I(F ) = 1 und I(G) = 1 I(F G) = 1 gdw. I(F ) = 1 oder I(G) = 1. I( F ) = 1 gdw. I(F ) = 0 I(F G) = 1 gdw. I(F ) = I(G) I(F G) = 1 gdw. I(F ) = 0 oder I(G) = 1 D.h.: wie üblich D. Sabel KI WS 12/13 llens Zeitlogik 16/63

5 Modelle, Tautologie, Erfüllbarkeit Disjunktionen von atomaren Formeln Modell: Interpretation I ist Modell für F, gdw. I(F ) = 1 gilt. Eine llensche Formel F ist: eine Tautologie, wenn jede Interpretation ein Modell für F ist. widersprüchlich (inkonsistent), wenn es kein Modell für F gibt. erfüllbar, wenn es mindestens ein Modell für F gibt. Semantische Folgerung: G = F gdw. I : I(G) = 1 I(F ) = 1 Äquivalenz: F und G sind äquivalent gdw. F = G und G = F. bkürzende Schreibweise für Disjunktion von atomaren Formeln: S für eine Menge S R. Wenn S = {r 1,..., r k } dann steht S für die Disjunktion r 1 r 2... r k S nennen wir atomare llen-ussage Z..: Statt s f schreiben wir {, s, f} eachte: Es gibt 2 13 solche Mengen S. uch erlaubt:, Semantik: I( ) = 0. R bedeutet: alles ist möglich, I( R ) = 1. D. Sabel KI WS 12/13 llens Zeitlogik 17/63 D. Sabel KI WS 12/13 llens Zeitlogik 18/63 Vereinfachungsregeln für llensche Formeln Vereinfachungen (2) Ein atomare ussage der Form r kann man immer vereinfachen zu 0, 1: r 0, wenn r und 1. Negationszeichen kann man nach innen schieben. Eine Formel ( R ) kann man zu (R \ R) umformen. Unterformeln der Form R 1 R 2 kann man durch (R 1 R 2 ) ersetzen. Unterformeln der Form R 1 R 2 kann man durch (R 1 R 2 ) ersetzen. atomare Formeln der Form kann man durch 0 ersetzen. atomare Formeln der Form R kann man durch 1 ersetzen. lle aussagenlogischen Umformungen sind erlaubt. Theorem Jede Vereinfachungsregel für llensche Formeln erhält die Äquivalenz, d.h. wenn F F, dann sind F und F äquivalente Formeln. eweis: Verwende die Semantik D. Sabel KI WS 12/13 llens Zeitlogik 19/63 D. Sabel KI WS 12/13 llens Zeitlogik 20/63

6 llensche Constraints llenscher Kalkül Mit den Vereinfachungen kann jede llensche Formel umgeformt werden in ein Disjunktives llen-constraint (konjunktives) llen-constraint: Eine Konjunktion von atomaren llen-ussagen 1 S n S n n Disjunktives llen-constraint: Disjunktion von (konjunktiven) llen-constraints Eingabe: llen-constraint usgabe: Weitere eziehungen die daraus folgen, bzw. 0 (Widerspruch) oder 1 (Tautologie) Es reicht im Grunde: Konjunktive llen-constraints ei disjunktiven llen-constraints: bearbeite die llen-constraints unabhängig und füge dann zusammen. D. Sabel KI WS 12/13 llens Zeitlogik 21/63 D. Sabel KI WS 12/13 llens Zeitlogik 22/63 llenscher Kalkül (2) llenscher Kalkül (3) Wesentliche Regel: Transitivitätsregel us C kann man C folgern. us C kann man nichts neues über die eziehung zwischen und C folgern (alles ist möglich) Wie folgert man genau? asisrelationen r 1, r 2 : r 1 r 2 C. Man braucht die Komposition (r 1 r 2 ), als kleinste Menge mit: r 1 r 2 C = (r 1 r 2 )C. eachte:(r 1 r 2 ) ist nicht unbedingt eine asisrelation R 1, R 2 R: R 1 R 2 C. Komposition der Mengen: Sei R 1 R 2 gerade die (kleinste) Menge mit: R 1 R 2 C = (R 1 R 2 )C. D. Sabel KI WS 12/13 llens Zeitlogik 23/63 D. Sabel KI WS 12/13 llens Zeitlogik 24/63

7 Kompositionsmatrix d d o ŏ m m s s f f R o m o m o m o m d s d s d s d s R ŏ m ŏ m ŏ m ŏ m d f d f d f d f d d R o m d d d o m R \ ŏ m d f d s m m o ŏ o m d f ŏ m d s d s ŏ m d f ŏ m d f o m d s d o d f ŏ d s o d f ŏ d s o d f d ŏ d s d o d s o m R \ d f o m m m ŏ d f ŏ m d s ŏ d s o d f o d s o o m R \ ŏ m o d f ŏ d f ŏ m ŏ ŏ d s m m m ŏ m d s o d s o d s f f m m d s o m o m ŏ d f ŏ d f s s d f ŏ m m d f o m s d o m ŏ d f m s s s d o m d f s o m ŏ d f d o d f ŏ o d f m s s s ŏ d d f ŏ m f d d s o d s ŏ m m d ŏ m f f f f ŏ m d s o d s d o ŏ d s m ŏ d s o d f f f Nur Matrix, da: r = r = r Kompositionsmatrix Die Eintrage muss/kann man per Hand ausrechnen. eispiel: d etrachte alle Möglichen Lagen für d C C Möglichkeiten: {, o, m, s, d} C. D. Sabel KI WS 12/13 llens Zeitlogik 25/63 D. Sabel KI WS 12/13 llens Zeitlogik 26/63 Komposition der Mengen Inverse für Mengen eispiel: us {m, d} {f, d} C kann man schließen llgemein gilt: Satz (m f m d d f d d) C = {d, s, o} {d, s, o} {d} {d} C = {d, s, o} C Seien r 1,..., r k, r 1,..., r k llensche asisrelationen. Dann gilt {r 1,..., r k } {r 1,..., r k } = {r i r j i = 1,..., k, j = 1,..., k } Inversion für Mengen von asisrelationen Sei S = {r 1,..., r k } R. Dann sei Desweiteren sei r: r = r Damit gilt:.s = { r 1,..., r k }. Satz Für S R gilt: S und.s sind äquivalente llensche Formeln. Satz.(r 1 r 2 ) = r 2 r 1. D. Sabel KI WS 12/13 llens Zeitlogik 27/63 D. Sabel KI WS 12/13 llens Zeitlogik 28/63

8 Regeln des llenschen Kalküls llenscher bschluss nwendung auf Subformeln von llen-constraints: ussagenlogische Umformungen dürfen verwendet werden. R 1 R 2 (R 1 R 2 ) 0 R 1 R 0, wenn R. R 1, wenn R. R.R R 1 R 2 C R 1 R 2 C R 1 R 2 C. Für konjunktive Formeln (d.h. llensche Constraints) werden die Regeln des llenschen Kalküls solange angewendet, bis sich keine neuen eziehungen mehr herleiten lassen (Fixpunkt) Disjunktive Constraints: Wende Fixpunktiteration auf jede Kommponente an, und vereinfache anschließend Komponente = 1: Disjunktiver Constraints ist äquivalent zu 1 Komponente = 0: Kann gesrtrichen werden lle Komponenten = 0: Disjunktiver Constraint widersprüchlich (Inkonsistenz) D. Sabel KI WS 12/13 llens Zeitlogik 29/63 D. Sabel KI WS 12/13 llens Zeitlogik 30/63 eispiel 1: Hefeteig zubereiten 2: Hefeteig gehen lassen 3: Äpfel schälen und in Scheiben schneiden 4: lech einfetten 5: Teig auf das lech 6: Äpfel auf den Kuchen setzen. Eingabe (bei paralleler Verarbeitung): 1 m 2 2 {m, } 5 4 {m, } 5 3 {m, } 6 5 {m, } 6. eispiel 1: Hefeteig zubereiten 2: Hefeteig gehen lassen 3: Äpfel schälen und in Scheiben schneiden 4: lech einfetten 5: Teig auf das lech 6: Äpfel auf den Kuchen setzen. ild dazu: 1 2 bedeutet: 1 findet vor 2 statt (also m oder ). Gestrichelte Pfeile = hergeleitete eziehungen bschluss berechnen: 1 2 us 1 m 2 2 {m, } 5 erhält man 1 5 us {m, } 6 erhält man 1 6 us 2 {m, } 5 5 {m, } 6 erhält man us 4 {m, } 5 5 {m, } 6 erhält man 4 6 llenscher bschluss ist gerade: 1 m {m, } {m, } {m, } 6 5 {m, } 6. D. Sabel KI WS 12/13 llens Zeitlogik 31/63 D. Sabel KI WS 12/13 llens Zeitlogik 32/63

9 eispiel Korrektheit, Vollständigkeit 1: Hefeteig zubereiten 2: Hefeteig gehen lassen 3: Äpfel schälen und in Scheiben schneiden 4: lech einfetten 5: Teig auf das lech 6: Äpfel auf den Kuchen setzen. Eingabe bei einer Person: 1 m 2 2 {m, } 5 4 {m, } 5 Sequentialisieren ist konsistent, ild dazu 3 {m, } 6 5 {m, } 6 1 {, m, m, } 3 1 {, m, m, } {, m, m, } 5 3 {, m, m, } 4 3 {, m, m, } Wir sagen, der llen-kalkül ist korrekt, wenn bei F F stets gilt: F und F sind äquivalente Formeln herleitungs-vollständig, wenn er für jedes konjunktive Constraint alle semantisch folgerbaren Einzel-Relationen herleiten kann. widerspruchs-vollständig, wenn er für jedes konjunktive Constraint herausfinden kann, ob es widersprüchlich ist (Herleitung der 0) D. Sabel KI WS 12/13 llens Zeitlogik 33/63 D. Sabel KI WS 12/13 llens Zeitlogik 34/63 Fragestellungen Wie aufwändig ist die erechnung des bschlusses der llenschen Relationen? Ist der llen-kalkül korrekt? Ist die erechnung herleitungs- bzw- widerspruchs-vollständig? Was ist die Komplexität der Logik und der Herleitungsbeziehung, evtl. für eingeschränkte Eingabeformeln? Wie kann man den llenschen Kalkül für aussagenlogische Kombinationen von Intervallformeln verwenden? Implementierung der llen-vervollständigung Wesentliche Regel: Transitivitätsregel R 1 R 2 C R 1 R 2 C. Konjunktive llen-constraints (schon zusammengefasst, Intervalle 1,..., n ): i R i,j j i,j {1,...,n} Nicht vorhandene Relation werden auf R gesetzt. bschluss kan mit einer n n-tabelle gemacht werden Sobald irgendwo auftaucht, kann man abbrechen Ähnlich zum Warshall-lgorithmus ei disjunktiven llen-constraints: bearbeite die llen-constraints separat und fasse dann zusammen. D. Sabel KI WS 12/13 llens Zeitlogik 35/63 D. Sabel KI WS 12/13 llens Zeitlogik 36/63

10 lgorithmus 1 Erläuterung lgorithmus llenscher bschluss, Variante 1 Eingabe: (n n)-rray R, mit Einträgen R[i, j] R lgorithmus: repeat change := False; for i := 1 to n do for j := 1 to n do for k := 1 to n do R := R[i, j] (R[i, k] R[k, j]); if R[i, j] R then R[i, j] := R; change := True; endif endfor endfor endfor until change=false R := R[i, j] (R[i, k] R[k, j]) entspricht gerade i R i,k k k R k,j j i R i,j j i R i,k k k R k,j j i R i,k R k,j j i R i,j j i R i,k k k R k,j j i (R i,k R k,j ) R i,j j D. Sabel KI WS 12/13 llens Zeitlogik 37/63 D. Sabel KI WS 12/13 llens Zeitlogik 38/63 Eigenschaften lgorithmus 1 lgorithmus 2 Ähnlich zu Warshall-lgorithmus, aber iteriert (notwendig!) solange bis Fixpunkt erreicht ist Korrekt: Offensichtlich Laufzeit: Im worst-case O(n 5 ) egründung: 3 for-schleifen: O(n 3 ) repeat-schleife: Im schlechtesten Fall wird ein R[i, j] um eins verkleinert pro R[i, j] maximal 13 Verkleinerungen Es gibt n 2 Mengen R[i, j] Daher: repeat-schleife wird maximal O(n 2 ) mal durchlaufen ergibt: O(n 5 ) lgorithmus llenscher bschluss, Variante 2 Eingabe: (n n)-rray R, mit Einträgen R[i, j] R lgorithmus: queue := {(i, k, j) 1 i n, 1 k n, 1 j n}; while queue do Wähle und entferne Tripel (i, k, j) aus queue; R := R[i, j] (R[i, k] R[k, j]); if R[i, j] R then R[i, j] := R; queue := queue {(i, j, m) 1 m n} {(m, i, j) 1 m n} endif endwhile D. Sabel KI WS 12/13 llens Zeitlogik 39/63 D. Sabel KI WS 12/13 llens Zeitlogik 40/63

11 Eigenschaften lgorithmus 2 Korrektheit: ei Änderung von R[i, j] werden alle Nachbarn, die evtl. neu berechnet werden müssen, in queue eingefügt Laufzeit: m nfang: queue enthält n 3 Tripel while-schleife entfernt pro Durchlauf ein Element aus queue Einfügen in queue in der Summe: R[i, j] kann höchstens 13 mal verändert werden. D.h. höchstens n 2 13 mal wird eingefügt Einmal einfügen: 2 n Tripel werden hinzugefügt Insgesamt: Es werden höchstens 13 2 n n 2 Tripel zu queue hinzugefügt Ergibt O(n 3 ) Durchläufe der while-schleife (von denen maximal O(n 2 ) Durchläufe O(n) Laufzeit verbrauchen und die restlichen O(n) in konstanter Laufzeit laufen) lgorithmus 2 hat worst-case-laufzeit O(n 3 ) D. Sabel KI WS 12/13 llens Zeitlogik 41/63 llenscher Kalkül: Korrektheit Korrekheit Der llensche Kalkül ist korrekt, d.h. wenn F F, dann sind F und F äquivalente Formeln eweis (Skizze): Verwende die Semantik - ussagenlogische Umformungen: klar - R 1 R 2 ist äquivalent zu (R 1 R 2 ) : Sei R 1 = {r 1,..., r k }, R 2 = {r 1,..., r k }. R 1 R 2 = ( r i) ( r i ) {( r i ) ( r i ) 1 i k, 1 i k } (ausmultiplizieren) {( r i ) ( r i ) 1 i k, 1 i k, r i = r i } (asisrelationen disjunkt) = (R 1 R 2) - 0 und R 1 (klar) D. Sabel KI WS 12/13 llens Zeitlogik 42/63 llenscher Kalkül: Korrektheit (2) eweis (Fortsetzung) - R ist äquivalent zu 0, wenn R und R ist äquivalent zu 1, wenn R: Jede Interpretation bildet I() eindeutig auf ein Intervall ab. -Transitivitätsregel: asisrelationen: Man muss die Korrekheit der Matrix prüfen Für mehrelementige Mengen: {r 1,..., r k } {r 1,..., r k } C = ( r 1... r k ) ( r 1 C... r k C) (ausmultiplizieren) {( r i r i C) 1 i k, 1 i k } (asis) {( r i r i C ri r i C) 1 i k, 1 i k } {r 1,..., r k } {r 1,..., r k } C {( r i r i C) 1 i k, 1 i k } = {r 1,..., r k } {r 1,..., r k } C {r1,..., r k} {r 1,..., r k } C D. Sabel KI WS 12/13 llens Zeitlogik 43/63 Partielle Vollständigkeit Der llensche Kalkül ist vollständig in eingeschränktem Sinn: Satz Sind zwei Relationen 1 R R 2 2 gegeben, dann ermittelt der llensche Kalkül alle Relationsbeziehungen, die daraus folgen. Dies wird auch Pfadkonsistenz genannt. Constraint-Netzwerk: Knoten mit Intervallen, Kanten mit llenschen-relationen markiert. Pfadkonsistenz: für je drei,, C mit R 1 R 2 gilt: Wenn I() = [a 1, a 2 ], I(C) = [c 1, c 2 ] mit I( R 3 C) = 1, dann I : I () = I(), I (C) = I(C), I ( R 1 ) = 1, I ( R 2 C) = 1. D. Sabel KI WS 12/13 llens Zeitlogik 44/63 R 3 C

12 Unvollständigkeit des llen-kalküls Leider gilt: Theorem Der llensche Kalkül ist nicht herleitungs-vollständig. eweis: Gegenbeispiel: Für den llenschen Constraint: D {o} D {s, m} C D {s, m} {d, d} C {d, d} ist der llensche bschluss: D {o} D {s, m} C D {s, m} {d, d} C {d, d} C {s, s,, o, ŏ, d, d, f, f} ber in diesem Fall ist C {f, f, o, ŏ} nicht möglich (nächste Folie) D. Sabel KI WS 12/13 llens Zeitlogik 45/63 eweis (Fortsetzung) Die Lage von zu D ist eindeutig. Möglichkeiten wie zu D und C zu D: 4 Fälle D C Fall (1): D s C und D s C { s, s, } D C Fall (3): D s C und D m C { d} D C Fall (2): D m C und D s C {d} D C Fall (4): D m C und D m C {s, s, } C {f, f, o, ŏ} nicht möglich! D. Sabel KI WS 12/13 llens Zeitlogik 46/63 Unvollständigkeit des llen-kalküls (2) Ebenso gilt: Theorem Der llensche Kalkül ist nicht widerlegungsvollständig. eweis: Gegenbeispiel: Leichte bwandlung des eispiels davor Füge {f, f} C hinzu, d.h. man erhält das Constraintnetzwerk: s, m D s, m d, d o f, f C d, d llenscher bschluss: Verändert das Netzwerk nicht, aber es ist widersprüchlich! D. Sabel KI WS 12/13 llens Zeitlogik 47/63 Konsequenzen der Unvollständigkeit Frage: Ist llen-constraint F widersprüchlich? bschluss = 0, dann J bschluss = 1, dann NEIN bschluss weder 0 noch 1: man weiß nichts Frage: Ist llen-constraint F erfüllbar? bschluss = 0, dann NEIN bschluss = 1, dann J (Tautologie) bschluss weder 0 noch 1: man weiß nichts D. Sabel KI WS 12/13 llens Zeitlogik 48/63

13 Eindeutige llen-constraints Eindeutige llen-constraints (2) Definition Ein llensches Constraint nennt man eindeutig, wenn für alle Paare, von Intervallkonstanten gilt: Das Constraint enthält genau eine eziehung r, wobei r eine der dreizehn asisrelationen ist. Es gilt: Satz Der llensche bschluss eines eindeutigen llenschen Constraints F ist entweder 0, oder wiederum F. eweis: Jede Transitivitätsregelanwendung leitet her, oder lässt Eintrag unverändert. Satz (Valdés-Pérez, 1987) Ein eindeutiges llensches Constraint ist erfüllbar, gdw. der llensche Kalkül bei Vervollständigung das Constraint nicht verändert, d.h. wenn es ein Fixpunkt ist. eweisidee: Zeige, wenn llen-kalkül kein Widerspruch entdeckt, dann ist Constraint erfüllbar. Es gibt dann eine totale Ordnung der Intervallenden Korollar uf eindeutigen llen-constraints ist der llen-kalkül korrekt und vollständig D. Sabel KI WS 12/13 llens Zeitlogik 49/63 D. Sabel KI WS 12/13 llens Zeitlogik 50/63 Eindeutige llen-constraints: Menge Vollständiges Verfahren Zu jedem llenschen Constraint C kann man die Menge aller zugehörigen eindeutigen llenschen Constraints D definieren, wobei gelten muss: Wenn r in D vorkommt und R in C, dann gilt r R. Lemma Ein llen-constraint ist erfüllbar, gdw. es ein zugehöriges eindeutiges Constraint gibt, das erfüllbar ist. eweis: Klar Test auf Erfüllbarkeit für beliebiges llen-constraint C 1 Sei D := Menge aller eindeutigen llen-constraints zu C. 2 erechne den llenschen bschluss jedes Constraints C D. 3 Wenn dabei kein Widerspruch auftritt, ist C erfüllbar, anderenfalls C widersprüchlich. Erweiterung auf disjunktive llen-constraints: klar Der lgorithmus ist korrekt und vollständig. Die Laufzeit ist im worst-case exponentiell Mittlere Verzweigungsrate: 6,5: Im schlimmsten Fall muss man pro eziehung R 13 Fallunterscheidungen machen D. Sabel KI WS 12/13 llens Zeitlogik 51/63 D. Sabel KI WS 12/13 llens Zeitlogik 52/63

14 Komplexität des Problems Satz Die Erfüllbarkeit einer Konjunktion von llenschen Relationen ist N P-vollständig, bzw. die Erfüllbarkeit eines konjunktiven llenschen Constraints ist N P-vollständig. eweis: Problem ist in N P: Rate lineare Reihenfolge der Intervallanfänge und -enden D.h. Ordnung auf allen X a, X e für alle Intervalle X Verifiziere ob Reihenfolge da Constraint erfüllt Verifikation geht in Polynomialzeit eweis (Fortsetzung) Problem ist N P-hart: Reduktion von 3-Coloring auf Erfüllbarkeit von llen-constraints: 3-Coloring Gegeben: Graph mit Knotenmenge N und Kantenmenge K. Frage: Gibt es eine Färbung der Knoten mit drei Farben, so dass benachbarte Knoten verschiedene Farbe haben? Sei eine Instanz (N, K) gegeben, erzeuge llen-constraint: Intervallkonstanten: 1, 2, 3 Pro v i N eine Intervallkonstante i. Relationen: 1 m 2 2 m 3 v i N : i {m,, m} 2 (v i, v j ) K : i {m, m,, } j D. Sabel KI WS 12/13 llens Zeitlogik 53/63 D. Sabel KI WS 12/13 llens Zeitlogik 54/63 eweis (Fortsetzung, 2) Idee: Lage jedes i zu 2 bestimmt die Farbe des Knotens v i. Constraints 1 m 2 und 2 m 3 im ild: Constraints für die Knoten: v i N : i {m,, m} 2 i i i eweis (Fortsetzung,3) Daher gilt: Der Graph ist dreifärbbar, gdw. die llenschen Relationen erfüllbar sind. Die Zuordnung ist: v i hat Farbe 2 gdw. i 2 v i hat Farbe 1 gdw. i m 2 v i hat Farbe 3 gdw. i m 2 Übersetzung ist in Polynomialzeit durchführbar, daher Erfüllbarkeit N P-Hart Constraints für die Kanten: (v i, v j ) K : i {m, m,, } j j i j D. Sabel KI WS 12/13 llens Zeitlogik 55/63 D. Sabel KI WS 12/13 llens Zeitlogik 56/63

15 Folgerungen Varianten Jeder vollständige lgorithmus braucht Exponentialzeit. (solange P N P) Die polynomielle llen-vervollständigung muss unvollständig sein Es gibt polynomielle, vollständige Verfahren für llensche Constraints mit eingeschränkter Syntax Eine haben wir bereits gesehen: Eindeutige llen-constraints D. Sabel KI WS 12/13 llens Zeitlogik 57/63 D. Sabel KI WS 12/13 llens Zeitlogik 58/63 Varianten (2) Varianten (3) Neue Variante: Erlaube nur llensche Relationen, so dass: Übersetzung in edingungen über die Endpunkte nur Konjunktion von der Form x < y oder x = y sind Dann gilt: Man braucht keine Fallunterscheidung Passender Satz von Relationen: lle asisrelationen, {d, o, s}, und {ŏ, f, d} und deren Konverse. d.h. { d, ŏ, s}, und {o, f, d}. Z.. {d, o, s} als Ungleichung über den Endpunkten: Wenn = [, Z], = [, Z], dann entspricht obige Relation gerade < Z, < Z, Z < Z, < Z D. Sabel KI WS 12/13 llens Zeitlogik 59/63 D. Sabel KI WS 12/13 llens Zeitlogik 60/63

16 Varianten (4) Hintergrund uf solchen Constraints kann man Erfüllbarkeit in Polynomialzeit testen Transitiver bschluss der Endpunktbeziehungen anschließend lineare Reihenfolge mit topologischem Sortieren Es gilt aber sogar Satz (Nebel, ürckert, 1995) uf den so eingeschränkten llen-constraints ist der llensche Kalkül korrekt und vollständig. Diese spezielle Klasse lässt sich als Grund-Hornklauseln darstellen, d.h. Klauseln mit maximal einem positiven Literal. Für Grund-Hornklauselmengen ist Erfüllbarkeit in polynomieller Zeit testbar. Man hat Fakten in der Form a < b und c = d, wobei a, b, c, d unbekannte Konstanten sind. Es gibt auch Hornklauseln, die von der Symmetrie und Transitivität stammen: x < y y < z x < z x = y y = z x = z x = y y = x x < y y = z x < z x = y y < z x < z D. Sabel KI WS 12/13 llens Zeitlogik 61/63 D. Sabel KI WS 12/13 llens Zeitlogik 62/63 Hintergrund (2) Man kann weitere llensche Constraints zulassen, und behält die Vollständigkeit des llen-kalküls: lle Constraints deren Übersetzung in Constraints über Endpunkten Hornklauseln ausschließlich mit Literalen a b, a = b und (a = b) erzeugt. Von den 2 13 = 8192 möglichen eziehungen erfüllen 868 diese Eigenschaft Man kann diese auch für die Fallunterscheidung des exponentiellen Verfahrens verwenden. Vorteil: Kleinere mittlere Verweigungsrate (Statt 6,5 nur 2,533 (Nebel 1997)) D. Sabel KI WS 12/13 llens Zeitlogik 63/63

Hilbert-Kalkül (Einführung)

Hilbert-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

Mehr

Erfüllbarkeit und Allgemeingültigkeit

Erfüllbarkeit 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

Mehr

I. Aussagenlogik. Aussagenlogik untersucht Verknüpfungen wie "und", "oder", "nicht", "wenn... dann" zwischen atomaren und komplexen Sätzen.

I. 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

Mehr

Logic in a Nutshell. Christian Liguda

Logic 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

Mehr

Logik für Informatiker

Logik 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

Mehr

Logik, Mengen und Abbildungen

Logik, Mengen und Abbildungen Kapitel 1 Logik, Mengen und bbildungen Josef Leydold Mathematik für VW WS 2016/17 1 Logik, Mengen und bbildungen 1 / 26 ussage Um Mathematik betreiben zu können, sind ein paar Grundkenntnisse der mathematischen

Mehr

Kapitel 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 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

Mehr

Algorithmen II Vorlesung am 15.11.2012

Algorithmen II Vorlesung am 15.11.2012 Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales

Mehr

abgeschlossen unter,,,, R,

abgeschlossen 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

Mehr

Informatik I WS 07/08 Tutorium 24

Informatik 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

Mehr

Kapitel 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 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

Mehr

Klausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13)

Klausur 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:

Mehr

Konjunktive und disjunktive Normalformen

Konjunktive und disjunktive Normalformen Konjunktive und disjunktive Normalformen Nachdem gesprochen wurde, wie man Boolesche Terme unter einer Belegung der Variablen interpretiert und dass somit jeder Boolesche Term eine Boolesche Funktion repräsentiert,

Mehr

Mathematik für Techniker

Mathematik für Techniker Siegfried Völkel u.a. Mathematik für Techniker 7., neu bearbeitete und erweiterte uflage 16 1 Rechenoperationen Prinzip der Mengenbildung Wenn eine ussageform für die Objekte eines Grundbereichs vorliegt,

Mehr

Kapitel 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 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

Mehr

Kleiner Ausflug in Logik und Verkehrssteuerung

Kleiner Ausflug in Logik und Verkehrssteuerung Kleiner usflug in Logik und Verkehrssteuerung Ein logisches Rätsel usgangslage: Drei Frauen stehen hintereinander. Jede trägt einen Hut auf dem Kopf und sieht nur die Hüte der voran stehenden Personen.

Mehr

Die Klassen P und NP. Dr. Eva Richter. 29. Juni 2012

Die 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

Mehr

Algorithmentheorie. 13 - Maximale Flüsse

Algorithmentheorie. 13 - Maximale Flüsse Algorithmentheorie 3 - Maximale Flüsse Prof. Dr. S. Albers Prof. Dr. Th. Ottmann . Maximale Flüsse in Netzwerken 5 3 4 7 s 0 5 9 5 9 4 3 4 5 0 3 5 5 t 8 8 Netzwerke und Flüsse N = (V,E,c) gerichtetes Netzwerk

Mehr

3. Relationen Erläuterungen und Schreibweisen

3. Relationen Erläuterungen und Schreibweisen 3. Relationen Eine Relation ist allgemein eine Beziehung, die zwischen Dingen bestehen kann. Relationen im Sinne der Mathematik sind ausschließlich diejenigen Beziehungen, bei denen stets klar ist, ob

Mehr

Graphen: Einführung. Vorlesung Mathematische Strukturen. Sommersemester 2011

Graphen: Einführung. Vorlesung Mathematische Strukturen. Sommersemester 2011 Graphen: Einführung Vorlesung Mathematische Strukturen Zum Ende der Vorlesung beschäftigen wir uns mit Graphen. Graphen sind netzartige Strukturen, bestehend aus Knoten und Kanten. Sommersemester 20 Prof.

Mehr

Formeln. Signatur. aussagenlogische Formeln: Aussagenlogische Signatur

Formeln. 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

Mehr

Aussagenlogik Prädikatenlogik erster Stufe. Logik. Logik

Aussagenlogik 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

Mehr

Logik für Informatiker

Logik 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:

Mehr

4.2 Die Chomsky Normalform

4.2 Die Chomsky Normalform 4.2 Die Chomsky Normalform Für algorithmische Problemstellungen (z.b. das Wortproblem) aber auch für den Nachweis von Eigenschaften kontextfreier Sprachen ist es angenehm, von CFG in Normalformen auszugehen.

Mehr

4 Greedy-Algorithmen (gierige Algorithmen)

4 Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen werden oft für die exakte oder approximative Lösung von Optimierungsproblemen verwendet. Typischerweise konstruiert ein Greedy-Algorithmus eine

Mehr

ADS: Algorithmen und Datenstrukturen 2

ADS: Algorithmen und Datenstrukturen 2 ADS: Algorithmen und Datenstrukturen Der Tragödie IV. Theyl Peter F. Stadler & Konstantin Klemm Bioinformatics Group, Dept. of Computer Science & Interdisciplinary Center for Bioinformatics, University

Mehr

Normalformen boolescher Funktionen

Normalformen boolescher Funktionen Normalformen boolescher Funktionen Jeder boolesche Ausdruck kann durch (äquivalente) Umformungen in gewisse Normalformen gebracht werden! Disjunktive Normalform (DNF) und Vollkonjunktion: Eine Vollkonjunktion

Mehr

2. Algorithmen und Algorithmisierung Algorithmen und Algorithmisierung von Aufgaben

2. Algorithmen und Algorithmisierung Algorithmen und Algorithmisierung von Aufgaben Algorithmen und Algorithmisierung von Aufgaben 2-1 Algorithmisierung: Formulierung (Entwicklung, Wahl) der Algorithmen + symbolische Darstellung von Algorithmen Formalismen für die symbolische Darstellung

Mehr

Technische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik. Weihnachtsblatt

Technische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik. Weihnachtsblatt Technische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik Prof. Dr. A. Taraz, Dipl-Math. A. Würfl, Dipl-Math. S. König Weihnachtsblatt Aufgabe W.1 Untersuchen Sie nachstehenden

Mehr

Brückenkurs Mathematik

Brückenkurs Mathematik Brückenkurs Mathematik 6.10. - 17.10. Vorlesung 1 Logik,, Doris Bohnet Universität Hamburg - Department Mathematik Mo 6.10.2008 Zeitplan Tagesablauf: 9:15-11:45 Vorlesung Audimax I 13:00-14:30 Übung Übungsräume

Mehr

Wiederholung zu Flüssen

Wiederholung zu Flüssen Universität Konstanz Methoden der Netzwerkanalyse Fachbereich Informatik & Informationswissenschaft SS 2008 Prof. Dr. Ulrik Brandes / Melanie Badent Wiederholung zu Flüssen Wir untersuchen Flüsse in Netzwerken:

Mehr

Teil 7. Grundlagen Logik

Teil 7. Grundlagen Logik Teil 7 Grundlagen Logik Was ist Logik? etymologische Herkunft: griechisch bedeutet Wort, Rede, Lehre (s.a. Faust I ) Logik als Argumentation: Alle Menschen sind sterblich. Sokrates ist ein Mensch. Also

Mehr

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum

Mehr

Rhetorik und Argumentationstheorie.

Rhetorik und Argumentationstheorie. Rhetorik und Argumentationstheorie 2 [frederik.gierlinger@univie.ac.at] Teil 2 Was ist ein Beweis? 2 Wichtige Grundlagen Tautologie nennt man eine zusammengesetzte Aussage, die wahr ist, unabhängig vom

Mehr

Informatik A (Autor: Max Willert)

Informatik A (Autor: Max Willert) 2. Aufgabenblatt Wintersemester 2012/2013 - Musterlösung Informatik A (Autor: Max Willert) 1. Logik im Alltag (a) Restaurant A wirbt mit dem Slogan Gutes Essen ist nicht billig!, das danebenliegende Restaurant

Mehr

Am Dienstag, den 16. Dezember, ist Eulenfest. 1/48

Am Dienstag, den 16. Dezember, ist Eulenfest. 1/48 Am Dienstag, den 16. Dezember, ist Eulenfest. 1/48 Grundbegriffe der Informatik Einheit 12: Erste Algorithmen in Graphen Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009

Mehr

Graphentheorie 1. Diskrete Strukturen. Sommersemester Uta Priss ZeLL, Ostfalia. Hausaufgaben Graph-Äquivalenz SetlX

Graphentheorie 1. Diskrete Strukturen. Sommersemester Uta Priss ZeLL, Ostfalia. Hausaufgaben Graph-Äquivalenz SetlX Graphentheorie 1 Diskrete Strukturen Uta Priss ZeLL, Ostfalia Sommersemester 2016 Diskrete Strukturen Graphentheorie 1 Slide 1/19 Agenda Hausaufgaben Graph-Äquivalenz SetlX Diskrete Strukturen Graphentheorie

Mehr

Grundlagen der Künstlichen Intelligenz

Grundlagen 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.

Mehr

14. Rot-Schwarz-Bäume

14. Rot-Schwarz-Bäume Bislang: Wörterbuchoperationen bei binären Suchbäume effizient durchführbar, falls Höhe des Baums klein. Rot-Schwarz-Bäume spezielle Suchbäume. Rot-Schwarz-Baum mit n Knoten hat Höhe höchstens 2 log(n+1).

Mehr

Theoretische Informatik SS 03 Übung 11

Theoretische 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

Mehr

Abgabe: (vor der Vorlesung) Aufgabe 2.1 (P) O-Notation Beweisen Sie die folgenden Aussagen für positive Funktionen f und g:

Abgabe: (vor der Vorlesung) Aufgabe 2.1 (P) O-Notation Beweisen Sie die folgenden Aussagen für positive Funktionen f und g: TECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK Lehrstuhl für Sprachen und Beschreibungsstrukturen SS 2009 Grundlagen: Algorithmen und Datenstrukturen Übungsblatt 2 Prof. Dr. Helmut Seidl, S. Pott,

Mehr

Logik: aussagenlogische Formeln und Wahrheitstafeln

Logik: aussagenlogische Formeln und Wahrheitstafeln FH Gießen-Friedberg, Sommersemester 2010 Lösungen zu Übungsblatt 1 Diskrete Mathematik (Informatik) 7./9. April 2010 Prof. Dr. Hans-Rudolf Metz Logik: aussagenlogische Formeln und Wahrheitstafeln Aufgabe

Mehr

Literatur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)

Literatur. 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,

Mehr

HEUTE. Datenstrukturen im Computer. Datenstrukturen. Rekursion. Feedback Evaluation. abstrakte Datenstrukturen

HEUTE. Datenstrukturen im Computer. Datenstrukturen. Rekursion. Feedback Evaluation. abstrakte Datenstrukturen 9.2.5 HUT 9.2.5 3 atenstrukturen im omputer atenstrukturen ie beiden fundamentalen atenstrukturen in der Praxis sind rray und Liste Rekursion Feedback valuation rray Zugriff: schnell Umordnung: langsam

Mehr

Randomisierte Algorithmen

Randomisierte 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

Mehr

23.1 Constraint-Netze

23.1 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

Mehr

SE PHILOSOPHISCHE LOGIK WS 2014 GÜNTHER EDER

SE PHILOSOPHISCHE LOGIK WS 2014 GÜNTHER EDER SE PHILOSOPHISCHE LOGIK WS 2014 GÜNTHER EDER FORMALE SPRACHEN Wie jede natürliche Sprache, hat auch auch jede formale Sprache Syntax/Grammatik Semantik GRAMMATIK / SYNTAX Die Grammatik / Syntax einer formalen

Mehr

Fuzzy-Inferenz. Fuzzy-Inferenz. Fuzzy-Inferenz. Fuzzy-Inferenz. Klassische Logik. Aussagenlogische Regel: a b

Fuzzy-Inferenz. Fuzzy-Inferenz. Fuzzy-Inferenz. Fuzzy-Inferenz. Klassische Logik. Aussagenlogische Regel: a b Fuzzy-Inferenz Fuzzy-Inferenz Klassische Logik. Produktionsregelsystem D, R mit D = {a} und R = {a b} Schlußfolgern mit Forward-Chaining (Modus Ponens, MP): a height is tall {0, 1} b weight is heavy {0,

Mehr

2. Repräsentationen von Graphen in Computern

2. Repräsentationen von Graphen in Computern 2. Repräsentationen von Graphen in Computern Kapitelinhalt 2. Repräsentationen von Graphen in Computern Matrizen- und Listendarstellung von Graphen Berechnung der Anzahl der verschiedenen Kantenzüge zwischen

Mehr

WS 2013/14. Diskrete Strukturen

WS 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

Mehr

Aussagenlogik zu wenig ausdrucksstark für die meisten Anwendungen. notwendig: Existenz- und Allaussagen

Aussagenlogik zu wenig ausdrucksstark für die meisten Anwendungen. notwendig: Existenz- und Allaussagen Prädikatenlogik 1. Stufe (kurz: PL1) Aussagenlogik zu wenig ausdrucksstark für die meisten Anwendungen notwendig: Existenz- und Allaussagen Beispiel: 54 Syntax der Prädikatenlogik erster Stufe (in der

Mehr

NP-Vollständigkeit. Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984)

NP-Vollständigkeit. Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984) NP-Vollständigkeit Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984) 0 Übersicht: Einleitung Einteilung in Klassen Die Klassen P und NP

Mehr

WS 2009/10. Diskrete Strukturen

WS 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

Mehr

Ein kausaler Zusammenhang entspricht einer speziellen wahren Implikation. Beispiel: Wenn es regnet, dann wird die Erde nass.

Ein 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:

Mehr

Binäre Suchbäume (binary search trees, kurz: bst)

Binäre 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.

Mehr

Kapitel 7: Formaler Datenbankentwurf

Kapitel 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

Mehr

Aus Knoten und Kanten, die Bezeichnungen haben können. Ein Graph, bei dem die Kanten Richtungen haben.

Aus Knoten und Kanten, die Bezeichnungen haben können. Ein Graph, bei dem die Kanten Richtungen haben. ormale Methoden der Informatik WS 2/2 Lehrstuhl für atenbanken und Künstliche Intelligenz ProfrrJRadermacher H Ünver T Rehfeld J ollinger 3 ufgabenblatt esprechung in den Tutorien vom 72 (ab Übungstermin)

Mehr

Zusammenfassung. 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. 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

Mehr

Vorlesung Informatik 2 Algorithmen und Datenstrukturen. (20 Graphen) T. Lauer

Vorlesung Informatik 2 Algorithmen und Datenstrukturen. (20 Graphen) T. Lauer Vorlesung Informatik 2 Algorithmen und Datenstrukturen (20 Graphen) T. Lauer 1 Motivation Wie komme ich am besten von Freiburg nach Ulm? Was ist die kürzeste Rundreise durch eine gegebene Menge von Städten?

Mehr

Informatik II, SS 2014

Informatik II, SS 2014 Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 13 (18.6.2014) Binäre Suchbäume IV (Rot Schwarz Bäume) Algorithmen und Komplexität Rot Schwarz Bäume Ziel: Binäre Suchbäume, welche immer

Mehr

Komplexitätstheorie Einführung und Überblick (Wiederholung)

Komplexitätstheorie Einführung und Überblick (Wiederholung) Literatur C. Papadimitriou UC Berkeley Zum Komplexitätsbegriff Strukturelle Komplexität Average Case Analyse Effiziente Algorithmen Logische Komplexität Beschreibungssprachen: SQL Kolmogorov Komplexität

Mehr

Matrizen, Determinanten, lineare Gleichungssysteme

Matrizen, Determinanten, lineare Gleichungssysteme Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n

Mehr

1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie

1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie Gliederung 1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. äume / Graphen. Hashing 6. Algorithmische Geometrie 4/6, Folie 1 2014 Prof. Steffen Lange - HDa/FbI

Mehr

6. Induktives Beweisen - Themenübersicht

6. Induktives Beweisen - Themenübersicht 6. Induktives Beweisen - Themenübersicht Ordnungsrelationen Partielle Ordnungen Quasiordnungen Totale Ordnungen Striktordnungen Ordnungen und Teilstrukturen Noethersche Induktion Anwendung: Terminierungsbeweise

Mehr

Syntax von LOOP-Programmen

Syntax von LOOP-Programmen LOOP-Berechenbarkeit Syntax von LOOP-Programmen Definition LOOP-Programme bestehen aus: Variablen: x 0, x 1, x 2, x 3,... Konstanten: 0, 1, 2, 3,... Trennsymbolen:; und := Operationen: + und Befehlen:

Mehr

der einzelnen Aussagen den Wahrheitswert der zusammengesetzten Aussage falsch falsch falsch falsch wahr falsch wahr falsch falsch wahr wahr wahr

der 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

Mehr

TU8 Beweismethoden. Daniela Andrade

TU8 Beweismethoden. Daniela Andrade TU8 Beweismethoden Daniela Andrade daniela.andrade@tum.de 12.12.2016 1 / 21 Kleine Anmerkung Meine Folien basieren auf den DS Trainer von Carlos Camino, den ihr auf www.carlos-camino.de/ds findet ;) 2

Mehr

Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7

Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Timo Stöcker Erstsemestereinführung Informatik TU Dortmund 22. März 2011 Heute Themen Lineare Gleichungssysteme Matrizen Timo Stöcker https://fsinfo.cs.tu-dortmund.de/studis/ese/vorkurse/mathe

Mehr

3. Musterlösung. Problem 1: Boruvka MST

3. Musterlösung. Problem 1: Boruvka MST Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 06/07 ITI Wagner. Musterlösung Problem : Boruvka MST pt (a) Beweis durch Widerspruch. Sei T MST von G, e die lokal minimale Kante eines

Mehr

Lösung zur Aufgabe Würfel färben von Heft 20

Lösung zur Aufgabe Würfel färben von Heft 20 Lösung zur Aufgabe Würfel färben von Heft 20 (1) Jedes der 24 Teilquadrate grenzt an genau eine der acht Ecken. Da nach unserer Vorschrift die drei Teilquadrate an jeder Ecke unterschiedlich gefärbt sein

Mehr

Grundlagen der Künstlichen Intelligenz

Grundlagen der Künstlichen Intelligenz Grundlagen der Künstlichen Intelligenz 22. Constraint-Satisfaction-Probleme: Kantenkonsistenz Malte Helmert Universität Basel 14. April 2014 Constraint-Satisfaction-Probleme: Überblick Kapitelüberblick

Mehr

Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I. Ulrich Furbach. Sommersemester 2014

Grundlagen 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:

Mehr

WS 2009/10. Diskrete Strukturen

WS 2009/10. Diskrete Strukturen WS 2009/10 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/ws0910

Mehr

Algorithmen mit konstantem Platzbedarf: Die Klasse REG

Algorithmen mit konstantem Platzbedarf: Die Klasse REG Algorithmen mit konstantem Platzbedarf: Die Klasse REG Sommerakademie Rot an der Rot AG 1 Wieviel Platz brauchen Algorithmen wirklich? Daniel Alm Institut für Numerische Simulation Universität Bonn August

Mehr

Demo für Mengenlehre Teil 1. Die Grundlagen. Text INTERNETBIBLIOTHEK FÜR SCHULMATHEMATIK. FRIEDRICH W.

Demo für  Mengenlehre Teil 1. Die Grundlagen. Text INTERNETBIBLIOTHEK FÜR SCHULMATHEMATIK.  FRIEDRICH W. Die Grundlagen Stand..0 Friedrich W. uckel Text 0 FRIEDRIH W. UKEL INTERNETILIOTHEK FÜR SHULMTHEMTIK Mengenlehre Teil 0 Mengenlehre Vorwort Die Mengenlehre wurde lange als die unverzichtbare Grundlage

Mehr

w a is die Anzahl der Vorkommen von a in w Beispiel: abba a = 2

w a is die Anzahl der Vorkommen von a in w Beispiel: abba a = 2 1 2 Notation für Wörter Grundlagen der Theoretischen Informatik Till Mossakowski Fakultät für Informatik Otto-von-Guericke Universität Magdeburg w a is die Anzahl der Vorkommen von a in w Beispiel: abba

Mehr

Was bisher geschah. Aufgaben: Diagnose, Entscheidungsunterstützung Aufbau Komponenten und Funktion

Was 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

Mehr

Vorlesung. Einführung in die mathematische Sprache und naive Mengenlehre

Vorlesung. Einführung in die mathematische Sprache und naive Mengenlehre Vorlesung Einführung in die mathematische Sprache und naive Mengenlehre Allgemeines RUD26 Erwin-Schrödinger-Zentrum (ESZ) RUD25 Johann-von-Neumann-Haus Fachschaft Menge aller Studenten eines Institutes

Mehr

Grundlagen der Theoretischen Informatik - Sommersemester 2012. Übungsblatt 1: Lösungsvorschläge

Grundlagen 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

Mehr

5.4 Die Prädikatenlogik 1.Stufe als Semantikformalismus

5.4 Die Prädikatenlogik 1.Stufe als Semantikformalismus 5.4 Die Prädikatenlogik 1.Stufe als Semantikformalismus 5.4.1 Einführung Einführung Verwendet wird die Sprache der Prädikatenlogik erster Stufe mit Identität (ohne Funktionskonstanten) mit dem folgenden

Mehr

LÖSUNG ELEMTARGEOMETRIE AUFGABE 1 P''' P'' -1 1

LÖSUNG ELEMTARGEOMETRIE AUFGABE 1 P''' P'' -1 1 LÖSUNG ELEMTRGEOMETRIE UFGE 1 GHS/LT, THEM I, UFGE ; RL/LT, THEM I, UFGE ; SOPÄD/NEU, THEM I, UFGE ; GHS/NEU, THEM I, UFGE ; RL/NEU, THEM I, UFGE UFGE Entsprechend bbildung 1 wird der Punkt der Reihe nach

Mehr

(Man sagt dafür auch, dass die Teilmenge U bezüglich der Gruppenoperationen abgeschlossen sein muss.)

(Man sagt dafür auch, dass die Teilmenge U bezüglich der Gruppenoperationen abgeschlossen sein muss.) 3. Untergruppen 19 3. Untergruppen Nachdem wir nun einige grundlegende Gruppen kennengelernt haben, wollen wir in diesem Kapitel eine einfache Möglichkeit untersuchen, mit der man aus bereits bekannten

Mehr

Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É.

Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Tardos Janick Martinez Esturo jmartine@techfak.uni-bielefeld.de xx.08.2007 Sommerakademie Görlitz Arbeitsgruppe 5 Gliederung

Mehr

Wiederholung ADT Menge Ziel: Verwaltung (Finden, Einfügen, Entfernen) einer Menge von Elementen

Wiederholung ADT Menge Ziel: Verwaltung (Finden, Einfügen, Entfernen) einer Menge von Elementen Was bisher geschah abstrakter Datentyp : Signatur Σ und Axiome Φ z.b. ADT Menge zur Verwaltung (Finden, Einfügen, Entfernen) mehrerer Elemente desselben Typs Spezifikation einer Schnittstelle Konkreter

Mehr

Rechnerische Komplexität

Rechnerische Komplexität Proseminar Effiziente Algorithmen SS 2002 Rechnerische Komplexität Ulrike Krönert (34180) 0. Inhalt 1. Einführung 2. Algorithmen und Komplexität 2.1. Algorithmen 2.2. Laufzeitabschätzung 2.3. Polynomialzeit

Mehr

Thomas Behr. 17. November 2011

Thomas Behr. 17. November 2011 in in Fakultät für Mathematik und Informatik Datenbanksysteme für neue Anwendungen FernUniversität in Hagen 17. November 2011 c 2011 FernUniversität in Hagen Outline in 1 2 3 4 5 6 - Was ist das? in über

Mehr

Kürzeste Wege in Graphen. Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik

Kürzeste Wege in Graphen. Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik Kürzeste Wege in Graphen Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik Gliederung Einleitung Definitionen Algorithmus von Dijkstra Bellmann-Ford Algorithmus Floyd-Warshall Algorithmus

Mehr

Elementargeometrie. Prof. Dr. Andreas Meister SS digital von: Frank Lieberknecht

Elementargeometrie. Prof. Dr. Andreas Meister SS digital von: Frank Lieberknecht Prof. Dr. Andreas Meister SS 2004 digital von: Frank Lieberknecht Geplanter Vorlesungsverlauf...1 Graphentheorie...1 Beispiel 1.1: (Königsberger Brückenproblem)... 1 Beispiel 1.2: (GEW - Problem)... 2

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Fakultät Grundlagen Juli 2015 Fakultät Grundlagen Übersicht Lineare Gleichungssystem mit 2 Variablen 1 Lineare Gleichungssystem mit 2 Variablen Beispiele 2 Fakultät Grundlagen Folie: 2 Beispiel I Lineare

Mehr

Algorithmen und Datenstrukturen 2

Algorithmen und Datenstrukturen 2 Algorithmen und Datenstrukturen 2 Sommersemester 2006 5. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Wdhlg.: Dijkstra-Algorithmus I Bestimmung der

Mehr

Iterative Verfahren, Splittingmethoden

Iterative Verfahren, Splittingmethoden Iterative Verfahren, Splittingmethoden Theodor Müller 19. April 2005 Sei ein lineares Gleichungssystem der Form Ax = b b C n, A C n n ( ) gegeben. Es sind direkte Verfahren bekannt, die ein solches Gleichungssystem

Mehr

10 Dynamische Programmierung

10 Dynamische Programmierung 137 Dynamische Programmierung Das Prinzip der Dynamischen Programmierung wird häufig bei Fragestellungen auf Worten angewendet..1 Längste gemeinsame Teilfolge Wir betrachten Worte der rt w = a 1 a 2 a

Mehr

Guten Morgen und Willkommen zur Saalübung!

Guten Morgen und Willkommen zur Saalübung! Guten Morgen und Willkommen zur Saalübung! 1 Wie gewinnt man ein Spiel? Was ist ein Spiel? 2 Verschiedene Spiele Schach, Tic-Tac-Toe, Go Memory Backgammon Poker Nim, Käsekästchen... 3 Einschränkungen Zwei

Mehr

Formale Systeme, WS 2012/2013 Lösungen zu Übungsblatt 4

Formale Systeme, WS 2012/2013 Lösungen zu Übungsblatt 4 Karlsruher Institut für Technologie Institut für Theoretische Informatik Prof. Dr. Peter H. Schmitt David Farago, Christoph Scheben, Mattias Ulbrich Formale Systeme, WS 2012/2013 Lösungen zu Übungsblatt

Mehr

Algorithmen und Datenstrukturen (WS 2007/08) 63

Algorithmen und Datenstrukturen (WS 2007/08) 63 Kapitel 6 Graphen Beziehungen zwischen Objekten werden sehr oft durch binäre Relationen modelliert. Wir beschäftigen uns in diesem Kapitel mit speziellen binären Relationen, die nicht nur nur besonders

Mehr

wichtiger, effizient zu behandelnder Spezialfall (benannt nach Alfred Horn)

wichtiger, effizient zu behandelnder Spezialfall (benannt nach Alfred Horn) 2.4 Hornformeln wichtiger, effizient zu behandelnder Spezialfall (benannt nach Alfred Horn) Def.: (Hornformel) Eine Formel F ist eine Hornformel, falls F in KNF ist und jedes Konjunktionsglied (also jede

Mehr

Einführung in die Informatik 1

Einführung in die Informatik 1 Einführung in die Informatik 1 Algorithmen und algorithmische Sprachkonzepte Sven Kosub AG Algorithmik/Theorie komplexer Systeme Universität Konstanz E 202 Sven.Kosub@uni-konstanz.de Sprechstunde: Freitag,

Mehr

Wortproblem für kontextfreie Grammatiken

Wortproblem für kontextfreie Grammatiken Wortproblem für kontextfreie Grammatiken G kontextfreie Grammatik. w Σ w L(G)? Wortproblem ist primitiv rekursiv entscheidbar. (schlechte obere Schranke!) Kellerautomat der L(G) akzeptiert Ist dieser effizient?

Mehr

Lösungsvorschläge Blatt Z1

Lösungsvorschläge 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 /

Mehr

Aufgabe - Fortsetzung

Aufgabe - Fortsetzung Aufgabe - Fortsetzung NF: Nicht-Formel F: Formel A: Aussage x :( y : Q(x, y) R(x, y)) z :(Q(z, x) R(y, z)) y :(R(x, y) Q(x, z)) x :( P(x) P(f (a))) P(x) x : P(x) x y :((P(y) Q(x, y)) P(x)) x x : Q(x, x)

Mehr