Wissensbasierte Systeme – Logik

Wissensbasierte Systeme
– Logik –
Jan Hladik
DHBW Stuttgart
Sommersemester 2017
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
1 / 139
Inhalt
1
Einführung
2
Aussagenlogik
3
Prädikatenlogik
4
Beschreibungslogiken
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
2 / 139
Dozent
Jan Hladik
Dipl.-Inform.: RWTH Aachen, 2001
Dr. rer. nat.: TU Dresden, 2007
Industrieerfahrung: SAP Research
Öffentlich geförderte Forschungsprojekte
Zusammenarbeit mit Produktgruppen
Betreuung von Studenten und Doktoranden
Professor: DHBW Stuttgart, 2014
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
3 / 139
Dozent
Jan Hladik
Dipl.-Inform.: RWTH Aachen, 2001
Dr. rer. nat.: TU Dresden, 2007
Industrieerfahrung: SAP Research
Öffentlich geförderte Forschungsprojekte
Zusammenarbeit mit Produktgruppen
Betreuung von Studenten und Doktoranden
Professor: DHBW Stuttgart, 2014
Forschung
Semantic Web, Semantische Technologien, Schlussfolgerungsverfahren
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
3 / 139
Literatur
Vorlesungsmaterial
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
4 / 139
Literatur
Vorlesungsmaterial
http://wwwlehre.dhbw-stuttgart.de/~hladik/WBS/
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
4 / 139
Literatur
Vorlesungsmaterial
http://wwwlehre.dhbw-stuttgart.de/~hladik/WBS/
Logik
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
4 / 139
Literatur
Vorlesungsmaterial
http://wwwlehre.dhbw-stuttgart.de/~hladik/WBS/
Logik
Dirk W. Hoffmann: Theoretische Informatik
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
4 / 139
Literatur
Vorlesungsmaterial
http://wwwlehre.dhbw-stuttgart.de/~hladik/WBS/
Logik
Dirk W. Hoffmann: Theoretische Informatik
Karl Stroetmann: Theoretische Informatik I - Logik und Mengenlehre
http://wwwlehre.dhbw-stuttgart.de/~stroetma/Logic/
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
4 / 139
Literatur
Vorlesungsmaterial
http://wwwlehre.dhbw-stuttgart.de/~hladik/WBS/
Logik
Dirk W. Hoffmann: Theoretische Informatik
Karl Stroetmann: Theoretische Informatik I - Logik und Mengenlehre
http://wwwlehre.dhbw-stuttgart.de/~stroetma/Logic/
Beschreibungslogik
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
4 / 139
Inhalt
1
Einführung
2
Aussagenlogik
Syntax
Semantik
Schlussfolgerungsverfahren
3
Prädikatenlogik
4
Beschreibungslogiken
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
5 / 139
Inhalt
1
Einführung
2
Aussagenlogik
Syntax
Semantik
Schlussfolgerungsverfahren
3
Prädikatenlogik
4
Beschreibungslogiken
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
6 / 139
Aussagenlogik
Einfachste in dieser Vorlesung betrachtete Logik
begrenzte Ausdrucksstärke
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
7 / 139
Aussagenlogik
Einfachste in dieser Vorlesung betrachtete Logik
begrenzte Ausdrucksstärke
einfach zu verstehen und anzuwenden
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
7 / 139
Aussagenlogik
Einfachste in dieser Vorlesung betrachtete Logik
begrenzte Ausdrucksstärke
einfach zu verstehen und anzuwenden
enthält verschiedene Konzepte, die auch in ausdrucksstärkeren Logiken
vorkommen
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
7 / 139
Aussagenlogik
Einfachste in dieser Vorlesung betrachtete Logik
begrenzte Ausdrucksstärke
einfach zu verstehen und anzuwenden
enthält verschiedene Konzepte, die auch in ausdrucksstärkeren Logiken
vorkommen
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
7 / 139
Aussagenlogik
Einfachste in dieser Vorlesung betrachtete Logik
begrenzte Ausdrucksstärke
einfach zu verstehen und anzuwenden
enthält verschiedene Konzepte, die auch in ausdrucksstärkeren Logiken
vorkommen
Aussagenvariablen repräsentieren atomare Aussagen
Beispiel
A
;
„Es regnet.“
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
7 / 139
Aussagenlogik
Einfachste in dieser Vorlesung betrachtete Logik
begrenzte Ausdrucksstärke
einfach zu verstehen und anzuwenden
enthält verschiedene Konzepte, die auch in ausdrucksstärkeren Logiken
vorkommen
Aussagenvariablen repräsentieren atomare Aussagen
Beispiel
A
;
„Es regnet.“
Junktoren repräsentieren Zusammenhänge zwischen Aussagen
Beispiel
A→B
;
„Wenn es regnet, wird die Erde nass.“
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
7 / 139
Syntax der Aussagenlogik
Definition (Aussagenlogische Formel)
Sei V eine Menge von Aussagenvariablen.
Jedes X ∈ V ist eine aussagenlogische Formel.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
8 / 139
Syntax der Aussagenlogik
Definition (Aussagenlogische Formel)
Sei V eine Menge von Aussagenvariablen.
Jedes X ∈ V ist eine aussagenlogische Formel.
> und ⊥ sind aussagenlogische Formeln.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
8 / 139
Syntax der Aussagenlogik
Definition (Aussagenlogische Formel)
Sei V eine Menge von Aussagenvariablen.
Jedes X ∈ V ist eine aussagenlogische Formel.
> und ⊥ sind aussagenlogische Formeln.
Wenn ϕ und ψ aussagenlogische Formeln sind, dann auch
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
8 / 139
Syntax der Aussagenlogik
Definition (Aussagenlogische Formel)
Sei V eine Menge von Aussagenvariablen.
Jedes X ∈ V ist eine aussagenlogische Formel.
> und ⊥ sind aussagenlogische Formeln.
Wenn ϕ und ψ aussagenlogische Formeln sind, dann auch
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
8 / 139
Syntax der Aussagenlogik
Definition (Aussagenlogische Formel)
Sei V eine Menge von Aussagenvariablen.
Jedes X ∈ V ist eine aussagenlogische Formel.
> und ⊥ sind aussagenlogische Formeln.
Wenn ϕ und ψ aussagenlogische Formeln sind, dann auch
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
8 / 139
Syntax der Aussagenlogik
Definition (Aussagenlogische Formel)
Sei V eine Menge von Aussagenvariablen.
Jedes X ∈ V ist eine aussagenlogische Formel.
> und ⊥ sind aussagenlogische Formeln.
Wenn ϕ und ψ aussagenlogische Formeln sind, dann auch
¬ϕ (Negation)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
8 / 139
Syntax der Aussagenlogik
Definition (Aussagenlogische Formel)
Sei V eine Menge von Aussagenvariablen.
Jedes X ∈ V ist eine aussagenlogische Formel.
> und ⊥ sind aussagenlogische Formeln.
Wenn ϕ und ψ aussagenlogische Formeln sind, dann auch
¬ϕ (Negation)
ϕ ∧ ψ (Konjunktion)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
8 / 139
Syntax der Aussagenlogik
Definition (Aussagenlogische Formel)
Sei V eine Menge von Aussagenvariablen.
Jedes X ∈ V ist eine aussagenlogische Formel.
> und ⊥ sind aussagenlogische Formeln.
Wenn ϕ und ψ aussagenlogische Formeln sind, dann auch
¬ϕ (Negation)
ϕ ∧ ψ (Konjunktion)
ϕ ∨ ψ (Disjunktion)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
8 / 139
Syntax der Aussagenlogik
Definition (Aussagenlogische Formel)
Sei V eine Menge von Aussagenvariablen.
Jedes X ∈ V ist eine aussagenlogische Formel.
> und ⊥ sind aussagenlogische Formeln.
Wenn ϕ und ψ aussagenlogische Formeln sind, dann auch
¬ϕ (Negation)
ϕ ∧ ψ (Konjunktion)
ϕ ∨ ψ (Disjunktion)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
8 / 139
Syntax der Aussagenlogik
Definition (Aussagenlogische Formel)
Sei V eine Menge von Aussagenvariablen.
Jedes X ∈ V ist eine aussagenlogische Formel.
> und ⊥ sind aussagenlogische Formeln.
Wenn ϕ und ψ aussagenlogische Formeln sind, dann auch
¬ϕ (Negation)
ϕ → ψ (materiale Implikation)
ϕ ∧ ψ (Konjunktion)
ϕ ∨ ψ (Disjunktion)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
8 / 139
Syntax der Aussagenlogik
Definition (Aussagenlogische Formel)
Sei V eine Menge von Aussagenvariablen.
Jedes X ∈ V ist eine aussagenlogische Formel.
> und ⊥ sind aussagenlogische Formeln.
Wenn ϕ und ψ aussagenlogische Formeln sind, dann auch
¬ϕ (Negation)
ϕ → ψ (materiale Implikation)
ϕ ∧ ψ (Konjunktion)
ϕ ↔ ψ (materiale Äquivalenz)
ϕ ∨ ψ (Disjunktion)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
8 / 139
Syntax der Aussagenlogik
Definition (Aussagenlogische Formel)
Sei V eine Menge von Aussagenvariablen.
Jedes X ∈ V ist eine aussagenlogische Formel.
> und ⊥ sind aussagenlogische Formeln.
Wenn ϕ und ψ aussagenlogische Formeln sind, dann auch
¬ϕ (Negation)
ϕ → ψ (materiale Implikation)
ϕ ∧ ψ (Konjunktion)
ϕ ↔ ψ (materiale Äquivalenz)
ϕ ∨ ψ (Disjunktion)
(ϕ) (Klammern)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
8 / 139
Syntax der Aussagenlogik
Definition (Aussagenlogische Formel)
Sei V eine Menge von Aussagenvariablen.
Jedes X ∈ V ist eine aussagenlogische Formel.
> und ⊥ sind aussagenlogische Formeln.
Wenn ϕ und ψ aussagenlogische Formeln sind, dann auch
¬ϕ (Negation)
ϕ → ψ (materiale Implikation)
ϕ ∧ ψ (Konjunktion)
ϕ ↔ ψ (materiale Äquivalenz)
ϕ ∨ ψ (Disjunktion)
(ϕ) (Klammern)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
8 / 139
Syntax der Aussagenlogik
Definition (Aussagenlogische Formel)
Sei V eine Menge von Aussagenvariablen.
Jedes X ∈ V ist eine aussagenlogische Formel.
> und ⊥ sind aussagenlogische Formeln.
Wenn ϕ und ψ aussagenlogische Formeln sind, dann auch
¬ϕ (Negation)
ϕ → ψ (materiale Implikation)
ϕ ∧ ψ (Konjunktion)
ϕ ↔ ψ (materiale Äquivalenz)
ϕ ∨ ψ (Disjunktion)
(ϕ) (Klammern)
Beispiele
A∧B
A ∧ (B ∨ C )
A → (B ∧ (C ↔ D) ∨ (D → E))
⊥∨A
¬(A ∨ B)
A ↔ (A ↔ D)
¬>
C → (B ∨ D)
((A ↔ B) ↔ (C ↔ D)) → E
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
8 / 139
Vorrang und Assoziativität der Junktoren
Vorrang der Junktoren:
Jan Hladik (DHBW Stuttgart)
¬
∧
Wissensbasierte Systeme – Logik –
∨
→
Sommersemester 2017
↔
9 / 139
Vorrang und Assoziativität der Junktoren
Vorrang der Junktoren:
¬
∧
∨
→
↔
Beispiel
A ∧ ¬B → B ∨ C
Jan Hladik (DHBW Stuttgart)
bedeutet
(A ∧ (¬B)) → (B ∨ C )
Wissensbasierte Systeme – Logik –
Sommersemester 2017
9 / 139
Vorrang und Assoziativität der Junktoren
Vorrang der Junktoren:
¬
∧
∨
→
↔
Beispiel
A ∧ ¬B → B ∨ C
bedeutet
(A ∧ (¬B)) → (B ∨ C )
Gleiche Junktoren werden links-assoziativ gelesen.
Beispiel
A→B→C
Jan Hladik (DHBW Stuttgart)
bedeutet (A → B) → C
Wissensbasierte Systeme – Logik –
Sommersemester 2017
9 / 139
Inhalt
1
Einführung
2
Aussagenlogik
Syntax
Semantik
Schlussfolgerungsverfahren
3
Prädikatenlogik
4
Beschreibungslogiken
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
10 / 139
Semantik der Aussagenlogik
Aussagevariablen erhalten Wert 0 oder 1
Formel wird wahr oder falsch
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
11 / 139
Semantik der Aussagenlogik
Aussagevariablen erhalten Wert 0 oder 1
Formel wird wahr oder falsch
Definition (Interpretation in der Aussagenlogik)
Eine Interpretation ist eine Funktion I : V → B mit
einer Menge von Aussagevariablen V
der binären Menge B = {0, 1}
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
11 / 139
Semantik der Aussagenlogik
Aussagevariablen erhalten Wert 0 oder 1
Formel wird wahr oder falsch
Definition (Interpretation in der Aussagenlogik)
Eine Interpretation ist eine Funktion I : V → B mit
einer Menge von Aussagevariablen V
der binären Menge B = {0, 1}
Beispiel
A 7→ 0
;
„es regnet nicht“
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
11 / 139
Interpretation komplexer Formeln
⊥I
0
>I
1
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
12 / 139
Interpretation komplexer Formeln
⊥I
0
>I
1
Jan Hladik (DHBW Stuttgart)
ϕI
(¬ϕ)I
Wissensbasierte Systeme – Logik –
0
1
1
0
Sommersemester 2017
12 / 139
Interpretation komplexer Formeln
⊥I
0
>I
1
ϕI
(¬ϕ)I
(ϕ ∧ ψ)I
ϕI 0
1
0
0
0
1
0
1
1
0
ψI
0
1
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
12 / 139
Interpretation komplexer Formeln
⊥I
0
>I
1
(ϕ ∧ ψ)I
ϕI 0
ϕI
(¬ϕ)I
1
ψI
0
1
Jan Hladik (DHBW Stuttgart)
0
0
ψI
0
1
0
1
Wissensbasierte Systeme – Logik –
0
1
1
0
(ϕ ∨ ψ)I
ϕI 0
1
0
1
1
1
Sommersemester 2017
12 / 139
Interpretation komplexer Formeln
⊥I
0
>I
1
(ϕ ∧ ψ)I
ϕI 0
ϕI
(¬ϕ)I
1
ψI
0
1
0
0
ψI
0
1
0
1
0
1
1
0
(ϕ ∨ ψ)I
ϕI 0
1
0
1
1
1
(ϕ → ψ)I
ϕI 0 1
ψI
0
1
Jan Hladik (DHBW Stuttgart)
1
1
0
1
Wissensbasierte Systeme – Logik –
Sommersemester 2017
12 / 139
Interpretation komplexer Formeln
⊥I
0
>I
1
(ϕ ∧ ψ)I
ϕI 0
ϕI
(¬ϕ)I
1
ψI
0
1
0
0
ψI
0
1
0
1
(ϕ → ψ)I
ϕI 0 1
ψI
0
1
Jan Hladik (DHBW Stuttgart)
1
1
0
1
1
0
(ϕ ∨ ψ)I
ϕI 0
1
0
1
1
1
(ϕ ↔ ψ)I
ϕI 0 1
ψI
0
1
0
1
Wissensbasierte Systeme – Logik –
1
0
0
1
Sommersemester 2017
12 / 139
Beispiele: Interpretationen
Die Interpretation I = {A 7→ 1, B 7→ 1, C 7→ 0} macht die Formel . . .
B wahr;
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
13 / 139
Beispiele: Interpretationen
Die Interpretation I = {A 7→ 1, B 7→ 1, C 7→ 0} macht die Formel . . .
B wahr;
A ∧ B wahr;
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
13 / 139
Beispiele: Interpretationen
Die Interpretation I = {A 7→ 1, B 7→ 1, C 7→ 0} macht die Formel . . .
B wahr;
A ∧ B wahr;
A ∧ C falsch;
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
13 / 139
Beispiele: Interpretationen
Die Interpretation I = {A 7→ 1, B 7→ 1, C 7→ 0} macht die Formel . . .
B wahr;
A ∧ B wahr;
A ∧ C falsch;
(A ∧ B) ∨ (A ∧ C ) wahr;
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
13 / 139
Beispiele: Interpretationen
Die Interpretation I = {A 7→ 1, B 7→ 1, C 7→ 0} macht die Formel . . .
B wahr;
A ∧ B wahr;
A ∧ C falsch;
(A ∧ B) ∨ (A ∧ C ) wahr;
((A ∧ B) ∨ (A ∧ C )) → C falsch.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
13 / 139
Äquivalenz
Definition (Äquivalenz)
Zwei aussagenlogische Formeln ϕ und ψ sind (logisch) äquivalent, wenn
jede Interpretation beiden Formeln denselben Wahrheitswert zuordnet, d. h.:
ϕI = ψ I
Jan Hladik (DHBW Stuttgart)
für jedes I
Wissensbasierte Systeme – Logik –
Sommersemester 2017
14 / 139
Äquivalenz
Definition (Äquivalenz)
Zwei aussagenlogische Formeln ϕ und ψ sind (logisch) äquivalent, wenn
jede Interpretation beiden Formeln denselben Wahrheitswert zuordnet, d. h.:
ϕI = ψ I
für jedes I
Manche Operatoren lassen sich durch äquivalente Ausdrücke ersetzen:
Satz (Äquivalenzen)
ϕ ↔ ψ ist äquivalent zu (ϕ → ψ) ∧ (ψ → ϕ) oder (ϕ ∧ ψ) ∨ (¬ϕ ∧ ¬ψ)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
14 / 139
Äquivalenz
Definition (Äquivalenz)
Zwei aussagenlogische Formeln ϕ und ψ sind (logisch) äquivalent, wenn
jede Interpretation beiden Formeln denselben Wahrheitswert zuordnet, d. h.:
ϕI = ψ I
für jedes I
Manche Operatoren lassen sich durch äquivalente Ausdrücke ersetzen:
Satz (Äquivalenzen)
ϕ ↔ ψ ist äquivalent zu (ϕ → ψ) ∧ (ψ → ϕ) oder (ϕ ∧ ψ) ∨ (¬ϕ ∧ ¬ψ)
ϕ → ψ ist äquivalent zu ¬ϕ ∨ ψ
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
14 / 139
Äquivalenz
Definition (Äquivalenz)
Zwei aussagenlogische Formeln ϕ und ψ sind (logisch) äquivalent, wenn
jede Interpretation beiden Formeln denselben Wahrheitswert zuordnet, d. h.:
ϕI = ψ I
für jedes I
Manche Operatoren lassen sich durch äquivalente Ausdrücke ersetzen:
Satz (Äquivalenzen)
ϕ ↔ ψ ist äquivalent zu (ϕ → ψ) ∧ (ψ → ϕ) oder (ϕ ∧ ψ) ∨ (¬ϕ ∧ ¬ψ)
ϕ → ψ ist äquivalent zu ¬ϕ ∨ ψ
ϕ ∧ ψ ist äquivalent zu ¬(¬ϕ ∨ ¬ψ)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
14 / 139
Äquivalenz
Definition (Äquivalenz)
Zwei aussagenlogische Formeln ϕ und ψ sind (logisch) äquivalent, wenn
jede Interpretation beiden Formeln denselben Wahrheitswert zuordnet, d. h.:
ϕI = ψ I
für jedes I
Manche Operatoren lassen sich durch äquivalente Ausdrücke ersetzen:
Satz (Äquivalenzen)
ϕ ↔ ψ ist äquivalent zu (ϕ → ψ) ∧ (ψ → ϕ) oder (ϕ ∧ ψ) ∨ (¬ϕ ∧ ¬ψ)
ϕ → ψ ist äquivalent zu ¬ϕ ∨ ψ
ϕ ∧ ψ ist äquivalent zu ¬(¬ϕ ∨ ¬ψ)
ϕ ∨ ψ ist äquivalent zu ¬(¬ϕ ∧ ¬ψ)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
14 / 139
Tautologien
Definition (Tautologie)
Eine Tautologie ist eine Formel, die in jeder Interpretation wahr ist.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
15 / 139
Tautologien
Definition (Tautologie)
Eine Tautologie ist eine Formel, die in jeder Interpretation wahr ist.
Beispiele (Tautologien)
A ↔ A (Identität)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
15 / 139
Tautologien
Definition (Tautologie)
Eine Tautologie ist eine Formel, die in jeder Interpretation wahr ist.
Beispiele (Tautologien)
A ↔ A (Identität)
¬(A ∧ ¬A) (Ausgeschlossener Widerspruch)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
15 / 139
Tautologien
Definition (Tautologie)
Eine Tautologie ist eine Formel, die in jeder Interpretation wahr ist.
Beispiele (Tautologien)
A ↔ A (Identität)
¬(A ∧ ¬A) (Ausgeschlossener Widerspruch)
A ∨ ¬A (Ausgeschlossenes Drittes)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
15 / 139
Tautologien
Definition (Tautologie)
Eine Tautologie ist eine Formel, die in jeder Interpretation wahr ist.
Beispiele (Tautologien)
A ↔ A (Identität)
¬(A ∧ ¬A) (Ausgeschlossener Widerspruch)
A ∨ ¬A (Ausgeschlossenes Drittes)
A → B ↔ ¬B → ¬A (Kontraposition, Umkehrschluss)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
15 / 139
Tautologien
Definition (Tautologie)
Eine Tautologie ist eine Formel, die in jeder Interpretation wahr ist.
Beispiele (Tautologien)
A ↔ A (Identität)
¬(A ∧ ¬A) (Ausgeschlossener Widerspruch)
A ∨ ¬A (Ausgeschlossenes Drittes)
A → B ↔ ¬B → ¬A (Kontraposition, Umkehrschluss)
(A → B) ∧ (A → ¬B) → ¬A (Reductio ad Absurdum,
Widerspruchsbeweis)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
15 / 139
Tautologien
Definition (Tautologie)
Eine Tautologie ist eine Formel, die in jeder Interpretation wahr ist.
Beispiele (Tautologien)
A ↔ A (Identität)
¬(A ∧ ¬A) (Ausgeschlossener Widerspruch)
A ∨ ¬A (Ausgeschlossenes Drittes)
A → B ↔ ¬B → ¬A (Kontraposition, Umkehrschluss)
(A → B) ∧ (A → ¬B) → ¬A (Reductio ad Absurdum,
Widerspruchsbeweis)
(A → B) ∧ A → B (Modus Ponens)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
15 / 139
Tautologien
Definition (Tautologie)
Eine Tautologie ist eine Formel, die in jeder Interpretation wahr ist.
Beispiele (Tautologien)
A ↔ A (Identität)
¬(A ∧ ¬A) (Ausgeschlossener Widerspruch)
A ∨ ¬A (Ausgeschlossenes Drittes)
A → B ↔ ¬B → ¬A (Kontraposition, Umkehrschluss)
(A → B) ∧ (A → ¬B) → ¬A (Reductio ad Absurdum,
Widerspruchsbeweis)
(A → B) ∧ A → B (Modus Ponens)
(A → B) ∧ ¬B → ¬A (Modus Tollens)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
15 / 139
Tautologien
Definition (Tautologie)
Eine Tautologie ist eine Formel, die in jeder Interpretation wahr ist.
Beispiele (Tautologien)
A ↔ A (Identität)
¬(A ∧ ¬A) (Ausgeschlossener Widerspruch)
A ∨ ¬A (Ausgeschlossenes Drittes)
A → B ↔ ¬B → ¬A (Kontraposition, Umkehrschluss)
(A → B) ∧ (A → ¬B) → ¬A (Reductio ad Absurdum,
Widerspruchsbeweis)
(A → B) ∧ A → B (Modus Ponens)
(A → B) ∧ ¬B → ¬A (Modus Tollens)
(A ∨ B) ∧ (A → C ) ∧ (B → C ) → C (Fallunterscheidung)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
15 / 139
Weitere Tautologien: Rechenregeln
A ∧ B ↔ B ∧ A (Kommutativität)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
16 / 139
Weitere Tautologien: Rechenregeln
A ∧ B ↔ B ∧ A (Kommutativität)
(A ∧ B) ∧ C ↔ A ∧ (B ∧ C ) (Assoziativität)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
16 / 139
Weitere Tautologien: Rechenregeln
A ∧ B ↔ B ∧ A (Kommutativität)
(A ∧ B) ∧ C ↔ A ∧ (B ∧ C ) (Assoziativität)
(A ∧ B) ∨ C ↔ (A ∨ C ) ∧ (B ∨ C ) (Distributivität)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
16 / 139
Weitere Tautologien: Rechenregeln
A ∧ B ↔ B ∧ A (Kommutativität)
(A ∧ B) ∧ C ↔ A ∧ (B ∧ C ) (Assoziativität)
(A ∧ B) ∨ C ↔ (A ∨ C ) ∧ (B ∨ C ) (Distributivität)
¬(A ∧ B) ↔ ¬A ∨ ¬B (Gesetz von De Morgan)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
16 / 139
Weitere Tautologien: Rechenregeln
A ∧ B ↔ B ∧ A (Kommutativität)
(A ∧ B) ∧ C ↔ A ∧ (B ∧ C ) (Assoziativität)
(A ∧ B) ∨ C ↔ (A ∨ C ) ∧ (B ∨ C ) (Distributivität)
¬(A ∧ B) ↔ ¬A ∨ ¬B (Gesetz von De Morgan)
A ∧ > ↔ A; A ∨ ⊥ ↔ A (Neutrales Element)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
16 / 139
Weitere Tautologien: Rechenregeln
A ∧ B ↔ B ∧ A (Kommutativität)
(A ∧ B) ∧ C ↔ A ∧ (B ∧ C ) (Assoziativität)
(A ∧ B) ∨ C ↔ (A ∨ C ) ∧ (B ∨ C ) (Distributivität)
¬(A ∧ B) ↔ ¬A ∨ ¬B (Gesetz von De Morgan)
A ∧ > ↔ A; A ∨ ⊥ ↔ A (Neutrales Element)
A ∧ ¬A ↔ ⊥; A ∨ ¬A ↔ > (Inverses Element)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
16 / 139
Weitere Tautologien: Rechenregeln
A ∧ B ↔ B ∧ A (Kommutativität)
(A ∧ B) ∧ C ↔ A ∧ (B ∧ C ) (Assoziativität)
(A ∧ B) ∨ C ↔ (A ∨ C ) ∧ (B ∨ C ) (Distributivität)
¬(A ∧ B) ↔ ¬A ∨ ¬B (Gesetz von De Morgan)
A ∧ > ↔ A; A ∨ ⊥ ↔ A (Neutrales Element)
A ∧ ¬A ↔ ⊥; A ∨ ¬A ↔ > (Inverses Element)
A ∧ ⊥ ↔ ⊥; A ∨ > ↔ > (Absorbierendes Element)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
16 / 139
Weitere Tautologien: Rechenregeln
A ∧ B ↔ B ∧ A (Kommutativität)
(A ∧ B) ∧ C ↔ A ∧ (B ∧ C ) (Assoziativität)
(A ∧ B) ∨ C ↔ (A ∨ C ) ∧ (B ∨ C ) (Distributivität)
¬(A ∧ B) ↔ ¬A ∨ ¬B (Gesetz von De Morgan)
A ∧ > ↔ A; A ∨ ⊥ ↔ A (Neutrales Element)
A ∧ ¬A ↔ ⊥; A ∨ ¬A ↔ > (Inverses Element)
A ∧ ⊥ ↔ ⊥; A ∨ > ↔ > (Absorbierendes Element)
A ∧ A ↔ A; A ∨ A ↔ A (Idempotenz)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
16 / 139
Weitere Tautologien: Rechenregeln
A ∧ B ↔ B ∧ A (Kommutativität)
(A ∧ B) ∧ C ↔ A ∧ (B ∧ C ) (Assoziativität)
(A ∧ B) ∨ C ↔ (A ∨ C ) ∧ (B ∨ C ) (Distributivität)
¬(A ∧ B) ↔ ¬A ∨ ¬B (Gesetz von De Morgan)
A ∧ > ↔ A; A ∨ ⊥ ↔ A (Neutrales Element)
A ∧ ¬A ↔ ⊥; A ∨ ¬A ↔ > (Inverses Element)
A ∧ ⊥ ↔ ⊥; A ∨ > ↔ > (Absorbierendes Element)
A ∧ A ↔ A; A ∨ A ↔ A (Idempotenz)
¬¬A ↔ A (Doppelte Negation)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
16 / 139
Weitere Tautologien: Rechenregeln
A ∧ B ↔ B ∧ A (Kommutativität)
(A ∧ B) ∧ C ↔ A ∧ (B ∧ C ) (Assoziativität)
(A ∧ B) ∨ C ↔ (A ∨ C ) ∧ (B ∨ C ) (Distributivität)
¬(A ∧ B) ↔ ¬A ∨ ¬B (Gesetz von De Morgan)
A ∧ > ↔ A; A ∨ ⊥ ↔ A (Neutrales Element)
A ∧ ¬A ↔ ⊥; A ∨ ¬A ↔ > (Inverses Element)
A ∧ ⊥ ↔ ⊥; A ∨ > ↔ > (Absorbierendes Element)
A ∧ A ↔ A; A ∨ A ↔ A (Idempotenz)
¬¬A ↔ A (Doppelte Negation)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
16 / 139
Weitere Tautologien: Rechenregeln
A ∧ B ↔ B ∧ A (Kommutativität)
(A ∧ B) ∧ C ↔ A ∧ (B ∧ C ) (Assoziativität)
(A ∧ B) ∨ C ↔ (A ∨ C ) ∧ (B ∨ C ) (Distributivität)
¬(A ∧ B) ↔ ¬A ∨ ¬B (Gesetz von De Morgan)
A ∧ > ↔ A; A ∨ ⊥ ↔ A (Neutrales Element)
A ∧ ¬A ↔ ⊥; A ∨ ¬A ↔ > (Inverses Element)
A ∧ ⊥ ↔ ⊥; A ∨ > ↔ > (Absorbierendes Element)
A ∧ A ↔ A; A ∨ A ↔ A (Idempotenz)
¬¬A ↔ A (Doppelte Negation)
Kommutativität, Assoziativität, Distributivität und das Gesetz von
de Morgan gelten auch, wenn ∧ und ∨ gegeneinander ausgetauscht werden.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
16 / 139
Modelle, Gültigkeit, Erfüllbarkeit
Definition (Modell)
Ein Modell für eine Formel ϕ ist eine Interpretation I, die ϕ wahr macht.
(I |= ϕ).
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
17 / 139
Modelle, Gültigkeit, Erfüllbarkeit
Definition (Modell)
Ein Modell für eine Formel ϕ ist eine Interpretation I, die ϕ wahr macht.
(I |= ϕ).
I = {A 7→ 1, B 7→ 0} ist Modell für A ∨ B, aber nicht für A ∧ B.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
17 / 139
Modelle, Gültigkeit, Erfüllbarkeit
Definition (Modell)
Ein Modell für eine Formel ϕ ist eine Interpretation I, die ϕ wahr macht.
(I |= ϕ).
I = {A 7→ 1, B 7→ 0} ist Modell für A ∨ B, aber nicht für A ∧ B.
Definition (Erfüllbarkeit, Gültigkeit)
Eine Formel ϕ ist erfüllbar, wenn sie ein Modell hat.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
17 / 139
Modelle, Gültigkeit, Erfüllbarkeit
Definition (Modell)
Ein Modell für eine Formel ϕ ist eine Interpretation I, die ϕ wahr macht.
(I |= ϕ).
I = {A 7→ 1, B 7→ 0} ist Modell für A ∨ B, aber nicht für A ∧ B.
Definition (Erfüllbarkeit, Gültigkeit)
Eine Formel ϕ ist erfüllbar, wenn sie ein Modell hat.
Eine Formel ϕ ist gültig ( |= ϕ) wenn jede Interpretation ein Modell ist
(d. h. wenn ϕ eine Tautologie ist).
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
17 / 139
Modelle, Gültigkeit, Erfüllbarkeit
Definition (Modell)
Ein Modell für eine Formel ϕ ist eine Interpretation I, die ϕ wahr macht.
(I |= ϕ).
I = {A 7→ 1, B 7→ 0} ist Modell für A ∨ B, aber nicht für A ∧ B.
Definition (Erfüllbarkeit, Gültigkeit)
Eine Formel ϕ ist erfüllbar, wenn sie ein Modell hat.
Eine Formel ϕ ist gültig ( |= ϕ) wenn jede Interpretation ein Modell ist
(d. h. wenn ϕ eine Tautologie ist).
erfüllbar A,
A ∨ B,
Jan Hladik (DHBW Stuttgart)
A ∧ ¬B,
A↔B
Wissensbasierte Systeme – Logik –
Sommersemester 2017
17 / 139
Modelle, Gültigkeit, Erfüllbarkeit
Definition (Modell)
Ein Modell für eine Formel ϕ ist eine Interpretation I, die ϕ wahr macht.
(I |= ϕ).
I = {A 7→ 1, B 7→ 0} ist Modell für A ∨ B, aber nicht für A ∧ B.
Definition (Erfüllbarkeit, Gültigkeit)
Eine Formel ϕ ist erfüllbar, wenn sie ein Modell hat.
Eine Formel ϕ ist gültig ( |= ϕ) wenn jede Interpretation ein Modell ist
(d. h. wenn ϕ eine Tautologie ist).
erfüllbar A,
A ∨ B,
gültig A ∨ ¬A,
Jan Hladik (DHBW Stuttgart)
A ∧ ¬B,
A → A,
A↔B
A ↔ ¬(¬A)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
17 / 139
Inhalt
1
Einführung
2
Aussagenlogik
Syntax
Semantik
Schlussfolgerungsverfahren
Resolution
Tableaus
3
Prädikatenlogik
4
Beschreibungslogiken
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
18 / 139
Schlussfolgerung in der Aussagenlogik
Bestimmung der Eigenschaften einer Formel ϕ
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
19 / 139
Schlussfolgerung in der Aussagenlogik
Bestimmung der Eigenschaften einer Formel ϕ
gültig (ϕ ist eine Tautologie; jede Interpretation ist ein Modell)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
19 / 139
Schlussfolgerung in der Aussagenlogik
Bestimmung der Eigenschaften einer Formel ϕ
gültig (ϕ ist eine Tautologie; jede Interpretation ist ein Modell)
erfüllbar (Es gibt ein Modell für ϕ)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
19 / 139
Schlussfolgerung in der Aussagenlogik
Bestimmung der Eigenschaften einer Formel ϕ
gültig (ϕ ist eine Tautologie; jede Interpretation ist ein Modell)
erfüllbar (Es gibt ein Modell für ϕ)
falsifizierbar (Es gibt eine Interpretation, die kein Modell für ϕ ist)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
19 / 139
Schlussfolgerung in der Aussagenlogik
Bestimmung der Eigenschaften einer Formel ϕ
gültig (ϕ ist eine Tautologie; jede Interpretation ist ein Modell)
erfüllbar (Es gibt ein Modell für ϕ)
falsifizierbar (Es gibt eine Interpretation, die kein Modell für ϕ ist)
unerfüllbar (Es gibt keine Modelle für ϕ)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
19 / 139
Schlussfolgerung in der Aussagenlogik
Bestimmung der Eigenschaften einer Formel ϕ
gültig (ϕ ist eine Tautologie; jede Interpretation ist ein Modell)
erfüllbar (Es gibt ein Modell für ϕ)
falsifizierbar (Es gibt eine Interpretation, die kein Modell für ϕ ist)
unerfüllbar (Es gibt keine Modelle für ϕ)
Bestimmung, ob die Formel ϕ die Formel ψ (logisch) impliziert
(ϕ |= ψ), d. h. ob jedes Modell für ϕ auch Modell für ψ ist
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
19 / 139
Schlussfolgerung in der Aussagenlogik
Bestimmung der Eigenschaften einer Formel ϕ
gültig (ϕ ist eine Tautologie; jede Interpretation ist ein Modell)
erfüllbar (Es gibt ein Modell für ϕ)
falsifizierbar (Es gibt eine Interpretation, die kein Modell für ϕ ist)
unerfüllbar (Es gibt keine Modelle für ϕ)
Bestimmung, ob die Formel ϕ die Formel ψ (logisch) impliziert
(ϕ |= ψ), d. h. ob jedes Modell für ϕ auch Modell für ψ ist
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
19 / 139
Schlussfolgerung in der Aussagenlogik
Bestimmung der Eigenschaften einer Formel ϕ
gültig (ϕ ist eine Tautologie; jede Interpretation ist ein Modell)
erfüllbar (Es gibt ein Modell für ϕ)
falsifizierbar (Es gibt eine Interpretation, die kein Modell für ϕ ist)
unerfüllbar (Es gibt keine Modelle für ϕ)
Bestimmung, ob die Formel ϕ die Formel ψ (logisch) impliziert
(ϕ |= ψ), d. h. ob jedes Modell für ϕ auch Modell für ψ ist
Anmerkung: Formeln, die erfüllbar und falsifizierbar (also weder gültig noch
unerfüllbar) sind, werden auch kontingent genannt.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
19 / 139
Beweis der Gültigkeit: Äquivalenzumformungen
Beispiel (Reductio ad Absurdum)
(A → B) ∧ (A → ¬B) → ¬A
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
20 / 139
Beweis der Gültigkeit: Äquivalenzumformungen
Beispiel (Reductio ad Absurdum)
(A → B) ∧ (A → ¬B) → ¬A
(¬A ∨ B) ∧ (¬A ∨ ¬B) → ¬A
Jan Hladik (DHBW Stuttgart)
Ersetzung von → (zweimal)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
20 / 139
Beweis der Gültigkeit: Äquivalenzumformungen
Beispiel (Reductio ad Absurdum)
(A → B) ∧ (A → ¬B) → ¬A
(¬A ∨ B) ∧ (¬A ∨ ¬B) → ¬A
¬((¬A ∨ B) ∧ (¬A ∨ ¬B)) ∨ ¬A
Jan Hladik (DHBW Stuttgart)
Ersetzung von → (zweimal)
Ersetzung von →
Wissensbasierte Systeme – Logik –
Sommersemester 2017
20 / 139
Beweis der Gültigkeit: Äquivalenzumformungen
Beispiel (Reductio ad Absurdum)
(A → B) ∧ (A → ¬B) → ¬A
(¬A ∨ B) ∧ (¬A ∨ ¬B) → ¬A
¬((¬A ∨ B) ∧ (¬A ∨ ¬B)) ∨ ¬A
¬(¬A ∨ B) ∨ ¬(¬A ∨ ¬B) ∨ ¬A
Jan Hladik (DHBW Stuttgart)
Ersetzung von → (zweimal)
Ersetzung von →
De Morgan
Wissensbasierte Systeme – Logik –
Sommersemester 2017
20 / 139
Beweis der Gültigkeit: Äquivalenzumformungen
Beispiel (Reductio ad Absurdum)
(A → B) ∧ (A → ¬B) → ¬A
(¬A ∨ B) ∧ (¬A ∨ ¬B) → ¬A
¬((¬A ∨ B) ∧ (¬A ∨ ¬B)) ∨ ¬A
¬(¬A ∨ B) ∨ ¬(¬A ∨ ¬B) ∨ ¬A
(A ∧ ¬B) ∨ (A ∧ B) ∨ ¬A
Jan Hladik (DHBW Stuttgart)
Ersetzung von → (zweimal)
Ersetzung von →
De Morgan
De Morgan (zweimal)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
20 / 139
Beweis der Gültigkeit: Äquivalenzumformungen
Beispiel (Reductio ad Absurdum)
(A → B) ∧ (A → ¬B) → ¬A
(¬A ∨ B) ∧ (¬A ∨ ¬B) → ¬A
¬((¬A ∨ B) ∧ (¬A ∨ ¬B)) ∨ ¬A
¬(¬A ∨ B) ∨ ¬(¬A ∨ ¬B) ∨ ¬A
(A ∧ ¬B) ∨ (A ∧ B) ∨ ¬A
(A ∧ (¬B ∨ B)) ∨ ¬A
Jan Hladik (DHBW Stuttgart)
Ersetzung von → (zweimal)
Ersetzung von →
De Morgan
De Morgan (zweimal)
Distributivität
Wissensbasierte Systeme – Logik –
Sommersemester 2017
20 / 139
Beweis der Gültigkeit: Äquivalenzumformungen
Beispiel (Reductio ad Absurdum)
(A → B) ∧ (A → ¬B) → ¬A
(¬A ∨ B) ∧ (¬A ∨ ¬B) → ¬A
¬((¬A ∨ B) ∧ (¬A ∨ ¬B)) ∨ ¬A
¬(¬A ∨ B) ∨ ¬(¬A ∨ ¬B) ∨ ¬A
(A ∧ ¬B) ∨ (A ∧ B) ∨ ¬A
(A ∧ (¬B ∨ B)) ∨ ¬A
(A ∧ >) ∨ ¬A
Jan Hladik (DHBW Stuttgart)
Ersetzung von → (zweimal)
Ersetzung von →
De Morgan
De Morgan (zweimal)
Distributivität
Ausgeschlossenes Drittes
Wissensbasierte Systeme – Logik –
Sommersemester 2017
20 / 139
Beweis der Gültigkeit: Äquivalenzumformungen
Beispiel (Reductio ad Absurdum)
(A → B) ∧ (A → ¬B) → ¬A
(¬A ∨ B) ∧ (¬A ∨ ¬B) → ¬A
¬((¬A ∨ B) ∧ (¬A ∨ ¬B)) ∨ ¬A
¬(¬A ∨ B) ∨ ¬(¬A ∨ ¬B) ∨ ¬A
(A ∧ ¬B) ∨ (A ∧ B) ∨ ¬A
(A ∧ (¬B ∨ B)) ∨ ¬A
(A ∧ >) ∨ ¬A
A ∨ ¬A
Jan Hladik (DHBW Stuttgart)
Ersetzung von → (zweimal)
Ersetzung von →
De Morgan
De Morgan (zweimal)
Distributivität
Ausgeschlossenes Drittes
> ist neutrales Element für ∧
Wissensbasierte Systeme – Logik –
Sommersemester 2017
20 / 139
Beweis der Gültigkeit: Äquivalenzumformungen
Beispiel (Reductio ad Absurdum)
(A → B) ∧ (A → ¬B) → ¬A
(¬A ∨ B) ∧ (¬A ∨ ¬B) → ¬A
¬((¬A ∨ B) ∧ (¬A ∨ ¬B)) ∨ ¬A
¬(¬A ∨ B) ∨ ¬(¬A ∨ ¬B) ∨ ¬A
(A ∧ ¬B) ∨ (A ∧ B) ∨ ¬A
(A ∧ (¬B ∨ B)) ∨ ¬A
(A ∧ >) ∨ ¬A
A ∨ ¬A
>
Jan Hladik (DHBW Stuttgart)
Ersetzung von → (zweimal)
Ersetzung von →
De Morgan
De Morgan (zweimal)
Distributivität
Ausgeschlossenes Drittes
> ist neutrales Element für ∧
Ausgeschlossenes Drittes
Wissensbasierte Systeme – Logik –
Sommersemester 2017
20 / 139
Beweis der Gültigkeit: Äquivalenzumformungen
Beispiel (Reductio ad Absurdum)
(A → B) ∧ (A → ¬B) → ¬A
(¬A ∨ B) ∧ (¬A ∨ ¬B) → ¬A
¬((¬A ∨ B) ∧ (¬A ∨ ¬B)) ∨ ¬A
¬(¬A ∨ B) ∨ ¬(¬A ∨ ¬B) ∨ ¬A
(A ∧ ¬B) ∨ (A ∧ B) ∨ ¬A
(A ∧ (¬B ∨ B)) ∨ ¬A
(A ∧ >) ∨ ¬A
A ∨ ¬A
>
Ersetzung von → (zweimal)
Ersetzung von →
De Morgan
De Morgan (zweimal)
Distributivität
Ausgeschlossenes Drittes
> ist neutrales Element für ∧
Ausgeschlossenes Drittes
Nachteile:
Transformationen müssen geraten werden.
Wenn ϕ nicht gezeigt werden kann, folgt nicht, dass ϕ nicht gültig ist.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
20 / 139
Beweis der Gültigkeit: Wahrheitstabelle
Beispiel (Reductio ad Absurdum)
A B
0 0
C := A → B
1
Jan Hladik (DHBW Stuttgart)
D := A → ¬B
1
C ∧ D ¬A
1
1
Wissensbasierte Systeme – Logik –
C ∧ D → ¬A
1
Sommersemester 2017
21 / 139
Beweis der Gültigkeit: Wahrheitstabelle
Beispiel (Reductio ad Absurdum)
A B
0 0
0 1
C := A → B
1
1
Jan Hladik (DHBW Stuttgart)
D := A → ¬B
1
1
C ∧ D ¬A
1
1
1
1
Wissensbasierte Systeme – Logik –
C ∧ D → ¬A
1
1
Sommersemester 2017
21 / 139
Beweis der Gültigkeit: Wahrheitstabelle
Beispiel (Reductio ad Absurdum)
A B
0 0
0 1
1 0
C := A → B
1
1
0
Jan Hladik (DHBW Stuttgart)
D := A → ¬B
1
1
1
C ∧ D ¬A
1
1
1
1
0
0
Wissensbasierte Systeme – Logik –
C ∧ D → ¬A
1
1
1
Sommersemester 2017
21 / 139
Beweis der Gültigkeit: Wahrheitstabelle
Beispiel (Reductio ad Absurdum)
A B
0 0
0 1
1 0
1 1
C := A → B
1
1
0
1
Jan Hladik (DHBW Stuttgart)
D := A → ¬B
1
1
1
0
C ∧ D ¬A
1
1
1
1
0
0
0
0
Wissensbasierte Systeme – Logik –
C ∧ D → ¬A
1
1
1
1
Sommersemester 2017
21 / 139
Beweis der Gültigkeit: Wahrheitstabelle
Beispiel (Reductio ad Absurdum)
A B
0 0
0 1
1 0
1 1
C := A → B
1
1
0
1
D := A → ¬B
1
1
1
0
C ∧ D ¬A
1
1
1
1
0
0
0
0
C ∧ D → ¬A
1
1
1
1
Nachteile:
ineffizient, besonders bei vielen Variablen
(„exponentielle Komplexität“)
redundant, da viele Varianten keinen Einfluss auf das Ergebnis haben
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
21 / 139
Inhalt
1
Einführung
2
Aussagenlogik
Syntax
Semantik
Schlussfolgerungsverfahren
Resolution
Tableaus
3
Prädikatenlogik
4
Beschreibungslogiken
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
22 / 139
Resolution
John Alan Robinson: A machine-oriented logic
based on the resolution principle (1965)
J. A. Robinson
(1930–2016)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
23 / 139
Resolution
John Alan Robinson: A machine-oriented logic
based on the resolution principle (1965)
Erfüllbarkeitstest für Formel ϕ
J. A. Robinson
(1930–2016)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
23 / 139
Resolution
John Alan Robinson: A machine-oriented logic
based on the resolution principle (1965)
Erfüllbarkeitstest für Formel ϕ
Erfüllbarkeitstest entscheidet auch
J. A. Robinson
(1930–2016)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
23 / 139
Resolution
John Alan Robinson: A machine-oriented logic
based on the resolution principle (1965)
Erfüllbarkeitstest für Formel ϕ
Erfüllbarkeitstest entscheidet auch
Gültigkeit
|= ϕ gilt gdw. ¬ϕ unerfüllbar ist.
J. A. Robinson
(1930–2016)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
23 / 139
Resolution
John Alan Robinson: A machine-oriented logic
based on the resolution principle (1965)
Erfüllbarkeitstest für Formel ϕ
Erfüllbarkeitstest entscheidet auch
Gültigkeit
|= ϕ gilt gdw. ¬ϕ unerfüllbar ist.
(logische) Implikation
ϕ |= ψ gilt gdw. ϕ ∧ ¬ψ unerfüllbar ist.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
J. A. Robinson
(1930–2016)
Sommersemester 2017
23 / 139
Resolutionsprinzip
Finde Widerspruch in ϕ
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
24 / 139
Resolutionsprinzip
Finde Widerspruch in ϕ
betrachte ϕ als Menge von Disjunktionen (Klauseln)
Beispiel (ϕ = (X ∨ Y ) ∧ (¬Y ∨ Z ) ∧ ¬Z ∧ ¬X )
X ∨Y
Jan Hladik (DHBW Stuttgart)
¬Y ∨ Z
¬Z
Wissensbasierte Systeme – Logik –
¬X
Sommersemester 2017
24 / 139
Resolutionsprinzip
Finde Widerspruch in ϕ
betrachte ϕ als Menge von Disjunktionen (Klauseln)
suche Paare von Klauseln C1 , C2 mit gegensätzlichen Literalen L, ¬L
Beispiel (ϕ = (X ∨ Y ) ∧ (¬Y ∨ Z ) ∧ ¬Z ∧ ¬X )
X ∨Y
Jan Hladik (DHBW Stuttgart)
¬Y ∨ Z
¬Z
Wissensbasierte Systeme – Logik –
¬X
Sommersemester 2017
24 / 139
Resolutionsprinzip
Finde Widerspruch in ϕ
betrachte ϕ als Menge von Disjunktionen (Klauseln)
suche Paare von Klauseln C1 , C2 mit gegensätzlichen Literalen L, ¬L
erzeuge Resolvente C3 durch Vereinigen der Elternklauseln C1 und C2
und Entfernen von L und ¬L
Beispiel (ϕ = (X ∨ Y ) ∧ (¬Y ∨ Z ) ∧ ¬Z ∧ ¬X )
X ∨Y
¬Y ∨ Z
¬Z
¬X
X ∨Z
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
24 / 139
Resolutionsprinzip
Finde Widerspruch in ϕ
betrachte ϕ als Menge von Disjunktionen (Klauseln)
suche Paare von Klauseln C1 , C2 mit gegensätzlichen Literalen L, ¬L
erzeuge Resolvente C3 durch Vereinigen der Elternklauseln C1 und C2
und Entfernen von L und ¬L
C3 ist nicht äquivalent zu C1 ∧ C2 !
Beispiel (ϕ = (X ∨ Y ) ∧ (¬Y ∨ Z ) ∧ ¬Z ∧ ¬X )
X ∨Y
¬Y ∨ Z
¬Z
¬X
X ∨Z
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
24 / 139
Resolutionsprinzip
Finde Widerspruch in ϕ
betrachte ϕ als Menge von Disjunktionen (Klauseln)
suche Paare von Klauseln C1 , C2 mit gegensätzlichen Literalen L, ¬L
erzeuge Resolvente C3 durch Vereinigen der Elternklauseln C1 und C2
und Entfernen von L und ¬L
C3 ist nicht äquivalent zu C1 ∧ C2 !
C1 ∧ C2 erfüllbar ; C3 erfüllbar
Beispiel (ϕ = (X ∨ Y ) ∧ (¬Y ∨ Z ) ∧ ¬Z ∧ ¬X )
X ∨Y
¬Y ∨ Z
¬Z
¬X
X ∨Z
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
24 / 139
Resolutionsprinzip
Finde Widerspruch in ϕ
betrachte ϕ als Menge von Disjunktionen (Klauseln)
suche Paare von Klauseln C1 , C2 mit gegensätzlichen Literalen L, ¬L
erzeuge Resolvente C3 durch Vereinigen der Elternklauseln C1 und C2
und Entfernen von L und ¬L
C3 ist nicht äquivalent zu C1 ∧ C2 !
C1 ∧ C2 erfüllbar ; C3 erfüllbar
C3 unerfüllbar ; C1 ∧ C2 unerfüllbar
Beispiel (ϕ = (X ∨ Y ) ∧ (¬Y ∨ Z ) ∧ ¬Z ∧ ¬X )
X ∨Y
¬Y ∨ Z
¬Z
¬X
X ∨Z
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
24 / 139
Resolutionsprinzip
Finde Widerspruch in ϕ
betrachte ϕ als Menge von Disjunktionen (Klauseln)
suche Paare von Klauseln C1 , C2 mit gegensätzlichen Literalen L, ¬L
erzeuge Resolvente C3 durch Vereinigen der Elternklauseln C1 und C2
und Entfernen von L und ¬L
C3 ist nicht äquivalent zu C1 ∧ C2 !
C1 ∧ C2 erfüllbar ; C3 erfüllbar
C3 unerfüllbar ; C1 ∧ C2 unerfüllbar
Beispiel (ϕ = (X ∨ Y ) ∧ (¬Y ∨ Z ) ∧ ¬Z ∧ ¬X )
X ∨Y
¬Y ∨ Z
¬Z
¬X
X ∨Z
X
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
24 / 139
Resolutionsprinzip
Finde Widerspruch in ϕ
betrachte ϕ als Menge von Disjunktionen (Klauseln)
suche Paare von Klauseln C1 , C2 mit gegensätzlichen Literalen L, ¬L
erzeuge Resolvente C3 durch Vereinigen der Elternklauseln C1 und C2
und Entfernen von L und ¬L
C3 ist nicht äquivalent zu C1 ∧ C2 !
C1 ∧ C2 erfüllbar ; C3 erfüllbar
C3 unerfüllbar ; C1 ∧ C2 unerfüllbar
Beispiel (ϕ = (X ∨ Y ) ∧ (¬Y ∨ Z ) ∧ ¬Z ∧ ¬X )
X ∨Y
¬Y ∨ Z
¬Z
¬X
X ∨Z
X
2
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
24 / 139
Resolutionsprinzip
Finde Widerspruch in ϕ
betrachte ϕ als Menge von Disjunktionen (Klauseln)
suche Paare von Klauseln C1 , C2 mit gegensätzlichen Literalen L, ¬L
erzeuge Resolvente C3 durch Vereinigen der Elternklauseln C1 und C2
und Entfernen von L und ¬L
C3 ist nicht äquivalent zu C1 ∧ C2 !
C1 ∧ C2 erfüllbar ; C3 erfüllbar
C3 unerfüllbar ; C1 ∧ C2 unerfüllbar
leere Klausel 2: Widerspruch
Beispiel (ϕ = (X ∨ Y ) ∧ (¬Y ∨ Z ) ∧ ¬Z ∧ ¬X )
X ∨Y
¬Y ∨ Z
¬Z
¬X
X ∨Z
X
2
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
24 / 139
Literale
Definition (Literal)
Ein Literal ist eine (möglicherweise negierte) Aussagenvariable.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
25 / 139
Literale
Definition (Literal)
Ein Literal ist eine (möglicherweise negierte) Aussagenvariable.
Beispiel
Für die Variablenmenge {A, B} ist die Menge der möglichen Literale
{A, ¬A, B, ¬B}.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
25 / 139
Konjunktive Normalform
Definition (Konjunktive Normalform)
Eine aussagenlogische Formel ϕ ist in konjunktiver Normalform (KNF),
wenn ϕ eine Konjunktion von Disjunktionen von Literalen ist.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
26 / 139
Konjunktive Normalform
Definition (Konjunktive Normalform)
Eine aussagenlogische Formel ϕ ist in konjunktiver Normalform (KNF),
wenn ϕ eine Konjunktion von Disjunktionen von Literalen ist.
Beispiele
(X ∨ Y ) ∧ (¬Y ∨ Z ) ∧ ¬Z ∧ ¬X ist in KNF;
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
26 / 139
Konjunktive Normalform
Definition (Konjunktive Normalform)
Eine aussagenlogische Formel ϕ ist in konjunktiver Normalform (KNF),
wenn ϕ eine Konjunktion von Disjunktionen von Literalen ist.
Beispiele
(X ∨ Y ) ∧ (¬Y ∨ Z ) ∧ ¬Z ∧ ¬X ist in KNF;
(X ∧ Y ) ∨ ¬(¬Y ∨ Z ) ist nicht in KNF.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
26 / 139
Transformation in KNF
Satz
Jede aussagenlogische Formel kann in eine äquivalente Formel in KNF
transformiert werden.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
27 / 139
Transformation in KNF
Satz
Jede aussagenlogische Formel kann in eine äquivalente Formel in KNF
transformiert werden.
Ziel: (L1 ∨ L2 ∨ L3 ) ∧ (L4 ∨ L5 ) ∧ L6 . . .
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
27 / 139
Transformation in KNF
Satz
Jede aussagenlogische Formel kann in eine äquivalente Formel in KNF
transformiert werden.
Ziel: (L1 ∨ L2 ∨ L3 ) ∧ (L4 ∨ L5 ) ∧ L6 . . .
Methode:
1. eliminiere materiale Implikation
ϕ→ψ
1. und materiale Äquivalenz
ϕ↔ψ
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
;
;
¬ϕ ∨ ψ
ϕ ∧ ψ ∨ ¬ϕ ∧ ¬ψ
Sommersemester 2017
27 / 139
Transformation in KNF
Satz
Jede aussagenlogische Formel kann in eine äquivalente Formel in KNF
transformiert werden.
Ziel: (L1 ∨ L2 ∨ L3 ) ∧ (L4 ∨ L5 ) ∧ L6 . . .
Methode:
1. eliminiere materiale Implikation
ϕ→ψ
1. und materiale Äquivalenz
ϕ↔ψ
2. Gesetze von De Morgan
¬(ϕ ∨ ψ)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
;
;
;
¬ϕ ∨ ψ
ϕ ∧ ψ ∨ ¬ϕ ∧ ¬ψ
¬ϕ ∧ ¬ψ
Sommersemester 2017
27 / 139
Transformation in KNF
Satz
Jede aussagenlogische Formel kann in eine äquivalente Formel in KNF
transformiert werden.
Ziel: (L1 ∨ L2 ∨ L3 ) ∧ (L4 ∨ L5 ) ∧ L6 . . .
Methode:
1. eliminiere materiale Implikation
ϕ→ψ
1. und materiale Äquivalenz
ϕ↔ψ
2. Gesetze von De Morgan
¬(ϕ ∨ ψ)
3. eliminiere doppelte Negation
¬¬ϕ
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
;
;
;
;
¬ϕ ∨ ψ
ϕ ∧ ψ ∨ ¬ϕ ∧ ¬ψ
¬ϕ ∧ ¬ψ
ϕ
Sommersemester 2017
27 / 139
Transformation in KNF
Satz
Jede aussagenlogische Formel kann in eine äquivalente Formel in KNF
transformiert werden.
Ziel: (L1 ∨ L2 ∨ L3 ) ∧ (L4 ∨ L5 ) ∧ L6 . . .
Methode:
1. eliminiere materiale Implikation
ϕ→ψ
1. und materiale Äquivalenz
ϕ↔ψ
2. Gesetze von De Morgan
¬(ϕ ∨ ψ)
3. eliminiere doppelte Negation
¬¬ϕ
4. Distributivgesetz
ϕ ∨ (ψ ∧ χ)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
;
;
;
;
;
¬ϕ ∨ ψ
ϕ ∧ ψ ∨ ¬ϕ ∧ ¬ψ
¬ϕ ∧ ¬ψ
ϕ
(ϕ ∨ ψ) ∧ (ϕ ∨ χ)
Sommersemester 2017
27 / 139
Transformation in KNF
Satz
Jede aussagenlogische Formel kann in eine äquivalente Formel in KNF
transformiert werden.
Ziel: (L1 ∨ L2 ∨ L3 ) ∧ (L4 ∨ L5 ) ∧ L6 . . .
Methode:
1. eliminiere materiale Implikation
ϕ→ψ
1. und materiale Äquivalenz
ϕ↔ψ
2. Gesetze von De Morgan
¬(ϕ ∨ ψ)
3. eliminiere doppelte Negation
¬¬ϕ
4. Distributivgesetz
ϕ ∨ (ψ ∧ χ)
5. Assoziativgesetz
ϕ ∨ (ψ ∨ χ)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
;
;
;
;
;
;
¬ϕ ∨ ψ
ϕ ∧ ψ ∨ ¬ϕ ∧ ¬ψ
¬ϕ ∧ ¬ψ
ϕ
(ϕ ∨ ψ) ∧ (ϕ ∨ χ)
ϕ∨ψ∨χ
Sommersemester 2017
27 / 139
Transformation in KNF
Satz
Jede aussagenlogische Formel kann in eine äquivalente Formel in KNF
transformiert werden.
Ziel: (L1 ∨ L2 ∨ L3 ) ∧ (L4 ∨ L5 ) ∧ L6 . . .
Methode:
1. eliminiere materiale Implikation
ϕ→ψ
1. und materiale Äquivalenz
ϕ↔ψ
2. Gesetze von De Morgan
¬(ϕ ∨ ψ)
3. eliminiere doppelte Negation
¬¬ϕ
4. Distributivgesetz
ϕ ∨ (ψ ∧ χ)
5. Assoziativgesetz
ϕ ∨ (ψ ∨ χ)
;
;
;
;
;
;
¬ϕ ∨ ψ
ϕ ∧ ψ ∨ ¬ϕ ∧ ¬ψ
¬ϕ ∧ ¬ψ
ϕ
(ϕ ∨ ψ) ∧ (ϕ ∨ χ)
ϕ∨ψ∨χ
Beispiel
(X ∧ Y ) ∨ ¬(¬Y ∨ Z )
Jan Hladik (DHBW Stuttgart)
;
(X ∨ Y ) ∧ (Y ∨ Y ) ∧ (X ∨ ¬Z ) ∧ (Y ∨ ¬Z )
Wissensbasierte Systeme – Logik –
Sommersemester 2017
27 / 139
Übung: Konjunktive Normalform
Transformieren Sie die folgenden Formeln in KNF:
1
(X ∨ Y ) ∧ (A ∧ B)
2
(X ∨ Y ) → (A ∨ B)
3
X ∨ (¬A ∧ ¬(B ∧ ¬C ))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
28 / 139
Klauseln
Definition (Klausel)
Eine Klausel ist eine als Menge geschriebene Disjunktion von Literalen.
Aufgrund von Idempotenz und Kommutativität ist es möglich und sinnvoll,
Disjunktionen als Mengen zu betrachten.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
29 / 139
Klauseln
Definition (Klausel)
Eine Klausel ist eine als Menge geschriebene Disjunktion von Literalen.
Aufgrund von Idempotenz und Kommutativität ist es möglich und sinnvoll,
Disjunktionen als Mengen zu betrachten.
Beispiel
(X ∨ ¬Y ∨ Z )
;
Jan Hladik (DHBW Stuttgart)
{X , ¬Y , Z }
Wissensbasierte Systeme – Logik –
Sommersemester 2017
29 / 139
Klauseln
Definition (Klausel)
Eine Klausel ist eine als Menge geschriebene Disjunktion von Literalen.
Aufgrund von Idempotenz und Kommutativität ist es möglich und sinnvoll,
Disjunktionen als Mengen zu betrachten.
Beispiel
(X ∨ ¬Y ∨ Z )
;
{X , ¬Y , Z }
Jede AL-Formel (in KNF) kann als Menge von Klauseln betrachtet werden.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
29 / 139
Klauseln
Definition (Klausel)
Eine Klausel ist eine als Menge geschriebene Disjunktion von Literalen.
Aufgrund von Idempotenz und Kommutativität ist es möglich und sinnvoll,
Disjunktionen als Mengen zu betrachten.
Beispiel
(X ∨ ¬Y ∨ Z )
;
{X , ¬Y , Z }
Jede AL-Formel (in KNF) kann als Menge von Klauseln betrachtet werden.
Beispiel
ϕ = (X ∨ Y ) ∧ (¬Y ∨ Z ) ∧ ¬Z ∧ ¬X
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
29 / 139
Klauseln
Definition (Klausel)
Eine Klausel ist eine als Menge geschriebene Disjunktion von Literalen.
Aufgrund von Idempotenz und Kommutativität ist es möglich und sinnvoll,
Disjunktionen als Mengen zu betrachten.
Beispiel
(X ∨ ¬Y ∨ Z )
;
{X , ¬Y , Z }
Jede AL-Formel (in KNF) kann als Menge von Klauseln betrachtet werden.
Beispiel
ϕ = (X ∨ Y ) ∧ (¬Y ∨ Z ) ∧ ¬Z ∧ ¬X
K(ϕ) = {{X , Y }, {¬Y , Z }, {¬Z }, {¬X }}
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
29 / 139
Klauseln
Definition (Klausel)
Eine Klausel ist eine als Menge geschriebene Disjunktion von Literalen.
Aufgrund von Idempotenz und Kommutativität ist es möglich und sinnvoll,
Disjunktionen als Mengen zu betrachten.
Beispiel
(X ∨ ¬Y ∨ Z )
;
{X , ¬Y , Z }
Jede AL-Formel (in KNF) kann als Menge von Klauseln betrachtet werden.
Beispiel
ϕ = (X ∨ Y ) ∧ (¬Y ∨ Z ) ∧ ¬Z ∧ ¬X
K(ϕ) = {{X , Y }, {¬Y , Z }, {¬Z }, {¬X }}
Intuitiv: ∧ zwischen Mengen; ∨ zwischen Elementen der einzelnen Mengen
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
29 / 139
Resolution von Klauseln
Gegeben: zwei Klauseln C1 = {X , Y } und C2 = {¬Y , Z }.
Gesucht: Modell für C1 ∧ C2 .
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
30 / 139
Resolution von Klauseln
Gegeben: zwei Klauseln C1 = {X , Y } und C2 = {¬Y , Z }.
Gesucht: Modell für C1 ∧ C2 .
In einer Interpretation I ist Y I entweder 0 oder 1.
wenn Y I = 1 gilt, folgt C1I = 1, und C2I = 1 gilt gdw. Z I = 1;
wenn Y I = 0 gilt, folgt C2I = 1, und C1I = 1 gilt gdw. X I = 1.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
30 / 139
Resolution von Klauseln
Gegeben: zwei Klauseln C1 = {X , Y } und C2 = {¬Y , Z }.
Gesucht: Modell für C1 ∧ C2 .
In einer Interpretation I ist Y I entweder 0 oder 1.
wenn Y I = 1 gilt, folgt C1I = 1, und C2I = 1 gilt gdw. Z I = 1;
wenn Y I = 0 gilt, folgt C2I = 1, und C1I = 1 gilt gdw. X I = 1.
Jedes Modell für C1 und C2 ist auch Modell für C3 = {X , Z }.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
30 / 139
Resolution von Klauseln
Gegeben: zwei Klauseln C1 = {X , Y } und C2 = {¬Y , Z }.
Gesucht: Modell für C1 ∧ C2 .
In einer Interpretation I ist Y I entweder 0 oder 1.
wenn Y I = 1 gilt, folgt C1I = 1, und C2I = 1 gilt gdw. Z I = 1;
wenn Y I = 0 gilt, folgt C2I = 1, und C1I = 1 gilt gdw. X I = 1.
Jedes Modell für C1 und C2 ist auch Modell für C3 = {X , Z }.
Wenn {C1 , C2 } erfüllbar ist, dann auch {C1 , C2 , C3 }.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
30 / 139
Resolution von Klauseln
Gegeben: zwei Klauseln C1 = {X , Y } und C2 = {¬Y , Z }.
Gesucht: Modell für C1 ∧ C2 .
In einer Interpretation I ist Y I entweder 0 oder 1.
wenn Y I = 1 gilt, folgt C1I = 1, und C2I = 1 gilt gdw. Z I = 1;
wenn Y I = 0 gilt, folgt C2I = 1, und C1I = 1 gilt gdw. X I = 1.
Jedes Modell für C1 und C2 ist auch Modell für C3 = {X , Z }.
Wenn {C1 , C2 } erfüllbar ist, dann auch {C1 , C2 , C3 }.
Definition (Resolvente)
Seien C1 = {L1 , L2 , L3 , . . .} und C2 = {¬L1 , L6 , L7 , . . .} AL-Klauseln.
Dann ist C3 = {L2 , L3 , . . . , L6 , L7 , . . .} eine Resolvente von C1 und C2
({C1 , C2 } ` C3 ).
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
30 / 139
Resolution von Klauseln
Gegeben: zwei Klauseln C1 = {X , Y } und C2 = {¬Y , Z }.
Gesucht: Modell für C1 ∧ C2 .
In einer Interpretation I ist Y I entweder 0 oder 1.
wenn Y I = 1 gilt, folgt C1I = 1, und C2I = 1 gilt gdw. Z I = 1;
wenn Y I = 0 gilt, folgt C2I = 1, und C1I = 1 gilt gdw. X I = 1.
Jedes Modell für C1 und C2 ist auch Modell für C3 = {X , Z }.
Wenn {C1 , C2 } erfüllbar ist, dann auch {C1 , C2 , C3 }.
Definition (Resolvente)
Seien C1 = {L1 , L2 , L3 , . . .} und C2 = {¬L1 , L6 , L7 , . . .} AL-Klauseln.
Dann ist C3 = {L2 , L3 , . . . , L6 , L7 , . . .} eine Resolvente von C1 und C2
({C1 , C2 } ` C3 ).
Kann eine Klausel C aus einer Klauselmenge S durch (mehrere)
Resolutionsschritte hergeleitet werden, schreiben wir S `∗ C .
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
30 / 139
Erfüllbarkeitstest mit Resolution
Sei S ` C .
Jedes Modell für S ist auch Modell für C .
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
31 / 139
Erfüllbarkeitstest mit Resolution
Sei S ` C .
Jedes Modell für S ist auch Modell für C .
Ist S erfüllbar, dann auch S ∪ {C }.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
31 / 139
Erfüllbarkeitstest mit Resolution
Sei S ` C .
Jedes Modell für S ist auch Modell für C .
Ist S erfüllbar, dann auch S ∪ {C }.
Umgekehrt: Ist S ∪ {C } unerfüllbar, dann auch S.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
31 / 139
Erfüllbarkeitstest mit Resolution
Sei S ` C .
Jedes Modell für S ist auch Modell für C .
Ist S erfüllbar, dann auch S ∪ {C }.
Umgekehrt: Ist S ∪ {C } unerfüllbar, dann auch S.
Die leere Klausel 2 ist unerfüllbar.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
31 / 139
Erfüllbarkeitstest mit Resolution
Sei S ` C .
Jedes Modell für S ist auch Modell für C .
Ist S erfüllbar, dann auch S ∪ {C }.
Umgekehrt: Ist S ∪ {C } unerfüllbar, dann auch S.
Die leere Klausel 2 ist unerfüllbar.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
31 / 139
Erfüllbarkeitstest mit Resolution
Sei S ` C .
Jedes Modell für S ist auch Modell für C .
Ist S erfüllbar, dann auch S ∪ {C }.
Umgekehrt: Ist S ∪ {C } unerfüllbar, dann auch S.
Die leere Klausel 2 ist unerfüllbar.
Satz (Korrektheit der Resolution)
Sei S eine Klauselmenge.
Wenn 2 aus S durch Resolution hergeleitet werden kann, ist S unerfüllbar.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
31 / 139
Resolutions-Algorithmus für Aussagenlogik
Eingabe:
Ausgabe:
AL-Formel ϕ
„erfüllbar“ oder „unerfüllbar“
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
32 / 139
Resolutions-Algorithmus für Aussagenlogik
Eingabe:
Ausgabe:
1:
AL-Formel ϕ
„erfüllbar“ oder „unerfüllbar“
transformiere ϕ in KNF
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
32 / 139
Resolutions-Algorithmus für Aussagenlogik
Eingabe:
Ausgabe:
AL-Formel ϕ
„erfüllbar“ oder „unerfüllbar“
transformiere ϕ in KNF
2: initialisiere S mit Disjunktionen von ϕ
1:
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
32 / 139
Resolutions-Algorithmus für Aussagenlogik
Eingabe:
Ausgabe:
AL-Formel ϕ
„erfüllbar“ oder „unerfüllbar“
transformiere ϕ in KNF
2: initialisiere S mit Disjunktionen von ϕ
3: while es existiert C3 = res(C1 , C2 ) mit C3 ∈
/ S do
1:
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
32 / 139
Resolutions-Algorithmus für Aussagenlogik
Eingabe:
Ausgabe:
1:
2:
3:
4:
5:
AL-Formel ϕ
„erfüllbar“ oder „unerfüllbar“
transformiere ϕ in KNF
initialisiere S mit Disjunktionen von ϕ
while es existiert C3 = res(C1 , C2 ) mit C3 ∈
/ S do
if C3 = 2 then
Ausgabe „unerfüllbar“
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
32 / 139
Resolutions-Algorithmus für Aussagenlogik
Eingabe:
Ausgabe:
1:
2:
3:
4:
5:
6:
7:
AL-Formel ϕ
„erfüllbar“ oder „unerfüllbar“
transformiere ϕ in KNF
initialisiere S mit Disjunktionen von ϕ
while es existiert C3 = res(C1 , C2 ) mit C3 ∈
/ S do
if C3 = 2 then
Ausgabe „unerfüllbar“
else
S := S ∪ {C3 }
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
32 / 139
Resolutions-Algorithmus für Aussagenlogik
Eingabe:
Ausgabe:
1:
2:
3:
4:
5:
6:
7:
8:
AL-Formel ϕ
„erfüllbar“ oder „unerfüllbar“
transformiere ϕ in KNF
initialisiere S mit Disjunktionen von ϕ
while es existiert C3 = res(C1 , C2 ) mit C3 ∈
/ S do
if C3 = 2 then
Ausgabe „unerfüllbar“
else
S := S ∪ {C3 }
Ausgabe „erfüllbar“
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
32 / 139
Eigenschaften des Resolutions-Algorithmus
Satz (Korrektheit)
Aus K(ϕ) `∗ C folgt ϕ |= C .
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
33 / 139
Eigenschaften des Resolutions-Algorithmus
Satz (Korrektheit)
Aus K(ϕ) `∗ C folgt ϕ |= C .
Satz (Widerlegungsvollständigkeit)
Ist ϕ unerfüllbar, gilt K(ϕ) `∗ 2.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
33 / 139
Eigenschaften des Resolutions-Algorithmus
Satz (Korrektheit)
Aus K(ϕ) `∗ C folgt ϕ |= C .
Satz (Widerlegungsvollständigkeit)
Ist ϕ unerfüllbar, gilt K(ϕ) `∗ 2.
Satz (Terminierung)
Der Resolutions-Algorithmus terminiert für jede Eingabe.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
33 / 139
Eigenschaften des Resolutions-Algorithmus
Satz (Korrektheit)
Aus K(ϕ) `∗ C folgt ϕ |= C .
Satz (Widerlegungsvollständigkeit)
Ist ϕ unerfüllbar, gilt K(ϕ) `∗ 2.
Satz (Terminierung)
Der Resolutions-Algorithmus terminiert für jede Eingabe.
Beweis.
Neue Klauseln enthalten nur Literale der Eingabe.
(Endliches Vokabular)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
33 / 139
Eigenschaften des Resolutions-Algorithmus
Satz (Korrektheit)
Aus K(ϕ) `∗ C folgt ϕ |= C .
Satz (Widerlegungsvollständigkeit)
Ist ϕ unerfüllbar, gilt K(ϕ) `∗ 2.
Satz (Terminierung)
Der Resolutions-Algorithmus terminiert für jede Eingabe.
Beweis.
Neue Klauseln enthalten nur Literale der Eingabe.
(Endliches Vokabular)
Nur neue Klauseln werden hinzugefügt.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
33 / 139
Eigenschaften des Resolutions-Algorithmus
Satz (Korrektheit)
Aus K(ϕ) `∗ C folgt ϕ |= C .
Satz (Widerlegungsvollständigkeit)
Ist ϕ unerfüllbar, gilt K(ϕ) `∗ 2.
Satz (Terminierung)
Der Resolutions-Algorithmus terminiert für jede Eingabe.
Beweis.
Neue Klauseln enthalten nur Literale der Eingabe.
(Endliches Vokabular)
Nur neue Klauseln werden hinzugefügt.
Klauseln werden nie entfernt.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
33 / 139
Resolution und Nichtdeterminismus
Wenn mehrere Resolventen möglich sind:
terminiert der Algorithmus für jede Variante
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
34 / 139
Resolution und Nichtdeterminismus
Wenn mehrere Resolventen möglich sind:
terminiert der Algorithmus für jede Variante
. . . aber manche Varianten sind schneller als andere.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
34 / 139
Resolution und Nichtdeterminismus
Wenn mehrere Resolventen möglich sind:
terminiert der Algorithmus für jede Variante
. . . aber manche Varianten sind schneller als andere.
Definition (Don’t-care-Nichtdeterminismus)
Ein Algorithmus heißt don’t-care-nichtdeterministisch, wenn jede von
mehreren möglichen nichtdeterministischen Entscheidungen zum korrekten
Ergebnis führt.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
34 / 139
Resolution und Nichtdeterminismus
Wenn mehrere Resolventen möglich sind:
terminiert der Algorithmus für jede Variante
. . . aber manche Varianten sind schneller als andere.
Definition (Don’t-care-Nichtdeterminismus)
Ein Algorithmus heißt don’t-care-nichtdeterministisch, wenn jede von
mehreren möglichen nichtdeterministischen Entscheidungen zum korrekten
Ergebnis führt.
In don’t-care-nichtdeterministischen Algorithmen müssen einmal getroffene
Entscheidungen nie rückgängig gemacht werden (Backtracking).
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
34 / 139
Übersetzung natürlicher Sprache in Aussagenlogik
1
Wenn Hans zum Meeting eingeladen wird und nicht auf Dienstreise
ist, nimmt er am Meeting teil.
¬R ∧ E → M ; R ∨ ¬E ∨ M
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
35 / 139
Übersetzung natürlicher Sprache in Aussagenlogik
1
2
Wenn Hans zum Meeting eingeladen wird und nicht auf Dienstreise
ist, nimmt er am Meeting teil.
¬R ∧ E → M ; R ∨ ¬E ∨ M
Wenn der Chef Hans beim Meeting sehen will, lädt er ihn auch ein.
C → E ; ¬C ∨ E
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
35 / 139
Übersetzung natürlicher Sprache in Aussagenlogik
1
2
3
Wenn Hans zum Meeting eingeladen wird und nicht auf Dienstreise
ist, nimmt er am Meeting teil.
¬R ∧ E → M ; R ∨ ¬E ∨ M
Wenn der Chef Hans beim Meeting sehen will, lädt er ihn auch ein.
C → E ; ¬C ∨ E
Wenn der Chef Hans nicht beim Meeting sehen will, wird Hans bald
gekündigt.
¬C → K ; C ∨ K
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
35 / 139
Übersetzung natürlicher Sprache in Aussagenlogik
1
Wenn Hans zum Meeting eingeladen wird und nicht auf Dienstreise
ist, nimmt er am Meeting teil.
¬R ∧ E → M ; R ∨ ¬E ∨ M
3
Wenn der Chef Hans beim Meeting sehen will, lädt er ihn auch ein.
C → E ; ¬C ∨ E
4
Hans hat nicht am Meeting teilgenommen.
2
Wenn der Chef Hans nicht beim Meeting sehen will, wird Hans bald
gekündigt.
¬C → K ; C ∨ K
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
¬M
Sommersemester 2017
35 / 139
Übersetzung natürlicher Sprache in Aussagenlogik
1
Wenn Hans zum Meeting eingeladen wird und nicht auf Dienstreise
ist, nimmt er am Meeting teil.
¬R ∧ E → M ; R ∨ ¬E ∨ M
3
Wenn der Chef Hans beim Meeting sehen will, lädt er ihn auch ein.
C → E ; ¬C ∨ E
4
Wenn der Chef Hans nicht beim Meeting sehen will, wird Hans bald
gekündigt.
¬C → K ; C ∨ K
Hans hat nicht am Meeting teilgenommen.
¬M
5
Hans ist nicht auf einer Dienstreise.
¬R
2
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
35 / 139
Übersetzung natürlicher Sprache in Aussagenlogik
1
Wenn Hans zum Meeting eingeladen wird und nicht auf Dienstreise
ist, nimmt er am Meeting teil.
¬R ∧ E → M ; R ∨ ¬E ∨ M
3
Wenn der Chef Hans beim Meeting sehen will, lädt er ihn auch ein.
C → E ; ¬C ∨ E
4
Wenn der Chef Hans nicht beim Meeting sehen will, wird Hans bald
gekündigt.
¬C → K ; C ∨ K
Hans hat nicht am Meeting teilgenommen.
¬M
5
Hans ist nicht auf einer Dienstreise.
¬R
6
Konklusion: Hans wird bald gekündigt.
2
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
K
Sommersemester 2017
35 / 139
Logische Implikation und Erfüllbarkeit
Implizieren die Prämissen 1–5 die Konklusion 6?
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
36 / 139
Logische Implikation und Erfüllbarkeit
Implizieren die Prämissen 1–5 die Konklusion 6?
Logisch: Ist jedes Modell von 1–5 auch ein Modell von 6?
{1, 2, 3, 4, 5} |= 6?
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
36 / 139
Logische Implikation und Erfüllbarkeit
Implizieren die Prämissen 1–5 die Konklusion 6?
Logisch: Ist jedes Modell von 1–5 auch ein Modell von 6?
{1, 2, 3, 4, 5} |= 6?
Umgekehrt: Existiert ein Modell von 1–5, im dem 6 nicht gilt?
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
36 / 139
Logische Implikation und Erfüllbarkeit
Implizieren die Prämissen 1–5 die Konklusion 6?
Logisch: Ist jedes Modell von 1–5 auch ein Modell von 6?
{1, 2, 3, 4, 5} |= 6?
Umgekehrt: Existiert ein Modell von 1–5, im dem 6 nicht gilt?
Logisch: Ist {1, 2, 3, 4, 5, ¬6} erfüllbar?
Wenn ja, gilt die Implikation nicht.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
36 / 139
Logische Implikation und Erfüllbarkeit
Implizieren die Prämissen 1–5 die Konklusion 6?
Logisch: Ist jedes Modell von 1–5 auch ein Modell von 6?
{1, 2, 3, 4, 5} |= 6?
Umgekehrt: Existiert ein Modell von 1–5, im dem 6 nicht gilt?
Logisch: Ist {1, 2, 3, 4, 5, ¬6} erfüllbar?
Wenn ja, gilt die Implikation nicht.
Ist {1, 2, 3, 4, 5, ¬6} unerfüllbar, gilt die Implikation.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
36 / 139
Logische Implikation und Erfüllbarkeit
Implizieren die Prämissen 1–5 die Konklusion 6?
Logisch: Ist jedes Modell von 1–5 auch ein Modell von 6?
{1, 2, 3, 4, 5} |= 6?
Umgekehrt: Existiert ein Modell von 1–5, im dem 6 nicht gilt?
Logisch: Ist {1, 2, 3, 4, 5, ¬6} erfüllbar?
Wenn ja, gilt die Implikation nicht.
Ist {1, 2, 3, 4, 5, ¬6} unerfüllbar, gilt die Implikation.
Teste mittels Resolution die Erfüllbarkeit von
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
36 / 139
Logische Implikation und Erfüllbarkeit
Implizieren die Prämissen 1–5 die Konklusion 6?
Logisch: Ist jedes Modell von 1–5 auch ein Modell von 6?
{1, 2, 3, 4, 5} |= 6?
Umgekehrt: Existiert ein Modell von 1–5, im dem 6 nicht gilt?
Logisch: Ist {1, 2, 3, 4, 5, ¬6} erfüllbar?
Wenn ja, gilt die Implikation nicht.
Ist {1, 2, 3, 4, 5, ¬6} unerfüllbar, gilt die Implikation.
Teste mittels Resolution die Erfüllbarkeit von
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
36 / 139
Logische Implikation und Erfüllbarkeit
Implizieren die Prämissen 1–5 die Konklusion 6?
Logisch: Ist jedes Modell von 1–5 auch ein Modell von 6?
{1, 2, 3, 4, 5} |= 6?
Umgekehrt: Existiert ein Modell von 1–5, im dem 6 nicht gilt?
Logisch: Ist {1, 2, 3, 4, 5, ¬6} erfüllbar?
Wenn ja, gilt die Implikation nicht.
Ist {1, 2, 3, 4, 5, ¬6} unerfüllbar, gilt die Implikation.
Teste mittels Resolution die Erfüllbarkeit von
{{R, ¬E, M }, {¬C , E}, {C , K }, {¬M }, {¬R}, {¬K }}
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
36 / 139
Bestimmung des Schicksals von Hans durch Resolution
{{R, ¬E, M }, {¬C , E}, {C , K }, {¬M }, {¬R}, {¬K }}
R, ¬E, M
¬M
R, ¬E
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
37 / 139
Bestimmung des Schicksals von Hans durch Resolution
{{R, ¬E, M }, {¬C , E}, {C , K }, {¬M }, {¬R}, {¬K }}
R, ¬E, M
¬M
¬C , E
C, K
R, ¬E
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
37 / 139
Bestimmung des Schicksals von Hans durch Resolution
{{R, ¬E, M }, {¬C , E}, {C , K }, {¬M }, {¬R}, {¬K }}
R, ¬E, M
¬M
R, ¬E
Jan Hladik (DHBW Stuttgart)
¬C , E
C, K
E, K
Wissensbasierte Systeme – Logik –
Sommersemester 2017
37 / 139
Bestimmung des Schicksals von Hans durch Resolution
{{R, ¬E, M }, {¬C , E}, {C , K }, {¬M }, {¬R}, {¬K }}
R, ¬E, M
¬C , E
¬M
R, ¬E
C, K
E, K
R, K
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
37 / 139
Bestimmung des Schicksals von Hans durch Resolution
{{R, ¬E, M }, {¬C , E}, {C , K }, {¬M }, {¬R}, {¬K }}
R, ¬E, M
¬C , E
¬M
R, ¬E
E, K
R, K
Jan Hladik (DHBW Stuttgart)
C, K
¬R
Wissensbasierte Systeme – Logik –
Sommersemester 2017
37 / 139
Bestimmung des Schicksals von Hans durch Resolution
{{R, ¬E, M }, {¬C , E}, {C , K }, {¬M }, {¬R}, {¬K }}
R, ¬E, M
¬C , E
¬M
R, ¬E
C, K
E, K
R, K
¬R
K
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
37 / 139
Bestimmung des Schicksals von Hans durch Resolution
{{R, ¬E, M }, {¬C , E}, {C , K }, {¬M }, {¬R}, {¬K }}
R, ¬E, M
¬C , E
¬M
R, ¬E
C, K
E, K
R, K
¬R
K
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
¬K
Sommersemester 2017
37 / 139
Bestimmung des Schicksals von Hans durch Resolution
{{R, ¬E, M }, {¬C , E}, {C , K }, {¬M }, {¬R}, {¬K }}
R, ¬E, M
¬C , E
¬M
R, ¬E
C, K
E, K
R, K
¬R
¬K
K
2
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
37 / 139
Bestimmung des Schicksals von Hans durch Resolution
{{R, ¬E, M }, {¬C , E}, {C , K }, {¬M }, {¬R}, {¬K }}
R, ¬E, M
¬C , E
¬M
R, ¬E
C, K
E, K
R, K
¬R
¬K
K
2
Die Folgerung gilt, d. h. Hans wird leider entlassen. . .
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
37 / 139
Optimierung des Resolutionsverfahrens
Auswahl der Elternklauseln ist entscheidend für Effizienz
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
38 / 139
Optimierung des Resolutionsverfahrens
Auswahl der Elternklauseln ist entscheidend für Effizienz
Heuristiken:
Priorisiere kleine Klauseln
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
38 / 139
Optimierung des Resolutionsverfahrens
Auswahl der Elternklauseln ist entscheidend für Effizienz
Heuristiken:
Priorisiere kleine Klauseln
Priorisiere Klauseln mit hoher Ableitungstiefe ; Depth-first-Suche
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
38 / 139
Optimierung des Resolutionsverfahrens
Auswahl der Elternklauseln ist entscheidend für Effizienz
Heuristiken:
Priorisiere kleine Klauseln
Priorisiere Klauseln mit hoher Ableitungstiefe ; Depth-first-Suche
Ignoriere Tautologien {X , ¬X , . . .}
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
38 / 139
Optimierung des Resolutionsverfahrens
Auswahl der Elternklauseln ist entscheidend für Effizienz
Heuristiken:
Priorisiere kleine Klauseln
Priorisiere Klauseln mit hoher Ableitungstiefe ; Depth-first-Suche
Ignoriere Tautologien {X , ¬X , . . .}
Ignoriere C1 , wenn ein C2 ⊆ C1 existiert
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
38 / 139
Optimierung des Resolutionsverfahrens
Auswahl der Elternklauseln ist entscheidend für Effizienz
Heuristiken:
Priorisiere kleine Klauseln
Priorisiere Klauseln mit hoher Ableitungstiefe ; Depth-first-Suche
Ignoriere Tautologien {X , ¬X , . . .}
Ignoriere C1 , wenn ein C2 ⊆ C1 existiert
Resolviere mehr als zwei Klauseln (Hyperresolution)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
38 / 139
Optimierung des Resolutionsverfahrens
Auswahl der Elternklauseln ist entscheidend für Effizienz
Heuristiken:
Priorisiere kleine Klauseln
Priorisiere Klauseln mit hoher Ableitungstiefe ; Depth-first-Suche
Ignoriere Tautologien {X , ¬X , . . .}
Ignoriere C1 , wenn ein C2 ⊆ C1 existiert
Resolviere mehr als zwei Klauseln (Hyperresolution)
Einschränkung auf Spezialfälle, z. B. Horn-Formeln
Horn-Formel: Höchstens ein positives Literal
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
38 / 139
Optimierung des Resolutionsverfahrens
Auswahl der Elternklauseln ist entscheidend für Effizienz
Heuristiken:
Priorisiere kleine Klauseln
Priorisiere Klauseln mit hoher Ableitungstiefe ; Depth-first-Suche
Ignoriere Tautologien {X , ¬X , . . .}
Ignoriere C1 , wenn ein C2 ⊆ C1 existiert
Resolviere mehr als zwei Klauseln (Hyperresolution)
Einschränkung auf Spezialfälle, z. B. Horn-Formeln
Horn-Formel: Höchstens ein positives Literal
X ∧ Y ∧ Z ... → W
nützlich für Formalisierung von Regeln (Prolog)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
38 / 139
Optimierung des Resolutionsverfahrens
Auswahl der Elternklauseln ist entscheidend für Effizienz
Heuristiken:
Priorisiere kleine Klauseln
Priorisiere Klauseln mit hoher Ableitungstiefe ; Depth-first-Suche
Ignoriere Tautologien {X , ¬X , . . .}
Ignoriere C1 , wenn ein C2 ⊆ C1 existiert
Resolviere mehr als zwei Klauseln (Hyperresolution)
Einschränkung auf Spezialfälle, z. B. Horn-Formeln
Horn-Formel: Höchstens ein positives Literal
X ∧ Y ∧ Z ... → W
nützlich für Formalisierung von Regeln (Prolog)
Polynomielle Laufzeit
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
38 / 139
Übung: Resolution
Formalisieren Sie die folgenden Aussagen in der Aussagenlogik und testen
Sie die Folgerung mittels Resolution.
1
Meine Gitarre ist gestimmt, hat aber eine kaputte E-Saite.
2
Der Verzerrer meines Verstärkers funktioniert nicht.
3
Für einen Flamenco braucht man keinen Verzerrer.
4
Punk kann man auch mit einer verstimmten Gitarre spielen.
5
Die Nachbarn werden sich beschweren, wenn ich Punk spiele, aber
nicht, wenn ich weder Punk noch Flamenco spiele.
6
Für Punk braucht man einen Verzerrer.
7
Ein Flamenco benötigt die E-Saite.
8
Konklusion: Die Nachbarn werden sich nicht beschweren.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
39 / 139
Zusatzübung: Resolution
Aus einem Raum führen 3 Türen: Rot, grün und blau. Hinter zweien
verbergen sich Drachen, die dritte führt in die Freiheit. Auf den Türen
stehen folgende Informationen:
Diese Tür führt in die Freiheit.
Hinter dieser Tür wartet ein Drache.
Hinter der blauen Tür wartet ein Drache.
Mindestens eine der drei Informationen ist wahr, mindestens eine ist falsch.
Zeigen Sie: Die grüne Tür führt in die Freiheit.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
40 / 139
Inhalt
1
Einführung
2
Aussagenlogik
Syntax
Semantik
Schlussfolgerungsverfahren
Resolution
Tableaus
3
Prädikatenlogik
4
Beschreibungslogiken
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
41 / 139
Tableau-Algorithmen
Erfüllbarkeitstest für aussagenlogische Formeln
Evert Willem Beth: Semantic entailment and
formal derivability (1955)
E. W. Beth
(1908–1964)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
42 / 139
Tableau-Algorithmen
Erfüllbarkeitstest für aussagenlogische Formeln
Evert Willem Beth: Semantic entailment and
formal derivability (1955)
E. W. Beth
(1908–1964)
Anderer Ansatz für Erfüllbarkeitstest
Resolution: suche einen Widerspruch
Tableau: suche ein Modell
erzeugt Tabellen-artige Struktur, bei der Spalten
aufgeteilt werden ; „Tableau“
andere Sichtweise: Baumstruktur
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
42 / 139
Merkmale von Tableau-Algorithmen
Beginne mit der Ausgangsformel χ und einer Spalte
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
43 / 139
Merkmale von Tableau-Algorithmen
Beginne mit der Ausgangsformel χ und einer Spalte
Regeln brechen komplexe Formeln auf einfachere herunter
„Wenn ϕ ∧ ψ vorhanden ist, aber nicht ϕ und ψ, füge ϕ und ψ hinzu.“
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
43 / 139
Merkmale von Tableau-Algorithmen
Beginne mit der Ausgangsformel χ und einer Spalte
Regeln brechen komplexe Formeln auf einfachere herunter
„Wenn ϕ ∧ ψ vorhanden ist, aber nicht ϕ und ψ, füge ϕ und ψ hinzu.“
Bei mehreren Möglichkeiten: Teile Spalte auf
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
43 / 139
Merkmale von Tableau-Algorithmen
Beginne mit der Ausgangsformel χ und einer Spalte
Regeln brechen komplexe Formeln auf einfachere herunter
„Wenn ϕ ∧ ψ vorhanden ist, aber nicht ϕ und ψ, füge ϕ und ψ hinzu.“
Bei mehreren Möglichkeiten: Teile Spalte auf
Clash beschreibt Situation, in denen ein Widerspruch vorliegt
„ϕ und ¬ϕ sind vorhanden.“
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
43 / 139
Merkmale von Tableau-Algorithmen
Beginne mit der Ausgangsformel χ und einer Spalte
Regeln brechen komplexe Formeln auf einfachere herunter
„Wenn ϕ ∧ ψ vorhanden ist, aber nicht ϕ und ψ, füge ϕ und ψ hinzu.“
Bei mehreren Möglichkeiten: Teile Spalte auf
Clash beschreibt Situation, in denen ein Widerspruch vorliegt
„ϕ und ¬ϕ sind vorhanden.“
Clashes gibt es zwischen Formeln in der aktuellen Spalte und den
darüberliegenden
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
43 / 139
Merkmale von Tableau-Algorithmen
Beginne mit der Ausgangsformel χ und einer Spalte
Regeln brechen komplexe Formeln auf einfachere herunter
„Wenn ϕ ∧ ψ vorhanden ist, aber nicht ϕ und ψ, füge ϕ und ψ hinzu.“
Bei mehreren Möglichkeiten: Teile Spalte auf
Clash beschreibt Situation, in denen ein Widerspruch vorliegt
„ϕ und ¬ϕ sind vorhanden.“
Clashes gibt es zwischen Formeln in der aktuellen Spalte und den
darüberliegenden
Ergebnis:
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
43 / 139
Merkmale von Tableau-Algorithmen
Beginne mit der Ausgangsformel χ und einer Spalte
Regeln brechen komplexe Formeln auf einfachere herunter
„Wenn ϕ ∧ ψ vorhanden ist, aber nicht ϕ und ψ, füge ϕ und ψ hinzu.“
Bei mehreren Möglichkeiten: Teile Spalte auf
Clash beschreibt Situation, in denen ein Widerspruch vorliegt
„ϕ und ¬ϕ sind vorhanden.“
Clashes gibt es zwischen Formeln in der aktuellen Spalte und den
darüberliegenden
Ergebnis:
Wenn jede Spalte einen Clash enthält, gibt es kein Modell
; χ ist unerfüllbar
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
43 / 139
Merkmale von Tableau-Algorithmen
Beginne mit der Ausgangsformel χ und einer Spalte
Regeln brechen komplexe Formeln auf einfachere herunter
„Wenn ϕ ∧ ψ vorhanden ist, aber nicht ϕ und ψ, füge ϕ und ψ hinzu.“
Bei mehreren Möglichkeiten: Teile Spalte auf
Clash beschreibt Situation, in denen ein Widerspruch vorliegt
„ϕ und ¬ϕ sind vorhanden.“
Clashes gibt es zwischen Formeln in der aktuellen Spalte und den
darüberliegenden
Ergebnis:
Wenn jede Spalte einen Clash enthält, gibt es kein Modell
; χ ist unerfüllbar
Wenn keine Regel mehr anwendbar ist (Tableau ist vollständig) und
mindestens eine Spalte Clash-frei ist, gibt es ein Modell
; χ ist erfüllbar
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
43 / 139
Tableau-Algorithmen: Regeln
Vorbedingung „Wenn ϕ ∧ ψ vorhanden ist. . . “
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
44 / 139
Tableau-Algorithmen: Regeln
Vorbedingung „Wenn ϕ ∧ ψ vorhanden ist. . . “
Welche Formel ist zu verarbeiten?
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
44 / 139
Tableau-Algorithmen: Regeln
Vorbedingung „Wenn ϕ ∧ ψ vorhanden ist. . . “
Welche Formel ist zu verarbeiten?
Anwendbarkeitsbedingung „. . . aber nicht ϕ und ψ, . . . “
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
44 / 139
Tableau-Algorithmen: Regeln
Vorbedingung „Wenn ϕ ∧ ψ vorhanden ist. . . “
Welche Formel ist zu verarbeiten?
Anwendbarkeitsbedingung „. . . aber nicht ϕ und ψ, . . . “
Wann ist Regel nicht mehr anwendbar?
(; Terminierung)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
44 / 139
Tableau-Algorithmen: Regeln
Vorbedingung „Wenn ϕ ∧ ψ vorhanden ist. . . “
Welche Formel ist zu verarbeiten?
Anwendbarkeitsbedingung „. . . aber nicht ϕ und ψ, . . . “
Wann ist Regel nicht mehr anwendbar?
(; Terminierung)
bezieht sich auf aktuelle Spalte und
darüberliegende
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
44 / 139
Tableau-Algorithmen: Regeln
Vorbedingung „Wenn ϕ ∧ ψ vorhanden ist. . . “
Welche Formel ist zu verarbeiten?
Anwendbarkeitsbedingung „. . . aber nicht ϕ und ψ, . . . “
Wann ist Regel nicht mehr anwendbar?
(; Terminierung)
bezieht sich auf aktuelle Spalte und
darüberliegende
Nachbedingung „. . . füge ϕ und ψ hinzu.“
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
44 / 139
Tableau-Algorithmen: Regeln
Vorbedingung „Wenn ϕ ∧ ψ vorhanden ist. . . “
Welche Formel ist zu verarbeiten?
Anwendbarkeitsbedingung „. . . aber nicht ϕ und ψ, . . . “
Wann ist Regel nicht mehr anwendbar?
(; Terminierung)
bezieht sich auf aktuelle Spalte und
darüberliegende
Nachbedingung „. . . füge ϕ und ψ hinzu.“
Wie ist Formel zu verarbeiten?
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
44 / 139
Tableau-Algorithmen: Regeln
Vorbedingung „Wenn ϕ ∧ ψ vorhanden ist. . . “
Welche Formel ist zu verarbeiten?
Anwendbarkeitsbedingung „. . . aber nicht ϕ und ψ, . . . “
Wann ist Regel nicht mehr anwendbar?
(; Terminierung)
bezieht sich auf aktuelle Spalte und
darüberliegende
Nachbedingung „. . . füge ϕ und ψ hinzu.“
Wie ist Formel zu verarbeiten?
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
44 / 139
Tableau-Algorithmen: Regeln
Vorbedingung „Wenn ϕ ∧ ψ vorhanden ist. . . “
Welche Formel ist zu verarbeiten?
Anwendbarkeitsbedingung „. . . aber nicht ϕ und ψ, . . . “
Wann ist Regel nicht mehr anwendbar?
(; Terminierung)
bezieht sich auf aktuelle Spalte und
darüberliegende
Nachbedingung „. . . füge ϕ und ψ hinzu.“
Wie ist Formel zu verarbeiten?
Regeln können nicht-deterministisch sein:
„Wenn ϕ ∨ ψ enthalten ist. . . , füge ϕ oder ψ hinzu“
Teile aktuelle Spalte, teste ϕ in einer Spalte, ψ in der anderen
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
44 / 139
Tableau-Regeln und Negations-Normalform
Definition (Negations-Normalform)
Eine aussagenlogische Formel ist in Negations-Normalform (NNF) wenn als
binäre Junktoren nur ∧ und ∨ enthalten sind und Negation nur direkt vor
Aussagevariablen vorkommt.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
45 / 139
Tableau-Regeln und Negations-Normalform
Definition (Negations-Normalform)
Eine aussagenlogische Formel ist in Negations-Normalform (NNF) wenn als
binäre Junktoren nur ∧ und ∨ enthalten sind und Negation nur direkt vor
Aussagevariablen vorkommt.
Satz
Jede AL-Formel kann in NNF transformiert werden.
Beweis.
Verfahren:
1
Elimination von → und ↔
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
45 / 139
Tableau-Regeln und Negations-Normalform
Definition (Negations-Normalform)
Eine aussagenlogische Formel ist in Negations-Normalform (NNF) wenn als
binäre Junktoren nur ∧ und ∨ enthalten sind und Negation nur direkt vor
Aussagevariablen vorkommt.
Satz
Jede AL-Formel kann in NNF transformiert werden.
Beweis.
Verfahren:
1
Elimination von → und ↔
2
Anwendung der Gesetze von De Morgan
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
45 / 139
Tableau-Regeln und Negations-Normalform
Definition (Negations-Normalform)
Eine aussagenlogische Formel ist in Negations-Normalform (NNF) wenn als
binäre Junktoren nur ∧ und ∨ enthalten sind und Negation nur direkt vor
Aussagevariablen vorkommt.
Satz
Jede AL-Formel kann in NNF transformiert werden.
Beweis.
Verfahren:
1
Elimination von → und ↔
2
Anwendung der Gesetze von De Morgan
3
Entfernung doppelter Negation
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
45 / 139
Tableau-Regeln und Negations-Normalform
Definition (Negations-Normalform)
Eine aussagenlogische Formel ist in Negations-Normalform (NNF) wenn als
binäre Junktoren nur ∧ und ∨ enthalten sind und Negation nur direkt vor
Aussagevariablen vorkommt.
Satz
Jede AL-Formel kann in NNF transformiert werden.
Beweis.
Verfahren:
1
Elimination von → und ↔
2
Anwendung der Gesetze von De Morgan
3
Entfernung doppelter Negation
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
45 / 139
Tableau-Regeln und Negations-Normalform
Definition (Negations-Normalform)
Eine aussagenlogische Formel ist in Negations-Normalform (NNF) wenn als
binäre Junktoren nur ∧ und ∨ enthalten sind und Negation nur direkt vor
Aussagevariablen vorkommt.
Satz
Jede AL-Formel kann in NNF transformiert werden.
Beweis.
Verfahren:
1
Elimination von → und ↔
2
Anwendung der Gesetze von De Morgan
3
Entfernung doppelter Negation
(Wie für KNF.)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
45 / 139
Tableau-Regeln für Aussagenlogik
∧-Regel Wenn ϕ ∧ ψ ∈ S
und {ϕ, ψ} * S
dann S := S ∪ {ϕ, ψ}
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
46 / 139
Tableau-Regeln für Aussagenlogik
∧-Regel Wenn ϕ ∧ ψ ∈ S
und {ϕ, ψ} * S
dann S := S ∪ {ϕ, ψ}
∨-Regel Wenn ϕ ∨ ψ ∈ S
und {ϕ, ψ} ∩ S = ∅
dann S := S ∪ {ϕ} oder S := S ∪ {ψ}
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
46 / 139
Tableau-Algorithmus für Aussagenlogik
Eingabe:
Ausgabe:
AL-Formel ϕ
„erfüllbar“ oder „unerfüllbar“
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
47 / 139
Tableau-Algorithmus für Aussagenlogik
Eingabe:
Ausgabe:
AL-Formel ϕ
„erfüllbar“ oder „unerfüllbar“
ϕ0 = nnf(ϕ)
2: initialisiere S mit {ϕ0 }
1:
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
47 / 139
Tableau-Algorithmus für Aussagenlogik
Eingabe:
Ausgabe:
AL-Formel ϕ
„erfüllbar“ oder „unerfüllbar“
ϕ0 = nnf(ϕ)
2: initialisiere S mit {ϕ0 }
3: while eine Regel R ist auf ein ψ ∈ S anwendbar do
4:
wende R auf ψ an
1:
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
47 / 139
Tableau-Algorithmus für Aussagenlogik
Eingabe:
Ausgabe:
1:
2:
3:
4:
5:
6:
7:
8:
AL-Formel ϕ
„erfüllbar“ oder „unerfüllbar“
ϕ0 = nnf(ϕ)
initialisiere S mit {ϕ0 }
while eine Regel R ist auf ein ψ ∈ S anwendbar do
wende R auf ψ an
if jede Spalte enthält einen Clash then
Ausgabe „unerfüllbar“
else
Ausgabe „erfüllbar“
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
47 / 139
Beispiel: Bestimmung des Schicksals von Hans mit Tableau
Prämissen: (R ∨ ¬E ∨ M ) ∧ (¬C ∨ E) ∧ (C ∨ K ) ∧ ¬M ∧ ¬R
Konklusion: K
Zeile
1
Regel
(R ∨ ¬E ∨ M ) ∧ (¬C ∨ E) ∧ (C ∨ K ) ∧ ¬M ∧ ¬R ∧ ¬K
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
48 / 139
Beispiel: Bestimmung des Schicksals von Hans mit Tableau
Prämissen: (R ∨ ¬E ∨ M ) ∧ (¬C ∨ E) ∧ (C ∨ K ) ∧ ¬M ∧ ¬R
Konklusion: K
Zeile
1
2
3
4
5
6
7
(R ∨ ¬E ∨ M ) ∧ (¬C ∨ E) ∧ (C ∨ K ) ∧ ¬M ∧ ¬R ∧ ¬K
R ∨ ¬E ∨ M
¬C ∨ E
C ∨K
¬M
¬R
¬K
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Regel
Eingabe
1: ∧
Sommersemester 2017
48 / 139
Beispiel: Bestimmung des Schicksals von Hans mit Tableau
Prämissen: (R ∨ ¬E ∨ M ) ∧ (¬C ∨ E) ∧ (C ∨ K ) ∧ ¬M ∧ ¬R
Konklusion: K
Zeile
1
2
3
4
5
6
7
8
(R ∨ ¬E ∨ M ) ∧ (¬C ∨ E) ∧ (C ∨ K ) ∧ ¬M ∧ ¬R ∧ ¬K
R ∨ ¬E ∨ M
¬C ∨ E
C ∨K
¬M
¬R
¬K
C
K 7
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Regel
Eingabe
1: ∧
4: ∨
Sommersemester 2017
48 / 139
Beispiel: Bestimmung des Schicksals von Hans mit Tableau
Prämissen: (R ∨ ¬E ∨ M ) ∧ (¬C ∨ E) ∧ (C ∨ K ) ∧ ¬M ∧ ¬R
Konklusion: K
Zeile
1
2
3
4
5
6
7
8
9
(R ∨ ¬E ∨ M ) ∧ (¬C ∨ E) ∧ (C ∨ K ) ∧ ¬M ∧ ¬R ∧ ¬K
R ∨ ¬E ∨ M
¬C ∨ E
C ∨K
¬M
¬R
¬K
C
K 7
¬C 8
E
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Regel
Eingabe
1: ∧
4: ∨
3: ∨
Sommersemester 2017
48 / 139
Beispiel: Bestimmung des Schicksals von Hans mit Tableau
Prämissen: (R ∨ ¬E ∨ M ) ∧ (¬C ∨ E) ∧ (C ∨ K ) ∧ ¬M ∧ ¬R
Konklusion: K
Zeile
1
2
3
4
5
6
7
8
9
10
(R ∨ ¬E ∨ M ) ∧ (¬C ∨ E) ∧ (C ∨ K ) ∧ ¬M ∧ ¬R ∧ ¬K
R ∨ ¬E ∨ M
¬C ∨ E
C ∨K
¬M
¬R
¬K
C
K 7
¬C 8
E
R 6 ¬E 9 M 5
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Regel
Eingabe
1: ∧
4: ∨
3: ∨
2: ∨
Sommersemester 2017
48 / 139
Beispiel: Bestimmung des Schicksals von Hans mit Tableau
Prämissen: (R ∨ ¬E ∨ M ) ∧ (¬C ∨ E) ∧ (C ∨ K ) ∧ ¬M ∧ ¬R
Konklusion: K
Zeile
1
2
3
4
5
6
7
8
9
10
(R ∨ ¬E ∨ M ) ∧ (¬C ∨ E) ∧ (C ∨ K ) ∧ ¬M ∧ ¬R ∧ ¬K
R ∨ ¬E ∨ M
¬C ∨ E
C ∨K
¬M
¬R
¬K
C
K 7
¬C 8
E
R 6 ¬E 9 M 5
Regel
Eingabe
1: ∧
4: ∨
3: ∨
2: ∨
Jede Spalte enthält einen Clash
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
48 / 139
Beispiel: Bestimmung des Schicksals von Hans mit Tableau
Prämissen: (R ∨ ¬E ∨ M ) ∧ (¬C ∨ E) ∧ (C ∨ K ) ∧ ¬M ∧ ¬R
Konklusion: K
Zeile
1
2
3
4
5
6
7
8
9
10
(R ∨ ¬E ∨ M ) ∧ (¬C ∨ E) ∧ (C ∨ K ) ∧ ¬M ∧ ¬R ∧ ¬K
R ∨ ¬E ∨ M
¬C ∨ E
C ∨K
¬M
¬R
¬K
C
K 7
¬C 8
E
R 6 ¬E 9 M 5
Regel
Eingabe
1: ∧
4: ∨
3: ∨
2: ∨
Jede Spalte enthält einen Clash
; Formel 1 ∧ 2 ∧ 3 ∧ 4 ∧ 5 ∧ ¬6 ist unerfüllbar
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
48 / 139
Beispiel: Bestimmung des Schicksals von Hans mit Tableau
Prämissen: (R ∨ ¬E ∨ M ) ∧ (¬C ∨ E) ∧ (C ∨ K ) ∧ ¬M ∧ ¬R
Konklusion: K
Zeile
1
2
3
4
5
6
7
8
9
10
(R ∨ ¬E ∨ M ) ∧ (¬C ∨ E) ∧ (C ∨ K ) ∧ ¬M ∧ ¬R ∧ ¬K
R ∨ ¬E ∨ M
¬C ∨ E
C ∨K
¬M
¬R
¬K
C
K 7
¬C 8
E
R 6 ¬E 9 M 5
Jede Spalte enthält einen Clash
; Formel 1 ∧ 2 ∧ 3 ∧ 4 ∧ 5 ∧ ¬6 ist unerfüllbar
; Prämissen 1–5 implizieren die Konklusion 6
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Regel
Eingabe
1: ∧
4: ∨
3: ∨
2: ∨
Sommersemester 2017
48 / 139
Durchführung des Tableau-Algorithmus
Vorrang beachten: Formeln von „außen“ nach „innen“ abarbeiten
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
49 / 139
Durchführung des Tableau-Algorithmus
Vorrang beachten: Formeln von „außen“ nach „innen“ abarbeiten
Clash: nur zwischen aktueller Spalte und den darüberliegenden
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
49 / 139
Durchführung des Tableau-Algorithmus
Vorrang beachten: Formeln von „außen“ nach „innen“ abarbeiten
Clash: nur zwischen aktueller Spalte und den darüberliegenden
Spalte steht logisch für Menge aller Formeln, die in ihr und den
darüberliegenden Spalten enthalten sind
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
49 / 139
Durchführung des Tableau-Algorithmus
Vorrang beachten: Formeln von „außen“ nach „innen“ abarbeiten
Clash: nur zwischen aktueller Spalte und den darüberliegenden
Spalte steht logisch für Menge aller Formeln, die in ihr und den
darüberliegenden Spalten enthalten sind
Effizienz: Wenn mehrere Regeln anwendbar sind: ∧-Regel zuerst
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
49 / 139
Durchführung des Tableau-Algorithmus
Vorrang beachten: Formeln von „außen“ nach „innen“ abarbeiten
Clash: nur zwischen aktueller Spalte und den darüberliegenden
Spalte steht logisch für Menge aller Formeln, die in ihr und den
darüberliegenden Spalten enthalten sind
Effizienz: Wenn mehrere Regeln anwendbar sind: ∧-Regel zuerst
sonst: ∧-Regel in jeder neuen Spalte anwendbar ; Ineffizienz
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
49 / 139
Durchführung des Tableau-Algorithmus
Vorrang beachten: Formeln von „außen“ nach „innen“ abarbeiten
Clash: nur zwischen aktueller Spalte und den darüberliegenden
Spalte steht logisch für Menge aller Formeln, die in ihr und den
darüberliegenden Spalten enthalten sind
Effizienz: Wenn mehrere Regeln anwendbar sind: ∧-Regel zuerst
sonst: ∧-Regel in jeder neuen Spalte anwendbar ; Ineffizienz
Beispiel: {A ∧ B, ¬C ∧ ¬D, ¬A ∨ ¬B ∨ C ∨ D}
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
49 / 139
Durchführung des Tableau-Algorithmus
Vorrang beachten: Formeln von „außen“ nach „innen“ abarbeiten
Clash: nur zwischen aktueller Spalte und den darüberliegenden
Spalte steht logisch für Menge aller Formeln, die in ihr und den
darüberliegenden Spalten enthalten sind
Effizienz: Wenn mehrere Regeln anwendbar sind: ∧-Regel zuerst
sonst: ∧-Regel in jeder neuen Spalte anwendbar ; Ineffizienz
Beispiel: {A ∧ B, ¬C ∧ ¬D, ¬A ∨ ¬B ∨ C ∨ D}
Transformation von NNF in KNF ist kontraproduktiv
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
49 / 139
Durchführung des Tableau-Algorithmus
Vorrang beachten: Formeln von „außen“ nach „innen“ abarbeiten
Clash: nur zwischen aktueller Spalte und den darüberliegenden
Spalte steht logisch für Menge aller Formeln, die in ihr und den
darüberliegenden Spalten enthalten sind
Effizienz: Wenn mehrere Regeln anwendbar sind: ∧-Regel zuerst
sonst: ∧-Regel in jeder neuen Spalte anwendbar ; Ineffizienz
Beispiel: {A ∧ B, ¬C ∧ ¬D, ¬A ∨ ¬B ∨ C ∨ D}
Transformation von NNF in KNF ist kontraproduktiv
nach erstem Schritt wird nur ∨-Regel angewendet ; Ineffizienz
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
49 / 139
Durchführung des Tableau-Algorithmus
Vorrang beachten: Formeln von „außen“ nach „innen“ abarbeiten
Clash: nur zwischen aktueller Spalte und den darüberliegenden
Spalte steht logisch für Menge aller Formeln, die in ihr und den
darüberliegenden Spalten enthalten sind
Effizienz: Wenn mehrere Regeln anwendbar sind: ∧-Regel zuerst
sonst: ∧-Regel in jeder neuen Spalte anwendbar ; Ineffizienz
Beispiel: {A ∧ B, ¬C ∧ ¬D, ¬A ∨ ¬B ∨ C ∨ D}
Transformation von NNF in KNF ist kontraproduktiv
nach erstem Schritt wird nur ∨-Regel angewendet ; Ineffizienz
Beispiel: vergleiche NNF ¬A ∨ B ∧ ¬C ∨ ¬B ∧ C (3 Spalten)
mit KNF (¬A ∨ B ∨ C ) ∧ (¬A ∨ ¬B ∨ ¬C ) (7 Spalten)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
49 / 139
Übung: Tableau-Algorithmus
Zeigen Sie mit einem Tableau, dass die Nachbarn sich nicht beschweren.
S ∧ ¬E ∧
¬V ∧
(¬P ∨ N ) ∧ (P ∨ F ∨ ¬N )
(¬P ∨ V ) ∧
(¬F ∨ E) ∧
N
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
∧
Sommersemester 2017
50 / 139
Korrektheit des Tableau-Algorithmus
Satz (Korrektheit)
Wenn das vollständige Tableau für ϕ eine Clash-freie Spalte enthält, ist ϕ
erfüllbar.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
51 / 139
Korrektheit des Tableau-Algorithmus
Satz (Korrektheit)
Wenn das vollständige Tableau für ϕ eine Clash-freie Spalte enthält, ist ϕ
erfüllbar.
Beweis.
Idee: Literale der Clash-freien Spalte bilden Modell M.
Wenn X ∈ S, dann X M = 1; sonst X M = 0
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
51 / 139
Korrektheit des Tableau-Algorithmus
Satz (Korrektheit)
Wenn das vollständige Tableau für ϕ eine Clash-freie Spalte enthält, ist ϕ
erfüllbar.
Beweis.
Idee: Literale der Clash-freien Spalte bilden Modell M.
Wenn X ∈ S, dann X M = 1; sonst X M = 0
Clash-frei: für keine Variable X ist X und ¬X enthalten
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
51 / 139
Korrektheit des Tableau-Algorithmus
Satz (Korrektheit)
Wenn das vollständige Tableau für ϕ eine Clash-freie Spalte enthält, ist ϕ
erfüllbar.
Beweis.
Idee: Literale der Clash-freien Spalte bilden Modell M.
Wenn X ∈ S, dann X M = 1; sonst X M = 0
Clash-frei: für keine Variable X ist X und ¬X enthalten
Vollständig:
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
51 / 139
Korrektheit des Tableau-Algorithmus
Satz (Korrektheit)
Wenn das vollständige Tableau für ϕ eine Clash-freie Spalte enthält, ist ϕ
erfüllbar.
Beweis.
Idee: Literale der Clash-freien Spalte bilden Modell M.
Wenn X ∈ S, dann X M = 1; sonst X M = 0
Clash-frei: für keine Variable X ist X und ¬X enthalten
Vollständig:
für jede Konjunktion χ ∧ ψ ∈ S gilt auch {χ, ψ} ⊆ S
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
51 / 139
Korrektheit des Tableau-Algorithmus
Satz (Korrektheit)
Wenn das vollständige Tableau für ϕ eine Clash-freie Spalte enthält, ist ϕ
erfüllbar.
Beweis.
Idee: Literale der Clash-freien Spalte bilden Modell M.
Wenn X ∈ S, dann X M = 1; sonst X M = 0
Clash-frei: für keine Variable X ist X und ¬X enthalten
Vollständig:
für jede Konjunktion χ ∧ ψ ∈ S gilt auch {χ, ψ} ⊆ S
für jede Disjunktion χ ∨ ψ ∈ S gilt auch {χ, ψ} ∩ S 6= ∅
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
51 / 139
Korrektheit des Tableau-Algorithmus
Satz (Korrektheit)
Wenn das vollständige Tableau für ϕ eine Clash-freie Spalte enthält, ist ϕ
erfüllbar.
Beweis.
Idee: Literale der Clash-freien Spalte bilden Modell M.
Wenn X ∈ S, dann X M = 1; sonst X M = 0
Clash-frei: für keine Variable X ist X und ¬X enthalten
Vollständig:
für jede Konjunktion χ ∧ ψ ∈ S gilt auch {χ, ψ} ⊆ S
für jede Disjunktion χ ∨ ψ ∈ S gilt auch {χ, ψ} ∩ S 6= ∅
Induktion: Für jedes ψ ∈ S gilt: M |= ψ
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
51 / 139
Vollständigkeit des Tableau-Algorithmus
Satz (Vollständigkeit)
Wenn ϕ erfüllbar ist, enthält das vollständige Tableau für ϕ eine
Clash-freie Spalte.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
52 / 139
Vollständigkeit des Tableau-Algorithmus
Satz (Vollständigkeit)
Wenn ϕ erfüllbar ist, enthält das vollständige Tableau für ϕ eine
Clash-freie Spalte.
Beweis.
Idee: „Regelanwendung erhält Erfüllbarkeit.“
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
52 / 139
Vollständigkeit des Tableau-Algorithmus
Satz (Vollständigkeit)
Wenn ϕ erfüllbar ist, enthält das vollständige Tableau für ϕ eine
Clash-freie Spalte.
Beweis.
Idee: „Regelanwendung erhält Erfüllbarkeit.“
Wenn eine Formelmenge S vor Regelanwendung erfüllbar war, kann die
Regel so angewendet werden, dass S auch nach der Anwendung noch
erfüllbar ist.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
52 / 139
Vollständigkeit des Tableau-Algorithmus
Satz (Vollständigkeit)
Wenn ϕ erfüllbar ist, enthält das vollständige Tableau für ϕ eine
Clash-freie Spalte.
Beweis.
Idee: „Regelanwendung erhält Erfüllbarkeit.“
Wenn eine Formelmenge S vor Regelanwendung erfüllbar war, kann die
Regel so angewendet werden, dass S auch nach der Anwendung noch
erfüllbar ist.
∧-Regel Wenn M |= ψ ∧ χ gilt, gilt auch M |= ψ und M |= χ.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
52 / 139
Vollständigkeit des Tableau-Algorithmus
Satz (Vollständigkeit)
Wenn ϕ erfüllbar ist, enthält das vollständige Tableau für ϕ eine
Clash-freie Spalte.
Beweis.
Idee: „Regelanwendung erhält Erfüllbarkeit.“
Wenn eine Formelmenge S vor Regelanwendung erfüllbar war, kann die
Regel so angewendet werden, dass S auch nach der Anwendung noch
erfüllbar ist.
∧-Regel Wenn M |= ψ ∧ χ gilt, gilt auch M |= ψ und M |= χ.
∨-Regel Wenn M |= ψ ∨ χ gilt, gilt auch M |= ψ oder M |= χ.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
52 / 139
Teilformeln
Definition (Teilformel)
Sei ϕ eine aussagenlogische Formel.
Die Formel ψ ist Teilformel von ϕ, wenn eine der folgenden Bedingungen
erfüllt ist:
ϕ=ψ
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
53 / 139
Teilformeln
Definition (Teilformel)
Sei ϕ eine aussagenlogische Formel.
Die Formel ψ ist Teilformel von ϕ, wenn eine der folgenden Bedingungen
erfüllt ist:
ϕ=ψ
ϕ = ¬χ und ψ ist Teilformel von χ
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
53 / 139
Teilformeln
Definition (Teilformel)
Sei ϕ eine aussagenlogische Formel.
Die Formel ψ ist Teilformel von ϕ, wenn eine der folgenden Bedingungen
erfüllt ist:
ϕ=ψ
ϕ = ¬χ und ψ ist Teilformel von χ
ϕ = χ1 ◦ χ2 und ψ ist Teilformel von χ1 oder χ2
(mit ◦ ∈ {∧, ∨, →, ↔})
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
53 / 139
Teilformeln
Definition (Teilformel)
Sei ϕ eine aussagenlogische Formel.
Die Formel ψ ist Teilformel von ϕ, wenn eine der folgenden Bedingungen
erfüllt ist:
ϕ=ψ
ϕ = ¬χ und ψ ist Teilformel von χ
ϕ = χ1 ◦ χ2 und ψ ist Teilformel von χ1 oder χ2
(mit ◦ ∈ {∧, ∨, →, ↔})
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
53 / 139
Teilformeln
Definition (Teilformel)
Sei ϕ eine aussagenlogische Formel.
Die Formel ψ ist Teilformel von ϕ, wenn eine der folgenden Bedingungen
erfüllt ist:
ϕ=ψ
ϕ = ¬χ und ψ ist Teilformel von χ
ϕ = χ1 ◦ χ2 und ψ ist Teilformel von χ1 oder χ2
(mit ◦ ∈ {∧, ∨, →, ↔})
Beispiel (ϕ = A ∧ ¬(B ∨ ¬A) ∨ (A → ¬C ))
Die Menge der Teilformeln von ϕ ist
{ϕ, A ∧ ¬(B ∨ ¬A), A → ¬C , A, ¬(B ∨ ¬A), B ∨ ¬A, B, ¬A, ¬C , C }.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
53 / 139
Terminierung des Tableau-Algorithmus
Satz (Terminierung)
Der Tableau-Algorithmus terminiert für jede Formel ϕ nach endlich vielen
Schritten.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
54 / 139
Terminierung des Tableau-Algorithmus
Satz (Terminierung)
Der Tableau-Algorithmus terminiert für jede Formel ϕ nach endlich vielen
Schritten.
Beweis.
Es gibt nur endlich viele Teilformeln von ϕ (endliches Vokabular).
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
54 / 139
Terminierung des Tableau-Algorithmus
Satz (Terminierung)
Der Tableau-Algorithmus terminiert für jede Formel ϕ nach endlich vielen
Schritten.
Beweis.
Es gibt nur endlich viele Teilformeln von ϕ (endliches Vokabular).
Jede Regelanwendung fügt nur Teilformeln zu Formelmenge hinzu.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
54 / 139
Terminierung des Tableau-Algorithmus
Satz (Terminierung)
Der Tableau-Algorithmus terminiert für jede Formel ϕ nach endlich vielen
Schritten.
Beweis.
Es gibt nur endlich viele Teilformeln von ϕ (endliches Vokabular).
Jede Regelanwendung fügt nur Teilformeln zu Formelmenge hinzu.
Auf jede Teilformel wird in jeder Spalte höchstens einmal eine Regel
angewendet.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
54 / 139
Terminierung des Tableau-Algorithmus
Satz (Terminierung)
Der Tableau-Algorithmus terminiert für jede Formel ϕ nach endlich vielen
Schritten.
Beweis.
Es gibt nur endlich viele Teilformeln von ϕ (endliches Vokabular).
Jede Regelanwendung fügt nur Teilformeln zu Formelmenge hinzu.
Auf jede Teilformel wird in jeder Spalte höchstens einmal eine Regel
angewendet.
Die Anzahl der Spalten ist beschränkt durch die Anzahl der
Disjunktionen in ϕ.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
54 / 139
Terminierung des Tableau-Algorithmus
Satz (Terminierung)
Der Tableau-Algorithmus terminiert für jede Formel ϕ nach endlich vielen
Schritten.
Beweis.
Es gibt nur endlich viele Teilformeln von ϕ (endliches Vokabular).
Jede Regelanwendung fügt nur Teilformeln zu Formelmenge hinzu.
Auf jede Teilformel wird in jeder Spalte höchstens einmal eine Regel
angewendet.
Die Anzahl der Spalten ist beschränkt durch die Anzahl der
Disjunktionen in ϕ.
Formeln werden nie entfernt.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
54 / 139
Terminierung des Tableau-Algorithmus
Satz (Terminierung)
Der Tableau-Algorithmus terminiert für jede Formel ϕ nach endlich vielen
Schritten.
Beweis.
Es gibt nur endlich viele Teilformeln von ϕ (endliches Vokabular).
Jede Regelanwendung fügt nur Teilformeln zu Formelmenge hinzu.
Auf jede Teilformel wird in jeder Spalte höchstens einmal eine Regel
angewendet.
Die Anzahl der Spalten ist beschränkt durch die Anzahl der
Disjunktionen in ϕ.
Formeln werden nie entfernt.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
54 / 139
Terminierung des Tableau-Algorithmus
Satz (Terminierung)
Der Tableau-Algorithmus terminiert für jede Formel ϕ nach endlich vielen
Schritten.
Beweis.
Es gibt nur endlich viele Teilformeln von ϕ (endliches Vokabular).
Jede Regelanwendung fügt nur Teilformeln zu Formelmenge hinzu.
Auf jede Teilformel wird in jeder Spalte höchstens einmal eine Regel
angewendet.
Die Anzahl der Spalten ist beschränkt durch die Anzahl der
Disjunktionen in ϕ.
Formeln werden nie entfernt.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
54 / 139
Tableaus und Nichtdeterminismus
sind mehrere Regeln anwendbar, ist die Auswahl der nächsten Regel
don’t-care-nichtdeterministisch
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
55 / 139
Tableaus und Nichtdeterminismus
sind mehrere Regeln anwendbar, ist die Auswahl der nächsten Regel
don’t-care-nichtdeterministisch
Jede Auswahl führt zur Lösung
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
55 / 139
Tableaus und Nichtdeterminismus
sind mehrere Regeln anwendbar, ist die Auswahl der nächsten Regel
don’t-care-nichtdeterministisch
Jede Auswahl führt zur Lösung
die Auswahl der Alternative durch die ∨-Regel ist
don’t-know-nichtdeterministisch
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
55 / 139
Tableaus und Nichtdeterminismus
sind mehrere Regeln anwendbar, ist die Auswahl der nächsten Regel
don’t-care-nichtdeterministisch
Jede Auswahl führt zur Lösung
die Auswahl der Alternative durch die ∨-Regel ist
don’t-know-nichtdeterministisch
Finden der Lösung kann von „richtiger“ Alternative abhängen
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
55 / 139
Tableaus und Nichtdeterminismus
sind mehrere Regeln anwendbar, ist die Auswahl der nächsten Regel
don’t-care-nichtdeterministisch
Jede Auswahl führt zur Lösung
die Auswahl der Alternative durch die ∨-Regel ist
don’t-know-nichtdeterministisch
Finden der Lösung kann von „richtiger“ Alternative abhängen
Jede Alternative muss getestet werden
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
55 / 139
Tableaus in der Praxis
Anzahl der Spalten kann exponentiell in der Größe von ϕ sein
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
56 / 139
Tableaus in der Praxis
Anzahl der Spalten kann exponentiell in der Größe von ϕ sein
Beispiel: ϕ = (A ∨ B) ∧ (C ∨ D) ∧ (E ∨ F )
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
56 / 139
Tableaus in der Praxis
Anzahl der Spalten kann exponentiell in der Größe von ϕ sein
Beispiel: ϕ = (A ∨ B) ∧ (C ∨ D) ∧ (E ∨ F )
Für Zeit- und Platz-Effizienz: Erzeuge Tableau depth-first
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
56 / 139
Tableaus in der Praxis
Anzahl der Spalten kann exponentiell in der Größe von ϕ sein
Beispiel: ϕ = (A ∨ B) ∧ (C ∨ D) ∧ (E ∨ F )
Für Zeit- und Platz-Effizienz: Erzeuge Tableau depth-first
Halte nur eine Spalte gleichzeitig im Speicher
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
56 / 139
Tableaus in der Praxis
Anzahl der Spalten kann exponentiell in der Größe von ϕ sein
Beispiel: ϕ = (A ∨ B) ∧ (C ∨ D) ∧ (E ∨ F )
Für Zeit- und Platz-Effizienz: Erzeuge Tableau depth-first
Halte nur eine Spalte gleichzeitig im Speicher
Wende dort alle möglichen Regeln an
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
56 / 139
Tableaus in der Praxis
Anzahl der Spalten kann exponentiell in der Größe von ϕ sein
Beispiel: ϕ = (A ∨ B) ∧ (C ∨ D) ∧ (E ∨ F )
Für Zeit- und Platz-Effizienz: Erzeuge Tableau depth-first
Halte nur eine Spalte gleichzeitig im Speicher
Wende dort alle möglichen Regeln an
Spalte ist Clash-frei und vollständig: Ausgabe „erfüllbar“
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
56 / 139
Tableaus in der Praxis
Anzahl der Spalten kann exponentiell in der Größe von ϕ sein
Beispiel: ϕ = (A ∨ B) ∧ (C ∨ D) ∧ (E ∨ F )
Für Zeit- und Platz-Effizienz: Erzeuge Tableau depth-first
Halte nur eine Spalte gleichzeitig im Speicher
Wende dort alle möglichen Regeln an
Spalte ist Clash-frei und vollständig: Ausgabe „erfüllbar“
Spalte enthält Clash: Versuche nächste Spalte (oder Ausgabe
„unerfüllbar“)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
56 / 139
Tableaus in der Praxis
Anzahl der Spalten kann exponentiell in der Größe von ϕ sein
Beispiel: ϕ = (A ∨ B) ∧ (C ∨ D) ∧ (E ∨ F )
Für Zeit- und Platz-Effizienz: Erzeuge Tableau depth-first
Halte nur eine Spalte gleichzeitig im Speicher
Wende dort alle möglichen Regeln an
Spalte ist Clash-frei und vollständig: Ausgabe „erfüllbar“
Spalte enthält Clash: Versuche nächste Spalte (oder Ausgabe
„unerfüllbar“)
Overhead: Backtracking-Information for jede Anwendung der ∨-Regel
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
56 / 139
Tableaus in der Praxis
Anzahl der Spalten kann exponentiell in der Größe von ϕ sein
Beispiel: ϕ = (A ∨ B) ∧ (C ∨ D) ∧ (E ∨ F )
Für Zeit- und Platz-Effizienz: Erzeuge Tableau depth-first
Halte nur eine Spalte gleichzeitig im Speicher
Wende dort alle möglichen Regeln an
Spalte ist Clash-frei und vollständig: Ausgabe „erfüllbar“
Spalte enthält Clash: Versuche nächste Spalte (oder Ausgabe
„unerfüllbar“)
Overhead: Backtracking-Information for jede Anwendung der ∨-Regel
aus Effizienzgründen auch hier zuerst ∧-Regel anwenden
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
56 / 139
Vergleich: Tableaus und Resolution
Gemeinsamkeiten
Erfüllbarkeitstests
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
57 / 139
Vergleich: Tableaus und Resolution
Gemeinsamkeiten
Erfüllbarkeitstests
Können auch Gültigkeit und Implikation testen
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
57 / 139
Vergleich: Tableaus und Resolution
Gemeinsamkeiten
Erfüllbarkeitstests
Können auch Gültigkeit und Implikation testen
Entscheidungsverfahren
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
57 / 139
Vergleich: Tableaus und Resolution
Gemeinsamkeiten
Erfüllbarkeitstests
Können auch Gültigkeit und Implikation testen
Entscheidungsverfahren
Effizienter als Wahrheitstabelle
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
57 / 139
Vergleich: Tableaus und Resolution
Gemeinsamkeiten
Erfüllbarkeitstests
Können auch Gültigkeit und Implikation testen
Entscheidungsverfahren
Effizienter als Wahrheitstabelle
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
57 / 139
Vergleich: Tableaus und Resolution
Gemeinsamkeiten
Erfüllbarkeitstests
Können auch Gültigkeit und Implikation testen
Entscheidungsverfahren
Effizienter als Wahrheitstabelle
Vorteile von Tableaus
Effizient für erfüllbare Eingaben
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
57 / 139
Vergleich: Tableaus und Resolution
Gemeinsamkeiten
Erfüllbarkeitstests
Können auch Gültigkeit und Implikation testen
Entscheidungsverfahren
Effizienter als Wahrheitstabelle
Vorteile von Tableaus
Effizient für erfüllbare Eingaben
Erzeugt Modell für erfüllbare Eingaben
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
57 / 139
Vergleich: Tableaus und Resolution
Gemeinsamkeiten
Erfüllbarkeitstests
Können auch Gültigkeit und Implikation testen
Entscheidungsverfahren
Effizienter als Wahrheitstabelle
Vorteile von Tableaus
Effizient für erfüllbare Eingaben
Erzeugt Modell für erfüllbare Eingaben
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
57 / 139
Vergleich: Tableaus und Resolution
Gemeinsamkeiten
Erfüllbarkeitstests
Können auch Gültigkeit und Implikation testen
Entscheidungsverfahren
Effizienter als Wahrheitstabelle
Vorteile von Tableaus
Effizient für erfüllbare Eingaben
Erzeugt Modell für erfüllbare Eingaben
Vorteile der Resolution
Effizient für unerfüllbare Eingaben
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
57 / 139
Vergleich: Tableaus und Resolution
Gemeinsamkeiten
Erfüllbarkeitstests
Können auch Gültigkeit und Implikation testen
Entscheidungsverfahren
Effizienter als Wahrheitstabelle
Vorteile von Tableaus
Effizient für erfüllbare Eingaben
Erzeugt Modell für erfüllbare Eingaben
Vorteile der Resolution
Effizient für unerfüllbare Eingaben
Gesamtes Verfahren ist don’t-care-nichtdeterministisch
(kein Backtracking)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
57 / 139
Zusammenfassung: Aussagenlogik
Aussagenvariable repräsentiert Elementaraussage
kann wahr oder falsch sein
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
58 / 139
Zusammenfassung: Aussagenlogik
Aussagenvariable repräsentiert Elementaraussage
kann wahr oder falsch sein
Junktoren verbinden Aussagenvariablen zu komplexen Formeln
Auswertung über Wahrheitstabelle
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
58 / 139
Zusammenfassung: Aussagenlogik
Aussagenvariable repräsentiert Elementaraussage
kann wahr oder falsch sein
Junktoren verbinden Aussagenvariablen zu komplexen Formeln
Auswertung über Wahrheitstabelle
Interpretation belegt Variablen mit 0 oder 1
macht Formel wahr oder falsch
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
58 / 139
Zusammenfassung: Aussagenlogik
Aussagenvariable repräsentiert Elementaraussage
kann wahr oder falsch sein
Junktoren verbinden Aussagenvariablen zu komplexen Formeln
Auswertung über Wahrheitstabelle
Interpretation belegt Variablen mit 0 oder 1
macht Formel wahr oder falsch
Modell macht Formel wahr
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
58 / 139
Zusammenfassung: Aussagenlogik
Aussagenvariable repräsentiert Elementaraussage
kann wahr oder falsch sein
Junktoren verbinden Aussagenvariablen zu komplexen Formeln
Auswertung über Wahrheitstabelle
Interpretation belegt Variablen mit 0 oder 1
macht Formel wahr oder falsch
Modell macht Formel wahr
Erfüllbar es gibt ein Modell
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
58 / 139
Zusammenfassung: Aussagenlogik
Aussagenvariable repräsentiert Elementaraussage
kann wahr oder falsch sein
Junktoren verbinden Aussagenvariablen zu komplexen Formeln
Auswertung über Wahrheitstabelle
Interpretation belegt Variablen mit 0 oder 1
macht Formel wahr oder falsch
Modell macht Formel wahr
Erfüllbar es gibt ein Modell
Gültig jede Interpretation ist Modell (Tautologie)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
58 / 139
Zusammenfassung: Aussagenlogik
Aussagenvariable repräsentiert Elementaraussage
kann wahr oder falsch sein
Junktoren verbinden Aussagenvariablen zu komplexen Formeln
Auswertung über Wahrheitstabelle
Interpretation belegt Variablen mit 0 oder 1
macht Formel wahr oder falsch
Modell macht Formel wahr
Erfüllbar es gibt ein Modell
Gültig jede Interpretation ist Modell (Tautologie)
Schlussfolgerung Erfüllbarkeit, Gültigkeit, Implikation
entscheidbar (korrekt, vollständig, terminierend)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
58 / 139
Zusammenfassung: Aussagenlogik
Aussagenvariable repräsentiert Elementaraussage
kann wahr oder falsch sein
Junktoren verbinden Aussagenvariablen zu komplexen Formeln
Auswertung über Wahrheitstabelle
Interpretation belegt Variablen mit 0 oder 1
macht Formel wahr oder falsch
Modell macht Formel wahr
Erfüllbar es gibt ein Modell
Gültig jede Interpretation ist Modell (Tautologie)
Schlussfolgerung Erfüllbarkeit, Gültigkeit, Implikation
entscheidbar (korrekt, vollständig, terminierend)
Resolution sucht Widerspruch
KNF, Klausel, Resolvente
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
58 / 139
Zusammenfassung: Aussagenlogik
Aussagenvariable repräsentiert Elementaraussage
kann wahr oder falsch sein
Junktoren verbinden Aussagenvariablen zu komplexen Formeln
Auswertung über Wahrheitstabelle
Interpretation belegt Variablen mit 0 oder 1
macht Formel wahr oder falsch
Modell macht Formel wahr
Erfüllbar es gibt ein Modell
Gültig jede Interpretation ist Modell (Tautologie)
Schlussfolgerung Erfüllbarkeit, Gültigkeit, Implikation
entscheidbar (korrekt, vollständig, terminierend)
Resolution sucht Widerspruch
KNF, Klausel, Resolvente
Tableau sucht Modell
NNF, Regel, Clash
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
58 / 139
Inhalt
1
Einführung
2
Aussagenlogik
3
Prädikatenlogik
Syntax
Semantik
Schlussfolgerungsverfahren
4
Beschreibungslogiken
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
59 / 139
Inhalt
1
Einführung
2
Aussagenlogik
3
Prädikatenlogik
Syntax
Semantik
Schlussfolgerungsverfahren
4
Beschreibungslogiken
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
60 / 139
Syntax der Prädikatenlogik
Konstruktoren
Variablen x, y
Konstantensymbole c (0)
d (0)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
61 / 139
Syntax der Prädikatenlogik
Konstruktoren
Variablen x, y
Konstantensymbole c (0)
d (0)
Funktionssymbole f (1)
g (2)
Prädikate P (1)
R(2)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
61 / 139
Syntax der Prädikatenlogik
Konstruktoren
Variablen x, y
Konstantensymbole c (0)
d (0)
Funktionssymbole f (1)
g (2)
Prädikate P (1)
R(2)
Quantoren ∀, ∃
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
61 / 139
Syntax der Prädikatenlogik
Konstruktoren
Variablen x, y
Konstantensymbole c (0)
d (0)
Funktionssymbole f (1)
g (2)
Prädikate P (1)
R(2)
Quantoren ∀, ∃
Junktoren ∧, ∨, ¬
→, ↔
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
61 / 139
Syntax der Prädikatenlogik
Konstruktoren
Definitionen
Variablen x, y
Konstantensymbole
Terme Variablen, Funktionssymbole
c, x, f (c), g(x, y)
c (0)
d (0)
Funktionssymbole f (1)
g (2)
Prädikate P (1)
R(2)
Quantoren ∀, ∃
Junktoren ∧, ∨, ¬
→, ↔
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
61 / 139
Syntax der Prädikatenlogik
Konstruktoren
Definitionen
Variablen x, y
Konstantensymbole
Terme Variablen, Funktionssymbole
c, x, f (c), g(x, y)
c (0)
d (0)
Funktionssymbole
Atome Prädikate, Terme
R(x, f (x)), S(c)
f (1)
g (2)
Prädikate P (1)
R(2)
Quantoren ∀, ∃
Junktoren ∧, ∨, ¬
→, ↔
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
61 / 139
Syntax der Prädikatenlogik
Konstruktoren
Definitionen
Variablen x, y
Konstantensymbole
Terme Variablen, Funktionssymbole
c, x, f (c), g(x, y)
c (0)
d (0)
Funktionssymbole
Atome Prädikate, Terme
R(x, f (x)), S(c)
f (1)
g (2)
Prädikate
Formeln Atome, Quantoren, Junktoren
∃y(R(x, y) ∧ P(y))
P (1)
R(2)
Quantoren ∀, ∃
Junktoren ∧, ∨, ¬
→, ↔
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
61 / 139
Syntax der Prädikatenlogik
Konstruktoren
Definitionen
Variablen x, y
Konstantensymbole
Terme Variablen, Funktionssymbole
c, x, f (c), g(x, y)
c (0)
d (0)
Funktionssymbole
Atome Prädikate, Terme
R(x, f (x)), S(c)
f (1)
g (2)
Prädikate
Formeln Atome, Quantoren, Junktoren
∃y(R(x, y) ∧ P(y))
P (1)
R(2)
Sätze Formeln ohne freie Variablen
∀x∃yR(x, y)
Quantoren ∀, ∃
Junktoren ∧, ∨, ¬
→, ↔
Jan Hladik (DHBW Stuttgart)
Grund. . . Terme/Atome ohne Variablen
f (c), g(c, d); R(c, g(c, d))
Wissensbasierte Systeme – Logik –
Sommersemester 2017
61 / 139
Syntax der Prädikatenlogik
Konstruktoren
Definitionen
Variablen x, y
Konstantensymbole
Terme Variablen, Funktionssymbole
c, x, f (c), g(x, y)
c (0)
d (0)
Funktionssymbole
Atome Prädikate, Terme
R(x, f (x)), S(c)
f (1)
g (2)
Prädikate
Formeln Atome, Quantoren, Junktoren
∃y(R(x, y) ∧ P(y))
P (1)
R(2)
Sätze Formeln ohne freie Variablen
∀x∃yR(x, y)
Quantoren ∀, ∃
Junktoren ∧, ∨, ¬
→, ↔
Grund. . . Terme/Atome ohne Variablen
f (c), g(c, d); R(c, g(c, d))
Im Folgenden betrachten wir nur Sätze, keine offenen Formeln.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
61 / 139
Vorrang der Operatoren
f
P
∀, ∃
¬
∧
∨
→
↔
Quantoren binden stärker als alle Junktoren
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
62 / 139
Vorrang der Operatoren
f
P
∀, ∃
¬
∧
∨
→
↔
Quantoren binden stärker als alle Junktoren
∀xR(x, y) ∧ S(x) bedeutet (∀xR(x, y)) ∧ S(x)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
62 / 139
Vorrang der Operatoren
f
P
∀, ∃
¬
∧
∨
→
↔
Quantoren binden stärker als alle Junktoren
∀xR(x, y) ∧ S(x) bedeutet (∀xR(x, y)) ∧ S(x)
Funktionssymbole und Prädikate binden stärker als Quantoren
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
62 / 139
Vorrang der Operatoren
f
P
∀, ∃
¬
∧
∨
→
↔
Quantoren binden stärker als alle Junktoren
∀xR(x, y) ∧ S(x) bedeutet (∀xR(x, y)) ∧ S(x)
Funktionssymbole und Prädikate binden stärker als Quantoren
∀x∀yx + y = y + x bedeutet ∀x∀y(x + y = y + x)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
62 / 139
Vorrang der Operatoren
f
P
∀, ∃
¬
∧
∨
→
↔
Quantoren binden stärker als alle Junktoren
∀xR(x, y) ∧ S(x) bedeutet (∀xR(x, y)) ∧ S(x)
Funktionssymbole und Prädikate binden stärker als Quantoren
∀x∀yx + y = y + x bedeutet ∀x∀y(x + y = y + x)
Funktionssymbole binden stärker als Prädikate
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
62 / 139
Vorrang der Operatoren
f
P
∀, ∃
¬
∧
∨
→
↔
Quantoren binden stärker als alle Junktoren
∀xR(x, y) ∧ S(x) bedeutet (∀xR(x, y)) ∧ S(x)
Funktionssymbole und Prädikate binden stärker als Quantoren
∀x∀yx + y = y + x bedeutet ∀x∀y(x + y = y + x)
Funktionssymbole binden stärker als Prädikate
x + y > c + d bedeutet (x + y) > (c + d)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
62 / 139
Gefahren der PL-Syntax
Stelligkeit von Funktionssymbolen und Prädikaten
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
63 / 139
Gefahren der PL-Syntax
Stelligkeit von Funktionssymbolen und Prädikaten
f einstellig ; f (x, y) ist nicht korrekt
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
63 / 139
Gefahren der PL-Syntax
Stelligkeit von Funktionssymbolen und Prädikaten
f einstellig ; f (x, y) ist nicht korrekt
Nullstellige Funktionssymbole sind Konstantensymbole
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
63 / 139
Gefahren der PL-Syntax
Stelligkeit von Funktionssymbolen und Prädikaten
f einstellig ; f (x, y) ist nicht korrekt
Nullstellige Funktionssymbole sind Konstantensymbole
Nullstellige Prädikate sind Aussagenvariablen
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
63 / 139
Gefahren der PL-Syntax
Stelligkeit von Funktionssymbolen und Prädikaten
f einstellig ; f (x, y) ist nicht korrekt
Nullstellige Funktionssymbole sind Konstantensymbole
Nullstellige Prädikate sind Aussagenvariablen
Quantoren binden nur nächstes Atom
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
63 / 139
Gefahren der PL-Syntax
Stelligkeit von Funktionssymbolen und Prädikaten
f einstellig ; f (x, y) ist nicht korrekt
Nullstellige Funktionssymbole sind Konstantensymbole
Nullstellige Prädikate sind Aussagenvariablen
Quantoren binden nur nächstes Atom
∀xP(x) → Q(x) ist eine offene Formel
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
63 / 139
Gefahren der PL-Syntax
Stelligkeit von Funktionssymbolen und Prädikaten
f einstellig ; f (x, y) ist nicht korrekt
Nullstellige Funktionssymbole sind Konstantensymbole
Nullstellige Prädikate sind Aussagenvariablen
Quantoren binden nur nächstes Atom
∀xP(x) → Q(x) ist eine offene Formel
Keine Prädikate in Prädikaten
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
63 / 139
Gefahren der PL-Syntax
Stelligkeit von Funktionssymbolen und Prädikaten
f einstellig ; f (x, y) ist nicht korrekt
Nullstellige Funktionssymbole sind Konstantensymbole
Nullstellige Prädikate sind Aussagenvariablen
Quantoren binden nur nächstes Atom
∀xP(x) → Q(x) ist eine offene Formel
Keine Prädikate in Prädikaten
∃xHat(anna, Katze(x)) ist nicht korrekt
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
63 / 139
Inhalt
1
Einführung
2
Aussagenlogik
3
Prädikatenlogik
Syntax
Semantik
Schlussfolgerungsverfahren
4
Beschreibungslogiken
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
64 / 139
Semantik in der Prädikatenlogik: Interpretationen
Erinnerung: Interpretation in der Aussagenlogik
weist Aussagenvariablen Wert 1 oder 0 zu
macht Formel wahr oder falsch
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
65 / 139
Semantik in der Prädikatenlogik: Interpretationen
Erinnerung: Interpretation in der Aussagenlogik
weist Aussagenvariablen Wert 1 oder 0 zu
macht Formel wahr oder falsch
Interpretation in der Prädikatenlogik
bestimmt das Universum (auch Domäne genannt)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
65 / 139
Semantik in der Prädikatenlogik: Interpretationen
Erinnerung: Interpretation in der Aussagenlogik
weist Aussagenvariablen Wert 1 oder 0 zu
macht Formel wahr oder falsch
Interpretation in der Prädikatenlogik
bestimmt das Universum (auch Domäne genannt)
weist jedem n-stelligen Funktionssymbol f eine n-stellige Funktion f I
über dem Universum zu
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
65 / 139
Semantik in der Prädikatenlogik: Interpretationen
Erinnerung: Interpretation in der Aussagenlogik
weist Aussagenvariablen Wert 1 oder 0 zu
macht Formel wahr oder falsch
Interpretation in der Prädikatenlogik
bestimmt das Universum (auch Domäne genannt)
weist jedem n-stelligen Funktionssymbol f eine n-stellige Funktion f I
über dem Universum zu
weist jedem n-stelligen Prädikat R eine n-stellige Relation RI über
dem Universum zu
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
65 / 139
Semantik in der Prädikatenlogik: Interpretationen
Erinnerung: Interpretation in der Aussagenlogik
weist Aussagenvariablen Wert 1 oder 0 zu
macht Formel wahr oder falsch
Interpretation in der Prädikatenlogik
bestimmt das Universum (auch Domäne genannt)
weist jedem n-stelligen Funktionssymbol f eine n-stellige Funktion f I
über dem Universum zu
weist jedem n-stelligen Prädikat R eine n-stellige Relation RI über
dem Universum zu
macht Formel wahr oder falsch
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
65 / 139
Semantik in der Prädikatenlogik: Interpretationen
Erinnerung: Interpretation in der Aussagenlogik
weist Aussagenvariablen Wert 1 oder 0 zu
macht Formel wahr oder falsch
Interpretation in der Prädikatenlogik
bestimmt das Universum (auch Domäne genannt)
weist jedem n-stelligen Funktionssymbol f eine n-stellige Funktion f I
über dem Universum zu
weist jedem n-stelligen Prädikat R eine n-stellige Relation RI über
dem Universum zu
macht Formel wahr oder falsch
der Einfachheit halber: nur Sätze ; keine freien Variablen
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
65 / 139
Interpretation 1
ϕ = ∀xR(x, f (x))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
66 / 139
Interpretation 1
ϕ = ∀xR(x, f (x))
Beispiel (Interpretation I mit Menschen als Domäne)
Universum ∆I : M = {Anna,Bob,Clara,Dirk}
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
66 / 139
Interpretation 1
ϕ = ∀xR(x, f (x))
Beispiel (Interpretation I mit Menschen als Domäne)
Universum ∆I : M = {Anna,Bob,Clara,Dirk}
Funktion f I : ehepartnerM = {Anna 7→ Bob, Bob 7→ Anna,
Clara 7→ Dirk, Dirk 7→ Clara}
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
66 / 139
Interpretation 1
ϕ = ∀xR(x, f (x))
Beispiel (Interpretation I mit Menschen als Domäne)
Universum ∆I : M = {Anna,Bob,Clara,Dirk}
Funktion f I : ehepartnerM = {Anna 7→ Bob, Bob 7→ Anna,
Clara 7→ Dirk, Dirk 7→ Clara}
Relation RI : MagM = {(Anna,Bob), (Anna,Clara), (Bob,Anna),
(Bob,Dirk), (Clara,Dirk), (Dirk,Anna), (Dirk,Bob)}
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
66 / 139
Interpretation 1
ϕ = ∀xR(x, f (x))
Beispiel (Interpretation I mit Menschen als Domäne)
Universum ∆I : M = {Anna,Bob,Clara,Dirk}
Funktion f I : ehepartnerM = {Anna 7→ Bob, Bob 7→ Anna,
Clara 7→ Dirk, Dirk 7→ Clara}
Relation RI : MagM = {(Anna,Bob), (Anna,Clara), (Bob,Anna),
(Bob,Dirk), (Clara,Dirk), (Dirk,Anna), (Dirk,Bob)}
I macht ϕ falsch (weil Dirk Clara nicht mag)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
66 / 139
Interpretation 2
ϕ = ∀xR(x, f (x))
Beispiel (Interpretation J mit Zahlen als Domäne)
Universum ∆J : N = {0, 1, 2, . . .}
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
67 / 139
Interpretation 2
ϕ = ∀xR(x, f (x))
Beispiel (Interpretation J mit Zahlen als Domäne)
Universum ∆J : N = {0, 1, 2, . . .}
Funktion f J : sN (Nachfolger) = {0 7→ 1, 1 7→ 2, . . .}
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
67 / 139
Interpretation 2
ϕ = ∀xR(x, f (x))
Beispiel (Interpretation J mit Zahlen als Domäne)
Universum ∆J : N = {0, 1, 2, . . .}
Funktion f J : sN (Nachfolger) = {0 7→ 1, 1 7→ 2, . . .}
Relation RJ : <N (kleiner als) = {(0, 1), (0, 2), . . . , (1, 2), (1, 3), . . .}
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
67 / 139
Interpretation 2
ϕ = ∀xR(x, f (x))
Beispiel (Interpretation J mit Zahlen als Domäne)
Universum ∆J : N = {0, 1, 2, . . .}
Funktion f J : sN (Nachfolger) = {0 7→ 1, 1 7→ 2, . . .}
Relation RJ : <N (kleiner als) = {(0, 1), (0, 2), . . . , (1, 2), (1, 3), . . .}
J macht ϕ wahr (weil jede Zahl kleiner ist als ihr Nachfolger)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
67 / 139
Interpretation 2
ϕ = ∀xR(x, f (x))
Beispiel (Interpretation J mit Zahlen als Domäne)
Universum ∆J : N = {0, 1, 2, . . .}
Funktion f J : sN (Nachfolger) = {0 7→ 1, 1 7→ 2, . . .}
Relation RJ : <N (kleiner als) = {(0, 1), (0, 2), . . . , (1, 2), (1, 3), . . .}
J macht ϕ wahr (weil jede Zahl kleiner ist als ihr Nachfolger)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
67 / 139
Interpretation 2
ϕ = ∀xR(x, f (x))
Beispiel (Interpretation J mit Zahlen als Domäne)
Universum ∆J : N = {0, 1, 2, . . .}
Funktion f J : sN (Nachfolger) = {0 7→ 1, 1 7→ 2, . . .}
Relation RJ : <N (kleiner als) = {(0, 1), (0, 2), . . . , (1, 2), (1, 3), . . .}
J macht ϕ wahr (weil jede Zahl kleiner ist als ihr Nachfolger)
Wahrheitswert hängt von der Interpretation ab
der Interpretation der Funktionssymbole und Prädikate
0
Wenn J 0 R als >N interpretiert, ist ϕJ falsch
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
67 / 139
Interpretation 2
ϕ = ∀xR(x, f (x))
Beispiel (Interpretation J mit Zahlen als Domäne)
Universum ∆J : N = {0, 1, 2, . . .}
Funktion f J : sN (Nachfolger) = {0 7→ 1, 1 7→ 2, . . .}
Relation RJ : <N (kleiner als) = {(0, 1), (0, 2), . . . , (1, 2), (1, 3), . . .}
J macht ϕ wahr (weil jede Zahl kleiner ist als ihr Nachfolger)
Wahrheitswert hängt von der Interpretation ab
der Interpretation der Funktionssymbole und Prädikate
0
Wenn J 0 R als >N interpretiert, ist ϕJ falsch
dem Universum
∀x∃y(y < x) ist wahr in Z, aber falsch in N.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
67 / 139
Interpretation: Formale Definition
Definition (Interpretation in der Prädikatenlogik)
Für einen Satz ϕ mit Funktionssymbolen F und Prädikaten P ist eine
Interpretation I ein Paar (∆I , ·I ) mit
∆I ist eine nichtleere Menge,
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
68 / 139
Interpretation: Formale Definition
Definition (Interpretation in der Prädikatenlogik)
Für einen Satz ϕ mit Funktionssymbolen F und Prädikaten P ist eine
Interpretation I ein Paar (∆I , ·I ) mit
∆I ist eine nichtleere Menge,
·I weist
jedem n-stelligen f ∈ F eine n-stellige Funktion f I über ∆I zu,
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
68 / 139
Interpretation: Formale Definition
Definition (Interpretation in der Prädikatenlogik)
Für einen Satz ϕ mit Funktionssymbolen F und Prädikaten P ist eine
Interpretation I ein Paar (∆I , ·I ) mit
∆I ist eine nichtleere Menge,
·I weist
jedem n-stelligen f ∈ F eine n-stellige Funktion f I über ∆I zu,
jedem n-stelligen R ∈ P eine n-stellige Relation RI über ∆I zu.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
68 / 139
Interpretation: Formale Definition
Definition (Interpretation in der Prädikatenlogik)
Für einen Satz ϕ mit Funktionssymbolen F und Prädikaten P ist eine
Interpretation I ein Paar (∆I , ·I ) mit
∆I ist eine nichtleere Menge,
·I weist
jedem n-stelligen f ∈ F eine n-stellige Funktion f I über ∆I zu,
jedem n-stelligen R ∈ P eine n-stellige Relation RI über ∆I zu.
Domäne darf nicht leer sein.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
68 / 139
Interpretation: Formale Definition
Definition (Interpretation in der Prädikatenlogik)
Für einen Satz ϕ mit Funktionssymbolen F und Prädikaten P ist eine
Interpretation I ein Paar (∆I , ·I ) mit
∆I ist eine nichtleere Menge,
·I weist
jedem n-stelligen f ∈ F eine n-stellige Funktion f I über ∆I zu,
jedem n-stelligen R ∈ P eine n-stellige Relation RI über ∆I zu.
Domäne darf nicht leer sein.
Nullstellige Funktionssymbole (Konstantensymbole) werden auf
Elemente der Domäne abgebildet.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
68 / 139
Interpretation: Formale Definition
Definition (Interpretation in der Prädikatenlogik)
Für einen Satz ϕ mit Funktionssymbolen F und Prädikaten P ist eine
Interpretation I ein Paar (∆I , ·I ) mit
∆I ist eine nichtleere Menge,
·I weist
jedem n-stelligen f ∈ F eine n-stellige Funktion f I über ∆I zu,
jedem n-stelligen R ∈ P eine n-stellige Relation RI über ∆I zu.
Domäne darf nicht leer sein.
Nullstellige Funktionssymbole (Konstantensymbole) werden auf
Elemente der Domäne abgebildet.
Nullstellige Prädikate werden auf {2} oder ∅ abgebildet.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
68 / 139
Interpretation: Formale Definition
Definition (Interpretation in der Prädikatenlogik)
Für einen Satz ϕ mit Funktionssymbolen F und Prädikaten P ist eine
Interpretation I ein Paar (∆I , ·I ) mit
∆I ist eine nichtleere Menge,
·I weist
jedem n-stelligen f ∈ F eine n-stellige Funktion f I über ∆I zu,
jedem n-stelligen R ∈ P eine n-stellige Relation RI über ∆I zu.
Domäne darf nicht leer sein.
Nullstellige Funktionssymbole (Konstantensymbole) werden auf
Elemente der Domäne abgebildet.
Nullstellige Prädikate werden auf {2} oder ∅ abgebildet.
Aussagenvariablen: {2} ; 1; ∅ ; 0
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
68 / 139
Interpretation komplexer Formeln
Der Wahrheitswert komplexer Formeln wird rekursiv bestimmt:
Für einen komplexen Term t = f (t1 , . . . , tn ), t I werden
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
69 / 139
Interpretation komplexer Formeln
Der Wahrheitswert komplexer Formeln wird rekursiv bestimmt:
Für einen komplexen Term t = f (t1 , . . . , tn ), t I werden
die Terme t1 , . . . , tn rekursiv ausgewertet als (t1 )I , . . . , (tn )I ;
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
69 / 139
Interpretation komplexer Formeln
Der Wahrheitswert komplexer Formeln wird rekursiv bestimmt:
Für einen komplexen Term t = f (t1 , . . . , tn ), t I werden
die Terme t1 , . . . , tn rekursiv ausgewertet als (t1 )I , . . . , (tn )I ;
die Funktion f I für diese Ergebnisse ausgewertet
t I = f I ((t1 )I , . . . , (tn )I ).
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
69 / 139
Interpretation komplexer Formeln
Der Wahrheitswert komplexer Formeln wird rekursiv bestimmt:
Für einen komplexen Term t = f (t1 , . . . , tn ), t I werden
die Terme t1 , . . . , tn rekursiv ausgewertet als (t1 )I , . . . , (tn )I ;
die Funktion f I für diese Ergebnisse ausgewertet
t I = f I ((t1 )I , . . . , (tn )I ).
Für ein Atom ϕ = P(t1 , . . . , tn ) werden
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
69 / 139
Interpretation komplexer Formeln
Der Wahrheitswert komplexer Formeln wird rekursiv bestimmt:
Für einen komplexen Term t = f (t1 , . . . , tn ), t I werden
die Terme t1 , . . . , tn rekursiv ausgewertet als (t1 )I , . . . , (tn )I ;
die Funktion f I für diese Ergebnisse ausgewertet
t I = f I ((t1 )I , . . . , (tn )I ).
Für ein Atom ϕ = P(t1 , . . . , tn ) werden
die Terme t1 , . . . , tn rekursiv ausgewertet;
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
69 / 139
Interpretation komplexer Formeln
Der Wahrheitswert komplexer Formeln wird rekursiv bestimmt:
Für einen komplexen Term t = f (t1 , . . . , tn ), t I werden
die Terme t1 , . . . , tn rekursiv ausgewertet als (t1 )I , . . . , (tn )I ;
die Funktion f I für diese Ergebnisse ausgewertet
t I = f I ((t1 )I , . . . , (tn )I ).
Für ein Atom ϕ = P(t1 , . . . , tn ) werden
die Terme t1 , . . . , tn rekursiv ausgewertet;
geprüft, ob das sich ergebende Tupel in P I enthalten ist.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
69 / 139
Interpretation komplexer Formeln
Der Wahrheitswert komplexer Formeln wird rekursiv bestimmt:
Für einen komplexen Term t = f (t1 , . . . , tn ), t I werden
die Terme t1 , . . . , tn rekursiv ausgewertet als (t1 )I , . . . , (tn )I ;
die Funktion f I für diese Ergebnisse ausgewertet
t I = f I ((t1 )I , . . . , (tn )I ).
Für ein Atom ϕ = P(t1 , . . . , tn ) werden
die Terme t1 , . . . , tn rekursiv ausgewertet;
geprüft, ob das sich ergebende Tupel in P I enthalten ist.
Für gebundene Variablen ∀xϕ(x)/∃xϕ(x) wird geprüft, ob ϕ(x) für
jedes/ein Element der Domäne wahr ist.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
69 / 139
Interpretation komplexer Formeln
Der Wahrheitswert komplexer Formeln wird rekursiv bestimmt:
Für einen komplexen Term t = f (t1 , . . . , tn ), t I werden
die Terme t1 , . . . , tn rekursiv ausgewertet als (t1 )I , . . . , (tn )I ;
die Funktion f I für diese Ergebnisse ausgewertet
t I = f I ((t1 )I , . . . , (tn )I ).
Für ein Atom ϕ = P(t1 , . . . , tn ) werden
die Terme t1 , . . . , tn rekursiv ausgewertet;
geprüft, ob das sich ergebende Tupel in P I enthalten ist.
Für gebundene Variablen ∀xϕ(x)/∃xϕ(x) wird geprüft, ob ϕ(x) für
jedes/ein Element der Domäne wahr ist.
Formeln mit Junktoren werden wie in der Aussagenlogik ausgewertet.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
69 / 139
Beispiel: Interpretation komplexer Formeln
ϕ = ¬P(c) ∧ ∃yR(c, f (y))
∆I
= N
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
70 / 139
Beispiel: Interpretation komplexer Formeln
ϕ = ¬P(c) ∧ ∃yR(c, f (y))
∆I
= N
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
70 / 139
Beispiel: Interpretation komplexer Formeln
ϕ = ¬P(c) ∧ ∃yR(c, f (y))
∆I
= N
Jan Hladik (DHBW Stuttgart)
PI
RI
= PrimN
= ≤N
Wissensbasierte Systeme – Logik –
Sommersemester 2017
70 / 139
Beispiel: Interpretation komplexer Formeln
ϕ = ¬P(c) ∧ ∃yR(c, f (y))
∆I
= N
Jan Hladik (DHBW Stuttgart)
PI
RI
= PrimN
= ≤N
Wissensbasierte Systeme – Logik –
fI
cI
= nachfolgerN
= 15N
Sommersemester 2017
70 / 139
Beispiel: Interpretation komplexer Formeln
ϕ = ¬P(c) ∧ ∃yR(c, f (y))
∆I
= N
Bestimmung von ϕI :
Funktionssymbole
Jan Hladik (DHBW Stuttgart)
PI
RI
= PrimN
= ≤N
fI
cI
= nachfolgerN
= 15N
¬P I (15N ) ∧ ∃yRI (15N , nachfolgerN (y))
Wissensbasierte Systeme – Logik –
Sommersemester 2017
70 / 139
Beispiel: Interpretation komplexer Formeln
ϕ = ¬P(c) ∧ ∃yR(c, f (y))
∆I
= N
Bestimmung von ϕI :
Funktionssymbole
Prädikate
Jan Hladik (DHBW Stuttgart)
PI
RI
= PrimN
= ≤N
fI
cI
= nachfolgerN
= 15N
¬P I (15N ) ∧ ∃yRI (15N , nachfolgerN (y))
¬PrimN (15N ) ∧ ∃y ≤N (15N , nachfolgerN (y))
Wissensbasierte Systeme – Logik –
Sommersemester 2017
70 / 139
Beispiel: Interpretation komplexer Formeln
ϕ = ¬P(c) ∧ ∃yR(c, f (y))
∆I
= N
Bestimmung von ϕI :
Funktionssymbole
Prädikate
Quantor: Wähle y = 20N
Jan Hladik (DHBW Stuttgart)
PI
RI
= PrimN
= ≤N
fI
cI
= nachfolgerN
= 15N
¬P I (15N ) ∧ ∃yRI (15N , nachfolgerN (y))
¬PrimN (15N ) ∧ ∃y ≤N (15N , nachfolgerN (y))
¬PrimN (15N ) ∧ ≤N (15N , nachfolgerN (20N ))
Wissensbasierte Systeme – Logik –
Sommersemester 2017
70 / 139
Beispiel: Interpretation komplexer Formeln
ϕ = ¬P(c) ∧ ∃yR(c, f (y))
∆I
= N
Bestimmung von ϕI :
Funktionssymbole
Prädikate
Quantor: Wähle y = 20N
Funktion auswerten
Jan Hladik (DHBW Stuttgart)
PI
RI
= PrimN
= ≤N
fI
cI
= nachfolgerN
= 15N
¬P I (15N ) ∧ ∃yRI (15N , nachfolgerN (y))
¬PrimN (15N ) ∧ ∃y ≤N (15N , nachfolgerN (y))
¬PrimN (15N ) ∧ ≤N (15N , nachfolgerN (20N ))
¬PrimN (15N ) ∧ ≤N (15N , 21N )
Wissensbasierte Systeme – Logik –
Sommersemester 2017
70 / 139
Beispiel: Interpretation komplexer Formeln
ϕ = ¬P(c) ∧ ∃yR(c, f (y))
∆I
= N
Bestimmung von ϕI :
Funktionssymbole
Prädikate
Quantor: Wähle y = 20N
Funktion auswerten
Relationen auswerten
Jan Hladik (DHBW Stuttgart)
PI
RI
= PrimN
= ≤N
fI
cI
= nachfolgerN
= 15N
¬P I (15N ) ∧ ∃yRI (15N , nachfolgerN (y))
¬PrimN (15N ) ∧ ∃y ≤N (15N , nachfolgerN (y))
¬PrimN (15N ) ∧ ≤N (15N , nachfolgerN (20N ))
¬PrimN (15N ) ∧ ≤N (15N , 21N )
¬0B ∧ 1B
Wissensbasierte Systeme – Logik –
Sommersemester 2017
70 / 139
Beispiel: Interpretation komplexer Formeln
ϕ = ¬P(c) ∧ ∃yR(c, f (y))
∆I
= N
Bestimmung von ϕI :
Funktionssymbole
Prädikate
Quantor: Wähle y = 20N
Funktion auswerten
Relationen auswerten
Junktoren auswerten
Jan Hladik (DHBW Stuttgart)
PI
RI
= PrimN
= ≤N
fI
cI
= nachfolgerN
= 15N
¬P I (15N ) ∧ ∃yRI (15N , nachfolgerN (y))
¬PrimN (15N ) ∧ ∃y ≤N (15N , nachfolgerN (y))
¬PrimN (15N ) ∧ ≤N (15N , nachfolgerN (20N ))
¬PrimN (15N ) ∧ ≤N (15N , 21N )
¬0B ∧ 1B
1B
Wissensbasierte Systeme – Logik –
Sommersemester 2017
70 / 139
Modelle in der Prädikatenlogik
Definition (Modell)
Eine Interpretation I = (∆I , ·I ) erfüllt eine Formel ϕ (ist ein Modell für ϕ,
I |= ϕ), wenn
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
71 / 139
Modelle in der Prädikatenlogik
Definition (Modell)
Eine Interpretation I = (∆I , ·I ) erfüllt eine Formel ϕ (ist ein Modell für ϕ,
I |= ϕ), wenn
ϕ = P(t1 , . . . , tn ) ein Atom ist und ((t1 )I , . . . , (tn )I ) ∈ P I gilt;
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
71 / 139
Modelle in der Prädikatenlogik
Definition (Modell)
Eine Interpretation I = (∆I , ·I ) erfüllt eine Formel ϕ (ist ein Modell für ϕ,
I |= ϕ), wenn
ϕ = P(t1 , . . . , tn ) ein Atom ist und ((t1 )I , . . . , (tn )I ) ∈ P I gilt;
ϕ = ∀xψ(x) gilt und für jedes x ∈ ∆I ψ(x) gilt;
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
71 / 139
Modelle in der Prädikatenlogik
Definition (Modell)
Eine Interpretation I = (∆I , ·I ) erfüllt eine Formel ϕ (ist ein Modell für ϕ,
I |= ϕ), wenn
ϕ = P(t1 , . . . , tn ) ein Atom ist und ((t1 )I , . . . , (tn )I ) ∈ P I gilt;
ϕ = ∀xψ(x) gilt und für jedes x ∈ ∆I ψ(x) gilt;
ϕ = ∃xψ(x) gilt und für ein x ∈ ∆I ψ(x) gilt;
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
71 / 139
Modelle in der Prädikatenlogik
Definition (Modell)
Eine Interpretation I = (∆I , ·I ) erfüllt eine Formel ϕ (ist ein Modell für ϕ,
I |= ϕ), wenn
ϕ = P(t1 , . . . , tn ) ein Atom ist und ((t1 )I , . . . , (tn )I ) ∈ P I gilt;
ϕ = ∀xψ(x) gilt und für jedes x ∈ ∆I ψ(x) gilt;
ϕ = ∃xψ(x) gilt und für ein x ∈ ∆I ψ(x) gilt;
ϕ einen Junktor enthält (z. B., ϕ = ¬ϕ1 , ϕ = ϕ1 ∧ ϕ2 ) und
entsprechend der Wahrheitstabelle als wahr ausgewertet wird.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
71 / 139
Modelle in der Prädikatenlogik
Definition (Modell)
Eine Interpretation I = (∆I , ·I ) erfüllt eine Formel ϕ (ist ein Modell für ϕ,
I |= ϕ), wenn
ϕ = P(t1 , . . . , tn ) ein Atom ist und ((t1 )I , . . . , (tn )I ) ∈ P I gilt;
ϕ = ∀xψ(x) gilt und für jedes x ∈ ∆I ψ(x) gilt;
ϕ = ∃xψ(x) gilt und für ein x ∈ ∆I ψ(x) gilt;
ϕ einen Junktor enthält (z. B., ϕ = ¬ϕ1 , ϕ = ϕ1 ∧ ϕ2 ) und
entsprechend der Wahrheitstabelle als wahr ausgewertet wird.
Definition (Logische Implikation)
Eine Formelmenge Φ impliziert logisch eine Formel ϕ (Φ |= ϕ), wenn jedes
Modell von Φ auch Modell von ϕ ist.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
71 / 139
Inhalt
1
Einführung
2
Aussagenlogik
3
Prädikatenlogik
Syntax
Semantik
Schlussfolgerungsverfahren
Resolution
Tableaus
4
Beschreibungslogiken
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
72 / 139
Inhalt
1
Einführung
2
Aussagenlogik
3
Prädikatenlogik
Syntax
Semantik
Schlussfolgerungsverfahren
Resolution
Tableaus
4
Beschreibungslogiken
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
73 / 139
Resolution in der Prädikatenlogik
Wie kann das Resolutionsprinzip auf PL übertragen werden?
Beispiel (naive Resolution in PL)
∀x(H (x) → ∃yM (x, y))
H (c)
?
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
74 / 139
Resolution in der Prädikatenlogik
Wie kann das Resolutionsprinzip auf PL übertragen werden?
Beispiel (naive Resolution in PL)
∀x(H (x) → ∃yM (x, y))
H (c)
?
Probleme:
Interaktion von Quantoren:
∀xϕ(x), ∀x¬ϕ(x) vs. ∃xϕ(x), ∃x¬ϕ(x)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
74 / 139
Resolution in der Prädikatenlogik
Wie kann das Resolutionsprinzip auf PL übertragen werden?
Beispiel (naive Resolution in PL)
∀x(H (x) → ∃yM (x, y))
H (c)
?
Probleme:
Interaktion von Quantoren:
∀xϕ(x), ∀x¬ϕ(x) vs. ∃xϕ(x), ∃x¬ϕ(x)
Interaktion von Variablen und Konstanten
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
74 / 139
Resolution in der Prädikatenlogik
Wie kann das Resolutionsprinzip auf PL übertragen werden?
Beispiel (naive Resolution in PL)
∀x(H (x) → ∃yM (x, y))
H (c)
?
Probleme:
Interaktion von Quantoren:
∀xϕ(x), ∀x¬ϕ(x) vs. ∃xϕ(x), ∃x¬ϕ(x)
Interaktion von Variablen und Konstanten
Erzeugung von KNF in Formeln mit Quantoren
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
74 / 139
Resolution in der Prädikatenlogik
Wie kann das Resolutionsprinzip auf PL übertragen werden?
Beispiel (naive Resolution in PL)
∀x(H (x) → ∃yM (x, y))
H (c)
?
Probleme:
Interaktion von Quantoren:
∀xϕ(x), ∀x¬ϕ(x) vs. ∃xϕ(x), ∃x¬ϕ(x)
Interaktion von Variablen und Konstanten
Erzeugung von KNF in Formeln mit Quantoren
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
74 / 139
Resolution in der Prädikatenlogik
Wie kann das Resolutionsprinzip auf PL übertragen werden?
Beispiel (naive Resolution in PL)
∀x(H (x) → ∃yM (x, y))
H (c)
?
Probleme:
Interaktion von Quantoren:
∀xϕ(x), ∀x¬ϕ(x) vs. ∃xϕ(x), ∃x¬ϕ(x)
Interaktion von Variablen und Konstanten
Erzeugung von KNF in Formeln mit Quantoren
Ansatz:
Elimination des Existenz-Quantors
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
74 / 139
Resolution in der Prädikatenlogik
Wie kann das Resolutionsprinzip auf PL übertragen werden?
Beispiel (naive Resolution in PL)
∀x(H (x) → ∃yM (x, y))
H (c)
?
Probleme:
Interaktion von Quantoren:
∀xϕ(x), ∀x¬ϕ(x) vs. ∃xϕ(x), ∃x¬ϕ(x)
Interaktion von Variablen und Konstanten
Erzeugung von KNF in Formeln mit Quantoren
Ansatz:
Elimination des Existenz-Quantors
Ersetzung von Variablen durch Terme, um Atome gleich zu machen
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
74 / 139
Schritt 1: Negations-Normalform
Ähnlich wie in AL: Negation nur vor Atomen
1
Elimination von → und ↔
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
75 / 139
Schritt 1: Negations-Normalform
Ähnlich wie in AL: Negation nur vor Atomen
1
Elimination von → und ↔
ϕ→ψ
;
Jan Hladik (DHBW Stuttgart)
¬ϕ ∨ ψ
Wissensbasierte Systeme – Logik –
Sommersemester 2017
75 / 139
Schritt 1: Negations-Normalform
Ähnlich wie in AL: Negation nur vor Atomen
1
Elimination von → und ↔
ϕ→ψ
ϕ↔ψ
;
;
Jan Hladik (DHBW Stuttgart)
¬ϕ ∨ ψ
(ϕ ∧ ψ) ∨ (¬ϕ ∧ ¬ψ)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
75 / 139
Schritt 1: Negations-Normalform
Ähnlich wie in AL: Negation nur vor Atomen
1
Elimination von → und ↔
ϕ→ψ
ϕ↔ψ
2
;
;
¬ϕ ∨ ψ
(ϕ ∧ ψ) ∨ (¬ϕ ∧ ¬ψ)
Anwendung der de-Morgan-Gesetze und ihrer Entsprechungen für
Quantoren
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
75 / 139
Schritt 1: Negations-Normalform
Ähnlich wie in AL: Negation nur vor Atomen
1
Elimination von → und ↔
ϕ→ψ
ϕ↔ψ
2
¬ϕ ∨ ψ
(ϕ ∧ ψ) ∨ (¬ϕ ∧ ¬ψ)
;
;
Anwendung der de-Morgan-Gesetze und ihrer Entsprechungen für
Quantoren
¬(ϕ ∧ ψ)
Jan Hladik (DHBW Stuttgart)
;
¬ϕ ∨ ¬ψ
Wissensbasierte Systeme – Logik –
Sommersemester 2017
75 / 139
Schritt 1: Negations-Normalform
Ähnlich wie in AL: Negation nur vor Atomen
1
Elimination von → und ↔
ϕ→ψ
ϕ↔ψ
2
¬ϕ ∨ ψ
(ϕ ∧ ψ) ∨ (¬ϕ ∧ ¬ψ)
;
;
Anwendung der de-Morgan-Gesetze und ihrer Entsprechungen für
Quantoren
¬(ϕ ∧ ψ)
¬(ϕ ∨ ψ)
Jan Hladik (DHBW Stuttgart)
;
;
¬ϕ ∨ ¬ψ
¬ϕ ∧ ¬ψ
Wissensbasierte Systeme – Logik –
Sommersemester 2017
75 / 139
Schritt 1: Negations-Normalform
Ähnlich wie in AL: Negation nur vor Atomen
1
Elimination von → und ↔
ϕ→ψ
ϕ↔ψ
2
;
;
¬ϕ ∨ ψ
(ϕ ∧ ψ) ∨ (¬ϕ ∧ ¬ψ)
Anwendung der de-Morgan-Gesetze und ihrer Entsprechungen für
Quantoren
¬(ϕ ∧ ψ) ; ¬ϕ ∨ ¬ψ
¬(ϕ ∨ ψ) ; ¬ϕ ∧ ¬ψ
¬∀xϕ ; ∃x¬ϕ
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
75 / 139
Schritt 1: Negations-Normalform
Ähnlich wie in AL: Negation nur vor Atomen
1
Elimination von → und ↔
ϕ→ψ
ϕ↔ψ
2
;
;
¬ϕ ∨ ψ
(ϕ ∧ ψ) ∨ (¬ϕ ∧ ¬ψ)
Anwendung der de-Morgan-Gesetze und ihrer Entsprechungen für
Quantoren
¬(ϕ ∧ ψ) ; ¬ϕ ∨ ¬ψ
¬(ϕ ∨ ψ) ; ¬ϕ ∧ ¬ψ
¬∀xϕ ; ∃x¬ϕ
¬∃xϕ ; ∀x¬ϕ
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
75 / 139
Schritt 1: Negations-Normalform
Ähnlich wie in AL: Negation nur vor Atomen
1
Elimination von → und ↔
ϕ→ψ
ϕ↔ψ
2
3
;
;
¬ϕ ∨ ψ
(ϕ ∧ ψ) ∨ (¬ϕ ∧ ¬ψ)
Anwendung der de-Morgan-Gesetze und ihrer Entsprechungen für
Quantoren
¬(ϕ ∧ ψ) ; ¬ϕ ∨ ¬ψ
¬(ϕ ∨ ψ) ; ¬ϕ ∧ ¬ψ
¬∀xϕ ; ∃x¬ϕ
¬∃xϕ ; ∀x¬ϕ
Elimination doppelter Negation
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
75 / 139
Schritt 1: Negations-Normalform
Ähnlich wie in AL: Negation nur vor Atomen
1
Elimination von → und ↔
ϕ→ψ
ϕ↔ψ
2
3
¬ϕ ∨ ψ
(ϕ ∧ ψ) ∨ (¬ϕ ∧ ¬ψ)
;
;
Anwendung der de-Morgan-Gesetze und ihrer Entsprechungen für
Quantoren
¬(ϕ ∧ ψ) ; ¬ϕ ∨ ¬ψ
¬(ϕ ∨ ψ) ; ¬ϕ ∧ ¬ψ
¬∀xϕ ; ∃x¬ϕ
¬∃xϕ ; ∀x¬ϕ
Elimination doppelter Negation
¬¬ϕ
;
Jan Hladik (DHBW Stuttgart)
ϕ
Wissensbasierte Systeme – Logik –
Sommersemester 2017
75 / 139
Schritt 2: Pränex-Normalform
Definition (Pränex-Normalform)
Eine Formel ist in PNF, wenn sie die Gestalt Q1 x1 . . . Qn xn ϕ(x1 , . . . , xn )
hat, wobei die Teile der Formel wie folgt benannt werden:
Präfix Q1 x1 . . . Qn xn mit Qi ∈ {∀, ∃}
Matrix Quantoren-freie Formel ϕ mit Variablen x1 . . . xn .
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
76 / 139
Schritt 2: Pränex-Normalform
Definition (Pränex-Normalform)
Eine Formel ist in PNF, wenn sie die Gestalt Q1 x1 . . . Qn xn ϕ(x1 , . . . , xn )
hat, wobei die Teile der Formel wie folgt benannt werden:
Präfix Q1 x1 . . . Qn xn mit Qi ∈ {∀, ∃}
Matrix Quantoren-freie Formel ϕ mit Variablen x1 . . . xn .
Algorithmus zur Transformation in PNF:
1 benenne mehrfach quantifizierte Variablen um
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
76 / 139
Schritt 2: Pränex-Normalform
Definition (Pränex-Normalform)
Eine Formel ist in PNF, wenn sie die Gestalt Q1 x1 . . . Qn xn ϕ(x1 , . . . , xn )
hat, wobei die Teile der Formel wie folgt benannt werden:
Präfix Q1 x1 . . . Qn xn mit Qi ∈ {∀, ∃}
Matrix Quantoren-freie Formel ϕ mit Variablen x1 . . . xn .
Algorithmus zur Transformation in PNF:
1 benenne mehrfach quantifizierte Variablen um
2 ziehe Quantoren nach vorne (unter Beibehaltung der Reihenfolge)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
76 / 139
Schritt 2: Pränex-Normalform
Definition (Pränex-Normalform)
Eine Formel ist in PNF, wenn sie die Gestalt Q1 x1 . . . Qn xn ϕ(x1 , . . . , xn )
hat, wobei die Teile der Formel wie folgt benannt werden:
Präfix Q1 x1 . . . Qn xn mit Qi ∈ {∀, ∃}
Matrix Quantoren-freie Formel ϕ mit Variablen x1 . . . xn .
Algorithmus zur Transformation in PNF:
1 benenne mehrfach quantifizierte Variablen um
2 ziehe Quantoren nach vorne (unter Beibehaltung der Reihenfolge)
Beispiel (PNF)
„Jeder Mensch hat Mutter und Vater.“
Jan Hladik (DHBW Stuttgart)
∀x(H (x) → ∃yM (x, y) ∧ ∃yF (x, y))
Wissensbasierte Systeme – Logik –
Sommersemester 2017
76 / 139
Schritt 2: Pränex-Normalform
Definition (Pränex-Normalform)
Eine Formel ist in PNF, wenn sie die Gestalt Q1 x1 . . . Qn xn ϕ(x1 , . . . , xn )
hat, wobei die Teile der Formel wie folgt benannt werden:
Präfix Q1 x1 . . . Qn xn mit Qi ∈ {∀, ∃}
Matrix Quantoren-freie Formel ϕ mit Variablen x1 . . . xn .
Algorithmus zur Transformation in PNF:
1 benenne mehrfach quantifizierte Variablen um
2 ziehe Quantoren nach vorne (unter Beibehaltung der Reihenfolge)
Beispiel (PNF)
„Jeder Mensch hat Mutter und Vater.“
Transformiere in NNF
Jan Hladik (DHBW Stuttgart)
∀x(H (x) → ∃yM (x, y) ∧ ∃yF (x, y))
∀x(¬H (x) ∨ ∃yM (x, y) ∧ ∃yF (x, y))
Wissensbasierte Systeme – Logik –
Sommersemester 2017
76 / 139
Schritt 2: Pränex-Normalform
Definition (Pränex-Normalform)
Eine Formel ist in PNF, wenn sie die Gestalt Q1 x1 . . . Qn xn ϕ(x1 , . . . , xn )
hat, wobei die Teile der Formel wie folgt benannt werden:
Präfix Q1 x1 . . . Qn xn mit Qi ∈ {∀, ∃}
Matrix Quantoren-freie Formel ϕ mit Variablen x1 . . . xn .
Algorithmus zur Transformation in PNF:
1 benenne mehrfach quantifizierte Variablen um
2 ziehe Quantoren nach vorne (unter Beibehaltung der Reihenfolge)
Beispiel (PNF)
„Jeder Mensch hat Mutter und Vater.“
Transformiere in NNF
Ersetze zweites y durch z
Jan Hladik (DHBW Stuttgart)
∀x(H (x) → ∃yM (x, y) ∧ ∃yF (x, y))
∀x(¬H (x) ∨ ∃yM (x, y) ∧ ∃yF (x, y))
∀x(¬H (x) ∨ ∃yM (x, y) ∧ ∃zF (x, z))
Wissensbasierte Systeme – Logik –
Sommersemester 2017
76 / 139
Schritt 2: Pränex-Normalform
Definition (Pränex-Normalform)
Eine Formel ist in PNF, wenn sie die Gestalt Q1 x1 . . . Qn xn ϕ(x1 , . . . , xn )
hat, wobei die Teile der Formel wie folgt benannt werden:
Präfix Q1 x1 . . . Qn xn mit Qi ∈ {∀, ∃}
Matrix Quantoren-freie Formel ϕ mit Variablen x1 . . . xn .
Algorithmus zur Transformation in PNF:
1 benenne mehrfach quantifizierte Variablen um
2 ziehe Quantoren nach vorne (unter Beibehaltung der Reihenfolge)
Beispiel (PNF)
„Jeder Mensch hat Mutter und Vater.“
Transformiere in NNF
Ersetze zweites y durch z
Ziehe Quantoren nach vorne
Jan Hladik (DHBW Stuttgart)
∀x(H (x) → ∃yM (x, y) ∧ ∃yF (x, y))
∀x(¬H (x) ∨ ∃yM (x, y) ∧ ∃yF (x, y))
∀x(¬H (x) ∨ ∃yM (x, y) ∧ ∃zF (x, z))
∀x∃y∃z(¬H (x) ∨ M (x, y) ∧ F (x, z))
Wissensbasierte Systeme – Logik –
Sommersemester 2017
76 / 139
Schritt 3: Skolem-Normalform
Definition (Skolem-Normalform)
Eine prädikatenlogische Formel ϕ ist in
Skolem-Normalform (SNF), wenn sie in PNF ist und das
Präfix keine Existenzquantoren enthält.
Thoralf Skolem
(1887–1963)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
77 / 139
Schritt 3: Skolem-Normalform
Definition (Skolem-Normalform)
Eine prädikatenlogische Formel ϕ ist in
Skolem-Normalform (SNF), wenn sie in PNF ist und das
Präfix keine Existenzquantoren enthält.
Transformation in SNF:
Ersetze existentiell quantifizierte Variablen durch Terme
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Thoralf Skolem
(1887–1963)
Sommersemester 2017
77 / 139
Schritt 3: Skolem-Normalform
Definition (Skolem-Normalform)
Eine prädikatenlogische Formel ϕ ist in
Skolem-Normalform (SNF), wenn sie in PNF ist und das
Präfix keine Existenzquantoren enthält.
Transformation in SNF:
Ersetze existentiell quantifizierte Variablen durch Terme
Thoralf Skolem
(1887–1963)
Beispiel (Skolemisierung)
„Es gibt einen Präsidenten.“
∃xP(x)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
77 / 139
Schritt 3: Skolem-Normalform
Definition (Skolem-Normalform)
Eine prädikatenlogische Formel ϕ ist in
Skolem-Normalform (SNF), wenn sie in PNF ist und das
Präfix keine Existenzquantoren enthält.
Transformation in SNF:
Ersetze existentiell quantifizierte Variablen durch Terme
Thoralf Skolem
(1887–1963)
Beispiel (Skolemisierung)
„Es gibt einen Präsidenten.“
∃xP(x) ; P(c)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
c ist neu!
Sommersemester 2017
77 / 139
Schritt 3: Skolem-Normalform
Definition (Skolem-Normalform)
Eine prädikatenlogische Formel ϕ ist in
Skolem-Normalform (SNF), wenn sie in PNF ist und das
Präfix keine Existenzquantoren enthält.
Transformation in SNF:
Ersetze existentiell quantifizierte Variablen durch Terme
Thoralf Skolem
(1887–1963)
Beispiel (Skolemisierung)
„Es gibt einen Präsidenten.“
∃xP(x) ; P(c)
„Jeder Mensch hat eine Mutter.“
∀x∃y(H (x) → M (x, y))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
c ist neu!
Sommersemester 2017
77 / 139
Schritt 3: Skolem-Normalform
Definition (Skolem-Normalform)
Eine prädikatenlogische Formel ϕ ist in
Skolem-Normalform (SNF), wenn sie in PNF ist und das
Präfix keine Existenzquantoren enthält.
Transformation in SNF:
Ersetze existentiell quantifizierte Variablen durch Terme
Thoralf Skolem
(1887–1963)
Beispiel (Skolemisierung)
„Es gibt einen Präsidenten.“
∃xP(x) ; P(c)
„Jeder Mensch hat eine Mutter.“
∀x∃y(H (x) → M (x, y)) ; ∀x(H (x) → M (x, c))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
c ist neu!
Sommersemester 2017
77 / 139
Schritt 3: Skolem-Normalform
Definition (Skolem-Normalform)
Eine prädikatenlogische Formel ϕ ist in
Skolem-Normalform (SNF), wenn sie in PNF ist und das
Präfix keine Existenzquantoren enthält.
Transformation in SNF:
Ersetze existentiell quantifizierte Variablen durch Terme
Thoralf Skolem
(1887–1963)
Beispiel (Skolemisierung)
„Es gibt einen Präsidenten.“
∃xP(x) ; P(c)
„Jeder Mensch hat eine Mutter.“
∀x∃y(H (x) → M (x, y)) ; ∀x(H (x) → M (x, f (x)))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
c ist neu!
Sommersemester 2017
77 / 139
Schritt 3: Skolem-Normalform
Definition (Skolem-Normalform)
Eine prädikatenlogische Formel ϕ ist in
Skolem-Normalform (SNF), wenn sie in PNF ist und das
Präfix keine Existenzquantoren enthält.
Transformation in SNF:
Ersetze existentiell quantifizierte Variablen durch Terme
Thoralf Skolem
(1887–1963)
Beispiel (Skolemisierung)
„Es gibt einen Präsidenten.“
∃xP(x) ; P(c)
„Jeder Mensch hat eine Mutter.“
∀x∃y(H (x) → M (x, y)) ; ∀x(H (x) → M (x, f (x)))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
c ist neu!
f ist neu!
Sommersemester 2017
77 / 139
Skolemisierungs-Algorithmus
Eingabe: Formel ϕ = ∀x1 . . . ∀xn ∃yψ(x1 , . . . , xn , y) in PNF
Ausgabe: Skolemisierte Formel snf(ϕ)
1 ersetze y durch durch ein neues n-stelliges Funktionssymbol f :
∀x1 . . . ∀xn ψ(x1 , . . . , xn , f (x1 , . . . , xn ))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
78 / 139
Skolemisierungs-Algorithmus
Eingabe: Formel ϕ = ∀x1 . . . ∀xn ∃yψ(x1 , . . . , xn , y) in PNF
Ausgabe: Skolemisierte Formel snf(ϕ)
1 ersetze y durch durch ein neues n-stelliges Funktionssymbol f :
∀x1 . . . ∀xn ψ(x1 , . . . , xn , f (x1 , . . . , xn ))
2 fahre mit Existenzquantoren in ψ fort, bis alle existentiell
quantifizierten Variablen ersetzt sind
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
78 / 139
Skolemisierungs-Algorithmus
Eingabe: Formel ϕ = ∀x1 . . . ∀xn ∃yψ(x1 , . . . , xn , y) in PNF
Ausgabe: Skolemisierte Formel snf(ϕ)
1 ersetze y durch durch ein neues n-stelliges Funktionssymbol f :
∀x1 . . . ∀xn ψ(x1 , . . . , xn , f (x1 , . . . , xn ))
2 fahre mit Existenzquantoren in ψ fort, bis alle existentiell
quantifizierten Variablen ersetzt sind
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
78 / 139
Skolemisierungs-Algorithmus
Eingabe: Formel ϕ = ∀x1 . . . ∀xn ∃yψ(x1 , . . . , xn , y) in PNF
Ausgabe: Skolemisierte Formel snf(ϕ)
1 ersetze y durch durch ein neues n-stelliges Funktionssymbol f :
∀x1 . . . ∀xn ψ(x1 , . . . , xn , f (x1 , . . . , xn ))
2 fahre mit Existenzquantoren in ψ fort, bis alle existentiell
quantifizierten Variablen ersetzt sind
Beachte:
Bearbeite Existenzquantoren von vorne nach hinten
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
78 / 139
Skolemisierungs-Algorithmus
Eingabe: Formel ϕ = ∀x1 . . . ∀xn ∃yψ(x1 , . . . , xn , y) in PNF
Ausgabe: Skolemisierte Formel snf(ϕ)
1 ersetze y durch durch ein neues n-stelliges Funktionssymbol f :
∀x1 . . . ∀xn ψ(x1 , . . . , xn , f (x1 , . . . , xn ))
2 fahre mit Existenzquantoren in ψ fort, bis alle existentiell
quantifizierten Variablen ersetzt sind
Beachte:
Bearbeite Existenzquantoren von vorne nach hinten
Das neue Funktionssymbol f heißt Skolem-Funktionssymbol
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
78 / 139
Skolemisierungs-Algorithmus
Eingabe: Formel ϕ = ∀x1 . . . ∀xn ∃yψ(x1 , . . . , xn , y) in PNF
Ausgabe: Skolemisierte Formel snf(ϕ)
1 ersetze y durch durch ein neues n-stelliges Funktionssymbol f :
∀x1 . . . ∀xn ψ(x1 , . . . , xn , f (x1 , . . . , xn ))
2 fahre mit Existenzquantoren in ψ fort, bis alle existentiell
quantifizierten Variablen ersetzt sind
Beachte:
Bearbeite Existenzquantoren von vorne nach hinten
Das neue Funktionssymbol f heißt Skolem-Funktionssymbol
Existentiell quantifizierte Variablen, die nicht im Gültigkeitsbereich
eines Allquantors stehen, werden durch Konstanten ersetzt.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
78 / 139
Skolemisierungs-Algorithmus
Eingabe: Formel ϕ = ∀x1 . . . ∀xn ∃yψ(x1 , . . . , xn , y) in PNF
Ausgabe: Skolemisierte Formel snf(ϕ)
1 ersetze y durch durch ein neues n-stelliges Funktionssymbol f :
∀x1 . . . ∀xn ψ(x1 , . . . , xn , f (x1 , . . . , xn ))
2 fahre mit Existenzquantoren in ψ fort, bis alle existentiell
quantifizierten Variablen ersetzt sind
Beachte:
Bearbeite Existenzquantoren von vorne nach hinten
Das neue Funktionssymbol f heißt Skolem-Funktionssymbol
Existentiell quantifizierte Variablen, die nicht im Gültigkeitsbereich
eines Allquantors stehen, werden durch Konstanten ersetzt.
Optimierungspotential durch Umformung der Ausgangsformel
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
78 / 139
Skolemisierungs-Algorithmus
Eingabe: Formel ϕ = ∀x1 . . . ∀xn ∃yψ(x1 , . . . , xn , y) in PNF
Ausgabe: Skolemisierte Formel snf(ϕ)
1 ersetze y durch durch ein neues n-stelliges Funktionssymbol f :
∀x1 . . . ∀xn ψ(x1 , . . . , xn , f (x1 , . . . , xn ))
2 fahre mit Existenzquantoren in ψ fort, bis alle existentiell
quantifizierten Variablen ersetzt sind
Beachte:
Bearbeite Existenzquantoren von vorne nach hinten
Das neue Funktionssymbol f heißt Skolem-Funktionssymbol
Existentiell quantifizierte Variablen, die nicht im Gültigkeitsbereich
eines Allquantors stehen, werden durch Konstanten ersetzt.
Optimierungspotential durch Umformung der Ausgangsformel
Eine Formel ϕ und ihre SNF sind nicht äquivalent, aber
erfüllbarkeitsäquivalent.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
78 / 139
Skolemisierungs-Algorithmus
Eingabe: Formel ϕ = ∀x1 . . . ∀xn ∃yψ(x1 , . . . , xn , y) in PNF
Ausgabe: Skolemisierte Formel snf(ϕ)
1 ersetze y durch durch ein neues n-stelliges Funktionssymbol f :
∀x1 . . . ∀xn ψ(x1 , . . . , xn , f (x1 , . . . , xn ))
2 fahre mit Existenzquantoren in ψ fort, bis alle existentiell
quantifizierten Variablen ersetzt sind
Beachte:
Bearbeite Existenzquantoren von vorne nach hinten
Das neue Funktionssymbol f heißt Skolem-Funktionssymbol
Existentiell quantifizierte Variablen, die nicht im Gültigkeitsbereich
eines Allquantors stehen, werden durch Konstanten ersetzt.
Optimierungspotential durch Umformung der Ausgangsformel
Eine Formel ϕ und ihre SNF sind nicht äquivalent, aber
erfüllbarkeitsäquivalent.
Alle verbleibenden Variablen sind universell quantifiziert
; ∀x wird nicht mehr benötigt.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
78 / 139
Übung: Skolem-Normalform
Transformieren Sie die folgenden Formeln in SNF:
a) ∀x(∃yR(x, y) ∧ ∃y¬R(x, y)) ∧ ∀xR(x, x) ∧ ∃y∃z¬R(y, z)
b) ∃x∀y(R(x, y)∨R(y, x))∧¬∀y¬(R(y, y)∧¬R(y, f (y)))∨¬(∀xR(x, x) →
∃xR(x, x))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
79 / 139
Resolution und Variablen
Beispiel (PL-Resolution)
Formel ∃zH (z) ∧ ∀x(H (x) → ∃yM (x, y))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
80 / 139
Resolution und Variablen
Beispiel (PL-Resolution)
Formel ∃zH (z) ∧ ∀x(H (x) → ∃yM (x, y))
NNF ∃zH (z) ∧ ∀x(¬H (x) ∨ ∃yM (x, y))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
→ eliminiert
Sommersemester 2017
80 / 139
Resolution und Variablen
Beispiel (PL-Resolution)
Formel ∃zH (z) ∧ ∀x(H (x) → ∃yM (x, y))
NNF ∃zH (z) ∧ ∀x(¬H (x) ∨ ∃yM (x, y))
→ eliminiert
SNF ∀x(H (c) ∧ (¬H (x) ∨ M (x, f (x))))
∃ eliminiert
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
80 / 139
Resolution und Variablen
Beispiel (PL-Resolution)
Formel ∃zH (z) ∧ ∀x(H (x) → ∃yM (x, y))
NNF ∃zH (z) ∧ ∀x(¬H (x) ∨ ∃yM (x, y))
→ eliminiert
SNF ∀x(H (c) ∧ (¬H (x) ∨ M (x, f (x))))
∃ eliminiert
KNF H (c) ∧ (¬H (x) ∨ M (x, f (x)))
Jan Hladik (DHBW Stuttgart)
PL-Atome statt Aussagenvariablen
Wissensbasierte Systeme – Logik –
Sommersemester 2017
80 / 139
Resolution und Variablen
Beispiel (PL-Resolution)
Formel ∃zH (z) ∧ ∀x(H (x) → ∃yM (x, y))
NNF ∃zH (z) ∧ ∀x(¬H (x) ∨ ∃yM (x, y))
→ eliminiert
SNF ∀x(H (c) ∧ (¬H (x) ∨ M (x, f (x))))
∃ eliminiert
KNF H (c) ∧ (¬H (x) ∨ M (x, f (x)))
PL-Atome statt Aussagenvariablen
¬H (x), M (x, f (x))
H (c)
?
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
80 / 139
Resolution und Variablen
Beispiel (PL-Resolution)
Formel ∃zH (z) ∧ ∀x(H (x) → ∃yM (x, y))
NNF ∃zH (z) ∧ ∀x(¬H (x) ∨ ∃yM (x, y))
→ eliminiert
SNF ∀x(H (c) ∧ (¬H (x) ∨ M (x, f (x))))
∃ eliminiert
KNF H (c) ∧ (¬H (x) ∨ M (x, f (x)))
PL-Atome statt Aussagenvariablen
¬H (x), M (x, f (x))
H (c)
?
Finde Variablenbelegung, die zwei Atome syntaktisch gleich macht
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
80 / 139
Resolution und Variablen
Beispiel (PL-Resolution)
Formel ∃zH (z) ∧ ∀x(H (x) → ∃yM (x, y))
NNF ∃zH (z) ∧ ∀x(¬H (x) ∨ ∃yM (x, y))
→ eliminiert
SNF ∀x(H (c) ∧ (¬H (x) ∨ M (x, f (x))))
∃ eliminiert
KNF H (c) ∧ (¬H (x) ∨ M (x, f (x)))
PL-Atome statt Aussagenvariablen
¬H (x), M (x, f (x))
H (c)
M (c, f (c))
[x/c]
Finde Variablenbelegung, die zwei Atome syntaktisch gleich macht
Ersetze Variablen in gesamter Klausel
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
80 / 139
Resolution und Variablen
Beispiel (PL-Resolution)
Formel ∃zH (z) ∧ ∀x(H (x) → ∃yM (x, y))
NNF ∃zH (z) ∧ ∀x(¬H (x) ∨ ∃yM (x, y))
→ eliminiert
SNF ∀x(H (c) ∧ (¬H (x) ∨ M (x, f (x))))
∃ eliminiert
KNF H (c) ∧ (¬H (x) ∨ M (x, f (x)))
PL-Atome statt Aussagenvariablen
¬H (x), M (x, f (x))
H (c)
M (c, f (c))
[x/c]
Finde Variablenbelegung, die zwei Atome syntaktisch gleich macht
Ersetze Variablen in gesamter Klausel
Erzeuge Resolvente
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
80 / 139
Substitutionen
Definition (Substitution)
Eine Substition ist eine Abbildung von Variablen auf Terme.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
81 / 139
Substitutionen
Definition (Substitution)
Eine Substition ist eine Abbildung von Variablen auf Terme.
Beispiel (Substitution)
Die Substitution
σ = ([x/f (y)], [y/m(c, d)])
bildet x auf f (y) und y auf m(c, d) ab.
Reihenfolge ist wichtig:
([x/y], [y/z]) ist nicht gleich ([y/z], [x/y])
σ(g(x)) = g(f (m(c, d)))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
81 / 139
Unifikatoren
Definition (Unifikator)
Ein Unifikator ist eine Substitution, die zwei Formeln auf dieselbe Formel
abbildet.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
82 / 139
Unifikatoren
Definition (Unifikator)
Ein Unifikator ist eine Substitution, die zwei Formeln auf dieselbe Formel
abbildet.
Beispiel (Unifikator von R(a, y) und R(x, f (a)))
ϕ = R(a, y)
ψ = R(x, f (a))
Jan Hladik (DHBW Stuttgart)
σ = ([x/a], [y/f (a)])
Wissensbasierte Systeme – Logik –
Sommersemester 2017
82 / 139
Unifikatoren
Definition (Unifikator)
Ein Unifikator ist eine Substitution, die zwei Formeln auf dieselbe Formel
abbildet.
Beispiel (Unifikator von R(a, y) und R(x, f (a)))
ϕ = R(a, y)
ψ = R(x, f (a))
σ(ϕ) = R(a, f (a)) = σ(ψ)
Jan Hladik (DHBW Stuttgart)
σ = ([x/a], [y/f (a)])
Wissensbasierte Systeme – Logik –
Sommersemester 2017
82 / 139
Unifikatoren
Definition (Unifikator)
Ein Unifikator ist eine Substitution, die zwei Formeln auf dieselbe Formel
abbildet.
Beispiel (Unifikator von R(a, y) und R(x, f (a)))
ϕ = R(a, y)
ψ = R(x, f (a))
σ(ϕ) = R(a, f (a)) = σ(ψ)
σ = ([x/a], [y/f (a)])
Resolution von C1 und C2 ist möglich, wenn es zwei Atome ϕ, ψ und eine
Substitution σ gibt mit
ϕ ∈ C1 und ¬ψ ∈ C2
σ ist Unifikator von ϕ und ψ.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
82 / 139
Unifikation: Variablenumbenennung und Occurs-Check
Beispiel (gleiche Variable in mehreren Klauseln)
Problem Unifikator für P(x, c) und P(d, x) wird nicht gefunden
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
83 / 139
Unifikation: Variablenumbenennung und Occurs-Check
Beispiel (gleiche Variable in mehreren Klauseln)
Problem Unifikator für P(x, c) und P(d, x) wird nicht gefunden
Lösung Disjunkte Umbenennung der Variablen
P(x, c), P(d, y), σ = ([x/d], [y/c])
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
83 / 139
Unifikation: Variablenumbenennung und Occurs-Check
Beispiel (gleiche Variable in mehreren Klauseln)
Problem Unifikator für P(x, c) und P(d, x) wird nicht gefunden
Lösung Disjunkte Umbenennung der Variablen
P(x, c), P(d, y), σ = ([x/d], [y/c])
Beispiel (Abbildung von x auf f (x))
Problem Unifikation von P(x) und P(f (x)) resultiert in σ = [x/f (x)]
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
83 / 139
Unifikation: Variablenumbenennung und Occurs-Check
Beispiel (gleiche Variable in mehreren Klauseln)
Problem Unifikator für P(x, c) und P(d, x) wird nicht gefunden
Lösung Disjunkte Umbenennung der Variablen
P(x, c), P(d, y), σ = ([x/d], [y/c])
Beispiel (Abbildung von x auf f (x))
Problem Unifikation von P(x) und P(f (x)) resultiert in σ = [x/f (x)]
Lösung Occurs-Check: x kann nicht auf Term abgebildet werden, der
x enthält
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
83 / 139
Allgemeinste Unifikatoren
Beispiel (Mehrere mögliche Unifikatoren)
P(x), R(x)
Jan Hladik (DHBW Stuttgart)
¬P(y)
¬R(c)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
84 / 139
Allgemeinste Unifikatoren
Beispiel (Mehrere mögliche Unifikatoren)
¬P(y)
P(x), R(x)
¬R(c)
[y/x]
R(x)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
84 / 139
Allgemeinste Unifikatoren
Beispiel (Mehrere mögliche Unifikatoren)
¬P(y)
P(x), R(x)
¬R(c)
[y/x]
R(x)
[x/c]
2
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
84 / 139
Allgemeinste Unifikatoren
Beispiel (Mehrere mögliche Unifikatoren)
¬P(y)
P(x), R(x)
[x/d]
¬R(c)
[y/d]
R(d)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
84 / 139
Allgemeinste Unifikatoren
Beispiel (Mehrere mögliche Unifikatoren)
¬P(y)
P(x), R(x)
[x/d]
¬R(c)
[y/d]
R(d)
Problem manche Unifikatoren verhindern Resolution
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
84 / 139
Allgemeinste Unifikatoren
Beispiel (Mehrere mögliche Unifikatoren)
¬P(y)
P(x), R(x)
[x/d]
¬R(c)
[y/d]
R(d)
Problem manche Unifikatoren verhindern Resolution
Lösung Allgemeinster Unifikator (MGU): ersetze so wenig wie
möglich
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
84 / 139
Unifikations-Algorithmus
Eingabe:
Ausgabe:
Atome s, t
au(s, t),
„nicht unifizierbar“
Jan Hladik (DHBW Stuttgart)
wenn s und t unifizierbar sind
sonst
Wissensbasierte Systeme – Logik –
Sommersemester 2017
85 / 139
Unifikations-Algorithmus
Eingabe:
Ausgabe:
Atome s, t
au(s, t),
„nicht unifizierbar“
wenn s und t unifizierbar sind
sonst
1: σ := ()
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
85 / 139
Unifikations-Algorithmus
Eingabe:
Ausgabe:
Atome s, t
au(s, t),
„nicht unifizierbar“
wenn s und t unifizierbar sind
sonst
1: σ := ()
2: while σ(s) 6= σ(t) do
3:
sei i die erste Position, an der sich σ(s) und σ(t) unterscheiden
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
85 / 139
Unifikations-Algorithmus
Eingabe:
Ausgabe:
Atome s, t
au(s, t),
„nicht unifizierbar“
wenn s und t unifizierbar sind
sonst
1: σ := ()
2: while σ(s) 6= σ(t) do
3:
sei i die erste Position, an der sich σ(s) und σ(t) unterscheiden
4:
if σ(s)|i oder σ(t)|i ist Prädikat then
5:
Ausgabe „nicht unifizierbar“
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
85 / 139
Unifikations-Algorithmus
Eingabe:
Ausgabe:
Atome s, t
au(s, t),
„nicht unifizierbar“
wenn s und t unifizierbar sind
sonst
1: σ := ()
2: while σ(s) 6= σ(t) do
3:
sei i die erste Position, an der sich σ(s) und σ(t) unterscheiden
4:
if σ(s)|i oder σ(t)|i ist Prädikat then
5:
Ausgabe „nicht unifizierbar“
6:
else if weder σ(s)|i noch σ(t)|i ist Variable then
7:
Ausgabe „nicht unifizierbar“
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
85 / 139
Unifikations-Algorithmus
Eingabe:
Ausgabe:
Atome s, t
au(s, t),
„nicht unifizierbar“
wenn s und t unifizierbar sind
sonst
1: σ := ()
2: while σ(s) 6= σ(t) do
3:
sei i die erste Position, an der sich σ(s) und σ(t) unterscheiden
4:
if σ(s)|i oder σ(t)|i ist Prädikat then
5:
Ausgabe „nicht unifizierbar“
6:
else if weder σ(s)|i noch σ(t)|i ist Variable then
7:
Ausgabe „nicht unifizierbar“
8:
else
9:
sei x die Variable, y der andere Term
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
85 / 139
Unifikations-Algorithmus
Eingabe:
Ausgabe:
Atome s, t
au(s, t),
„nicht unifizierbar“
wenn s und t unifizierbar sind
sonst
1: σ := ()
2: while σ(s) 6= σ(t) do
3:
sei i die erste Position, an der sich σ(s) und σ(t) unterscheiden
4:
if σ(s)|i oder σ(t)|i ist Prädikat then
5:
Ausgabe „nicht unifizierbar“
6:
else if weder σ(s)|i noch σ(t)|i ist Variable then
7:
Ausgabe „nicht unifizierbar“
8:
else
9:
sei x die Variable, y der andere Term
10:
if x ist echter Subterm von y then
11:
Ausgabe „nicht unifizierbar“
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
85 / 139
Unifikations-Algorithmus
Eingabe:
Ausgabe:
Atome s, t
au(s, t),
„nicht unifizierbar“
wenn s und t unifizierbar sind
sonst
1: σ := ()
2: while σ(s) 6= σ(t) do
3:
sei i die erste Position, an der sich σ(s) und σ(t) unterscheiden
4:
if σ(s)|i oder σ(t)|i ist Prädikat then
5:
Ausgabe „nicht unifizierbar“
6:
else if weder σ(s)|i noch σ(t)|i ist Variable then
7:
Ausgabe „nicht unifizierbar“
8:
else
9:
sei x die Variable, y der andere Term
10:
if x ist echter Subterm von y then
11:
Ausgabe „nicht unifizierbar“
12:
else
13:
σ := σ · ([x/y])
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
85 / 139
Unifikations-Algorithmus
Eingabe:
Ausgabe:
Atome s, t
au(s, t),
„nicht unifizierbar“
wenn s und t unifizierbar sind
sonst
1: σ := ()
2: while σ(s) 6= σ(t) do
3:
sei i die erste Position, an der sich σ(s) und σ(t) unterscheiden
4:
if σ(s)|i oder σ(t)|i ist Prädikat then
5:
Ausgabe „nicht unifizierbar“
6:
else if weder σ(s)|i noch σ(t)|i ist Variable then
7:
Ausgabe „nicht unifizierbar“
8:
else
9:
sei x die Variable, y der andere Term
10:
if x ist echter Subterm von y then
11:
Ausgabe „nicht unifizierbar“
12:
else
13:
σ := σ · ([x/y])
14: Ausgabe σ
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
85 / 139
Unifikation: Beispiel
Beispiel
ϕ = R(x, z, g(x, f (y)))
ψ = R(f (c), x, g(y, f (g(x, y))))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
86 / 139
Unifikation: Beispiel
Beispiel
ϕ = R(x, z, g(x, f (y)))
ψ = R(f (c), x, g(y, f (g(x, y))))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
86 / 139
Unifikation: Beispiel
Beispiel
ϕ = R(x, z, g(x, f (y)))
ψ = R(f (c), u, g(y, f (g(u, y))))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
86 / 139
Unifikation: Beispiel
Beispiel
ϕ = R(x, z, g(x, f (y)))
ψ = R(f (c), u, g(w, f (g(u, w))))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
86 / 139
Unifikation: Beispiel
Beispiel
ϕ = R(x, z, g(x, f (y)))
ψ = R(f (c), u, g(w, f (g(u, w))))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
86 / 139
Unifikation: Beispiel
Beispiel
ϕ = R(x, z, g(x, f (y)))
ψ = R(f (c), u, g(w, f (g(u, w))))
x
/
f (c)
Jan Hladik (DHBW Stuttgart)
Occurs-Check
Wissensbasierte Systeme – Logik –
Sommersemester 2017
86 / 139
Unifikation: Beispiel
Beispiel
ϕ = R(x, z, g(x, f (y)))
ψ = R(f (c), u, g(w, f (g(u, w))))
x
/
f (c)
Jan Hladik (DHBW Stuttgart)
Occurs-Check
Wissensbasierte Systeme – Logik –
Sommersemester 2017
86 / 139
Unifikation: Beispiel
Beispiel
ϕ = R(f (c), z, g(f (c), f (y)))
ψ = R(f (c), u, g(w, f (g(u, w))))
x
/
f (c)
Jan Hladik (DHBW Stuttgart)
Occurs-Check
Wissensbasierte Systeme – Logik –
Sommersemester 2017
86 / 139
Unifikation: Beispiel
Beispiel
ϕ = R(f (c), z, g(f (c), f (y)))
ψ = R(f (c), u, g(w, f (g(u, w))))
x
u
/
/
f (c)
z
Jan Hladik (DHBW Stuttgart)
Occurs-Check
AU
Wissensbasierte Systeme – Logik –
Sommersemester 2017
86 / 139
Unifikation: Beispiel
Beispiel
ϕ = R(f (c), z, g(f (c), f (y)))
ψ = R(f (c), z, g(w, f (g(z, w))))
x
u
/
/
f (c)
z
Jan Hladik (DHBW Stuttgart)
Occurs-Check
AU
Wissensbasierte Systeme – Logik –
Sommersemester 2017
86 / 139
Unifikation: Beispiel
Beispiel
ϕ = R(f (c), z, g(f (c), f (y)))
ψ = R(f (c), z, g(w, f (g(z, w))))
x
u
/
/
f (c)
z
Jan Hladik (DHBW Stuttgart)
Occurs-Check
AU
Wissensbasierte Systeme – Logik –
Sommersemester 2017
86 / 139
Unifikation: Beispiel
Beispiel
ϕ = R(f (c), z, g(f (c), f (y)))
ψ = R(f (c), z, g(w, f (g(z, w))))
x
u
w
/
/
/
f (c)
z
f (c)
Jan Hladik (DHBW Stuttgart)
Occurs-Check
AU
Wissensbasierte Systeme – Logik –
Sommersemester 2017
86 / 139
Unifikation: Beispiel
Beispiel
ϕ = R(f (c), z, g(f (c), f (y)))
ψ = R(f (c), z, g(f (c), f (g(z, f (c)))))
x
u
w
/
/
/
f (c)
z
f (c)
Jan Hladik (DHBW Stuttgart)
Occurs-Check
AU
Wissensbasierte Systeme – Logik –
Sommersemester 2017
86 / 139
Unifikation: Beispiel
Beispiel
ϕ = R(f (c), z, g(f (c), f (y)))
ψ = R(f (c), z, g(f (c), f (g(z, f (c)))))
x
u
w
/
/
/
f (c)
z
f (c)
Jan Hladik (DHBW Stuttgart)
Occurs-Check
AU
Wissensbasierte Systeme – Logik –
Sommersemester 2017
86 / 139
Unifikation: Beispiel
Beispiel
ϕ = R(f (c), z, g(f (c), f (y)))
ψ = R(f (c), z, g(f (c), f (g(z, f (c)))))
x
u
w
y
/
/
/
/
f (c)
z
f (c)
g(z, f (c))
Jan Hladik (DHBW Stuttgart)
Occurs-Check
AU
Wissensbasierte Systeme – Logik –
Sommersemester 2017
86 / 139
Unifikation: Beispiel
Beispiel
ϕ = R(f (c), z, g(f (c), f (g(z, f (c)))))
ψ = R(f (c), z, g(f (c), f (g(z, f (c)))))
x
u
w
y
/
/
/
/
f (c)
z
f (c)
g(z, f (c))
Jan Hladik (DHBW Stuttgart)
Occurs-Check
AU
Wissensbasierte Systeme – Logik –
Sommersemester 2017
86 / 139
Übung: Unifikations-Algorithmus
Seien
x, y, z Variablen,
c, d Konstanten,
f einstelliges, g ein zweistelliges und h ein dreistelliges
Funktionssymbol,
S und T dreistellige Prädikate.
Wenden Sie den Unifikations-Algorithmus an, um allgemeinste Unifikatoren
für die folgenden Paare von Termen zu finden:
a) S(x, f (y), g(z, d)) und S(c, f (x), g(f (z), z))
b) T (x, f (x), h(f (y), z, d)) und T (c, f (y), h(z, f (x), c))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
87 / 139
Beispiel: Halloween
1
Tim kauft einen Kürbis.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
88 / 139
Beispiel: Halloween
1
Tim kauft einen Kürbis.
∃x(Kauft(tim, x) ∧ Kürbis(x))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
88 / 139
Beispiel: Halloween
1
Tim kauft einen Kürbis.
∃x(Kauft(tim, x) ∧ Kürbis(x))
2
Wer einen Kürbis kauft, isst ihn oder schnitzt eine Laterne daraus.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
88 / 139
Beispiel: Halloween
1
Tim kauft einen Kürbis.
∃x(Kauft(tim, x) ∧ Kürbis(x))
2
Wer einen Kürbis kauft, isst ihn oder schnitzt eine Laterne daraus.
∀x∀y(Kauft(x, y) ∧ Kürbis(y) → Isst(x, y) ∨ Schnitzt(x, y))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
88 / 139
Beispiel: Halloween
1
Tim kauft einen Kürbis.
∃x(Kauft(tim, x) ∧ Kürbis(x))
2
Wer einen Kürbis kauft, isst ihn oder schnitzt eine Laterne daraus.
∀x∀y(Kauft(x, y) ∧ Kürbis(y) → Isst(x, y) ∨ Schnitzt(x, y))
3
Kinder essen keine Kürbisse.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
88 / 139
Beispiel: Halloween
1
Tim kauft einen Kürbis.
∃x(Kauft(tim, x) ∧ Kürbis(x))
2
Wer einen Kürbis kauft, isst ihn oder schnitzt eine Laterne daraus.
∀x∀y(Kauft(x, y) ∧ Kürbis(y) → Isst(x, y) ∨ Schnitzt(x, y))
3
Kinder essen keine Kürbisse.
∀x(Kind(x) → ∀y(Kürbis(y) → ¬Isst(x, y)))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
88 / 139
Beispiel: Halloween
1
Tim kauft einen Kürbis.
∃x(Kauft(tim, x) ∧ Kürbis(x))
2
Wer einen Kürbis kauft, isst ihn oder schnitzt eine Laterne daraus.
∀x∀y(Kauft(x, y) ∧ Kürbis(y) → Isst(x, y) ∨ Schnitzt(x, y))
3
Kinder essen keine Kürbisse.
∀x(Kind(x) → ∀y(Kürbis(y) → ¬Isst(x, y)))
4
Konklusion: Wenn Tim ein Kind ist, schnitzt er eine Laterne.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
88 / 139
Beispiel: Halloween
1
Tim kauft einen Kürbis.
∃x(Kauft(tim, x) ∧ Kürbis(x))
2
Wer einen Kürbis kauft, isst ihn oder schnitzt eine Laterne daraus.
∀x∀y(Kauft(x, y) ∧ Kürbis(y) → Isst(x, y) ∨ Schnitzt(x, y))
3
Kinder essen keine Kürbisse.
∀x(Kind(x) → ∀y(Kürbis(y) → ¬Isst(x, y)))
4
Konklusion: Wenn Tim ein Kind ist, schnitzt er eine Laterne.
Kind(tim) → ∃xSchnitzt(tim, x)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
88 / 139
Schritt 1: Syntaktische Vorverarbeitung
1
Konjunktion der Prämissen und der Negation der Konklusion
(∃x(Kauft(tim, x) ∧ Kürbis(x)) ∧
(∀x∀y(Kauft(x, y) ∧ Kürbis(y) → Isst(x, y) ∨ Schnitzt(x, y)))
(∀x(Kind(x) → ∀y(Kürbis(y) → ¬Isst(x, y)))) ∧
¬(Kind(tim) → ∃xSchnitzt(tim, x))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
∧
Sommersemester 2017
89 / 139
Schritt 1: Syntaktische Vorverarbeitung
1
Konjunktion der Prämissen und der Negation der Konklusion
2
Variablen-Umbenennung
(∃x(Kauft(tim, x) ∧ Kürbis(x)) ∧
(∀x∀y(Kauft(x, y) ∧ Kürbis(y) → Isst(x, y) ∨ Schnitzt(x, y)))
(∀x(Kind(x) → ∀y(Kürbis(y) → ¬Isst(x, y)))) ∧
¬(Kind(tim) → ∃xSchnitzt(tim, x))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
∧
Sommersemester 2017
89 / 139
Schritt 1: Syntaktische Vorverarbeitung
1
Konjunktion der Prämissen und der Negation der Konklusion
2
Variablen-Umbenennung
(∃x(Kauft(tim, x) ∧ Kürbis(x)) ∧
(∀y∀z(Kauft(y, z) ∧ Kürbis(z) → Isst(y, z) ∨ Schnitzt(y, z))) ∧
(∀x(Kind(x) → ∀y(Kürbis(y) → ¬Isst(x, y)))) ∧
¬(Kind(tim) → ∃xSchnitzt(tim, x))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
89 / 139
Schritt 1: Syntaktische Vorverarbeitung
1
Konjunktion der Prämissen und der Negation der Konklusion
2
Variablen-Umbenennung
(∃x(Kauft(tim, x) ∧ Kürbis(x)) ∧
(∀y∀z(Kauft(y, z) ∧ Kürbis(z) → Isst(y, z) ∨ Schnitzt(y, z))) ∧
(∀u(Kind(u) → ∀w(Kürbis(w) → ¬Isst(u, w)))) ∧
¬(Kind(tim) → ∃xSchnitzt(tim, x))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
89 / 139
Schritt 1: Syntaktische Vorverarbeitung
1
Konjunktion der Prämissen und der Negation der Konklusion
2
Variablen-Umbenennung
(∃x(Kauft(tim, x) ∧ Kürbis(x)) ∧
(∀y∀z(Kauft(y, z) ∧ Kürbis(z) → Isst(y, z) ∨ Schnitzt(y, z))) ∧
(∀u(Kind(u) → ∀w(Kürbis(w) → ¬Isst(u, w)))) ∧
¬(Kind(tim) → ∃tSchnitzt(tim, t))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
89 / 139
Schritt 1: Syntaktische Vorverarbeitung
1
Konjunktion der Prämissen und der Negation der Konklusion
2
Variablen-Umbenennung
3
Ersetzung von ϕ → ψ durch ¬ϕ ∨ ψ
(∃x(Kauft(tim, x) ∧ Kürbis(x)) ∧
(∀y∀z(Kauft(y, z) ∧ Kürbis(z) → Isst(y, z) ∨ Schnitzt(y, z))) ∧
(∀u(Kind(u) → ∀w(Kürbis(w) → ¬Isst(u, w)))) ∧
¬(Kind(tim) → ∃tSchnitzt(tim, t))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
89 / 139
Schritt 1: Syntaktische Vorverarbeitung
1
Konjunktion der Prämissen und der Negation der Konklusion
2
Variablen-Umbenennung
3
Ersetzung von ϕ → ψ durch ¬ϕ ∨ ψ
(∃x(Kauft(tim, x) ∧ Kürbis(x)) ∧
(∀y∀z(¬(Kauft(y, z) ∧ Kürbis(z)) ∨ Isst(y, z) ∨ Schnitzt(y, z)))
(∀u(Kind(u) → ∀w(Kürbis(w) → ¬Isst(u, w)))) ∧
¬(Kind(tim) → ∃tSchnitzt(tim, t))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
∧
Sommersemester 2017
89 / 139
Schritt 1: Syntaktische Vorverarbeitung
1
Konjunktion der Prämissen und der Negation der Konklusion
2
Variablen-Umbenennung
3
Ersetzung von ϕ → ψ durch ¬ϕ ∨ ψ
(∃x(Kauft(tim, x) ∧ Kürbis(x)) ∧
(∀y∀z(¬(Kauft(y, z) ∧ Kürbis(z)) ∨ Isst(y, z) ∨ Schnitzt(y, z)))
(∀u(¬Kind(u) ∨ ∀w(Kürbis(w) → ¬Isst(u, w)))) ∧
¬(Kind(tim) → ∃tSchnitzt(tim, t))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
∧
Sommersemester 2017
89 / 139
Schritt 1: Syntaktische Vorverarbeitung
1
Konjunktion der Prämissen und der Negation der Konklusion
2
Variablen-Umbenennung
3
Ersetzung von ϕ → ψ durch ¬ϕ ∨ ψ
(∃x(Kauft(tim, x) ∧ Kürbis(x)) ∧
(∀y∀z(¬(Kauft(y, z) ∧ Kürbis(z)) ∨ Isst(y, z) ∨ Schnitzt(y, z)))
(∀u(¬Kind(u) ∨ ∀w(¬Kürbis(w) ∨ ¬Isst(u, w)))) ∧
¬(Kind(tim) → ∃tSchnitzt(tim, t))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
∧
Sommersemester 2017
89 / 139
Schritt 1: Syntaktische Vorverarbeitung
1
Konjunktion der Prämissen und der Negation der Konklusion
2
Variablen-Umbenennung
3
Ersetzung von ϕ → ψ durch ¬ϕ ∨ ψ
(∃x(Kauft(tim, x) ∧ Kürbis(x)) ∧
(∀y∀z(¬(Kauft(y, z) ∧ Kürbis(z)) ∨ Isst(y, z) ∨ Schnitzt(y, z)))
(∀u(¬Kind(u) ∨ ∀w(¬Kürbis(w) ∨ ¬Isst(u, w)))) ∧
¬(¬Kind(tim) ∨ ∃tSchnitzt(tim, t))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
∧
Sommersemester 2017
89 / 139
Schritt 1: Syntaktische Vorverarbeitung
1
Konjunktion der Prämissen und der Negation der Konklusion
2
Variablen-Umbenennung
3
Ersetzung von ϕ → ψ durch ¬ϕ ∨ ψ
4
Gesetze von De Morgan
(∃x(Kauft(tim, x) ∧ Kürbis(x)) ∧
(∀y∀z(¬(Kauft(y, z) ∧ Kürbis(z)) ∨ Isst(y, z) ∨ Schnitzt(y, z)))
(∀u(¬Kind(u) ∨ ∀w(¬Kürbis(w) ∨ ¬Isst(u, w)))) ∧
¬(¬Kind(tim) ∨ ∃tSchnitzt(tim, t))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
∧
Sommersemester 2017
89 / 139
Schritt 1: Syntaktische Vorverarbeitung
1
Konjunktion der Prämissen und der Negation der Konklusion
2
Variablen-Umbenennung
3
Ersetzung von ϕ → ψ durch ¬ϕ ∨ ψ
4
Gesetze von De Morgan
(∃x(Kauft(tim, x) ∧ Kürbis(x)) ∧
(∀y∀z(¬Kauft(y, z) ∨ ¬Kürbis(z) ∨ Isst(y, z) ∨ Schnitzt(y, z)))
(∀u(¬Kind(u) ∨ ∀w(¬Kürbis(w) ∨ ¬Isst(u, w)))) ∧
¬(¬Kind(tim) ∨ ∃tSchnitzt(tim, t))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
∧
Sommersemester 2017
89 / 139
Schritt 1: Syntaktische Vorverarbeitung
1
Konjunktion der Prämissen und der Negation der Konklusion
2
Variablen-Umbenennung
3
Ersetzung von ϕ → ψ durch ¬ϕ ∨ ψ
4
Gesetze von De Morgan
(∃x(Kauft(tim, x) ∧ Kürbis(x)) ∧
(∀y∀z(¬Kauft(y, z) ∨ ¬Kürbis(z) ∨ Isst(y, z) ∨ Schnitzt(y, z)))
(∀u(¬Kind(u) ∨ ∀w(¬Kürbis(w) ∨ ¬Isst(u, w)))) ∧
(¬¬Kind(tim) ∧ ¬∃tSchnitzt(tim, t))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
∧
Sommersemester 2017
89 / 139
Schritt 1: Syntaktische Vorverarbeitung
1
Konjunktion der Prämissen und der Negation der Konklusion
2
Variablen-Umbenennung
3
Ersetzung von ϕ → ψ durch ¬ϕ ∨ ψ
4
Gesetze von De Morgan
(∃x(Kauft(tim, x) ∧ Kürbis(x)) ∧
(∀y∀z(¬Kauft(y, z) ∨ ¬Kürbis(z) ∨ Isst(y, z) ∨ Schnitzt(y, z)))
(∀u(¬Kind(u) ∨ ∀w(¬Kürbis(w) ∨ ¬Isst(u, w)))) ∧
(¬¬Kind(tim) ∧ ∀t¬Schnitzt(tim, t))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
∧
Sommersemester 2017
89 / 139
Schritt 1: Syntaktische Vorverarbeitung
1
Konjunktion der Prämissen und der Negation der Konklusion
2
Variablen-Umbenennung
3
Ersetzung von ϕ → ψ durch ¬ϕ ∨ ψ
4
Gesetze von De Morgan
5
Entfernung doppelter Negation
(∃x(Kauft(tim, x) ∧ Kürbis(x)) ∧
(∀y∀z(¬Kauft(y, z) ∨ ¬Kürbis(z) ∨ Isst(y, z) ∨ Schnitzt(y, z)))
(∀u(¬Kind(u) ∨ ∀w(¬Kürbis(w) ∨ ¬Isst(u, w)))) ∧
(¬¬Kind(tim) ∧ ∀t¬Schnitzt(tim, t))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
∧
Sommersemester 2017
89 / 139
Schritt 1: Syntaktische Vorverarbeitung
1
Konjunktion der Prämissen und der Negation der Konklusion
2
Variablen-Umbenennung
3
Ersetzung von ϕ → ψ durch ¬ϕ ∨ ψ
4
Gesetze von De Morgan
5
Entfernung doppelter Negation
(∃x(Kauft(tim, x) ∧ Kürbis(x)) ∧
(∀y∀z(¬Kauft(y, z) ∨ ¬Kürbis(z) ∨ Isst(y, z) ∨ Schnitzt(y, z)))
(∀u(¬Kind(u) ∨ ∀w(¬Kürbis(w) ∨ ¬Isst(u, w)))) ∧
(Kind(tim) ∧ ∀t¬Schnitzt(tim, t))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
∧
Sommersemester 2017
89 / 139
Schritt 1: Syntaktische Vorverarbeitung
1
Konjunktion der Prämissen und der Negation der Konklusion
2
Variablen-Umbenennung
3
Ersetzung von ϕ → ψ durch ¬ϕ ∨ ψ
4
Gesetze von De Morgan
5
Entfernung doppelter Negation
6
Pränex-Normalform . . .
(∃x(Kauft(tim, x) ∧ Kürbis(x)) ∧
(∀y∀z(¬Kauft(y, z) ∨ ¬Kürbis(z) ∨ Isst(y, z) ∨ Schnitzt(y, z)))
(∀u(¬Kind(u) ∨ ∀w(¬Kürbis(w) ∨ ¬Isst(u, w)))) ∧
(Kind(tim) ∧ ∀t¬Schnitzt(tim, t))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
∧
Sommersemester 2017
89 / 139
Schritt 2: Skolem-Normalform und KNF
1
Pränex-Normalform
∃x∀y∀z∀u∀w∀t
(Kauft(tim, x) ∧ Kürbis(x) ∧
(¬Kauft(y, z) ∨ ¬Kürbis(z) ∨ Isst(y, z) ∨ Schnitzt(y, z)) ∧
(¬Kind(u) ∨ ¬Kürbis(w) ∨ ¬Isst(u, w)) ∧
Kind(tim) ∧ ¬Schnitzt(tim, t))
¬Schnitzt(tim, t)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
90 / 139
Schritt 2: Skolem-Normalform und KNF
1
Pränex-Normalform
2
Skolem-Normalform
∃x∀y∀z∀u∀w∀t
(Kauft(tim, x) ∧ Kürbis(x) ∧
(¬Kauft(y, z) ∨ ¬Kürbis(z) ∨ Isst(y, z) ∨ Schnitzt(y, z)) ∧
(¬Kind(u) ∨ ¬Kürbis(w) ∨ ¬Isst(u, w)) ∧
Kind(tim) ∧ ¬Schnitzt(tim, t))
¬Schnitzt(tim, t)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
90 / 139
Schritt 2: Skolem-Normalform und KNF
1
Pränex-Normalform
2
Skolem-Normalform
∀y∀z∀u∀w∀t
(Kauft(tim, k) ∧ Kürbis(k) ∧
(¬Kauft(y, z) ∨ ¬Kürbis(z) ∨ Isst(y, z) ∨ Schnitzt(y, z)) ∧
(¬Kind(u) ∨ ¬Kürbis(w) ∨ ¬Isst(u, w)) ∧
Kind(tim) ∧ ¬Schnitzt(tim, t))
¬Schnitzt(tim, t)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
90 / 139
Schritt 2: Skolem-Normalform und KNF
1
Pränex-Normalform
2
Skolem-Normalform
3
Entfernung der Allquantoren
∀y∀z∀u∀w∀t
(Kauft(tim, k) ∧ Kürbis(k) ∧
(¬Kauft(y, z) ∨ ¬Kürbis(z) ∨ Isst(y, z) ∨ Schnitzt(y, z)) ∧
(¬Kind(u) ∨ ¬Kürbis(w) ∨ ¬Isst(u, w)) ∧
Kind(tim) ∧ ¬Schnitzt(tim, t))
¬Schnitzt(tim, t)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
90 / 139
Schritt 2: Skolem-Normalform und KNF
1
Pränex-Normalform
2
Skolem-Normalform
3
Entfernung der Allquantoren
Kauft(tim, k) ∧ Kürbis(k) ∧
(¬Kauft(y, z) ∨ ¬Kürbis(z) ∨ Isst(y, z) ∨ Schnitzt(y, z)) ∧
(¬Kind(u) ∨ ¬Kürbis(w) ∨ ¬Isst(u, w)) ∧
Kind(tim) ∧ ¬Schnitzt(tim, t)
¬Schnitzt(tim, t)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
90 / 139
Schritt 2: Skolem-Normalform und KNF
1
Pränex-Normalform
2
Skolem-Normalform
3
Entfernung der Allquantoren
4
Konjunktive Normalform
Kauft(tim, k) ∧ Kürbis(k) ∧
(¬Kauft(y, z) ∨ ¬Kürbis(z) ∨ Isst(y, z) ∨ Schnitzt(y, z)) ∧
(¬Kind(u) ∨ ¬Kürbis(w) ∨ ¬Isst(u, w)) ∧
Kind(tim) ∧ ¬Schnitzt(tim, t)
¬Schnitzt(tim, t)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
90 / 139
Schritt 2: Skolem-Normalform und KNF
1
Pränex-Normalform
2
Skolem-Normalform
3
Entfernung der Allquantoren
4
Konjunktive Normalform
Kauft(tim, k) ∧
Kürbis(k) ∧
(¬Kauft(y, z) ∨ ¬Kürbis(z) ∨ Isst(y, z) ∨ Schnitzt(y, z)) ∧
(¬Kind(u) ∨ ¬Kürbis(w) ∨ ¬Isst(u, w)) ∧
Kind(tim) ∧ ¬Schnitzt(tim, t)
¬Schnitzt(tim, t)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
90 / 139
Schritt 2: Skolem-Normalform und KNF
1
Pränex-Normalform
2
Skolem-Normalform
3
Entfernung der Allquantoren
4
Konjunktive Normalform
Kauft(tim, k) ∧
Kürbis(k) ∧
(¬Kauft(y, z) ∨ ¬Kürbis(z) ∨ Isst(y, z) ∨ Schnitzt(y, z)) ∧
(¬Kind(u) ∨ ¬Kürbis(w) ∨ ¬Isst(u, w)) ∧
Kind(tim) ∧
¬Schnitzt(tim, t)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
90 / 139
Schritt 3: Resolution
¬Kind(u), ¬Kürbis(w), ¬Isst(u, w)
Kind(tim)
Kürbis(k)
¬Kauft(y, z), ¬Kürbis(z), Isst(y, z), Schnitzt(y, z)
Kauft(tim, k)
¬Schnitzt(tim, t)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
91 / 139
Schritt 3: Resolution
¬Kind(u), ¬Kürbis(w), ¬Isst(u, w)
Kürbis(k)
Kind(tim)
¬Kürbis(w), ¬Isst(tim, w)
¬Kauft(y, z), ¬Kürbis(z), Isst(y, z), Schnitzt(y, z)
Kauft(tim, k)
¬Schnitzt(tim, t)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
91 / 139
Schritt 3: Resolution
¬Kind(u), ¬Kürbis(w), ¬Isst(u, w)
Kürbis(k)
¬Isst(tim, k)
Kind(tim)
¬Kürbis(w), ¬Isst(tim, w)
¬Kauft(y, z), ¬Kürbis(z), Isst(y, z), Schnitzt(y, z)
Kauft(tim, k)
¬Schnitzt(tim, t)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
91 / 139
Schritt 3: Resolution
¬Kind(u), ¬Kürbis(w), ¬Isst(u, w)
Kind(tim)
¬Kürbis(w), ¬Isst(tim, w)
Kürbis(k)
¬Isst(tim, k)
¬Kauft(y, z), ¬Kürbis(z), Isst(y, z), Schnitzt(y, z)
¬Kauft(tim, k), ¬Kürbis(k), Schnitzt(tim, k)
Kauft(tim, k)
¬Schnitzt(tim, t)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
91 / 139
Schritt 3: Resolution
¬Kind(u), ¬Kürbis(w), ¬Isst(u, w)
Kind(tim)
¬Kürbis(w), ¬Isst(tim, w)
Kürbis(k)
¬Isst(tim, k)
¬Kauft(y, z), ¬Kürbis(z), Isst(y, z), Schnitzt(y, z)
¬Kauft(tim, k), ¬Kürbis(k), Schnitzt(tim, k)
¬Kauft(tim, k), Schnitzt(tim, k)
Kauft(tim, k)
¬Schnitzt(tim, t)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
91 / 139
Schritt 3: Resolution
¬Kind(u), ¬Kürbis(w), ¬Isst(u, w)
Kind(tim)
¬Kürbis(w), ¬Isst(tim, w)
Kürbis(k)
¬Isst(tim, k)
¬Kauft(y, z), ¬Kürbis(z), Isst(y, z), Schnitzt(y, z)
¬Kauft(tim, k), ¬Kürbis(k), Schnitzt(tim, k)
¬Kauft(tim, k), Schnitzt(tim, k)
Kauft(tim, k)
Schnitzt(tim, k)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
¬Schnitzt(tim, t)
Sommersemester 2017
91 / 139
Schritt 3: Resolution
¬Kind(u), ¬Kürbis(w), ¬Isst(u, w)
Kind(tim)
¬Kürbis(w), ¬Isst(tim, w)
Kürbis(k)
¬Isst(tim, k)
¬Kauft(y, z), ¬Kürbis(z), Isst(y, z), Schnitzt(y, z)
¬Kauft(tim, k), ¬Kürbis(k), Schnitzt(tim, k)
¬Kauft(tim, k), Schnitzt(tim, k)
Kauft(tim, k)
¬Schnitzt(tim, t)
Schnitzt(tim, k)
2
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
91 / 139
Übung: Resolution in der Prädikatenlogik
Zeigen Sie mittels Resolution die Folgerung:
1
Jeder Junge und jedes Mädchen ist ein Kind.
2
Jedes Kind erhält ein Auto, eine Puppe oder eine Rute.
3
Kein Junge erhält eine Puppe.
4
Kein braves Kind erhält eine Rute.
5
Kein Kind erhält ein Auto.
6
Konklusion: Kein Junge ist brav.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
92 / 139
Eigenschaften der PL-Resolution
Satz (Korrektheit der PL-Resolution)
K(ϕ) `∗ 2 impliziert Unerfüllbarkeit von ϕ.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
93 / 139
Eigenschaften der PL-Resolution
Satz (Korrektheit der PL-Resolution)
K(ϕ) `∗ 2 impliziert Unerfüllbarkeit von ϕ.
Satz (Widerlegungsvollständigkeit der PL-Resolution)
Wenn ϕ unerfüllbar ist, gilt K(ϕ) `∗ 2.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
93 / 139
Eigenschaften der PL-Resolution
Satz (Korrektheit der PL-Resolution)
K(ϕ) `∗ 2 impliziert Unerfüllbarkeit von ϕ.
Satz (Widerlegungsvollständigkeit der PL-Resolution)
Wenn ϕ unerfüllbar ist, gilt K(ϕ) `∗ 2.
Terminierung?
Terminiert der Resolutionsalgorithmus für jede Eingabe?
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
93 / 139
PL-Resolution und Terminierung
Beispiel
P(x), ¬Q(f (x))
Jan Hladik (DHBW Stuttgart)
¬P(f (y)), Q(f (y))
Wissensbasierte Systeme – Logik –
Sommersemester 2017
94 / 139
PL-Resolution und Terminierung
Beispiel
P(x), ¬Q(f (x))
[x/f(y)]
¬P(f (y)), Q(f (y))
¬Q(f (f (y))), Q(f (y))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
94 / 139
PL-Resolution und Terminierung
Beispiel
P(x), ¬Q(f (x))
[x/f(y)]
¬P(f (y)), Q(f (y))
¬Q(f (f (y))), Q(f (y))
[y/x]
P(x), ¬Q(f (f (x)))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
94 / 139
PL-Resolution und Terminierung
Beispiel
P(x), ¬Q(f (x))
¬P(f (y)), Q(f (y))
[x/f(y)]
¬Q(f (f (y))), Q(f (y))
[y/x]
P(x), ¬Q(f (f (x)))
[x/f(y)]
¬Q(f (f (f (y)))), Q(f (y))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
94 / 139
PL-Resolution und Terminierung
Beispiel
P(x), ¬Q(f (x))
¬P(f (y)), Q(f (y))
[x/f(y)]
¬Q(f (f (y))), Q(f (y))
[y/x]
P(x), ¬Q(f (f (x)))
[y/x]
[x/f(y)]
¬Q(f (f (f (y)))), Q(f (y))
P(x), ¬Q(f (f (f (x))))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
94 / 139
PL-Resolution und Terminierung
Beispiel
P(x), ¬Q(f (x))
¬P(f (y)), Q(f (y))
[x/f(y)]
¬Q(f (f (y))), Q(f (y))
[y/x]
P(x), ¬Q(f (f (x)))
[y/x]
[x/f(y)]
¬Q(f (f (f (y)))), Q(f (y))
P(x), ¬Q(f (f (f (x))))
..
.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
94 / 139
PL-Resolution und Terminierung
Beispiel
P(x), ¬Q(f (x))
¬P(f (y)), Q(f (y))
[x/f(y)]
¬Q(f (f (y))), Q(f (y))
[y/x]
P(x), ¬Q(f (f (x)))
[y/x]
[x/f(y)]
¬Q(f (f (f (y)))), Q(f (y))
P(x), ¬Q(f (f (f (x))))
..
.
PL-Erfüllbarkeit unentscheidbar ; Terminierung nicht erreichbar.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
94 / 139
Inhalt
1
Einführung
2
Aussagenlogik
3
Prädikatenlogik
Syntax
Semantik
Schlussfolgerungsverfahren
Resolution
Tableaus
4
Beschreibungslogiken
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
95 / 139
Tableau-Algorithmus für PL
Gleiches Grundprinzip
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
96 / 139
Tableau-Algorithmus für PL
Gleiches Grundprinzip
Regeln
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
96 / 139
Tableau-Algorithmus für PL
Gleiches Grundprinzip
Regeln
Clashes
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
96 / 139
Tableau-Algorithmus für PL
Gleiches Grundprinzip
Regeln
Clashes
Vorverarbeitung: NNF
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
96 / 139
Tableau-Algorithmus für PL
Gleiches Grundprinzip
Regeln
Clashes
Vorverarbeitung: NNF
Negation nur vor Atomen
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
96 / 139
Tableau-Algorithmus für PL
Gleiches Grundprinzip
Regeln
Clashes
Vorverarbeitung: NNF
Negation nur vor Atomen
Zusätzliche Regeln für Quantoren
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
96 / 139
Tableau-Algorithmus für PL
Gleiches Grundprinzip
Regeln
Clashes
Vorverarbeitung: NNF
Negation nur vor Atomen
Zusätzliche Regeln für Quantoren
∀-Regel
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
96 / 139
Tableau-Algorithmus für PL
Gleiches Grundprinzip
Regeln
Clashes
Vorverarbeitung: NNF
Negation nur vor Atomen
Zusätzliche Regeln für Quantoren
∀-Regel
∃-Regel
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
96 / 139
Tableau-Algorithmus für PL
Gleiches Grundprinzip
Regeln
Clashes
Vorverarbeitung: NNF
Negation nur vor Atomen
Zusätzliche Regeln für Quantoren
∀-Regel
∃-Regel
Definition von Clash auf PL-Formeln erweitert
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
96 / 139
Zusätzliche Regeln für PL
∃ Wenn ∃xϕ(x) ∈ S gilt
und kein Grundterm t existiert mit ϕ(t) ∈ S
dann S := S ∪ ϕ(c) für ein neues Konstantensymbol c
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
97 / 139
Zusätzliche Regeln für PL
∃ Wenn ∃xϕ(x) ∈ S gilt
und kein Grundterm t existiert mit ϕ(t) ∈ S
dann S := S ∪ ϕ(c) für ein neues Konstantensymbol c
eliminiere ∃ durch Skolemisierung
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
97 / 139
Zusätzliche Regeln für PL
∃ Wenn ∃xϕ(x) ∈ S gilt
und kein Grundterm t existiert mit ϕ(t) ∈ S
dann S := S ∪ ϕ(c) für ein neues Konstantensymbol c
eliminiere ∃ durch Skolemisierung
Konstanten können immer verwendet werden
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
97 / 139
Zusätzliche Regeln für PL
∃ Wenn ∃xϕ(x) ∈ S gilt
und kein Grundterm t existiert mit ϕ(t) ∈ S
dann S := S ∪ ϕ(c) für ein neues Konstantensymbol c
eliminiere ∃ durch Skolemisierung
Konstanten können immer verwendet werden
∀-werden vorher durch ∀-Regel bearbeitet
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
97 / 139
Zusätzliche Regeln für PL
∃ Wenn ∃xϕ(x) ∈ S gilt
und kein Grundterm t existiert mit ϕ(t) ∈ S
dann S := S ∪ ϕ(c) für ein neues Konstantensymbol c
eliminiere ∃ durch Skolemisierung
Konstanten können immer verwendet werden
∀-werden vorher durch ∀-Regel bearbeitet
keine komplexen Skolem-Funktionen nötig
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
97 / 139
Zusätzliche Regeln für PL
∃ Wenn ∃xϕ(x) ∈ S gilt
und kein Grundterm t existiert mit ϕ(t) ∈ S
dann S := S ∪ ϕ(c) für ein neues Konstantensymbol c
eliminiere ∃ durch Skolemisierung
Konstanten können immer verwendet werden
∀-werden vorher durch ∀-Regel bearbeitet
keine komplexen Skolem-Funktionen nötig
∀ Wenn ∀xϕ(x) ∈ S gilt
und t ein beliebiger Grundterm ist
dann S := S ∪ ϕ(t)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
97 / 139
Zusätzliche Regeln für PL
∃ Wenn ∃xϕ(x) ∈ S gilt
und kein Grundterm t existiert mit ϕ(t) ∈ S
dann S := S ∪ ϕ(c) für ein neues Konstantensymbol c
eliminiere ∃ durch Skolemisierung
Konstanten können immer verwendet werden
∀-werden vorher durch ∀-Regel bearbeitet
keine komplexen Skolem-Funktionen nötig
∀ Wenn ∀xϕ(x) ∈ S gilt
und t ein beliebiger Grundterm ist
dann S := S ∪ ϕ(t)
t kann auch neues Konstantensymbol sein
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
97 / 139
Zusätzliche Regeln für PL
∃ Wenn ∃xϕ(x) ∈ S gilt
und kein Grundterm t existiert mit ϕ(t) ∈ S
dann S := S ∪ ϕ(c) für ein neues Konstantensymbol c
eliminiere ∃ durch Skolemisierung
Konstanten können immer verwendet werden
∀-werden vorher durch ∀-Regel bearbeitet
keine komplexen Skolem-Funktionen nötig
∀ Wenn ∀xϕ(x) ∈ S gilt
und t ein beliebiger Grundterm ist
dann S := S ∪ ϕ(t)
t kann auch neues Konstantensymbol sein
anwendbar auf unendliche Menge von Termen
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
97 / 139
Zusätzliche Regeln für PL
∃ Wenn ∃xϕ(x) ∈ S gilt
und kein Grundterm t existiert mit ϕ(t) ∈ S
dann S := S ∪ ϕ(c) für ein neues Konstantensymbol c
eliminiere ∃ durch Skolemisierung
Konstanten können immer verwendet werden
∀-werden vorher durch ∀-Regel bearbeitet
keine komplexen Skolem-Funktionen nötig
∀ Wenn ∀xϕ(x) ∈ S gilt
und t ein beliebiger Grundterm ist
dann S := S ∪ ϕ(t)
t kann auch neues Konstantensymbol sein
anwendbar auf unendliche Menge von Termen
Keine Anwendbarkeitsbedingung ; immer anwendbar!
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
97 / 139
Zusätzliche Regeln für PL
∃ Wenn ∃xϕ(x) ∈ S gilt
und kein Grundterm t existiert mit ϕ(t) ∈ S
dann S := S ∪ ϕ(c) für ein neues Konstantensymbol c
eliminiere ∃ durch Skolemisierung
Konstanten können immer verwendet werden
∀-werden vorher durch ∀-Regel bearbeitet
keine komplexen Skolem-Funktionen nötig
∀ Wenn ∀xϕ(x) ∈ S gilt
und t ein beliebiger Grundterm ist
dann S := S ∪ ϕ(t)
t kann auch neues Konstantensymbol sein
anwendbar auf unendliche Menge von Termen
Keine Anwendbarkeitsbedingung ; immer anwendbar!
Terminierung ist nicht garantiert
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
97 / 139
Beispiel: Halloween-Tableau
ϕ
=
∃x(Kauft(tim, x) ∧ Kürbis(x))
∧
∀x∀y(¬Kauft(x, y) ∨ ¬Kürbis(y) ∨ Isst(x, y) ∨ Schnitzt(x, y))
∀x(¬Kind(x) ∨ ∀y(¬Kürbis(y) ∨ ¬Isst(x, y)))
∧
∧
Kind(tim) ∧ ∀x¬Schnitzt(tim, x)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
98 / 139
Beispiel: Halloween-Tableau
ϕ
=
∃x(Kauft(tim, x) ∧ Kürbis(x))
∧
∀x∀y(¬Kauft(x, y) ∨ ¬Kürbis(y) ∨ Isst(x, y) ∨ Schnitzt(x, y))
∀x(¬Kind(x) ∨ ∀y(¬Kürbis(y) ∨ ¬Isst(x, y)))
∧
∧
Kind(tim) ∧ ∀x¬Schnitzt(tim, x)
1
Jan Hladik (DHBW Stuttgart)
ϕ
Wissensbasierte Systeme – Logik –
Sommersemester 2017
98 / 139
Beispiel: Halloween-Tableau
ϕ
=
∃x(Kauft(tim, x) ∧ Kürbis(x))
∧
∀x∀y(¬Kauft(x, y) ∨ ¬Kürbis(y) ∨ Isst(x, y) ∨ Schnitzt(x, y))
∀x(¬Kind(x) ∨ ∀y(¬Kürbis(y) ∨ ¬Isst(x, y)))
∧
∧
Kind(tim) ∧ ∀x¬Schnitzt(tim, x)
1
2
3
4
5
6
ϕ
∃x(Kauft(tim, x) ∧ Kürbis(x))
∀x∀y(¬Kauft(x, y) ∨ ¬Kürbis(y) ∨ Isst(x, y) ∨ Schnitzt(x, y))
∀x(¬Kind(x) ∨ ∀y(¬Kürbis(y) ∨ ¬Isst(x, y)))
Kind(tim)
∀x¬Schnitzt(tim, x))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
1: ∧
Sommersemester 2017
98 / 139
Beispiel: Halloween-Tableau
ϕ
=
∃x(Kauft(tim, x) ∧ Kürbis(x))
∧
∀x∀y(¬Kauft(x, y) ∨ ¬Kürbis(y) ∨ Isst(x, y) ∨ Schnitzt(x, y))
∀x(¬Kind(x) ∨ ∀y(¬Kürbis(y) ∨ ¬Isst(x, y)))
∧
∧
Kind(tim) ∧ ∀x¬Schnitzt(tim, x)
1
2
3
4
5
6
7
ϕ
∃x(Kauft(tim, x) ∧ Kürbis(x))
∀x∀y(¬Kauft(x, y) ∨ ¬Kürbis(y) ∨ Isst(x, y) ∨ Schnitzt(x, y))
∀x(¬Kind(x) ∨ ∀y(¬Kürbis(y) ∨ ¬Isst(x, y)))
Kind(tim)
∀x¬Schnitzt(tim, x))
Kauft(tim, k) ∧ Kürbis(k)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
1: ∧
2: ∃(x/k)
Sommersemester 2017
98 / 139
Beispiel: Halloween-Tableau
ϕ
=
∃x(Kauft(tim, x) ∧ Kürbis(x))
∧
∀x∀y(¬Kauft(x, y) ∨ ¬Kürbis(y) ∨ Isst(x, y) ∨ Schnitzt(x, y))
∀x(¬Kind(x) ∨ ∀y(¬Kürbis(y) ∨ ¬Isst(x, y)))
∧
∧
Kind(tim) ∧ ∀x¬Schnitzt(tim, x)
1
2
3
4
5
6
7
8
9
ϕ
∃x(Kauft(tim, x) ∧ Kürbis(x))
∀x∀y(¬Kauft(x, y) ∨ ¬Kürbis(y) ∨ Isst(x, y) ∨ Schnitzt(x, y))
∀x(¬Kind(x) ∨ ∀y(¬Kürbis(y) ∨ ¬Isst(x, y)))
Kind(tim)
∀x¬Schnitzt(tim, x))
Kauft(tim, k) ∧ Kürbis(k)
Kauft(tim, k)
Kürbis(k)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
1: ∧
2: ∃(x/k)
7: ∧
Sommersemester 2017
98 / 139
Beispiel: Halloween-Tableau
ϕ
=
∃x(Kauft(tim, x) ∧ Kürbis(x))
∧
∀x∀y(¬Kauft(x, y) ∨ ¬Kürbis(y) ∨ Isst(x, y) ∨ Schnitzt(x, y))
∀x(¬Kind(x) ∨ ∀y(¬Kürbis(y) ∨ ¬Isst(x, y)))
∧
∧
Kind(tim) ∧ ∀x¬Schnitzt(tim, x)
1
2
3
4
5
6
7
8
9
10
ϕ
∃x(Kauft(tim, x) ∧ Kürbis(x))
∀x∀y(¬Kauft(x, y) ∨ ¬Kürbis(y) ∨ Isst(x, y) ∨ Schnitzt(x, y))
∀x(¬Kind(x) ∨ ∀y(¬Kürbis(y) ∨ ¬Isst(x, y)))
Kind(tim)
∀x¬Schnitzt(tim, x))
Kauft(tim, k) ∧ Kürbis(k)
Kauft(tim, k)
Kürbis(k)
¬Schnitzt(tim, k)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
1: ∧
2: ∃(x/k)
7: ∧
6: ∀(x/k)
Sommersemester 2017
98 / 139
Beispiel: Halloween-Tableau
ϕ
=
∃x(Kauft(tim, x) ∧ Kürbis(x))
∧
∀x∀y(¬Kauft(x, y) ∨ ¬Kürbis(y) ∨ Isst(x, y) ∨ Schnitzt(x, y))
∀x(¬Kind(x) ∨ ∀y(¬Kürbis(y) ∨ ¬Isst(x, y)))
∧
∧
Kind(tim) ∧ ∀x¬Schnitzt(tim, x)
1
2
3
4
5
6
7
8
9
10
11
ϕ
∃x(Kauft(tim, x) ∧ Kürbis(x))
∀x∀y(¬Kauft(x, y) ∨ ¬Kürbis(y) ∨ Isst(x, y) ∨ Schnitzt(x, y))
∀x(¬Kind(x) ∨ ∀y(¬Kürbis(y) ∨ ¬Isst(x, y)))
Kind(tim)
∀x¬Schnitzt(tim, x))
Kauft(tim, k) ∧ Kürbis(k)
Kauft(tim, k)
Kürbis(k)
¬Schnitzt(tim, k)
¬Kauft(tim, k) ∨ ¬Kürbis(k) ∨ Isst(tim, k) ∨ Schnitzt(tim, k)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
1: ∧
2: ∃(x/k)
7: ∧
6: ∀(x/k)
3: ∀(x/tim, y/k)
Sommersemester 2017
98 / 139
Beispiel: Halloween-Tableau
ϕ
=
∃x(Kauft(tim, x) ∧ Kürbis(x))
∧
∀x∀y(¬Kauft(x, y) ∨ ¬Kürbis(y) ∨ Isst(x, y) ∨ Schnitzt(x, y))
∀x(¬Kind(x) ∨ ∀y(¬Kürbis(y) ∨ ¬Isst(x, y)))
∧
∧
Kind(tim) ∧ ∀x¬Schnitzt(tim, x)
1
2
3
4
5
6
7
8
9
10
11
12
ϕ
∃x(Kauft(tim, x) ∧ Kürbis(x))
∀x∀y(¬Kauft(x, y) ∨ ¬Kürbis(y) ∨ Isst(x, y) ∨ Schnitzt(x, y))
∀x(¬Kind(x) ∨ ∀y(¬Kürbis(y) ∨ ¬Isst(x, y)))
Kind(tim)
∀x¬Schnitzt(tim, x))
Kauft(tim, k) ∧ Kürbis(k)
Kauft(tim, k)
Kürbis(k)
¬Schnitzt(tim, k)
¬Kauft(tim, k) ∨ ¬Kürbis(k) ∨ Isst(tim, k) ∨ Schnitzt(tim, k)
¬Kind(tim) ∨ ∀y(¬Kürbis(y) ∨ ¬Isst(tim, y))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
1: ∧
2: ∃(x/k)
7: ∧
6: ∀(x/k)
3: ∀(x/tim, y/k)
4: ∀(x/tim)
Sommersemester 2017
98 / 139
Beispiel: Halloween-Tableau (Fortsetzung)
5
8
9
10
Jan Hladik (DHBW Stuttgart)
Kind(tim)
Kauft(tim, k)
Kürbis(k)
¬Schnitzt(tim, k)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
99 / 139
Beispiel: Halloween-Tableau (Fortsetzung)
5
8
9
10
11
12
Kind(tim)
Kauft(tim, k)
Kürbis(k)
¬Schnitzt(tim, k)
¬Kauft(tim, k) ∨ ¬Kürbis(k) ∨ Isst(tim, k) ∨ Schnitzt(tim, k)
¬Kind(tim) ∨ ∀y(¬Kürbis(y) ∨ ¬Isst(tim, y))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
99 / 139
Beispiel: Halloween-Tableau (Fortsetzung)
5
8
9
10
11
12
13
¬Kind(tim)
Kind(tim)
Kauft(tim, k)
Kürbis(k)
¬Schnitzt(tim, k)
¬Kauft(tim, k) ∨ ¬Kürbis(k) ∨ Isst(tim, k) ∨ Schnitzt(tim, k)
¬Kind(tim) ∨ ∀y(¬Kürbis(y) ∨ ¬Isst(tim, y))
∀y(¬Kürbis(y) ∨ ¬Isst(tim, y))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
12: ∨
Sommersemester 2017
99 / 139
Beispiel: Halloween-Tableau (Fortsetzung)
5
8
9
10
11
12
13
14
¬Kind(tim)
5
Kind(tim)
Kauft(tim, k)
Kürbis(k)
¬Schnitzt(tim, k)
¬Kauft(tim, k) ∨ ¬Kürbis(k) ∨ Isst(tim, k) ∨ Schnitzt(tim, k)
¬Kind(tim) ∨ ∀y(¬Kürbis(y) ∨ ¬Isst(tim, y))
∀y(¬Kürbis(y) ∨ ¬Isst(tim, y))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
12: ∨
Sommersemester 2017
99 / 139
Beispiel: Halloween-Tableau (Fortsetzung)
5
8
9
10
11
12
13
14
¬Kind(tim)
5
Kind(tim)
Kauft(tim, k)
Kürbis(k)
¬Schnitzt(tim, k)
¬Kauft(tim, k) ∨ ¬Kürbis(k) ∨ Isst(tim, k) ∨ Schnitzt(tim, k)
¬Kind(tim) ∨ ∀y(¬Kürbis(y) ∨ ¬Isst(tim, y))
∀y(¬Kürbis(y) ∨ ¬Isst(tim, y))
¬Kürbis(k) ∨ ¬Isst(tim, k)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
12: ∨
13: ∀(y/k)
Sommersemester 2017
99 / 139
Beispiel: Halloween-Tableau (Fortsetzung)
5
8
9
10
11
12
13
14
15
¬Kind(tim)
5
Kind(tim)
Kauft(tim, k)
Kürbis(k)
¬Schnitzt(tim, k)
¬Kauft(tim, k) ∨ ¬Kürbis(k) ∨ Isst(tim, k) ∨ Schnitzt(tim, k)
¬Kind(tim) ∨ ∀y(¬Kürbis(y) ∨ ¬Isst(tim, y))
∀y(¬Kürbis(y) ∨ ¬Isst(tim, y))
¬Kürbis(k) ∨ ¬Isst(tim, k)
¬Kürbis(k)
¬Isst(tim, k)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
12: ∨
13: ∀(y/k)
14: ∨
Sommersemester 2017
99 / 139
Beispiel: Halloween-Tableau (Fortsetzung)
5
8
9
10
11
12
13
14
15
16
¬Kind(tim)
5
Kind(tim)
Kauft(tim, k)
Kürbis(k)
¬Schnitzt(tim, k)
¬Kauft(tim, k) ∨ ¬Kürbis(k) ∨ Isst(tim, k) ∨ Schnitzt(tim, k)
¬Kind(tim) ∨ ∀y(¬Kürbis(y) ∨ ¬Isst(tim, y))
∀y(¬Kürbis(y) ∨ ¬Isst(tim, y))
¬Kürbis(k) ∨ ¬Isst(tim, k)
¬Kürbis(k)
¬Isst(tim, k)
9
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
12: ∨
13: ∀(y/k)
14: ∨
Sommersemester 2017
99 / 139
Beispiel: Halloween-Tableau (Fortsetzung)
5
8
9
10
11
12
13
14
15
16
¬Kind(tim)
5
Kind(tim)
Kauft(tim, k)
Kürbis(k)
¬Schnitzt(tim, k)
¬Kauft(tim, k) ∨ ¬Kürbis(k) ∨ Isst(tim, k) ∨ Schnitzt(tim, k)
¬Kind(tim) ∨ ∀y(¬Kürbis(y) ∨ ¬Isst(tim, y))
∀y(¬Kürbis(y) ∨ ¬Isst(tim, y))
¬Kürbis(k) ∨ ¬Isst(tim, k)
¬Kürbis(k)
¬Isst(tim, k)
9
¬Kauft(tim, k)
¬Kürbis(k)
Isst(tim, k)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Schnitzt(tim, k)
Sommersemester 2017
12:
13:
14:
11:
∨
∀(y/k)
∨
∨
99 / 139
Beispiel: Halloween-Tableau (Fortsetzung)
5
8
9
10
11
12
13
14
15
16
¬Kind(tim)
5
Kind(tim)
Kauft(tim, k)
Kürbis(k)
¬Schnitzt(tim, k)
¬Kauft(tim, k) ∨ ¬Kürbis(k) ∨ Isst(tim, k) ∨ Schnitzt(tim, k)
¬Kind(tim) ∨ ∀y(¬Kürbis(y) ∨ ¬Isst(tim, y))
∀y(¬Kürbis(y) ∨ ¬Isst(tim, y))
¬Kürbis(k) ∨ ¬Isst(tim, k)
¬Kürbis(k)
¬Isst(tim, k)
9
¬Kauft(tim, k)
¬Kürbis(k)
Isst(tim, k)
8
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Schnitzt(tim, k)
Sommersemester 2017
12:
13:
14:
11:
∨
∀(y/k)
∨
∨
99 / 139
Beispiel: Halloween-Tableau (Fortsetzung)
5
8
9
10
11
12
13
14
15
16
¬Kind(tim)
5
Kind(tim)
Kauft(tim, k)
Kürbis(k)
¬Schnitzt(tim, k)
¬Kauft(tim, k) ∨ ¬Kürbis(k) ∨ Isst(tim, k) ∨ Schnitzt(tim, k)
¬Kind(tim) ∨ ∀y(¬Kürbis(y) ∨ ¬Isst(tim, y))
∀y(¬Kürbis(y) ∨ ¬Isst(tim, y))
¬Kürbis(k) ∨ ¬Isst(tim, k)
¬Kürbis(k)
¬Isst(tim, k)
9
¬Kauft(tim, k)
¬Kürbis(k)
Isst(tim, k)
8
9
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Schnitzt(tim, k)
Sommersemester 2017
12:
13:
14:
11:
∨
∀(y/k)
∨
∨
99 / 139
Beispiel: Halloween-Tableau (Fortsetzung)
5
8
9
10
11
12
13
14
15
16
¬Kind(tim)
5
Kind(tim)
Kauft(tim, k)
Kürbis(k)
¬Schnitzt(tim, k)
¬Kauft(tim, k) ∨ ¬Kürbis(k) ∨ Isst(tim, k) ∨ Schnitzt(tim, k)
¬Kind(tim) ∨ ∀y(¬Kürbis(y) ∨ ¬Isst(tim, y))
∀y(¬Kürbis(y) ∨ ¬Isst(tim, y))
¬Kürbis(k) ∨ ¬Isst(tim, k)
¬Kürbis(k)
¬Isst(tim, k)
9
¬Kauft(tim, k)
¬Kürbis(k)
Isst(tim, k)
8
9
15
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Schnitzt(tim, k)
Sommersemester 2017
12:
13:
14:
11:
∨
∀(y/k)
∨
∨
99 / 139
Beispiel: Halloween-Tableau (Fortsetzung)
5
8
9
10
11
12
13
14
15
16
¬Kind(tim)
5
Kind(tim)
Kauft(tim, k)
Kürbis(k)
¬Schnitzt(tim, k)
¬Kauft(tim, k) ∨ ¬Kürbis(k) ∨ Isst(tim, k) ∨ Schnitzt(tim, k)
¬Kind(tim) ∨ ∀y(¬Kürbis(y) ∨ ¬Isst(tim, y))
∀y(¬Kürbis(y) ∨ ¬Isst(tim, y))
¬Kürbis(k) ∨ ¬Isst(tim, k)
¬Kürbis(k)
¬Isst(tim, k)
9
¬Kauft(tim, k)
¬Kürbis(k)
Isst(tim, k)
8
9
15
Schnitzt(tim, k)
10
12:
13:
14:
11:
∨
∀(y/k)
∨
∨
Jede Spalte enthält einen Clash
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
99 / 139
Beispiel: Halloween-Tableau (Fortsetzung)
5
8
9
10
11
12
13
14
15
16
¬Kind(tim)
5
Kind(tim)
Kauft(tim, k)
Kürbis(k)
¬Schnitzt(tim, k)
¬Kauft(tim, k) ∨ ¬Kürbis(k) ∨ Isst(tim, k) ∨ Schnitzt(tim, k)
¬Kind(tim) ∨ ∀y(¬Kürbis(y) ∨ ¬Isst(tim, y))
∀y(¬Kürbis(y) ∨ ¬Isst(tim, y))
¬Kürbis(k) ∨ ¬Isst(tim, k)
¬Kürbis(k)
¬Isst(tim, k)
9
¬Kauft(tim, k)
¬Kürbis(k)
Isst(tim, k)
8
9
15
Schnitzt(tim, k)
10
12:
13:
14:
11:
∨
∀(y/k)
∨
∨
Jede Spalte enthält einen Clash
ϕ ist unerfüllbar
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
99 / 139
Beispiel: Halloween-Tableau (Fortsetzung)
5
8
9
10
11
12
13
14
15
16
¬Kind(tim)
5
Kind(tim)
Kauft(tim, k)
Kürbis(k)
¬Schnitzt(tim, k)
¬Kauft(tim, k) ∨ ¬Kürbis(k) ∨ Isst(tim, k) ∨ Schnitzt(tim, k)
¬Kind(tim) ∨ ∀y(¬Kürbis(y) ∨ ¬Isst(tim, y))
∀y(¬Kürbis(y) ∨ ¬Isst(tim, y))
¬Kürbis(k) ∨ ¬Isst(tim, k)
¬Kürbis(k)
¬Isst(tim, k)
9
¬Kauft(tim, k)
¬Kürbis(k)
Isst(tim, k)
8
9
15
Schnitzt(tim, k)
10
12:
13:
14:
11:
∨
∀(y/k)
∨
∨
Jede Spalte enthält einen Clash
ϕ ist unerfüllbar
Prämissen implizieren Konklusion
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
99 / 139
Übung: Tableau in der Prädikatenlogik
Verwenden Sie ein Tableau, um zu zeigen, dass kein Junge brav ist.
ϕ = ∀x(¬J (x) ∧ ¬M (x) ∨ K (x))
∧
∀x(¬K (x) ∨ ∃y(E(x, y) ∧ (A(y) ∨ P(y) ∨ R(y))))
∀x(¬J (x) ∨ ∀y(¬E(x, y) ∨ ¬P(y)))
∧
∧
∀x(¬K (x) ∨ ¬B(x) ∨ ∀y(¬E(x, y) ∨ ¬R(y)))
∧
∀x(¬J (x) ∨ ∀y(¬E(x, y) ∨ ¬A(y))) ∧ ∃z(J (z) ∧ B(z))
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
100 / 139
Zusammenfassung: Prädikatenlogik
Syntax Variablen, Prädikate, Funktionssymbole, Quantoren
Terme, Atome, komplexe Formeln
Modellierung der inneren Struktur von Aussagen
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
101 / 139
Zusammenfassung: Prädikatenlogik
Syntax Variablen, Prädikate, Funktionssymbole, Quantoren
Terme, Atome, komplexe Formeln
Modellierung der inneren Struktur von Aussagen
Interpretation Domäne, Funktionen, Relationen
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
101 / 139
Zusammenfassung: Prädikatenlogik
Syntax Variablen, Prädikate, Funktionssymbole, Quantoren
Terme, Atome, komplexe Formeln
Modellierung der inneren Struktur von Aussagen
Interpretation Domäne, Funktionen, Relationen
Schlussfolgerung korrekt, vollständig
nicht terminierend ; unentscheidbar
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
101 / 139
Zusammenfassung: Prädikatenlogik
Syntax Variablen, Prädikate, Funktionssymbole, Quantoren
Terme, Atome, komplexe Formeln
Modellierung der inneren Struktur von Aussagen
Interpretation Domäne, Funktionen, Relationen
Schlussfolgerung korrekt, vollständig
nicht terminierend ; unentscheidbar
Resolution PNF, SNF, Unifikation
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
101 / 139
Zusammenfassung: Prädikatenlogik
Syntax Variablen, Prädikate, Funktionssymbole, Quantoren
Terme, Atome, komplexe Formeln
Modellierung der inneren Struktur von Aussagen
Interpretation Domäne, Funktionen, Relationen
Schlussfolgerung korrekt, vollständig
nicht terminierend ; unentscheidbar
Resolution PNF, SNF, Unifikation
Tableau ∃/∀-Regel, Anwendbarkeit
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
101 / 139
Inhalt
1
Einführung
2
Aussagenlogik
3
Prädikatenlogik
4
Beschreibungslogiken
Wissensrepräsentation
Frühe Wissensrepräsentations-Systeme
Eigenschaften von Beschreibungslogiken
Syntax
Semantik
Schlussfolgerungsprobleme
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
102 / 139
Inhalt
1
Einführung
2
Aussagenlogik
3
Prädikatenlogik
4
Beschreibungslogiken
Wissensrepräsentation
Frühe Wissensrepräsentations-Systeme
Eigenschaften von Beschreibungslogiken
Syntax
Semantik
Schlussfolgerungsprobleme
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
103 / 139
Wissensrepräsentations-Systeme
Wissensrepräsentations-Hypothese (Smith, 1982):
1
Wissen ist in einer Form gespeichert, die für
äußeren Beobachter verständlich ist.
2
Gespeichertes Wissen spielt wesentliche kausale
Rolle im Verhalten des Systems.
Brian C. Smith
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
104 / 139
Wissensrepräsentations-Systeme
Wissensrepräsentations-Hypothese (Smith, 1982):
1
Wissen ist in einer Form gespeichert, die für
äußeren Beobachter verständlich ist.
2
Gespeichertes Wissen spielt wesentliche kausale
Rolle im Verhalten des Systems.
Brian C. Smith
ohne 1: Jedes Programm ist WR-System
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
104 / 139
Wissensrepräsentations-Systeme
Wissensrepräsentations-Hypothese (Smith, 1982):
1
Wissen ist in einer Form gespeichert, die für
äußeren Beobachter verständlich ist.
2
Gespeichertes Wissen spielt wesentliche kausale
Rolle im Verhalten des Systems.
Brian C. Smith
ohne 1: Jedes Programm ist WR-System
Wissen zum Erfüllen der Aufgabe implizit enthalten
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
104 / 139
Wissensrepräsentations-Systeme
Wissensrepräsentations-Hypothese (Smith, 1982):
1
Wissen ist in einer Form gespeichert, die für
äußeren Beobachter verständlich ist.
2
Gespeichertes Wissen spielt wesentliche kausale
Rolle im Verhalten des Systems.
Brian C. Smith
ohne 1: Jedes Programm ist WR-System
Wissen zum Erfüllen der Aufgabe implizit enthalten
ohne 2: Gespeichertes Wissen ist nur Dekoration
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
104 / 139
Wissensrepräsentations-Systeme
Wissensrepräsentations-Hypothese (Smith, 1982):
1
Wissen ist in einer Form gespeichert, die für
äußeren Beobachter verständlich ist.
2
Gespeichertes Wissen spielt wesentliche kausale
Rolle im Verhalten des Systems.
Brian C. Smith
ohne 1: Jedes Programm ist WR-System
Wissen zum Erfüllen der Aufgabe implizit enthalten
ohne 2: Gespeichertes Wissen ist nur Dekoration
Mind-Map
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
104 / 139
Wissensrepräsentations-Systeme
Wissensrepräsentations-Hypothese (Smith, 1982):
1
Wissen ist in einer Form gespeichert, die für
äußeren Beobachter verständlich ist.
2
Gespeichertes Wissen spielt wesentliche kausale
Rolle im Verhalten des Systems.
Brian C. Smith
ohne 1: Jedes Programm ist WR-System
Wissen zum Erfüllen der Aufgabe implizit enthalten
ohne 2: Gespeichertes Wissen ist nur Dekoration
Mind-Map
Kommentare
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
104 / 139
WR-Systeme und Datenbanken
Datenbank
1
speichert Informationen in verständlicher Form
2
beantwortet Anfragen abhängig vom Inhalt
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
105 / 139
WR-Systeme und Datenbanken
Datenbank
1
speichert Informationen in verständlicher Form
2
beantwortet Anfragen abhängig vom Inhalt
Zusätzliche Forderung für WRS (Baader, 1999):
3
System macht implizites Wissen explizit.
nicht nur zuvor gespeicherte Fakten
sondern alles, was aus den Axiomen folgt
Logisch: {ϕ | Ax |= ϕ}
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
105 / 139
Komponenten von WR-Systemen
Wissensbank speichert formalisiertes Wissen (knowledge base, KB)
WR-Sprache mit Syntax und Semantik
Inferenzmaschine leitet implizites Wissen ab (inference engine, IE)
Schlussfolgerungsverfahren
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
106 / 139
Komponenten von WR-Systemen
Wissensbank speichert formalisiertes Wissen (knowledge base, KB)
WR-Sprache mit Syntax und Semantik
Inferenzmaschine leitet implizites Wissen ab (inference engine, IE)
Schlussfolgerungsverfahren
Ziele für Wissensrepräsentation:
Ausdrucksstärke ausreichend für Domäne
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
106 / 139
Komponenten von WR-Systemen
Wissensbank speichert formalisiertes Wissen (knowledge base, KB)
WR-Sprache mit Syntax und Semantik
Inferenzmaschine leitet implizites Wissen ab (inference engine, IE)
Schlussfolgerungsverfahren
Ziele für Wissensrepräsentation:
Ausdrucksstärke ausreichend für Domäne
Schlussfolgerungsprobleme (effizient) entscheidbar
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
106 / 139
Komponenten von WR-Systemen
Wissensbank speichert formalisiertes Wissen (knowledge base, KB)
WR-Sprache mit Syntax und Semantik
Inferenzmaschine leitet implizites Wissen ab (inference engine, IE)
Schlussfolgerungsverfahren
Ziele für Wissensrepräsentation:
Ausdrucksstärke ausreichend für Domäne
Schlussfolgerungsprobleme (effizient) entscheidbar
Syntax leicht erlernbar
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
106 / 139
Logik als WR-System
Bisher behandelte Systeme:
Aussagen-/ Prädikatenlogik
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
107 / 139
Logik als WR-System
Bisher behandelte Systeme:
Aussagen-/ Prädikatenlogik
Wissensbank: Formel in Syntax der AL/PL
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
107 / 139
Logik als WR-System
Bisher behandelte Systeme:
Aussagen-/ Prädikatenlogik
Wissensbank: Formel in Syntax der AL/PL
Inferenzmaschine: Erfüllbarkeitstest mit Resolution / Tableau
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
107 / 139
Logik als WR-System
Bisher behandelte Systeme:
Aussagen-/ Prädikatenlogik
Wissensbank: Formel in Syntax der AL/PL
Inferenzmaschine: Erfüllbarkeitstest mit Resolution / Tableau
Prolog
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
107 / 139
Logik als WR-System
Bisher behandelte Systeme:
Aussagen-/ Prädikatenlogik
Wissensbank: Formel in Syntax der AL/PL
Inferenzmaschine: Erfüllbarkeitstest mit Resolution / Tableau
Prolog
Wissensbank: Prolog-KB
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
107 / 139
Logik als WR-System
Bisher behandelte Systeme:
Aussagen-/ Prädikatenlogik
Wissensbank: Formel in Syntax der AL/PL
Inferenzmaschine: Erfüllbarkeitstest mit Resolution / Tableau
Prolog
Wissensbank: Prolog-KB
Inferenzmaschine: Prolog-Interpreter mit Horn-Resolution
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
107 / 139
Logik als WR-System
Bisher behandelte Systeme:
Aussagen-/ Prädikatenlogik
Wissensbank: Formel in Syntax der AL/PL
Inferenzmaschine: Erfüllbarkeitstest mit Resolution / Tableau
Prolog
Wissensbank: Prolog-KB
Inferenzmaschine: Prolog-Interpreter mit Horn-Resolution
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
107 / 139
Logik als WR-System
Bisher behandelte Systeme:
Aussagen-/ Prädikatenlogik
Wissensbank: Formel in Syntax der AL/PL
Inferenzmaschine: Erfüllbarkeitstest mit Resolution / Tableau
Prolog
Wissensbank: Prolog-KB
Inferenzmaschine: Prolog-Interpreter mit Horn-Resolution
Nachteile:
AL kann innere Struktur von Aussagen nicht abbilden
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
107 / 139
Logik als WR-System
Bisher behandelte Systeme:
Aussagen-/ Prädikatenlogik
Wissensbank: Formel in Syntax der AL/PL
Inferenzmaschine: Erfüllbarkeitstest mit Resolution / Tableau
Prolog
Wissensbank: Prolog-KB
Inferenzmaschine: Prolog-Interpreter mit Horn-Resolution
Nachteile:
AL kann innere Struktur von Aussagen nicht abbilden
Erfüllbarkeit für PL/Prolog ist unentscheidbar
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
107 / 139
Logik als WR-System
Bisher behandelte Systeme:
Aussagen-/ Prädikatenlogik
Wissensbank: Formel in Syntax der AL/PL
Inferenzmaschine: Erfüllbarkeitstest mit Resolution / Tableau
Prolog
Wissensbank: Prolog-KB
Inferenzmaschine: Prolog-Interpreter mit Horn-Resolution
Nachteile:
AL kann innere Struktur von Aussagen nicht abbilden
Erfüllbarkeit für PL/Prolog ist unentscheidbar
Syntax ungeeignet für Anwender ohne mathematische Vorkenntnisse
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
107 / 139
Inhalt
1
Einführung
2
Aussagenlogik
3
Prädikatenlogik
4
Beschreibungslogiken
Wissensrepräsentation
Frühe Wissensrepräsentations-Systeme
Eigenschaften von Beschreibungslogiken
Syntax
Semantik
Schlussfolgerungsprobleme
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
108 / 139
Semantische Netze
früher Ansatz zur grafischen Wissensrepräsentation
M. Ross Quillian
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
109 / 139
Semantische Netze
früher Ansatz zur grafischen Wissensrepräsentation
entwickelt 1960 von M. Ross Quillian
M. Ross Quillian
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
109 / 139
Semantische Netze
früher Ansatz zur grafischen Wissensrepräsentation
entwickelt 1960 von M. Ross Quillian
WR-Sprache: beschrifteter Graph
M. Ross Quillian
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
109 / 139
Semantische Netze
früher Ansatz zur grafischen Wissensrepräsentation
entwickelt 1960 von M. Ross Quillian
WR-Sprache: beschrifteter Graph
Knoten: Individuen, Klassen, Eigenschaften
M. Ross Quillian
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
109 / 139
Semantische Netze
früher Ansatz zur grafischen Wissensrepräsentation
entwickelt 1960 von M. Ross Quillian
WR-Sprache: beschrifteter Graph
Knoten: Individuen, Klassen, Eigenschaften
Kanten: is-a, has-prop
M. Ross Quillian
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
109 / 139
Semantische Netze
früher Ansatz zur grafischen Wissensrepräsentation
entwickelt 1960 von M. Ross Quillian
WR-Sprache: beschrifteter Graph
Knoten: Individuen, Klassen, Eigenschaften
Kanten: is-a, has-prop
Schlussfolgerungsverfahren
M. Ross Quillian
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
109 / 139
Semantische Netze
früher Ansatz zur grafischen Wissensrepräsentation
entwickelt 1960 von M. Ross Quillian
WR-Sprache: beschrifteter Graph
Knoten: Individuen, Klassen, Eigenschaften
Kanten: is-a, has-prop
Schlussfolgerungsverfahren
Vererbung entlang is-a-Kanten
M. Ross Quillian
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
109 / 139
Semantische Netze
früher Ansatz zur grafischen Wissensrepräsentation
entwickelt 1960 von M. Ross Quillian
WR-Sprache: beschrifteter Graph
Knoten: Individuen, Klassen, Eigenschaften
Kanten: is-a, has-prop
Schlussfolgerungsverfahren
Vererbung entlang is-a-Kanten
ererbte Eigenschaften sind Default
M. Ross Quillian
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
109 / 139
Semantische Netze
früher Ansatz zur grafischen Wissensrepräsentation
entwickelt 1960 von M. Ross Quillian
WR-Sprache: beschrifteter Graph
Knoten: Individuen, Klassen, Eigenschaften
Kanten: is-a, has-prop
Schlussfolgerungsverfahren
Vererbung entlang is-a-Kanten
ererbte Eigenschaften sind Default
Default kann überschrieben werden
M. Ross Quillian
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
109 / 139
Semantische Netze
früher Ansatz zur grafischen Wissensrepräsentation
entwickelt 1960 von M. Ross Quillian
WR-Sprache: beschrifteter Graph
Knoten: Individuen, Klassen, Eigenschaften
Kanten: is-a, has-prop
Schlussfolgerungsverfahren
Vererbung entlang is-a-Kanten
ererbte Eigenschaften sind Default
Default kann überschrieben werden
Spreading Activation: Pfad zwischen Knoten
interpretiert als Beziehung zwischen Entitäten
(„semantischer Abstand“)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
M. Ross Quillian
Sommersemester 2017
109 / 139
Beispiel: Semantisches Netz
Lebewesen
is-a
is-a
Mensch
Fleisch
hat
isst
Tier
is-a
is-a
Katze
Maus
is-a
is-a
Tom
Jan Hladik (DHBW Stuttgart)
isst
Jerry
Wissensbasierte Systeme – Logik –
Sommersemester 2017
110 / 139
Beispiel: Semantisches Netz
Lebewesen
Schlussfolgerungen
is-a
is-a
Mensch
Fleisch
hat
isst
Tier
is-a
Tom ist ein Tier
is-a
Katze
Maus
is-a
is-a
Tom
Jan Hladik (DHBW Stuttgart)
isst
Jerry
Wissensbasierte Systeme – Logik –
Sommersemester 2017
110 / 139
Beispiel: Semantisches Netz
Lebewesen
Schlussfolgerungen
is-a
is-a
Mensch
Fleisch
hat
isst
Tier
is-a
Tom ist ein Tier
Katze
Maus
is-a
is-a
Tom
Jan Hladik (DHBW Stuttgart)
Tom isst eine Maus
is-a
isst
Jerry
Wissensbasierte Systeme – Logik –
Sommersemester 2017
110 / 139
Beispiel: Semantisches Netz
Lebewesen
Schlussfolgerungen
is-a
is-a
Mensch
Fleisch
hat
isst
Tier
is-a
Tom ist ein Tier
Katze
Maus
is-a
is-a
Tom
Jan Hladik (DHBW Stuttgart)
Tom isst eine Maus
is-a
isst
Katzen und Mäuse haben
gemeinsam, dass sie Tiere sind
Jerry
Wissensbasierte Systeme – Logik –
Sommersemester 2017
110 / 139
Beispiel: Semantisches Netz
Lebewesen
Schlussfolgerungen
is-a
is-a
Mensch
Fleisch
hat
isst
Tier
is-a
Tom ist ein Tier
Katze
Maus
is-a
is-a
Tom
Jan Hladik (DHBW Stuttgart)
Tom isst eine Maus
is-a
isst
Jerry
Katzen und Mäuse haben
gemeinsam, dass sie Tiere sind
Menschen und Mäuse haben
gemeinsam, dass sie Lebewesen sind
Wissensbasierte Systeme – Logik –
Sommersemester 2017
110 / 139
Beispiel: Semantisches Netz
Lebewesen
Schlussfolgerungen
is-a
is-a
Mensch
Fleisch
hat
isst
Tier
is-a
Tom ist ein Tier
Katze
Maus
is-a
is-a
Tom
Jan Hladik (DHBW Stuttgart)
Tom isst eine Maus
is-a
isst
Jerry
Katzen und Mäuse haben
gemeinsam, dass sie Tiere sind
Menschen und Mäuse haben
gemeinsam, dass sie Lebewesen sind
Wissensbasierte Systeme – Logik –
Sommersemester 2017
110 / 139
Beispiel: Semantisches Netz
Lebewesen
Schlussfolgerungen
is-a
is-a
Mensch
Fleisch
hat
isst
Tier
is-a
Tom ist ein Tier
Tom isst eine Maus
is-a
Katze
Maus
is-a
is-a
Tom
isst
Jerry
Katzen und Mäuse haben
gemeinsam, dass sie Tiere sind
Menschen und Mäuse haben
gemeinsam, dass sie Lebewesen sind
Fragen
Ist Jerry Fleisch?
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
110 / 139
Beispiel: Semantisches Netz
Lebewesen
Schlussfolgerungen
is-a
is-a
Mensch
Fleisch
hat
isst
Tier
is-a
Tom ist ein Tier
Tom isst eine Maus
is-a
Katze
Maus
is-a
is-a
Tom
isst
Jerry
Katzen und Mäuse haben
gemeinsam, dass sie Tiere sind
Menschen und Mäuse haben
gemeinsam, dass sie Lebewesen sind
Fragen
Ist Jerry Fleisch?
Hat jeder Mensch eine Katze?
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
110 / 139
Beispiel: Semantisches Netz
Lebewesen
Schlussfolgerungen
is-a
is-a
Mensch
Fleisch
hat
isst
Tier
is-a
Tom ist ein Tier
Tom isst eine Maus
is-a
Katze
Maus
is-a
is-a
Tom
isst
Jerry
Katzen und Mäuse haben
gemeinsam, dass sie Tiere sind
Menschen und Mäuse haben
gemeinsam, dass sie Lebewesen sind
Fragen
Ist Jerry Fleisch?
Hat jeder Mensch eine Katze?
Gehört jede Katze einem Menschen?
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
110 / 139
Beispiel: Semantisches Netz
Lebewesen
Schlussfolgerungen
is-a
is-a
Mensch
Fleisch
hat
isst
Tier
is-a
Tom ist ein Tier
Tom isst eine Maus
is-a
Katze
Maus
is-a
is-a
Tom
isst
Jerry
Katzen und Mäuse haben
gemeinsam, dass sie Tiere sind
Menschen und Mäuse haben
gemeinsam, dass sie Lebewesen sind
Fragen
Ist Jerry Fleisch?
Hat jeder Mensch eine Katze?
Gehört jede Katze einem Menschen?
Essen Katzen nur Fleisch, auch Fleisch, normalerweise Fleisch?
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
110 / 139
Beispiel: Semantisches Netz
Lebewesen
Schlussfolgerungen
is-a
is-a
Mensch
Fleisch
hat
isst
Tier
is-a
Tom ist ein Tier
Tom isst eine Maus
is-a
Katze
Maus
is-a
is-a
Tom
isst
Jerry
Katzen und Mäuse haben
gemeinsam, dass sie Tiere sind
Menschen und Mäuse haben
gemeinsam, dass sie Lebewesen sind
Fragen
Ist Jerry Fleisch?
Hat jeder Mensch eine Katze?
Gehört jede Katze einem Menschen?
Essen Katzen nur Fleisch, auch Fleisch, normalerweise Fleisch?
Was bedeutet „is-a“?
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
110 / 139
Probleme Semantischer Netze
Mehrdeutigkeit von is-a
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
111 / 139
Probleme Semantischer Netze
Mehrdeutigkeit von is-a
Individuum → Klasse: Element
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
111 / 139
Probleme Semantischer Netze
Mehrdeutigkeit von is-a
Individuum → Klasse: Element
Klasse → Klasse: Teilmenge
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
111 / 139
Probleme Semantischer Netze
Mehrdeutigkeit von is-a
Individuum → Klasse: Element
Klasse → Klasse: Teilmenge
Vererbung als Default
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
111 / 139
Probleme Semantischer Netze
Mehrdeutigkeit von is-a
Individuum → Klasse: Element
Klasse → Klasse: Teilmenge
Vererbung als Default
Jede Eigenschaft kann überschrieben werden
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
111 / 139
Probleme Semantischer Netze
Mehrdeutigkeit von is-a
Individuum → Klasse: Element
Klasse → Klasse: Teilmenge
Vererbung als Default
Jede Eigenschaft kann überschrieben werden
„Viereck ist Dreieck mit vier Ecken“
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
111 / 139
Probleme Semantischer Netze
Mehrdeutigkeit von is-a
Individuum → Klasse: Element
Klasse → Klasse: Teilmenge
Vererbung als Default
Jede Eigenschaft kann überschrieben werden
„Viereck ist Dreieck mit vier Ecken“
keine terminologische Information
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
111 / 139
Probleme Semantischer Netze
Mehrdeutigkeit von is-a
Individuum → Klasse: Element
Klasse → Klasse: Teilmenge
Vererbung als Default
Jede Eigenschaft kann überschrieben werden
„Viereck ist Dreieck mit vier Ecken“
keine terminologische Information
„Semantischer Abstand“ abhängig von syntaktischen Details
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
111 / 139
Probleme Semantischer Netze
Mehrdeutigkeit von is-a
Individuum → Klasse: Element
Klasse → Klasse: Teilmenge
Vererbung als Default
Jede Eigenschaft kann überschrieben werden
„Viereck ist Dreieck mit vier Ecken“
keine terminologische Information
„Semantischer Abstand“ abhängig von syntaktischen Details
Tom → Katze → Tier: Tom ist eng verwandt mit Tier
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
111 / 139
Probleme Semantischer Netze
Mehrdeutigkeit von is-a
Individuum → Klasse: Element
Klasse → Klasse: Teilmenge
Vererbung als Default
Jede Eigenschaft kann überschrieben werden
„Viereck ist Dreieck mit vier Ecken“
keine terminologische Information
„Semantischer Abstand“ abhängig von syntaktischen Details
Tom → Katze → Tier: Tom ist eng verwandt mit Tier
Tom → Perserkatze → Katze → Katzenartige → Raubtier →
Wirbeltier → Tier: Tom ist entfernt verwandt mit Tier
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
111 / 139
Probleme Semantischer Netze
Mehrdeutigkeit von is-a
Individuum → Klasse: Element
Klasse → Klasse: Teilmenge
Vererbung als Default
Jede Eigenschaft kann überschrieben werden
„Viereck ist Dreieck mit vier Ecken“
keine terminologische Information
„Semantischer Abstand“ abhängig von syntaktischen Details
Tom → Katze → Tier: Tom ist eng verwandt mit Tier
Tom → Perserkatze → Katze → Katzenartige → Raubtier →
Wirbeltier → Tier: Tom ist entfernt verwandt mit Tier
keine formale Semantik!
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
111 / 139
Probleme Semantischer Netze
Mehrdeutigkeit von is-a
Individuum → Klasse: Element
Klasse → Klasse: Teilmenge
Vererbung als Default
Jede Eigenschaft kann überschrieben werden
„Viereck ist Dreieck mit vier Ecken“
keine terminologische Information
„Semantischer Abstand“ abhängig von syntaktischen Details
Tom → Katze → Tier: Tom ist eng verwandt mit Tier
Tom → Perserkatze → Katze → Katzenartige → Raubtier →
Wirbeltier → Tier: Tom ist entfernt verwandt mit Tier
keine formale Semantik!
Netzwerk bedeutet, was der Ersteller meint
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
111 / 139
Probleme Semantischer Netze
Mehrdeutigkeit von is-a
Individuum → Klasse: Element
Klasse → Klasse: Teilmenge
Vererbung als Default
Jede Eigenschaft kann überschrieben werden
„Viereck ist Dreieck mit vier Ecken“
keine terminologische Information
„Semantischer Abstand“ abhängig von syntaktischen Details
Tom → Katze → Tier: Tom ist eng verwandt mit Tier
Tom → Perserkatze → Katze → Katzenartige → Raubtier →
Wirbeltier → Tier: Tom ist entfernt verwandt mit Tier
keine formale Semantik!
Netzwerk bedeutet, was der Ersteller meint
Konflikte zwischen Benutzer und Programmierer nicht entscheidbar
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
111 / 139
Frames - Ursprung und Intention
WR-Formalismus zur Beschreibung von Entitäten
Marvin Minsky
(1927-2016)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
112 / 139
Frames - Ursprung und Intention
WR-Formalismus zur Beschreibung von Entitäten
entwickelt 1975 von Marvin Minsky
Marvin Minsky
(1927-2016)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
112 / 139
Frames - Ursprung und Intention
WR-Formalismus zur Beschreibung von Entitäten
entwickelt 1975 von Marvin Minsky
Ziel: Imitation von menschlichem Kategorisieren
Marvin Minsky
(1927-2016)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
112 / 139
Frames - Ursprung und Intention
WR-Formalismus zur Beschreibung von Entitäten
entwickelt 1975 von Marvin Minsky
Ziel: Imitation von menschlichem Kategorisieren
Ablehnung von logischem Schließen
Marvin Minsky
(1927-2016)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
112 / 139
Frames - Ursprung und Intention
WR-Formalismus zur Beschreibung von Entitäten
entwickelt 1975 von Marvin Minsky
Ziel: Imitation von menschlichem Kategorisieren
Ablehnung von logischem Schließen
„nicht vital und kreativ“
Marvin Minsky
(1927-2016)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
112 / 139
Frames - Ursprung und Intention
WR-Formalismus zur Beschreibung von Entitäten
entwickelt 1975 von Marvin Minsky
Ziel: Imitation von menschlichem Kategorisieren
Ablehnung von logischem Schließen
„nicht vital und kreativ“
„nicht flexibel“
Marvin Minsky
(1927-2016)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
112 / 139
Frames - Ursprung und Intention
WR-Formalismus zur Beschreibung von Entitäten
entwickelt 1975 von Marvin Minsky
Ziel: Imitation von menschlichem Kategorisieren
Ablehnung von logischem Schließen
„nicht vital und kreativ“
„nicht flexibel“
keine Möglichkeit, „normalerweise“ auszudrücken
Marvin Minsky
(1927-2016)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
112 / 139
Frames - Ursprung und Intention
WR-Formalismus zur Beschreibung von Entitäten
entwickelt 1975 von Marvin Minsky
Ziel: Imitation von menschlichem Kategorisieren
Ablehnung von logischem Schließen
„nicht vital und kreativ“
„nicht flexibel“
keine Möglichkeit, „normalerweise“ auszudrücken
„Monotonität“: Einmal ableitbare Folgerungen
können nicht durch neue Informationen verhindert
werden
Marvin Minsky
(1927-2016)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
112 / 139
Frames - Ursprung und Intention
WR-Formalismus zur Beschreibung von Entitäten
entwickelt 1975 von Marvin Minsky
Ziel: Imitation von menschlichem Kategorisieren
Ablehnung von logischem Schließen
„nicht vital und kreativ“
„nicht flexibel“
keine Möglichkeit, „normalerweise“ auszudrücken
„Monotonität“: Einmal ableitbare Folgerungen
können nicht durch neue Informationen verhindert
werden
Trennung von repräsentiertem Wissen und
Schlussfolgerungsverfahren „zu radikal“
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Marvin Minsky
(1927-2016)
Sommersemester 2017
112 / 139
Frames - Ursprung und Intention
WR-Formalismus zur Beschreibung von Entitäten
entwickelt 1975 von Marvin Minsky
Ziel: Imitation von menschlichem Kategorisieren
Ablehnung von logischem Schließen
„nicht vital und kreativ“
„nicht flexibel“
keine Möglichkeit, „normalerweise“ auszudrücken
„Monotonität“: Einmal ableitbare Folgerungen
können nicht durch neue Informationen verhindert
werden
Trennung von repräsentiertem Wissen und
Schlussfolgerungsverfahren „zu radikal“
Bestehen auf Korrektheit (Verhinderung falscher
Folgerungen) „unglaublich zerstörerisch“
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Marvin Minsky
(1927-2016)
Sommersemester 2017
112 / 139
Frames - Ursprung und Intention
WR-Formalismus zur Beschreibung von Entitäten
entwickelt 1975 von Marvin Minsky
Ziel: Imitation von menschlichem Kategorisieren
Ablehnung von logischem Schließen
„nicht vital und kreativ“
„nicht flexibel“
keine Möglichkeit, „normalerweise“ auszudrücken
„Monotonität“: Einmal ableitbare Folgerungen
können nicht durch neue Informationen verhindert
werden
Trennung von repräsentiertem Wissen und
Schlussfolgerungsverfahren „zu radikal“
Bestehen auf Korrektheit (Verhinderung falscher
Folgerungen) „unglaublich zerstörerisch“
Marvin Minsky
(1927-2016)
KI als „Sammlung von Heuristiken“
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
112 / 139
Frames - Syntax und Inferenzen
Syntax:
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
113 / 139
Frames - Syntax und Inferenzen
Syntax:
Class Frame beschreibt Klasse von Entitäten
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
113 / 139
Frames - Syntax und Inferenzen
Syntax:
Class Frame beschreibt Klasse von Entitäten
Instance Frame beschreibt spezifische Entität
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
113 / 139
Frames - Syntax und Inferenzen
Syntax:
Class Frame beschreibt Klasse von Entitäten
Instance Frame beschreibt spezifische Entität
Frame enthält slots für bestimmte Attribute
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
113 / 139
Frames - Syntax und Inferenzen
Syntax:
Class Frame beschreibt Klasse von Entitäten
Instance Frame beschreibt spezifische Entität
Frame enthält slots für bestimmte Attribute
Wert eines slots wird filler genannt
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
113 / 139
Frames - Syntax und Inferenzen
Syntax:
Class Frame beschreibt Klasse von Entitäten
Instance Frame beschreibt spezifische Entität
Frame enthält slots für bestimmte Attribute
Wert eines slots wird filler genannt
Defaults für filler sind möglich
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
113 / 139
Frames - Syntax und Inferenzen
Syntax:
Class Frame beschreibt Klasse von Entitäten
Instance Frame beschreibt spezifische Entität
Frame enthält slots für bestimmte Attribute
Wert eines slots wird filler genannt
Defaults für filler sind möglich
Sub-frames für Spezialisierung (; is-a)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
113 / 139
Frames - Syntax und Inferenzen
Syntax:
Class Frame beschreibt Klasse von Entitäten
Instance Frame beschreibt spezifische Entität
Frame enthält slots für bestimmte Attribute
Wert eines slots wird filler genannt
Defaults für filler sind möglich
Sub-frames für Spezialisierung (; is-a)
Schlussfolgerungsverfahren
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
113 / 139
Frames - Syntax und Inferenzen
Syntax:
Class Frame beschreibt Klasse von Entitäten
Instance Frame beschreibt spezifische Entität
Frame enthält slots für bestimmte Attribute
Wert eines slots wird filler genannt
Defaults für filler sind möglich
Sub-frames für Spezialisierung (; is-a)
Schlussfolgerungsverfahren
Vererbung: Sub-frames ererben Default-Filler
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
113 / 139
Frames - Syntax und Inferenzen
Syntax:
Class Frame beschreibt Klasse von Entitäten
Instance Frame beschreibt spezifische Entität
Frame enthält slots für bestimmte Attribute
Wert eines slots wird filler genannt
Defaults für filler sind möglich
Sub-frames für Spezialisierung (; is-a)
Schlussfolgerungsverfahren
Vererbung: Sub-frames ererben Default-Filler
Kriterialität: Wenn ein Instance Frame I für alle Slots eines Class
Frame C passende Filler hat, ist I eine Instanz C
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
113 / 139
Frames - Syntax und Inferenzen
Syntax:
Class Frame beschreibt Klasse von Entitäten
Instance Frame beschreibt spezifische Entität
Frame enthält slots für bestimmte Attribute
Wert eines slots wird filler genannt
Defaults für filler sind möglich
Sub-frames für Spezialisierung (; is-a)
Schlussfolgerungsverfahren
Vererbung: Sub-frames ererben Default-Filler
Kriterialität: Wenn ein Instance Frame I für alle Slots eines Class
Frame C passende Filler hat, ist I eine Instanz C
Matching: Test, ob Instanz eines Frames C1 auch Instanz eines anderen
Frames C2 ist
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
113 / 139
Frames - Probleme
Frame-Inferenzen lassen sich in PL ausdrücken (Hayes 1979)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
114 / 139
Frames - Probleme
Frame-Inferenzen lassen sich in PL ausdrücken (Hayes 1979)
Wie bei Semantischen Netzen
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
114 / 139
Frames - Probleme
Frame-Inferenzen lassen sich in PL ausdrücken (Hayes 1979)
Wie bei Semantischen Netzen
Keine Taxonomie, wenn alle Eigenschaften nur Defaults sind
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
114 / 139
Frames - Probleme
Frame-Inferenzen lassen sich in PL ausdrücken (Hayes 1979)
Wie bei Semantischen Netzen
Keine Taxonomie, wenn alle Eigenschaften nur Defaults sind
Ohne formale Semantik kein „richtig“ und „falsch“
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
114 / 139
Frames - Probleme
Frame-Inferenzen lassen sich in PL ausdrücken (Hayes 1979)
Wie bei Semantischen Netzen
Keine Taxonomie, wenn alle Eigenschaften nur Defaults sind
Ohne formale Semantik kein „richtig“ und „falsch“
KI als Sammlung von Heuristiken
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
114 / 139
Frames - Probleme
Frame-Inferenzen lassen sich in PL ausdrücken (Hayes 1979)
Wie bei Semantischen Netzen
Keine Taxonomie, wenn alle Eigenschaften nur Defaults sind
Ohne formale Semantik kein „richtig“ und „falsch“
KI als Sammlung von Heuristiken
keine Wissenschaft, nur Programmiertechnik
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
114 / 139
Frames - Probleme
Frame-Inferenzen lassen sich in PL ausdrücken (Hayes 1979)
Wie bei Semantischen Netzen
Keine Taxonomie, wenn alle Eigenschaften nur Defaults sind
Ohne formale Semantik kein „richtig“ und „falsch“
KI als Sammlung von Heuristiken
keine Wissenschaft, nur Programmiertechnik
Frames wichtiger für Objekt-orientiertes Programmieren als für WBS
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
114 / 139
Probleme früher WR-Systeme
fehlende formale Semantik unklare Bedeutung des Netzwerks
unzuverlässige Schlussfolgerungsverfahren
Inkompatibilität
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
115 / 139
Probleme früher WR-Systeme
fehlende formale Semantik unklare Bedeutung des Netzwerks
unzuverlässige Schlussfolgerungsverfahren
Inkompatibilität
Graph-basierte Algorithmen Ergebnis abhängig von irrelevanter Information
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
115 / 139
Probleme früher WR-Systeme
fehlende formale Semantik unklare Bedeutung des Netzwerks
unzuverlässige Schlussfolgerungsverfahren
Inkompatibilität
Graph-basierte Algorithmen Ergebnis abhängig von irrelevanter Information
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
115 / 139
Probleme früher WR-Systeme
fehlende formale Semantik unklare Bedeutung des Netzwerks
unzuverlässige Schlussfolgerungsverfahren
Inkompatibilität
Graph-basierte Algorithmen Ergebnis abhängig von irrelevanter Information
Konsequenz: Logik-basierte WR-Systeme
formale Semantik angelehnt an mathematische Logik
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
115 / 139
Probleme früher WR-Systeme
fehlende formale Semantik unklare Bedeutung des Netzwerks
unzuverlässige Schlussfolgerungsverfahren
Inkompatibilität
Graph-basierte Algorithmen Ergebnis abhängig von irrelevanter Information
Konsequenz: Logik-basierte WR-Systeme
formale Semantik angelehnt an mathematische Logik
entscheidbare Fragmente der PL
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
115 / 139
Probleme früher WR-Systeme
fehlende formale Semantik unklare Bedeutung des Netzwerks
unzuverlässige Schlussfolgerungsverfahren
Inkompatibilität
Graph-basierte Algorithmen Ergebnis abhängig von irrelevanter Information
Konsequenz: Logik-basierte WR-Systeme
formale Semantik angelehnt an mathematische Logik
entscheidbare Fragmente der PL
einfachere, intuitiv verständliche Syntax, z.B. keine Variablen
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
115 / 139
Inhalt
1
Einführung
2
Aussagenlogik
3
Prädikatenlogik
4
Beschreibungslogiken
Wissensrepräsentation
Frühe Wissensrepräsentations-Systeme
Eigenschaften von Beschreibungslogiken
Syntax
Semantik
Schlussfolgerungsprobleme
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
116 / 139
Beschreibungslogiken: Ursprung
Familie von WR-Sprachen (Logiken)
Ron Brachman
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
117 / 139
Beschreibungslogiken: Ursprung
Familie von WR-Sprachen (Logiken)
entscheidbare Schlussfolgerungsprobleme
Ron Brachman
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
117 / 139
Beschreibungslogiken: Ursprung
Familie von WR-Sprachen (Logiken)
entscheidbare Schlussfolgerungsprobleme
Komplexität von P bis 2-NExpTime
Ron Brachman
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
117 / 139
Beschreibungslogiken: Ursprung
Familie von WR-Sprachen (Logiken)
entscheidbare Schlussfolgerungsprobleme
Komplexität von P bis 2-NExpTime
auch ausdrucksstarke Logiken effizient „in der
Praxis“
Ron Brachman
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
117 / 139
Beschreibungslogiken: Ursprung
Familie von WR-Sprachen (Logiken)
entscheidbare Schlussfolgerungsprobleme
Komplexität von P bis 2-NExpTime
auch ausdrucksstarke Logiken effizient „in der
Praxis“
Ursprung: KL-One (Brachman et al., 1985)
Ron Brachman
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
117 / 139
Inhalt
1
Einführung
2
Aussagenlogik
3
Prädikatenlogik
4
Beschreibungslogiken
Wissensrepräsentation
Frühe Wissensrepräsentations-Systeme
Eigenschaften von Beschreibungslogiken
Syntax
Semantik
Schlussfolgerungsprobleme
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
118 / 139
BL-Bausteine
Konzeptnamen Mensch, Universität, Stadt, usw.
; einstellige Prädikate in PL
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
119 / 139
BL-Bausteine
Konzeptnamen Mensch, Universität, Stadt, usw.
; einstellige Prädikate in PL
Rollennamen hatMutter, besucht, arbeitetMit, usw.
; zweistellige Prädikate in PL
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
119 / 139
BL-Bausteine
Konzeptnamen Mensch, Universität, Stadt, usw.
; einstellige Prädikate in PL
Rollennamen hatMutter, besucht, arbeitetMit, usw.
; zweistellige Prädikate in PL
Individuen john, dhbw, stuttgart, usw.
; Konstanten in PL
nicht immer Teil der Sprache
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
119 / 139
BL-Bausteine
Konzeptnamen Mensch, Universität, Stadt, usw.
; einstellige Prädikate in PL
Rollennamen hatMutter, besucht, arbeitetMit, usw.
; zweistellige Prädikate in PL
Individuen john, dhbw, stuttgart, usw.
; Konstanten in PL
nicht immer Teil der Sprache
Die Menge aller Konzeptnamen, Rollennamen und Individuen eines
Systems heißt Signatur oder Vokabular.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
119 / 139
Konzept-Konstruktoren
Konstruktion komplexer Konzepte aus Konzept- und Rollennamen
jeder Konzeptname ist ein Konzept;
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
120 / 139
Konzept-Konstruktoren
Konstruktion komplexer Konzepte aus Konzept- und Rollennamen
jeder Konzeptname ist ein Konzept;
> und ⊥ sind Konzepte;
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
120 / 139
Konzept-Konstruktoren
Konstruktion komplexer Konzepte aus Konzept- und Rollennamen
jeder Konzeptname ist ein Konzept;
> und ⊥ sind Konzepte;
Boole’sche Operatoren:
Für Konzepte C und D
sind auch ¬C , C u D, und C t D Konzepte;
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
120 / 139
Konzept-Konstruktoren
Konstruktion komplexer Konzepte aus Konzept- und Rollennamen
jeder Konzeptname ist ein Konzept;
> und ⊥ sind Konzepte;
Boole’sche Operatoren:
Für Konzepte C und D
sind auch ¬C , C u D, und C t D Konzepte;
Quantoren:
Für einen Rollennamen r und ein Konzept C
sind auch ∃r.C und ∀r.C Konzepte.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
120 / 139
Konzept-Konstruktoren
Konstruktion komplexer Konzepte aus Konzept- und Rollennamen
jeder Konzeptname ist ein Konzept;
> und ⊥ sind Konzepte;
Boole’sche Operatoren:
Für Konzepte C und D
sind auch ¬C , C u D, und C t D Konzepte;
Quantoren:
Für einen Rollennamen r und ein Konzept C
sind auch ∃r.C und ∀r.C Konzepte.
Vorrang:
(, )
Jan Hladik (DHBW Stuttgart)
∀, ∃
¬
Wissensbasierte Systeme – Logik –
u
t
Sommersemester 2017
120 / 139
Konzept-Konstruktoren
Konstruktion komplexer Konzepte aus Konzept- und Rollennamen
jeder Konzeptname ist ein Konzept;
> und ⊥ sind Konzepte;
Boole’sche Operatoren:
Für Konzepte C und D
sind auch ¬C , C u D, und C t D Konzepte;
Quantoren:
Für einen Rollennamen r und ein Konzept C
sind auch ∃r.C und ∀r.C Konzepte.
Vorrang:
(, )
∀, ∃
¬
u
t
Weitere Konstruktoren für komplexe Konzepte und Rollen existieren.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
120 / 139
Beschreibungslogiken und Konstruktoren
Quelle: http://www.cs.man.ac.uk/~ezolin/dl/
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
121 / 139
Inhalt
1
Einführung
2
Aussagenlogik
3
Prädikatenlogik
4
Beschreibungslogiken
Wissensrepräsentation
Frühe Wissensrepräsentations-Systeme
Eigenschaften von Beschreibungslogiken
Syntax
Semantik
Schlussfolgerungsprobleme
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
122 / 139
Die Beschreibungslogik ALC
„Attributive Language with Complement“
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
123 / 139
Die Beschreibungslogik ALC
„Attributive Language with Complement“
Boole’sche Operatoren ¬, u, t
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
123 / 139
Die Beschreibungslogik ALC
„Attributive Language with Complement“
Boole’sche Operatoren ¬, u, t
Quantoren ∀, ∃
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
123 / 139
Die Beschreibungslogik ALC
„Attributive Language with Complement“
Boole’sche Operatoren ¬, u, t
Quantoren ∀, ∃
Name hat historische Gründe:
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
123 / 139
Die Beschreibungslogik ALC
„Attributive Language with Complement“
Boole’sche Operatoren ¬, u, t
Quantoren ∀, ∃
Name hat historische Gründe:
AL erlaubt ∀, u und eingeschränkt ¬ und ∃
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
123 / 139
Die Beschreibungslogik ALC
„Attributive Language with Complement“
Boole’sche Operatoren ¬, u, t
Quantoren ∀, ∃
Name hat historische Gründe:
AL erlaubt ∀, u und eingeschränkt ¬ und ∃
C Uneingeschränkt ¬, damit auch t und ∃ uneingeschränkt
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
123 / 139
Die Beschreibungslogik ALC
„Attributive Language with Complement“
Boole’sche Operatoren ¬, u, t
Quantoren ∀, ∃
Name hat historische Gründe:
AL erlaubt ∀, u und eingeschränkt ¬ und ∃
C Uneingeschränkt ¬, damit auch t und ∃ uneingeschränkt
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
123 / 139
Die Beschreibungslogik ALC
„Attributive Language with Complement“
Boole’sche Operatoren ¬, u, t
Quantoren ∀, ∃
Name hat historische Gründe:
AL erlaubt ∀, u und eingeschränkt ¬ und ∃
C Uneingeschränkt ¬, damit auch t und ∃ uneingeschränkt
Beispiel (ALC-Konzept)
Student u ∀besucht.BachelorVorlesung
Klasse der Studenten, die nur Master-Vorlesungen besuchen
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
123 / 139
Semantik von ALC
Definition (Interpretation für ALC)
Sei C ein ALC-Konzept mit Konzeptnamen N und und Rollennamen R.
Eine Interpretation I ist ein Paar (∆I , ·I ) mit
∆I ist eine nichtleere Menge;
die Funktion ·I weist
jedem Konzeptnamen n ∈ N eine einstellige Relation n I über ∆I und
jedem Rollennamen r ∈ R eine zweistellige Relation r I über ∆I zu.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
124 / 139
Semantik von ALC
Definition (Interpretation für ALC)
Sei C ein ALC-Konzept mit Konzeptnamen N und und Rollennamen R.
Eine Interpretation I ist ein Paar (∆I , ·I ) mit
∆I ist eine nichtleere Menge;
die Funktion ·I weist
jedem Konzeptnamen n ∈ N eine einstellige Relation n I über ∆I und
jedem Rollennamen r ∈ R eine zweistellige Relation r I über ∆I zu.
Beispiel (ALC-Interpretation)
Student u ∀besucht.BachelorVorlesung
I = ({Peter, Paul, Maria, Logik, WBS},
{Student 7→ {Peter, Maria},
Bachelorvorlesung 7→ {Logik},
besucht 7→ {(Peter, Logik), (Peter, WBS), (Maria, Logik)}})
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
124 / 139
Schematische Darstellung einer Interpretation
Konzeptnamen
...C ...
Rollennamen
...r ...
·I
∆I
CI
rI
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
125 / 139
Interpretation komplexer Konzepte
Die Interpretation komplexer Konzepte ist induktiv definiert:
Name
Jan Hladik (DHBW Stuttgart)
Syntax Semantik
Wissensbasierte Systeme – Logik –
Sommersemester 2017
126 / 139
Interpretation komplexer Konzepte
Die Interpretation komplexer Konzepte ist induktiv definiert:
Name
Top
Jan Hladik (DHBW Stuttgart)
Syntax Semantik
>
∆I
Wissensbasierte Systeme – Logik –
Sommersemester 2017
126 / 139
Interpretation komplexer Konzepte
Die Interpretation komplexer Konzepte ist induktiv definiert:
Name
Top
Bottom
Jan Hladik (DHBW Stuttgart)
Syntax Semantik
>
∆I
⊥
∅
Wissensbasierte Systeme – Logik –
Sommersemester 2017
126 / 139
Interpretation komplexer Konzepte
Die Interpretation komplexer Konzepte ist induktiv definiert:
Name
Top
Bottom
Negation
Jan Hladik (DHBW Stuttgart)
Syntax
>
⊥
¬C
Semantik
∆I
∅
∆I \ C I
Wissensbasierte Systeme – Logik –
Sommersemester 2017
126 / 139
Interpretation komplexer Konzepte
Die Interpretation komplexer Konzepte ist induktiv definiert:
Name
Top
Bottom
Negation
Konjunktion
Jan Hladik (DHBW Stuttgart)
Syntax
>
⊥
¬C
C uD
Semantik
∆I
∅
∆I \ C I
C I ∩ DI
Wissensbasierte Systeme – Logik –
Sommersemester 2017
126 / 139
Interpretation komplexer Konzepte
Die Interpretation komplexer Konzepte ist induktiv definiert:
Name
Top
Bottom
Negation
Konjunktion
Disjunktion
Jan Hladik (DHBW Stuttgart)
Syntax
>
⊥
¬C
C uD
C tD
Semantik
∆I
∅
∆I \ C I
C I ∩ DI
C I ∪ DI
Wissensbasierte Systeme – Logik –
Sommersemester 2017
126 / 139
Interpretation komplexer Konzepte
Die Interpretation komplexer Konzepte ist induktiv definiert:
Name
Top
Bottom
Negation
Konjunktion
Disjunktion
Allquantor
Jan Hladik (DHBW Stuttgart)
Syntax
>
⊥
¬C
C uD
C tD
∀r.C
Semantik
∆I
∅
∆I \ C I
C I ∩ DI
C I ∪ DI
{x ∈ ∆I | (x, y) ∈ r I impliziert y ∈ C I }
Wissensbasierte Systeme – Logik –
Sommersemester 2017
126 / 139
Interpretation komplexer Konzepte
Die Interpretation komplexer Konzepte ist induktiv definiert:
Name
Top
Bottom
Negation
Konjunktion
Disjunktion
Allquantor
Existenzquantor
Jan Hladik (DHBW Stuttgart)
Syntax
>
⊥
¬C
C uD
C tD
∀r.C
∃r.C
Semantik
∆I
∅
∆I \ C I
C I ∩ DI
C I ∪ DI
{x ∈ ∆I | (x, y) ∈ r I impliziert y ∈ C I }
{x ∈ ∆I | es gibt ein y ∈ ∆I , so dass
(x, y) ∈ r I und y ∈ C I gilt }
Wissensbasierte Systeme – Logik –
Sommersemester 2017
126 / 139
Übung: ALC-Konzepte
Verwenden Sie
die Konzeptnamen Mensch, Weiblich, Architekt, Ingenieur
und
den Rollennamen hat-kind,
um Konzepte für die folgenden Klassen zu formulieren:
1
Ein Mensch, der nicht weiblich ist.
2
Jemand, der nur weibliche Kinder hat.
3
Ein Mensch, der ein Kind hat, das Architekt oder Ingenieur ist.
4
Großeltern.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
127 / 139
Inhalt
1
Einführung
2
Aussagenlogik
3
Prädikatenlogik
4
Beschreibungslogiken
Wissensrepräsentation
Frühe Wissensrepräsentations-Systeme
Eigenschaften von Beschreibungslogiken
Syntax
Semantik
Schlussfolgerungsprobleme
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
128 / 139
Grundlegende BL-Schlussfolgerungsprobleme
Konsistenz Ist ein Konzept C widersprüchlich?
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
129 / 139
Grundlegende BL-Schlussfolgerungsprobleme
Konsistenz Ist ein Konzept C widersprüchlich?
; Ist C erfüllbar?
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
129 / 139
Grundlegende BL-Schlussfolgerungsprobleme
Konsistenz Ist ein Konzept C widersprüchlich?
; Ist C erfüllbar?
Subsumtion Ist jede Instanz von C auch Instanz von D?
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
129 / 139
Grundlegende BL-Schlussfolgerungsprobleme
Konsistenz Ist ein Konzept C widersprüchlich?
; Ist C erfüllbar?
Subsumtion Ist jede Instanz von C auch Instanz von D?
; Ist C u ¬D erfüllbar?
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
129 / 139
Grundlegende BL-Schlussfolgerungsprobleme
Konsistenz Ist ein Konzept C widersprüchlich?
; Ist C erfüllbar?
Subsumtion Ist jede Instanz von C auch Instanz von D?
; Ist C u ¬D erfüllbar?
liefert Konzepthierarchie
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
129 / 139
Grundlegende BL-Schlussfolgerungsprobleme
Konsistenz Ist ein Konzept C widersprüchlich?
; Ist C erfüllbar?
Subsumtion Ist jede Instanz von C auch Instanz von D?
; Ist C u ¬D erfüllbar?
liefert Konzepthierarchie
englisch: subsumption
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
129 / 139
Grundlegende BL-Schlussfolgerungsprobleme
Konsistenz Ist ein Konzept C widersprüchlich?
; Ist C erfüllbar?
Subsumtion Ist jede Instanz von C auch Instanz von D?
; Ist C u ¬D erfüllbar?
liefert Konzepthierarchie
englisch: subsumption
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
129 / 139
Grundlegende BL-Schlussfolgerungsprobleme
Konsistenz Ist ein Konzept C widersprüchlich?
; Ist C erfüllbar?
Subsumtion Ist jede Instanz von C auch Instanz von D?
; Ist C u ¬D erfüllbar?
liefert Konzepthierarchie
englisch: subsumption
Erfüllbarkeitstest kann beide Schlussfolgerungsprobleme entscheiden.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
129 / 139
Tableau-Algorithmus für ALC-Konzepte
arbeitet auf ALC-Konzepten in Negations-Normalform (NNF)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
130 / 139
Tableau-Algorithmus für ALC-Konzepte
arbeitet auf ALC-Konzepten in Negations-Normalform (NNF)
Negation nur direkt vor Konzeptnamen
¬(C u D) ; ¬C t ¬D
¬∀r.C ; ∃r.¬C
¬¬C ; C
Jan Hladik (DHBW Stuttgart)
¬(C t D) ; ¬C u ¬D
¬∃r.C ; ∀r.¬C
Wissensbasierte Systeme – Logik –
Sommersemester 2017
130 / 139
Tableau-Algorithmus für ALC-Konzepte
arbeitet auf ALC-Konzepten in Negations-Normalform (NNF)
Negation nur direkt vor Konzeptnamen
¬(C u D) ; ¬C t ¬D
¬∀r.C ; ∃r.¬C
¬¬C ; C
¬(C t D) ; ¬C u ¬D
¬∃r.C ; ∀r.¬C
erzeugt Tableau für Konzept C
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
130 / 139
Tableau-Algorithmus für ALC-Konzepte
arbeitet auf ALC-Konzepten in Negations-Normalform (NNF)
Negation nur direkt vor Konzeptnamen
¬(C u D) ; ¬C t ¬D
¬∀r.C ; ∃r.¬C
¬¬C ; C
¬(C t D) ; ¬C u ¬D
¬∃r.C ; ∀r.¬C
erzeugt Tableau für Konzept C
Baum, der Modell für C repräsentiert (wenn Clash-frei und vollständig)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
130 / 139
Tableau-Algorithmus für ALC-Konzepte
arbeitet auf ALC-Konzepten in Negations-Normalform (NNF)
Negation nur direkt vor Konzeptnamen
¬(C u D) ; ¬C t ¬D
¬∀r.C ; ∃r.¬C
¬¬C ; C
¬(C t D) ; ¬C u ¬D
¬∃r.C ; ∀r.¬C
erzeugt Tableau für Konzept C
Baum, der Modell für C repräsentiert (wenn Clash-frei und vollständig)
Knoten beschriftet mit Mengen von Subkonzepten von C
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
130 / 139
Tableau-Algorithmus für ALC-Konzepte
arbeitet auf ALC-Konzepten in Negations-Normalform (NNF)
Negation nur direkt vor Konzeptnamen
¬(C u D) ; ¬C t ¬D
¬∀r.C ; ∃r.¬C
¬¬C ; C
¬(C t D) ; ¬C u ¬D
¬∃r.C ; ∀r.¬C
erzeugt Tableau für Konzept C
Baum, der Modell für C repräsentiert (wenn Clash-frei und vollständig)
Knoten beschriftet mit Mengen von Subkonzepten von C
Kanten beschriftet mit Rollennamen
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
130 / 139
Tableau-Algorithmus für ALC-Konzepte
arbeitet auf ALC-Konzepten in Negations-Normalform (NNF)
Negation nur direkt vor Konzeptnamen
¬(C u D) ; ¬C t ¬D
¬∀r.C ; ∃r.¬C
¬¬C ; C
¬(C t D) ; ¬C u ¬D
¬∃r.C ; ∀r.¬C
erzeugt Tableau für Konzept C
Baum, der Modell für C repräsentiert (wenn Clash-frei und vollständig)
Knoten beschriftet mit Mengen von Subkonzepten von C
Kanten beschriftet mit Rollennamen
Wurzel beschriftet mit C
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
130 / 139
Tableau-Algorithmus für ALC-Konzepte
arbeitet auf ALC-Konzepten in Negations-Normalform (NNF)
Negation nur direkt vor Konzeptnamen
¬(C u D) ; ¬C t ¬D
¬∀r.C ; ∃r.¬C
¬¬C ; C
¬(C t D) ; ¬C u ¬D
¬∃r.C ; ∀r.¬C
erzeugt Tableau für Konzept C
Baum, der Modell für C repräsentiert (wenn Clash-frei und vollständig)
Knoten beschriftet mit Mengen von Subkonzepten von C
Kanten beschriftet mit Rollennamen
Wurzel beschriftet mit C
Weitere Knoten von ∃-Regel erzeugt
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
130 / 139
Tableau-Algorithmus für ALC-Konzepte
arbeitet auf ALC-Konzepten in Negations-Normalform (NNF)
Negation nur direkt vor Konzeptnamen
¬(C u D) ; ¬C t ¬D
¬∀r.C ; ∃r.¬C
¬¬C ; C
¬(C t D) ; ¬C u ¬D
¬∃r.C ; ∀r.¬C
erzeugt Tableau für Konzept C
Baum, der Modell für C repräsentiert (wenn Clash-frei und vollständig)
Knoten beschriftet mit Mengen von Subkonzepten von C
Kanten beschriftet mit Rollennamen
Wurzel beschriftet mit C
Weitere Knoten von ∃-Regel erzeugt
Keine Tabellenstruktur für Disjunktionen, sondern depth-first-Expansion
mit Backtracking
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
130 / 139
ALC-Tableau: Formale Definition
Definition (ALC-Tableau)
Sei
C ein ALC-Konzept,
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
131 / 139
ALC-Tableau: Formale Definition
Definition (ALC-Tableau)
Sei
C ein ALC-Konzept,
SC(C ) die Menge aller Subkonzepte von C und
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
131 / 139
ALC-Tableau: Formale Definition
Definition (ALC-Tableau)
Sei
C ein ALC-Konzept,
SC(C ) die Menge aller Subkonzepte von C und
Rol(C ) die Menge aller in C vorkommenden Rollennamen.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
131 / 139
ALC-Tableau: Formale Definition
Definition (ALC-Tableau)
Sei
C ein ALC-Konzept,
SC(C ) die Menge aller Subkonzepte von C und
Rol(C ) die Menge aller in C vorkommenden Rollennamen.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
131 / 139
ALC-Tableau: Formale Definition
Definition (ALC-Tableau)
Sei
C ein ALC-Konzept,
SC(C ) die Menge aller Subkonzepte von C und
Rol(C ) die Menge aller in C vorkommenden Rollennamen.
Ein Tableau für C ist ein Baum G = (V , E, L) mit
einer Knotenmenge V ,
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
131 / 139
ALC-Tableau: Formale Definition
Definition (ALC-Tableau)
Sei
C ein ALC-Konzept,
SC(C ) die Menge aller Subkonzepte von C und
Rol(C ) die Menge aller in C vorkommenden Rollennamen.
Ein Tableau für C ist ein Baum G = (V , E, L) mit
einer Knotenmenge V ,
einer Kantenmenge E ⊆ V × V und
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
131 / 139
ALC-Tableau: Formale Definition
Definition (ALC-Tableau)
Sei
C ein ALC-Konzept,
SC(C ) die Menge aller Subkonzepte von C und
Rol(C ) die Menge aller in C vorkommenden Rollennamen.
Ein Tableau für C ist ein Baum G = (V , E, L) mit
einer Knotenmenge V ,
einer Kantenmenge E ⊆ V × V und
einer Beschriftungsfunktion L mit
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
131 / 139
ALC-Tableau: Formale Definition
Definition (ALC-Tableau)
Sei
C ein ALC-Konzept,
SC(C ) die Menge aller Subkonzepte von C und
Rol(C ) die Menge aller in C vorkommenden Rollennamen.
Ein Tableau für C ist ein Baum G = (V , E, L) mit
einer Knotenmenge V ,
einer Kantenmenge E ⊆ V × V und
einer Beschriftungsfunktion L mit
L : V → 2SC(C ) und
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
131 / 139
ALC-Tableau: Formale Definition
Definition (ALC-Tableau)
Sei
C ein ALC-Konzept,
SC(C ) die Menge aller Subkonzepte von C und
Rol(C ) die Menge aller in C vorkommenden Rollennamen.
Ein Tableau für C ist ein Baum G = (V , E, L) mit
einer Knotenmenge V ,
einer Kantenmenge E ⊆ V × V und
einer Beschriftungsfunktion L mit
L : V → 2SC(C ) und
L : V × V → Rol(C ).
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
131 / 139
ALC-Tableau-Algorithmus
4 Regeln (wegen NNF)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
132 / 139
ALC-Tableau-Algorithmus
4 Regeln (wegen NNF)
brechen komplexe Formeln in einfachere auf
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
132 / 139
ALC-Tableau-Algorithmus
4 Regeln (wegen NNF)
brechen komplexe Formeln in einfachere auf
Anwendungsreihenfolge don’t-care-nichtdeterministisch
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
132 / 139
ALC-Tableau-Algorithmus
4 Regeln (wegen NNF)
brechen komplexe Formeln in einfachere auf
Anwendungsreihenfolge don’t-care-nichtdeterministisch
t-Regel don’t-know-nichtdeterministisch
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
132 / 139
ALC-Tableau-Algorithmus
4 Regeln (wegen NNF)
brechen komplexe Formeln in einfachere auf
Anwendungsreihenfolge don’t-care-nichtdeterministisch
t-Regel don’t-know-nichtdeterministisch
Wenn keine Regel anwendbar ist, heißt das Tableau vollständig.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
132 / 139
ALC-Tableau-Algorithmus
4 Regeln (wegen NNF)
brechen komplexe Formeln in einfachere auf
Anwendungsreihenfolge don’t-care-nichtdeterministisch
t-Regel don’t-know-nichtdeterministisch
Wenn keine Regel anwendbar ist, heißt das Tableau vollständig.
Clash: Knotenlabel enthält C und ¬C für ein Konzept C
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
132 / 139
ALC-Tableau-Algorithmus
4 Regeln (wegen NNF)
brechen komplexe Formeln in einfachere auf
Anwendungsreihenfolge don’t-care-nichtdeterministisch
t-Regel don’t-know-nichtdeterministisch
Wenn keine Regel anwendbar ist, heißt das Tableau vollständig.
Clash: Knotenlabel enthält C und ¬C für ein Konzept C
Wenn kein Knoten einen Clash enthält, heißt das Tableau Clash-frei.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
132 / 139
Tableau-Regeln für ALC-Konzepte
Definition (r-Nachfolger)
Wenn (v, v 0 ) ∈ E und L(v, v 0 ) = r gelten, heißt v 0 r-Nachfolger von v.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
133 / 139
Tableau-Regeln für ALC-Konzepte
Definition (r-Nachfolger)
Wenn (v, v 0 ) ∈ E und L(v, v 0 ) = r gelten, heißt v 0 r-Nachfolger von v.
u Wenn es ein v ∈ V gibt mit C u D ∈ L(v) und
{C , D} 6⊆ L(v), dann
L(v) := L(v) ∪ {C , D}.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
133 / 139
Tableau-Regeln für ALC-Konzepte
Definition (r-Nachfolger)
Wenn (v, v 0 ) ∈ E und L(v, v 0 ) = r gelten, heißt v 0 r-Nachfolger von v.
u Wenn es ein v ∈ V gibt mit C u D ∈ L(v) und
{C , D} 6⊆ L(v), dann
L(v) := L(v) ∪ {C , D}.
t Wenn es ein v ∈ V gibt mit C t D ∈ L(v) und
{C , D} ∩ L(v) = ∅, dann
wähle X ∈ {C , D} und setze L(v) := L(v) ∪ {X }.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
133 / 139
Tableau-Regeln für ALC-Konzepte
Definition (r-Nachfolger)
Wenn (v, v 0 ) ∈ E und L(v, v 0 ) = r gelten, heißt v 0 r-Nachfolger von v.
u Wenn es ein v ∈ V gibt mit C u D ∈ L(v) und
{C , D} 6⊆ L(v), dann
L(v) := L(v) ∪ {C , D}.
t Wenn es ein v ∈ V gibt mit C t D ∈ L(v) und
{C , D} ∩ L(v) = ∅, dann
wähle X ∈ {C , D} und setze L(v) := L(v) ∪ {X }.
∃ Wenn es ein v ∈ V gibt mit ∃r.C ∈ L(v) und
kein r-Nachfolger v 0 von v existiert mit C ∈ L(v), dann
V := V ∪ {v 0 }, E := E ∪ {(v, v 0 )},
L(v 0 ) := {C } und L(v, v 0 ) := r für einen neuen Knoten v 0 .
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
133 / 139
Tableau-Regeln für ALC-Konzepte
Definition (r-Nachfolger)
Wenn (v, v 0 ) ∈ E und L(v, v 0 ) = r gelten, heißt v 0 r-Nachfolger von v.
u Wenn es ein v ∈ V gibt mit C u D ∈ L(v) und
{C , D} 6⊆ L(v), dann
L(v) := L(v) ∪ {C , D}.
t Wenn es ein v ∈ V gibt mit C t D ∈ L(v) und
{C , D} ∩ L(v) = ∅, dann
wähle X ∈ {C , D} und setze L(v) := L(v) ∪ {X }.
∃ Wenn es ein v ∈ V gibt mit ∃r.C ∈ L(v) und
kein r-Nachfolger v 0 von v existiert mit C ∈ L(v), dann
V := V ∪ {v 0 }, E := E ∪ {(v, v 0 )},
L(v 0 ) := {C } und L(v, v 0 ) := r für einen neuen Knoten v 0 .
∀ Wenn es ein v ∈ V gibt mit ∀r.C ∈ L(v) und
ein r-Nachfolger v 0 von v existiert mit C ∈
/ L(v 0 ), dann
L(v 0 ) := L(v 0 ) ∪ {C }.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
133 / 139
Beispiel: ALC-Tableau-Algorithmus
C = ∃r.(A t ∃r.B) u ∃r.¬A u ∀r.(¬A u ∀r.(¬B t A))
u
L(u) = {C }
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
134 / 139
Beispiel: ALC-Tableau-Algorithmus
C = ∃r.(A t ∃r.B) u ∃r.¬A u ∀r.(¬A u ∀r.(¬B t A))
u
L(u) = {C , ∃r.(A t ∃r.B),
∃r.¬A, ∀r.(¬A u ∀r.(¬B t A))}
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
134 / 139
Beispiel: ALC-Tableau-Algorithmus
C = ∃r.(A t ∃r.B) u ∃r.¬A u ∀r.(¬A u ∀r.(¬B t A))
u
r
v
L(u) = {C , ∃r.(A t ∃r.B),
∃r.¬A, ∀r.(¬A u ∀r.(¬B t A))}
L(v) = {A t ∃r.B}
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
134 / 139
Beispiel: ALC-Tableau-Algorithmus
C = ∃r.(A t ∃r.B) u ∃r.¬A u ∀r.(¬A u ∀r.(¬B t A))
u
r
v
L(u) = {C , ∃r.(A t ∃r.B),
r
w
∃r.¬A, ∀r.(¬A u ∀r.(¬B t A))}
L(v) = {A t ∃r.B}
L(w) = {¬A}
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
134 / 139
Beispiel: ALC-Tableau-Algorithmus
C = ∃r.(A t ∃r.B) u ∃r.¬A u ∀r.(¬A u ∀r.(¬B t A))
u
r
v
L(u) = {C , ∃r.(A t ∃r.B),
r
w
∃r.¬A, ∀r.(¬A u ∀r.(¬B t A))}
L(v) = {A t ∃r.B, ¬A, ∀r.(¬B t A)}
L(w) = {¬A}
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
134 / 139
Beispiel: ALC-Tableau-Algorithmus
C = ∃r.(A t ∃r.B) u ∃r.¬A u ∀r.(¬A u ∀r.(¬B t A))
u
r
v
L(u) = {C , ∃r.(A t ∃r.B),
r
w
∃r.¬A, ∀r.(¬A u ∀r.(¬B t A))}
L(v) = {A t ∃r.B, ¬A, ∀r.(¬B t A)}
L(w) = {¬A, ∀r.(¬B t A)}
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
134 / 139
Beispiel: ALC-Tableau-Algorithmus
C = ∃r.(A t ∃r.B) u ∃r.¬A u ∀r.(¬A u ∀r.(¬B t A))
u
r
v
L(u) = {C , ∃r.(A t ∃r.B),
r
w
∃r.¬A, ∀r.(¬A u ∀r.(¬B t A))}
L(v) = {A t ∃r.B, ¬A, ∀r.(¬B t A), A}
L(w) = {¬A, ∀r.(¬B t A)}
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
134 / 139
Beispiel: ALC-Tableau-Algorithmus
C = ∃r.(A t ∃r.B) u ∃r.¬A u ∀r.(¬A u ∀r.(¬B t A))
u
r
v
L(u) = {C , ∃r.(A t ∃r.B),
r
w
∃r.¬A, ∀r.(¬A u ∀r.(¬B t A))}
L(v) = {A t ∃r.B, ¬A, ∀r.(¬B t A), A}
L(w) = {¬A, ∀r.(¬B t A)}
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
134 / 139
Beispiel: ALC-Tableau-Algorithmus
C = ∃r.(A t ∃r.B) u ∃r.¬A u ∀r.(¬A u ∀r.(¬B t A))
u
r
v
L(u) = {C , ∃r.(A t ∃r.B),
r
w
∃r.¬A, ∀r.(¬A u ∀r.(¬B t A))}
L(v) = {A t ∃r.B, ¬A, ∀r.(¬B t A), A, ∃r.B}
L(w) = {¬A, ∀r.(¬B t A)}
x
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
134 / 139
Beispiel: ALC-Tableau-Algorithmus
C = ∃r.(A t ∃r.B) u ∃r.¬A u ∀r.(¬A u ∀r.(¬B t A))
u
r
v
L(u) = {C , ∃r.(A t ∃r.B),
r
w
∃r.¬A, ∀r.(¬A u ∀r.(¬B t A))}
L(v) = {A t ∃r.B, ¬A, ∀r.(¬B t A), A, ∃r.B}
r
L(w) = {¬A, ∀r.(¬B t A)}
x
Jan Hladik (DHBW Stuttgart)
L(x) = {B}
Wissensbasierte Systeme – Logik –
Sommersemester 2017
134 / 139
Beispiel: ALC-Tableau-Algorithmus
C = ∃r.(A t ∃r.B) u ∃r.¬A u ∀r.(¬A u ∀r.(¬B t A))
u
r
v
L(u) = {C , ∃r.(A t ∃r.B),
r
w
∃r.¬A, ∀r.(¬A u ∀r.(¬B t A))}
L(v) = {A t ∃r.B, ¬A, ∀r.(¬B t A), A, ∃r.B}
r
L(w) = {¬A, ∀r.(¬B t A)}
x
Jan Hladik (DHBW Stuttgart)
L(x) = {B, ¬B t A}
Wissensbasierte Systeme – Logik –
Sommersemester 2017
134 / 139
Beispiel: ALC-Tableau-Algorithmus
C = ∃r.(A t ∃r.B) u ∃r.¬A u ∀r.(¬A u ∀r.(¬B t A))
u
r
v
L(u) = {C , ∃r.(A t ∃r.B),
r
w
∃r.¬A, ∀r.(¬A u ∀r.(¬B t A))}
L(v) = {A t ∃r.B, ¬A, ∀r.(¬B t A), A, ∃r.B}
r
L(w) = {¬A, ∀r.(¬B t A)}
x
Jan Hladik (DHBW Stuttgart)
L(x) = {B, ¬B t A, ¬B}
Wissensbasierte Systeme – Logik –
Sommersemester 2017
134 / 139
Beispiel: ALC-Tableau-Algorithmus
C = ∃r.(A t ∃r.B) u ∃r.¬A u ∀r.(¬A u ∀r.(¬B t A))
u
r
v
L(u) = {C , ∃r.(A t ∃r.B),
r
w
∃r.¬A, ∀r.(¬A u ∀r.(¬B t A))}
L(v) = {A t ∃r.B, ¬A, ∀r.(¬B t A), A, ∃r.B}
r
L(w) = {¬A, ∀r.(¬B t A)}
x
Jan Hladik (DHBW Stuttgart)
L(x) = {B, ¬B t A, ¬B}
Wissensbasierte Systeme – Logik –
Sommersemester 2017
134 / 139
Beispiel: ALC-Tableau-Algorithmus
C = ∃r.(A t ∃r.B) u ∃r.¬A u ∀r.(¬A u ∀r.(¬B t A))
u
r
v
L(u) = {C , ∃r.(A t ∃r.B),
r
w
∃r.¬A, ∀r.(¬A u ∀r.(¬B t A))}
L(v) = {A t ∃r.B, ¬A, ∀r.(¬B t A), A, ∃r.B}
r
L(w) = {¬A, ∀r.(¬B t A)}
x
Jan Hladik (DHBW Stuttgart)
L(x) = {B, ¬B t A, ¬B, A}
Wissensbasierte Systeme – Logik –
Sommersemester 2017
134 / 139
ALC-Tableau und Modell
Das vollständige und Clash-freie Tableau liefert ein Modell I:
∆I
= {u, v, w, x}
(alle Knoten)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
135 / 139
ALC-Tableau und Modell
Das vollständige und Clash-freie Tableau liefert ein Modell I:
∆I
AI
BI
= {u, v, w, x}
(alle Knoten)
= {x}
(alle Knoten, deren Beschriftung A enthält)
= {x}
(alle Knoten, deren Beschriftung B enthält)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
135 / 139
ALC-Tableau und Modell
Das vollständige und Clash-freie Tableau liefert ein Modell I:
∆I
AI
BI
rI
= {u, v, w, x}
(alle Knoten)
= {x}
(alle Knoten, deren Beschriftung A enthält)
= {x}
(alle Knoten, deren Beschriftung B enthält)
= {(u, v), (u, w), (v, x)}
(alle Kanten, die mit r beschriftet sind)
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
135 / 139
ALC-Tableau und Modell
Das vollständige und Clash-freie Tableau liefert ein Modell I:
∆I
AI
BI
rI
= {u, v, w, x}
(alle Knoten)
= {x}
(alle Knoten, deren Beschriftung A enthält)
= {x}
(alle Knoten, deren Beschriftung B enthält)
= {(u, v), (u, w), (v, x)}
(alle Kanten, die mit r beschriftet sind)
Aus der Semantik von ALC folgt u ∈ C I , also ist C erfüllbar.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
135 / 139
Übung: ALC-Tableaualgorithmus
Testen Sie die Erfüllbarkeit des Konzepts
∃r.C u ∃r.¬C u ∀r.(¬C t D) u ∀r.(¬D t ∃s.C )
mit Hilfe des ALC-Tableau-Algorithmus.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
136 / 139
Korrektheit und Vollständigkeit
Satz (Korrektheit des ALC-Tableau-Algorithmus)
Wenn der Algorithmus für ein Konzept C ein Clash-freies und vollständiges
Tableau erzeugt, ist C erfüllbar.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
137 / 139
Korrektheit und Vollständigkeit
Satz (Korrektheit des ALC-Tableau-Algorithmus)
Wenn der Algorithmus für ein Konzept C ein Clash-freies und vollständiges
Tableau erzeugt, ist C erfüllbar.
Beweis.
Aus dem Tableau kann ein Modell abgeleitet werden.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
137 / 139
Korrektheit und Vollständigkeit
Satz (Korrektheit des ALC-Tableau-Algorithmus)
Wenn der Algorithmus für ein Konzept C ein Clash-freies und vollständiges
Tableau erzeugt, ist C erfüllbar.
Beweis.
Aus dem Tableau kann ein Modell abgeleitet werden.
Satz (Vollständigkeit des ALC-Tableau-Algorithmus)
Wenn das Konzept C erfüllbar ist, kann die t-Regel so angewendet werden,
dass der Algorithmus ein Clash-freies und vollständiges Tableau erzeugt.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
137 / 139
Korrektheit und Vollständigkeit
Satz (Korrektheit des ALC-Tableau-Algorithmus)
Wenn der Algorithmus für ein Konzept C ein Clash-freies und vollständiges
Tableau erzeugt, ist C erfüllbar.
Beweis.
Aus dem Tableau kann ein Modell abgeleitet werden.
Satz (Vollständigkeit des ALC-Tableau-Algorithmus)
Wenn das Konzept C erfüllbar ist, kann die t-Regel so angewendet werden,
dass der Algorithmus ein Clash-freies und vollständiges Tableau erzeugt.
Beweis.
Das Modell kann genutzt werden, um eine erfolgreiche Folge von
Regelanwendungen zu finden.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
137 / 139
Terminierung
Satz (Terminierung des ALC-Tableau-Algorithmus)
Der Algorithmus terminiert für jedes Eingabekonzept C .
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
138 / 139
Terminierung
Satz (Terminierung des ALC-Tableau-Algorithmus)
Der Algorithmus terminiert für jedes Eingabekonzept C .
Beweis.
Quantorentiefe sinkt mit jeder Ebene des Baums.
Jeder Knoten ist nur mit Subkonzepten von C beschriftet.
C hat endlich viele Subkonzepte.
Die ∃-Regel ist in jedem Knoten für jedes Konzept höchstens einmal
anwendbar.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
138 / 139
Terminierung
Satz (Terminierung des ALC-Tableau-Algorithmus)
Der Algorithmus terminiert für jedes Eingabekonzept C .
Beweis.
Quantorentiefe sinkt mit jeder Ebene des Baums.
Jeder Knoten ist nur mit Subkonzepten von C beschriftet.
C hat endlich viele Subkonzepte.
Die ∃-Regel ist in jedem Knoten für jedes Konzept höchstens einmal
anwendbar.
Satz (Modelleigenschaft von ALC)
Für ALC-Konzepte gilt die Endliches-Baum-Modell-Eigenschaft: Jedes
erfüllbare Konzept C hat ein endliches Baum-Modell.
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
138 / 139
Zusammenfassung: ALC
ausdrucksstärker als Aussagenlogik
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
139 / 139
Zusammenfassung: ALC
ausdrucksstärker als Aussagenlogik
ausdrucksschwächer als Prädikatenlogik
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
139 / 139
Zusammenfassung: ALC
ausdrucksstärker als Aussagenlogik
ausdrucksschwächer als Prädikatenlogik
∀ und ∃ nur eingeschränkt
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
139 / 139
Zusammenfassung: ALC
ausdrucksstärker als Aussagenlogik
ausdrucksschwächer als Prädikatenlogik
∀ und ∃ nur eingeschränkt
nur ein- und zweistellige Prädikate
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
139 / 139
Zusammenfassung: ALC
ausdrucksstärker als Aussagenlogik
ausdrucksschwächer als Prädikatenlogik
∀ und ∃ nur eingeschränkt
nur ein- und zweistellige Prädikate
keine Funktionen
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
139 / 139
Zusammenfassung: ALC
ausdrucksstärker als Aussagenlogik
ausdrucksschwächer als Prädikatenlogik
∀ und ∃ nur eingeschränkt
nur ein- und zweistellige Prädikate
keine Funktionen
keine Variablen
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
139 / 139
Zusammenfassung: ALC
ausdrucksstärker als Aussagenlogik
ausdrucksschwächer als Prädikatenlogik
∀ und ∃ nur eingeschränkt
nur ein- und zweistellige Prädikate
keine Funktionen
keine Variablen
Tableau-Algorithmus
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
139 / 139
Zusammenfassung: ALC
ausdrucksstärker als Aussagenlogik
ausdrucksschwächer als Prädikatenlogik
∀ und ∃ nur eingeschränkt
nur ein- und zweistellige Prädikate
keine Funktionen
keine Variablen
Tableau-Algorithmus
erzeugt endliches Baum-Modell
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
139 / 139
Zusammenfassung: ALC
ausdrucksstärker als Aussagenlogik
ausdrucksschwächer als Prädikatenlogik
∀ und ∃ nur eingeschränkt
nur ein- und zweistellige Prädikate
keine Funktionen
keine Variablen
Tableau-Algorithmus
erzeugt endliches Baum-Modell
korrekt, vollständig, terminierend
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
139 / 139
Zusammenfassung: ALC
ausdrucksstärker als Aussagenlogik
ausdrucksschwächer als Prädikatenlogik
∀ und ∃ nur eingeschränkt
nur ein- und zweistellige Prädikate
keine Funktionen
keine Variablen
Tableau-Algorithmus
erzeugt endliches Baum-Modell
korrekt, vollständig, terminierend
Schlussfolgerungsprobleme entscheidbar
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
139 / 139
Zusammenfassung: ALC
ausdrucksstärker als Aussagenlogik
ausdrucksschwächer als Prädikatenlogik
∀ und ∃ nur eingeschränkt
nur ein- und zweistellige Prädikate
keine Funktionen
keine Variablen
Tableau-Algorithmus
erzeugt endliches Baum-Modell
korrekt, vollständig, terminierend
Schlussfolgerungsprobleme entscheidbar
Konsistenz
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
139 / 139
Zusammenfassung: ALC
ausdrucksstärker als Aussagenlogik
ausdrucksschwächer als Prädikatenlogik
∀ und ∃ nur eingeschränkt
nur ein- und zweistellige Prädikate
keine Funktionen
keine Variablen
Tableau-Algorithmus
erzeugt endliches Baum-Modell
korrekt, vollständig, terminierend
Schlussfolgerungsprobleme entscheidbar
Konsistenz
Subsumtion
Jan Hladik (DHBW Stuttgart)
Wissensbasierte Systeme – Logik –
Sommersemester 2017
139 / 139