【计算理论】图灵机 ( 接受状态作用 | 格局 | 图灵机语言 | 图灵机设计复杂性 )

简介: 【计算理论】图灵机 ( 接受状态作用 | 格局 | 图灵机语言 | 图灵机设计复杂性 )

文章目录

一、接受状态作用

二、格局

三、图灵机语言

四、图灵机设计复杂性





一、接受状态作用


自动机 / 图灵机 与 现实计算 的区别是 现实计算中 没有 接受状态 概念 ,


自动机 / 图灵机 的目的是 将计算转为一个集合 , 从数学角度研究计算 ;



设置了 接受状态 概念 , 可以将字符串分为 接受字符串 , 非接受字符串 , 两部分 ;


接受字符串可以组成一个集合 , 集合组成的语言 , 刚好对应 计算模型 ;


此时就可以 将计算转为集合 , 方便进行数学证明 ;



图灵机 一旦达到 接受状态 , 自动停机 ;


自动机 即使达到了接受状态 , 也要将所有输入字符读取完毕 , 然后才停机 ;






二、格局


格局 Configuration , 格局是给图灵机照一个 快照 , 下图就是图灵机在计算过程中 , 某一个时刻的快照 ;

image.png



将图灵机计算过程 , 每个步骤都照一份快照 , 通过轨迹将这些快照联系到一起 , 就可以得到一个数据结构 ,


上述格局可以记作 00 q 1 B \rm 00q1B00q1B , 该写法表示 与 某个格局 ( 快照 ) 一一对应 ;


在 图灵机中 , 读头指向 1 11 , 就将状态写在 1 11 的左边 ;






三、图灵机语言


给定一个字符串 , 将字符串写在带子上 , 让图灵机从开始状态 , 开始位置进行计算 ,


如果在计算过程中的 某个时刻 , 图灵机进入接受状态 , 那么称 该图灵机是接受这个字符串的 ;



将图灵机 M \rm MM 所 接受的所有字符串 w \rm ww 都放在一起 , 组成一个 集合 L \rm LL , 则该集合就是 图灵机 M MM 的语言 ;


使用符号化表示为 : L ( M ) = {   w   ∣   M 接 受 w 字 符 串   } \rm L(M) = \{ \ w \ | \ M 接受 w 字符串 \ \}L(M)={ w ∣ M接受w字符串 }






四、图灵机设计复杂性


图灵机设计是一个很复杂的工程 , 与设计电路等同 , 需要注意很多微妙的地方 ;


图灵给算法提供了一个严格的数学定义 , 如果要给一个算法提供一个严格的数学证明 , 必须将该算法写出来 , 即写出该算法对应的图灵机 , 设计一个简单算法对应的图灵机很复杂 ;


这里希望严格证明算法 , 但尽量避免设计图灵机 ;



设计一个图灵机 M 2 \rm M2M2 , 认识一种特定语言 , 该语言由 0 00 组成 , 字符串的长度是 2 n \rm 2^n2

n

 个 , n = 0 , 1 , 2 , ⋯ \rm n = 0, 1, 2, \cdotsn=0,1,2,⋯ ;

image.png



设计一个图灵机 , 认识一种特定语言 , B = { w # w ∣ w 是 0 和 1 组 成 的 字 符 串 } \rm B= \{ w \# w | w 是 0 和 1 组成的字符串\}B={w#w∣w是0和1组成的字符串} ;


设计一个图灵机 , 作乘法运算 , 语言为 C = { a i b j c k : i × j = k } \rm C= \{ a^i b^j c^k : i \times j = k \}C={a

i

b

j

c

k

:i×j=k} ;


目录
相关文章
|
人工智能 缓存 并行计算
技术改变AI发展:Ada Lovelace架构解读及RTX 4090性能测试分析(系列三)
简介:随着人工智能(AI)的迅速发展,越来越多的应用需要巨大的GPU计算资源。Ada lovelace(后面简称Ada)是NVIDIA最新的图形处理器架构,随2022年9月20日发布的RTX 4090一起公布。
145355 62
技术改变AI发展:Ada Lovelace架构解读及RTX 4090性能测试分析(系列三)
|
小程序 开发者
微信小程序报错[ app.json 文件内容错误] app.json: app.json 未找到,一招解决
微信小程序报错[ app.json 文件内容错误] app.json: app.json 未找到,一招解决
5673 0
微信小程序报错[ app.json 文件内容错误] app.json: app.json 未找到,一招解决
|
9月前
|
机器学习/深度学习 人工智能 自然语言处理
阶跃星辰开源! Step 3 :最新一代基础大模型 ,多模推理,极致效率
阶跃星辰开源新一代大模型 Step 3,采用 MoE 架构,参数量达 321B,激活参数 32B,平衡推理效率与资源利用,具备强大多模态能力,支持复杂推理与视觉分析,已在多个评测集取得领先成绩。
1286 10
|
存储 资源调度 Java
计算机基础(1)——计算机体系结构和组成
计算机(computer)俗称电脑,是现代一种用于高速计算的电子计算机器,可以进行数值计算,又可以进行逻辑计算,还具有存储记忆功能。是能够按照程序运行,自动、高速处理海量数据的现代化智能电子设备。 在过去的几十年里,计算机科学经历了令人瞩目的飞速发展。经历了电子管、晶体管、集成电路的世代发展,体积越来越小、性能越来越强,为人类带来了巨大的便利和变革,下面我们来回顾计算机的发展历程。
3855 5
计算机基础(1)——计算机体系结构和组成
|
10月前
|
人工智能 缓存 自然语言处理
大模型性能测试完全指南:从原理到实践
本文介绍了大模型性能测试的核心价值与方法,涵盖流式响应机制、PD分离架构、五大关键指标(如首Token延迟、吐字率等),并通过实战演示如何使用Locust进行压力测试。同时探讨了多模态测试的挑战与优化方向,帮助测试工程师成长为AI系统性能的“诊断专家”。
|
监控 算法 Java
Java虚拟机(JVM)垃圾回收机制深度剖析与优化策略####
本文作为一篇技术性文章,深入探讨了Java虚拟机(JVM)中垃圾回收的工作原理,详细分析了标记-清除、复制算法、标记-压缩及分代收集等主流垃圾回收算法的特点和适用场景。通过实际案例,展示了不同GC(Garbage Collector)算法在应用中的表现差异,并针对大型应用提出了一系列优化策略,包括选择合适的GC算法、调整堆内存大小、并行与并发GC调优等,旨在帮助开发者更好地理解和优化Java应用的性能。 ####
444 27
|
机器学习/深度学习 自然语言处理 搜索推荐
自注意力机制全解析:从原理到计算细节,一文尽览!
自注意力机制(Self-Attention)最早可追溯至20世纪70年代的神经网络研究,但直到2017年Google Brain团队提出Transformer架构后才广泛应用于深度学习。它通过计算序列内部元素间的相关性,捕捉复杂依赖关系,并支持并行化训练,显著提升了处理长文本和序列数据的能力。相比传统的RNN、LSTM和GRU,自注意力机制在自然语言处理(NLP)、计算机视觉、语音识别及推荐系统等领域展现出卓越性能。其核心步骤包括生成查询(Q)、键(K)和值(V)向量,计算缩放点积注意力得分,应用Softmax归一化,以及加权求和生成输出。自注意力机制提高了模型的表达能力,带来了更精准的服务。
13891 46
|
安全 Java API
Java根据URL获取文件内容的实现方法
此示例展示了如何安全、有效地根据URL获取文件内容。它不仅展现了处理网络资源的基本技巧,还体现了良好的异常处理实践。在实际开发中,根据项目需求,你可能还需要添加额外的功能,如设置连接超时、处理HTTP响应码等。
1276 4
|
XML JSON 机器人
PyMuPDF 1.24.4 中文文档(二)(2)
PyMuPDF 1.24.4 中文文档(二)
913 0
|
并行计算
huggingface_hub.utils._validators.HFValidationError: Repo id must be in the form ‘repo_name‘ or ‘nam
这篇文章介绍了在使用HuggingFace模型库时遇到的`Repo id`格式错误问题,并提供了将相对路径改为正确的绝对路径的解决办法。