Mod15 All

Modellierung
Prof. Dr. Sibylle Schwarz

HTWK Leipzig, Fakultat IMN
Gustav-Freytag-Str. 42a, 04277 Leipzig
Zimmer Z 411 (Zuse-Bau)
http://www.imn.htwk-leipzig.de/~schwarz
sibylle.schwarz@htwk-leipzig.de
Wintersemester 2015/16
Informatik
Informatik Lehre von der Darstellung und Verarbeitung von
Information durch Algorithmen
Teilgebiete der Informatik:
theoretisch
technisch
Sprachen zur Formulierung von Information und

Algorithmen,
I M
oglichkeiten und Grenzen
der Berechenbarkeit durch Algorithmen,
I Grundlagen f
ur technische und praktische
(und angewandte) Informatik
I
maschinelle Darstellung von Information

Mittel zur Ausf
uhrung von Algorithmen
(Rechnerarchitektur, Hardware-Entwurf, Netzwerk, . . . )
I
I
praktisch Entwurf und Implementierung von Algorithmen

(Betriebssysteme, Compilerbau, SE, . . . )
angewandt Anwendung von Algorithmen
(Text- und Bildverarbeitung, Datenbanken, KI, Medizin-,
Bio-, Wirtschafts-, Medieninformatik, . . . )
2
Syntax und Semantik

algorithmische Verarbeitung von Information erfordert
geeignete Darstellung der Information
I
Formalismus (Kalk
ul):
Maschinen-( und Menschen-)lesbare Sprache
eindeutige Zuordnung einer Bedeutung zu den Elementen des

Formalismus
Semantik (Bedeutung)
Was wird dargestellt?
Syntax (Darstellungsform)
Wie wird es dargestellt?
(meist viele verschiedene M
oglichkeiten)
Beispiel Munzenspiel
Spielfeld:
(beidseitig unendliche) Folge von Stapeln von M
unzen
...
...
1. Zu Beginn liegen 5 M
unzen auf einem Stapel, alle anderen
Stapel sind leer.
2. In jedem Zug werden zwei M
unzen von einem Stapel
(auf dem wenigstens zwei M
unzen liegen) genommen und eine
davon auf den rechten, die andere auf den linken
Nachbarstapel gelegt.
3. Das Spiel ist zuende, wenn kein Zug mehr m
oglich ist.
Munzenspiel: Fragen
I
In welchen Spielzustanden sind keine Z

uge moglich?
Welche Zustande sind aus dem Startzustand erreichbar?
Wieviele Z
uge k
onnen (mindestens / h
ochstens) gespielt
werden, bis kein Zug mehr m
oglich ist?
M
unzenspiel f
ur zwei Personen:
4. Beide Spieler ziehen abwechselnd.
5. Wer am Zug ist, wenn kein Zug mehr m
oglich ist, verliert.
(Der andere gewinnt.)
I
Kann der Spieler, der den ersten Zug macht, gewinnen?
Wie kann der Spieler, der den zweiten Zug macht, gewinnen?
Wie kann der Spieler, der den ersten Zug macht, gewinnen?
Gewinnt immer der Spieler, der den ersten Zug macht?
(Wie) Hangt das von der Anzahl der M

unzen zu Beginn ab?
5
Modellierung des Munzenspiels: Zustande

...
...
Zustand (Konfiguration): Momentaufnahme des Spielfeldes

vor oder nach einem (vollstandigen) Spielzug
maschinenlesbare Modellierung eines Spielzustandes, z.B. durch
I
Folge von Stapeln von M

unzen verschiedener Werte, z.B.
...
20
2
10
2
5
...
oder
...
10
2
5
20
Folge nat
urlicher Zahlen (Anzahlen der M
unzen je Stapel),
z.B. [. . . , 0, 5, 0, . . .] oder [. . . , 0, 1, 3, 1, 0, . . .]
endliche Folge nat

urlicher Zahlen (nur relevanter Bereich),
z.B. [5] oder [1, 3, 1] oder [0, 5, 0] oder [0, 1, 3, 1, 0]
...
Abstraktion von Art und Anzahl der Objekte
erm
oglicht einfache Ubertragung
auf ahnliche Aufgaben
6
Modellierung des Munzenspiels: Ablauf
Modellierung aller moglichen Uberg

ange zwischen Zustanden
z.B. als
I
formale Darstellung der Spielregeln

Startzustand : [. . . , 0, 5, 0 . . .]
Spielzug: Ersetzung einer Teilfolge des Zustandes der
Form [x, y + 2, z] durch [x + 1, y , z + 1]
Regel: [x, y + 2, z] [x + 1, y , z + 1]
Spielende , wenn jedes Element der Folge < 2
(kein Zug mehr m
oglich)
formale (graphische) Darstellung aller m

oglichen Spielz
uge
(Tafel)
Modellierung des Verlaufes eines Spieles z.B. als

I
Weg im Spielgraphen
(g
ultige) Folge von Positionen, an der die Regel angewendet
wurde
7
Modelle
Modelle sind Abstraktionen
realer Dinge, Eigenschaften, Beziehungen, Vorgange
I Auswahl der (f
ur den Anwendungsbereich, zur Problemlosung)
wichtigen Informationen
I Vernachl
assigung unwichtiger Details
Beispiele:
I Liniennetzplan
wichtig: Stationen, Verbindungen zwischen Stationen,
Art der Verbindung (z.B. Liniennummer)
unwichtig: genaue Linienf
uhrung, aktuelle Verspatungen,
Baustellen,. . .
I Grundriss
I Stundenplan
I Ablaufplan
spezielle Form der Modelle abhangig von
I Problembereich
I geplante Verwendung
8
Prozess beim Losen von Aufgaben (Problemen)

Analyse der (informalen) Aufgabe, Identifikation von
I Aufgabenbereich (Kontext)
I Eingabedaten (Typ, m
ogliche Werte)
I gew
unschte L
osung
(Typ, Eigenschaften, Zusammenhang mit Eingabe)
Modellierung (Abstraktion, formale Darstellung) von
I Anforderungen an Eingaben
I Anforderungen an L
osungen
Modellierung von Daten
und deren Eigenschaften und Beziehungen zueinander
Entwurf einer L
osungsstrategie f
ur die modellierte Aufgabe
(mit vorhandenen oder neuen Methoden)
Modellierung von Ablaufen und deren Eigenschaften
Realisierung der L
osungsstrategie im Modellbereich
Ausf
uhrung der L
Ubertragung der L
osung vom Modellbereich in die Realitat
9
Logisches Schlieen
Beispiel:
1. Tom besucht heute das Kino oder das Konzert.
Tom ist nicht im Kino.
Also besucht Tom das Konzert.
2. 2 ist eine rationale oder eine irrationale Zahl.

2 6 .
Also ist 2 irrational.
Abstraktion: gemeinsames Schema
Aus (P oder Q) und (nicht P) lasst sich Q schlieen.

formal: {P Q, P} |= Q
oder allgemeiner (Abstraktion von spezieller Person / Zahl) :
x (((P(x) Q(x)) P(x)) Q(x))
maschinelle Verarbeitung logischer Formeln m
oglich
z.B. durch SAT-Solver, Inferenzsysteme, Prolog-Interpreter
10
Vorteile der formalen Darstellung
Abstraktion von unwichtigen Details

(Entwicklung und Verwendung von Modellen)
Prazisierung der relevanten Aussagen
(eindeutige Semantik)
Systematisches Losen (auch maschinell) von formal dargestellten
Problemen m
oglich
Struktureigenschaften formaler Beschreibungen
Schlussweisen unabhangig von Bedeutung der
Aussagen
11
Aus der Modulbeschreibung

Modul 1010 Modellierung
je Woche)
Arbeitsaufwand: Prasenzzeit 90 h (= 4 h V + 2 h U
Vor- und Nachbereitungszeit 120 h ( 8 h je Woche)
Lernziele: Die Studierenden k
onnen mathematische und
logische Grundkonzepte zur Modellierung praktischer
Aufgabenstellungen anwenden.
Sie konnen Anforderungen an Software und Systeme
formal beschreiben und wissen, dass deren
Korrektheit mit formalen Methoden nachweisbar ist.
12
Inhalt der Lehrveranstaltung Modellierung

Einf
uhrung in formale Beschreibungsverfahren in der Informatik
Modellierung von
Aussagen durch aussagenlogische Formeln
Daten durch
I Mengen
I W
orter (Folgen) und Sprachen
I Terme
I Abstrakte Datentypen
Zusammenhangen (Beziehungen) durch
I Relationen
I Graphen
I Strukturen
Ablaufen durch Zustand
ubergangssysteme
Eigenschaften, Anforderungen (f
ur Daten und Systeme) durch
Formeln der Pradikatenlogik (der ersten Stufe)
(Ausblick in nichtklassische Logiken)
13
Lernziele (und Nebenwirkungen)
Fahigkeit zur Abstraktion
Verstandnis der grundlegenden Modellierungs-Formalismen der

Informatik:
Logik, Mengen, Relationen, Graphen, Terme, Strukturen,
Datentypen
anwendungsbereite Kenntnisse zur Modellbildung
Zusammenhange zu anderen Gebieten der Informatik und zur

Mathematik
14
Literatur
Folien zur Vorlesung, jeweils nach der Vorlesung veroffentlicht
www.imn.htwk-leipzig.de/~schwarz/lehre/ws15/modellierung
empfohlene B
ucher:
I zur Modellierung:
I
Uwe Kastens, Hans Kleine B

uning:
Modellierung - Grundlagen und formale Methoden,
Hanser 2008
zur Logik
I
I
I
Michael Huth, Mark Ryan: Logic in Computer Schience,

Cambridge University Press 2010
Uwe Sch
oning: Logik f
ur Informatiker, Spektrum, 1995
Martin Kreuzer, Stefan K
uhling: Logik f
ur Informatiker,
Pearson Studium, 2006
15
Organisation der Lehrveranstaltung
Folien, Ubungsserien,
Termine, Anderungen,
. . . unter
Prasenzstudium
Lehrveranstaltungen f
ur jeden Studenten:
(90 h 6 h / Woche)
Vorlesung jeden Mittwoch und Freitag

(4 h / Woche)
Ubung
(5 Gruppen) Montag/Dienstag
(2 h / Woche)
Wiederholer vor JG 15: mit AMB, (MIB1, MIB2)
I Besprechung der Ubungsserien

(Vorrechnen)
I Fragen zum aktuellen Vorlesungsinhalt
Selbststudium:
(120 h 8 h / Woche)
Ubungsaufgaben
schriftliche Ubungsserien
w
ochentlich
Autotool -Aufgaben etwa w
ochentlich
Vor- und Nachbereitung der Vorlesungen
Literaturstudium erganzend, Beitrag zur L
osung der Aufgaben
16
Selbstudium
Vor- und Nachbereitung jeder Lehrveranstaltung
(Vorlesung, Seminar, Praktikum, ...)
Unterlagen zu den Lehrveranstaltungen (Folien, eigene Notizen)
durcharbeiten
(enthalten auch zum L

osen der Ubungsaufgaben
notwendige Definitionen, Herleitungen, Beispiele, . . . )
Ubungsaufgaben
regelmaig und rechtzeitig l
osen,
(Aufgaben vom Typ der) Ubungsaufgaben gehoren

zum Stoff der LV und werden gepr
uft
B
ucher benutzen (Bibliothek, E-Books),
enthalten Erklarungen, zusatzliche Ubungsaufgaben

(Internet-Quellen sind oft unzuverlassig)
Lerngruppen bilden und gemeinsam lernen und Aufgaben losen
Nachfragen bei Dozenten (E-Mail, Sprechzeit, nach der
Lehrveranstaltung,. . . ), Mitstudenten, alteren
Studenten, Fachschaft, . . .
17
Schriftliche Ubungsaufgaben
(Ubungsserien)
I
gestellt jeweils am Mittwoch

(Aufgaben zu den Vorlesungen am Mittwoch und Freitag)
L
osungen bis zum folgenden Dienstag ausschlielich online u
ber
OPAL einzusenden (wie in der Einf
uhrungswoche erklart)
genau eine Datei je Aufgabe mit Dateiname serieX-aufY-Z.pdf
f
ur L
osung zu Aufgabe Y von Ubungsserie
X vom Studierenden mit
Familienname Z
L
osung in Gruppen aus 3 Studierenden zulassig (und empfohlen),
Namen aller Mitglieder der Gruppe oben auf der Losung vermerken,
jedes Gruppenmitglied sendet die (gemeinsame) Losung zu Opal
Dateiname serieX-aufY-Z1-Z2-Z3.pdf
Bewertung bis zum folgenden Sonntag

(0: falsch, 1: u
berwiegend richtig, 2: korrekt)
I Besprechung in der darauffolgenden Ubung

Vortrage (Vorrechnen) zu den Aufgabenl
osungen
Ubungsserien
auch unter
Nicht im Opal-Kurs eingesendete L

osungen werden nicht gewertet.
18

Seminar (Ubungen)
Lernziele bei der Bearbeitung der Ubungsaufgaben:

I
Nachbereitung der letzten Vorlesung anhand

der Vorlesungsfolien und Literatur (z.B. der angegebenen)
Vorbereitung der nachsten Vorlesung
Vorbereitung der Seminarvortrage zu jeder Aufgabe
Seminar (Ubungen):
I
Besprechung der L
osungen der schriftlichen Ubungsaufgaben,
Vorrechnen zur Pr
ufungszulassung
Fragen zum aktuellen Vorlesungsstoff und zu den neuen
schriftlichen und praktischen Ubungsaufgaben
in jede Ubung
mitbringen: (alles auf Papier)
alle bisherigen Vorlesungsfolien und eigene Notizen dazu,
Ubungsbl
atter und eigene L
osungen (der ganzen Gruppe)
19
Prufung
Zulassungsvoraussetzungen (Pr
ufungsvorleistungen):
I
regelmaige erfolgreiche L
osung der Ubungsaufgaben,
d.h.:
I
L
osung wenigstens 70% aller gestellten schriftlichen
Ubungsaufgaben
mit wenigstens 1 Punkt,
mindestens drei Vortrage in den Ubungen

(richtiges Vorrechnen der L
osungen)
50% aller Punkte f

ur praktische Pflichtaufgaben (Autotool)
Pr
ufung: Klausur 120 min
Aufgabentypen aus den Ubungsserien

einziges zugelassenes Hilfsmittel:
ein beidseiting handbeschriebenes A4-Blatt
20
Aussagen
Aussage = Behauptung
Beispiele:
I
Es regnet.
Die Strae ist na.
I
I
9 ist eine Primzahl.
3<5
x < 5 (hangt von x ab, keine Aussage)
Ist x < 5? (keine Aussage)
Sei x < 5. (keine Aussage)
Morgen regnet es.
Es ist nicht alles Gold, was glanzt.
21
Wahrheitswerte
Prinzipien der klassischen Logik:
Zweiwertigkeit Jede Aussage ist wahr oder falsch.
ausgeschlossener Widerspruch
Keine Aussage ist sowohl wahr als auch falsch.
Wahrheitswerte 1 (wahr) oder 0 (falsch)
Jede Aussage p hat genau einen Wahrheitswert W(p) {0, 1}.
Beispiele:
I
W(Es regnet.) = ?
W(Die Strae ist na.) = ?
I
I
W(9 ist eine Primzahl.) = 0
W( 2 ) = 0
W(3 < 5) = 1
W(Morgen regnet es.) = ?
W(Es ist nicht alles Gold, was glanzt.)=1
22
Zusammengesetzte Ausdrucke Junktoren

Junktor (mit zugeordneter Stelligkeit):
Symbol (Syntax) f
ur Verkn
upfung von Aussagen
z.B. und (zweistellig), nicht (einstellig)
Gottlob Frege (18481925):

Die Bedeutung des Ganzen ist eine Funktion der
Bedeutung seiner Teile.
Wahrheitswert eines zusammengesetzten Ausdruckes lasst sich aus
dem Wahrheitswert seiner Teilausdr
ucke berechnen.
Semantik (Bedeutung) eines n-stelligen Junktors :
[] : {0, 1}n {0, 1}
(n-stellige Funktion auf der Menge {0, 1})
Wahrheitswertkonstanten (nullstellige Junktoren):
t mit [t] = 1
f mit [f] = 0
23
Konjunktion
Es regnet und 9 ist eine Primzahl.
I W(9 ist eine Primzahl.)= 0
I W(Es regnet.)=?
I W(Es regnet und 9 ist eine Primzahl.)=0
p q ist genau dann wahr,
wenn beide Aussagen p und q wahr sind.
W(p) W(q) W(p q)
0
0
0
0
1
0
1
0
0
1
1
1
W(p q) = min(W(p), W(q))
[] = min ist kommutativ, assoziativ

n
^
pi = p1 p2 pn
i=1
24
Disjunktion (inklusiv)
Es regnet oder 3 < 5.
I W(3 < 5) = 1
I W(Es regnet)=?
I W(Es regnet oder 3 < 5.)=1
wenn wenigstens eine der Aussagen p und q wahr ist.
W(p) W(q) W(p q)
0
0
0
0
1
1
1
0
1
1
1
1
W(p q) = max(W(p), W(q))
[] = max ist kommutativ, assoziativ

n
_
pi = p1 p2 pn
i=1
25
Negation
( 2
I
I
Q)
(meist
2 6
Q)
W( 2 ) = 0
W(( 2 )) = 1
p ist genau dann wahr, wenn p falsch ist.
W(p) W(p)
0
1
1
0
W(p) = 1 W(p)
26
Implikation
Wenn es regnet, dann ist die Strae na.
I
W(Es regnet.)=?
W(Die Strae ist na.)=?
W(Wenn es regnet, dann ist die Strae na.)=1

wenn die Aussage p falsch oder die Aussage q wahr ist.
W(p) W(q) W(p q)

0
0
1
0
1
1
1
0
0
1
1
1

W(p q) =
1 falls W(p) W(q)

0 sonst
27

Aquivalenz
3 < 5 gilt genau dann, wenn 0 < 5 3 gilt.

I
W(3 < 5) = 1
W(0 < 5 3) = 1
W(3 < 5 gilt genau dann, wenn 0 < 5 3 gilt.)=1
p q ist genau dann wahr, wenn

entweder beide Aussagen p und q gelten
oder beide nicht gelten.
W(p) W(q) W(p q)

0
0
1
0
1
0
1
0
0
1
1
1

W(p q) =
1 falls W(p) = W(q)

0 sonst
28
Was bisher geschah

(Klassische) Aussagenlogik:
I
Aussage
Wahrheitswerte 0 (falsch) und 1 (wahr)
Junktoren
wahr
falsch
Konjunktion
Disjunktion
Negation
Implikation
Aquivalenz
Stelligkeit
Syntax
Symbol
Semantik
Wahrheitswertfunktion
0
0
2
2
1
2
2
t
f
1
0
min
max
x 7 1 x
=
29
Modellierungsbeispiel Party
umgangssprachliche Beschreibung der Situation:
Anna geht zur Party, wenn Max oder Paul hingehen.
Max geht zur Party, wenn Paul nicht hingeht.
Anna geht nirgends ohne ihren Hund hin.
(1)
(2)
(3)
formale Beschreibung der Situation:

I elementare Aussagen (Atom):
a Anna geht zur Party.
m Max geht zur Party.
p Paul geht zur Party.
h Annas Hund geht zur Party.
P = {a, h, m, p}
I zusammengesetzte Aussage (aussagenlogische Formel):
(((m p) a) (p m)) (a h)
| {z }
|
{z
}
| {z }
(1)
(2)
(3)
30
Aussagenlogische Formeln (Syntax)

Junktoren z.B. t, f (nullstellig), (einstellig),
, , , (zweistellig)
Aussagenvariablen (Atome), z.B. p, q, r , s, . . . oder p1 , p2 , . . .
Definition (induktiv)
Die Menge AL(P) aller (aussagenlogischen) Formeln mit
Aussagenvariablen aus der Menge P ist definiert durch:
IA: Alle Aussagenvariablen p P sind Formeln. (P AL(P)).
I t und f sind Formeln.
IS:
I
I
Ist eine Formel, dann ist auch eine Formel.

Sind und Formeln, dann sind auch
, , und Formeln.
IS: (Verallgemeinerung aller Unterpunkte zu IS)

Sind j ein n-stelliger Junktor und 1 , . . . , n Formeln,
dann ist auch j(1 , . . . , n ) eine Formel.
(Aus {1 , . . . , n } AL(P) folgt j(1 , . . . , n ) AL(P).)
31
Aussagenlogische Formeln (Beispiele)

Junktoren der klassischen Aussagenlogik: {t, f, , , , , }
k
urzere Notation:
ohne auere Klammern und Klammern um
Beispiele:
t (t)
Formel ohne Aussagenvariablen
Formel mit Aussagenvariable p
(p q)
(p q)
q
keine Formel (syntaktisch unkorrekt)

Formel mit Aussagenvariablen p, q
keine Formel (syntaktisch unkorrekt)
Baumstruktur (analog arithmetischen Termen)

Beispiel (Tafel):
= ((p q) (r (p q)))
32
Menge aller Aussagenvariablen einer Formel

Definition (induktiv):
F
ur jede aussagenlogische Formel AL(P) ist die Menge var()
aller in vorkommenden Aussagenvariablen definiert durch:
IA: falls = p (Atom), dann var() = {p}
I nullstellige Junktoren (t, f):
IS:
I
f
ur = t oder = f gilt var() =
einstellige Junktoren ():
f
ur = 1 gilt var() = var(1 )
zweistellige Junktoren ( {, , , }):
f
ur = 1 2 gilt var() = var(1 ) var(2 )
Beispiel (Tafel):
F
ur = p ((q t) (r q)) gilt var() = {p, q, r }
33
Anzahl der Variablenvorkommen in einer Formel

F
ur jede aussagenlogische Formel AL(P) ist die ANzahl von
Varablenvorkommen varcount() definiert durch:
IA: falls = p (Atom), dann varcount() = 1
IS:
I
varcount(t) = varcount(f) = 0
varcount() = varcount()
varcount( ) = varcount() + varcount()
Beispiel (Tafel):
= p ((q t) (r q)) gilt varcount() = 4
varcount() ist die Anzahl aller mit Variablen markierten Blatter
im Formelbaum von
Allgemein gilt varcount() |var()|
34
Menge aller Teilformeln einer Formel
F
ur jede aussagenlogische Formel AL(P) ist die Menge TF()
aller in vorkommenden Teilformeln definiert durch:
IA: falls = p (Atom), dann TF() = {p}
IS:
I
f
ur = t oder = f gilt TF() = {}
f
ur = 1 gilt TF() = {} TF(1 )
f
ur = 1 2 gilt {, , , }
TF() = {} TF(1 ) TF(2 )
35
Prinzip der strukturellen Induktion

Beobachtung:
Bestimmung von Variablenmenge, Gr
oe, Menge der Teilformeln
einer aussagenlogischen Formel geschah nach demselben Schema:
Definition einer Funktion f : AL(P) X durch
Induktion u
ber die Struktur der Formel
F
ur jede aussagenlogische Formel AL(P) ist der Funktionswert
f () definiert durch:
IA: Definition des Funktionswertes f () f
ur Atome = p
(Blatter im Formelbaum)
IS: Definition des Funktionswertes f () f
ur zusammengesetzte
Formeln durch die Funktionswerte der Teilformeln von
36
Aussagenlogische Interpretationen (Semantik)
(Belegungen der Aussagenvariablen mit Wahrheitswerten)
Interpretation (Belegung) f
ur Formeln AL(P)
ordnet jeder Aussagenvariable einen Wahrheitswert zu
Funktion W : P {0, 1}
(eine Zeile in der WW-Tabelle f
ur )
Beispiel: P = {p, q} und W mit W (p) = 1 und W (q) = 0
37
Wahrheitswerte fur Formeln

Erweiterung der Belegung W : P {0, 1} zu einer Funktion
W : AL(P) {0, 1}
Der Wert W () der Formel in der Interpretation W wird induktiv mit
den Wahrheitswertfunktionen der Junktoren
aus den Werten der Teilformeln von bestimmt:
IA: falls = p (Atom), dann W () = W (p)
IS:
I
I
nullstellige Junktoren t, f: W (t) = 1 , W (f) = 0

einstelliger Junktor :
f
ur = gilt W () = []W () = 1 W ()
zweistellige Junktoren {, , , }:
W (1 2 ) =
W (1 2 ) =
W (1 2 ) =
W (1 2 ) =
W (1 )[]W (2 ) = min (W (1 ), W (2 ))
W (1 )[]W (2 ) = max (W (1 ), W (2 ))
W (1 )[]W (2 ) = 1 gdw. W (1 ) W (2 )
W (1 )[]W (2 ) = 1 gdw. W (1 ) = W (2 )
Beispiel (Tafel): = ((p q) (r (p q)))

W (p) = 0, W (q) = 1, W (r ) = 0, W () = . . .
38
Wahrheitswerttabellen
Darstellung der Werte einer Formel AL(P) in
allen m
oglichen Interpretationen W (P) in einer Tabelle
Jede Zeile reprasentiert eine Interpretationen W : var() : {0, 1}

W (p1 ) W (p2 )
0
0
0
0
..
.
1
W (pn1 ) W (pn ) W ()
0
0
0
1
1
Beispiel (Tafel): ((p q) (r (p q)))

Wahrheitswerttabellen von Formeln mit n Aussagenvariablen sind
Wertetabellen n-stelliger Boolescher Funktionen
f : {0, 1}n {0, 1}.
Die Semantik jeder aussagenlogischen Formel mit n
Aussagenvariablen ist eine n-stellige Boolesche Funktion.
39
Erfullbarkeit und Allgemeingultigkeit

Eine Formel AL(P) heit
erf
ullbar , wenn (wenigstens) eine Belegung W : P {0, 1}
mit W () = 1 existiert.
Beispiel: p p
unerf
ullbar (Widerspruch), wenn keine Belegung W : P {0, 1}
mit W () = 1 existiert.
(wenn also f
ur jede Belegung W gilt W () = 0),
Beispiel: p p
allgemeing
ultig (Tautologie), wenn f
ur jede Belegung
W : P {0, 1} gilt W () = 1
(wenn also keine Belegung W mit W () = 0
existiert).
Beispiel: p p
Fakt
Eine Formel AL(P) ist genau dann allgemeing
ultig, wenn die
Formel unerf
ullbar ist.
40

Semantische Aquivalenz
aussagenlogischer Formeln
Definition
Zwei Formeln , AL(P) heien
genau dann (semantisch) aquivalent ( ), wenn
f
ur jede Belegung W : P {0, 1} gilt W () = W ().
Aquivalente Formeln haben dieselbe Semantik (Wahrheitswertfunktion).
Nachweis der Aquivalenz

von Formeln z.B. durch Wahrheitswerttabellen
Beispiele:
pq
p q
pq
p q
pq
(p q)
pq
(p q) (q p)
Achtung: Das Symbol ist kein Junktor (Syntax), sondern ein

Symbol f
ur eine Beziehung zwischen Formeln (Semantik).
41

Wichtige Aquivalenzen
F
ur alle aussagenlogischen Formeln , , gilt:
I
f ,
,
(Kommutativitat von und )
( ) ( )
( ) ( )
(Assoziativitat von und )
( ) ( ) ( )
( ) ( ) ( )
(Distributivgesetze)
(Doppelnegation)
( ) , ( )
(DeMorgansche Regeln)
( ), ( )
(Dualitat von und )
(Kontraposition)
( ) ( ) (Fallunterscheidung)
42
Was bisher geschah: klassische Aussagenlogik

Syntax Symbole und Struktur
I
I
Junktoren: t, f , , , , ,
aussagenlogische Formeln AL(P)
induktive Definition:
IA Atome (Aussagenvariablen) p, q, r , . . . P
IS zusammengesetzte Formeln (, , , . . .):
Verkn
upfung von Formeln durch Junktoren
Prinzip der strukturellen Induktion u

ber Baumstruktur von Formeln
Semantik (Bedeutung der Syntaxelemente)
I
I
I
I
I
I
eines Junktors: Wahrheitswertfunktion

einer Aussagenvariablen: Wahrheitswert
aller Aussagenvariablen einer Menge P:
durch Belegung (Interpretation) W : P {0, 1}
einer Formel aus AL(P): Funktion
W : AL(P) {0, 1} Boolesche Funktion
Erf
ullbarkeit, Allgemeing
ultigkeit von Formeln
Aquivalenz
von Formeln, z.B. p q p q
43
Modelle aussagenlogischer Formeln
Die Aussagenvariablen-Belegung W : P {0, 1}

erf
ullt die Formel AL(P) (ist ein Modell f
ur )
genau dann, wenn W () = 1.
Beispiel: Modelle (erf

ullende Belegungen) f
ur
p (q p) AL({p, q}):
W10 mit W10 (p) = 1 und W10 (q) = 0,
W01 mit W01 (p) = 0 und W01 (q) = 1,
W11 mit W11 (p) = 1 und W11 (q) = 1
44
Modellmengen aussagenlogischer Formeln

Menge aller Modelle von AL(P):
Mod() = {W : P {0, 1} | W () = 1}
(k
urzere Darstellung als WW-Tabellen)
Beispiele:
Mod(p (q p)) = {W10 , W01 , W11 },
Mod(p p) = {W0 , W1 } = {W : {p} {0, 1}},
Mod(p p) =
Formel AL(P) ist
unerf
ullbar gdw. Mod() =
erf
ullbar gdw. Mod() 6=
allgemeing
ultig gdw. Mod() = {W : P {0, 1}}
aquivalent zu AL(P) gdw. Mod() = Mod()
45

Wiederholung: wichtige Aquivalenzen
F
ur alle aussagenlogischen Formeln , , gilt:
I
f ,
,
( ) ( )
( ) ( )
( ) ( ) ( )
( ) ( ) ( )
(Doppelnegation)
( ) , ( )
( ), ( )
(Dualitat von und )
(Kontraposition)
( ) ( ) (Fallunterscheidung)
46
Umformen von Formeln

Satz (Ersetzbarkeitstheorem)
F
ur drei Formeln , , AL(P), wobei und eine
Teilformel von ist, gilt 0 ,
wobei 0 entsteht, indem in ein Vorkommen von durch
ersetzt wird.
(Nachweis durch strukturelle Induktion)

Formeln konnen also durch Ersetzung aquivalenter Teilformeln in
semantisch aquivalente Formeln umgeformt werden.
(Anderung
der Syntax bei unveranderter Semantik)
47
Junktorbasen (vollstandige Operatorensysteme)

Eine Menge J von Junktoren heit genau dann Junktorbasis
(vollstandiges Operatorensystem), wenn zu jeder aussagenlogische
Formel eine aquivalente aussagenlogische Formel (d.h. )
existiert, wobei nur Junktoren aus der Menge J enthalt.
Beispiele: Die Mengen
I
{, , }
{, }
{, }
{, }
{f, }
sind Junktorbasen.
Die Mengen {, } und {, , } sind keine Junktorbasen.
48
Normalformen
spezielle Formeln:
Literal Atom oder negiertes Atom
NNF Formeln, in denen das Negationssymbol hochstens
auf Atome angewendet wird, heien in
Negations-Normalform.
Beispiel: p ((q p) q), p, p
W

V
mi
CNF Formeln der Form ni=1
l
j=1 i,j
mit Literalen li,j
heien in konjunktiver Normalform.
Beispiel: (p q) (p q) q, p q, p q, p

V
W
mi
DNF Formeln der Form ni=1
j=1 li,j
mit Literalen li,j
heien in disjunktiver Normalform.
Beispiel: p (q p) (p q), p q, p q, p
49
Satz uber Normalformen

Satz
Zu jeder Formel AL(P) existieren
I
eine aquivalente Formel 1 AL(P) in NNF,

eine aquivalente Formel 2 AL(P) in CNF und
eine aquivalente Formel 3 AL(P) in DNF.
Beweis (konstruktiv) durch Angabe einer Transformationsvorschrift

beliebiger Formeln in Normalformen:
1. Formeln mit Junktoren , , t, f schrittweise durch Formeln
mit ausschlielich , , ersetzen
2. Konstruktion einer NNF durch (mehrmalige) Anwendung der
deMorganschen Regeln
3. Konstruktion der CNF und DNF durch (mehrmalige)
Anwendung der Distributivgesetze auf die NNF
Beispiele (Tafel): p q , (a b) c
50
DNF-SAT
Aufgabe DNF-SAT:
W Vki
gegeben: DNF = m
i=1 j=1 li,j
Frage: Ist erf
ullbar?
Instanz, z.B. (p q p) (q p q) (p q)
Losungsidee:
I ist genau dann erf
V i ullbar, wenn (wenigstens) eine der m
Konjunktionen kj=1
li,j erf
ullbar ist.
Vk i
I Konjunktion
ullbar, wenn f
ur
j=1 li,j ist genau dann unerf
eine Aussagenvariable x var() gilt:
{x, x} {li,j | j {1, . . . , ki }} (Widerspruch).
W Vk i
Losungsverfahren: = m
i=1 j=1 li,j ist genau dann
Vi
li,j
erf
ullbar , wenn eine der m Konjunktionen kj=1
widerspruchsfrei ist,
unerf
ullbar , wenn alle m Konjunktionen einen Widerspruch
enthalten.
DNF-SAT ist einfach (schnell) zu l
osen.
51
CNF-SAT
Aufgabe CNF-SAT:
V Wki
gegeben: CNF = m
i=1 j=1 li,j
Frage: Ist erf
ullbar?
Instanz z.B. (p q) (q p) (p q)
Losungsansatze:
I
Test aller moglichen Belegungen, aufwendig

f
ur groe Anzahl an Aussagenvariablen unpraktikabel
Umformung in eine zu aquivalente DNF

Test von auf Erf
ullbarkeit
f
ur groe Anzahl an Aussagenvariablen unpraktikabel
Konstruktion einer Formel mit
1. erf
ullbar gdw. erf
ullbar und
2. Erf
ullbarkeit f
ur einfach zu testen
CNF-SAT ist schwierig zu l

osen. (zeitaufwendig)
52
SAT-Solver
SAT-Solver: Werkzeug zum L
osen von CNF-SAT-Instanzen
SAT-Solver
I
benutzen heuristische Verfahren,
finden f
ur praktische Probleme oft schnell eine Losung,
meist Ausgabe einer erf

ullenden Belegung (wenn eine existiert)
aktive Forschung auf diesem Gebiet:

jahrlich Wettbewerbe (www.satcompetition.org/)
typische Anwendung von SAT-Solvern:
1. Modellierung des urspr
unglichen Problems P als
CNF-SAT-Instanz P 0 (Darstellung als CNF )
2. Losung von P 0 mit SAT-Solver
3. Ubersetzung
erf
ullender Belegung f
ur in Losung f
ur P
53

Beispiel Bahnfahrer (Ubungsaufgabe
1.3)
In einem Eisenbahnabteil sitzen
...
LB MT
(MB) RT
=
LS LT LB
LS LT
die Herren Lehmann, M

uller und Richter
,
LT MS
,
,
RS LT
,
, MS MT MB , . . .
,
LS LB
, ...
Darstellung als CNF

=
(LB MT )
(MB RT )
(LS LT LB)
(LS LT )
(LT MS)
(RS LT )
(MS MT MB)
(LS LB)
Was f
ur ein Landsmann ist jeder?
gesucht ist also ein Modell (erf
ullende Belegung) f
ur
(reprasentiert Zuordnung: {L, M, R} {S, T , B})
54
Losung mit SAT-Solver

Eingabe im DIMACS-Format f
ur CNF (ASCII):
erste Zeile enthalt Typ (cnf), Anzahl der Aussagenvariablen und
Disjunktionen (z.B. p cnf 9 25)
I Aussagenvariablen {1, . . . , n}
I jede Disjunktion (Klausel) eine Zeile,
- statt , Literale durch Leerzeichen getrennt,
0 markiert Ende der Klausel
I
Darstellung der Bahnfahrer-Aufgabe als CNF in DIMACS-Format

p cnf 9 25
c 1:LS, 2:LT, 3:LB, 4:MS, 5:MT, 6:MB, 7:RS, 8:RT, 9:RB
-3 5 0
-2 4 0
...
L
osung mit SAT-Solver, z.B. MiniSat, Lingeling
SATISFIABLE
1 -2 -3 -4 -5 6 -7 8 -9 0
Ausgabe: erf
ullende Belegung {1 7 1, 6 7 1, 8 7 1} (sonst 0)
wahr sind also 1 : LS, 6 : MB und 8 : RT
55
Modellierungsbeispiel: n-Damen-Aufgabe
Frage: Lassen sich n Damen so auf einem n n-Schachbrett

anordnen, dass keine Dame eine andere bedroht?
Losung: zulassige Anordnung, falls m
oglich
Bedingungen f
ur zulassige Anordnungen:
I
n Damen auf dem Feld, also in jeder Zeile (wenigstens) eine
keine Zeilenbedrohung
keine Spaltenbedrohung
keine diagonale Bedrohung
56
Reprasentation der 3-Damen-Aufgabe

9 Felder Aussagenvariablen {x1 , . . . , x9 }
Bedingungen:
I
I
in jeder Zeile (wenigstens) eine Dame

x1 x2 x3 ,
x4 x5 x6 ,
x7 x8 x9
keine Zeilenbedrohung
x1 x2 ( x1 x2 ),
x4 x5 ,
x7 x8 ,
x1 x3 ,
x4 x6 ,
x7 x9 ,
x2 x3
x5 x6
x8 x9
keine Spaltenbedrohung
x1 x4 ,
x2 x5 ,
x3 x6 ,
x1 x7 ,
x2 x8 ,
x3 x9 ,
x4 x7
x5 x8
x6 x9
x1 x9 ,
x5
x4
x5
x6
keine diagonale Bedrohung

x1 x5 ,
x2 x6 ,
x3 x5 ,
x2 x4 ,
x3 x7 ,
x9
x8
x7
x8
1.3
Man vergleiche mit den Kontext-Bedingungen aus UA
57
4 Damen
16 Felder Aussagenvariablen {x1 , . . . , x16 }
eine mogliche Losung (Modell, erf

ullende Belegung):
1 2 3 4 5 6 7 8 9 10 11 12
13 14 15 16
58
Einsatz von SAT-Solvern
typische Anwendungen f
ur SAT-Solver z.B.
I
Schaltkreisentwurf und -verifikation
Konfiguration
Model-Checking
Planen
Constraint-Losen
kombinatorische Suchprobleme, z.B.

Graph-Farbungen (Register-Zuordnung, Sudoku)
59
Beschrankte Ausdrucksstarke der Aussagenlogik

I
Aussagen immer zweiwertig

(nur wahr oder falsch, keine Zwischenwerte),
z.B.: Die Rose ist rot. Das Bier ist kalt. Der Student ist fleiig.
(Erweiterung zu mehrwertigen Logiken, fuzzy logic)
Aussagen immer absolut

(keine Abhangigkeit vom Kontext, z.B. Ort, Zeitpunkt),
z.B.: Es regnet. x > 3
(Erweiterung zur Modal- und Temporallogiken)
Aussagen u
ber alle Elemente groer Mengen aufwendig
(Erstellung, Platzbedarf), z.B. Zuordnungen
keine Aussagen u
ber Elemente einer unendlichen Mengen oder
Mengen unbestimmter Machtigkeit m
oglich, z.B.
I Jede durch 4 teilbare Zahl ist gerade.
I In jedem zusammenh
angenden Graphen mit 2 Knoten hat
jeder Knoten einen Nachbarn.
I Es ist nicht alles Gold was gl
anzt.
(Erweiterung zur Pradikatenlogik)
60
Modellierungsbeispiel
1. Max ist ein Fisch.
2. Alle Fische schwimmen.
3. Also schwimmt Max.
Individuenbereich (Objekte): Lebewesen

Individuen (Konstanten) Max
Eigenschaften: istFisch, schwimmt
pradikatenlogische Formeln:
1. istFisch(Max)
2. x(istFisch(x) schwimmt(x))
3. schwimmt(Max)
61
Modellierung in Pradikatenlogik
Grundannahme:
Die zu modellierende Welt besteht aus Individuen, die
Eigenschaften haben und zueinander in Beziehungen (Relationen,
Funktionen) stehen.
Aussagen beschreiben Eigenschaften von und und Beziehungen

zwischen Individuen.
Formalisierung solcher Aussagen durch pradikatenlogische Formeln.
62
Pradikatenlogische Aussagen Beispiele

Personen sind genau dann Geschwister, wenn sie dieselbe
Mutter oder denselben Vater haben.
I A ist genau dann Nachfahre von B, wenn B As Vater oder As
Mutter ist oder ein Elternteil von A Nachfahre von B ist.
I Nachfahren derselben Person sind verwandt.
Individuenbereich: Menge von Personen
Beziehungen: Nachfahre, verwandt, Geschwister
Funktionen: Mutter, Vater
I
Primzahlen sind genau diejenigen nat

urlichen Zahlen, die
genau zwei verschiedene Teiler haben.
I Gerade Zahlen sind genau diejenigen nat
durch 2 teilbar sind.
I Es existieren gerade Primzahlen.
I Nachfolger ungerader Primzahlen sind nicht prim.
I Das Quadrat jeder geraden Zahl ist gerade.
Individuenbereich: Menge
aller nat
urlichen Zahlen
Eigenschaft: prim, gerade
Beziehung: teilt
Funktion: Nachfolger, Quadrat
I
63
Atome (elementare Aussagen)
Aussagenlogik : Aussagenvariable,
bekommt festen Wahrheitswert durch Belegung
Pradikatenlogik : (parametrisierte) Aussage u
ber Eigenschaften
von oder Beziehungen zwischen Individuen
Wahrheitswert abhangig von beteiligten Individuen
z.B. nebeneinander(x, y ),gerade(n) , x < 3, x < y ,
geschwister(x, mutter(y ))
64
Pradikatenlogik (der ersten Stufe) Syntax

bekannt: aussagenlogische Junktoren t, f, , , , ,
neu: pradikatenlogische Atome, Quantoren ,
Die Menge aller Formeln der Pradikatenlogik ist definiert durch:
IA: Alle Atome sind Formeln.
IS:
I
I
I
t und f sind Formeln.

Ist eine Formel und x eine Individuenvariable,
dann sind auch , x, x Formeln.
Sind und Formeln, dann sind auch
, , und Formeln.
Baumstruktur der Formeln

65
Modellierung in Pradikatenlogik Beispiel Topfdeckel

Auf jeden Topf passt ein Deckel.
I
Individuenbereich: Kochgeschirr
Eigenschaften: ist-Topf T ( ), ist-Deckel D( )
Beziehung: passt-auf P( , )
Schrittweise Entwicklung einer Formel:

1. Atome: P(x, y ) (x passt auf y ),
D(x) (x ist ein Deckel), T (y ) (y ist ein Topf)
2. Formel D(x) T (y ) P(x, y )
Der Deckel x passt auf den Topf y .
3. Formel x (D(x) T (y ) P(x, y ))
Es gibt einen Deckel, welcher auf den Topf y passt.
4. Formel y x (D(x) T (y ) P(x, y ))
Zu jedem Topf gibt es einen Deckel, der auf diesen Topf passt.
bedeutet dasselbe wie: Auf jeden Topf passt ein Deckel.
66
Modellierung in Pradikatenlogik Beispiel Geschwister

Personen sind genau dann Geschwister, wenn sie dieselbe Mutter oder
denselben Vater haben.
I
I
Individuenbereich: Personen
Beziehungen: sind-Geschwister G ( , ),
ist-Mutter-von M( , ) , ist-Vater-von V ( , )
Zwischenschritte:
Atome: G (x, y ), M(z, x), M(z, y ), V (u, x), V (u, y )
M(z, x) M(z, y )
z ist Mutter von x und y .
I z (M(z, x) M(z, y ))
x und y haben dieselbe Mutter (z).
I z (M(z, x) M(z, y )) u (V (u, x) V (u, y ))
x und y haben dieselbe Mutter (z) oder denselben Vater (u).
I G (x, y ) (z (M(z, x) M(z, y )) u (V (u, x) V (u, y )))
x und y sind genau dann Geschwister, wenn Sie dieselbe Mutter
oder denselben Vater haben.
I
(Zwei beliebige) Personen sind genau dann Geschwister, wenn Sie

dieselbe Mutter oder denselben Vater haben.
xy (G (x, y ) (z (M(z, x) M(z, y )) u (V (u, x) V (u, y ))))
67
Was bisher geschah

Modellierung von Aussagen
I
(klassische) Aussagenlogik
I
Syntax: Atome sind Aussagenvariablen

Junktoren , , , ,
induktive Definition: Baumstruktur der Formeln
Semantik: Belegungen, WW-Tabellen, Modellmenge
strukturelle Induktion
I
I
erf
ullbare, allgemeing
ultige Formeln
Aquivalenz
von Formeln
(klassische) Pradikatenlogik
I
Syntax: strukturierte Aussagen (Atome)

(Eigenschaften und Beziehungen zwischen Individuen)
Quantoren ,
Modellierungsbeispiele (Topfdeckel, Geschwister)

68
2.6)
Modellierungsbeispiel Bauteile (UA
I
Die Baugruppen A und D k

onnen nur gemeinsam auftreten. a d
Der Einbau von D macht den Einbau von C erforderlich.
Jede Variante, die A nicht enthalt, muss B enthalten.
B und D schlieen einander aus.
d c
a b
(b d)
alle Bedingungen in einer Formel

(a d) (d c) (a b) ((b d))
aquivalente CNF (durch aquivalente Umformungen)
(a d) (d a) (d c) (a b) (b d)
DIMACS mit 1 f
ur a, 2 f
ur b, 3 f
ur c, 4 f
ur d:
p cnf 4 5
-1 4 0 1 -4 0 -4 3 0 1 2 0 -2 -4 0
Ausgabe SAT-Solver (minisat): SATISFIABLE SAT -1 2 3 -4 0
reprasentiert L
osung aus Bauteilen B und C
andere Varianten durch Hinzuf
ugen von Klauseln (Zeilen), die bekannte
Modelle aussschlieen, z.B. 1 -2 -3 4 0
69
Modellierungsbeispiel Skat
Modellierung:
(wichtig)
Jede Karte hat Farbe und Wert
deutsches oder franz

osisches Blatt?
Ordnung zwischen Karten derselben Farbe

(wichtig)
z.B. 7 < 8 < 9 < 10 < B < D < K < A bei Null-Spiel
Bedienregeln
Trumpfregeln
(egal)
Formale Darstellung der Karten:

Jede Karte ist eindeutig reprasentiert durch Paar von
Farbe aus der Menge {, , , } und
Wert
I
I
Zahl aus der Menge {7, 8, 9, 10} oder

Bild aus der Menge {B, D, K , A}
70
Modellierungsbeispiel gerade Zahlen

Gerade Zahlen sind genau die durch 2 teilbaren ganzen Zahlen.
Individuen:
Z (Menge aller ganzen Zahlen)
Eigenschaften: gerade
Beziehungen: Teilbarkeit ganzer Zahlen
praziser mit Definition der Teilbarkeit:
x ist genau dann gerade, wenn ein y
Bedingung f
ur x ist ist eine gerade Zahl
als pradikatenlogische Formel:
Z mit 2y = x existiert.
(x ) y ((y ) (2y = x))

Menge aller geraden Zahlen:
Z
{2y | y Z}
2Z
{x | (x ) y ((y ) (2y = x))}

=
=
71
Naiver Mengenbegriff
Georg Cantor (1845-1918):
Eine Menge ist eine Zusammenfassung bestimmter,
wohlunterschiedener Dinge unserer Anschauung oder unseres
Denkens, welche Elemente der Menge genannt werden, zu einem
Ganzen.
Mengen werden dargestellt:
extensional durch Angabe aller Elemente
(nur f
ur endliche Mengen m
oglich)
Beispiel: {0, 1, 2, 3}, {{a}, 5, {a, b}}
intensional durch Angabe der gemeinsamen Eigenschaft aller
Elemente (oft durch pradikatenlogische Formeln)
Beispiele:
{x | x y ((y ) (x = 2y ))}
= {2y | y } = 2
{x | (x ) (x < 4)} = {x | x < 4}
N
N
N
72
Endliche Mengen
Menge A heit endlich gdw. eine Zahl n existiert, so da A

genau n Elemente enthalt.
Die leere Menge ist die (eindeutig bestimmte) Menge,
die kein Element enthalt.
Beispiele:
N) (x 10)}
{x | (x N) (x ist gerade ) (x < 100)}
I {x | (x Z) (x ist gerade ) (x < 100)}
I
{x | (x
{x | x ist Primzahl }
endlich
endlich
nicht endlich
nicht endlich (Widerspruchsbeweis)
|A| heit Machtigkeit (Kardinalitat) von A.

Beispiele:
I
|{rot, gr
un, blau, gelb}| = 4
|{x | x
|{a, b, {a, b}, {a, a, b}, b}| = 3
|| = 0
N x 10}| = 11
73
Beziehungen zwischen Mengen

Element-Relation
Notation x M f
ur: x ist Element der Menge M
Negation kurz 6: a 6 M gdw. (a M)
Beispiele: a {a, b, 2}, {a} 6 {a, b, 2}
Teilmengen-Relation
A B gdw. x (x A x B)
Beispiele: {a, b} {2, a, b, {2}}, {a} {a},
{a} 6 {{a}}, aber {a} {{a}}
= Mengengleichheit
A = B gdw. x (x A x B)
6 {a, {b}, 2}
Beispiele: {a, b, 2} = {2, a, b, 2}, {a, b, 2} =
echte Teilmenge
A B gdw. (A B) (A = B)
Beispiele: {2, a} {a, b, 2},
{2, a} 6 {2, a} , {2, a, b} 6 {2, a}
74
Operationen auf Mengen

Vereinigung A B = {x | (x A) (x B)}
(x (A B)) (x A) (x B)
Beispiel: {a, c, d} {b, c} = {a, b, c, d}
Schnitt A B = {x | (x A) (x B)}
(x (A B)) (x A) (x B)
Beispiel: {a, c, d} {b, c} = {c}
Differenz A \ B = {x | (x A) (x B)}
(x (A \ B)) (x A) (x B)
Beispiel: {a, c, d} \ {b, c} = {a, d}
symmetrische Differenz AB = (A \ B) (B \ A)= (A B) \ (A B)
Beispiel: {a, c, d}{b, c} = {a, b, d}
bei gegebenem Universum U mit A U:
Komplement A = U \ A = {x U | (x A)}
(x A) (x A)
Beispiel: F
ur U = {a, b, c, d} gilt {a, c} = {b, d}
75
Wichtige Mengenbeziehungen
(analog Regeln f
ur , , in der Aussagenlogik)
F
ur alle Mengen A, B, C gilt
I A A = A, A A = A
I A B = B A und A B = B A
I A (B C ) = (A B) C
A (B C ) = (A B) C
I A (B C ) = (A B) (A C )
A (B C ) = (A B) (A C )
I
I
A=A
A B = A B und A B = A B
A B = A B und A B = A B
(Dualitat von und )
76
Potenzmengen
Die Potenzmenge 2A einer Menge A ist die Menge aller Teilmengen
von A
2A = {B | B A}
Beispiele:
I F
ur A = {0} gilt 2A = 2{0} = {, {0}},
I F
ur A = {} gilt 2A = 2{} = {, {}},
{a,b,c}
I 2
= {, {a}, {b}, {c}, {a, b}, {b, c}, {a, c}, {a, b, c}},
A
{0}
I F
ur A = {0} gilt 2(2 ) = 2(2 ) = {, {}, {{0}}, {, {0}}},
Amtssprachen in der Schweiz:
S = {Deutsch, Franz
osisch, Italienisch, Ratoromanisch}
mogliche Sprachkenntnisse der Bewohner: 2S
Machtigkeit der Potenzmengen endlicher Mengen:
F
ur jede endliche Menge A gilt

A
2 = 2|A|
I
77
Was bisher geschah

Modellierung von Aussagen
in klassischer Aussagen- und Pradikaten-Logik
Modellierung von Daten durch Mengen

I
Darstellung: extensional, intensional
leere Menge
Mengenbeziehungen , , =,
Mengenoperationen , , ,
Potenzmenge der Menge M: 2M
Machtigkeit (Kardinalitat) endlicher Mengen
78
Modellierungsbeispiele
I
2.6:
aus UA
Menge aller Moglichkeiten, die Bauteile A, B, C , D
einzusetzen (nicht notwendig alle, jedes h
ochstens einmal)
= Menge aller Teilmengen der Menge {A, B, C , D}
= 2{A,B,C ,D}
Anzahl aller Moglichkeiten:
|2{A,B,C ,D} | = 2|{A,B,C ,D}| = 24 = 16
Menge aller in einem Skatblatt aus 7 Karten moglichen

Farbkombinationen
= Menge aller nichtleeren Teilmengen von {, , , }
= 2{,,,} \ {}
(24 1 = 15 Moglichkeiten)
79
Aussonderungsprinzip
Zu jeder Menge A und jeder Eigenschaft P existiert eine Menge
B = {x | (x A) (x hat die Eigenschaft P)} = {x | x AP(x)}
Beispiele:
I
A = Menge aller Frauen und P(x), falls x blond

B = Menge aller blonden Frauen
A = Menge aller Skatkarten und P(x), falls x bedient (, A)

B = {(, W ) | W {7, 8, 9, 10, B, D, K }}
A = {x | (x ) (x 100)} = {0, . . . , 100} und

P(x), falls x gerade
B = {x | (x ) (x 100) (2|x)}
N
N
N und P(x), falls x 100

I A = N und P(x), falls 2|x und x 100
I
A=2
80
Russells Paradox
(Problem der naiven Mengenlehre)
I
Menge A, die alle Mengen (als Elemente) enthalt
Mengeneigenschaft P: P(x), falls (x x)
Wenn die Menge A existiert, dann existiert nach

Aussonderungsprinzip auch die Menge
B = {x | (x A) P(x)} = {x | (x A) (x x)}
Gilt B A ? Nein
(Tafel)
Also kann keine solche Menge A existieren, die jede Menge

(und damit insbesondere auch B) als Element enthalt.
alternative Formulierungen: Barbier, Kreter
81
(Kartesisches) Produkt von Mengen

A B = {(x, y ) | (x A) (y B)}
Beispiele:
I
{a, b} {1, 2, 3} = {(a, 1), (a, 2), (a, 3), (b, 1), (b, 2), (b, 3)}
{1, . . . , m} {1, . . . , n}
= {(i, j) | i {1, . . . , m} j {1, . . . , n}}
haufig als Indexmenge in Matrizen, digitalen Bildern,. . .
Namen = Vornamen Familiennamen
Telefonbuch = ( Namen Vornamen ) Nummer
Zeit = ( Stunde Minute ) Sekunde

= {0, . . . , 23} {0, . . . , 59} {0, . . . , 59}
F
ur alle endlichen Mengen A und B gilt |A B| = |A| |B|
82
Beispiele
(1, 2) ({0, 1} {1, 2}), aber (1, 2) 6 ({1, 2} {0, 1})

({0, 1} {1, 2}) ({1, 2} {0, 1}) = {(1, 1)}
Cafeteria-Essen aus {Bratwurst,Wiener,Knacker}

{Kartoffelsalat, Nudelsalat}
3 2 = 6 Moglichkeiten
12 15 mogliche (gemischte) Tanzpaare aus

je einem von 12 Mannern und je einer von 15 Frauen
{a}
N = {(a, 0), (a, 1), (a, 2), . . .} = {a0, a1, a2, . . .}
83
Eigenschaften des Produktes von Mengen

I
ist nicht kommutativ

{a, b} {1, 2} = {(a, 1), (a, 2), (b, 1), (b, 2)}
6= {1, 2} {a, b} = {(1, a), (2, a), (1, b), (2, b)}
ist fast assoziativ
(A B) C kann mit A B C identifiziert werden.

z.B. ({a} {1, 2}) {, } = {(a, 1), (a, 2)} {, }
= {((a, 1), ), ((a, 2), ), ((a, 1), ), ((a, 2), )}
lasst sich eineindeutig zuordnen zu
{(a, 1, ), (a, 2, ), (a, 1, ), (a, 2, )}
Distributivgesetze: F
ur alle Mengen A, B, C gilt
(A B) C = (A C ) (B C ) und
(A B) C = (A C ) (B C )
F
ur jede Menge A gilt A = .
F
ur alle Mengen A, B gilt:
Aus A B folgt A C B C
(UA)
84
Modellierungsbeispiel Skatkarten
Formale Darstellung der Karten:
Jede Karte ist eindeutig reprasentiert durch
Farbe aus der Menge F = {, , , } und
Wert I Zahl aus der Menge Z = {7, 8, 9, 10} oder
I Bild aus der Menge B = {B, D, K , A}
Menge aller Werte W = Z B
Menge aller Karten:
K = {(x, y ) | x F y W } = F (Z B)
Verteilung der Karten nach dem Geben:
I Skat: S = {ks1 , ks2 } K
I f
ur jedes i {1, 2, 3} Blatt des Spielers i:
Bi = {ki,1 , . . . , ki,10 } K
wobei
1. B1 B2 = , B1 B3 = , B2 B3 = ,
S B1 = , S B2 = , S B3 = und
2. K = S B1 B2 B3
85
Zerlegungen
Mengen A und B mit A B = heien disjunkt.
Beispiele:
I
I
Z und 2Z + 1 sind disjunkt

2Z und 3Z sind nicht disjunkt,
denn 0 2Z 3Z, also 2Z 3Z 6=
2
Eine Familie von Mengen {Ai }iI heit genau dann

disjunkte Zerlegung einer Menge B, wenn
1. ij ((i =
6 j) ((Ai Aj ) = ))
(alle Ai paarweise disjunkt) und
S
(die Mengen Ai u
2. iI Ai = B
berdecken B vollstandig)
Beispiele:
Z Z
{2 , 2 + 1} ist eine (endliche) disjunkte Zerlegung von
f
ur Ai = Menge aller Personen, die h
ochstens i cm gro sind,
ist {Ai | i } keine disjunkte Zerlegung der Menge P aller
Personen
f
ur Bi = Menge aller Personen, die zwischen i und i + 1 cm gro
sind, ist {Bi | i } eine disjunkte Zerlegung von P
{[n, n + 1)
R|n Z} ist eine (unendliche) Zerlegung von R
86
Vereinigung disjunkter Mengen

Vereinigung A B = {x | (x A) (x B)}
Beispiel: Kunden K = {a, b, d}, Lieferanten L = {b, c, d},
Vereinigung G = K L = {a, b, c, d} (Geschaftspartner)
enthalt keine Information dar
uber, ob b Kunde oder Lieferant ist
Idee: Mengen vor Vereinigung durch Hinzuf
ugen einer
Kennzeichen-Komponente disjunkt machen
(Verwaltung von Paaren aus Kennzeichen und Element)

Disjunkte Vereinigung der Mengen {Ai }iI mit Indexmenge I :
[
A0i mit A0i = {i} Ai = {(i, x) | x Ai }
iI
Machtigkeit der disjunkten Vereinigung der Mengen {Ai }iI :

[ X

|Ai |
A0i =

iI
iI
87
Beispiel Geschaftspartner
I
Menge aller Kunden: AK = {a, b, d}
Menge aller Lieferanten: AL = {b, c, d},
Kennzeichnung (Indexmenge) I = {K , L}
gekennzeichnete Geschaftspartner:
Kunden: A0K = {K } AK = {(K , a), (K , b), (K , d)},
Lieferanten: A0L = {L} AL = {(L, b), (L, c), (L, d)}
Menge aller (gekennzeichneten) Geschaftspartner:

A0K A0L = {(K , a), (K , b), (L, b), (L, c), (K , d), (L, d)}
Anzahl der (gekennzeichneten) Geschaftspartner

|A0K A0L | = |Ak | + |AL | = 6
88
Kartesisches Produkt mehrerer Mengen

n
A = A
i
An = {(x1 , . . . , xn ) | i {1, . . . , n} : xi Ai }
i=1
F
ur endlich viele endliche Mengen Ai gilt

n
n
Y

Ai =
|Ai |

i=1
i=1
Beispiele:
I
5-Gange-Men
u: Auswahl aus
3 Vorspeisen, 2 Suppen, 5 Hauptgerichten, 3 Desserts, 2 Kase
3 2 5 3 2 = 180 m
ogliche Kombinationen
|{0, 1}| = 2n Binarw

orter mit n Stellen
103 h
ochstens dreistellige Dezimalziffern
65 verschiedene Ergebnisse beim f

unfmal aufeinanderfolgenden
W
urfeln mit einem W
urfel
65 verschiedene Ergebnisse beim W

urfeln mit f
unf
verschiedenfarbigen W
urfeln
89
Iterierte Produkte einer Menge

n
An =
A
i=1
A0 = {}
[
A =
An
n
+
N[
mit leerem Wort
An = A \ {}
n \{0}
(Notation: statt mitunter auch (), [])

Elemente aus An , A+ , A heien
I
Folgen (Vektoren) (a1 , a2 , . . . , an ),
Listen [a1 , a2 , . . . , an ], [a1 , a2 , . . .] oder
Worter (Strings) a1 a2 . . . an (endlich)

90
Iteriertes Produkt Beispiele

I
{0, 1} Menge aller Binarw

orter (beliebiger Lange)
z.B. 10, 10010, 010,
Menge aller Binarw

orter der Lange 3
{0, 1}3 = {000, 001, 010, 011, 100, 101, 110, 111}
{0, 1, 2} Menge aller Ternarw

orter (beliebiger Lange)
z.B. 20, 1202010,
Menge aller Ternarw

orter der Lange 2
{0, 1, 2}2 = {00, 01, 02, 10, 11, 12, 20, 21, 22}
{0} {1, 2, 3, 4, 5, 6, 7, 8, 9} {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}

Menge aller nat
urlichen Zahlen in Dezimaldarstellung (ohne
f
uhrende Nullen)
{a, b} alle Worter (beliebiger Lange), die nur die Buchstaben

a und b enthalten (z.B. aba, ababa, aaaa, bbbaaa, )
{{a, b} } alle Folgen solcher W

orter
(z.B. (a, aa, aaa), (ba), , (, , ))
91
Was bisher geschah

Modellierung von Aussagen durch
Aussagenlogik
I
I
Syntax: Junktoren, Aussagenvariablen, Formelbaum

Semantik: Belegungen, WW-Tabellen
Pradikatenlogik Syntax (Quantoren, Individuenvariablen)
Modellierung von Daten durch

Mengen
I
I
I
I
I
I
extensionale und intensionale Darstellung

Machtigkeiten von (endlichen) Mengen |M|
Beziehungen zwischen Mengen , =,
leere Menge
Potenzmenge 2M
Mengen-Operationen , , , \, ,
Produkt , iterierte Produkte n ,
92
Folgen
Folgen (Listen, Worter) werden definiert:
extensional durch Angabe der Elemente und ihrer Reihenfolge
Beispiele: 3210, [1, 4, 9, 16, 25], abababababa
intensional durch Angabe einer Eigenschaft, die f
ur jeden Index i
das i-te Element eindeutig bestimmt.
Beispiele: (4 i)1i4 , (i 2 )i{1,...,5} ,

(wi )0i10 mit wi =
(vi )iN mit vi =
a falls i 2
b sonst
a falls i 2
b sonst
(i 2 )iN = [0, 1, 4, 9, . . .], (3)kN = [3, 3, 3, 3, . . .]

Lange der Folge (an )nI :
Anzahl der Elemente (= Machtigkeit der Indexmenge I
N)
93
Modellierung durch Folgen

Beispiel W
urfelfolgen:
Menge der moglichen Werte (Augenzahlen): {1, 2, . . . , 6},

z.B. 3 {1, 2, . . . , 6}
Menge aller Folgen von Werten bei viermaligem W

urfeln
(nacheinander): {1, 2, . . . , 6}4 ,
z.B. [3, 6, 5, 3] {1, 2, . . . , 6}4
Menge aller Folgen von Werten beim W

urfeln beliebig oft
nacheinander: {1, 2, . . . , 6} ,
z.B. [3, 2, 2, 5, 1] {1, 2, . . . , 6} , {1, 2, . . . , 6}
94
Modellierung durch Mengen und Folgen

I
Menge aller Skatkarten:

S = {, , , } ({7, 8, 9, 10} {B, D, K , A})
Folge aller Unter (B) nach Wert aufsteigend geordnet

[(, B), (, B), (, B), (, B)] S 4
Folge aller Karten der Farbe nach Wert (Nullspiel) aufsteigend

geordnet
[(, 7), (, 8), (, 9), (, 10), (, B), (, D), (, K ), (, A)] S 8
Menge aller M
oglichkeiten der (zwei) Karten im Skat:
{{h, k} | h K k K h 6= k} 2S (Warum nicht S 2 ? )
Blatt = Menge aller Karten auf der Hand (zu Beginn des Spieles)
B 2S mit |B| = 10 (10 verschiedene Karten)
Kartenfacher (zu Beginn des Spieles): Folge (k1 , . . . , k10 ) S 10 mit

|{k1 , . . . , k10 }| = 10 (alle Karten verschieden), z.B.
[(, B), (, B), (, A), (, 9), (, A), (, K ), (, 9), (, 10), (, 8), (, 7)]
Stich: Folge von drei nacheinander gelegten Karten

(geordnetes Tripel) (k1 , k2 , k3 ) S 3 mit |{k1 , . . . , k3 }| = 3
Spiel: Folge der (wahrend des Spiels gefallenen) Stiche S 3
10
95
Zusammenhange Folgen Mengen

Folge (an )nI gegeben
I Menge {an | n I } der Elemente der Folge (an )nI
(eindeutig)
I
I
Folge [1, 4, 9, 16], Menge der Elemente {1, 4, 9, 16}

Folge [a, a, a, . . .], Menge der Elemente {a}
(Folge lasst sich nicht eindeutig rekonstruieren.)

I Menge der Anfangsst
ucke der Folge (eindeutig)
n
Beispiel: (2 )nN , Menge {[1], [1, 2], [1, 2, 4], . . .}
(Folge lasst sich eindeutig rekonstruieren.)
Menge A gegeben
I Folgen (an )nI durch Mengen definiert (A , A )
I beliebige Anordnung der Elemente einer Menge zu Folgen
(i.A. nicht eindeutig, mehrere M
oglichkeiten), z.B.
I
I
I
M = {a, b, c, d}, Folgen [a, b, c, d], [b, d, b, c, d, a]

M = , Folgen [0, 1, 2, . . .] , [0, 2, 4, 6, 8, 1, 3, 5, 7, 9, 10, 12 . . .]
M = , Folgen [0, 1, 1, 2, 2, 3, 3, . . .]
[0, 1, 2, 3, 3, 2, 1, 4, 5, . . .]
N
Z
96
Alphabet, Wort, Sprache
Alphabet (endliche) Menge A von Symbolen

Wort endliche Folge von Symbolen w = w1 wn mit
i {1, . . . , n} : wi A
Lange eines Wortes |w | = Anzahl der Symbole in w
Anzahl der Vorkommen eines Symboles in einem Wort
|w |a = Anzahl der a in w (f
ur a A)
Sprache Menge von W
ortern L A
97
Worter Beispiele
banane
ist ein Wort (Zeichenkette) mit Symbolen aus der Menge {a, b, e, n},
neben und abbbeeeab auch,
ananas und ab + bea nicht
2009
ist ein Wort mit Symbolen aus der Menge {0, 2, 9},
90 und 09020090 auch,
2090 nicht
(x + y ) (z x)
ist ein Wort mit Symbolen aus der Menge {x, y , z, (, ), +, , },
()xz(xy + auch,
x + 3 z nicht
(p p) q
ist ein Wort mit Symbolen aus der Menge {p, q, , , , (, )},
q (p q) und )(p auch,
p q nicht
otto holt obst .
ist ein Wort mit Symbolen aus der Menge {otto, obst, holt, .},
. otto . . otto auch,
los otto nicht
98
Verkettung von Wortern (Folgen)

Verkettung von Wortern:
F
ur alle Worter u = u1 um A , v = v1 vn A gilt
u v = u1 um v1 vn
Beispiel: anne marie = annemarie
Eigenschaften der Operation :
I ist assoziativ, d.h.
u A v A w A ((u v ) w = u (v w ))
I
Das leere Wort ist neutrales Element f

ur , d.h.
w A ( w = w = w )
ist nicht kommutativ.

Gegenbeispiel: u = marie, v = anne
u v = marieanne 6= annemarie = v u
99
Beziehungen zwischen Wortern (Folgen)

Prafix (Anfangswort) v
u A v A ((u v v )
(w A (u w = v )))
(F
ur zwei Worter u A , v A gilt u v v genau dann,
wenn ein Wort w A existiert, so dass u w = v gilt.)
Beispiele:
I
an v anna (mit w = na)
n 6v anna
tom v tomate (mit w = ate)
oma 6v tomate
f
ur jedes Wort u A gilt v u (mit w = u)
f
ur jedes Wort u A gilt u v u (mit w = )
(analog zur Teiler-Beziehung zwischen nat

urlichen Zahlen)
100
Postfix- und Infix-Beziehung auf Wortern (Folgen)

Postfix-Beziehung:
u A v A (Postfix(u, v ) (w A (w u = v )))
F
ur zwei W
orter u = u1 um A , v = v1 vn A heit u genau
dann Postfix (Suffix) von v , wenn ein Wort w A existiert, so dass
w u = v gilt.
Beispiel: enten ist Postfix von studenten (mit w = stud)
Infix-Beziehung (Teilwort, Faktor):
u A v A (Infix(u, v ) (w A w 0 A (w u w 0 = v )))
F
ur zwei W
orter u = u1 um A , v = v1 vn A heit u genau
dann Infix von v , wenn zwei W
orter w , w 0 A existieren, so dass
0
w u w = v gilt.
Beispiel: uwe ist Infix von sauwetter (mit w = sa, w 0 = tter )
satt ist kein Infix von sauwetter
101
Beispiele fur Sprachen

I
Menge aller englischen W

orter L1 {a, . . . , z}
Menge aller deutschen W

orter L2 {a, . . . , z, ,a,o,
u}
Menge aller m
oglichen DNA L3 {A, T , G , C }
Menge aller nat

urlichen Zahlen in Dezimaldarstellung
L4 = {0, . . . , 9} (evtl. mit f
uhrenden Nullen)
Menge aller nat

urlichen Zahlen in Binardarstellung (Bitfolgen
beliebiger Lange) L5 = {0, 1}
Menge aller aussagenlogischen Formeln in AL({p, q, r })

L6 {p, q, r , t, f, , , , , , (, )},
Menge aller arithmetischen Ausdr

ucke u
ber
L7 {0, . . . , 9, +, , , /, (, )},
Menge aller deutschen Satze L8 (L2 {., , , !, ?, (, ), })
Z (ohne Variablen)
Wie lassen sich unendliche Sprachen endlich darstellen?

(Voraussetzung f
ur maschinelle Verarbeitung)
verschiedene Darstellungen in den LV zur theoretischen Informatik
z.B. Automaten und formale Sprachen im 3. Semester (INB)
102
Was bisher geschah

Modellierung von Aussagen durch Logiken
Modellierung von Daten durch
Mengen

Machtigkeiten endlicher Mengen,
Beziehungen zwischen Mengen , =,
I Mengen-Operationen , , , \, , , n , , 2M
I
I
I
Folgen u
ber einer Menge A
Lange von Folgen, leeres Wort (leere Folge)
unendliche Folgen,
endliche Folgen fester Lange (Tupel, Vektoren),
endliche Folgen variabler Lange (Worter, Listen)
I Operationen auf W
ortern: (iterierte) Verkett. ,
I Beziehungen zwischen W
ortern: Pra-, In-, Postfix
I
I
I
Sprachen Mengen von W

ortern (endlichen Folgen)
Beispiele
103
Sprachen als Mengen

Sprachen L A sind Mengen von W
ortern (endlichen Folgen)
Mengenbeziehungen auf Sprachen:
L L0 gdw.
w A ((w L) (w L0 ))
L = L0 gdw.
w A ((w L) (w L0 ))
Mengenoperationen auf Sprachen:

L L0 = {w | w L w L0 }
L L0 = {w | w L w L0 }
L \ L0 = {w | w L w 6 L0 }
Komplement einer Sprache L A : L = A \ L
Beispiel:
[
[
L=
An
L=
An
n3
n(3 +1)
An
n(3 +2)
104
Verkettung von Sprachen
Verkettung von Sprachen:

L1 L2 = {u v | (u L1 ) (v L2 )}
Beispiel:
L1 = {111, 1, 10} L2 = {00, 0}
L1 L2 = {111, 1, 10} {00, 0}
= {1110, 11100, 10, 100, 1000}
105
Iterierte Verkettung
I
f
ur Sprachen L A
L0 = {}
N:
Ln+1 = Ln L = L
L}
| {z
n+1mal
L =
[
n
L =
n \{0}
f
ur W
orter (endliche Folgen) u A :
un
u
A ,
= u
u}
| {z
u = {u} = {u n | n
nmal
= u \ {} = {u}+ = {u n | n
N \ {0}}
N}
Beispiele:
(101)3
a
(ab)
101101101
und
1013 = 10111
N} = {, a, aa, aaa, . . .}
| i N} = {, ab, abab, ababab, . . .}
= {ai | i
i
= {(ab)
106
Mehr Beispiele fur Sprachen
{aa, b}
= {u1 un | n
N i {1, . . . , n} (ui {aa, b})}
= {, b, aa, bb, aab, baa, bbb, aaaa, aabb, baab, bbaa, bbbb, . . .}
ab 6 {aa, b} , ba 6 {aa, b} , aba 6 {aa, b}
I
{aba, bb} =
{} {aba, bb} = {aba, bb}
{bb} = {w {b} | |w | 2 } = {, bb, bbbb, . . .}
({1}
{0} )
= {w
{0, 1}
| w1 = 1} {}
107
Regulare Ausdrucke Syntax

Die Menge RegExp(A) aller regularen Ausdr
ucke u
ber einem
Alphabet A ist (induktiv) definiert durch:
IA: RegExp(A),
RegExp(A) und
f
ur jedes Symbol a A gilt a RegExp(A)
IS: f
ur alle E RegExp(A) und F RegExp(A) gilt
(E + F ), EF , (E ) RegExp(A).
(Baumdarstellung)
Beispiele:
I ( + 1) RegExp({0, 1}),
I ( + ((ab) a) ) RegExp({a, b}),
I () RegExp({, , , }),
I f
ur beliebiges Alphabet A gilt RegExp(A),
( + ) RegExp(A),
I 0+(1+2+3+4+5+6+7+8+9)(0+1+2+3+4+5+6+7+8+9)
RegExp({0, 1, 3, 4, 5, 6, 7, 8, 9})
108
Regulare Ausdrucke Semantik

Jeder regulare Ausdruck E RegExp(A) reprasentiert
eine Sprache L(E ) A .
L()
L()
a A :
L(a)
E , F RegExp(A) : L(E + F )
E , F RegExp(A) :
L(EF )
E , F RegExp(A) :
L(E )
=
= {}
= {a}
= L(E ) L(F )
= L(E ) L(F )
= (L(E ))
Eine Sprache L A heit genau dann regular, wenn ein regularer

Ausdruck E RegExp(A) existiert, so dass L = L(E ).
Beispiele: F
ur A = {a, b} gilt
L(ab )
N}
N}
{a, ab, abb, abbb, abbbb, . . .} = {ab i | i
L((ab) )
{, ab, abab, ababab, . . .} = {(ab)i | i
L((a + b) )
{a, b}
L(a b )
{u v | u a v b }
L((a b ) )
{a, b}
L(A aba)
{u aba | u A }
109
Beispiele
I
L (0 + (1 + 2 + + 9)(0 + 1 + + 9) ) =
Menge aller Dezimaldarstellungen nat
urlicher Zahlen
f
ur A = {A, B, . . . , Z , a, b, . . . , z} ist L(A (oma + otto)A ) =
Menge aller W
orter mit Infix oma oder otto
z.B. tomate L(A (oma + otto)A ), lotto L(A (oma + otto)A ),
ottomat L(A (oma + otto)A ),
hottentottenpotentatentantenattentat 6 L(A (oma + otto)A )
f
ur A = {A, B, . . . , Z , a, b, . . . , z, 0, 1, . . . , 9, ., } ist
L(A @htwk-leipzig.de)
Menge aller m
oglichen HTWK-Email-Adressen
Regulare Ausdr
ucke erm
oglichen eine endliche Darstellung unendlicher
Sprachen.
Aber: Nicht jede (unendliche) Sprache ist regular.
( mehr dazu in den LV zur theoretischen Informatik,
z.B. Automaten und Formale Sprachen im 3. Semester )
110
Relationen
Relationen reprasentieren Beziehungen zwischen Individuen
Definition
Jede Menge R A B heit Relation zwischen den Mengen A und B.
Beispiele:
I
H Studenten Dozenten mit (s, d) H gdw.

s h
ort (wenigstens) eine Vorlesung bei d.
S Skatkarten Skatkarten mit (h, k) B gdw.

Karte h hat h
oheren Wert als Karte k
B Spieler Skatkarten mit (s, k) B gdw.

Spieler hat s die Karte k auf der Hand.
R {a, b, c} {1, 2, 3, 4} mit R = {(a, 2), (a, 3), (c, 2), (c, 4)}
I
I
I
N2 mit R = {(m, n) N2 | m = n + 5}
R R2 mit R = {(x, y ) R2 | x 2 + y 2 = 1}
R2 mit = {(m, n) R2 | m n}
R
Zur Definition einer Relation R A B geh

oren (sind anzugeben):
die Mengen A, B (Typ der Relation) und
I die Menge R (extensional oder intensional)
I
111
Was bisher geschah
Modellierung von
I Aussagen durch Logiken
I
I
Daten durch
I
I
I
klassische Aussagenlogik
klassische Pradikatenlogik
Mengen
Folgen
Sprachen
Zusammenhangen durch Relationen

I
I
Definition
Beispiele
112
Beispiel EU-Arbeitskreise
nach Uwe Kastens, Hans Kleine B
uning:
Modellierung - Grundlagen und formale Methoden
3 Arbeitskreise
4 Nationen : D, F, A, P
aus jeder Nation 3 Delegierte

Bedingungen:
I
I
Jede Nation ist in jedem AK vertreten.

In jedem AK gibt es eine Sprache, die alle Mitglieder des AK
sprechen.
113
Modellierung EU-Arbeitskreise
Modellierung der (relevanten)
Daten: Mengen aller beteiligten
I Nationen L = {D, F , A, P}
I Sprachen S = {d, f , p},
I AK-Index A = {1, 2, 3},
I Delegierten-Index I = {1, 2, 3}
daraus konstruierte Mengen, z.B.
Menge aller Delegierten P = L D
deutsche Delegation {D} I = {D1, D2, D3}
Menge aller m
oglichen Sprachkompetenzen 2S
Menge aller m
oglichen Delegiertengruppen 2P
Zusammenhange z.B.
Amtssprache S L (z.B. (A, d) Amtssprache)
spricht P S (z.B. (D1, p) spricht)
lernt P S
Notation: oft (spricht(D1, p)) statt ((D1, p) spricht)
114
Relationen verschiedener Stelligkeit

Die leere Relation ist Relation zwischen beliebigen
Mengen A und B.
Relation R A B f
ur spezielle A
B = A , also A B = A2
R A2 heit binare Relation auf A.
Beispiele: 2 mit = {(x, y ) 2 | x y },
Identitat auf A: IA A2 mit IA = {(x, x) | x A}
B = An1 , also A B = A An1 = An

R An heit n-stellige Relation auf A.
Beispiel: R = {(x, y , z) 3 | x 2 + y 2 = z 2 }
N3
B = A0 = {}, also A B = A {} = {(a, ) | a A}

Relation entspricht einer Teilmenge R A.
R A heit dann auch einstellige Relation auf A.
(Eigenschaft von Elementen aus A)
Beispiel: G mit G = {n | 2 < n}
115
Haufige Anwendungen
I
Datenbanken: jede Tabelle reprasentiert eine Relation T , z.B.

Id
Vorname Name Studieng. Jg. Gruppe
34567 Lisa
Klein
AMB
15 1
12345 Erwin
Meier
MIB
15 2
56789 Paula
M
uller INB
14 1
..
..
..
..
..
..
.
.
.
.
.
.
mit T {0, 1, . . . , 9}5 Vornamen Namen
{AMB, INB, MIB} {0, 1, . . . , 9}2 {1, 2}
und z.B. ( 12345, Erwin, Meier, MIB, 15, 2 ) T
Ontologien, z.B. Komponenten eines Systems:

istTeilVon (Hand, Arm), istTeilVon (Finger, Hand),
istEin (Daumen, Finger)
Ablaufe, z.B. durch Ubergangsrelation

T zwischen Zustanden
M
unzspiel: (0230, 1040) T , (0230, 0311) T , (0311, 1121) T ,
(1040, 1121) T , (1121, 1202) T
116
Abgeleitete Relationen
Inverse der binaren Relation R A B:
R 1 = {(b, a) | (a, b) R} B A
Beispiele: {(1, a), (1, b), (2, b)}1 = {(a, 1), (b, 1), (b, 2)},
istKindVon1 = istElternteilVon, istTeilVon1 = hatTeil, 1 =
Einschrankung von R A B auf M A:
R|M = {(a, b) R | a M}
Beispiele: {(1, a), (1, b), (2, b), (3, a)}|{2,3} = {(2, b), (3, a)},
istElternteilVon|Frauen = istMutterVon,
Projektionen von R A B:
1 (R)
= {a A | (a, b) R} A
2 (R)
= {b B | (a, b) R} B
Beispiele: 1 ({(1, a), (1, b), (2, b), (3, a)}) = {1, 2, 3},
2 (istKindVon) = Menge aller Eltern
117
Verkettung von Relationen

Verkettung R S A C
der Relationen R A B und S B C :
R S = {(x, y ) A C | z B((x, z) R (z, y ) S)}
Beispiele:
I
f
ur A = {1, 2, 3}, B = {a, b, c}, C = {, } und
R = {(1, a), (1, c), (2, b), (3, c)}, S = {(a, ), (a, ), (b, )}
R S= {(1, a), (1, c), (2, b), (3, c)} {(a, ), (a, ), (b, )}
= {(1, ), (1, ), (2, )}
istKindVon istKindVon = istEnkelVon
118
Eigenschaften der Verkettung von Relationen
F
ur alle Relationen R A B, S B C , T C D gilt:
(R S) T = R (S T )
i.A. R S 6= S R
(nicht kommutativ)
Gegenbeispiel: f
ur R = {(a, b)}, S = {(b, c)} gilt
R S = {(a, c)}, aber S R =
R IB = R = IA R
(R
S)1
S 1
(assoziativ)
(IA , IB sind neutrale Elemente)
R 1
119
Mengen:
B
P
O
L
Relationen:
hatAutor
={
={
={
={
Blumen, Pferde, Schiffe }

Paul, Max, Ilse }
Leipzig, Berlin, Genf }
D, S }
(Buchtitel)
(Personen)
(Orte)
(Lander)
B P mit
hatAutor = { (Blumen, Max), (Schiffe, Paul),
(Schiffe, Ilse), (Pferde, Max), (Pferde, Ilse) }
wohntIn P O mit
wohntIn = {(Paul, Berlin), (Ilse, Leipzig), (Max,
Genf) }
liegtIn O L mit
liegtIn = {(Leipzig, D), (Berlin, D), (Genf, S) }
Verkettungen der Relationen:
I wohntIn liegtIn P L mit
wohntIn liegtIn ={(Paul,D), (Ilse,D), (Max, S)}
I hatAutor wohntIn B O mit hatAutor wohntIn = . . .
120
I
Wor
uber wird in welchen Landern geschrieben?
R = (hatAutor wohntIn liegtIn) B L
mit R ={(Blumen, S), (Schiffe, D), (Pferde, S), (Pferde, D)}
In welchen Orten wohnen Autoren von B

uchern u
ber Pferde?

M = 2 (hatAutor wohntIn) |{Pferde} O
mit M = {Genf, Leipzig}
B
ucher zu welchen Themen schreiben deutsche Autoren?

M 0 = 2 (hatAutor wohntIn liegtIn)1 |{D} B
mit M 0 = {Schiffe, Pferde}
121
Darstellung binarer Relationen

Darstellungsformen f
ur binare Relation R A B auf
endlichen Mengen A und B:
I
Menge geordneter Paare (intensional oder extensional)
f
ur A = {a1 , . . . , am } und B = {b1 , . . . , bn }
|A| |B|-Matrix mit Eintragen aus {0, 1}
(
1 falls (ai , bj ) R
mij =
0 sonst
Verkettung von Relationen durch Matrixmultiplikation
(mit max statt +)
(gerichteter) Graph G = (A B, R) mit

Eckenmenge A B und Kantenmenge R
falls (wenigstens) eine der Mengen A und B unendlich ist,

i.A. intensionale Darstellung von Relationen R A B notig
122
Was bisher geschah
Modellierung von
I
I
Aussagen durch Logiken

Daten durch
I
I
I
Mengen
Folgen
Sprachen
Zusammenhangen und Eigenschaften durch Relationen

I
I
Definition, Beispiele
Operationen auf Relationen:
inverse Relation, Verkettung, Projektionen, Einschrankung
Darstellungsformen binarer Relationen
123
Eigenschaften binarer Relationen

Eine binare Relation R M 2 heit
reflexiv gdw. x M : ((x, x) R)
z.B. R = {(a, a), (a, b), (b, b)} {a, b}2 , =, , v,
irreflexiv gdw. x M : ((x, x) 6 R)
z.B. R = {(a, b), (b, a)} {a, b}2 ,
<, , istGeschwisterVon, istKindVon
symmetrisch gdw. x, y M : ((x, y ) R (y , x) R)
z.B. R = {(a, b), (b, a), (b, b)} {a, b}2 ,
=, istGeschwisterVon
asymmetrisch gdw. x, y M : ((x, y ) R (y , x) 6 R)
z.B. R = {(a, b)} {a, b}2 , <, istKindVon,
antisymmetrisch gdw. x, y M : (((x, y ) R (y , x) R) x = y )
z.B. R = {(b, b)} {a, b}2 , , v, ,
transitiv gdw. x, y , z M :
(((x, y ) R (y , z) R) (x, z) R)
z.B. R = {(c, b), (a, b), (a, c)} {a, b, c}2 ,
=, , <, v, , istVorfahreVon
mehr Beispiele und Gegenbeispiele in Kastens: Modellierung
124
Hullen binarer Relationen

Die reflexive (symmetrische, transitive, reflexiv-transitive) H
ulle einer
Relation R M 2 ist die kleinste (bzgl. ) Relation S M 2 mit
1. R S und
2. S reflexiv (symmetrisch, transitiv, reflexiv und transitiv).
reflexive H
ulle von R: R IM
symmetrische H
ulle von R: R R 1
Wiederholung: Verkettung der Relationen R M 2 und S M 2
R S = {(x, z) M 2 | y M : (x, y ) R (y , z) S}
Iterierte Verkettung von R M 2 mit sich selbst:
R0
R
n+1
= IM
= Rn R
[
=
Rn M2
transitive H
ulle
n \{0}
Rn M2
reflexiv-transitive H
ulle
125
Beispiel
R ({a, b, c})2
mit
R = {(a, b), (b, c)}
R 1 = {(b, a), (c, b)}

R R 1 = {(a, b), (b, c), (b, a), (c, b)}
(symmetrische H
ulle)
R 0 = {(a, a), (b, b), (c, c)}

R R 0 = {(a, b), (b, c), (a, a), (b, b), (c, c)}
(reflexive H
ulle)
R 2 = {(a, c)}
R3 =
R
(= R n
2
f
ur beliebige n 3)
3
= R R R = {(a, b), (b, c), (a, c)}

(transitive H
ulle)
= R R
= {(a, a), (b, b), (c, c), (a, b), (b, c), (a, c)}
(reflexiv-transitive H
ulle)
126
Modellierungsbeispiel: Lineares Solitaire

Spielbeginn: n Spielsteine, je einer auf n benachbarten Spielfeldern
in einer Reihe.
Spielzug: Springe mit einem Stein u
ber einen benachbarten
Stein auf das dahinterliegende freie Feld und entferne
den u
bersprungenen Stein.
Spielende: Das Spiel endet, wenn kein Spielzug moglich ist.
Modellierung f
ur n = 4:
I
Spielfeld {0, 1} (frei, belegt)
Spielzustand: Folge von Spielfeldern,

z.B. 011110 (Spielbeginn), 011110, 010010
Menge aller Spielzustande {0, 1}6 (4 + 2 Randfelder)
127
Modellierung: Lineares Solitaire

I
I
I
Menge der Spielzustande Q = {0, 1}6 ,

Startzustand 011110 Q,
Ubergangsrelation
T Q 2 mit
(011110, 100110) , (011110, 011001)

(100110, 100001) , (011001, 100001)
T =
(100110, 101000) , (011001, 000101)
H
ullen der Ubergangsrelation
enthalten
zusatzliche Moglichkeiten f
ur Spielz
uge:
I reflexive H
Aussetzen
ulle T IQ
I symmetrische H
umgekehrte Z
uge
ulle T T 1
+
I transitive H
ulle T
mehrere Z
uge auf einmal (aber wenigstens einer)
I reflexiv-transitive H
ulle T
beliebig viele Z
uge auf einmal (Aussetzen erlaubt)
128
Quasiordnungen
Relation R M 2 heit Quasiordnung gdw. R reflexiv und transitiv
Beispiele:
I
R {a, b, c}2 mit

R = {(a, a), (a, b), (b, b), (b, c), (a, c), (c, c)}
T (Menge aller Personen)2 mit

(p, q) T gdw. p h
ochstens so alt ist wie q
Z2 mit S = {(a, b) Z2 | |a| |b|}
129

Aquivalenzrelationen
Relation R M 2 heit Aquivalenzrelation

gdw. R reflexiv, transitiv und symmetrisch
(symmetrische Quasiordnung)
Beispiele:
I
R {a, b, c}2 mit R = {(a, a), (a, b), (b, a), (b, b), (c, c)}
Relation haben dieselbe Farbe f

ur Paare von Skatkarten
2
R (F W ) f
ur F = {, , , } und
W = ({7, 8, 9, 10} {B, D, K , A}) mit
R = {((f , w1 ), (f , w2 )) | (f F ) (w1 W ) (w2 W )}
Relation sind im selben Studiengang f

ur Studenten
2
R (A ) mit R = {(u, v ) (A ) | |u| = |v |} (gleiche
Lange)
Gleichmachtigkeit von Mengen: (A, B) R gdw. |A| = |B|
Ahnlichkeit
von Dreiecken
f
ur jede Menge M: IM M 2 mit IM = {(x, x) | x M}
130

Aquivalenzklassen
Zu jeder Aquivalenzrelation
R M 2 heien
I
zwei Elemente a M und b M genau dann

aquivalent bzgl. R, wenn (a, b) R
die Menge aller zu a M aquivalenten Elemente aus M

[a]R = {x M | (a, x) R}
Aquivalenzklasse
von a bzgl. R
Beispiele:
I Aquivalenzklassen
bzgl. der Aquivalenzrelation
R {a, b, c}2
mit R = {(a, a), (a, b), (b, a), (b, b), (c, c)}:
[a]R = {a, b} = [b]R und [c]R = {c}
I Aquivalenzklassen
bzgl. der Aquivalenzrelation
haben dieselbe Farbe f
ur Skatkarten:
K , K , K , K (siehe Ubungsaufgabe
5.1.a)
[(, B)]R = K = {(, w ) | w {7, 8, 9, 10, B, D, K , A}}
131

und disjunkte Zerlegungen
1. Jede Aquivalenzrelation
R M 2 definiert eine disjunkte Zerlegung
von M in die Menge aller Aquivalenzklassen

{[a]R | a M}
2. Jede (disjunkte) Zerlegung P = {Mi | i I } einer Menge M
definiert eine Aquivalenzrelation

RP M 2
mit
RP = {(a, b) | i I : {a, b} Mi }
Beispiele:
I
Relation R {a, b, c}2 mit R = {(a, a), (a, b), (b, a), (b, b), (c, c)}
definiert Zerlegung {[a]R , [b]R , [c]R } = {{a, b}, {c}}
der Menge {a, b, c}
Zerlegung F = {K , K , K , K } der Menge aller Skatkarten

definiert die Relation RF (haben dieselbe Farbe)
Zerlegung P = {3 , 3 + 1, 3 + 2}
definiert die Relation RP = {(m, n)
N N
N2 | 3|(m n)}
132
Halbordnungen (partielle Ordnungen)

Relation R M 2 heit Halbordnung
gdw. R reflexiv, transitiv und antisymmetrisch
(antisymmetrische Quasiordnung)
a M und b M heien genau dann vergleichbar bzgl. R,
wenn (a, b) R oder (b, a) R
Beispiele:
I
R {a, b, c, d}2 mit

R = {(a, a), (a, b), (a, c), (a, d), (b, b), (b, d), (c, c), (d, d)}
R ( Menge aller AMB-Studenten )2 mit

(p, q) R gdw. (Matrikelnr. von p) (Matrikelnr. von q)
v ({a, b} )2
Teilerrelation | 2 mit a|b gdw. n

(Warum ist | 2 keine Halbordnung?)
Teilmengenrelation auf 2{a,b,c}
N2 ( Z2, R2)
N
Z
Z | an = b
133
Hasse-Diagramme von Halbordnungen

(f
ur Halbordnungen auf endlichen Mengen)
graphische Darstellung der Relation mit folgenden Konventionen:
I
Pfeilspitzen weglassen,
stattdessen optische Ausrichtung (nach oben)
reflexive Kanten (Schlingen) weglassen
transitive Kanten weglassen
Beispiele (Tafel):
I
Halbordnung auf 2{a,b,c} ,
auf {0, . . . , 6},
Teiler-Halbordnung | auf {0, . . . , 6}
134
Was bisher geschah

Modellierung von
I
Daten durch Mengen, Folgen, Sprachen

I
I
I
I
I
Definition, Beispiele
Operationen auf Relationen:
inverse Relation, Verkettung, Einschrankung, Projektionen
Eigenschaften binarer Relationen R M 2
reflexive, symmetrische, transitive H
ullen
spezielle binare Relationen auf einer Menge:
Halbordungen, Aquivalenzrelationen
135
Totale Ordnungen
Jede Halbordnung R M 2 mit
(a, b) M 2 ((a, b) R (b, a) R)
(alternativ)
heit totale (lineare) Halbordnung.

(alle Elemente miteinander vergleichbar)
Beispiele:
I
R ({a, b, c})2 mit

R = {(a, a), (a, b), (a, c), (c, b), (b, b), (c, c)}
R ( Menge aller AMB-Studenten )2 mit

(p, q) R gdw. (Matrikelnr. von p) (Matrikelnr. von q)
alphabetische Ordnung der W

orter im W
orterbuch
N2 ( Z2, R2)
136
Totale Ordnungen
haufige Aufgabe: Sortieren von Elementen
z.B. Menge von Wortern aus A : {ab, , a, ac, abc, c}
Prafix-Relation v A A mit
(u, v ) A A ((u v v ) v 0 A (u v 0 = v ))
ist reflexiv,transitiv, antisymmetrisch, also eine Halbordnung
Gilt (u, v ) (A A ) : ((u v v ) (v v u)) ?
nein, z.B. f
ur A = {a, b, c}, u = ab, v = ac gilt ab 6v ac und
ac 6v ab
v ist also keine totale Ordnung auf A
Sortieren lassen sich nur Elemente aus totalen Ordnungen
totale Ordnungen auf A ?
137
Ordnungen auf A
ohne Ordnung auf dem Alphabet A:
Prafix-, Postfix-, Infix-Relation auf A sind
Halbordnungen, nicht total (linear)
bei gegebener totaler Ordnung < auf dem Alphabet A:
lexikographische Ordnung auf A :
u, v A : u lex v gdw.
1. u v v oder
2. w A a, b A : a < b wa v u wb v v
quasi-lexikographische Ordnung auf A :
u, v A : u qlex v gdw.
1. |u| < |v | oder
2. |u| = |v | u lex v
Beispiele: f
ur A = {a, b} mit a < b
I ab v aba, ab lex aba, ab qlex aba
I abab 6v abba, aber abab lex abba und abab qlex abba,
I aaa lex ab, aber aaa 6qlex ab
I ab 6lex aaba, aber ab qlex aaba
138
Funktionen (Wiederholung)
Funktion: spezielle Relation mit Richtung
Relation f A B heitgenau dann partielle Funktion,
wenn a A : 2 f |{a} 1
Relation f A B heitgenau dann (totale) Funktion,
wenn a A : 2 f |{a} = 1
Beispiele:
I
Abbildung aller HTWK-Studenten auf ihren Geburtstag

ist totale Funktion
Abbildung von Geburtstag auf Studenten

ist keine Funktion
I
I
I
I
Z2 mit f = {(x, x 2) | x Z} ist (totale) Funktion

f 0 Z2 mit f = {(x 2 , x) | x Z} ist keine Funktion
g N2 mit g = {(x 2 , x) | x N} ist partielle Funktion
g N2 mit g = {(x 2 , x) | x N} ist partielle Funktion
k R2 mit h = {(sin x, x) | x R} ist keine Funktion
139
Definition von Funktionen

Funktion f : A B wird definiert durch Angabe von:
Typ (Signatur):
Definitionsbereich : Menge A
Wertebereich : Menge B
Werte Zuordnung f
extensional z.B. f = {a 7 1, b 7 0}
(statt f = {(a, 1), (b, 0)})
intensional z.B. x : f (x) = x 2
Syntax
Semantik
Graph von f : Relation f A B = {(x, f (x)) | x A}
140
Mehrstellige Funktionen auf einer Menge
A = B n : Funktion f : B n B heit auch

n-stellige Funktion auf B
Achtung: n-stellige Funktionen auf B sind
(n + 1)-stellige Relationen auf B.
Beispiel: f : mit
(x, y ) 2 : f (x, y ) = 2x + y
A=
B0
N N N
= {}:
Nullstellige Funktionen f : B 0 B heien auch
Konstanten f B.
Beispiel: c : 0 mit c = 3
141
Abgeleitete Funktionen
F
ur Funktion f : A B heit
f (A) = 2 (f ) B Bild von f ,
f (M) = 2 (f |M ) B f
ur M A Bild von M unter f ,

f (a) = 2 f |{a} B f
ur a A Bild von a unter f ,

1
1
f (N) = 2 f |N A f
ur N B Urbild von N unter f ,

1
1
f (b) = 2 f |{b} A f
ur b B Urbild von b unter f ,
F
ur jede (totale) Funktion f : A B gilt f 1 (B) = A
142
Eigenschaften von Funktionen (Wiederholung)

Funktion f : A B heit

injektiv , falls f
ur alle b B gilt f 1 (b) 1,

surjektiv , falls f
ur alle b B gilt f 1 (b) 1,

bijektiv , falls f
ur alle b B gilt f 1 (b) = 1,
Eine Funktion ist genau dann bijektiv,
wenn sie injektiv und surjektiv ist.
Beispiele:
N N mit x N : f (x) = x 2 ist injektiv, nicht surjektiv

I f : Z Z mit x Z : f (x) = x 2 ist weder injektiv noch
f :
surjektiv
f : 0
surjektiv
R0 mit x R0 : f (x) = x 2 ist injektiv und

143
Mengen von Funktionen

Menge aller (totalen) Funktionen von A nach B:

B A = {f : A B} = {f A B | a A : 2 f |{a} = 1}
Beispiel: {0, 1}{p,q,r } = {W : {p, q, r } {0, 1}}

F
ur alle endlichen Mengen A, B gilt B A = |B||A| .
( Es existieren |B||A| verschiedene Funktionen von A nach B.)
Beispiele:
I
|{0, 1}||{p,q,r }| = 23 = 8 Funktionen W : {p, q, r } {0, 1}
3|A| Funktionen f : A {rot, gr

un, blau}
4|A| Funktionen f : A {1, 2, 3, 4}
4|A| Funktionen f : A {0, 1}2
144
Funktionen auf Anfangsstucken von

Funktion f : I B mit I = {0, . . . , n}
Beispiel:
f : {0, . . . , 4} B, wobei n {0, 1, . . . , 4} : f (n) = 7n + 2
f (0) = 2, f (1) = 9, f (2) = 16, f (3) = 23, f (4) = 30
alternative Darstellung:
f0 = 2, f1 = 9, f2 = 16, f3 = 23, f4 = 30
Folge f = [2, 9, 6, 23, 30] =(7n + 2)i{0,...,4}
Jede Funktion f : I B mit I = {0, . . . , n} reprasentiert
eine eindeutig definierte Folge (f (i))iI B
Jede Folge (ai )iI B reprasentiert
eine eindeutig definierte Funktion a : I B mit a(i) = ai
145
Funktionen nach {0, 1}

F
ur endliche Mengen A und B
I
(Anzahl)
A0
nullstellige Funktionen f :
{0, 1}
f0 = 0, f1 = 1 (Konstanten)
2|A | = 21 = 2
2|A|
einstellige Funktionen f : A {0, 1}

Beispiel: f
ur A = {a, b}
f00 = {a 7 0, b 7 0}
f01 = {a 7 0, b 7 1}
f10 = {a 7 1, b 7 0}
f11 = {a 7 1, b 7 1}
mogliche Urbilder der 1:

1
1
1
1
f00
(1) = , f01
(1) = {b}, f10
(1) = {a}, f11
(1) = {a, b}
f
u
r
beliebige
Menge
A:
1

f (1) A | f 2A = 2A (Potenzmenge von A)
I
zweistellige Funktionen f : A B {0, 1}
2(|A||B|)
146
Charakteristische Funktion einer Menge

Menge A definiert f
ur jede Teilmenge B A die
charakteristische Funktion B : A {0, 1} mit
(
1 falls x B
x A : B (x) =
0 sonst
Beispiel: f
ur A = {a, b, c, d} und B = {a, d} A gilt
B : A {0, 1} mit B = {a 7 1, b 7 0, c 7 0, d 7 1}
(B ordnet jedem x A den Wahrheitswert der Aussage x B zu.)
Umgekehrt definiert jede Funktion f : A {0, 1} eine Teilmenge
f 1 (1) A
F
ur endliche Mengen A = {a1 , . . . , an } und
beliebige feste Anordnung [a1 , . . . , an ]
lasst sich jede Teilmenge B A durch das eindeutige
Binarwort b1 . . . bn {0, 1}n mit bi = B (ai ) reprasentieren.
147
Multimengen (Vielfachmengen, Bags)

zur Beschreibung von Elementen mit Vielfachheit
Beispiele:
I Bibliothek mit mehreren Exemplaren von B
uchern
I Vorrat an M
unzen
I Romm
e-Blatt
Teilmenge A einer Menge U (Universum)
als charakteristische Funktion von A bzgl. U:
A : U {0, 1} mit
x U : A (x) = |A {x}|
Multimenge A u
ber Menge U: Funktion A : U
alternative Darstellungen von Multimengen:
z.B. f
ur U = {a, b, c, d} und A : U mit
A(a) = 3, A(b) = 3, A(c) = 0, A(d) = 1 durch
I {a 7 3, b 7 3, c 7 0, d 7 1} (Reihenfolge egal)
I {a, b, a, b, d, b, a} (Reihenfolge egal)
I als Relation A U ( \ 0) mit {(a, 3), (b, 3), (d, 1)}
148
Was bisher geschah

Modellierung von
I
Daten durch
I Mengen, Folgen, Sprachen
I charakteristische Funktionen
A : U {0, 1} von (Teil-)Mengen A U
I Multimengen A : U
I Folgen als Funktionen f : {0, . . . , n} B
Darstellungsformen, Anwendungen, Beziehungen, Operationen

I Eigenschaften bin
arer Relationen R M 2
I reflexive, symmetrische, transitive H
ullen
I Aquivalenzrelationen,
Halbordungen, totale Ordnungen
Zuordnungen durch Funktionen (spezielle Relationen)

I Menge B A aller (totalen) Funktionen f : A B
I injektive, surjektive, bijektive Funktionen (Wiederholung)
149
Beziehungen zwischen Multimengen

Multimenge A : U
Multimenge B : U
N ist genau dann Teil(multi)menge der

N, wenn
x U : A(x) B(x)
(A punktweise B)
Zwei Multimengen A : U und B : U

gleich, wenn
x U : A(x) = B(x)
N sind genau dann
(Charakteristische Funktionen von) Mengen A U sind spezielle

Multimengen mit der Eigenschaft x U : A(x) 1
150
Operationen auf Multimengen

F
ur Multimengen A : U
N und B : U N
Vereinigung x U : (A B)(x) = max(A(x), B(x))
disjunkte Vereinigung x U : (AB)(x)

= A(x) + B(x)
Schnitt x U : (A B)(x) = min(A(x), B(x))
Differenz x U : (A \ B)(x) = max(0, A(x) B(x))
(mehr dazu und weitere Operationen in den
LV zu Datenbanken)
F
ur den Spezialfall Mengen (Funktionen nach {0, 1}) ergibt das
genau die Mengenoperationen
Machtigkeit der Multimenge A : U
N:
|A| =
xU
A(x)
151
Modellierungsbeispiel EU-Arbeitskreise
(nach Kastens, Kleine B
uning: Modellierung )
Ziel: Modellierung der Situation
I
drei Arbeitskreise
Nationen D,F,A,S senden je 3 Delegierte
Jedem Arbeitskreis soll aus jeder Nation (wenigstens) ein

Delegierter angeh
oren.
In jedem Arbeitskreis gibt es (wenigstens) einen gemeinsame

Sprache.
Wertebereiche:
Arbeitskreise
Lander
Sprachen
Delegierten-Nr.
Delegierte
:
:
:
:
:
A = {A1, A2, A3} = {A} {1, 2, 3}

N = {D, F , A, S}
S = {d, f , s}
D = {1, 2, 3}
D0 = N D
Was reprasentieren 1 (D 0 ), D 0 |{A,F } ?

152
Modellierungsbeispiel EU-Arbeitskreise
I
Zuordnung der (momentanen) Sprachkenntnisse zu Delegierten

0
I als Relation s
D D S, z.B.
sD = {(D1, d), (D1, f ), (D2, d), (D2, s), (D3, d), (F 1, f ),
(F 2, f ), (F 3, f ), (F 3, s), (A1, d), (A2, d), (A2, f ), (A3, s), . . .}
I als Funktion s 0 : D 0 2S , z.B. mit
D
sD0 (D1) = {d, f }, sD0 (D2) = {d, s}, sD0 (D3) = {d},
sD0 (F 1) = {f } = sD0 (F 2), sD0 (F 3) = {f , s},. . .
Sprachkenntnisse in der Delegation einer Nation

I als Relation s
N N S,
z.B. sN = {(D, d), (D, f ), (D, s), (F , f ), (F , s), . . .}
I als Funktion s 0 : N 2S (Mengen von Sprachen),
N
z.B. sN0 (D) = {d, f , s}, sN0 (F ) = {f , s}, . . .
s
I als Funktion s 00 : N
(Multimengen von Sprachen), z.B.
N
00
sN (D) = {d 7 3, f 7 1, s 7 1}, sN00 (F ) = {f 7 3, s 7 1},
sN00 (A) = {d 7 2, s 7 1},. . .
Was reprasentieren
2 (sD |{D1,A2,F 1} ), sD0 (D 0 |{A,D} ), sN0 (D) sN0 (F ), sN00 (D) sN00 (F ),
2 (sD1 |{d,f } ), 2 (sN1 |{d} ) 2 (sN1 |{f } ), (sN0 )1 ({f , s}) ?
153
Anzahl injektiver Funktionen

Satz
Die Anzahl aller injektiven Funktionen von einer endlichen Menge
A in eine endliche Menge B ist
|A|1
|{f : A B | f injektiv}| =
(|B| i)
i=0
Folgerung
F
ur endliche Mengen A und B mit |A| > |B| existiert keine
injektive Funktion f : A B.
154
Endlicher Schubfachschluss
(pigeonhole principle)
Satz (endlicher Schubfachschluss)

Sind O und S zwei endliche Mengen mit |O|
> |S|, dann existiert
f
ur jede Funktion f : O S ein s S mit f 1 (s) > 1.
umgangssprachliche Formulierung:
O Menge von Objekten
S Menge von Schubfachern
F
ur jede Aufteilung von n Objekten auf k < n Schubfacher
existiert ein Schubfach, welches mehr als ein Objekt enthalt.
155
Beispiele
I
Von 13 Personen haben wenigstens zwei im gleichen Monat

Geburtstag.
O: 13 Personen, S: 12 Monate
Bei 5mal Rast auf einer Wanderung in einem Gebiet mit 3

Einkehrm
oglicheiten (wenigstens) eine mehrfach besucht.
O: 5 Zeitpunkte, S: 3 Einkehrm
oglichkeiten
10 verschiedenfarbige Paare Socken

Wieviele blind nehmen f
ur einfarbiges Paar?
O: x < 20 Socken, S: 10 Farben
gesucht: kleinstes x mit x > |S| (x = 11)
je 10 schwarze und weie Socken

Wieviele blind nehmen f
ur einfarbiges Paar?
O: x < 20 Socken, S: 2 Farben (x = 3)
Partygesprache: n 2 Personen
Anzahl Gesprachspartner ist f
ur zwei Personen gleich.
O: n Gaste, S: Anzahl der Gesprachspartner {0, . . . , n 1}
Problem: |O| = |S|
Fallunterscheidung: {p1 , . . . , pn } enthalt 0 oder nicht
156
Erweiterter Schubfachschluss
Satz
Sind O und S zwei endliche Mengen, dann existiert f
ur jede
Funktion f : O S ein s S mit

1
f (s) |O|
|S|
F
ur jede Aufteilung von n Objekten auf k Schubfacher existiert ein
Schubfach, welches mindestens d kn e Objekte enthalt.
157
Beispiele
I
Unter 30 Personen sind mindestens 5 am gleichen Wochentag

geboren.
O: 30 Personen, S: 7 Wochentage

also existiert Wochentag s S mit f 1 (s) 30
7 =5
Von 5 Aussagen haben wenigstens 3 denselben Wahrheitswert.

O: 5 Aussagen, S: {0, 1}

also existiert Wahrheitswert s {0, 1} mit f 1 (s) 25 = 3
Wieviele Karten h
ochstens n
otig f
ur komplette Farbe aus
Skatblatt?
O: x 32 Karten, S: 4 Farben,
ur jede f 1 (s) = 8
x f
gesucht: kleinstes x mit 7 < 4 , also x = 29
Unter je 6 Personen existieren immer entweder 3, die einander

kennen oder 3, die einander nicht kennen.
158
Unendlicher Schubfachschluss
endlicher (erweiterter) Schubfachschluss:
Sind O und S zwei endliche Mengen, dann existiert f
ur jede
Funktion f : O S ein s S mit
1 |O|
f (s)
|S|
mit |O| wachst (bei festem S) auch
|O|
|S|
Satz (unendlicher Schubfachschlu)

Sind O eine unendliche und S eine endliche Menge, dann existiert
f
ur jede Funktion f : O S ein s S mit unendlichem Urbild
f 1 (s).
F
ur jede Aufteilung unendlich vieler Objekte auf endliche viele
Schubfacher existiert ein Schubfach, welches unendlich viele
Objekte enthalt.
159
Beispiele
In jeder unendlichen Menge A enden unendlich viele

Zahlen auf dieselbe Ziffer.
O: A, S: 10 mogliche letzte Stellen
In jeder unendlichen Folge von Ziffern kommt (wenigstens)

eine Ziffer unendlich oft vor.
O: Folgen-Indices , S: 10 m
ogliche Ziffern
In jeder unendlichen Folge von Symbolen aus einem endlichen

Alphabet A kommt (wenigstens) ein Symbol aus A unendlich
oft vor.
O: Folgen-Indices , S: |A| Symbole
160
Was bisher geschah
Modellierung von
I
Daten durch
Mengen (endliche und unendliche Machtigkeiten)
Multimengen, Folgen, Sprachen

Spezielle binare Relationen:
Aquivalenzrelationen,
Halbordnungen, totale Ordnungen
Zuordnungen durch Funktionen (spezielle Relationen)
161
Wiederholung: Darstellung binarer Relationen

Darstellungsformen f
ur binare Relation R M 2 auf
endlicher Menge M:
I
Menge geordneter Paare (intensional oder extensional)
n n-Matrix (f
ur M = {a1 , . . . , an }) mit Eintragen aus {0, 1}
(
1 falls (ai , aj ) R
mij =
0 sonst
(Charakteristische Funktion der Relation)
(gerichteter) Graph G = (M, R) mit Eckenmenge M und

Kantenmenge R
(Diagramm)
wichtige Eigenschaften binarer Relationen:

(ir)reflexiv, transitiv, (a)symmetrisch, antisymmetrisch
162
Gerichtete Graphen
gerichteter Graph G = (V , E ) (Digraph)
I Menge V von Ecken oder Knoten (vertex)
I Menge E V 2 von Kanten (edge)
haufige Notation: ab statt (a, b)
Endpunkte von (a, b) E sind a, b V
Schlinge Kante (a, a) E mit a V
Beispiele:
I G = (V , E ) mit
V
= {0, 1, . . . , 4}
= {(i, j) | j = i + 1 oder j = i + 3}
Ablaufe (z.B. lineares Solitaire)

gerichteter Graph:
(endliche) Menge V mit einer zweistelligen Relation E V 2
I
163
Reprasentationen endlicher Graphen

Graph G = (V , E )
2
Relation E V 2 (also E 2(V ) )

(extensionale oder intensionale) Angabe aller
Elemente in V und E
Diagramm des Graphen
Adjazenzmatrix von G = (V , E ) mit V = {v1 , . . . , vn }:
2
|V |2 -Matrix MG {0, 1}(|V | ) mit

1 wenn (vi , vj ) E
2
(i, j) |V | : MG (i, j) =
0 sonst
(charakteristische Funktion der Relation E V 2 )
Adjazenzliste von G = (V , E ):
V
LG V

2 mit
LG = v , 2 E |{v } | v V
= {(v , U) | v V U = {u V | (v , u) E }}
164
Ungerichtete Graphen
ungerichteter schlingenfreier Graph (V , E ):
Menge V von Ecken

I Menge E V von Kanten
2
haufige Notation: ab statt {a, b}

V
= {M V | |M| = k} = {M V | M enthalt genau k Elemente}
k
I
ungerichteter Graph mit Schlingen: (V , E ) mit

V
V
E
= {M V | |M| = 2 |M| = 1}
2
1
Beispiele:
I
G = (V , E ) mit V = {0, 1, . . . , 4} und E = {{i, j} V | 2|(i j)}
Liniennetz Nahverkehr
Graph (ohne Zusatz) bedeutet im Folgenden immer

endlich, ungerichtet und schlingenfrei
(Darstellung einer symmetrischen irreflexiven Relation)
165
Spezielle Graphen
(ungerichtet, schlingenfrei)
Ordnung des Graphen (V , E ): Anzahl |V | der Ecken
leerer Graph (V , E ) mit V = und E =
Der Graph (V , E ) mit V = {v1 , . . . , vn } heit
isoliert: In = ({v1 , . . . , vn }, ) (n isolierte Ecken)
vollstandig: Kn = ({v1 , .. . , vn }, E )
mit E = V2 ) (n paarweise verbundene Ecken)
Pfad: Pn = ({v1 , . . . , vn }, E )
mit E = {{vi , vi+1 } | i {1, . . . n 1}}
Kreis: Cn = ({v1 , . . . , vn }, E )
mit E = {{vi , vi+1 } | i {1, . . . n 1}} {{vn , v1 }}
166
Nachbarschaft
Ecken u, v V heien im Graphen (V , E )
benachbart (adjazent) gdw. uv E
unabhangig gdw. uv 6 E
Nachbarschaft (Menge aller Nachbarn) einer Ecke v in G :
NG (v ) = {u V | uv E }
Ecke v V mit NG (v ) = heit isoliert.

Graph G = (V , E ) definiert Funktion gradG : V
N mit
a V : gradG (a) = |NG (a)|

gradG (a) heit Grad der Ecke a.
(V , E ) heit n-regular (regular) gdw. a V : gradG (a) = n
167
Eckengrad in gerichteten Graphen

Nachbarn in gerichteten Graphen G = (V , E ):
I
v V : Ni,G (v ) = {u V | uv E }
(in v eingehende Kanten)
v V : No,G (v ) = {u V | vu E }
(von v ausgehende Kanten)
gerichteter Graph G = (V , E ) definiert Funktionen

I
gradi,G : V
N mit
a V : gradi,G (a) = |Ni,G (a)|

gradi,G (a) heit Eingangs-Grad der Ecke a.
I
grado,G : V
N mit
a V : grado,G (a) = |No,G (a)|

grado,G (a) heit Ausgangs-Grad der Ecke a.
168
Graph-Isomorphie
F
ur Graphen G = (VG , EG ) und H = (VH , EH ) heit eine Bijektion
f : VG VH Isomorphismus gdw.
a, b VG ((f (a), f (b)) EH (a, b) EG )
Graphen G und H, zwischen denen ein Isomorphismus existiert,

heien isomorph (G ' H).
Isomorphie ist Aquivalenzrelation

auf Menge aller Graphen.
Kn , In , . . . bezeichnen Aquivalenzklassen
von Graphen bzgl. '
169
Was bisher geschah

Graph G = (V , E )
gerichtet E V 2
ungerichtet ohne Schlingen: E
mit Schlingen: E
V
2

V
2
V
1

Graph (ohne Zusatz): ungerichtet ohne Schlingen

Reprasentation eines Graphen G = (V , E ) durch
I
extensionale Beschreibung (der Relation E auf V )
intensionale Beschreibung (der Relation E auf V )
Diagramm
Adjazenzmatrix
(charakteristische Funktion von E V 2 )
Adjazenzliste
(Zuordnung Knoten 7 Menge aller Nachbarn)
Spezielle Graphen: In , Kn , Pn , Cn
Isomorphie von Graphen (Aquivalenzrelation)

170
Teilgraph-Relationen
F
ur Graphen G = (VG , EG ) und H = (VH , EH ) heit H
Teilgraph von G , gdw. VH VG und EH EG
echter Teilgraph von G , gdw. H Teilgraph von G und H 6= G
induzierter Teilgraph von G , gdw.
VH VG und EH = {{a, b} EG | {a, b} VH }
(Autotool: Beschrankung von G auf VH )
aufspannender Teilgraph von G , gdw.
H Teilgraph von G und VH = VG
Teilgraph-Relationen sind Halbordnungen
171
Operationen auf Graphen

F
ur zwei Graphen G = (VG , EG ) und H = (VH , EH ):
G H = (VG VH , EG EH )
G H = (VG VH , EG EH )
G H = (VG VH , EG EH (VG VH ))
f
ur VG und VH disjunkt (ggf. Knoten umbenennen)
spezielle Graphen:
Km,n = Im In (vollstandige bipartite Graphen)
K1,n = I1 In (Sterne)
Kn1 ,...,nm = In1 Inm f
ur m > 1
172
Komplementargraph
f
ur G = (V , E ) und Eckenmenge U V
G U = (V \ U, E \ {{u, v } | {u, v } U 6= })
F
ur G = (V , E ) und Kantenmenge F
V
2
G F = (V , E \ F )
Komplementargraph zu G = (V , E ):

V
G = V,
\ E = K|V | E
2
G heit selbstkomplementar gdw. G ' G
Beispiele: P4 , C5
173
Pfade in Graphen
Pfad im Graphen G :
Teilgraph P von G , der f
ur ein n
N isomorph zu Pn ist.
Pfad P = (V 0 , E 0 ) in G = (V , E ) ist eindeutig bestimmt durch

I
Menge E 0 E der Kanten oder
Folge [v1 , . . . , vn ] der Ecken in V 0 V
Lange des Pfades = Anzahl der Kanten im Pfad

z.B. Lange von P5 ist 4
Pfad von a nach b im Graphen G :
Pfad p = [v1 , . . . , vn ] in G mit v1 = a und vn = b
Maximaler Pfad in G bzgl. Teilgraph-Relation:
Pfad P = (V 0 , E 0 ) ist maximaler Pfad in G = (V , E ) gdw.
f
ur alle Kanten ab E gilt:
(V 0 {a, b}, E 0 {ab}) ist kein Pfad in G
174
Kreise in Graphen
Kreis im Graphen G :
Teilgraph C von G , der f
ur ein n
N isomorph zu Cn ist.
echte Kreise: Cn mit n 3

Kreis C = (V 0 , E 0 ) in G = (V , E ) ist eindeutig bestimmt durch
I
Menge E 0 E der Kanten oder
Folge [v1 , . . . , vn ] der Ecken in V 0 V
Lange des Kreises = Anzahl der Kanten im Kreis

z.B. Lange von C5 ist 5
175
Wege in Graphen
Weg w im Graphen G = (V , E ):
Folge von Kanten w = [v1 v2 , . . . , vn vn+1 ] E
(Kanten konnen mehrfach vorkommen)
durch Folge der Ecken [v1 , . . . , vn+1 ] eindeutig bestimmt
Weg von a nach b in G :
Weg [v1 , . . . , vn ] in G mit v1 = a und vn = b
F
ur jede Ecke v V ist [v ] ein Weg von v nach v
Wege [v1 , . . . , vn ] mit v1 = vn heien geschlossen
176
Zusammenhang in ungerichteten Graphen

Transitive H
ulle E V 2 der Kanten-Relation E V 2 heit
Zusammenhangsrelation im Graphen G = (V , E )
also: (u, v ) E (u und v sind in G zusammenhangend) gdw. ein
Weg von u nach v in G existiert
F
ur jeden ungerichteten Graphen G = (V , E ) ist E eine
Aquivalenzrelation
auf V .
(Aquivalenzklassen
[u]E sind Mengen von Knoten)
Von den Aquivalenzklassen

[u]E induzierte Teilgraphen von G
heien Zusammenhangskomponenten von G
Graph G = (V , E ) heit zusammenhangend gdw.
G aus genau einer Zusammenhangskomponente besteht.
177
Zusammenhang in gerichteten Graphen

Transitive H
ulle E V 2 der Kanten-Relation E V 2 heit
Zusammenhangsrelation im Graphen G = (V , E )
also:
(u, v ) E (u und v sind in G zusammenhangend)
gdw. ein (gerichteter) Weg von u nach v in G existiert
gerichteter Graph G = (V , E ) heit
stark zusammenhangend gdw. (u, v ) V 2 : (u, v ) E
schwach zusammenhangend gdw. der ungerichtete Graph
G 0 = (V , E E 1 ) zusammenhangend ist
starke Zusammenhangskomponenten von G : maximale stark
zusammenhangende induzierte Teilgraphen von G
schwache Zusammenhangskomponenten von G :
Zusammenhangskomponenten von
G 0 = (V , E E 1 )
178
Was bisher geschah

I
gerichtete / ungerichtete Graphen G = (V , E )
Darstellungen von Graphen
Spezielle Graphen: In , Kn , Pn , Cn , Km,n , K1,n , Kn1 ,...,nm
Beziehungen zwischen Graphen:

Isomorphie, Teilgraph-Relationen
Operationen auf Graphen: , , ,
Nachbarschaften und Eckengrade in Graphen,

n-regulare Graphen
Pfade, Kreise, Wege in Graphen
Zusammenhangs-Relation E auf G = (V , E )
(Erreichbarkeit)
Zusammenhangskomponenten: Aquivalenzklassen
bzgl. E
179
Eulerwege und -kreise

Eulerweg in G = (V , E ):
Weg w = [v1 v2 , . . . , vn vn+1 ] E in G , der jede Kante in E genau
einmal enthalt, d.h.
I E = {e1 , . . . , en },
S
I V =
i{1,...,n} ei und
I i 6= j {1, . . . , n} : ei 6= ej
Eulerkreis (geschlossener Eulerweg) in G = (V , E ):
Eulerweg w = [e1 , . . . , en , e1 ] in G
Satz
1. Ein Graph G = (V , E ) enthalt genau dann einen
geschlossenen Eulerweg, wenn er zusammenhangend ist und
grad(v ) f
ur jeden Knoten v V gerade ist.
2. Ein zusammenhangender Graph G = (V , E ) enthalt genau
dann einen Eulerweg, wenn er genau zwei oder keine Ecke
ungeraden Grades enthalt.
180
Multigraphen

Wiederholung: ungerichteter Graph G = (V , E ) mit E V2
z.B. G = ({a, b, c, d}, E ) mit der charakteristischen Funktion

V
1 falls xy {ab, ac, bd, dc}
E :
{0, 1} mit E (xy ) =
0
sonst
2

Multigraph G = (V , E ) mit Multimenge E : V2

(statt Teilmenge E : V2 {0, 1} )
z.B. G 0 = ({a, b, c, d}, E 0 ) mit
1 falls xy = ab
2 falls xy {bd, dc}

0
E (xy ) =
4 falls xy = ac
0 sonst
(analog f
ur gerichtete Graphen mit E : V 2
Modellierungsbeispiele:
N statt E : V 2 {0, 1})
Konigsberger-Br
ucken-Problem (Eulerweg im Multigraphen)
Ketten oder Kreise aus Domino-Steinen, z.B. f

ur
Stein(multi-)menge [1, 3], [2, 2], [1, 2], [2, 4], [1, 3], [1, 4]
Prozessketten
181
Hamiltonpfade und -kreise

Hamiltonpfad in G = (V , E ):
Pfad w = (v1 , . . . , vn ) in G mit V = {v1 , . . . , vn }
Hamiltonkreis in G = (V , E ):
Kreis w = (v1 , . . . , vn ) in G mit V = {v1 , . . . , vn }
Beispiele: Cn , Kn f
ur alle n 3
Anwendungen
I
Problem des Handlungsreisenden

(TSP: Travelling Salesman Problem)
Logistik
Robotik
Hardware-Entwurf
182
Gefarbte (markierte) Graphen

Graph G = (V , E )
Menge CV von Eckenmarkierungen,
Menge CE von Kantenmarkierungen
Eckenfarbung von G : f : V CV
Kantenfarbung von G : f : E CE
zur Modellierung z.B.:
I Linennetzplan mit CE = Fahrzeiten zwischen Stationen
I Straennetz mit CE = Entfernung (Kosten)
(TSP: Hamilton-Kreis mit geringsten Kosten gesucht)
I Straennetz mit CE = H
ochstgeschwindigkeit
I Spielplan mit CV = Ereignisfeld-Beschreibung
I Spielplan mit CE = Straen-Bebauungszustand
I Ablauf-Graphen mit CE = Options-Auswahl (z.B. Spielzug)
I Formelbaum mit CV = Junktoren und Aussagevariablen
I Multigraphen mit CE =
\ {0}
183
Bipartite Graphen
Ein Graph G = (V , E ) heit bipartit gdw. eine Zerlegung {V0 , V1 }
von
V (d.h. V0 V1 = und V0 V1 = V )

mit V20 V21 E = existiert.
Beispiele:
Pn f
ur alle n
Km,n f
ur alle m, n
kein Kn f
ur n > 2
Cn f
ur alle n 1 mit n 2 0
Ein Graph ist genau dann bipartit, wenn er 2-farbbar ist.

Ein Graph G = (V , E ) ist genau dann bipartit, wenn ein
Km,n = (V , E 0 ) existiert, so dass E E 0 ist.
184
Anwendung bipartiter Graphen
Modellierung von Zuordnungen, z.B.

I
Sprachkenntnisse zu Personen
Personen zu Arbeitskreisen
Getranke-Angebot zu Restaurants
Aufgaben zu Mitarbeitern mit unterschiedlichen

Qualifikationen
Flugzeuge zu Piloten mit Ausbildung auf verschiedenen

Flugzeugtypen
185
Was bisher geschah

I
gerichtete / ungerichtete Graphen G = (V , E )
Multigraphen
Darstellungen von Graphen
Spezielle Graphen: In , Kn , Pn , Cn , Km,n , K1,n , Kn1 ,...,nm
Beziehungen zwischen Graphen:

Isomorphie, Teilgraph, induzierter Teilgraph, aufspannender
Teilgraph
Operationen auf Graphen: , , ,
Nachbarschaften und Eckengrade in Graphen,

n-regulare Graphen
Zusammenhangs-Relation E auf G = (V , E )
(Erreichbarkeit)
Zusammenhangskomponenten: Aquivalenzklassen
bzgl. E
Pfade, Kreise, Wege in Graphen
Eulerwege, Eulerkreise (geschlossene Euler-Wege)
Hamiltonpfade, Hamiltonkreise
186
Gefarbte (markierte) Graphen

Graph G = (V , E )
Menge CV von Eckenmarkierungen,
Menge CE von Kantenmarkierungen
Eckenfarbung von G : Zuordnung f : V CV
Kantenfarbung von G : Zuordnung f : E CE
zur Modellierung z.B.:
I Linennetzplan mit CE = Fahrzeiten zwischen Stationen
I Straennetz mit CE = Entfernung (Kosten)
(TSP: Hamilton-Kreis mit geringsten Kosten gesucht)
I Straennetz mit CE = H
ochstgeschwindigkeit
I Spielplan mit CV = Ereignisfeld-Beschreibung
I Spielplan mit CE = Straen-Bebauungszustand
I Ablauf-Graphen mit CE = Options-Auswahl (z.B. Spielzug)
I Formelbaum mit CV = Junktoren und Aussagevariablen
I Multigraphen mit CE =
\ {0}
187
Eckenfarbung
Graph G = (V , E ), Farben {1, . . . , n}
f : V {1, . . . , k} heit (konfliktfreie) k-Farbung f
ur G gdw.
u V v V ((uv E ) (f (u) = f (v )))
(f
ur keine Kante {u, v } E gilt f (u) = f (v ))
Jede Eckenfarbung f : V {1, . . . , n} definiert
eine Zerlegung der Eckenmenge V
{f 1 (i) | i {1, . . . , n}}
G = (V , E ) heit k-farbbar gdw. k-Farbung f
ur G existiert.
Beispiele:
I C5 ist 5- ,4- und 3-f
arbbar, aber nicht 2-farbbar
I K3,3 ist 2-f
arbbar,
I I2 I2 I1 ist 3-f
arbbar, aber nicht 2-farbbar
Anwendungen z.B. bei
I Register-Zuteilung (Ubersetzerbau)
I
kombinatorische Aufgaben, z.B. Sudoku

188
Modellierungsbeispiel Sudoku
Aufgabe informal:
I
9 9 Felder
einzutragen sind die Ziffern 1 bis 9 in alle leeren Felder
Startkonfiguration: einige Felder schon mit Ziffern belegt

Bedingungen: keine Zahl mehrfach in
I
I
I
einer Zeile
einer Spalte
einem der neun 3 3-Bl
ocke
Aufgabe: korrektes Eintragen von Ziffern in jedes freie Feld
Idee: Reprasentation korrekter L

osungen als gefarbte Graphen mit
Felder als Ecken des Graphen
Zahlen {1, . . . , 9} als Farben f
ur Knoten
Bedingungen (Konflikte) als Kanten des Graphen
Aufgabe: Finden einer konfliktfreien Farbung des Graphen
189
Modellierungsbeispiel Sudoku
formal (Verallgemeinerung auf n2 n2 -Feld):
Graph G = (V , E ) mit
V = {1, . . . , n2 }2
(n2 n2 Felder)
CV = {1, . . . , n2 }
(n2 Zahlen als Farben)

E = ((s, z), (s 0 , z 0 )) V 2 | (s
= s 0 ) (z =
z 0)

0
0
d ns e = d sn e d nz e = d zn e
Beispiel f
ur n = 2 (also 4 4-Feld und 4 Farben):
3
2
4
1
190
Chromatische Zahl
chromatische Zahl des Graphen G :
(G ) = min{k | G ist k-farbbar }
Beispiele:
I
(C5 ) = 3
f
ur alle n
f
ur alle n > 1 gilt (Pn ) = 2
f
ur alle n > 2 gilt
N gilt (Kn ) = n
I f
ur alle n N gilt (In ) = 1

(Cn ) =
2 falls n 0
3 falls n 1
mod 2
mod 2
f
ur min(m, n) 1 gilt (Km,n ) = 2
191
Baum-Strukturen
Hierarchien
Komponenten-Strukturen
Familien-Stammbaume
Enscheidungsbaume
Formeln, arithmetische Ausdr

ucke
sind spezielle Graphen
zusammenhangend
enthalten keine Kreise
192
Ungerichtete Baume
G = (V , E ) heit Baum, wenn
I
G zusammenhangend ist und
kein Teilgraph von G ein echter Kreis ist.
G = (V , E ) heit Wald, wenn kein Teilgraph von G ein echter

Kreis ist.
v V mit grad(v ) 1 heit Blatt
Jeder Baum mit mindestens 2 Ecken hat mindestens 2 Blatter.
In jedem Baum G = (V , E ) gilt |V | = |E | + 1
193
Charakterisierung der Baume
F
ur jeden Graphen G = (V , E ) sind folgenden Aussagen
aquivalent:
1. G ist ein Baum.
2. Zwischen je zwei Ecken u, v V existiert genau ein Pfad in G .
3. G ist minimal zusammenhangend.
(G ist zusammenhangend und f
ur jede Kante uv E ist
(V , E \ {uv }) nicht zusammenhangend)
4. G ist maximal kreisfrei.
(G enthalt keinen echten Kreis und f
ur jede Kante
uv V2 \ E enthalt (V , E {uv }) einen echten Kreis)
194
Gerichtete Baume
Gerichteter Baum:
gerichteter Graph G = (V , E ) mit
1. G enthalt keinen Kreis als Teilgraphen
2. Es existiert genau ein v V mit gradi,G (v ) = 0

3. u V u 6= v gradi,G (u) = 1
(Wurzel)
Modellierung durch gerichtete Baume, z.B.

I
Hierarchien, Klassifikationen
Verzeichnis-Strukturen
Abstammung
Entscheidungsbaume
Wege in Graphen
Ableitungsbaume f
ur Sprachen
195
Was bisher geschah
Modellierung von
Aussagen durch logische Formeln
Daten durch Mengen, Multimengen, Folgen, Sprachen
Zusammenhangen und Eigenschaften von Elementen von Mengen
durch Relationen
(Eigenschaften von Relationen)
HO, LO)
Spezielle binare Relationen (QO, AR,
Darstellung binarer Relationen durch Graphen
Zuordnungen zwischen Elementen von Mengen durch Funktionen
(Eigenschaften von Funktionen)
196
Wiederholung: Modellierung in Pradikatenlogik
Grundannahme:
Die zu modellierende Welt besteht aus Individuen, die
Eigenschaften haben und zueinander in Beziehungen (Relationen,
Funktionen) stehen.
Pradikatenlogik zur Formalisierung von Aussagen u

ber
Eigenschaften oder Beziehungen von Individuen aus
(algebraischen) Strukturen
197
Wiederholung: Pradikatenlogische Aussagen
Personen sind Geschwister, wenn sie dieselbe Mutter oder

denselben Vater haben.
A ist genau dann Nachfahre von B, wenn B As Vater oder

As Mutter ist oder ein Elternteil von A Nachfahre von B ist.
Nachfahren derselben Person sind verwandt.
Individuenbereich: Menge von Personen

Beziehungen: ist-Nachfahre-von, sind-verwandt, sind-Geschwister
Funktionen: Mutter-von, Vater-von
198
Wiederholung: Pradikatenlogische Aussagen

I
Primzahlen sind genau diejenigen nat

genau zwei verschiedene Teiler haben.
Gerade Zahlen sind genau diejenigen nat

durch zwei teilbar sind.
Es existieren gerade Primzahlen.
Nachfolger ungerader Primzahlen sind nicht prim.
Das Quadrat jeder geraden Zahl ist gerade.
Individuenbereich: Menge
aller nat
urlichen Zahlen
Eigenschaften: prim, gerade
Beziehung: teilt |
Funktionen: Nachfolger, Quadrat
199
(Algebraische) Strukturen Beispiele

(Trager-)Mengen (Individuenbereiche) mit Relationen (Eigenschaften,
Beziehungen) und Funktionen (Operationen) auf den Elementen, z.B.
I
Menge aller Personen

Relationen: ist-alter-als, sind-Geschwister (zweistellig)
einstellige Relationen (Eigenschaften): blond
Funktion (einstellig): Mutter-von
Menge
aller nat
urlichen Zahlen
Relationen: (zweistellig), | (teilt, zweistellig)
einstellige Relationen (Eigenschaften): prim, gerade
Funktionen: Nachfolger (einstellig), + (zweistellig)
Menge 2 aller Punkte der Ebene

Relationen: hat-kleineren-Abstand-von-0 (zweistellig),
bilden-gleichseitiges-Dreieck (dreistellig)
Funktionen: verschieben (einstellig), Mittelpunkt (zweistellig)
Menge A aller endlichen W

orter u
ber Alphabet A
Relation: Anfangswort, lexikographische Ordnung (zweistellig)
Funktion: Verkettung (zweistellig)
N
R
200
Algebraische Strukturen mehr Beispiele

Darstellung algebraischer Strukturen A = (A, f1 , . . . , fm , R1 , . . . , Rn ) mit
I
(nicht-leerer) Tragermenge A,
(endlicher) Menge von Funktionen f1 , . . . , fm
(endlicher) Menge von Relationen R1 , . . . , Rn
algebraische Strukturen (ohne Funktionen) kennen wir schon, z.B.

I
Aquivalenzrelationen,
z.B. ( , =), (AL(P), ), ( , mod n), (Menge aller Graphen, ')
Halbordnungen,
z.B. ( , ),( , |), (2X , ),
(Menge aller Graphen, Teilgraph-Relation)
Graphen. z.B. V = {0, 1, 2, 3, 4},

E = {(0, 1), (1, 2), (1, 3), (2, 0), (2, 4), (3, 2), (3, 4), (4, 1)},
(V , E ) mit V = {a, b, c}, E = ,
(V , E ) mit V = {0, 1, 2, 3}, E = V 2 \ {(x, x) | x V }
201
Relationale Strukturen
Eine relationale Struktur A = (A, {Ri | i I }) besteht aus
I
einer nichtleeren Menge A und
einer Menge von Relationen Ri Ani (je mit Stelligkeit ni )
Beispiele:
( , |, )
({0, 1}, , =)
(2A , )
(A , v)
Menge aller endlichen Graphen mit ' und

Teilgraph-Relationen
202
Algebraische Strukturen noch mehr Beispiele

(funktionale) algebraische Strukturen (Algebren) aus den
Mathematik-LV:
Halbgruppe , z.B. ( , +), (2 , ), (2X , ) , (A , ), (2(A ) , )

Monoid , z.B. ( , , 1), ( , +, 0), (2X , , ) , (A , , ),
(2(A ) , , {})
Gruppe , z.B. ( , +, 0), ( n , +, 0), ( n , , 1) f
ur Primzahl n
Halbring , z.B. (2 , +, ), ({0, 1}, XOR, ), (2(A ) , , )

Ring , z.B. ( , +, , 0, 1), ( n , +, , 0, 1) f
ur Primzahl n
K
orper , z.B. ( , +, , 0, 1), ( n , +, , 0, 1) f
ur Primzahl n
Vektorraum n
zwei Tragermengen (Individuen verschiedener Typen):
Skalare , Vektoren n
Funktionen, z.B. skalare Addition, Multiplikation
+, :
Vektoraddition + : n n n , Skalarprodukt
(, ) : n n
Kombinationen (Strukturen mit Funktionen und Relationen)
z.B. halbgeordnete Gruppe ( , +, 0, )
N
N
Z
Z
Z
Q
R
Z
N
Z
Z
Z
R R R
R R
R R R
Z
203
Algebren (Strukturen ohne Relationen)

Eine Algebra A = (A, {fi | i I }) besteht aus
I
einer Menge A 6= und
einer Menge von Funktionen fi : Ani A

(je mit Stelligkeit ni )
wobei A unter jeder Funktion fi (algebraisch) abgeschlossen ist.

Beispiele:
( , +, , s, 0) mit einstelliger Nachfolgerfunktion s
({0, . . . , 7}, +, 0) ist keine Algebra, weil

{0, . . . , 7} nicht unter + abgeschlossen (z.B. 4 + 5 6 {0, . . . , 7})
( , ) ist keine Algebra, weil
({0, 1}, min, max)
({0, 1}, XOR, )
(2M , , , \, )
N nicht unter abgeschlossen
Menge aller (endlichen) Graphen unter ,

I {M 2N | |M| }, ,
(Menge aller endlichen Teilmengen von
)

aber nicht {M 2N | |M| },
, weil z.B. |{1, 4}| 6
I
204
Algebraische Strukturen desselben Types

A Menge {0, 1} mit
I Konstanten 0, 1
I Funktionen min, max (zweistellig)
I Eigenschaft gerade
I Relation (zweistellig)
B Menge aller Studenten im Raum mit
I Konstanten Anton, Berta
I Funktionen Alterer,
kleinere-Matrikelnummer(zweistellig)
I Eigenschaft blond
I Relation befreundet (zweistellig)
C Menge 2N mit
I Konstanten ,
I Funktionen , (zweistellig)
I Eigenschaft endlich
I Relation (zweistellig)
205
Signaturen
(syntaktische) Gemeinsamkeiten der Strukturen A, B, C:
I eine Tr
agermenge
I zwei Konstanten (nullstellige Funktionen)
I zwei zweistellige Funktionen
I eine Eigenschaft (einstellige Relation)
I eine zweistellige Relation
Bezeichnung der Relationen und Funktionen durch Symbole (mit
zugeordneter Stelligkeit):
Signatur = (F , R ) mit Mengen
F = {(f , n) | n } von Funktionssymbolen (mit Stelligkeit)
R = {(R, n) | n } von Relationssymbolen (mit Stelligkeit)
(nullstellige Funktionssymbole heien Konstantensymbole)
Signatur definiert einen Typ von Strukturen (Syntax)
Strukturen mit derselben Signatur unterscheiden sich in der
Semantik der Symbole:
I Tr
agermengen
I Bedeutung der Funktions- und Relationssymbole
N
N
206
Beispiele fur Signaturen

I
Signatur f
ur arithmetische Ausdr
ucke u
urlichen,
ber nat
rationalen, reellen, . . . Zahlen
F = {(+, 2), (, 2), (, 2), (/, 2)} {(x, 0) | x }
(je ein nullstelliges Symbol (Konstante) f
ur jede Zahl aus der
Tragermenge, hier z.B. )
R =
Signatur f
ur Mengen mit einer zweistelligen Relation
(Aquivalenzrelation,
Halbordnung, Graph)
F = , R = {(R, 2)}
Signatur f
ur aussagenlogische Formeln
F = {(, 2), (, 2), (, 1), (f, 0), (t, 0)},
R = {(=, 2), (, 2), (erfuellbar, 1)}
Signatur f
ur alle drei Strukturen A, B, C auf der vorletzten
Folie
F = {(apfel, 0), (banane, 0), (kirsche, 2), (pflaume, 2)}
R = {(rettich, 1), (tomate, 2)}
207
-Strukturen
F
ur Signatur = (F , R ) heit eine algebraische Struktur
A = (A, JKA ) -Struktur gdw.
I
A 6= Tragermenge (Individuenbereich, Universum)
(f , n) F : Jf KA : An A
(R, n) R : JRKA An (bzw. JRKA : An {0, 1} )
JKA ordnet jedem Funktions- und Relationssymbol seine Bedeutung in A

(Funktion / Relation passender Stelligkeit) zu.
Beispiel: f
ur die Signatur = (F , R )
mit R = {(R, 2)} und F = {(f , 2), (c, 0)} sind z.B.
I
A = ( , JKA ) mit
JcKA = 0, (x, y ) 2 : Jf KA (x, y ) = x + y ,
JRKA = {(x, y ) 2 | x|y }
B = ( , JKB ) mit
JcKB = 3, (x, y ) 2 : Jf KB (x, y ) = x y ,
JRKB = {(x, y ) 2 | x y }
-Strukturen
208
Weitere Beispiele fur -Strukturen

I
f
ur die Signatur = (F , R ) mit
F = und R = {(Q, 2)}
ist der gerichtete Graph G = (V , JQKG ) mit
V = {1, 2, 3} und JQKG = {(1, 1), (2, 3), (2, 1)}
eine -Struktur
f
ur die Signatur = (F , R ) mit
sind z.B. die folgenden Strukturen -Strukturen:
I
A = ({0, 1}, JKA ) mit JapfelKA = 0, JbananeKA = 1

(x, y ) {0, 1} : JkirscheKA (x, y ) = min(x, y )
(x, y ) {0, 1} : JpflaumeKA (x, y ) = max(x, y ),
JrettichKA = {0}, JtomateKA = {(0, 0), (0, 1), (1, 1)}
C = (2N , JKC ) mit JapfelKC = , JbananeKC =
(x, y ) 2N : JkirscheKC (x, y ) = x y ,
(x, y ) 2N : JpflaumeKC (x, y ) = x y ,
JrettichKC = {M | M endlich},
(x, y ) 2N : (x, y ) JtomateKC x y
209
Was bisher geschah

Modellierung von
Aussagen durch logische Formeln
Daten durch Mengen, Multimengen, Folgen, Sprachen
Zusammenhangen und Eigenschaften von Elementen von Mengen
durch Relationen
Zuordnungen zwischen Elementen von Mengen durch Funktionen
im Zusammenhang in (algebraischen) Strukturen
Signatur = (F , R )
definiert Symbole und Stelligkeiten / Typen (Syntax)
-Struktur A = (A, JKA ) mit
(Semantik)
Menge A 6= (Tragermenge)
(Individuenbereich, Universum)
Funktionen: (f , n) F : Jf KA : An A
(Bedeutung der Funktionssymbole)
Relationen: (R, n) R : JRKA An
(Bedeutung der Relationssymbole)
210
Wiederholung Signaturen
Definition der Symbole f
ur Individuen (Konstanten) sowie deren
Eigenschaften und Beziehungen (Relationen, Funktionen)
Signatur = (F , R ) mit Mengen
F = {(f , n) | n } von Funktionssymbolen (mit Stelligkeit)
R = {(R, n) | n } von Relationssymbolen (mit Stelligkeit)
N
N
Beispiele:
I
= (F , R ) mit
F = {(+, 2), ( , 1), (1, 0), (7, 0)} und

R = {(, 2), (prim, 1)}
= (F , R ) mit
F = {(Mutter-von, 1)} und
R = {(weiblich, 1), (verheiratet, 2), (Kind-von, 2), (=, 2)}
= (F , R ) mit
F = {(, 2), ($, 2)} und R =
211
Wiederholung Strukturen Beispiel Halbring

klassische Definition (Menschen-lesbar):
Eine algebraische Struktur (A, , $) heit genau dann Halbring, wenn sie
die folgenden Bedingungen erf
ullt:
I
I
(A, ) und (A, $) sind Halbgruppen und

$ ist distributiv u
ber
formale Definition (maschinell zu verarbeiten):

Signatur = (F , R ) mit
Axiome (Anforderungen)
(
(
xy z
(
(
prominente Halbringe:
A = ( , JKA )
B = (2 , JKB )
C = ({0, 1}, JKC )
D = (2M , JKD )
E = (2{a,b} , JKE )
F = ( {+}, JKF )
N
Z
R
mit
mit
mit
mit
mit
mit
F = {(, 2), ($, 2)}, R = {(=, 2)}
x(y z) = (xy )z
)
x$(y $z) = (x$y )$z
)
x$(y z) = (x$y )(x$z) )

(xy )$z = (x$z)(y $z) )
JKA = +
JKB = +
JKC = max
JKD =
JKE =
JKF = min
und
und
und
und
und
und
J$KA =
J$KB =
J$KC = min
J$KD =
J$KE =
J$KF = +
212
Mehrsortige Strukturen
Modellierung von Strukturen mit verschiedenen Sorten (Tragermengen,
Typen) = {Si | i I } von Elementen
Beispiele mehrsortiger Strukturen:
Vektorraum mit
Sorten: Skalar, Vektor
Operationen, z.B. smult: Skalar Vektor Vektor
Relationen, z.B. gleichlang Vektor Vektor
Sorten: Menschen, B
ucher
Relation: A Menschen B
ucher
wobei (m, b) A gdw. m ist Autor von b
Sorten: Menschen, , Orte

Relation: B Menschen
Orte
wobei (m, j, o) B gdw. m wurde im Jahr j in o geboren
Stapel (von Elementen, z.B. B

ucher, Teller, Zahlen, . . . ) mit
Sorten: Bool, Element, StapelhElementi
(polymorph)
Operationen, z.B.
push: StapelhElementi Element StapelhElementi
Relationen, z.B. ist-leer StapelhElementi
213
Mehrsortige Signaturen
mehrsortige Signatur = ( , F , R ) besteht aus
F
R
= {Si | i I }: Menge der Sorten

: Menge der Funktionssymbole
mit Argument- und Ergebnistypen (f :
: Menge der Relationssymbole
mit Argumenttypen (s )
S S)
Beispiel: B
ucher mit Autoren und Erscheinungsjahr
Sorten B (B
ucher), P (Personen), (Jahreszahlen),
2B (Mengen von B
uchern), also = {B, P, , 2B }
Funktionssymbole (mit Argument-und Ergebnistypen):
:B
Erscheinungsjahr
erstes-Buch-von
:P
B
F =
gemeinsame-Buecher-von : P 2 2B
Relationen (mit Argumenttypen):

ist-Autor-von
R =
sind-Coautoren
P B
P2
214
Mehrsortige -Strukturen
gegeben: mehrsortige Signatur = ( , F , R )
mehrsortige -Struktur A = ({AS | S }, JKA ) mit
f
ur jede Sorte S eine nichtleere Menge AS
(Tragermenge, Universum der Sorte)
f
ur jedes Funktionssymbol f : S1 . . . Sn S
eine Funktion Jf KA : AS1 . . . ASn AS
f
ur jedes Relationssymbol R S1 . . . Sn
eine Relation JRKA AS1 . . . ASn
215
Mehrsortige Strukturen in der Informatik

Programmierung:
Datentypen (Sorten) int, float, bool, string
mit Operationen (Signatur), z.B.:
floor
duplicate
length
>
:
:
:
:
float
string int
string
float float
int
string
int
bool
Datenbanken:
Tabellen sind extensionale Darstellungen (meist) mehrsortiger
Relationen
216
Formale Darstellung algebraischer Strukturen

(abstrakte Algebra, abstrakter Datentyp, ADT)
I
I
I
Signatur = ( , F , R ) mit
Menge von Sortensymbolen,

Menge F von Funktionssymbolen
mit Stelligkeit / Typdeklaration
Menge R von Relationssymbolen
Menge von Axiomen beschreibt Zusammenhange zwischen

den Symbolen
(meist pradikatenlogische Formeln, Gleichungen)
ADT zur Definition von Software-Schnittstellen:

Festlegung der
Syntax in Sorten und Signatur (z.B. Java-Interfaces)
Semantik (Anforderungen an Implementierung) in Axiomen
217
Terme
Beispiele: f
ur (einsortige) Signatur = (F , R ) mit
F = {(3, 0), (5, 0), (+, 2), (, 2)} und R = {(>, 2)} und Menge
= {x, y , z} von Variablen
Ausdr
ucke 3 + x, 5, y , ((y + 5) (3 x)) + x sind korrekt aus
Symbolen aus F und
zusammengesetzt
Ausdr
ucke 3x+, +5, 3(x + y ), (3x5) + z sind nicht korrekt aus
Symbolen aus F und
zusammengesetzt
Die Menge Term(F , ) aller Terme u

ber der (funktionalen) Signatur
F mit Variablen aus der Menge
ist definiert durch:
IA: Jede Variable x
X ist ein Term.
X Term(F , X))
IS: Sind (f , n) F (f ist n-stelliges Funktionssymbol) und t1 , . . . , tn

Terme aus Term(F , ),
dann ist f (t1 , . . . , tn ) ein Term aus Term(F , ).
verschiedene Darstellungen von Termen m

oglich,
z.B. Baum, Infix-, Prafix-, Postfixform
218
Grundterme
Terme ohne Variablen heien Grundterme.
Term (F , ) ist Menge aller Grundterme u
ber Signatur F
Beispiele:
f
ur F = {(f , 1), (g , 2), (h, 2), (c, 0)} und = {x, y , z} gilt
c Term(F , ) Term(F , )
(Grundterm)
(kein Grundterm)
z Term(F , ), aber z 6 Term(F , )
f (c) Term(F , ) Term(F , )
h(f (x), c) Term(F , ), aber h(f (x), c) 6 Term(F , )
f 6 Term(F , ), h(c) 6 Term(F , ), x(c) 6 Term(F , )
Warum gilt f
ur alle Signaturen F ohne Konstantensymbole
Term (F , ) = ?
(UA)
219
Spezialfall: aussagenlogische Formeln

Terme u
ber der funktionalen Signatur
F = {(t, 0), (f, 0), (, 1), (, 2), (, 2), (, 2), (, 2)}
mit Aussagenvariablen aus P
sind genau alle aussagenlogischen Formeln AL(P)
F
ur diese Signatur F gilt also AL(P) = Term(F , P)
Beispiele: f
ur P = {a, b, c, d}
I
a (c b) AL(P) = Term(F , P)
(b t) (b f) AL(P) = Term(F , P)
(ab) (b f) 6 AL(P) = Term(F , P)
(f t) AL(P) = Term(F , P),

sogar (f t) AL() = Term(F , )
220
Mehr Beispiele
f
ur F = {(+, 2), (, 2), (, 2), (/ 2)} {(q, 0) | q } ist
Term(F , ) die Menge aller arithmetischen Ausdr
ucke
(Terme) mit rationalen Zahlen (z.B. 3/5+1/4),
Term(F , {a, b, c}) die Menge aller arithmetischen Ausdr
ucke
(Terme) mit rationalen Zahlen und Variablen aus der Menge
{a, b, c} (z.B. (3 a) + ((2 b)/c)),
I
I
I
I
apfel Term(F , ), Grundterm

kirsche (x, pflaume(y , banane)) Term(F , {x, y , z})
kein Grundterm
banane(apfel(pflaume, kirsche(pflaume))) 6 Term(F ,
pflaume(apfel, kirsche(banane, apfel)) Term(F , )
X)
221
Groe von Termen

F
ur jeden Term t Term(F ,
definiert durch:
IA: falls t = x
X) ist seine Groe size(t) (induktiv)
X, dann size(t) = 1
IS: falls t = f (t1 , . . . , tn ), dann

size(t) = 1 +
n
X
size(ti )
i=1
Beispiele f
ur F = {(f , 1), (g , 2), (h, 2), (c, 0)} und
I
size(c) = 1
size(z) = 1
size(f (c)) = 2
size(h(f (x), c)) = 4
X = {x, y , z}:
222
Menge aller Variablen in einem Term
F
ur jeden Term t Term(F , ) ist die Menge var(t) aller in t
vorkommenden Variablen (induktiv) definiert durch:
IA: falls t = x
X (Variable), dann var(t) = {x}
IS: falls t = f (t1 , . . . , tn ) mit (f , n) F , dann

var(t) = var(t1 ) var(tn )
Beispiel: F
ur t = f (g (x, a), g (f (a, y ), x)) gilt var(t) = {x, y }
223
Wert von Grundtermen in Strukturen

gegeben: funktionale Signatur F = {(f , n) | n
-Struktur A = (A, JKA )
N}
Der Wert des F -Grundtermes t = f (t1 , . . . , tn ) Term(F , )
in der F -Struktur A = (A, JKA ) ist
JtKA = Jf KA (Jt1 KA , . . . , Jtn KA )
Fehlt hier der Induktionsanfang?
nein, ist als Spezialfall enthalten:
F
ur Terme t = c mit (c, 0) F (Konstante) gilt JtKA = JcKA
(Bedeutung der Konstante c in A, gegeben in Definition von A)
224
Beispiel
s = apfel t = pflaume(apfel, kirsche(banane, apfel))
-Struktur A = (A, JKA ) mit
A =
JapfelKA = 5
f
ur alle (x, y )
f
ur alle (x, y )
A2 :
A2 :
JbananeKA = 3
JkirscheKA (x, y ) = x + y
JpflaumeKA (x, y ) = x y
JrettichKA = {0, . . . , 10}
JtomateKA = {(2n, n) | n
JsKA = JapfelKA = 5 JtKA = . . .
N}
225
Weiteres Beispiel
-Struktur B = (B, JKB ) mit
B = {0, 1}
JapfelKB = 0
f
ur alle (x, y )
B 2:
JbananeKB = 1
JkirscheKB (x, y ) = min(x, y )
f
ur alle (x, y ) B 2 : JpflaumeKB (x, y ) = max(x, y )
JrettichKB = {0}
JtomateKB = {(0, 0), (0, 1), (1, 1)}

JsKB = JapfelKB = 0,
JtKB = . . .
226
Weiteres Beispiel
-Struktur C = (C , JKC ) mit
C
= Menge aller Studenten hier
JapfelKC = Student hinten rechts
f
ur alle (x, y )
C 2:
JbananeKC = Student daneben
JkirscheKC (x, y ) = x
f
ur alle (x, y ) C 2 : JpflaumeKC (x, y ) = y
JrettichKC = {x C | x ist blond}
JtomateKC = {(x, y ) C 2 | x hilft y }

JsKC = JapfelKC = Student hinten rechts
JtKC = . . .
227
Noch ein Beispiel

-Struktur D = (D, JKD ) mit
D = 2N
JapfelKD =
JbananeKD =
f
ur alle M, N D: JkirscheKD (M, N) = M N
f
ur alle M, N D: JpflaumeKD (M, N) = M N
JrettichKD = {M
N | |M| N}
JtomateKD = {(M, N) D 2 | M N}
JsKD = JapfelKD = ,
JtKD = . . .
228

Aquivalenz
von Grundtermen in einer Struktur
F -Grundterme s, t Term(F , ) mit JsKA = JtKA heien
aquivalent in A (s A t).
In den Beispielen oben gilt
s 6A t
s
6C
s D t
schon bekannter Spezialfall:
semantische Aquivalenz
aussagenlogischer Formeln
(ohne Aussagenvariablen)
229
Was bisher geschah

zusammenhangende Modellierung von
Mengen von Individuen (evtl. verschiedener Typen)
Funktionen auf Individuen dieser Mengen
Relationen zwischen Individuen dieser Mengen
in (algebraischen) Strukturen
klare Unterscheidung zwischen
Syntax: Symbole zur formalen (maschinell zu verarbeitenden)
Darstellung von Sorten (Typen, Mengen),
Individuen, Funktionen und Relationen
Signatur = (F , R )
Terme u
ber der Signatur F : Term(F , )
Spezialfall Grundterme (ohne Variablen)
strukturelle Induktion u
ber Terme
(Definition von Funktionen,
Nachweis von Eigenschaften)
Semantik: -Strukturen definieren Bedeutung der Symbole aus

Wert von Grundtermen in -Strukturen
(induktiv)
Aquivalenz
von Grundtermen in -Strukturen
230
Interpretation von Termen mit Variablen

gegeben:
I
Signatur = (F , R ),
Variablenmenge
t Term(F ,
X)
Welchen Wert (Individuum) in A haben Variablen x
X?
Belegung : A der Individuenvariablen

(ordnet jeder Variablen einen Wert aus dem Trager von A zu)
Eine Interpretation f
ur einen Term t Term(F ,
(A, ) aus
I
I
X) ist ein Paar
einer -Struktur A = (A, JKA ) und

einer Belegung :
X A.
231
Beispiele
Term s = f (g (x, a), g (f (a, y ), x)) u
ber der Signatur = . . .
I Interpretation (A, ) mit -Struktur A = ( , JKA ), wobei
JaKA = 1
Jf KA (x, y ) = x + y
Jg KA (x, y ) = x y
und Variablenbelegung : {x, y } , wobei

(x) = 2 und (y ) = 1
Interpretation (B, ) mit -Struktur B = (2{a,b,c} , JKB ):
JaKB = {b, c}
Jf KB (x, y ) = x \ y
Jg KB (x, y ) = x y
und Variablenbelegung : {x, y } 2{a,b,c} , wobei

(x) = und (y ) = {b}
232
Werte von Termen mit Variablen
Der Wert des Termes t Term(F , ) in der F -Struktur

A = (A, JKA ) ist (induktiv) definiert durch
IA f
ur t = x
X gilt JtKA = (x)
IS f
ur t = f (t1 , . . . , tn ) gilt
JtKA = Jf KA (Jt1 KA , . . . , Jtn KA )

Der Wert eines Termes in einer Interpretation ((A, JKA ), ) ist ein
Element aus A.
(Man bemerke die Analogie zur Berechnung des Wahrheitswertes
einer aussagenlogischen Formel
mit Aussagenvariablen.)
Der Wert von Grundtermen aus Term(F , ) in einer Interpretation
(A, ) hangt nicht von der Belegung ab.
233
Beispiele
F = {(a, 0), (b, 0), (f , 1), (g , 2), (h, 2)} und R =
Variablenmenge = {x, y }
-Struktur S = (S, JKS ) mit
S
JaKS
JbKS
= 5
= 3
Jf KS (a) = 1 + a
Jg KS (a, b) = a + b
JhKS (a, b) = a b
N
N
: {x, y } mit (x) = 0, (y ) = 1

: {x, y } mit (x) = 2, (y ) = 0
Terme s = g (h(f (a), x), h(x, y )) und t = h(f (x), g (y , a))
JsK(S,) = . . . , JtK(S,) = . . . , JsK(S,) = . . . , JtK(S,) = . . . (Tafel)
Variablenbelegungen
234
Atome (elementare Aussagen)
Atome in
Aussagenlogik : Aussagenvariable,
bekommt festen Wahrheitswert durch
Belegung (der Aussagenvariablen)
Pradikatenlogik : (parametrisierte) Aussage u
ber Eigenschaften
von oder Beziehungen zwischen Individuen
Wahrheitswert abhangig von beteiligten Individuen
z.B. nebeneinander(x, y ), gerade(n), x < 3, x < y ,
Geschwister(x, Mutter(y ))
235
Atome Syntax
Atom elementare Formel,
reprasentiert Eigenschaft von oder Beziehung
zwischen Individuen
I
Menge F von Funktionssymbolen mit Stelligkeit (f , n)
Menge R von Relationssymbolen mit Stelligkeit (R, n)
Definition
Menge aller -Atome mit Variablen aus der Menge
Atom(,
X:
X) = {R(t1, . . . , tn ) | (R, n) R und t1, . . . , tn Term(F , X)}
Atome ohne Individuenvariablen heien Grundatome.

Menge aller Grundatome: Atom(, )
236
Atome Beispiele
I
Signatur = (F , R) mit
F = {(1, 0), (2, 0), ( , 1), (+, 2)}
R = {(=, 2), (, 2)}
Variablenmenge = {x, y , z}
I
I
I
X
X
x = 2 Atom(, )
) (aber x + 2 Term(F ,
px + 2 6 Atom(,
p
1+ 2
2 Atom(, )
X))
F = {(a, 0), (b, 0), (k, 2), (d, 2)}
R = {(P, 1), (Q, 2)}
I
I
I
I
I
y 6 Atom(, )
P(x) Atom(, )
P(a) Atom(, )
P(Q(P(a), k(x, y ))) 6 Atom(, )
Q(k(a, d(y , a)), x) Atom(, )
X
X
237
Atome Semantik
Signatur = (F , R ), Variablenmenge
-Interpretation (A, ) mit
I
XA
Wert des Atomes a = P(t1 , . . . , tn ) Atom(, X)
I
Belegung der Individuenvariablen :
in der Interpretation (A, ):

JaK(A,)
= JP(t1 , . . . , tn )K(A,)

= JPKA Jt1 K(A,) , . . . , Jtn K(A,)

1 falls Jt1 K(A,) , . . . , Jtn K(A,) JPKA
=
0 sonst
(Spezialfall Atom a mit (a, 0) R : JaK(A,) = JaKA )

Der Wert eines Atomes in einer Interpretation (A, ) ist ein
Wahrheitswert.
Der Wert von Grundatomen aus Atom(, ) in einer Interpretation
(A, ) hangt nicht von der Belegung ab.
238
Semantik von Atomen Beispiele

F = {(a, 0), (f , 1)} und R = {(P, 1), (R, 2)},
-Struktur S = (S, JKS ) mit
= {0, 1, 2}
JaKS
= 1
JPKS
= {0, 2}
d S : Jf KS (d) = 2 d
JRKS
= {(1, 0), (1, 2), (2, 2)}
Belegung : {x, y } {0, 1, 2}: (x) = 0, (y ) = 1

Wert der folgenden Atome aus Atom(, )
in der Interpretation (S, ) (Tafel):
JP(x)K(S,) = . . . , JP(a)K(S,) = . . .,
JP(f (a))K(S,) = . . . , JP(f (f (x)))K(S,) = . . .,
JR(x, a)K(S,) = . . ., JR(f (y ), x)K(S,) = . . .
239
Pradikatenlogik (der ersten Stufe) Syntax

I
aussagenlogische Junktoren t, f, , , , ,
-Atome
Quantoren ,
Die Menge FOL(, ) aller Formeln der Pradikatenlogik (der

ersten Stufe, first order logic) u
ber der Signatur mit
(Individuen-)Variablen aus der Menge
ist (induktiv) definiert
durch:
IA: Atom(, ) FOL(, )

(alle Atome sind Formeln)
IS:
Aus {1 , . . . , n } FOL(, ) folgt f

ur jeden
n-stelligen Junktor :
(1 , . . . , n ) FOL(, )
Aus FOL(, ) und x folgt
{x, x} FOL(, )
X
X
X
X
(Baumstruktur, analog zur Definition von Termen)

240
Beispiele
I
F = {(a, 0), (f , 1)} und R = {(P, 1), (R, 2)}
Formeln aus FOL(, ):
= P(f (x))
2
3
= (P(x) (P(f (x)) (xy ((P(x) P(y )) R(x, y )))))

= xy 2
= (, R ) mit R = {(p, 0), (q, 0)},
X=
Formeln aus FOL(, ):

1
= pq
= p (q p)
(Syntax der Aussagenlogik ist Spezialfall der FOL-Syntax)

241
Variablen in Formeln
Eine Individuenvariable x
X kommt vor in
Term t, falls t = x oder

t = f (t1 , . . . , tn ) und x in einem ti vorkommt,
Atom a = p(t1 , . . . , tn ), falls x in einem ti vorkommt,
Formel , falls x in einem Atom in
(Teilformel von , die ein Atom ist) vorkommt.
var(): Menge aller in vorkommenden Indiviuenvariablen
Beispiele (Tafel: Formelbaume):
I
f
ur 1 = R(x, a) gilt var(1 ) = {x}
f
ur 2 = xR(x, f (y , x)) gilt var(2 ) = {x, y }
f
ur 3 =
(P(x) (P(f (x)) (xy ((P(x) P(y )) R(x, y )))))
gilt var(3 ) = {x, y }
242
Freie und gebundene Vorkommen von Variablen

Ein Vorkommen der Indiviuenvariablen x in heit
gebunden , falls x in einer Teilformel von der Form x oder
x vorkommt,
bvar(): Menge aller in gebundenen
vorkommenden Variablen
frei , sonst
fvar(): Menge aller in frei vorkommenden
Variablen
var() = fvar() bvar() gilt immer.

fvar() bvar() 6= ist m
oglich, aber nicht notwendig.
243
Beispiele
1 = R(x, a)
2 = xR(x, f (y , x))
bvar(1 ) = , fvar(1 ) = {x}

bvar(2 ) = {x}, fvar(2 ) = {y }
3 = (P(x) (P(f (x)) (xy ((P(x) P(y )) R(x, y )))))

bvar(3 ) = {x, y }, fvar(3 ) = {x}
4 = xy 3
bvar(4 ) = {x, y }, fvar(4 ) =
244
Satze
Jede Formel FOL(,
X) mit fvar() = heit Satz.
Beispiele:
I
xy (R(x, y ) R(y , x)) ist ein Satz.
R(x, y ) R(y , x),

x(R(x, y ) R(y , x)),
y (R(x, y ) R(y , x)),
x(R(x, y ) yR(y , x)) sind keine Satze.
f
ur FOL(,
X) mit fvar() = {x1, . . . , xn }:
universeller Abschlu := x1 xn
existentieller Abschlu := x1 xn
F
ur jede Formel FOL(,
X) sind und Satze.

245
Modifizierte Interpretationen
gegeben:
I
Signatur ,
Variablenmenge
-Struktur A = (A, JKA ),
X,
X A der Variablen aus X in A

modifizierte Belegung [x 7 d] : X A mit
I
Belegung :

[x 7 d](y ) =
d
f
ur y = x
(y ) sonst
-Interpretation (A, ) mit

I
I
Variablenbelegung :
XA
modifizierte Interpretation (A, [x 7 d])

246
Wert in Interpretationen
Wert in -Interpretation (S, ) mit S = (S, JKS )
X: JxK(S,) = (x) S
I eines Termes t = f (t1 , . . . , tn ) Term(F , X):

I
einer Individuenvariable x
JtK(S,) = Jf KS Jt1 K(S,) , . . . , Jtn K(S,) S
eines Atomes a = p(t1 , . . . , tn ) Atom(, ):

JaK(S,) = JpKS (Jt1 K(S,) , . . . , Jtn K(S,) ) {0, 1}
einer Formel FOL(,
X): JK(S,) {0, 1}
JK(S,) = 1 JK(S,)
J K(S,) = max(JK(S,) , JK(S,) )

J K(S,) = min(JK(S,) , JK(S,) )
JxK(S,) = max{JK(S,[x7a]) | a S}
JxK(S,) = min{JK(S,[x7a]) | a S}
(zur Semantik des Allquantors siehe auch

http://spikedmath.com/445.html)
247
Beispiele
= (R , F ) mit F = {(f , 1)},R = {(R, 2)},
= R(x, y ) zR(z, z)
X = {x, y , z}
= xyR(x, f (y ))
-Struktur A = (A, JKA ) mit A = {a, b, c}

Jf KA (a) = Jf KA (b) = c, Jf KA (c) = a
JRKA = {(a, a), (b, a), (a, c)}
Belegung (x) = b, (y ) = a , (z) = b
JK(A,) = . . .
JK(A,) = . . .
-Struktur B = (B, JKB ) mit B =

Jf KB (d) = d, JRKB =
Belegung (x) = 5, (y ) = 3, (z) = 1,
JK(B,) = . . .
JK(B,) = . . .
248
Was bisher geschah

Klassische Pradikatenlogik der ersten Stufe FOL(,
X):
Syntax : Signatur = (F , R ), Individuenvariablen

Terme Term(, ) (aus nur F relevant),
Grundterme Term(, )
Atome Atom(, ), Grundatome Atom(, )
Formeln FOL(, )
Variablen in Formeln (frei, gebunden)
Satze (Formeln ohne freie Variblen)
X
X
X
Semantik in -Strukturen A = (A, JKA ): Wert von

Grundtermen t Term(, ): JtKA A
Aquivalenz
A in Struktur A
Grundatomen a Atom(, ): JaKA {0, 1}
Satzen FOL(, ): JKA {0, 1}
in -Interpretationen (A, ) mit Struktur A und
Belegung der Individuenvariablen : A:
Wert von
Termen t Term(, ): JtK(A,) A
Atomen A Atom(, ): JaK(A,) {0, 1}
Formeln FOL(, ): JK(A,) {0, 1}
X
X
X
249
Wiederholung FOL: Semantik

Wert in -Interpretation (S, ) mit S = (S, JKS )
X: JxK(S,) = (x) S
I eines Termes t = f (t1 , . . . , tn ) Term(F , X):

I
einer Individuenvariable x
JtK(S,) = Jf KS Jt1 K(S,) , . . . , Jtn K(S,) S
eines Atomes a = p(t1 , . . . , tn ) Atom(, ):

JaK(S,) = JpKS (Jt1 K(S,) , . . . , Jtn K(S,) ) {0, 1}
einer Formel FOL(,
X): JK(S,) {0, 1}
JK(S,) = 1 JK(S,)
J K(S,) = max(JK(S,) , JK(S,) )

J K(S,) = min(JK(S,) , JK(S,) )
JxK(S,) = max{JK(S,[x7a]) | a S}
JxK(S,) = min{JK(S,[x7a]) | a S}
249
Beispiele
= (R , F ) mit F = {(f , 1)},R = {(R, 2)},
= R(x, y ) zR(z, z)
X = {x, y , z}
= xyR(x, f (y ))
-Struktur A = (A, JKA ) mit A = {a, b, c}

Jf KA (a) = Jf KA (b) = c, Jf KA (c) = a
JRKA = {(a, a), (b, a), (a, c)}
Belegung (x) = b, (y ) = a , (z) = b
JK(A,) = . . .
JK(A,) = . . .
-Struktur B = (B, JKB ) mit B =

Jf KB (d) = d, JRKB =
Belegung (x) = 5, (y ) = 3, (z) = 1,
JK(B,) = . . .
JK(B,) = . . .
249
Modelle fur Formeln

-Interpretation (S, ) erf
ullt (ist Modell f
ur) die Formel FOL(,
genau dann, wenn JK(S,) = 1.
Menge aller Modelle der Formel FOL(, )

S = (S, JKS ) ist -Struktur und :
Mod() = (S, )
und JK(S,) = 1
Formel FOL(,
XS
X)
X) heit
erf
ullbar gdw. Mod() 6=
(z.B. x (P(x) Q(x)))
unerf
ullbar gdw. Mod() =
(z.B. xP(x) xP(x) )
allgemeing
ultig gdw.
Mod() = {(S, ) | S = (S, JKS ) ist -Struktur und :
X S}
(Menge aller -Interpretationen)

250
Beispiele
= R(x) y ((R(y )) E (y , x))
I
Struktur G = ({1, . . . , 4}, JKG ) mit

JRKG = {1, 2, 4},
JE KG = {(1, 2), (3, 2)} und
Belegung : {x, y } {1, . . . , 4} mit (x) = 2, (y ) = 2
(G, ) Mod()
Struktur H = ({a, b}, JKH ) mit

JRKH = {a},
JE KH = {(a, a), (b, b)},
Belegung : {x, y } {a, b} mit (x) = a, (y ) = a
(H, ) 6 Mod()
Struktur J = ( , JKJ ) mit

JRKJ = 2 (Menge aller geraden Zahlen),
JE KJ = {(i, i + 1) | i } und
Belegung : {x, y } mit (x) = (y ) = 0
(J , ) Mod()
Z
Z
251

Semantische Aquivalenz
von Formeln
(analog Aussagenlogik)
F
ur , FOL(, X ) gilt
gdw.
Mod() = Mod()
Beispiele:
I
xP(x) xP(x)
xyR(x, y ) 6 xyR(y , x)
xyR(x, y ) 6 xyR(x, y )
252

Wichtige Aquivalenzen
mit Quantoren
x x
x x
x x x( )
x x x( )
xy = y x
xy = y x
f
ur x 6 fvar() und {, } gilt auerdem
x x( )
x x( )
y x[y 7x]
y x[y 7x]
(gebundene Umbenennung)
253
Modelle von Formelmengen

Menge aller Modelle der Formelmenge FOL(,
\
Mod() =
Mod()
X):
Beispiel: Signatur = (, R ) mit R = {(P, 1), (E , 2)}

x (P(x) P(y )) ,
=
xy ((P(x) E (x, y )) P(y ))
I
(A, ) mit A = ({0, . . . , 5}, JKA ), wobei JPKA = {0, 2} und

JE KA = {(i, i + 1) | i {0, . . . , 4}}
und (x) = 1, (y ) = 2 Mod()
(B, ) mit B = ( , JKB ), wobei JPKB = 2

JE KB = {(i, i + 1) | i }
und (x) = (y ) = 0 Mod()
Z und
F
ur jede endliche Formelmenge = {1 , . . . , n } FOL(,
X) gilt
Mod() = Mod (1 n )
254
Was bisher geschah

Klassische Pradikatenlogik der ersten Stufe FOL(,
X):
Syntax :
I
I
I
I
I
Signatur = (F , R ),
(Individuen-)Variablen
Terme Term(, ), Grundterme
Atome Atom(, ), Grundatome
Formeln FOL(, ), Satze
I
I
I
-Strukturen A = (A, JKA )

Belegung der Individuenvariablen :
-Interpretationen (A, )
X
X
X
Semantik :
XA
Werte von (Individuen-)Variablen, Termen, Atomen

und Formeln in -Interpretationen
I Modellmengen von Formeln
I erf
ullbare, unerf
ullbare, allgemeing
ultige Formeln
I (semantische) Aquivalenz
von Formeln
I
255
Modelle von Satzen
Auf den Wert eines Satzes FOL(, ) (Formel ohne freie

Variablen) in einer Interpretation I = (S, ) hat die Belegung
keinen Einfluss, d.h. f
ur beliebige Belegungen , : S gilt
JK(S,) = JK(S,)
Beispiel: = xy (P(x) E (x, y ) P(y ))
F
ur Satze FOL(, ) gen
ugt es also, den Wert in Strukturen
(statt in Interpretationen) zu betrachten:
JKS = JK(S,)
f
ur jede beliebige Belegung :
Menge aller Modelle des Satzes FOL(,
XS
X):
Mod() = {S | S = (S, JKS ) ist -Struktur und JKS = 1}

256
Modelle pradikatenlogischer Satze Beispiel

= x(G (x) G (f (x))
I
A = (A, JKA ) mit A = Menge aller Menschen,

Jf KA (x) = Vater von x, JG KA (x) gdw. x mannlich
A Mod()
B = (B, JKB ) mit B = Menge aller Orte 51 n

ordlicher Breite
Jf KB (x) = Ort 50 km westlich von x, JG KB (x) gdw. x in Sachsen
B 6 Mod()
C = ( , JKC ) mit
Jf KC (x) = x + 1, JG KC (x) gdw. x Primzahl
D = ( , JKD ) mit Jf KD (x) = x + 1,

JG KD = 2
C 6 Mod()
D Mod()
E = (E , JKE ) mit E =
(Menge aller Punkte der Ebene),
E 6 Mod()
Jf KE (x, y ) = (x, y ), JG KE (x, y ) gdw. x < y
257
Modelle von Satzmengen Beispiel

Signatur = (, R ) mit R = {(R, 2), (P, 1)}
x P(x),
x P(x),
x R(x, x),
=
xy (R(x, y ) R(y , x)) ,
xy z ((R(x, y ) R(y , z)) R(x, z))
F
ur -Struktur A = ({a, b, c}, JKA ) mit JPKA = {b, c}
JRKA = {(a, a), (a, c), (b, b), (c, a), (c, c)} gilt A Mod()
N JRKB = gilt
F
ur -Struktur B = ( , JKB ) mit JPKB = 7
B 6 Mod()
Mod() = Menge aller -Strukturen S = (S, JKS ), f

ur die
JPKS 6= , \ JPKS 6= (und damit |S| 2) und
JRKS eine Aquivalenzrelation

ist
258
Modelle von Satzmengen Beispiel

Signatur 0 = (0F , 0R ) mit 0F = {(f , 2), (e, 0)}, 0R {(=, 2)}

xy (f (f (x, y ), z) = f (x, f (y , z))),
0
=
x (f (x, e) = x)
N
N
F
ur 0 -Struktur A = ( , JKA ) mit
J=KA = IN , (m, n) 2 : Jf KA (m, n) = m n, JeKA = 1 gilt
A Mod(0 )
F
ur 0 -Struktur B = ({0, 1}, JKB ) mit
J=KB = I{0,1} , Jf KB = max, JeKB = 1 gilt B 6 Mod(0 )
ur die
Mod(0 ) = Menge aller 0 -Strukturen S = (S, JKS ), f
J=KS = IS und
S mit Jf KS ein Monoid mit neutralem Element JeKS bildet
259
Charakterisierung von Strukturen durch Satzmengen

Beispiel: Graphen mit Eckenfarbung mit Farben aus {R, G , B}
Signatur = (, R ) mit R = {(R, 1), (G , 1), (B, 1), (E , 2)}
xE
(x,
x),
xy (E (x, y ) E (y , x)),
x(R(x) G (x) B(x)),

=
x(R(x) (G (x) B(x)),
x(G
(x) (R(x) B(x)),
x(B(x) (G (x) R(x))

(jede Ecke mit genau einer Farbe aus {R, G , B} gefarbt)
Konfliktfreiheit der Eckenfarbung:
= xy (((R(x)R(y ))(G (x)G (y ))(B(x)B(y ))) E (x, y ))
Mod() = Menge aller ungerichteten schlingenfreien Graphen mit
Eckenfarbung mit Farben aus {R, G , B}
Mod( {}) = Menge aller ungerichteten schlingenfreien
Graphen mit konfliktfreier Eckenfarbung mit Farben aus {R, G , B}
260
Aussagenlogik als FOL-Spezialfall

Wiederholung:
Syntax : f
ur Signatur P = (F , R ) mit F = und
R = {(p, 0) | p P}. gilt AL(P) = FOL(P , )
(Alle Formeln in FOL(P , ) sind Satze, enthalten
keine Individuenvariablen, keine Terme und keine
Quantoren)
Semantik : Jede P -Struktur S = (S, JKS ) definiert f
ur jedes
p P einen Wahrheitswert JpKS {0, 1},
also Funktion WS : P {0, 1} (Belegung aller
Aussagenvariablen p P mit Wahrheitswerten) mit
p P : WS (p) = JpKS
Damit gilt auch f
ur alle Formeln FOL(P , ):
WS () = JKS
261
Beispiel
P = {p, q, r } definiert die Signatur {p,q,r } = (F , R )
mit F = und R = {(p, 0), (q, 0), (r , 0)}
= p (r q)
FOL({p,q,r } , ) = AL({p, q, r })
{p,q,r } -Struktur S = (S, JKS ) mit

JpKS = Jr KS = 1 und JqKS = 0
entspricht der Belegung WS : {p, q, r } {0, 1}
(der Aussagenvariablen):
WS = {p 7 1, q 7 0, r 7 1}
Wert von in S: JKS = 0 = WS ()
Modellmenge von :
I in AL({p, q, r }): Mod() = . . .
I in FOL({p,q,r } , ): Mod() = . . .
262
Modellierungsbeispiel Party (Wiederholung)

umgangssprachliche Beschreibung der Situation:
Anna geht zur Party, wenn Max oder Paul hingehen.
Max geht zur Party, wenn Paul nicht hingeht.
Anna geht nirgends ohne ihren Hund hin.
Frage: Wird Annas Hund auf der Party sein?
formale Beschreibung:
I
elementare Aussagen (Atome): P = {a, h, m, p}
Beschreibung der Situation als Formelmenge:

P = {(m p) a, p m, (a h)} AL(P)
Formulierung der Frage als Behauptung : h

(positive Antwort auf die Frage)
Alle Situationen, in denen alle Angaben erf

ullt sind:
{a 7 1, h 7 1, m 7 1, p 7 0},
{a 7 1, h 7 1, m 7 0, p 7 1},
Mod(P ) =
{a 7 1, h 7 1, m 7 1, p 7 1}
Antwort auf die Frage: ja (weil in jedem Modell von P auch h gilt)
263
Semantisches Folgern
F
ur FOL(,
X) und FOL(, X) gilt

|=
gdw.
Mod() Mod()
( ist semantische Folgerung aus .)

Folgerungsrelation
|= 2FOL(,X) FOL(,
X)
Beispiele:
I
{p, p q} |= q
{p, (q p)} |= q
{p} |= q p
|= p p
{x(P(x) Q(x)), P(y )} |= Q(y )
{x(P(x) Q(x)), P(x)} |= Q(x)
Notation f
ur Spezialfalle
f
ur = {} : |=
f
ur =
:
|=
(statt
(statt
{}
|=
|=
)
)
264
Semantisches Folgern Beispiele

I
Party: P |= a h, weil S Mod(P ) : Ja hKS = 1

und damit Mod(P ) Mod({a h}),
auerdem gilt z.B. P |= p m, aber P 6|= p
f
ur = {x(P(x) Q(x)), P(x)} und = Q(y ) gilt
6|= , weil
f
ur (S, ) mit S = ({a, b}, JKS ) mit
JPKS = {b}, JQKS = {a} und = {x 7 a, y 7 b} gilt:
(S, ) Mod(), aber (S, ) 6 Mod()
{x (P(x) Q(x)), x P(x)} |= x Q(x)
f
ur = {x (P(x) Q(x)), x P(x)} und = (x Q(x))
gilt 6|= , weil
f
ur S = ({a, b}, JKS ) mit JPKS = {b} und JQKS = {a}
gilt S Mod(), aber S 6 Mod()
F
ur jede Formel FOL(,
Gelten |= und |= , dann gilt auch |= .
X) gilt x |=
265
Was bisher geschah

Modellierung in Logiken:
X)
klassische Pradikatenlogik FOL(,
Spezialfall klassische Aussagenlogik AL(P)

Syntax
I
I
I
Signatur, Variablen
Terme (induktive Definition, Baumform)
Atome (in AL(P): Aussagevariablen)
I Formeln (Junktoren, Quantoren)
Semantik
-Interpretation I = (S, ) mit

I -Struktur S = (S, JK )
S
I Belegung :
S
Wert von Termen, Atomen, Formeln in
-Interpretationen
Modellmengen von Formeln und Formelmengen
semantische Aquivalenz
von Formeln
erf
ullbare, unerf
ullbare, allgemeing
ultige Formeln
semantische Folgerungen aus Formelmengen
I
I
I
I
I
266
Semantisches Folgern Beispiele

I
f
ur = {x(P(x) Q(x)), P(x)} und = Q(y ) gilt
6|= , weil
f
ur (S, ) mit S = ({a, b}, JKS ) mit
JPKS = {b}, JQKS = {a} und = {x 7 a, y 7 b} gilt:
(S, ) Mod(), aber (S, ) 6 Mod()
{x (P(x) Q(x)), x P(x)} |= x Q(x)
f
ur = {x (P(x) Q(x)), x P(x)} und = (x Q(x))
gilt 6|= , weil
f
ur S = ({a, b}, JKS ) mit JPKS = {b} und JQKS = {a}
gilt S Mod(), aber S 6 Mod()
F
ur alle Formeln , FOL(,
X) gilt
{ , } |=
(Modus ponens)
{ , } |=
(Modus tollens)
x |=
267
Modellierungsbeispiel: Taxi
Sachverhalt (Kontext) informal:
I
Bei Zugverspatung ist Tom nicht p

unktlich, falls kein Taxi am
Bahnhof steht.
Der Zug hat Verspatung.
Tom ist p
unktlich.
Modellierung als (aussagenlogische) Formelmenge:

T = {v (t p), v , p}
Frage:
informal: Stand ein Taxi am Bahnhof ?
formal Gilt T |= t ?
268
Eigenschaften der Folgerungsrelation

F
ur jede endliche Formelmenge = {1 , . . . , n } gilt
|=
genau dann, wenn
n
^
i |=
i=1
F
ur jede Formelmenge FOL(,
gilt
( )
|=
gdw.
X) und jede Formel FOL(, X)
( |= )
Mod() = Mod( {})
gdw.
Mod( {}) =
gdw.
{} unerf
ullbar
gdw.
{} |= f
F
ur alle Formeln , FOL(,
X) gilt
|=
gdw.
allgemeing
ultig
gdw.
( |= ) ( |= )
|=
gdw.
|= ( )
gdw.
|= ( )
269
Weitere Modellierungsbeispiele mit Folgerungsfragen

I
6.7
Lieblingsgetranke: Kontext siehe UA
Fragen:
I
I
I
Haben Anna und Paul (wenigstens) ein gemeinsames

Lieblingsgetrank?
Welche?
Welche Restaurants bieten dieses an?
Familienbeziehungen: Kontext
I
allgemein:
Zwei Personen sind Geschwister gdw. . . .
(Groeltern, verwandt,. . . )
Aufgaben-spezifisch:
Paul ist Vater von Anna und Tom. . . .
Fragen:
I
I
Sind Paul und Tina verwandt?

Wer sind Annas Groeltern, Nichten, . . . ?
Erreichbarkeit:
Kontext: Menge von Orten A, B, C , . . ., existierende Straen,
Verbindungen
Fragen: (Wie) Ist B von A erreichbar?
270
Anwendungen von Folgerungsaufgaben: Verifikation

Verifikation: Nachweis der Korrektheit von Software und Systemen
bzgl. einer gegebenen Spezifikation
Beispiel Schaltkreis-Verifikation
gegeben: Schaltung: Ausgabe-Verhalten (boolesche Funktion)
als Formel AL(P)
Spezifikation: Zielfunktion als logische Formel AL(P)
Frage: Erf
ullt die Schaltung die Spezifikation?
(Folgt aus {} ? Gilt {} |= ?)
Losung: ja / nein, evtl. mit Gegenbeispiel (unkorrekter Zustand)
Beispiel Korrektheit von Software
gegeben: Programm : tatsachlicher Zusammenhang
zwischen Ein- und Ausgaben als Formelmenge FOL(, )
Spezifikation: gew
unschter Zusammenhang
zwischen Ein- und Ausgaben als logische Formel FOL(, )
Frage: Erf
ullt das Programm die Spezifikation?
(Folgt aus ? Gilt |= ?)
L
osung: ja / nein, evtl. mit Gegenbeispiel (Eingabe mit falscher Ausgabe)
X
X
271
Syntaktisches Ableiten Ziel

gegeben: Formelmenge
Formel
Frage : Gilt |= ?
Ziel:
Verfahren zur Beantwortung dieser Frage durch syntaktische
Operationen (ohne Verwendung der Semantik, Modellmengen)
X
X
Syntaktische Ableitungsrelation ` 2FOL(,X) FOL(, )

passend zur
semantischen Folgerungsrelation |= 2FOL(,X) FOL(, )
` passt zu |= gdw.
f
ur jede Formelmenge FOL(,
FOL(, ) gilt
X) und jede Formel
gdw.
|=
272
Kalkule Motivation
Formale Methode zur schrittweisen syntaktischen Ableitung von
sematischen Folgerungen (Formeln) aus einer Menge von Formeln
(Hypothesen)
Definition von
Schlussregeln zur syntaktischen Ableitung von Folgerungen aus
Formelmengen (Hypothesen, Annahmen)
(analog Spielregeln),
oft mehrere Voraussetzungen und eine Folgerung
Ableitungen (und Beweisen) durch geeignete Kombinationen von
Schlussregeln (Baumstruktur)
273
Kalkule - Definition
Kalk
ul K = (A, R) mit Mengen von
Axiome A, d.h. (Schema f
ur) Formeln, deren
G
ultigkeit vorausgesetzt wird,
Regeln R zur syntaktischen Ableitung von
Folgerungen (weitere g
ultige Formeln)
aus Formelmengen (Axiomen und
Hypothesen)
haufige Darstellung von Regeln:
1
I
I
Voraussetzungen (oben): 1 , . . . , n
Folgerung (unten):
Beispiel: Regel (-Einf

uhrung)
(I)
274
Beispiel: Kalkul des naturlichen Schlieens

(Gerhard Gentzen, 1935)
Idee: formale Beschreibung des menschlichen Vorgehens beim
logischen Schlieen und Beweisen
F
ur jeden Junktor {, , , } und jeden Quantor
I
eine Einf
uhrungsregel (I)
Junktor in der Folgerung (unten), aber in keiner
Voraussetzung (oben) der Regel
eine Eliminierungsregel (E)

Junktor in einer Voraussetzung (oben), aber nicht in der
Folgerung (unten) der Regel
Beispiel: Modus Ponens eliminiert die Implikation
(MP)
275
Einige Regeln im Kalkul des naturlichen Schlieens
(I)
(I)
(E)
(E)
(I)
[]
..
.
(I)
(I)
x
(E)
[x 7 t]
(E)
[]
..
.
(E)
(E)
[x 7 t]
(I)
x
[]
..
.
t=t
(MT)
(=I)
276
Ableitungen in Kalkulen
gegeben: Kalk
ul K = (A, R),
Formelmenge (Hypothesen, Annahmen)
Definition (induktiv): Ableitung der Formel aus in K
IA: Ist eine Hypothese (also ) oder ein Axiom, dann
ist
eine Ableitung f
ur aus in K .
IS: Sind
1
eine Schlussregel in K und B1 , . . . , Bn Ableitungen f

ur
1 , . . . , n aus in K , dann ist
B1
Bn
eine Ableitung f
ur aus in K .
277
Beispiel Taxi
Ableitungsbaum f
ur {v (t p), v , p} ` t:
v
v (t p)
p
(E)
p (I)
t p
(MT)
t (E)
t
klassische (sequentielle) Darstellung der Ableitung (des Beweises):

1. v
(Annahme)
2. v (t p)
(Annahme)
3. t p
(E) mit 1 und 2
4. p
(Annahme)
5. p
(I) mit 4
6. t
(MT) mit 3 und 5
7. t
(E) mit 6
278
Was bisher geschah

Modellierung von
Daten durch Mengen (Individuenbereiche),
haufig zusammengesetzt durch Mengenoperationen,
Zusammenhangen zwischen Individuen durch
Relationen (auch Eigenschaften)
Funktionen (Operationen)
gemeinsam in algebraischen Strukturen
Modellierung von
Bedingungen (Eigenschaften, Anforderungen) an Individuen und
Beziehungen durch Formel(menge)n in (klassischen)
Logiken:
FOL(, ) Pradikatenlogik mit
AL(P) Aussagenlogik als Spezialfall
(Fragment)
Charakterisierung algebraischer Strukturen durch Formeln

279
Modellierung in Logiken
Haufige Fragen f
ur gegebene Strukturen, Interpretationen, Formeln
und Formelmengen:
I
Erf
ullt eine gegebene Struktur / Interpretation eine gegebene
Formel / Formelmenge?
In welchen Interpretationen gilt eine Formel?
Ist eine gegebene Formel / Formelmenge erf

ullbar?
Ist eine gegebene Formel allgemeing

ultig?
Folgt eine gegebene Formel aus einer gegebenen

Formelmenge?
Gibt es automatische Verfahren (Algorithmen), die diese Aufgaben

l
ost (entscheidet),
also zu jeder Eingabe die Frage in endlicher Zeit korrekt mit ja
oder nein beantwortet.
280
Gultigkeitsproblem
(Allgemein)-G
ultigkeitsproblem in einer Logik:
gegeben: Formel in dieser Logik
Frage:
Ist allgemeing
ultig?
Logiken, f
ur die diese Aufgabe algorithmisch l
osbar ist, heien
entscheidbar.
Erf
ullbarkeits- und Folgerungs-Probleme lassen sich auch als
G
ultigkeits-Probleme darstellen.
Die klassische Aussagenlogik ist entscheidbar.
(Uberpr
ufung endlich vieler endlicher Strukturen gen
ugt)
Beispiele f
ur Verfahren zur L
osung dieser Aufgaben in der
Aussagenlogik:
I
semantisch: Modellmengen, Wahrheitswerttabellen
syntaktisch: Beweis in Kalk

ulen (z.B. nat
urliches Schlieen)
SAT-Solver
281
Unentscheidbarkeit
der Pradikatenlogik der ersten Stufe FOL(,
X)
Satz
Es existiert kein Algorithmus, der f
ur jede beliebige Formel
FOL(, X ) entscheidet, ob allgemeing
ultig ist.
FOL(, ) ist also unentscheidbar.

(mehr dazu in der LV Theoretische Informatik)
282
Eignung von Logiken zur Modellierung verschiedener

Aufgabenbereiche
verschiedene Logiken unterschieden sich in

I Ausdrucksst
arke:
I
I
I
Aussagen u
ber welche Bereiche lassen sich u
berhaupt
formulieren?
kompakte Darstellung typischer Aussagen
Verstandlichkeit der Formalisierung
Reprasentation von Informationen

I
algorithmische Entscheidbarkeit wichtiger Fragen

(maschinelle) Verarbeitung von Informationen
283
Vergleich verschiedener Logiken

klassische Logiken:
I klassische Pr
adikatenlogik der ersten Stufe FOL:
I
I
I
hohe Ausdrucksstarke,
kompakte, verstandliche Formulierungen,
unentscheidbar
klassische Aussagenlogik AL
(Spezialfall, Fragment von FOL):
I
I
I
geringe Ausdrucksstarke
umfangreiche Darstellung
entscheidbar
Speziallogiken f
ur verschiedene Anwendungsbereiche, z.B.
I Temporallogiken (Spezifikation, Verifikation von Systemen)
I Hoare-Logik (Spezifikation, Verifikation imperativer Software)
I Beschreibungslogiken (Wissensextraktion aus Ontologien,
Semantic Web)
oft entscheidbare Fragmente von FOL mit modifizierter Syntax
mehr dazu in Lehrveranstaltungen spater im Studium
284
Charakterisierung algebraischer Strukturen

Algebraische Strukturen sind eindeutig definiert durch
Syntax:
Tragermengen (Typen, Sorten), z.B. {0, 1}, , {a, b} , 2M
Funktionen (Operationen), z.B. len : {a, b} , + : 2 ,
: ({a, b} )2 {a, b} , 0 , {a, b} , 2M
Relationen , z.B. 2 , prim , v ({a, b} )2 ,
Semantik:
Zusammenhange zwischen Funktionen und Relationen, z.B.
N3
x N
(x, y ) N2
(x, y , z)
N
N
N
: (x + y ) + z = x + (y + z)
: x +0=x
: x +y =y +x
u {a, b} : (len(u) = 0) (u = )
(u, v ) ({a, b} )2 : len(u v ) = len(u) + len(v )
(u, v ) ({a, b} )2 : (u v v ) (len(u) len(v ))
285
Formale Darstellung algebraischer Strukturen

(abstrakte Algebra, abstrakter Datentyp, ADT)
I
I
I
Signatur = ( , F , R ) mit
Menge von Sortensymbolen,

Menge F von Funktionssymbolen
Menge R von Relationssymbolen
Menge von Axiomen beschreibt Zusammenhange zwischen

den Symbolen
(meist pradikatenlogische Formeln, Gleichungen)
ADT zur Definition von Software-Schnittstellen:

Festlegung der
Syntax in Sorten und Signatur (z.B. Java-Interfaces)
Semantik (Anforderungen an Implementierung) in Axiomen
Abstraktion von konkreten Reprasentationen der Daten
(Tragermengen) und konkrete Implementierung der Operationen
286
Konkrete Datentypen
(konkreter) Datentyp:
I
Tragermenge (nichtleer, Menge aller Werte)
Eigenschaften von und Relationen zwischen den Elementen

der Tragermenge
Operationen auf der Tragermenge
(= algebraische Struktur)
Beispiele:
I
integer mit +,-,*,/
string mit ++, reverse
boolean mit And, Or, Not
string integer mit length
Jeder ADT reprasentiert eine Menge konkreter Datentypen:

genau alle Implementierungen (-Strukturen), die alle Axiome des
ADT erf
ullen
(= Mod())
287
Kombination von Strukturen

einfache (einsortige) Datentypen, z.B. int, bool, float, ...
zusammengesetzte Datentypen
Konstruktion durch Operationen auf den Tragermengen:
Vereinigung von Datentypen
Beispiel Skat: W = Z B
Produkt (kartesisches) von Datentypen:
Beispiel Skat: K = F W
mehrfaches Produkt desselben Typs, z.B.
Tupel
Beispiel Skat:
Blatt in der Hand nach dem Geben K 10
Rekursion : rekursive Datentypen, z.B. Listen, Baume
Abbildung zwischen Datentypen (Funktionen)
z.B. Multimengen, Maps
Zusammengesetzte Datentypen = mehrsortige Strukturen
288
Modellierungsbeispiel ID-Nummern
Aufgabe:
Verwaltung einer (endlichen) Menge ganzer Zahlen (z.B. ID-Nummern),
so dass festgestellt werden kann, ob eine Zahl darin enthalten ist und
Zahlen zur Menge hinzugef
ugt und daraus entfernt werden konnen.
Sorten (Wertebereiche): , 2N , {t, f } (Wahrheitswerte)
Signatur: Funktionen zum Finden, Hinzuf
ugen, Entfernen, . . .
contains :
2N {t, f }
add, remove : 2N 2N
F =
isempty :
2N {t, f }
:
2N
N
N
Axiome (definieren die Semantik der Operationen):
n
s 2N n
=
s 2N n
s 2N m, n
s 2N n
N
N
N
N
N
:
:
:
:
:
isempty() = t,
contains(, n) = f ,
contains(add(s, n), n) = t,
contains(remove(s, n), n) = f ,
add(add(s, n), m) = add(add(s, m), n),
add(add(s, n), n) = add(s, n), . . .
289
Konkrete Datentypen (Implementierung) Beispiele

verschiedene M
oglichkeiten zur Reprasentation der Sorten:
I
Wahrheitswerte z.B. als {0, 1} oder {1, 1}
Zahlen in verschiedenen Zahlendarstellungen, z.B.

dezimal, binar, zu anderer Basis, Maschinenzahlen (eingeschrankter
Bereich)
Mengen als (sortierte) Folgen (mit / ohne Wiederholungen) von

Zahlen
Mengen als Zuordnung Zahl {0, 1} mit

1, falls Zahl in der Menge, 0 sonst
(charakteristische Funktion der Menge)
Mengen als {0, 1}-Folgen variabler Lange

(z.B. nur relevanter Teil der charakteristischen Funktion)
abstrakter Datentyp: Signatur und Axiome ,

exakte Formulierung der Aufgabe, Spezifikation
konkreter Datentyp: -Struktur, welche erf
ullt (Modell f
ur )
Umsetzung, Implementierung
290
Modellierungsbeispiel Navigation
ADT f
ur (Blickrichtung in) Himmelsrichtungen Norden, Osten,
S
uden, Westen
mit Operationen f
ur Rechts- und Linksabbiegen und Umlenken
ADT Himmelsrichtungen (Spezifikation):
Sorten: eine Sorte (Himmelsrichtung) HR = {N, O, S, W}
Signatur:
N, O, S, W :
HR
rechts, links, um : HR HR
Axiome:
rechts(N) = O, links(N) = W, . . .
um(N)
= S, um(O) = W, . . .
h HR : rechts(links(h)) = h,
h HR : links(rechts(h)) = h,
h HR : rechts(rechts(h)) = um(h), . . .
291
Konkrete Datentypen (Beispiele)

Implementierung des ADT Himmelsrichtungen, z.B.:

cos sin
I als Punkte im 2 mit Drehmatrizen
sin cos

0 1
0 1
= /2 : R =
= /2 : L =
1 0
1 0
A = ({(0, 1), (1, 0), (0, 1), (1, 0)}, JKA ) mit
JNKA = (0, 1), JOKA = (1, 0), JSKA = (0, 1), JWKA = (1, 0),

x
x
(x, y ) : JrechtsKA (x, y ) = R
JlinksKA (x, y ) = L
y
y
(x, y ) : JumKA (x, y ) = (x, y )
Ist diese Implementierung korrekt (d.h. Modell aller Axiome)?
I
B = ({0, 1, 2, 3}, JKB ) mit

JNKB = 0, JOKB = 1, JSKB = 2, JWKB = 3,
x : JrechtsKB (x) = (x + 1) mod 4
x : JlinksKB (x) = (x 1) mod 4,
x : JumKB (x) = (x + 2) mod 4
Ist diese Implementierung korrekt?
292
Modellierungsbeispiel Papierstapel
Individuenmengen:
I
I
I
I
Blatter (oben einseitig bedruckt)

Stapel (von Blattern)
Eigenschaft: (Stapel) ist leer
Funktionen:
top : Stapel Blatt
oberes Blatt auf dem Stapel
pop : Stapel Stapel
oberes Blatt vom Stapel entfernen
push : Blatt Stapel Stapel
Blatt oben auf den Stapel legen
293
Eigenschaften der Stapel-Operationen

Operationen:
top : Stapel Blatt
pop : Stapel Stapel
push : Blatt Stapel Stapel
einige Zusammenhange zwischen den Stapel-Operationen:
f
ur alle Blatter (Stapelelemente) e und alle Stapel s gilt:
I Wird zuerst ein Blatt e auf einen Stapel s gelegt und dann
von diesem Stapel das obere Blatt weggenommen, enthalt
man den urspr
unglichen Stapel s
pop(push(e, s)) = s
I top(push(e, s)) = e
I push(top(s), pop(s)) = s
Beobachtung:
Dieselben Eigenschaften gelten auch f
ur B
ucher-, Teller- und
andere Stapel,
sind also unabhangig vom Typ der Stapelelemente
294
ADT Stack (Stapel, Keller)

Abstraktion von der Realisierung
(Tragermengen, Implementierung der Operationen)
Sorten E : Elementtyp,
S: Stapel von Elementen vom Typ E ,
B = {t, f } (Wahrheitswerte)
Signatur : top
:S
E
pop
:S
S
push
: E S S
new
:
S
isEmpty : S
B
Axiome , z.B.
isEmpty(new)
s S e E : isEmpty(push(e, s))
s S e E :
top(push(e, s))
s S e E :
pop(push(e, s))
s S e E : push(top(s), pop(s))
konkrete Datentypen (Implementierungen) dazu in
LV Algorithmen und Datenstrukturen
=
=
=
=
=
t
f
e
s
s
295
ADT Stack (Stapel, Keller)

Aus den Axiomen
isEmpty(new)
s S e E :
s S e E :
s S e E :
isEmpty(push(e, s))
top(push(e, s))
pop(push(e, s))
s S e E : push(top(s), pop(s))
(1)
(2)
(3)
(4)
(5)
t
f
e
s
s
lassen sich durch syntaktische Umformungen

(ohne Wissen u
ber Realisierung, konkreten Datentyp)
weitere Eigenschaften ableiten, welche in jeder Realisierung gelten,
z.B. gilt top(pop(push(a, push(b, s)))) = top(push(b, new)) wegen
top(pop(push(a, push(b, s))))
(4)
(3)
(3)
top(push(b, s)) = b
top(push(b, new))
296
Spezifikation und Verifikation

Jeder ADT spezifiziert eine Menge konkreter Datentypen:
genau alle Implementierungen (-Strukturen), die alle Axiome des
ADT erf
ullen
Menge aller korrekten Implementierungen des ADT
= Modellmenge der Menge der Axiome des ADT
Verifikation:
formaler Nachweis der Korrektheit von Implementierungen bzgl.
der Spezifikation (ADT)
oft durch Ableitungen in geeigneten Kalk
ulen
maschinelle Unterst
utzung durch Werkzeuge wie
z.B. Coq, pvs, Isabelle, KIV, KeY
(mehr dazu in LV im Master-Studium)
297
WH: Prozess beim Losen von Aufgaben (Problemen)

I Eingabedaten (Typen, m
ogliche Werte)
I gew
unschte L
osung
Modellierung (Abstraktion, formale Darstellung) von
osungen
Modellierung von Daten
und deren Eigenschaften und Beziehungen zueinander
Entwurf einer L
osungsstrategie f
Realisierung der L
Ausf
uhrung der L
Ubertragung der L
298
Maschinelle Losung von Aufgaben
Modellierung Ubertragung
aller relevanten Informationen von der
Realitat in einen Modellbereich (geeignet gewahlt) durch
Analyse und Formalisierung der Eigenschaften von
Aufgabenbereich (Kontext): (strukturierte) Daten,
Eigenschaften, Zusammenhange
Eingabedaten: Typ, m
ogliche Werte, Einschrankungen
Ausgabedaten (L
osung): Typ und Anforderungen:
Einschrankungen
Zusammenhange mit den Eingabedaten
Formalisierung in abstrakten Datentypen (ADT)
Losung der Aufgabe im Modellbereich mit
vorhandenen Methoden, z.B.
SAT-Solver, SW-Bibliotheken
speziellen (eigens entwickelte) Algorithmen
(Realisierung in konkreten Datentypen, Implementierung)
Ubertragung
der L
osung aus Modellbereich in Realitat
299
Modellierungsbeispiel: Winterbekleidung
Kontext (informal):
I
Wenn es kalt ist, tragt Paul immer eine M

utze, einen Schal
oder Handschuhe.
Ohne Handschuhe oder Schal tragt er keine M

utze.
M
utze und Handschuhe tragt er nie zusammen.
Handschuhe und Schal tragt er immer zugleich.
Aufgabe: Beantwortung der folgenden Fragen (mit ja/nein)

Welche der folgenden Aussagen sind semantische Folgerungen
daraus:
I
Bei Kalte tragt er immer seinen Schal.
Bei Kalte tragt er immer Handschuhe oder M

utze.
Er tragt nie Handschuhe.

300
Modellierungsbeispiel: Winterbekleidung
Idee (Losungsstrategie): L
osung mit SAT-Solver
Losungsprozess:
1. Formale Darstellung des Kontext als (aussagenlogische)
Formelmenge
= {m s h, (h s) m, (m h), h s}
2. Formale Darstellung der Aufgabestellungen (Fragen)
1 = s, 2 = h m, 3 = h
3. Ubersetzung
der Folgerungsprobleme |= i in
Erf
ullbarkeitsprobleme
( |= i gdw. {i } unerf
ullbar)
4. Darstellung von {i } als CNF, z.B. f
ur 1 = s:
= (m h s) (m h s) (m h) (h s) (s h) (s)
5. Darstellung im DIMACS-Format
6. Losung der Erf
ullbarkeitsprobleme mit einem SAT-Solver
7. Ubersetzung
der Ergebnisse in Antworten auf die Fragen:
unerf
ullbar 7 ja, erf
ullbar 7 nein
301
Algorithmen
(Wiederholung aus LV zu Programmierung)
Algorithmus: in Schritte geordnete Arbeitsvorschrift
I
in einer formalen Beschreibungssprache
endlich beschriebene
schrittweise ausgef
uhrte
Arbeitsvorschrift
zur Losung einer (Berechnungs-)Aufgabe,
d.h. zur Transformation einer Eingabe in eine Ausgabe
zur Ausf
uhrung eines Algorithmus ist n
otig:
Akteur / Maschine, welche die Beschreibungssprache interpretieren
kann
302
Beispiel: Summe der ersten n naturlichen Zahlen

informale Aufgabenstellung:
Addiere alle nat
urlichen Zahlen von 1 bis n.
Spezifikation (formale Aufgabenbeschreibung, Anforderungen):
N
P
Nachbedingung: Ausgabe s N mit s = ni=1 i
Vorbedingung: Eingabe n
verschiedene Algorithmen, welche diese Spezifikation erf

ullen:
Algorithmus : Summe1
Eingabe : n
Ausgabe : s
N
N
s0
f
ur jedes i 1, . . . , n :
s s +i
Algorithmus : Summe2
Eingabe : n
Ausgabe : s
s
N
N
n(n+1)
2
303
Beispiel: groter gemeinsamer Teiler

Aufgabe: Zu zwei nat
urlichen Zahlen soll ihr gr
oter gemeinsamer
Teiler (ggT) berechnet werden.
Kontextwissen (Definitionen):
N:t k =x
Menge aller gemeinsamen Teiler von x N und y N:
T (x, y ) = {t N | (t|x) (t|y )}
I gr
oter gemeinsamer Teiler von x N und y N
t ist Teiler von x:
t | x gdw. k
ggT(x, y ) = t
gdw.
((t T (x, y )) (s T (x, y )(s|t)))
Spezifikation (Anforderungen):
N, y N
Nachbedingungen (an Ausgaben): z N mit z = ggT(x, y )
Vorbedingungen (an Eingaben): x
304
Beispiel: Algorithmus fur ggT

(bekannte) Eigenschaften des ggT:
N:
N22 :
N :
x
(x, y )
(x, y )
((x > y )
ggT(x, x) = x
ggT(x, y ) = ggT(y , x)
(ggT(x y , y ) = ggT(y , x)))
f
uhren zur Idee des ( einfachen ) Euklidischen Algorithmus:
Algorithmus : Gr
oter gemeinsamer Teiler
Eingabe : x , y
Ausgabe : ggT(x, x)
solange x 6= y :
wenn x > y dann
x x y
sonst
y y x
R
uckgabe x
305
Struktur von Algorithmen

Konstruktion komplexer Berechnungsvorschriften aus
Grundbausteinen: elementare Algorithmen (Schritte), z.B.
I Zuweisung,
I Aufruf eines Unterprogrammes,
I Ein- oder Ausgabe (Interaktion)
Verkn
upfungen von Algorithmen durch
sequentielle Ausf
uhrung (nacheinander)
parallelle Ausf
uhrung (gleichzeitig, benotigt
mehrere Ausf
uhrende, z.B. Prozessoren)
bedingte Ausf
uhrung, Alternative (Verzweigung)
wiederholte Ausf
uhrung (Schleifen)
rekursive Ausf
uhrung
Blocke , Unterprogramme
(Notation in Struktogramm, Pseudocode, . . . )
306
Algorithmen-Entwicklung
1. Analyse der informalen Aufgabenstellung
2. (formale) Spezifikation:
Was (welche Berechnungsaufgabe) soll gel
ost werden?
exakte (formale) Beschreibung der Aufgabe:
I Anforderungen an Eingaben des Algorithmus
I Anforderungen an Ausgaben des Algorithmus
I Zusammenhang zwischen Ein- und Ausgabe
3. Entwurf des Algorithmus:
Wie soll es gel
ost werden?
I formale Darstellung der Arbeitsschritte
I zu jedem Schritt:
I
I
I
Was wird getan? (Aktionen, Anweisungen)

Womit wird es getan? (Daten)
Wie geht es weiter? (n
achster Schritt)
4. Verifikation:
Nachweis der Korrektheit des Algorithmenentwurfes bzgl. der
Spezifikation
5. Realisierung (Implementierung)
307
Algorithmen Analyse der Aufgabe

Was soll gelost werden?
ist zu Beginn des Software-Entwicklungsprozesses oft noch

nicht klar,
zunachst grober Ansatz,
wird schrittweise verfeinert,

formale Darstellung f
ordert
I
I
I
I
Problemverstandnis,
Abstraktion (Auswahl relevanter Eigenschaften),
Dokumentation wahrend des Entwicklungsprozesses,
Ideen f
ur L
osungsansatze
308
Algorithmen Spezifikation
Ausgangspunkt:
Ergebnis:
umgangssprachlich formulierte und oft

ungenaue Aufgabenbeschreibung
exakte und vollstandige Definition des
Problemes
Spezifikation einer Berechnungaufgabe:

korrekte formale Beschreibung des Zusammenhanges zwischen
Eingaben und Ausgaben
Spezifikation einer Berechnungsaufgabe enthalt
Vorbedingung: Forderung an die Eingaben
Nachbedingung: Forderung an die Ausgaben
309
Beispiel: Minimum-Suche
informale Aufgabenstellung:
Entwurf eines Verfahrens, welches in jeder Folge nat
urlicher Zahlen das
Minimum findet
formale Spezifikation:
Vorbedingung: Eingabe (x1 , x2 , . . . , xn )
Nachbedingung: Ausgabe m
I
I
N mit
i {1, . . . , n} : m xi und
i {1, . . . , n} : m = xi
aus Spezifikation lasst sich folgender Algorithmus ablesen:
Algorithmus : Minimum
Eingabe : x = (x1 , . . . , xn )
Ausgabe : m
m x1
f
ur jedes i 2, . . . , n :
wenn xi < m dann
m xi
310
Was bisher geschah

Modellierung von
Daten durch Mengen
Beziehungen (Zusammenhange und Eigenschaften) durch Relationen,
Graphen und Funktionen
Anforderungen durch Logiken
Modellierung als
algebraische Strukturen (konkrete Datentypen)
zur Modellierung zusammenhangender Datenbereiche
Tragermengen, Funktionen (, Relationen)
abstrakte Datentypen (ADT) zur Modellierung zusammenhangender
Datenbereiche und derer Eigenschaften:
Sorten, Signatur, Axiome
Algorithmen zur Modellierung von Anleitungen (Folgen von
Anweisungen) zu schrittweisen Ablaufen:
Spezifikation (Anforderungen)
Aufbau aus Grundbausteinen und Verkn
upfungen
(Baumstruktur)
311
Himmelsrichtungen (Wiederholung)
(Blickrichtung in) Himmelsrichtungen
Norden, Osten, S
uden, Westen
mit Operationen f
ur Rechts- und Linksabbiegen und Umlenken
Himmelsrichtungen (Zustande) {N, O, S, W }
Norden, Osten, S
uden, Westen
Operationen (Aktionen) {R, L, U}
rechts drehen, links drehen, umdrehen
Ausf
uhrung einer Aktion bewirkt
Ubergang
(Relation) zwischen zwei Zustanden
d.h. jede Aktion a A definiert eine zweistellige Relation (a) auf
der Menge der Zustande,
im Beispiel:
(R) {N, O, S, W }2
(R) = {(N, W ), (O, N), (S, O), (W , S)}
(L) {N, O, S, W }
(L) = {(N, O), (O, S), (S, W ), (W , N)}
(U) {N, O, S, W }
(U) = {(N, S), (O, W ), (S, N), (W , O)}

312

Uberg
ange zwischen Himmelsrichtungen
gemeinsame Darstellung dieser Relationen als Graph (V , E ) mit
Kantenfarbung
V = {N, O, S, W } Menge der Zustande
E = (R) (L) (U) Kantenrelation
A = {R, L, U} Menge der Aktionen als Kantenfarben
N
R
R
L
L
U
U
L
L
R
R
S
313
Zustandsubergangssysteme
Zustands
ubergangssystem (Q, X , )
Q (endliche) Menge von Zustanden
X endliche Menge von Aktionen
: X (Q Q) Ubergangsrelationen
ordnet jeder Aktion a X eine Relation
(a) Q Q zu
(Graph mit Kantenfarbung, Farben: Aktionen)
Spezifikation (formale Beschreibung von Anforderungen) von
Zustands
ubergangssystemen
Darstellung der Eigenschaften von
I
Zustanden
(zulassigen) Aktionen
Wirkung der Aktionen (Zustands

ubergange)
als (pradikatenlogische) Formelmengen.

314
Modellierung mit Zustandsubergangssystemen

Anwendungsbeispiele:
I
reale Automaten,
z.B. Getranke-, Fahrschein, Bankautomaten
Verkehrssysteme,
z.B. Stellwerk, Ampelschaltungen
Steuerung von Industrieanlagen
Bedien-Oberflachen,
z.B. Folgen von Bedienoperationen
Digitaltechnik, Schaltwerke
Zeit- und Ablaufplanung
Geschaftsprozesse
Spiel-Ablaufe
315
Beispiel: Munzschliefach
Aktionen: A aufschlieen
Eigenschaften: g bezahlt
Z zuschlieen
o offen
O T
ur
offnen
b belegt
S T
ur schlieen
G Geld einwerfen
Anforderungen (Spezifikation), z.B.
Am M
unzschliefach sollen nur Ablaufe (Wort w {A, Z , O, S, G } )
moglich sein, die folgende Anforderungen (Eigenschaften) erf
ullen:
I
Offene Facher k
onnen nicht zugeschlossen werden.
x(o(x) yZ (x, y ))
In belegte Facher kann kein Geld eingeworfen werden.

x(b(x) yG (x, y ))
Kein nicht bezahltes Fach kann zugeschlossen werden.

x(g (x) yZ (x, y ))
Dazu werden auch haufig nichtklassische Logiken verwendet,

z.B. Temporallogiken: (entscheidbare) FOL-Fragmente
(mehr dazu in spateren LV zu Verifikation)
316
Beispiel Munzschliefach
Entwurf des Systems:
{b}
O
{o}
S
{g , o}
Z
{g }
O
Beispiele f
ur m
ogliche Ablaufe (wahrend eines Tages)
w {A, Z , O, S, G } :
OGSZAGSZA: zwei vollstandige Belegungszyklen
OSOSOS: T
ur wiederholt
offnen und schlieen
I
I OSOGSOSZASOSOGSZASO
Jeder m
ogliche Ablauf erf
ullt die Spezifikation (Anforderungen):

x(o(x) yZ (x, y )), x(b(x) yG (x, y )),
=
x(g (x) yZ (x, y ))
Menge aller m
oglichen Ablaufe ist regulare Sprache
(Alphabet: Aktionen)
mehr dazu in den LV zur Theoretischen Informatik
317
Endliche Automaten Definition

NFA (nondeterministic finite automaton) A = (X , Q, , I , F ) mit
X endliches Alphabet,
Q endliche Menge von Zustanden,
Ubergangsrelationen
: X (Q Q),
I Q Startzustande,
F Q akzeptierende Zustande.
Beispiel:
A = (X , Q, , {0, 3}, {2, 3, 4}) mit
X
{a, b, c}
{0, 1, 2, 3, 4}
(a) =
{(0, 0), (0, 1), (1, 3)}
(b)
{(0, 0), (1, 2)}
(c)
{(0, 3), (3, 3), (4, 1)}
a,b
a
0
c
3
1
a
c
c
318
Anwendung endlicher Automaten

Endliche Automaten k
onnen z.B.
I
regulare Sprachen akzeptieren,

d.h. bei Eingabe mit ja / nein antworten
Anwendungen z.B.
I
Zulassigkeit von Email-Adressen
Suchen von (auch mehreren) Zeichenketten in Texten
Programmtransformation (z.B. im Compiler):
Syntax-Uberpr
ufungen: Bezeichner, Zahl-Darstellungen,
korrekte Schl
usselw
orter
Endliche Automaten k
onnen z.B. nicht
I
Werte ausgeben
Zeichenvorkommen zahlen
beliebig lange Zeichenketten speichern
korrekte Klammerung erkennen
rechnen, z.B. addieren

319
Beispiel Kaffee-Automat
(einfacher) Kaffee-Automat:
I
liefert nach Einwurf von 2 e und Bedienung der Kaffee-Taste einen

Becher Kaffee
erlaubt Einwurf von M

unzen zu 1 e und 2 e
R
uckgabe der gezahlten M
unzen nach Bedienung der R
uckgabetaste
formale Beschreibung als Mealy-Automat (Ausgabe bei Uberg

angen):
I
Zustande Q = {0, 1, 2} (Anzahl der bisher gezahlten e)

Aktionen A = {1E, 2E, KT, RT}
Ausgaben O = {K , 1 e, 2 e}
2E
1E
0
1E
RT / 1 e
KT / K , RT / 2 e
320
Beispiel Schieberegister
Pseudozufallszahlen (als Bitfolgen, z.B. f
ur Verschl
usselung) lassen sich
durch Schieberegister erzeugen
Beispiel: 3 Register mit Inhalten r1 , r2 , r3 , in jedem Schritt:
Ausgabe r3 und
I Ubergang
r1 r2 r3 (r1 XOR r3 )r1 r2
I
formale Beschreibung als Moore-Automat (Ausgabe bei Zustanden):

Zustande Q = {001, 010, 011, 100, 101, 110, 111}
Aktionen A = {w } (nur eine Aktion, wird nicht markiert)
Ausgaben O = {0, 1}
100/0
110/0
111/1
011/1
101/1
010/0
001/1
erzeugte (pseudo-zufallige) Ausgabefolge: 0011101 . . .

321
Automaten mit zusatzlichem Speicher
Endliche Automaten sind zur Modellierung vieler Systeme /

Ablaufe nicht ausdrucksstark genug,
Ausdrucksstarke lasst sich durch zusatzlichen Speicher

erhohen
Aktionen im Speicher (Lesen, Schreiben usw.) sind

Nebenwirkungen
322
Typische Arten interner Speicher

I
Zusatzinformation
z.B. max. Temperatur in Waschmaschine (nur Lesen)
Variablenbelegungen (Lesen und Schreiben)
Warteschlange
Daten werden in der Reihenfolge verarbeitet, in der sie in den
Speicher eingetragen wurden (first in, first out, FIFO)
z.B. Print-Queue
Stack (Kellerautomaten)
Daten werden in der umgekehrten Eingangs-Reihenfolge
verarbeitet (last in, first out, LIFO)
z.B. Socken und Schuhe an- und ausziehen, Palindrome,
korrekte Klammerung
unendliches Arbeitsband (Turing-Maschinen)
einfaches abstraktes Berechnungsmodell mit derselben
Ausdrucksstarke
(mehr dazu in den LV zur Theoretischen Informatik)

323
Lineares Solitaire (Wiederholung)

informale Beschreibung des Spieles:
Spielbeginn: n Spielsteine, je einer auf n benachbarten Spielfeldern
in einer Reihe.
Spielz
uge:
L Springe mit einem Stein u

ber den linken
Nachbarn auf das dahinterliegende freie
Feld und entferne den u
bersprungenen
Stein.
R Springe mit einem Stein u
ber den
rechten Nachbarn auf das
dahinterliegende freie Feld und entferne
den u
bersprungenen Stein.
Spielende: Das Spiel endet, wenn kein Spielzug moglich ist.
324
Lineares Solitaire als Zustandsubergangssystem

Q = (21) v (12) {0, 1, 2}2 | v {0, 1}
(unendliche) Menge der Spielzustande
s = 21n 2 Q Startzustand
T : A Q 2 Ubergangsrelation
zu jeder Aktion aus
der Menge A der korrekten Spielz
uge (Aktionen):
nach rechts (R) bzw. links (L) springen,
jeweils mit Spezialfallen am Rand

T (R) =
u110v u001v | u|u| 6= 2

{2112 212}

v 112 v 0012 | v|v | 6= 2

{2110v 21v | v1 6= 2}
T (L)
{u011v u100v | v1 6= 2}
{2112 212}

{211v 2100v | v1 6= 2}
v 0112 v 12 | v|v | 6= 2
Das Spiel (Zustands

ubergangssystem) lasst sich durch eine (geeignet
definierte) Turing-Maschine simulieren (jeder Spielzug durch mehrere
Uberg
ange der Turing-Maschine).
325
Berechnungen als Zustandsubergangssysteme

imperative Programmierung (von-Neumann-Modell):
Programm (imperativ): Folge von Anweisungen
Ausf
uhrungsmodell: abstrakte Maschine
Zustand der abstrakten Maschine besteht aus
I Belegung der Variablen im Speicher und
I n
achste Anweisung (Programmzahler)
Startzustand f
ur Programm p und Eingabe i:
I Variablen im Speicher mit Werten aus i belegt,
I erste Anweisung von p (Programmz
ahler)
Berechnung (Ausf
uhrung) des Programmes p:
sequentielle Ausf
uhrung der Anweisungen in p
Modellierung durch (endliche oder unendliche) Folge von
Zustands
ubergangen (Rechenschritten)
Ausgabe: Speicherbelegung nach Ende der Berechnung
Semantik (Wirkung) eines imperativen Programmes p:
Abbildung (partielle Funktion) von Eingaben auf Ausgaben
und Nebenwirkungen (z.B. Anderung

der Speicherbelegung)
326
Beispiel: Vertauschen mit Hilfsvariable

Aufgabe (informal): Vertauschen der Werte zweier Variablen
Spezifikation: Vorbedingung: Eingabe a = A , b = B
Nachbedingung: Ausgabe a = B , b = A
Zustande (A, B, C ) 3 (unendlich viele), wobei
A Wert der Variable (Speicherplatz) a (B, C analog)
Uberg
ange definiert durch Anweisungen des Programmes
Beispiel: Zustands
ubergangssystem
der Berechnung f
ur Eingabe a = 3, b = 5:
Programm z.B.
c
(3, 5, ?)
(c a)
(3, 5, 3)
(a b)
(5, 5, 3)
(b c)
(5, 3, 3)
Verifikation des Programmes (Nachweis der Korrektheit bzgl.

Spezifikation) durch Ausf
uhrung mit symbolischen Werten (A, B, C )
manuell oder maschinell m
oglich
(mehr dazu in Master-LV zu Software-Verifikation)
327
Visuelle Darstellungen fur Ablaufe und Algorithmen
Beispiele:
I
UML statecharts (in spateren LV)
BPMN zur Modellierung von Geschaftsprozessen
Lego Mindstorms Software
328
Was bisher geschah

Modellierung von
Daten durch Mengen (einfach, zusammengesetzt)
Beziehungen (Zusammenhange und Eigenschaften)
durch Relationen, Graphen und Funktionen
Ablaufen durch Zustands
ubergangssysteme
sequentiell (ein Akteur):
endliche Automaten mit Erweiterungen
Anleitungen durch Algorithmen
(strukturierte Anweisungsfolgen, Programme)
Anforderungen (Spezifikation) an Daten, Eigenschaften,
Zusammenhange, Ablaufe, Algorithmen, . . .
durch Logiken
329
Modellierung von Ablaufen

bisher: Modellierung von Systemen mit
I
sequentielle Ausf
uhrung
durch einen Akteur
Modellierung des Verhaltens

I
nebenlaufiger Systeme
mit mehreren Akteuren / Komponenten
Akteure / Komponenten kommunizieren miteinander
abhangig von mehreren Ressourcen
reagiert auf Ereignisse

(Vorliegen von Ressourcen)
Beispiele (Tafel):
I
Fahrstuhl (Ressource = Kabine)
Kerze anz
unden (mehrere Ressourcen)
330
Petri-Netz: Definition
nebenlaufiges Automaten-Modell
eingef
uhrt von Carl Adam Petri, 1962
Stellen/Transitions-Petri-Netz N = (S, T , F ) mit
S Menge von Stellen
(Bedigungen, Ressourcen)
T Menge von Transitionen (Aktionen)
wobei S T =
F (S T ) (T S) Menge von Kanten (Relation)
gerichteter bipartiter Graph (S T , F )
Beispiel (Tafel): N = (S, T , F ) mit
S = {A, B, C , D, E , F , G }
T = {a, b, c, d}
F

=
(A, a), (a, B), (B, b), (b, C ), (a, D),

(E , c), (c, F ), (F , d), (d, G ), (D, d)
331
Petri-Netz: Zustande
jede Transition t T im Netz N = (S, T , F ) hat
Vorbereich (Eingange): VBN (t) = {s S | (s, t) F }
Nachbereich (Ausgange): NBN (t) = {s S | (t, s) F }
Zustand eines Petri-Netzes N = (S, T , F ):
Abbildung z : S
(ordnet jeder Stelle s S eine Anzahl von Marken zu)
Marken reprasentieren z.B.
I
I
erf
ullte Bedingungen
vorhandene Ressourcen
Transition t T ist im Zustand z aktiviert gdw.

s VBN (t) : z(s) 1
Beispiel (Tafel): N = (S, T , F ) mit
S = {1, 2, 3}
T = {a, b, c}
F = {(1, a), (1, b), (a, 1), (a, 2), (2, c), (c, 3), (b, 3), (3, c)}
und Anfangszustand z0 = {1 7 1, 2 7 0, 3 7 0}
332
Zustandsubergange
Schalten einer aktivierten Transition t T
I
verbraucht je eine Marke an jeder Stelle im Vorbereich
erzeugt je eine Marke an jeder Stelle im Nachbereich

t
Jede Transition t definiert eine Relation auf
z2 (s) 1
t
z2 (s) + 1
z1 z2 gdw. s S : z2 (s) =
z2 (s)
Zustanden mit
falls s VBN (t)
falls s NBN (t)
sonst
In jedem Schritt schaltet genau eine aktive Transition
Falls mehrere Aktionen aktiv sind, wird eine davon beliebig

ausgewahlt (nichtdeterministisch)
Darstellung als Diagramm (Zustands

ubergangssystem)
meist f
ur gegebenen Anfangszustand z0
333
Petri-Netze: Konflikte
I
I
I
Schalten einer aktiven Transition verbraucht Marken

Transitionen mit gemeinsamen Stellen im Vorbereich
konkurrieren um Marken
ermoglicht Synchronisation nebenlaufiger Ablaufe
(Transitionsfolgen)
Transitionen t1 T und t2 T stehen zueinander im Konflikt

gdw.
VB(t1 ) VB(t2 ) 6=
Beispiel (Tafel):
N = (S, T , F ) mit S = {1, 2, 3, 4, 5}, T = {a, b, c, d} und

(1, a), (a, 2), (2, b), (b, 1), (b, 3), (3, a),
F =
(5, c), (c, 4), (4, d), (d, 5), (d, 3), (3, c)
enthalt Konflikt zwischen den Transitionen a und c,
weil Stelle 3 VBN (a) VBN (c)
334
Kapazitaten und -Schranken

Erweiterung:
I
Einschrankung:
I
jede Kante bekommt eine Gewicht ( ),

beschreibt die Anzahl der Marken, die bei jedem Schalten
durch die Kante flieen sollen.
Stellen kann eine Kapazitat ( ), zugeordnet werden,

beschreibt die maximal erlaubte Anzahl von Marken in dieser
Stelle
falls alle Kapazitaten beschrankt

Zustandsmenge endlich (aber evtl. gro)
vollstandige Analyse des Zustands
ubergangsgraphen (prinzipiell)
moglich
Spezialfall Bedingung/Ereignis-Netze:
I
jede Kante hat Gewicht 1
jede Kapazitat ist 1

335
Beispiel Ampelschaltung
eine Ampel
I
schaltet zwischen rot und gr

un
Fuganger-Uberweg
I
Ampel (Paar) f
ur Fahrzeuge
Ampel (Paar) f
ur Fuganger
nicht beide gleichzeitig gr

un
schaltet streng abwechselnd f

ur Fahrzeuge und Fuganger
gr
un
Fuganger-Uberweg
mit Bedarfsschaltung
(Sensoren f
ur Fuganger und Fahrzeuge)
I
Ampel (Paar) f
ur Fahrzeuge
Ampel (Paar) f
ur Fuganger
nicht beide gleichzeitig gr

un
schaltet bei Bedarf (Fuganger)

336
Modellierung mit Petri-Netzen

I
sequentielle Ausf
uhrung
Auswahl (ein Zweig von mehreren)
nebenlaufige Verzweigung (mehrere Zweige)
Synchronisation
Konflikte (gegenseitiger Ausschluss)
Verbindung von Erzeuger-Verbraucher-Kreislaufen
Anwendungen zur Modellierung z.B. von

I
realen oder abstrakten Automaten und Maschinen,
kommunizierenden Prozessen (z.B. in Rechnern),
Verhalten von Software- oder Hardware-Komponenten,
verteilten Systemen
Geschaftsablaufen in einer Firma,
Spielen (bzw. Spielregeln),
biologischen Prozessen (Bioinformatik).

337
Beispiel Autowerkstatt
(nach Kastens, Kleine B
uning: Modellierung)
Reprasentation der Informationen zur

Auftragsabwicklung in einer Autowerkstatt
Modellierung
I
der (Mengen der) beteiligten Individuen (Objekte, Entities)
derer Eigenschaften
der Beziehungen zwischen Individuen
der Ablaufe bei der Auftragsabwicklung
338
Individuen(-Mengen), Eigenschaften, Beziehungen

Kunde hat Namen, besitzt KFZ, erteilt Auftrage
Auftrag hat Eingangsdatum, betrifft KFZ,
wird von Mechanikern bearbeitet,
benotigt Ersatzteile
Fahrzeug ist PKW (mit einer Farbe)
oder Motorrad (mit / ohne Tuning)
hat Typ, Baujahr und Fahrgestellnummer
KFZ-Typ hat Typ-Namen
Ersatzteil ist geeignet f
ur KFZ-Typ
Mechaniker hat Namen,
ist ausgebildet f
ur KFZ-Typ
bearbeitet Auftrage
339
Auspragungen
Kunde Meier (Kunden-Nr. 12)

bringt am 27.7.2004
seinen blauen Golf (Bj. 2001, Fahrgestell-Nr. 435793) . . .
Kunde Schmidt (Kunden-Nr. 17)

bringt am 28.7.2004
seinen roten Audi (Bj. 2002, Fahrgestell-Nr. 578349) . . .
340
Semantisches Netz
Modellierung in zwei Abstraktionsebenen:
I
obere Ebene (Terminologie):

Begriffe (Klassen, Entity-Mengen)
z.B. Kunde, Auftrag, Fahrzeug, Mechaniker
und deren
Attribute (Eigenschafts-Namen),
z.B. Name, Nummer, Farbe
Rollen (Relations-Namen)
z.B. ist-ein, besitzt, bearbeitet
untere Ebene (Auspragungen):

Individuen (Objekte, Entities, Instanzen)
Werte der Attribute
Beziehungen (Relationen) zwischen Individuen
341

Ubliche
visuelle Darstellungformen
Entity-Relationship-Diagramme (ERD):
Knoten: I entities (Typ-Namen) als Rechteck
I relationships (Relations-Namen)
als Raute
I Attribute als Ellipse
Kanten zwischen
I zwei entities
I entity und Attribut
I entity und relationship
evtl. Kardinalitaten an Kanten
(mehr dazu in LV zu Datenbanken)
Klassendiagramme in Unified Modeling Language (UML):
Knoten (Klassen): Typ-Namen mit Attributen
Kanten (Assoziationen): Relations-Namen
evtl. Kardinalitaten,
verschiedenen Pfeilarten an Kanten
(mehr dazu in LV zu Softwaretechnik)
342
Modellierung von Bedingungen

I
Jeder Auftrag soll (von wenigstens einem Mechaniker)

bearbeitet werden:
a Am M : bearbeitet(m, a)
Jeder Auftrag soll von h

ochstens drei Mechanikern bearbeitet
werden:
a A : |{m M | bearbeitet(m, a)}| 3
Auftrage f
ur Fahrzeuge werden nur dann angenommen, wenn
es in der Werkstatt f
ur deren Typ ausgebildete Mechaniker
gibt:

(betrifft(a, f ) hatTyp(f , t))
a A f F t T :
(m M : kann(m, t))
343
Modellierung von Ablaufen

Bearbeitung eines einzelnen Auftrages
1. Erteilung des Auftrags
2. Bestellung und Entgegennahme der fehlenden Ersatzteile
3. Bereitstellung der vorhandenen Ersatzteile
4. Bearbeitung des Auftrages
5. Auslieferung
Modellierung (Tafel)
sequentiell als Zustands
ubergangssystem
nebenlaufig als Petri-Netz
344
Modellierung von Aufgaben

gegeben: informale Aufgabenstellung
Modellierung: Identifikation und formale Darstellung von
Kontext (allgemein):
I Individuenbereiche
I Eigenschaften von und Zusammenh
ange
zwischen Individuen
Aufgabe (fallspezifisch):
I Eingaben: Bereiche (Typen) und Eigenschaften
I Ausgaben: Bereiche (Typen) und Eigenschaften
I Zusammenhang zwischen Ein- und Ausgaben
erst danach:
Suche nach oder Entwurf von L
osungsverfahren
345
Vorteile der formalen Darstellung

Abstraktion von unwichtigen Details
(Entwicklung und Verwendung von Modellen)
Prazisierung der relevanten Aussagen
(eindeutige Semantik)
Systematisches Losen von formal dargestellten Problemen moglich
(auch maschinell, z.B. durch SAT-Solver)
Struktureigenschaften formaler Beschreibungen
Schlussweisen unabhangig von Bedeutung der
Aussagen
Korrektheitsnachweise (Verifikation) f
ur Software und Systeme auf
der Grundlage formaler Beschreibungen
(Spezifikation) m
oglich (auch maschinell)
346
Modul Modellierung Lernziele

(nach Modulbeschreibung)
I
Anwendung mathematischer und logischer Grundkonzepte zur

Modellierung praktischer Aufgabenstellungen
Beherrschen von Formalismen zur Beschreibung von

Anforderungen an Software und Systeme (Spezifikation)
Wissen um Moglichkeit formaler Korrektheitsnachweise f

ur
Software und Systeme (Verifikation)
Nebenwirkungen:
I
Fahigkeit zur Abstraktion

(durch konsequente Verwendung formaler Darstellungen)
anwendungsbereite Kenntnisse zur Modellbildung
(durch viele Beispiele und Ubungsaufgaben)
Verweise auf Zusammenhange zu anderen Gebieten der

Informatik und zur Mathematik
347
Modul Modellierung Inhalt

Modellierung von Daten und Zusammenhangen durch
I Mengen (Individuen-, Wertebereiche), Multimengen
I Relationen
I Graphen
I Funktionen
I Terme, strukturelle Induktion
I algebraische Strukturen
I Abstrakte und konkrete Datentypen
Modellierung von Eigenschaften durch Logiken
I klassische Aussagenlogik
I klassische Pr
adikatenlogik der ersten Stufe
Modellierung von Ablaufen durch
I Algorithmen
I Zustands
ubergangssysteme (sequentiell)
I Petri-Netze (nebenl
aufig)
348
Prozess beim Losen von Aufgaben (Problemen)

I Eingabedaten (Typ, m
ogliche Werte)
I gew
unschte L
osung
Modellierung (Spezifikation, formale Darstellung) von
osungen
Modellierung von (Anforderungen an)
Daten, Zusammenhangen und deren Eigenschaften
Entwurf einer L
osungsstrategie f
Realisierung der L
Ausf
uhrung der L
Ubertragung der L
349
Mengen
I
extensionale, intensionale Darstellung
(endliche und unendliche) Machtigkeit |M|
Russells Paradox
Leere Menge
Mengenoperationen: , , \,
, n , Tupel, Vektoren
Mengenbeziehungen: ,
zusammengesetzte Wertebereiche
B A = {f : A B},
Potenzmenge 2A , charakteristische Funktion A
Multimengen
350
Worter und Sprachen

I
Alphabet A
A , Worter (Folgen),
intensionale, extensionale Darstellung
Lange |w |, Anzahl von Buchstabenvorkommen |w |a
Operationen ,
Prafix-, Postfix-, Infix-Beziehungen
(quasi-)lexikographische Ordnung
auf W
ortern
Sprachen
I
Sprachen als Mengen
Operationen , ,
regulare Ausdr
ucke
regulare Sprachen
auf Sprachen
351
Relationen
I
Eigenschaften
Darstellung als Funktion
H
ullen (reflexiv, transitiv, . . . )
Verkettung
Inverse
Projektionen
Einschrankung
Quasiordnungen
I
I
Halbordnungen, Hasse-Diagramm
Zerlegungen in Aquivalenzklassen
352
Graphen
I
Reprasentationen
Eigenschaften
spezielle Graphenklassen
Isomorphie
(induzierte) Teilgraphen
Graph-Operationen
Wege, Pfade, Kreise in Graphen
Nachbarschaften, Zusammenhang,
Zusammenhangskomponenten
Euler-Weg und -Kreis,
Hamilton-Pfad und -Kreis
Farbungen (Knoten, Kanten)
Baume, Walder als spezielle Graphen

353
Funktionen
als spezielle Relationen
totale / partielle Funktionen
Eigenschaften
Definitions- und Wertebereich
Bild
Urbild
Inverse
Verkettung
Folgen, Mengen, Multimengen als Funktionen
Darstellung von Relationen als Funktionen
354
Terme
Sorten
Signaturen
Terme, Grundterme
Baumdarstellung
Teilterm-Relation
355
(Algebraische) Strukturen
-Struktur
Tragermengen (Individuenbereich)
Interpretation der Signatur-Symbole
I
I
Werte von Termen und Formeln in Strukturen
Aquivalenz
von Termen und Formeln in Strukturen
mehrsortige Strukturen
konkrete Datentypen
356
Klassische Aussagenlogik
I
Junktoren
Wahrheitswertfunktionen
aussagenlogische Formeln (Baumstruktur)
Teilformeln
Belegungen von Aussagenvariablen
Wahrheitswerttabellen
Modelle, Modellmenge von Formeln und Formelmengen
I
I
erf
ullbar, unerf
ullbar, allgemeing
ultig
semantische Aquivalenz, Umformungen
semantische Folgerungen
SAT-Solver
beschrankte Ausdrucksstarke
357
Klassische Pradikatenlogik
I
Quantoren
freie, gebundene Variablen
Atome
Formeln (Baumstruktur, Schichten)
Belegungen von Individuenvariablen
Interpretationen
Modelle, Modellmenge von Formeln und Formelmengen
erf
ullbar, unerf
ullbar, allgemeing
ultig
I
I
Charakterisierung von Strukturen durch Formelmengen
semantische Aquivalenz,
Umformungen
semantische Folgerungen
Aussagenlogik als Spezialfall

358
Abstrakte Datentypen (ADT)
Sorten
Signatur
Axiome
ADT Menge
ADT Stack
passende konkrete Datentypen
ADT (Softwaer-Schnittstellen)
als Reprasentation von Mengen konkreter Datentypen
(Implementierungen)
Umformungen mit Axiomen
359
Algorithmen
Grundbausteine
Verkn
upfungen (Ablauf-Strukturen)
Anforderungen, formale Spezifikation

(Vor- und Nachbedingungen)
Darstellungsformen
Ausf
uhrung durch Aktoren
Nebenwirkungen
360
Zustandsubergangssysteme
Zustande
Zustands
ubergangs-Relation
Darstellung als Graph
formale Beschreibung von Zustanden und Uberg

angen
Automaten mit Zusatzspeicher
Ausf
uhrung imperativer Programme als
Zustands
ubergangssystem
Petrinetze
361
Organisatorisches
vorgesehener Zeitaufwand laut Modulbeschreibung:
Prasenzstudium: 90 h als 4+2 SWS = 6 h jede Woche
Selbststudium: 120 h, verteilt z.B.
90 h (= 6h jede Woche) Ubungsaufgaben,

Nach- und
Vorbereitung
30 h Pr
ufungsvorbereitung
Bedingungen f
ur Pr
ufungszulassung:
Opal: b79 70%c = 55 Punkte und
Vorrechnen: 3 Punkte und
Autotool: b28/2c = 14 Punkte
362
Prufung
Wann? am 23. 3. 2016 um 9:00 - 11:00 Uhr
Wo? im Gutenberg-Bau:
Horsale G327, G329, G119, G121, G126
Treffpunkt oder Wegweiser zur Raumverteilung
(Plane):
Foyer Gutenberg-Bau (ab 8:30 Uhr)
Wie? Klausur 120 min
(einzige) zugelassene Hilfsmittel:
ein A4-Blatt handbeschrieben
Was? Inhalt der LV
Aufgabentypen aus Ubungsserien

bekannt
Viel Erfolg!
363

Mod15 All

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Mod15 All

Uploaded by

Copyright:

Available Formats

Modellierung

Prof. Dr. Sibylle Schwarz

Sprachen zur Formulierung von Information und

maschinelle Darstellung von Information

praktisch Entwurf und Implementierung von Algorithmen

Syntax und Semantik

eindeutige Zuordnung einer Bedeutung zu den Elementen des

In welchen Spielzustanden sind keine Z

Welche Zustande sind aus dem Startzustand erreichbar?

Kann der Spieler, der den ersten Zug macht, gewinnen?

Gewinnt immer der Spieler, der den ersten Zug macht?

(Wie) Hangt das von der Anzahl der M

Modellierung des Munzenspiels: Zustande

Zustand (Konfiguration): Momentaufnahme des Spielfeldes

Folge von Stapeln von M

endliche Folge nat

Abstraktion von Art und Anzahl der Objekte

Modellierung des Munzenspiels: Ablauf

Modellierung aller moglichen Uberg

formale Darstellung der Spielregeln

formale (graphische) Darstellung aller m

Modellierung des Verlaufes eines Spieles z.B. als

Prozess beim Losen von Aufgaben (Problemen)

2. 2 ist eine rationale oder eine irrationale Zahl.

Aus (P oder Q) und (nicht P) lasst sich Q schlieen.

Vorteile der formalen Darstellung

Abstraktion von unwichtigen Details

Aus der Modulbeschreibung

Inhalt der Lehrveranstaltung Modellierung

Lernziele (und Nebenwirkungen)

Fahigkeit zur Abstraktion

Verstandnis der grundlegenden Modellierungs-Formalismen der

anwendungsbereite Kenntnisse zur Modellbildung

Zusammenhange zu anderen Gebieten der Informatik und zur

Uwe Kastens, Hans Kleine B

Michael Huth, Mark Ryan: Logic in Computer Schience,

Organisation der Lehrveranstaltung

Vorlesung jeden Mittwoch und Freitag

I Besprechung der Ubungsserien

(enthalten auch zum L

(Aufgaben vom Typ der) Ubungsaufgaben gehoren

enthalten Erklarungen, zusatzliche Ubungsaufgaben

gestellt jeweils am Mittwoch

Bewertung bis zum folgenden Sonntag

I Besprechung in der darauffolgenden Ubung

Nicht im Opal-Kurs eingesendete L

Lernziele bei der Bearbeitung der Ubungsaufgaben:

Nachbereitung der letzten Vorlesung anhand

Vorbereitung der nachsten Vorlesung

Vorbereitung der Seminarvortrage zu jeder Aufgabe

Fragen zum aktuellen Vorlesungsstoff und zu den neuen

schriftlichen und praktischen Ubungsaufgaben

mindestens drei Vortrage in den Ubungen

50% aller Punkte f

Aufgabentypen aus den Ubungsserien

Die Strae ist na.

9 ist eine Primzahl.

x < 5 (hangt von x ab, keine Aussage)

Ist x < 5? (keine Aussage)

Sei x < 5. (keine Aussage)

Morgen regnet es.

Es ist nicht alles Gold, was glanzt.

W(Die Strae ist na.) = ?