Ασκήσεις μελέτης της 8 ης διάλεξης

Σχετικά έγγραφα
Τεχνητή Νοημοσύνη. 8η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

Ασκήσεις μελέτης της 11 ης διάλεξης

Ασκήσεις μελέτης της 4 ης διάλεξης. ), για οποιοδήποτε μονοπάτι n 1

Επανάληψη. ΗΥ-180 Spring 2019

ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ

Υποδ: Χρησιμοποιήστε τον ορισμό της λογικής συνεπαγωγής (λογικής κάλυψης).

ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ. Ενότητα 9: Προτασιακή λογική. Ρεφανίδης Ιωάννης Τμήμα Εφαρμοσμένης Πληροφορικής

HY 180 Λογική Διδάσκων: Δ. Πλεξουσάκης Φροντιστήριο 5

Λογικοί πράκτορες. Πράκτορες βασισµένοι στη γνώση

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Λογική. Δημήτρης Πλεξουσάκης

Κανονικές μορφές - Ορισμοί

Τεχνητή Νοημοσύνη. 7η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

Προτασιακός Λογισμός (HR Κεφάλαιο 1)

Λύσεις Σειράς Ασκήσεων 1

4. Ο,τιδήποτε δεν ορίζεται με βάση τα (1) (3) δεν είναι προτασιακός τύπος.

Τεχνητή Νοημοσύνη. 4η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

HY Λογική Διδάσκων: Δ. Πλεξουσάκης Εαρινό Εξάμηνο. Φροντιστήριο 6

Προτασιακή Λογική. Τμήμα Μηχανικών Πληροφορικής ΤΕ ΤΕΙ Ηπείρου Γκόγκος Χρήστος

Στοιχεία Προτασιακής Λογικής

Αναπαράσταση Γνώσης και Συλλογιστικές

Ασκήσεις μελέτης της 6 ης διάλεξης

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ

ΑΣΚΗΣΕΙΣ. 1. Εξετάστε αν οι παρακάτω εξαγωγές συμπερασμάτων στον προτασιακό λογισμό είναι έγκυρες.

4.3 Ορθότητα και Πληρότητα

Ασκήσεις μελέτης της 16 ης διάλεξης

Λογική Δημήτρης Πλεξουσάκης Φροντιστήριο 5: Προτασιακός Λογισμός: Κατασκευή Μοντέλων Τμήμα Επιστήμης Υπολογιστών

Λογική. Προτασιακή Λογική. Λογική Πρώτης Τάξης

Προτασιακός Λογισμός (HR Κεφάλαιο 1)

Λογική Δημήτρης Πλεξουσάκης Φροντιστήριο 6: Προτασιακός Λογισμός: Μέθοδος Επίλυσης Τμήμα Επιστήμης Υπολογιστών

Τεχνητή Νοημοσύνη. 9η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

Ασκήσεις μελέτης της 19 ης διάλεξης

Τεχνητή Νοημοσύνη Ι. Ενότητα 7:Προτασιακή Λογική. Πέππας Παύλος Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών

ΠΑΙΓΝΙΑ Παιχνίδια Γενική Θεώρηση μεγιστοποιήσει την πιθανότητά

Στοιχεία Προτασιακής Λογικής

Επίπεδα Γραφήματα : Προβλήματα και Υπολογιστική Πολυπλοκότητα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ

ΤΕΙ ΠΕΛΟΠΟΝΝΗΣΟΥ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ Τ.Ε.

Μη γράφετε στο πίσω μέρος της σελίδας

Συνέπεια, Εγκυρότητα, Συνεπαγωγή, Ισοδυναμία, Κανονικές μορφές, Αλγόριθμοι μετατροπής σε CNF-DNF

Αλγόριθµοι και Πολυπλοκότητα

Διακριτά Μαθηματικά Ι

Σημειώσεις Λογικής I. Εαρινό Εξάμηνο Καθηγητής: Λ. Κυρούσης

Υπολογισμός στο Λογικό Προγραμματισμό. Πώς υπολογίζεται η έξοδος ενός Λογικού Προγράμματος;

p p p q p q p q p q

ΑΣΚΗΣΗ 1 Για τις ερωτήσεις 1-4 θεωρήσατε τον ακόλουθο γράφο. Ποιές από τις παρακάτω προτάσεις αληθεύουν και ποιές όχι;

Σειρά Προβλημάτων 1 Λύσεις

Σειρά Προβλημάτων 5 Λύσεις

Τεχνητή Νοημοσύνη. 2η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

Κατηγορηματικός Λογισμός (ΗR Κεφάλαιο )

Τεχνητή Νοημοσύνη. 11η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΛΟΓΙΚΗΣ

Μαθηματική Λογική και Λογικός Προγραμματισμός

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ

Πρόταση. Αληθείς Προτάσεις

Β Ομάδα Ασκήσεων "Λογικού Προγραμματισμού" Ακαδημαϊκού Έτους

Αναπαράσταση Γνώσης και Συλλογιστικές

Περιεχόμενα 1 Πρωτοβάθμια Λογική Χρήστος Νομικός ( Τμήμα Μηχανικών Η/Υ Διακριτά και Πληροφορικής Μαθηματικά Πανεπιστήμιο ΙΙ Ιωαννίνων ) / 60

1 Συνοπτική ϑεωρία. 1.1 Νόµοι του Προτασιακού Λογισµού. p p p. p p. ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών

Σειρά Προβλημάτων 5 Λύσεις

Υπολογιστική Λογική και Λογικός Προγραμματισμός

Τεχνητή Νοημοσύνη. 16η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

Μαθηματική Λογική και Λογικός Προγραμματισμός

Ασκήσεις ανακεφαλαίωσης στο μάθημα Τεχνητή Νοημοσύνη

HY Λογική Διδάσκων: Δ. Πλεξουσάκης

ΗΥ180: Λογική Διδάσκων: Δημήτρης Πλεξουσάκης. Φροντιστήριο 8 Επίλυση για Horn Clauses Λογικός Προγραμματισμός Τετάρτη 9 Μαΐου 2012

Υπολογιστικά & Διακριτά Μαθηματικά

Λογική. Δημήτρης Πλεξουσάκης. Ασκήσεις 2ου Φροντιστηρίου: Προτασιακός Λογισμός: Κανονικές Μορφές, Απλός Αλγόριθμος Μετατροπής σε CNF/DNF, Άρνηση

Πανεπιστήμιο Δυτικής Μακεδονίας. Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών. Διακριτά Μαθηματικά. Ενότητα 6: Προτασιακός Λογισμός

ΜΑΘΗΜΑΤΙΚΗ ΛΟΓΙΚΗ ΚΑΙ ΛΟΓΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ

Διακριτά Μαθηματικά ΙΙ Χρήστος Νομικός Τμήμα Μηχανικών Η/Υ και Πληροφορικής Πανεπιστήμιο Ιωαννίνων 2018 Χρήστος Νομικός ( Τμήμα Μηχανικών Η/Υ Διακριτά

Μαθηματική Λογική και Απόδειξη

Πληρότητα της μεθόδου επίλυσης

Μη γράφετε στο πίσω μέρος της σελίδας

Λύσεις Σειράς Ασκήσεων 4

Σειρά Προβλημάτων 5 Λύσεις

Λογικός Προγραμματισμός

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ

Θεωρία Υπολογισμού και Πολυπλοκότητα Κανονικές Γλώσσες (2)

ΜΑΘΗΜΑΤΙΚΗ ΛΟΓΙΚΗ ΚΑΙ ΛΟΓΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ

Σειρά Προβλημάτων 1 Λύσεις

Για παράδειγμα η αρχική και η τελική κατάσταση αναπαριστώνται ως εξής: (ένα λίτρο)

12. ΑΝΙΣΩΣΕΙΣ Α ΒΑΘΜΟΥ. είναι δύο παραστάσεις μιας μεταβλητής x πού παίρνει τιμές στο

Τεχνητή Νοημοσύνη ( )

HY118- ιακριτά Μαθηµατικά

, για κάθε n N. και P είναι αριθμήσιμα.

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ

Τεχνητή Νοημοσύνη. 6η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

Τεχνητή Νοημοσύνη. 21η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

Τεχνητή Νοημοσύνη. 17η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

K15 Ψηφιακή Λογική Σχεδίαση 3: Προτασιακή Λογική / Θεωρία Συνόλων

Λογική. Φροντιστήριο 3: Συνεπαγωγή/Ισοδυναμία, Ταυτολογίες/Αντινομίες, Πλήρης Αλγόριθμος Μετατροπής σε CNF

Σειρά Προβλημάτων 1 Λύσεις

2 ΟΥ και 8 ΟΥ ΚΕΦΑΛΑΙΟΥ

HY118-Διακριτά Μαθηματικά. Προτασιακός Λογισμός. Προηγούμενη φορά. Βάσεις της Μαθηματικής Λογικής. 02 Προτασιακός Λογισμός

Επίλυση Προβλημάτων 1

Βασικές Ισοδυναμίες με Άρνηση /Πίνακες Αληθείας /Λογική Συνεπαγωγή /Ταυτολογίες /Αντινομίες Πλήρης αλγόριθμος μετατροπής CNF

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ

HY118-Διακριτά Μαθηματικά

Βασικές Ισοδυναμίες με Άρνηση, Πίνακες Αληθείας, Λογική Συνεπαγωγή, Ταυτολογίες, Αντινομίες, Πλήρης Αλγόριθμος Μετατροπής CNF

Ευχαριστίες. Τέλος θα ήθελα να ευχαριστήσω όλους όσους ήταν δίπλα μου όλα αυτά τα χρόνια και με βοήθησαν να πραγματοποιήσω τους στόχους μου.

Transcript:

Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Πληροφορικής Μάθημα: Τεχνητή Νοημοσύνη, 2017 18 Διδάσκων: Ι. Ανδρουτσόπουλος Ασκήσεις μελέτης της 8 ης διάλεξης 8.1. (i) Έστω ότι α και β είναι δύο τύποι της προτασιακής λογικής. Αποδείξτε ότι α β αν και μόνο αν ο τύπος (α β) είναι έγκυρος. (ii) Αποδείξτε την ορθότητα του κανόνα Modus Ponens. (iii) Αποδείξτε την ορθότητα του κανόνα Modus Tollens. (iv) Ο κανόνας της ανάλυσης είναι ορθός για k = 1 (βλ. σχετική διαφάνεια); Για n = 1; Για k = n = 1; i) Ο πίνακας αληθείας για τον τύπο (α => β) είναι ο παρακάτω: α β (α=>β) 1. Τ T T 2. Τ F F 3. F T T 4. F F T Έστω ότι ο τύπος (α=>β) είναι έγκυρος, δηλαδή ότι είναι αληθής σε κάθε μοντέλο. Τότε σε κάθε μοντέλο, οι τύποι α και β θα έχουν έναν από τους συνδυασμούς λογικών τιμών των γραμμών (1), (3) ή (4) του πίνακα, γιατί ο συνδυασμός της γραμμής (2) κάνει τον τύπο (α=>β) ψευδή, κάτι που σύμφωνα με την υπόθεσή μας είναι αδύνατον. Περιοριζόμενοι στους συνδυασμούς τιμών των γραμμών (1), (3) και (4), παρατηρούμε ότι όποτε (σε όποιο μοντέλο) αληθεύει ο α, αληθεύει και ο β. Οπότε α = β. Αντίστροφα, έστω ότι α = β. Τότε, σε κάθε μοντέλο όπου αληθεύει ο α, αληθεύει και ο β. Επομένως, δεν υπάρχει μοντέλο στο οποίο οι τύποι α και β έχουν τις λογικές τιμές της περίπτωσης (2) του πίνακα αληθείας. Άρα για κάθε μοντέλο, βρισκόμαστε σε μία από τις περιπτώσεις (1), (3) ή (4), όπου ο τύπος (α=>β) είναι αληθής. Άρα ο α=>β είναι αληθής σε κάθε μοντέλο και επομένως είναι έγκυρος. ii) Για να δείξουμε ότι ο κανόνας Modus Ponens είναι ορθός, θα αποδείξουμε ότι ((α=>β) α) = β. Ο πίνακας αληθείας που προκύπτει είναι ο παρακάτω: α β (α=>β) ((α=>β) α) 1. Τ T T T 2. Τ F F F 3. F T T F 4. F F T F Παρατηρούμε πως όταν η πρόταση ((α=>β) α) είναι αληθής, τότε είναι και η πρόταση β αληθής. Άρα ((α=>β) α) = β. Συνεπώς, ο κανόνας Modus Ponens είναι ορθός.

iii) Για να αποδείξουμε την ορθότητα του κανόνα Modus Tollens θα δείξουμε ότι αν αληθεύουν τα (α=>β) και β, τότε αληθεύει και το α. Ισοδύναμα, θα δείξουμε ότι αν αληθεύει το ((α=>β) β), τότε αληθεύει και το α. α β (α=>β) β ((α=>β) β) α 1. Τ T T F F F 2. Τ F F T F F 3. F T T F F T 4. F F T T T T Παρατηρούμε πως όταν η πρόταση ((α=>β) β) αληθεύει, τότε αληθεύει και η α. Άρα ((α=>β) β) = α. Άρα ο κανόνας Modus Tollens είναι ορθός. iv) Ο κανόνας της ανάλυσης για κ = 1 και υποθέτοντας ότι l 1 είναι η άρνηση του m j (ή αντίστροφα) καταλήγει ως εξής: (l 1) (m 1... m n) (m 1 m j-1 m j+1 m n) Έστω λοιπόν ότι αληθεύουν τα l 1 και (m 1... m n). Τότε το m j είναι ψευδές. Όμως, αφού είναι αληθές το (m 1... m n), κάποιο άλλο από τα m είναι αληθές. Επομένως, αληθεύει και το (m 1 m j-1 m j+1 m n), οπότε ο κανόνας της ανάλυσης είναι ορθός. Ο κανόνας της ανάλυσης για n = 1 και υποθέτοντας ότι l i είναι η άρνηση του m 1 (ή αντίστροφα) καταλήγει ως εξής: (l 1... l k) (m 1) (l 1 l i-1 l i+1 l k) Έστω ότι αληθεύουν τα (l 1... l k) και m 1. Τότε το l i θα είναι ψευδές. Οπότε, αφού αληθεύει το (l 1... l k), κάποιο άλλο από τα l είναι αληθές. Επομένως, αληθεύει και το (l 1 l i-1 l i+1 l k), οπότε ο κανόνας της ανάλυσης είναι ορθός. Για n = k = 1, ο κανόνας της ανάλυσης γίνεται l 1 m 1, όπου το l 1 είναι η άρνηση του m 1. Για να είναι ορθός ο κανόνας σε αυτήν την περίπτωση, θα πρέπει όποτε είναι αληθή τα l 1 και m 1, να είναι ορθό και το αποτέλεσμα του κανόνα (η κενή διάζευξη). Αλλά τα l 1 και m 1 δεν είναι ποτέ αληθή μαζί, αφού το ένα είναι η άρνηση του άλλου. Άρα, ο κανόνας είναι ορθός και σε αυτήν την περίπτωση. 8.2. (α) Μετατρέψτε την ακόλουθη βάση γνώσης (ΒΓ) σε κανονική συζευκτική μορφή (CNF), δείχνοντας αναλυτικά τα βήματα της μετατροπής: B 1,1 Είναι ήδη σε μορφή CNF. (B 1,1 (P 1,2 Μετατρέπεται ως εξής: ((B 1,1 (P 1,2 ((P 1,2

(( B 1,1 ) ( (P 1,2 (( B 1,1 ) (( P 1,2 P 2,1 (( B 1,1 ) ( P 1,2 B 1,1 ) ( P 2,1 B 1,1 (β) Χρησιμοποιώντας τον κανόνα της ανάλυσης (resolution), αποδείξτε με απαγωγή σε άτοπο ότι ΒΓ ( P 1,2 P 2,1), όπου ΒΓ η βάση γνώσης του σκέλους (α) σε CNF. Σχεδιάστε το δέντρο της απόδειξης. Εισάγουμε την άρνηση του ( P 1,2 P 2,1), δηλαδή το (P 1,2 P 2,1), που είναι σε CNF, στη ΒΓ και δείχνουμε ότι καταλήγουμε σε άτοπο. 8.3. Εξηγήστε πώς θα μπορούσε ο έλεγχος ικανοποιησιμότητας ενός τύπου προτασιακής λογικής που βρίσκεται σε κανονική συζευκτική μορφή (CNF) να γίνει με αναζήτηση Α*. Τι θα παρίστανε κάθε κατάσταση και πώς ακριβώς; Ποια θα ήταν η αρχική κατάσταση; Θα παρίστανε μια ανάθεση τιμών στα σύμβολα (ατομικές προτάσεις, εκτός από τις ειδικές True, False) του τύπου. Κάθε κατάσταση θα συμβολιζόταν με ένα διάνυσμα με τόσες συνιστώσες όσες και τα διαφορετικά σύμβολα του τύπου. Η τιμή κάθε συνιστώσας θα ήταν T (αληθές) ή F (ψευδές). Η αρχική κατάσταση θα αντιστοιχούσε σε τυχαία ανάθεση τιμών στα σύμβολα του τύπου. Πώς θα προέκυπταν τα παιδιά κάθε κατάστασης; Τα παιδιά θα μπορούσαν να παριστάνουν π.χ. όλες τις νέες αναθέσεις τιμών που προκύπτουν μεταβάλλοντας σε κάθε μία νέα ανάθεση την τιμή ενός μόνο συμβόλου, σε σχέση με τις τιμές της τρέχουσας κατάστασης. Έτσι κάθε κατάσταση θα είχε πάντα τόσα παιδιά όσα και τα διαφορετικά σύμβολα του τύπου. Επομένως και ο μέγιστος παράγοντας διακλάδωσης θα ήταν πεπερασμένος. Ποια θα μπορούσε να ήταν η ευρετική συνάρτηση; Θα ήταν «αποδεκτή»; Ναι ή όχι και γιατί; Θεωρήστε ότι το κόστος κάθε μετάβασης είναι 1 και ότι το κόστος ενός μονοπατιού ισούται με τον αριθμό μεταβάσεών του. Η ευρετική θα μπορούσε να ήταν ο αριθμός των διαζεύξεων του CNF τύπου που δεν αληθεύουν με την ανάθεση τιμών της αξιολογούμενης κατάστασης. Η ευρετική αυτή δεν είναι αποδεκτή. Μπορεί π.χ. με την ανάθεση τιμών μιας αξιολογούμενης κατάστασης να υπάρχουν δύο διαζεύξεις που δεν αληθεύουν και αλλάζοντας τιμή σε ένα μόνο σύμβολο (κάνοντας μόνο μία μετάβαση) να αληθεύουν πλέον όλες οι διαζεύξεις, δηλαδή να έχουμε φτάσει σε τελική

κατάσταση. Επομένως, η τιμή (2) που είχε επιστρέψει η ευρετική στην προηγούμενη κατάσταση ήταν υπερ-εκτίμηση (όχι υπο-εκτίμηση όπως θα έπρεπε) της απόστασης (του αριθμού μεταβάσεων) ως την πλησιέστερη τελική κατάσταση. Αν η ευρετική που προτείνατε είναι αποδεκτή, τι μας εξασφαλίζει αυτό; Αν δεν είναι, έχει αυτό κάποια σημαντική επίπτωση στον έλεγχο ικανοποιησιμότητας; Αν η ευρετική ήταν αποδεκτή, θα ήμασταν σίγουροι ότι ο Α* θα έβρισκε πάντα το βέλτιστο μονοπάτι. Η ευρετική που χρησιμοποιούμε, όμως, δεν είναι αποδεκτή και έτσι δεν έχουμε εγγύηση ότι ο Α* θα βρίσκει πάντα το βέλτιστο μονοπάτι. Στον έλεγχο ικανοποιησιμότητας, όμως, αυτό δεν είναι σημαντικό, γιατί δεν μας ενδιαφέρει να βρίσκει το βέλτιστο μονοπάτι μας ενδιαφέρει μόνο αν υπάρχει ή όχι τελική κατάσταση, δηλαδή ανάθεση τιμών που ικανοποιεί τον τύπο. Είναι σίγουρο πως αν ο τύπος είναι ικανοποιήσιμος, ο έλεγχος ικανοποιησιμότητας θα τερματίσει και θα αποκριθεί θετικά; Ναι ή όχι και γιατί; Ναι, γιατί ο μέγιστος παράγοντας διακλάδωσης είναι πεπερασμένος (βλ. παραπάνω) και το κόστος κάθε μετάβασης είναι 1. Στην περίπτωση αυτή, γνωρίζουμε ότι ο Α* είναι πλήρης. Επομένως, αν ο τύπος είναι ικανοποιήσιμος, δηλαδή αν υπάρχει τελική κατάσταση (ανάθεση τιμών με την οποία αληθεύει ο τύπος), ο Α* θα την βρει (σε πεπερασμένο χρόνο) και επομένως ο έλεγχος θα τερματίσει με θετική απόκριση. 8.4. α) Κάθε τύπος προτασιακής λογικής μπορεί να μετατραπεί σε κανονική συζευκτική μορφή: _Χ_συμφωνώ και μάλιστα ο νέος τύπος είναι ταυτολογικά ισοδύναμος με τον αρχικό συμφωνώ, αλλά ο νέος τύπος δεν είναι σίγουρα ταυτολογικά ισοδύναμος με τον αρχικό διαφωνώ. β) Αν διαθέτουμε αλγόριθμο που αποκρίνεται πάντα αν ένας τύπος προτασιακής λογικής είναι ή δεν είναι ικανοποιήσιμος, μπορούμε να τον χρησιμοποιήσουμε για να απαντήσουμε (i) αν ένας τύπος β έπεται ταυτολογικά από έναν άλλο τύπο α (α β), καθώς και (ii) για να απαντήσουμε αν ο τύπος β δεν έπεται ταυτολογικά από τον α (α β): _X_συμφωνώ και με τα δύο (i και ii) συμφωνώ μόνο με το ένα (i ή ii, αλλά όχι και τα δύο) διαφωνώ και με τα δύο (τα i και ii είναι και τα δύο λάθος). Ξέρουμε ότι α β ανν (α β) μη ικανοποιήσιμος άρα και α β ανν (α β) ικανοποιήσιμος. Επομένως, μπορούμε να ελέγξουμε με τον αλγόριθμο που διαθέτουμε αν ο (α β) είναι ικανοποιήσιμος ή όχι aν είναι ικανοποιήσιμος, τότε απαντάμε αρνητικά στο (i) και καταφατικά στο (ii) αν δεν είναι ικανοποιήσιμος, απαντάμε καταφατικά στο (i) και αρνητικά στο (ii). γ) Εξηγήστε πώς θα μπορούσε να γίνει ο έλεγχος ικανοποιησιμότητας ενός τύπου προτασιακής λογικής που βρίσκεται σε κανονική συζευκτική μορφή χρησιμοποιώντας αναρρίχηση λόφου. γ1) Τι θα παρίστανε κάθε κατάσταση και πώς ακριβώς; Θα παρίστανε μια ανάθεση τιμών στα σύμβολα (ατομικές προτάσεις, εκτός από τις ειδικές True, False) του τύπου. Κάθε κατάσταση θα ήταν ένα διάνυσμα με τόσες συνιστώσες όσες και τα διαφορετικά σύμβολα του τύπου. Η τιμή κάθε συνιστώσας θα ήταν true ή false. γ2) Ποια θα ήταν η αρχική κατάσταση;

Μια τυχαία ανάθεση τιμών στα σύμβολα του τύπου. γ3) Πώς θα προέκυπταν τα παιδιά κάθε κατάστασης; Τα παιδιά θα μπορούσαν να παριστάνουν π.χ. όλες τις νέες αναθέσεις τιμών που προκύπτουν μεταβάλλοντας σε κάθε μία νέα ανάθεση την τιμή ενός μόνο συμβόλου, σε σχέση με τις τιμές της τρέχουσας κατάστασης. Έτσι κάθε κατάσταση θα είχε πάντα τόσα παιδιά όσα και τα διαφορετικά σύμβολα του τύπου. γ4) Ποια θα ήταν η συνάρτηση αξιολόγησης των παιδιών; Ο αριθμός των διαζεύξεων του CNF τύπου που αληθεύουν με την ανάθεση τιμών του αξιολογούμενου παιδιού. γ5) Αν η αναζήτηση αναρρίχησης λόφου τελειώσει χωρίς να βρεθεί μοντέλο που ικανοποιεί τον τύπο, είναι σίγουρο ότι ο τύπος είναι μη ικανοποιήσιμος; Γιατί; Όχι, γιατί μπορεί στην πραγματικότητα να υπάρχει ανάθεση τιμών (μοντέλο) που ικανοποιεί τον τύπο, αλλά η αναρρίχηση λόφου να μην το βρήκε επειδή παγιδεύτηκε σε τοπικό μέγιστο.