3. Inferenz in der Logik Allgemeines zu Wissensverarbeitung und Inferenz 3. Inferenz in der Logik Allgemeines zu Wissensverarbeitung und Inferenz 3. Inferenz in Aussagen- und Prädikatenlogik Auswirkungen von 1 Euro = 0.96 Dollar auf Zinsen und Aktienkurse Devisenkurs 1 Euro = 0.96 Dollar Wissen, Kennen, Können Umgangssprachlich bezeichnet man das Ergebnis eines Lernvorgangs als Wissen • wissen, wenn es sich um sprachlich-begriffliche Fähigkeiten handelt, • kennen, wenn es sich um sinnliche Wahrnehmung handelt, • können, wenn es sich um motorische Fähigkeiten handelt. Ergebnis eines Lernvorgangs Information Kontext 0.96 Daten Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 3. Inferenz in der Logik 102 Allgemeines zu Wissensverarbeitung und Inferenz Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 3. Inferenz in der Logik 104 Allgemeines zu Wissensverarbeitung und Inferenz Wissen: Versuche einer Definition Arten von Wissen explizit implizit • Knowledge is organized information applicable to problem solving. (Woolf) • Knowledge is information that has been organized and analyzed to make it understandable and applicable to problem solving or decision making. (Turban) Ableitung präzise unsicher Wissen Art unvollständig vage Repräsentation Kontollstrategie Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 103 Regeln Fakten Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 105 3. Inferenz in der Logik Allgemeines zu Wissensverarbeitung und Inferenz 3. Inferenz in der Logik Wissensebenen Repräsentation von Wissen • kognitive Ebene (z.B. Erfahrung von Experten, Arbeitsanweisungen) • Repräsentationsebene (z.B. Aussagenlogik, Prädikatenlogik) • Implementierungsebene (z.B. Prolog-Statements) ☞ Bei der Wissensverarbeitung und der Künstlichen Intelligenz stehen die Repr äsentationsebene und die Implementierungsebene im Vordergrund (Schließen der KILücke). ☞ Beim Wissensmanagement stehen die kognitive Ebene und die Repr äsentationsebene im Vordergrund. Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 3. Inferenz in der Logik 106 Allgemeines zu Wissensverarbeitung und Inferenz Daten- vs. Wissensverarbeitung Algorithmische Problembeschreibung Daten Software− Entwickler Programm • In einem Sortierprogramm ist das Wissen um die Eigenschaften von Ordnungen und sortierten Listen implizit im Algorithmus dargestellt. ☞ prozedurales Wissen • Das Wissen, das in konventionellen Programmen in Form von Daten, Tabellen oder Datenbanken ausgedrückt ist, ist auf explizite Art repr äsentiert. ☞ deklaratives Wissen Bei wissensbasierten Systemen liegt der Schwerpunkt auf deklarativem Wissen. Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 3. Inferenz in der Logik 108 Allgemeines zu Wissensverarbeitung und Inferenz Kriterien für die Wissensrepräsentation: Anwendungsspezifisches Wissen Wissen (Fakten und Regeln) Allgemeines zu Wissensverarbeitung und Inferenz • • • • • • Vollständigkeit Abstraktion Ökonomie Freiheit von Redundanz Widerspruchsfreihet Transparenz Wissens− ingenieur Inferenz− maschine Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 107 Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 109 3. Inferenz in der Logik Inferenz 3. Inferenz in der Logik Inferenz Logik und Inferenz • Nehmen wir an, es gibt eine Menge von Regeln, wie sich ein Autofahrer im Straßenverkehr zu verhalten hat. • Die Regeln sind beispielsweise in “wenn...dann”-Form repräsentiert. • Weiterhin gebe es Fakten, die Tatsachen widerspiegeln (Geschwindigkeit, Geschwindigkeitsbegrenzung, Ampel, etc.). • Regeln und Fakten bilden die Wissensbasis. • In solch einer Wissensbasis gibt es keine Kontrollstrukturen wie in einem herkömmlichen Programm, die festlegen, in welcher Reihenfolge die Regeln anzuwenden sind. • Stattdessen muß ein Mechanismus vorhanden sein, der bestimmt, welche Regeln wie anzuwenden sind. • Dieser Mechanismus heißt Inferenzmechanismus. • Inferenz ist ein (Denk-)Prozeß, in dem aus vorhandenem Wissen (bzw. Annahmen oder Vermutungen) neues Wissen (Annahmen, Vermutungen) gewonnen werden. Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 3. Inferenz in der Logik 110 Inferenz • Neues Wissen heißt hier, daß nach Inferenz etwas verfügbar ist, was vorher nicht unmittelbar verfügbar war. • Wissensbasis: Wenn es regnet, dann ist die Straße naß. Es regnet. Inferenz (mit Modus Ponens): Die Straße ist naß. Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 Inferenz 111 Gegenstand der Logik: • Repräsentation von Wissen durch Formeln einer adäquaten Logiksprache – Syntax der Logiksprache – Bedeutung (Interpretation) von Formeln der Logiksprache • Herleitung (Inferenz) von neuem Wissen auf Basis der Kalküls. – Definition des Folgerungsbegriffs – Übertragung der semantischen Folgerung auf äquivalente syntaktische Umformungen Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 3. Inferenz in der Logik 112 Inferenz Anwendungsgebiete der Logik in der Wissensverarbeitung: • • • • Inferenz in Expertensystemen Logikprogrammierung, deduktive Datenbanken automatisches Beweisen Programmverifikation Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 113 3. Inferenz in der Logik Inferenz 3. Inferenz in der Logik Zielrichtungen der Inferenz Weitere Aspekte bei der Wissensverarbeitung mit Logik • Prognosen, logische Ableitungen erstellen Es sind Fakten F und Regeln R gegeben. Was kann daraus gefolgert werden? Beispiel: Wenn es regnet, dann ist die Straße naß. Was kann aus der Tatsache, daß es regnet, gefolgert werden? • Erklärungen finden Wie läßt sich ein Fakt F mit Hilfe der Regeln R erklären? Beispiel: Die Straße ist naß. Wie kann das sein? • Hypothesen prüfen Können aus den Fakten F und den Regeln R die Hypothesen H hergeleitet werden? Beipiel: Wenn es regnet, dann ist die Straße naß. Es regnet. Ist die Straße dann naß? Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 3. Inferenz in der Logik 114 Inferenz Arten der Inferenz • • • • Qualifikationsproblem unpräzise Angaben probabilistische Aussagen und Regeln räumlich-zeitliches Wissen Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 3. Inferenz in der Logik 116 Aussagenlogik Signatur • Deduktion Zum Starten eines Autos ist eine aufgeladene Batterie notwendig. Bei unserem Auto ist die Batterie leer. Wir schließen, daß wir unser Auto nicht starten k önnen. • Induktion Wir haben wiederholt beobachtet, daß ein Auto nicht startet und die Batterie leer ist. Wir haben noch nie beobachtet, daß ein Auto mit leerer Batterie gestartet werden konnte. Wir schließen daraus, daß ein Auto, das eine leere Batterie hat, nicht gestartet werden kann. • Abduktion Zum Starten eines Autos ist eine aufgeladene Batterie notwendig. Unser Auto l äßt sich nicht starten. Wir schließen, daß die Batterie leer ist. Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 Inferenz 115 Am Beispiel der Aussagenlogik erklären wir schrittweise wichtige Elemente eines logischen Systems. • Zunächst benötigt ein logisches System ein Vokabular, • d.h. eine Menge von Namen, die Dinge der realen Welt beschreiben k önnen. • Eine derartige Menge von Namen wird als Signatur bezeichnet und üblicherweise durch Σ gekennzeichnet. • Den Namen ist i.d.R. eine gewisse Stelligkeit zugeordnet. Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 117 3. Inferenz in der Logik Aussagenlogik 3. Inferenz in der Logik Aussagenlogik Aussagenlogische Signatur Aussagenlogische Formeln Definition 3.1. Eine aussagenlogische Signatur Σ ist eine Menge von (nullstelligen) Bezeichnern, den Aussagenvariablen. Definition 3.2. Für eine aussagenlogische Signatur Σ ist die Menge Formel(Σ) der aussagenlogischen Formeln wie folgt definiert: Beispiel 3.1. Die Menge • Die Elemente der Menge Σ sind aussagenlogische Formeln, die sogenannten atomaren Formeln. • Falls F und G aussagenlogische Formeln sind, dann sind auch die folgenden Konstrukte aussagenlogische Formeln: ΣAL := {hatFieber, istKrank, istArbeitsunfähig} ist eine aussagenlogische Signatur, die drei Aussagenvariablen zur Verfügung stellt. Im folgenden benutzen wir üblicherweise Großbuchstaben als Aussagenvariablen. Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 3. Inferenz in der Logik 118 Aussagenlogik Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 3. Inferenz in der Logik 120 Aussagenlogik Formeln • • • • • • (¬F ) (F ∧ G) (F ∨ G) (F → G) (F ↔ G) Formeln ermöglichen es, Dinge der repräsentierten Welt auszudrücken. Formeln entsprechen einer gewissen Syntax (sie sind wohlgeformt). Diese Syntax legt eine Wissensrepräsentationssprache fest. Formeln sind üblicherweise rekursiv aufgebaut. Die atomaren Formeln ergeben sich aus der Signatur. Mit logischen Verknüpfungsoperatoren (den Junktoren) werden aus atomaren Formeln schrittweise komplexere Formeln aufgebaut. Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 119 Negation Konjunktion Disjunktion Implikation Äquivalenz Bemerkung 3.1. Zur Vereinfachung der Schreibweise verzichten wir i.d.R. auf die Klammerung und benutzen statt dessen die folgenden Bindungspriorit äten: ¬, ∧, ∨, →, ↔. Durch die Menge Formel(Σ) wird die Sprache zur Repräsentation von Wissen definiert. Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 121 3. Inferenz in der Logik Aussagenlogik 3. Inferenz in der Logik Σ-Interpretation Aussagenlogik Erfüllungsrelation • Die Syntax einer Logik legt ausschließlich deren äußere Form fest, sie sagt aber nichts über die Bedeutung der Formeln aus. • Benötigt wird eine Verbindung zwischen den syntaktischen Elementen der Logik und den Objekten der zu repräsentierenden Welt. • Diese Verbindung wird durch eine sogenannte Σ-Interpretation hergestellt. • Eine Σ-Interpretation einer Signatur ist die Zuordnung von den Elementen der Signatur Σ (Namen) zu den Elementen der zu repräsentierenden Welt. • Die Interpretation liefert uns nur einen Wahrheitswert für die atomaren Formeln. • Wir benötigen eine Ausdehnung der Semantik auf alle Formeln F ∈ Formel(Σ). • Dieses stellt uns eine Erfüllungsrelation |= bereit. • Durch solch eine Erfüllungsrelation ist definiert, ob eine Formel F in einer ΣInterpretation I wahr ist oder nicht, d.h. • sie ordnet einer Interpretation und einer Formel einen Wahrheitswert zu. • Eine Erfüllungsrelation definiert hierzu im wesentlichen die Semantik der Junktoren. Definition 3.4. Es seien F, G ∈ Formel(Σ) (nichtatomare) aussagenlogische Formeln. Durch die folgenden Wahrheitstafel wird eine Σ-Interpretation I von Σ auf die Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 122 3. Inferenz in der Logik Aussagenlogik Belegung 124 3. Inferenz in der Logik Aussagenlogik Menge Formel(Σ) ausgedehnt: I(F ) f w Definition 3.3. Es sei Σ eine aussagenlogische Signatur. • Eine Abbildung I : Σ −→ {wahr, falsch} heißt aussagenlogische Interpretation oder Belegung für Σ. • Int(Σ) bezeichnet die Menge der Belegungen für Σ. Beispiel 3.2. Für die Signatur aus Beispiel 3.1 ist I definiert durch I(hatFieber) I(istKrank) I(istArbeitsunfähig) Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 = = = wahr wahr falsch I(¬F ) w f I(F ) I(G) I(F ∨ G) I(F ∧ G) f f f f w f f w w f w f w w w w Für I ∈ Int(Σ) und F ∈ Formel(Σ) gelte: I(F → G) w w f w I |= F gdw. I(F ) = wahr eine mögliche Belegung. Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 123 Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 125 3. Inferenz in der Logik Aussagenlogik 3. Inferenz in der Logik Aussagenlogik Modell Erfüllbarkeit Definition 3.5. Es seien I ∈ Int(Σ) und F ∈ Formel(Σ). Gilt I |= F , so sagen wir Besonders interessant sind Formeln, die für alle Interpretationen wahr bzw. falsch sind. • “I erfüllt F ” und • bezeichnen I als Σ-Modell für F . “Kräht der Hahn auf dem Mist, ändert sich das Wetter oder es bleibt wie es ist.” Definition 3.6. Eine Formel F heißt ModΣ (F ) ⊆ Int(Σ) bezeichnet die Menge aller Σ-Modelle für F . Für eine Menge F ⊂ Formel(Σ) von Formeln gelte I |= F gdw. I |= F für alle F ∈ F . I ist dann ein Modell für die Formelmenge F . • • • • erfüllbar gdw. es ein Modell für die Formel gibt. unerfüllbar (Kontradiktion) gdw. es kein Modell für die Formel gibt. allgemeingültig (Tautologie) gdw. jede Interpretation ein Modell für die Formel ist. falsifizierbar gdw. es eine Interpretation gibt, die kein Modell für die Formel ist. Die Begriffe werden in analoger Weise für Formelmengen F ⊂ Formel(Σ) verwendet. Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 3. Inferenz in der Logik 126 Aussagenlogik Beispiel 3.3. Die Interpretation I aus Beispiel 3.2 ist ein Modell für die Formel Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 3. Inferenz in der Logik 128 Aussagenlogik Beispiel 3.4. Wichtige Tautologien sind: hatFieber → istKrank • Modus Ponens (F ∧ (F → G)) → G Dagegen ist I kein Modell für die Formel • Modus Tollens ((F → G) ∧ ¬G) → ¬F istKrank → istArbeitsunfähig • Und-Elimination Beweis mit Wahrheitstafeln ✎. (F ∧ G) → F • Oder-Introduktion F → (F ∨ G) • Resolutionsregel ((F → G) ∧ (¬F → H)) → (G ∨ H) Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 127 Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 129 3. Inferenz in der Logik Aussagenlogik 3. Inferenz in der Logik Aussagenlogik Semantische Folgerung Beispiel 3.6. Wir wollen uns ein Haustier anschaffen und machen folgende Überlegungen: • In einem wissensbasierten System wollen wir Fakten aus anderen Fakten und Regeln herleiten. 2. Besitzer wertvoller Möbel (W ) sollten keine Katze anschaffen, da diese die Möbel zerkratzen würde. • Wir können eine Wissensbasis als eine Menge F ⊂ Formel(Σ) betrachten. 3. Ein Hund erfordert ein freistehendes Haus (F ), damit sich kein Nachbar durch das Bellen gestört fühlt. 1. Es sollte nur ein Hund (H ), eine Katze (K ) oder ein Hamster (M ) sein. • Eine solche Menge F = {F1 , . . . , Fn} entspricht der Konjunktion F1 ∧ . . . ∧ Fn. • Unser übliches Verständnis von Folgerung läßt sich so ausdrücken: Ist eine Formel G immer dann wahr, wenn alle Formeln aus F wahr sind, dann folgt G aus F . • Damit können wir die Erfüllungsrelation |= auf eine Beziehung zwischen Formeln und Formelmengen ausdehnen. Wir vermuten: Für einen Besitzer wertvoller Möbel ohne freistehendes Haus kommt nur ein Hamster in Frage. Die Aussagen lauten als Aussagenlogische Formeln: Definition 3.7. Es seien F, G ∈ Formel(Σ) aussagenlogische Formeln. 1. H ∨ K ∨ M • G heißt semantische Folgerung von F gdw. jedes Modell für F auch ein Modell für G ist. Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 3. Inferenz in der Logik 130 Aussagenlogik • In diesem Fall schreiben wir F |= G. • Wir sagen auch “G folgt logisch aus F ” bzw. “aus F folgt semantisch G”. • Für eine Formelmenge F gelte F |= G gdw. jedes Modell für F auch ein Modell für G ist. • Für Formelmengen F , G gelte F |= G gdw. F |= G für alle G ∈ G gilt. Beispiel 3.5. Gegeben sei die Formelmenge F 8 < hatFieber F = istKrank : hatFieber → → 9 istKrank, = istArbeitsunfähig, ; 2. W → ¬K 3. H → F Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 132 3. Inferenz in der Logik Aussagenlogik Hyp. W ∧ ¬F → M ∧ ¬H ∧ ¬K N r. 1. 2. 3. 4. 5. 6. I(H) f f f f f f I(K) f f f f f f I(M ) f f f f w w I(W ) f f w w f f I(F ) f w f w f w 1. ∧ 2. ∧ 3. f f f f f f Hyp. w w f w w w Kann aus F die Aussage istArbeitsunfähig gefolgert werden, d.h. gilt F |= istArbeitsunfähig? Ja! Beweis mit Wahrheitstafeln ✎. Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 131 Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 133 3. Inferenz in der Logik Aussagenlogik 3. Inferenz in der Logik Aussagenlogik Fazit: N r. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. I(H) f f f f f f f f f f w w w I(K) f f w w w w w w w w f f f I(M ) w w f f f f w w w w f f f I(W ) w w f f w w f f w w f f w I(F ) f w f w f w f w f w f w f 1. ∧ 2. ∧ 3. w w w f f f w w f f f f f Hyp. w w w w f w w w f w w w f Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 • Es gibt acht Modelle für die Formelmenge {1., 2., 3.}. Dies sind die Interpretationen mit den Nummern 7, 8, 9, 13, 14, 20, 24, 26. • Jedes dieser Modelle ist auch ein Modell für die Hypothese. • Somit folgt die Hypothese semantisch aus {1., 2., 3.}. 134 3. Inferenz in der Logik Aussagenlogik Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 3. Inferenz in der Logik 136 Aussagenlogik Satz 3.1. Es seien F, G aussagenlogische Formeln. Dann gilt: N r. 20. 21. 22. 23. 24. 25. 26. 27. 28. 29. 30. 31. 32. I(H) w w w w w w w w w w w w w I(K) f f f f f w w w w w w w w I(M ) f w w w w f f f f w w w w I(W ) w f f w w f f w w f f w w I(F ) w f w f w f w f w f w f w Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 1. ∧ 2. ∧ 3. w f f f w f w f f f f f f Hyp. w w w f w w w f w w w f w • F ist Tautologie gdw. ¬F ist unerfüllbar. • F |= G gdw. F → G ist Tautologie. • F |= G gdw. F ∧ ¬G ist unerfüllbar. Bemerkung 3.2. Die Äquivalenzen können auf Formelmengen F , G ausgedehnt werden. 135 Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 137 3. Inferenz in der Logik Aussagenlogik 3. Inferenz in der Logik Aussagenlogik Beispiel 3.7. Gegeben sei die Formelmenge F aus Beispiel 3.5. Mit der Inferenzregel Modus Ponens leiten wir ab: Kalkül • Schon das kleine Beispiel 3.6 verdeutlichte, daß Inferenz auf Basis der Definition der semantischen Folgerung ineffizient ist. • Allgemein müssen für eine Formelmenge F mit k verschiedenen Aussagevariablen 2k Belegungen getestet werden. • Daher benutzt man für die maschinelle Inferenz Techniken, die allein auf der Syntax der Formeln beruhen. • Statt alle möglichen Belegungen zu testen, sucht man nach einer Folge von syntaktischen Umformungen, die die Hypothese zu beweisen. hatFieber, hatFieber → istKrank istKrank Nochmals angewandt ergibt sich: istKrank, istKrank → istArbeitsunfaehig istArbeitsunfaehig Also gilt: F ` istArbeitsunfähig. • Ein Kalkül besteht aus einer Menge von logischen Axiomen und Inferenzregeln. • Die Axiome sind entweder eine Menge von elementaren Tautologien (positiver Kalkül) oder • eine Menge von elementaren Widersprüchen (negativer Kalkül). Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 3. Inferenz in der Logik 138 Aussagenlogik • Die Inferenzregeln sind Vorschriften, nach denen aus Formeln andere Formeln abgeleitet werden können. • Sie werden in der folgenden Form notiert: F1 , . . . , F n F Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 3. Inferenz in der Logik 140 Aussagenlogik Eigenschaften von Kalkülen • Ein Kalkül ist korrekt gdw. alle syntaktischen Ableitungen auch semantische Folgerungen sind, d.h. für Formeln F und G gilt: F ` G impliziert F |= G Dies besagt, daß aus den Formeln (der syntaktischen Form) F 1, . . . , Fn (Bedingungen) eine Formel der Form F (Schlussfolgerung) abgeleitet werden kann. • So können aus den Tautologien von Beispiel 3.4 Inferenzregeln gebildet werden. Aus dem Modus Ponens ergibt sich die Inferenzregel: F, F → G G • Ein Kalkül ist vollständig gdw. alle semantischen Folgerungen auch syntaktisch abgeleitet werden können, d.h. für Formeln F und G gilt: F |= G impliziert F ` G • Ein Kalkül ist widerlegungsvollständig gdw. aus allen semantischen Folgerungen eine unerfüllbare Formel 2 abgeleitet werden kann, d.h. für Formeln F und G gilt: • Ist eine Formel F aus den Formeln F1, . . . , Fn durch eine Folge von Anwendungen der Inferenzregeln ableitbar, so schreibt man F |= G impliziert F ∧ ¬G ` 2 F1 , . . . , F n ` F Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 139 Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 141 3. Inferenz in der Logik Aussagenlogik 3. Inferenz in der Logik Aussagenlogik Normalformen Semantische Äquivalenz Beispiel 3.8. Syntaktisch unterschiedliche Formel können identische Wahrheitswerte haben. Man betrachte die Formeln ¬(F ∨ G) und ¬F ∧ ¬G: F f f w w G f w f w ¬(F ∨ G) w f f f ¬F ∧ ¬G w f f f Für die maschinelle Inferenz ist die Darstellung einer Formel in einer standardisierten und möglichst einfachen Form wichtig. Definition 3.9. • Eine Formel F ist ein Literal gdw. F eine atomare Formel oder die Negation einer atomaren Formel ist. • Eine Formel F ist in konjunktiver Normalform (KNF) gdw. F eine Konjunktion von Disjunktionen von Literalen ist, d.h. Definition 3.8. Zwei aussagenlogische Formeln F, G ∈ Formel(Σ) heißen semantisch äquivalent gdw. I(G) = I(F ) für jede Belegung I ∈ Int(Σ) gilt. Wenn F und G semantisch äquivalent sind, schreiben wir hierfür F ≡ G. F = ((L1,1 ∨ . . . ∨ L1,m1 ) ∧ . . . ∧ (Ln,1 ∨ . . . ∨ Ln,mn )) • Eine Formel F ist in disjunktiver Normalform DNF gdw. F eine Disjunktion von Konjunktionen von Literalen ist, d.h. F = ((L1,1 ∧ . . . ∧ L1,m1 ) ∨ . . . ∨ (Ln,1 ∧ . . . ∧ Ln,mn )) Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 142 3. Inferenz in der Logik Aussagenlogik ≡ ≡ ≡ ≡ ≡ ≡ ≡ ≡ ≡ ≡ ≡ ≡ ≡ ≡ ¬F ∨ G ¬F ∧ ¬G ¬F ∨ ¬G F F F F F G∨F G∧F (F ∧ G) ∧ H (F ∨ G) ∨ H (F ∧ G) ∨ (F ∧ H) (F ∨ G) ∧ (F ∨ H) Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 3. Inferenz in der Logik 144 Aussagenlogik Beispiel 3.9. Die Formeln Lemma 3.2. Wichtige semantische Äquivalenzen sind: F →G ¬(F ∨ G) ¬(F ∧ G) ¬¬F F ∨F F ∧F F ∧ (F ∨ G) F ∨ (F ∧ G) F ∨G F ∧G F ∧ (G ∧ H) F ∨ (G ∨ H) F ∧ (G ∨ H) F ∨ (G ∧ H) Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 (F ∨ ¬G ∨ H) ∧ J und ¬F ∧ G Implikation DeMorgan sind in KNF. Dop. Negation Idempotenz Die Formeln Absorption sind in DNF. (¬F ∧ G) ∨ (¬H ∧ ¬J) und F ∨ ¬G Kommutativität Assoziativität Distributivität 143 Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 145 3. Inferenz in der Logik Aussagenlogik 3. Inferenz in der Logik Aussagenlogik ist die Menge Transformation in Normalform F = {{L1,1 , . . . , L1,m1 }, . . . , {Ln,1, . . . , Ln,mn }} Umformungsregeln für KNF/DNF-Transformation: Schritt 1 Schritt 2 Schritt 3 (KNF) Schritt 3 (DNF) F →G ¬¬F ¬(F ∧ G) ¬(F ∨ G) F ∨ (G ∧ H) (F ∧ G) ∨ H F ∧ (G ∨ H) (F ∨ G) ∧ H 7→ 7→ 7 → 7→ 7 → 7→ 7 → 7→ ¬F ∨ G F ¬F ∨ ¬G ¬F ∧ ¬G (F ∨ G) ∧ (F ∨ H) (F ∨ H) ∧ (G ∨ H) (F ∧ G) ∨ (F ∧ H) (F ∧ H) ∨ (G ∧ H) Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 3. Inferenz in der Logik 146 Aussagenlogik Klauselform 3. Inferenz in der Logik 148 Aussagenlogik Resolution Für die maschinelle Inferenz benutzt man eine Mengendarstellung der KNF, die sogenannte Klauselform. Beispiel 3.10. Resolution basiert auf folgendem Schema: • Wenn es regnet (R), gehe ich ins Kino (K ), also R → K . • Wenn es nicht regnet (¬R), gehe ich ins Schwimmbad (S ), also ¬R → S . • Hieraus folgt, daß ich ins Kino oder ins Schwimmbad gehe, also Definition 3.10. • Eine Klausel ist eine Menge von Literalen {L1 , . . . , Ln }, die der Disjunktion L1 ∨ . . . ∨ Ln entspricht. • Die Klausel {} ist die leere Klausel. Sie wird in der Form 2 geschrieben und entspricht dem Wahrheitswert falsch (f, 0). • Die Klauselform einer Formel F in KNF mit F = ((L1,1 ∨ . . . ∨ L1,m1 ) ∧ . . . ∧ (Ln,1 ∨ . . . ∨ Ln,mn )) Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 {R → K, ¬R → S} |= K ∨ S Als Inferenzregel geschrieben lautet die Resolution wie folgt: F → G, ¬F → H G∨H Für die maschinelle Inferenz benutzt man Resolution in Verbindung mit Klauselform. 147 Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 149 3. Inferenz in der Logik Aussagenlogik 3. Inferenz in der Logik Aussagenlogik {A} Definition 3.11. Seien K1, K2 Klauseln und sei A eine atomare Formel mit A ∈ K1 und ¬A ∈ K2. Dann heißt die Klausel R mit {¬A} R = (K1 \ {A}) ∪ (K2 \ {¬A}) 2 Resolvente von K1 und K2. Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 150 3. Inferenz in der Logik Aussagenlogik Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 152 3. Inferenz in der Logik Aussagenlogik Beispiel 3.12. Herleitung der Aussage aus Beispiel 3.6 mit der Resolutiosregel: Ein Resolutionsschritt wird wie folgt dargestellt: K1 K2 {H, K, M } {¬H, F } {F, K, M } {¬W, ¬K} R Beispiel 3.11. Modus Ponens und Modus Tollens können als Spezialfall der Resolution dargestellt werden: {A} {¬A, B} {¬B} {B} {¬W, F, M } {B, ¬A} {¬A} Die Resolvente zweier widersprüchlicher Klauseln ist die leere Klausel: Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 151 Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 153 3. Inferenz in der Logik Aussagenlogik • Das letzte Beispiel zeigt den direkten Beweis einer Formel mit Hilfe der Resolutionsregeln. • Beim Resolutionskalkül führt man stattdessen einen Widerspruchsbeweis. • D.h., man beweist F |= G, in dem man zeigt, daß F ∧ ¬G unerfüllbar ist (vgl. Satz 3.1). • Dies bedeutet, man leitet aus den Klauseln von F vereinigt mit den Klauseln, die sich aus ¬G ergeben, die leere Klausel ab. 3. Inferenz in der Logik Aussagenlogik Beispiel 3.13. Herleitung der Aussage aus Beispiel 3.6 mit dem Resolutionskalkül: Klauselmenge V der Voraussetzungen: {{H, K, M }, {¬W, ¬K}, {¬H, F }} Klauselmenge A der negierten zu beweisenden Aussage: {{W }, {¬F }, {¬M }} Satz 3.3. Es sei F eine Klauselmenge und es seien K1, K2 ∈ F . Für eine Resolvente R von K1 und K2 gilt F |= R. Es gilt, aus V ∪ A die leere Klausel abzuleiten. Insbesondere ist F genau dann erfüllbar, wenn F ∪ {R} erfüllbar ist. • Satz 3.3 sagt aus, daß durch die Hinzunahme von Resolventen die Erfüllbarkeitseigenschaft einer Klauselmenge nicht beeinträchtigt wird. • Dies nutzt man im Resolutionskalkül aus. Um zu zeigen, daß eine Klauselmenge F unerfüllbar ist, bildet man solange Resolventen und fügt sie der Klauselmenge hinzu, bis irgendwann eine Menge F 0 entsteht, die die leere Klausel enthält. Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 3. Inferenz in der Logik 154 Aussagenlogik • Diese Klauselmenge F 0 ist unerfüllbar, also muß auch die ursprüngliche Klauselmenge F unerfüllbar sein. Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 156 3. Inferenz in der Logik Aussagenlogik {H, K, M } {¬M } {¬H, F } {H, K} {¬F } {¬H} {K} {¬W, ¬K} {¬W } {W } 2 Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 155 Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 157 3. Inferenz in der Logik Aussagenlogik 3. Inferenz in der Logik Aussagenlogik 0 Eigenschaften der Resolution Lemma 3.5. Es sei F eine Klauselmenge. F sei eine Klauselmenge, Satz 3.4. Eine Klauselmenge F ist unerfüllbar genau dann, wenn die leere Klausel 2 mit einer endlichen Anzahl von Resolutionsschritten aus F abgeleitet werden kann. Bemerkung 3.3. Aus Satz 3.4 folgt die Korrektheit und (Widerlegungs)-Vollst ändigkeit des Resolutionskalküls: • die durch sukzessive Resolventenbildung aus F entstanden ist. • F 0 enthalte nicht die leere Klausel und • aus F 0 kann keine neue Resolvente erzeugt werden. Dann ist F 0 und somit auch F erfüllbar. Beweis. Tafel ✎. 2 • Die leere Klausel kann nur dann abgeleitet werden, wenn die ursprüngliche Klauselmenge unerfüllbar ist =⇒ Korrektheit • Das Resolutionskalkül findet für jede unerfüllbare Klauselmenge eine Widerlegung, d.h. die leere Klausel wird abgeleitet =⇒ Vollständigkeit Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 3. Inferenz in der Logik 158 Aussagenlogik • Im Fall der Aussagenlogik ist es entscheidbar, ob die leere Klausel abgeleitet werden kann. • Für n Aussagenvariablen gibt es höchstens 4n verschiedene Klauseln, die aus diesen Aussagenvariablen gebildet werden können. • Der Prozess der Resolventenbildung ist also endlich, d.h. irgendwann k önnen keine neuen Resolventen mehr gebildet werden. Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 159 Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 3. Inferenz in der Logik 160 Aussagenlogik Fazit zur Aussagenlogik • Eine Signatur legt die Variablen der Sprache fest. • Aus den Variablen entsteht durch Festlegung einer Syntax eine Wissensrepr äsentationssprache (Menge der Formeln). • Eine Interpretation gibt den Variablen eine Bedeutung. • Die Erfüllungsrelation dehnt diese Bedeutung auf alle Formeln aus • Über die Erfüllungsrelation wird der Begriff der semantischen Folgerung festgelegt. • Ein Kalkül stellt die Äquivalenz zwischen semantischer Folgerung und syntaktischen Operationen her. Peter Becker, Wissensbasierte Systeme I — FH Bonn-Rhein-Sieg, SS 04 161