Beispiel

Algorithmen und Datenstrukturen
Werner Struckmann
Wintersemester 2005/06
10. Funktionale und deduktive Algorithmen
10.1 Partielle und totale Funktionen
10.2 Funktionale Algorithmen
10.3 Prädikatenlogik
10.4 Deduktive Algorithmen
Einführung
Grundidee:
I
Ein Algorithmus wird durch eine Funktion f realisiert.
I
Die Eingabe des Algorithmus ist ein Element w aus dem
Definitionsbereich von f .
I
Die Ausgabe des Algorithmus ist der Wert f (w ) aus dem
Wertebereich von f .
10.1 Partielle und totale Funktionen
10-1
Einführung
I
Mathematische Funktionen sind häufig deklarativ definiert:
Sie beinhalten keine Angaben zur Durchführung ihrer
Berechnung.
I
Beispiele: f (n, m) = n · m, f (n) = n!.
I
Wie kann ein Algorithmus den Funktionswert f (w )
berechnen?
I
Können alle berechenbaren Probleme derart gelöst werden?
10.1 Partielle und totale Funktionen
10-2
Partielle und totale Funktionen
Eine partielle Funktion
f : A −→ B
ordnet jedem Element x einer Teilmenge Df ⊆ A genau ein
Element f (x ) ∈ B zu. Die Menge Df heißt Definitionsbereich von f .
f ist eine totale Funktion, wenn Df = A gilt.
Beispiel:
f : R −→ R,
Df = R \ {0},
1
f (x ) =
x
Algorithmen können undefinierte Ausdrücke enthalten und müssen
nicht in jedem Fall terminieren, d. h.:
Algorithmen berechnen partielle Funktionen!
10.1 Partielle und totale Funktionen
10-3
Definition von Funktionen
I
Wenn der Definitionsbereich einer Funktion endlich ist, lässt
sie sich durch Angabe aller Funktionswerte in einer Tabelle
definieren.
I
Beispiel:
∧: B×B→B
false
false
true
true
10.1 Partielle und totale Funktionen
false
true
false
true
false
false
false
true
10-4
Definition von Funktionen
I
In den meisten Fällen wird eine Funktion f : A → B durch
einen Ausdruck, der zu jedem Element aus Df genau einen
Wert von B liefert, beschrieben.
I
Beispiel:
max : R × R → R



x
max(x , y ) = 

y
x≥y
x<y
= if x ≥ y then x else y fi
10.1 Partielle und totale Funktionen
10-5
Rekursive Definitionen (Wiederholung)
Die Funktion f : N −→ N wird durch


1







1 f (n ) = 

n

f


2



f (3n + 1)
n = 0,
n = 1,
n ≥ 2, n gerade,
n ≥ 2, n ungerade.
rekursiv definiert.
10.1 Partielle und totale Funktionen
10-6
Auswertung von Funktionen (Wiederholung)
Funktionsdefinitionen können als Ersetzungssysteme gesehen
werden. Funktionswerte lassen sich aus dieser Sicht durch
wiederholtes Einsetzen berechnen. Die Auswertung von f (3) ergibt
f (3) → f (10) → f (5) → f (16) → f (8) → f (4) → f (2) →
f ( 1) → 1.
Terminiert der Einsetzungsprozess stets?
10.1 Partielle und totale Funktionen
10-7
Formen der Rekursion (Wiederholung)
I
Lineare Rekursion,
I
Endrekursion,
I
Verzweigende Rekursion (Baumrekursion),
I
Geschachtelte Rekursion,
I
Verschränkte Rekursion (wechselseitige Rekursion).
10.1 Partielle und totale Funktionen
10-8
Funktionen höherer Ordnung
Funktionen können selbst Argumente oder Werte sein. In diesem
Fall spricht man von Funktionen höherer Ordnung oder
Funktionalen.
f : (A1 → A2 ) × A3 → B
g : A → (B 1 → B 2 )
h : (A1 → A2 ) → (B1 → B2 )
10.1 Partielle und totale Funktionen
10-9
Funktionen höherer Ordnung
Beispiele:
I
Summe:
b
X
f (i )
i =a
I
Komposition von Funktionen:
I
Auswahl zwischen Funktionen:
I
Bestimmtes Integral:
10.1 Partielle und totale Funktionen
Z
f ◦g
if p then f else g fi
b
f (x ) dx
a
10-10
Funktionale Algorithmen
I
Ein Algorithmus heißt funktional, wenn die
Berechnungsvorschrift mittels einer Sammlung (partieller)
Funktionen definiert wird.
I
Die Funktionsdefinitionen dürfen insbesondere Rekursionen
und Funktionen höherer Ordnung enthalten.
10.2 Funktionale Algorithmen
10-11
Funktionale Algorithmen
Beispiel:
f ( 0) = 0
f ( 1) = 1
f (n) = nf (n − 2)
Wenn wir als Datenbereich die Menge der ganzen Zahlen
zugrunde legen, berechnet dieser Algorithmus die Funktion
f : Z → Z mit Df = N und



0
n gerade








n −1
f (n ) = 

2

Y




(2i + 1) n ungerade



i =0
10.2 Funktionale Algorithmen
10-12
Funktionale Programmiersprachen
Programmiersprachen, die in erster Linie für die Formulierung
funktionaler Algorithmen gedacht sind, heißen funktional.
Funktionale Programmiersprachen sind beispielsweise
I
Lisp,
I
Scheme,
I
ML, SML und
I
Haskell.
Man kann in vielen imperativen/objektorientierten
Programmiersprachen funktional programmieren – und umgekehrt!
10.2 Funktionale Algorithmen
10-13
Lisp und Scheme
I
Lisp wurde Ende der 50er Jahre von John McCarthy
entwickelt.
I
Im Laufe der Jahre wurden viele Lisp-Dialekte, u. a. Common
Lisp und Scheme definiert.
I
Die erste Version von Scheme stammt aus dem Jahre 1975.
Autoren waren Guy Lewis Steele Jr. und Gerald Jay Sussman.
I
Lisp und Scheme werden in der Regel interpretiert, nicht
compiliert.
10.2 Funktionale Algorithmen
10-14
Algorithmus von Euklid
Funktional geschrieben hat der
Algorithmus von Euklid
die Form:
ggT(a , 0) = a
ggT(a , b ) = ggT(b , a mod b )
Beispiel: ggT(36, 52) → ggT(52, 36) → ggT(36, 16) →
ggT(16, 4) → ggT(4, 0) → 4
10.2 Funktionale Algorithmen
10-15
Scheme: Algorithmus von Euklid
Der funktionale
Algorithmus von Euklid
lautet beispielsweise als Scheme-Programm:
(define (ggT a b)
(if (= b 0)
a
(ggT b (remainder a b))))
(ggT 36 52)
4
10.2 Funktionale Algorithmen
10-16
Terme
Terme sind aus
I
Konstanten,
I
Variablen,
I
Funktions- und
I
Relationssymbolen
zusammengesetzte Zeichenketten. Terme besitzen einen Typ.
Beispiele:
I
I
Die Konstanten . . . , −2, −1, 0, 1, 2, . . . sind int-Terme.
13 −
√
2 + 3 ist ein real-Term.
I
4 · (3 − 2) + 3 · i ist ein int-Term, falls i eine Variable vom Typ
int ist.
I
Ist b ein bool-Term und sind t , u int-Terme, so ist auch
if b then t else u fi ein int-Term.
10.2 Funktionale Algorithmen
10-17
Funktionsdefinitionen
Die Gleichung
f (x1 , . . . , xn ) = t (x1 , . . . , xn )
heißt Definition der Funktion f vom Typ τ, wenn gilt:
I
f ist der Funktionsname.
I
x1 , . . . , xn sind Variable, die formale Parameter genannt
werden. Die Typen von x1 , . . . , xn seien τ1 , . . . , τn .
I
t ist ein Term, der die Variablen x1 , . . . , xn enthält. Der Typ von
t sei τ.
I
f : τ1 × · · · × τn → τ heißt Signatur von f .
Der Fall n = 0 ist zugelassen. In diesem Fall liefert die Auswertung
stets das gleiche Ergebnis. Die Funktion entspricht somit einer
Konstanten.
10.2 Funktionale Algorithmen
10-18
Funktionsdefinitionen
Beispiele:
ZylVol(h , r )
π
max(x , y )
f (p , q , x , y )
g (x )
h (p , q )
10.2 Funktionale Algorithmen
= h · π · r2
(Signatur ZylVol: real×real→real)
= 3.1415926535 . . .
(Signatur: π →real)
= if x > y then x else y fi
(Signatur max: int×int→int)
= if p ∨ q then 2 · x + 1 else 3 · y − 1 if
(Signatur f: bool×bool×int×int→int)
= if even(x ) then x2 else 3 · x + 1 fi
(Signatur g: int→int)
= if p then q else false fi
(Signatur h: bool×bool→bool)
10-19
Funktionsanwendungen
I
Unter einer Anwendung (Applikation) einer Funktion
f (x1 , . . . , xn ) = t (x1 , . . . , xn ) versteht man einen Ausdruck
f (a1 , . . . , an ).
I
Für die formalen Parameter werden Ausdrücke (aktuelle
Parameter) eingesetzt, die den richtigen Typ besitzen müssen.
I
Die Auswertung liefert eine Folge
f (a1 , . . . , an ) → t (a1 , . . . , an ) → · · · .
I
Es muss genau festgelegt werden, wie und in welcher
Reihenfolge auftretende (Teil-)Ausdrücke ausgewertet
werden.
I
Diese Folge muss nicht terminieren.
10.2 Funktionale Algorithmen
10-20
Funktionsanwendungen
f (p , q, x , y ) = if p ∧ q then 2 · x + 1 else 3 · y − 1 fi
f (false , false , 3, 4) = if false ∧ false then 2 · x + 1
else 3 · y − 1 fi
= if false then 2 · 3 + 1 else 3 · 4 − 1 fi
= 3 · 4 − 1 = 11
x
g (x ) = if even(x ) then else 3 · x + 1 fi
2
1
g (1) = if even(1) then else 3 · 1 + 1 fi
2
=3·1+1=4
10.2 Funktionale Algorithmen
10-21
Funktionsanwendungen
h (p , q) = if p then 8 else 8/q fi
h (true , 2) = if true then 8 else 8/2 fi
=8
h (false , 2) = if false then 8 else 8/2 fi
=4
h (false , 0) = if false then 8 else 8/0 fi
undefiniert
h (true , 0) = if true then 8 else 8/0 fi
=8
Bei der Auswertung des Terms if b then t1 else t2 fi wird
zunächst der boolesche Term b ausgewertet, und dann, abhängig
vom Ergebnis, t1 oder t2 .
10.2 Funktionale Algorithmen
10-22
Funktionsdefinitionen
Eine Funktion kann auch in mehreren Gleichungen definiert
werden, jeweils für einen Teil der Argumente.
Beispiel:
f (0) = 0
f (1) = 2
f (−1) = 2
f (x ) = if x > 1 then x (x − 1) else − x (x − 1) fi
Die Auswertung erfolgt dabei von oben nach unten, wobei die erste
passende linke Seite für die Berechnung angewendet wird. Es
kommt daher auf die Reihenfolge der Gleichungen an.
10.2 Funktionale Algorithmen
10-23
Funktionsdefinitionen
Folgendes Gleichungssystem definiert eine andere Funktion.
f (−1) = 2
f (x ) = if x > 1 then x (x − 1) else − x (x − 1) fi
f (1) = 2
f (0) = 0
Hier sind die letzten beiden Gleichungen überflüssig.
Man kann mehrere Definitionsgleichungen immer in einer
Gleichung zusammenfassen, indem man geschachtelte
if-then-else-fi Konstrukte verwendet.
10.2 Funktionale Algorithmen
10-24
Funktionsdefinitionen
Das erste Beispiel oben lässt sich in einer Gleichung schreiben:
f (x ) = if x = 0 then 0
else if x = 1 then 2
else if x = −1 then 2
else if x > 1 then x (x − 1)
else − x (x − 1)
fi fi fi fi
Die Schreibweise mit mehreren Gleichungen ist in der Regel
übersichtlicher.
10.2 Funktionale Algorithmen
10-25
Funktionsdefinitionen
Ein Wächter (guard) ist eine Vorbedingung, die für die Anwendung
einer Definitionsgleichung erfüllt sein muss.
Beispiel:
f ( 0) = 0
f ( 1) = 2
f (−1) = 2
x > 1 :f (x ) = x (x − 1)
f (x ) = −x (x − 1)
10.2 Funktionale Algorithmen
10-26
Funktionsdefinitionen
Eine Funktionsdefinition kann unvollständig sein.
Beispiel:
f ( 0) = 0
f ( 1) = 2
f (−1) = 2
x > 1 : f ( x ) = x ( x − 1)
Gegenüber dem vorigen Beispiel fehlt hier die letzte Gleichung. Es
gibt daher keine Berechnungsvorschrift für Werte < −1. D. h., die
Funktion ist dort nicht definiert.
10.2 Funktionale Algorithmen
10-27
Funktionsdefinitionen
Funktionen können unter Verwendung von Hilfsfunktionen definiert
werden.
Beispiel:
Volumen(h , r , a , b , c ) = ZylVol(h , r ) + QuadVol(a , b , c )
ZylVol(h , r ) = h · KreisFl(r )
KreisFl(r ) = πr 2
QuadVol(a , b , c ) = a · b · c
Einsetzen führt zu einer einzeiligen Definition:
Volumen(h , r , a , b , c ) = h πr 2 + a · b · c
10.2 Funktionale Algorithmen
10-28
Auswertung von Funktionen
Volumen(3, 2, 5, 1, 5) = ZylVol(3, 2) + QuadVol(5, 1, 5)
= 3 · KreisFl(2) + QuadVol(5, 1, 5)
= 3π22 + QuadVol(5, 1, 5)
= 3π 2 2 + 5 · 1 · 5
= 12π + 25
≈ 62.699111843
Alternativ kann einem Term ein Name gegeben werden, der dann
(mehrfach) verwendet werden kann:
f (a , b ) = x · x where x = a + b
ist gleichbedeutend mit
f (a , b ) = (a + b ) · (a + b ).
10.2 Funktionale Algorithmen
10-29
Applikative Algorithmen
Ein applikativer (funktionaler) Algorithmus ist eine Liste von
Funktionsdefinitionen
f1 (x1,1 , . . . , x1,n1 ) = t1 (x1,1 , . . . , x1,n1 ),
f2 (x2,1 , . . . , x2,n2 ) = t2 (x2,1 , . . . , x2,n2 ),
.. ..
.=.
fm (xm,1 , . . . , xm,nm ) = tm (xm,1 , . . . , xm,nm ).
Die erste Funktion ist die Bedeutung (Semantik) des Algorithmus.
Die Funktion wird für eine Eingabe (a1 , . . . , an1 ) wie beschrieben
ausgewertet. Die Ausgabe ist f1 (a1 , . . . , an1 ).
10.2 Funktionale Algorithmen
10-30
Gültigkeit und Sichtbarkeit
Beispiel:
f (a , b ) = g (b ) + a
g (a ) = a · b
b=3
f (1, 2) = g (2) + 1 = 2 · b + 1 = 2 · 3 + 1 = 7
Die globale Definition von b wird in der Definition von f durch die
lokale Definition verdeckt. Es treten also auch hier die Fragen nach
dem Gültigkeits- und dem Sichtbarkeitsbereich von Variablen auf,
wie wir sie in Kapitel 2 bei den imperativen Algorithmen
angetroffen haben.
10.2 Funktionale Algorithmen
10-31
Undefinierte Funktionswerte
Die Fakultätsfunktion ist definiert durch:
Fac(0) = 1
Fac(n) = n · Fac(n − 1)
Für negative Parameter terminiert die Berechnung nicht:
Fac(−1) = −1 · Fac(−2) = −1 · −2 · Fac(−3) = · · ·
Die Funktion Fac ist also partiell. Es gibt drei mögliche Ursachen
für undefinierte Funktionswerte:
I
Die Parameter führen zu einer nicht terminierenden
Berechnung.
I
Eine aufgerufene Funktion ist für einen Parameter undefiniert
(zum Beispiel Division durch 0).
I
Die Funktion ist unvollständig definiert.
10.2 Funktionale Algorithmen
10-32
Komplexe Datentyen
Komplexe Datentypen (Datenstrukturen) entstehen durch
Kombination elementarer Datentypen und besitzen spezifische
Operationen. Sie können vorgegeben oder selbstdefiniert sein.
Die grundlegenden Datentypen werden auch Atome genannt.
Übliche Atome sind die Typen int, bool, float und char sowie
Variationen davon.
Es gibt in Bezug auf das Anwendungsspektrum eine
Unterscheidung in
I
generische Datentypen: Sie werden für eine große Gruppe
ähnlicher Problemstellungen entworfen und sind oft im
Sprachumfang enthalten (Liste, Keller, Feld, Verzeichnis, . . . ).
I
spezifische Datentypen: Sie dienen der Lösung einer eng
umschriebenen Problemstellung und werden im
Zusammenhang mit einem konkreten Problem definiert
(Adresse, Person, Krankenschein, . . . ).
10.2 Funktionale Algorithmen
10-33
Generische Datentypen der funktionalen
Programmierung
In der funktionalen Programmierung spielen die folgenden
generischen Datentypen eine hervorgehobene Rolle:
I
Listen,
I
Texte (Liste von Zeichen),
I
Tupel,
I
Funktionen.
10.2 Funktionale Algorithmen
10-34
Listen
Die Datenstruktur funktionaler Sprachen und Programmierung. Die
funktionale Programmierung wurde anfangs auch
Listenverarbeitung genannt. Lisp steht für „List Processor“.
Beispiele:
I
Liste von Messwerten, geordnet nach
Aufzeichnungszeitpunkt, z. B. Zimmertemperatur (° C) im
Informatikzentrum nach Ankunft:
[17.0, 17.0, 17.1, 17.2, 17.4, 17.8].
I
Alphabetisch geordnete Liste von Namen z. B. Teilnehmer der
kleinen Übung: [„Baltus“, „Bergmann“, „Cäsar“].
I
Alphabetisch geordnete Liste von Namen mit Vornamen, d. h.
Liste von zweielementigen Listen mit Namen und Vornamen:
[[„Kundera“, „M.“], [„Hesse“, „S.“], [„Einstein“, „A.“]].
10.2 Funktionale Algorithmen
10-35
Listen
Syntax und Semantik:
I
[D ] ist der Datentyp der Listen, d. h. der endlichen Folgen,
über D .
I
Notation: [x1 , x2 , . . . , xn ] ∈ [D ] für x1 , x2 , . . . , xn ∈ D .
Beispiele:
I
[real]: Menge aller Listen von Fließkommazahlen, z. B.
Messwerte, Vektoren über R.
I
[char]: Menge aller Listen von Buchstaben, z. B. Namen,
Befunde, Adressen.
I
[[char]]: Menge aller Listen von Listen von Buchstaben, z. B.
Namensliste.
10.2 Funktionale Algorithmen
10-36
Typische Listenoperationen
I
[]: leere Liste.
I
e: l: Verlängerung einer Liste l nach vorn um ein
Einzelelement e , z. B. 1 : [2, 3] = [1, 2, 3].
I
length(l): Länge einer Liste l , z. B. length ([4, 5, 6]) = 3.
I
I
I
head(l): erstes Element e einer nichtleeren Liste l = e : l 0 ,
z. B. head ([1, 2, 3]) = 1.
tail(l): Restliste l 0 einer nichtleeren Liste l = e : l 0 nach
Entfernen des ersten Elementes, z. B. tail ([1, 2, 3]) = [2, 3].
last(l): letztes Element einer nichtleeren Liste, z. B.
last ([1, 2, 3]) = 3.
10.2 Funktionale Algorithmen
10-37
Typische Listenoperationen
I
I
I
init(l): Restliste einer nichtleeren Liste nach Entfernen des
letzten Elements, z. B. init ([1, 2, 3]) = [1, 2].
l++l’: Verkettung zweier Listen l und l 0 , z. B.
[1, 2] + +[3, 4] = [1, 2, 3, 4].
l!!n: Das n-te Element der Liste l , wobei 1 ≤ n ≤ length (l ),
z. B. [2, 3, 4, 5]!!3 = 4.
Vergleichsoperationen = und ,:
(e1 : t1 ) = (e2 : t2 ) ⇔ e1 = e2 ∧ t1 = t2 ,
l1 , l2 ⇔ ¬(l1 = l2 ).



[i , i + 1, i + 2, . . . , j − 1, j ]
[i , . . . , j ] = 

[]
10.2 Funktionale Algorithmen
falls i ≤ j ,
falls i > j .
10-38
Typische Listenoperationen
Die folgende Funktion berechnet rekursiv das Spiegelbild einer
Liste.
mirror :[int ] → [int ]
mirror ([]) = []
mirror (l ) = last (l ) : mirror (init (l ))
mirror ([1, 2, 3, 4]) = 4 : mirror (init ([1, 2, 3, 4]))
= 4 : mirror ([1, 2, 3]) = 4 : (3 : mirror ([1, 2]))
= 4 : (3 : (2 : mirror ([1])))
= 4 : (3 : (2 : (1 : mirror ([]))))
= 4 : (3 : (2 : (1 : [])))
= 4 : (3 : (2 : [1])) = 4 : (3 : [2, 1])
= 4 : [3, 2, 1] = [4, 3, 2, 1]
10.2 Funktionale Algorithmen
10-39
Typische Listenoperationen
Die folgende Funktion berechnet rekursiv das Produkt der
Elemente einer Liste.
prod :[int ] → int
prod ([]) = 1
prod (l ) = head (l ) · prod (tail (l ))
Die folgende Funktion konkateniert rekursiv eine Liste von Listen.
concat :[[t ]] → [t ]
concat ([]) = []
concat (l ) = head (l ) + +concat (tail (l ))
concat ([[1, 2], [], [3], [4, 5, 6]]) = [1, 2, 3, 4, 5, 6]
10.2 Funktionale Algorithmen
10-40
Sortierverfahren
Alle Algorithmen aus den vorhergehenden Kapiteln lassen sich
auch funktional beschreiben, häufig sehr viel eleganter. Als
Beispiel betrachten wir zwei Sortierverfahren.
Wiederholung: Es sei eine Ordungsrelation ≤ auf dem
Elementdatentyp D gegeben.
I
I
I
I
Eine Liste l = (x1 , . . . , xn ) ∈ [D ] heißt sortiert, wenn
x1 ≤ x2 ≤ · · · ≤ xn gilt.
Eine Liste l 0 = [D ] heißt Sortierung von l ∈ [D ], wenn l und l 0
die gleichen Elemente haben und l 0 sortiert ist.
Eine Sortierung l 0 von l heißt stabil, wenn sie gleiche
Listenelemente nicht in ihrer Reihenfolge vertauscht.
l = [5, 9, 3, 8, 8], l 0 = [3, 5, 8, 8, 9] (nicht stabil wäre
l 00 = [3, 5, 8, 8, 9])
Ein Sortieralgorithmus heißt stabil, wenn er stabile
Sortierungen liefert
10.2 Funktionale Algorithmen
10-41
Sortieren durch Einfügen
Beim Sortieren durch Einfügen wird die Ordnung hergestellt, indem
jedes Element an der korrekten Position im Feld eingefügt wird.
insert (x , [])
= [x ]
x ≤ y :insert (x , y : l ) = x : y : l
insert (x , y : l ) = y : insert (x , l )
Für das Sortieren einer unsortierten Liste gibt es zwei Varianten:
sort 1([]) = []
sort 1(l ) = insert (head (l ), sort 1(tail (l )))
sort 2([]) = []
sort 2(l ) = insert (last (l ), sort 2(init (l )))
Welche dieser Algorithmen sind stabil?
10.2 Funktionale Algorithmen
10-42
Sortieren durch Auswählen
Beim Sortieren durch Auswählen wird das kleinste (größte)
Element an den Anfang (das Ende) der sortierten Liste angefügt.
Die folgende Funktion löscht ein Element aus einer Liste:
delete (x , [])
= []
x = y :delete (x , y : l ) = l
delete (x , y : l ) = y : delete (x , l )
Für das Sortieren einer unsortierten Liste gibt es wieder zwei
Varianten:
sort 3(l ) = x : sort 3(delete (x , l ))
where x = min(l )
sort 4(l ) = sort 4(delete (x , l )) + +[x ] where x = max (l )
Wie lauten min und max ? Was lässt sich über die Stabilität dieser
beiden Algorithmen aussagen?
10.2 Funktionale Algorithmen
10-43
Extensionale und intensionale Beschreibungen
Bisher wurden Listen durch Aufzählung oder Konstruktion
beschrieben. Man spricht von einer extensionalen Beschreibung.
Mengen werden implizit durch einen Ausdruck der Form
{t (x ) | p (x )} angegeben.
Beispiel: {x 2 | x ∈ N ∧ x mod 2 = 0} = {4, 16, . . .}
Analog hierzu bedeutet
[t (x ) | x ← l , p (x )]
die Liste aller Werte t (x ), die man erhält, wenn x die Liste l
durchläuft, wobei nur die Elemente aus l ausgewählt werden, die
der Bedingung p (x ) genügen.
[t (x ) | x ← l , p (x )] ist eine intensionale Definition. t (x ) ist ein Term.
x ← l heißt Generator und p (x ) ist eine Auswahlbedingung.
10.2 Funktionale Algorithmen
10-44
Intensionale Beschreibungen
[x | x ← [1 . . . 5]] = [1, 2, 3, 4, 5]
[x 2 | x ← [1 . . . 5]] = [1, 4, 9, 16, 25]
[x 2 | x ← [1 . . . 5], odd (x )] = [1, 9, 25]
Eine intensionale Beschreibung kann auch mehrere Generatoren
enthalten:
[x 2 − y | x ← [1 . . . 3], y ← [1 . . . 3]] = [0, −1, −2, 3, 2, 1, 8, 7, 6]
[x 2 − y | x ← [1 . . . 3], y ← [1 . . . x ]] = [0, 3, 2, 8, 7, 6]
[x 2 − y | x ← [1 . . . 4], odd (x ), y ← [1 . . . x ]] = [0, 8, 7, 6]
[x 2 − y | x ← [1 . . . 4], y ← [1 . . . x ], odd (x )] = [0, 8, 7, 6]
Man vergleiche die Effizienz der beiden letzten Beschreibungen.
10.2 Funktionale Algorithmen
10-45
Intensionale Beschreibungen
teiler (n) = [i | i ← [1 . . . n], n mod i = 0]
teiler (18) = [1, 2, 3, 6, 9, 18]
ggT (a , b ) = max ([d | d ← teiler (a ), b mod d = 0])
ggT (18, 8) = max ([d | d ← [1, 2, 3, 6, 9, 18], 8 mod d = 0])
= max ([1, 2]) = 2
primzahl (n) = (teiler (n) = [1, n])
primzahl (17) = (teiler (17) = [1, 17]) = true
concat (l ) = [x | l 0 ← l , x ← l 0 ]
concat ([[1, 2, 3],[4, 5, 6]]) = [1, 2, 3, 4, 5, 6]
10.2 Funktionale Algorithmen
10-46
Tupel
Tupel sind Listen fester Länge.
Beispiele:
I
I
I
(1.0, −3.2) als Darstellung für die komplexe Zahl 1 − 3.2i .
(4, 27) als Abbildung eines Messzeitpunkts (4 ms ) auf einen
Messwert (27 V ).
(2, 3.4, 5) als Darstellung eines Vektors im R3 .
Der Typ t eines Tupels ist das kartesische Produkt der seiner
Elementtypen: t = t1 × t2 × . . . × tn
Schreibweise für Elemente des Typs t : (x1 , x2 , . . . , xn ) Man nennt
(x1 , x2 , . . . , xn ) ein n-Tupel.
Tupel sind grundlegende Typen aller funktionalen Sprachen.
10.2 Funktionale Algorithmen
10-47
Tupel
Auf der Basis von Tupeln lassen sich spezifische Datentypen
definieren:
I
I
date: int × text × int . Datumsangaben mit Werten wie (2, „Mai“,
2001). Es dürfen nur gültige Werte aufgenommen werden.
rat: int × int . Rationale Zahlen mit Werten wie (2,3) für 23 . Das
2-Tupel (Paar) (1, 0) stellt keinen gültigen Wert dar.
Beispiele für Funktionen auf rat:
ratAdd , ratMult :rat × rat → rat
kuerze :rat → rat
kuerze (z , n) = (z div g , n div g ) where g = ggT (z , n)
ratAdd ((z1 , n1 ), (z2 , n2 )) = kuerze (z1 n2 + z2 n1 , n1 n2 )
ratMult ((z1 , n1 ), (z2 , n2 )) = kuerze (z1 z2 , n1 n2 )
10.2 Funktionale Algorithmen
10-48
Funktionen höherer Ordnung
I
Funktionen als Datentypen machen es möglich, Funktionen
auf Funktionen anzuwenden.
I
Eine Funktion f : A → B ist vom Typ A → B .
I
Die Operation → sei rechtsassoziativ, d. h.
A → B → C = A → (B → C )
10.2 Funktionale Algorithmen
10-49
Currying
I
Das Currying vermeidet kartesische Produkte: Eine Abbildung
f : A ×B →C
kann als eine Abbildung
f : A → (B → C ) = A → B → C
gesehen werden.
I
Beispiel: f : int × int mit f (x , y ) = x + y entspricht
fg : int → int → int mit f (x ) = gx : int → int und
gx (y ) = x + y . Hintereinanderausführung:
(fg (x ))(y ) = gx (y ) = x + y = f (x , y )
10.2 Funktionale Algorithmen
10-50
Funktionen höherer Ordnung
Funktionen können als Werte und Argumente auftreten.
Beispiel: Ein Filter, der aus einer Liste diejenigen Elemente
auswählt, die einer booleschen Bedingung genügen.
Spezifikation:
filter (p , l ) = [x | x ← l , p (x )]
Definition:
filter
filter (p , [])
: (t → bool ) × [t ] → [t ]
= []
p (x ) :filter (p , x : l ) = x : filter (p , l )
filter (p , x : l ) = filter (p , l )
10.2 Funktionale Algorithmen
10-51
Funktionen höherer Ordnung
Fortsetzung zum Filter, Anwendung:
p : int → bool
even(i ) :p (i )
p (i )
= true
= false
filter (p , [1 . . . 5]) = [2, 4]
10.2 Funktionale Algorithmen
10-52
Deduktive Algorithmen
deduktiver Algorithmus
logische
Aussagen
Anfrage
Auswertungsalgorithmus
für Anfragen
Logisches Paradigma
Die wichtigste logische Programmiersprache ist Prolog.
10.3 Prädikatenlogik
10-53
Prädikatenlogik
I
Grundlage des logischen Paradigmas ist die Prädikatenlogik.
I
Beispiel einer Aussage: „Susanne ist Tochter von Petra“.
I
Eine Aussageform ist eine Aussage mit Unbestimmten: x ist
Tochter von y .
I
Durch eine Belegung der Unbestimmten kann eine
Aussageform in eine Aussage transformiert werden:
x ← Susanne , y ← Petra .
I
Statt natürlichsprachiger Aussagen und Aussageformen,
werden in deduktiven Algorithmen atomare Formeln
verwendet: Tochter (x , y ).
10.3 Prädikatenlogik
10-54
Prädikatenlogik
Alphabet:
I
Konstante: a , b , c , . . ..
I
Unbestimmte/Variable: x , y , z , . . ..
I
Prädikatssymbole: P , Q , R , . . . mit Stelligkeit.
I
Logische Verknüpfungen: ∧, ⇒, . . ..
Atomare Formeln: P (t1 , . . . , tn ).
Fakten: Atomare Formeln ohne Unbestimmte.
Regeln haben die Form (αi ist atomare Formel):
α1 ∧ α 2 ∧ · · · ∧ α n ⇒ α 0
α1 ∧ α2 ∧ · · · ∧ αn wird als Prämisse, α0 als Konklusion der Regel
bezeichnet.
10.3 Prädikatenlogik
10-55
Beispiel
Zwei Fakten:
I
Tochter (Susanne , Petra )
I
Tochter (Petra , Rita )
Eine Regel mit Unbestimmten:
I
Tochter (x , y ) ∧ Tochter (y , z ) ⇒ Enkelin(x , z )
Die Ableitung neuer Fakten erfolgt analog zur Implikation:
1. Finde eine Belegung der Unbestimmten einer Regel, so dass
auf der linken Seite (Prämisse) bekannte Fakten stehen.
2. Die rechte Seite ergibt den neuen Fakt.
10.3 Prädikatenlogik
10-56
Beispiel
Belegung der Unbestimmten der Regel:
x ← Susanne , y ← Petra , z ← Rita
Anwendung der Regel ergibt neuen Fakt: Enkelin(Susanne , Rita )
(Erste) Idee deduktiver Algorithmen:
1. Definition einer Menge von Fakten und Regeln sowie einer
Anfrage in Form einer zu prüfenden Aussage; z. B.
Enkelin(Susanne , Rita ).
2. Prüfen und Anwenden der Regeln, bis keine neuen Fakten
mehr erzeugt werden können.
3. Prüfen, ob Anfrage in Faktenmenge enthalten ist.
10.3 Prädikatenlogik
10-57
Deduktive Algorithmen
I
Ein deduktiver Algorithmus D besteht aus einer Menge von
Fakten und Regeln.
I
Aus einem deduktiven Algorithmus sind neue Fakten
ableitbar. Die Menge aller Fakten F (D ) enthält alle direkt oder
indirekt aus D ableitbaren Fakten.
I
Ein deduktiver Algorithmus definiert keine Ausgabefunktion
wie applikative oder imperative Algorithmen. Erst die
Beantwortung von Anfragen liefert ein Ergebnis.
I
Eine Anfrage γ ist eine Konjunktion von atomaren Formeln mit
Unbestimmten: γ = α1 ∧ α2 ∧ · · · ∧ αn
10.4 Deduktive Algorithmen
10-58
Beispiel: Addition zweier Zahlen
Fakten:
I
suc (n, n + 1) für alle n ∈ Ž
Regeln:
1. true ⇒ add (x , 0, x )
2. add (x , y , z ) ∧ suc (y , v ) ∧ suc (z , w ) ⇒ add (x , v , w )
Anfrage: add (3, 2, 5) liefert true.
Auswertung:
I
Regel 1 mit der Belegung x = 3: add (3, 0, 3)
I
Regel 2 mit der Belegung x = 3, y = 0, z = 3, v = 1, w = 4:
add (3, 1, 4)
I
Regel 2 mit der Belegung x = 3, y = 1, z = 4, v = 2, w = 5:
add (3, 2, 5)
10.4 Deduktive Algorithmen
10-59
Beispiel: Addition zweier Zahlen
I
add (3, 2, x ) liefert x = 5.
I
add (3, x , 5) liefert x = 2.
I
add (x , y , 5) liefert
(x , y ) ∈ {(0, 5), (1, 4), (2, 3), (3, 2), (4, 1), (5, 0)}.
I
add (x , y , z ) liefert eine unendliche Ergebnismenge.
I
add (x , x , 4) liefert x = 2.
I
add (x , x , x ) liefert x = 0.
I
add (x , x , z ) ∧ add (x , z , 90) liefert (x , z ) = (30, 60).
Deduktive Algorithmen sind deklarativ (s. oben). Im Vergleich zu
applikativen und imperativen Algorithmen sind sie sehr flexibel –
und häufig ineffizient.
10.4 Deduktive Algorithmen
10-60
Auswertungsalgorithmus
Dieser informelle nichtdeterministische Algorithmus wertet
Anfragen aus:
1. Starte mit der Anfrage γ (anzusehen als Menge atomarer
Formeln).
2. Suche Belegungen, die entweder
I einen Teil von γ mit Fakten gleichsetzen (Belegung von
Unbestimmten von γ) oder
I einen Fakt aus γ mit einer rechten Seite einer Regel
gleichsetzen (Belegungen von Unbestimmten in einer Regel).
Setze diese Belegung ein.
3. Wende passende Regeln rückwärts an, ersetze also in γ die
Konklusion durch die Prämisse.
4. Entferne gefundene Fakten aus der Menge γ.
5. Wiederhole diese Schritte bis γ leer ist.
10.4 Deduktive Algorithmen
10-61
Beispiel: Addition zweier Zahlen
1. add (3, 2, 5).
2. add (3, y 0 , z 0 ), suc (y 0 , 2), suc (z 0 , 5).
3. y 0 = 1, dadurch Fakt suc (1, 2) streichen.
4. add (3, 1, z 0 ), suc (z 0 , 5).
5. z 0 = 4, dadurch Fakt suc (4, 5) streichen.
6. add (3, 1, 4).
7. add (3, y 00 , z 00 ), suc (y 00 , 1), suc (z 00 , 4).
8. y 00 = 0, z 00 = 3 beide Fakten streichen.
9. add (3, 0, 3) streichen, damit zu bearbeitende Menge leer, also
10. true .
10.4 Deduktive Algorithmen
10-62
Beispiel: Addition zweier Zahlen
1. add (3, 2, x ).
2. add (3, y 0 , z 0 ), suc (y 0 , 2), suc (z 0 , x ).
3. y 0 = 1, dadurch Fakt suc (1, 2), streichen.
4. add (3, 1, z 0 ), suc (z 0 , x ).
5. add (3, y 00 , z 00 ), suc (y 00 , 1), suc (z 00 , z 0 ), suc (z 0 , x ).
6. y 00 = 0, dadurch Fakt suc (0, 1), streichen.
7. add (3, 0, z 00 ), suc (z 00 , z 0 ), suc (z 0 , x ).
8. z 00 = 3, dadurch Regel 2 erfüllt, streichen.
9. suc (3, z 0 ), suc (z 0 , x ).
10. z 0 = 4, dadurch Fakt suc (3, 4) streichen.
11. suc (4, x ).
12. x = 5, die zu bearbeitende Menge ist leer und eine Lösung
für x bestimmt.
10.4 Deduktive Algorithmen
10-63
Deduktive Algorithmen
I
Für eine Anfrage können unendlich viele Lösungen existieren:
add (x , y , z ).
I
Die Bestimmung aller möglichen Berechnungspfade kann
durch Backtracking erfolgen.
Das angegebene Verfahren ist sehr vereinfacht:
I
I
I
10.4 Deduktive Algorithmen
Wie wird verhindert, dass ein unendlich langer Weg
eingeschlagen wird?
Was ist mit Negationen?
10-64