数理逻辑—范式

简介: 数理逻辑—范式

正文


简单析取式与简单合取式


定义:

仅由有限个命题变项或其否定构成的析取式称为简单析取式。仅由有限个命题变项或其否定构成的合取式称为简单合取式


例如:

p、¬ p、p ∨ q 、p ∨ ¬ q 、¬ p ∨ q ∨ rr等都是简单析取式;

p 、¬ p 、p ∧ q、p ∧ ¬ q、¬ p ∧ q ∧ r 等都是简单合取式。


由以上定义可以得到两点结论:

  1. 一个简单析取式重言式,当且仅当它同时含有一个命题变项及其否定;
  2. 一个简单合取式矛盾式,当且仅当它同时含有一个命题变项及其否定。



例如:

简单析取式p ∨ ¬ q ∨ q 是重言式;简单合取式p ∧ ¬ q ∧ q 是矛盾式。



析取范式与合取范式


定义:

仅由有限个简单合取式构成的析取式称为析取范式;仅由有限个简单析取式构成的合取式称为合取范式


例如:

p∨q∨¬r、¬ p ∨ ¬ q ∨ r、( p 1 ∧ ¬ q 1 ) ∨ ( ¬ p 1 ∧ p 2 ) ∨ ( p 1 ∧ p 2 ∧ p 3 ) 是析取范式;

p ∧ q ∧ ¬ r 、¬ p ∧ ¬ q ∧ r 、( p 1 ∨ ¬ q 1 ) ∧ ( ¬ p 1 ∨ p 2 ) ∧ ( p 1 ∨ p 2 ∨ p 3 )是合取范式;


由以上定义可以得到两点结论:


一个析取范式是矛盾式,当且仅当它的每个简单合取式都是矛盾式;

一个合取范式是重言式,当且仅当它的每个简单析取式都是重言式。


范式存在定理与范式求解


范式存在定理:

任一命题公式都存在着不唯一的与之等值的析取范式和合取范式。


根据范式存在定理,可知任一命题公式都能通过等值演算求出与之等值的析取范式与合取范式。步骤如下:


消去→ 和↔:

p → q ;⟺  ¬ p ∨ q

p ↔ q ⟺  ( ¬ p ∨ q ) ∧ ( p ∨ ¬ q )


否定号的消去或内移:

¬¬p⟺q¬ ( p ∧ q )

¬ p ∨ ¬ q⟺¬p∨¬q

¬ ( p ∨ q ) ⟺¬ p ∧ ¬ q


使用分配率。对析取范式应使用∧对∨的分配率;对合取范式应使用∨对∧的分配率。

举例:求( ( p ∨ q ) → r ) → p的合取范式和析取范式

解:

0000000000000000.png


主析取范式与主合取范式


定义:

如果公式A 的析取范式中的简单合取式全是极小项,则称该析取范式为主析取范式;如果公式A 的合取范式中的简单析取式全是极大项,则称该合取范式为主合取范式。


极小项与极大项


极小项定义:

在有n 个命题变项的简单合取式中,若每个命题变项及其否定有且仅有其中一个出现一次,则称这样的简单合取式为极小项。


通常极小项的命题变项用1表示,命题变项的否定用0表示,这就组成了一段二进制码,按二进制码的大小进行排序后用小写字母m ( m i n i m u m ) 加从0开始递增的脚标命名,例:m 0 、m 1

例如:2个命题变项p 、q 可形成4个极小项;3个命题变项r 、s 、t 可形成8个极小项


000000000000.png

极大项定义:

在有n 个命题变项的简单析取式中,若每个命题变项及其否定有且仅有其中一个出现一次,则称这样的简单析取式为极大项。

通常极大项的命题变项用0表示,命题变项的否定用1表示,这就组成了一段二进制码,按二进制码的大小进行排序后用大写字母m ( m a x i m u m ) 加从0开始递增的脚标命名,例:m 0 、m 1

例如:2个命题变项p 、q 可形成4个极小项;3个命题变项r 、s 、t 可形成8个极大项

000000000.png


主范式存在定理:

任何命题公式都有唯一的主析取范式或主合取范式。


求解主范式的步骤:


求出析取范式或合取范式

扩展命题变项,将简单合取式(简单析取式)扩展为极小项(极大项)形式

合并重复项

求余项,求出主析取范式后余下的项就是主合取范式的组成项,求出主合取范式后余下的项就是主析取范式的组成项


例如:求( ( p ∨ q ) → r ) → p的主析取范式与主合取范式主范式

解:

0000000.png00000.png

目录
打赏
0
0
0
0
5
分享
相关文章
《打破黑箱:深度学习模型可解释性的攻坚之路》
深度学习模型在图像识别、自然语言处理等领域取得了显著成果,但其“黑箱”特性引发了可靠性、安全性和透明度的担忧。这种不可解释性在医疗、金融和自动驾驶等场景中可能导致不确定性或信任危机。为解决这一问题,研究者从模型可视化、特征重要性分析、设计可解释模型架构及事后解释方法等方向展开探索。然而,现有方法仍面临局部解释性、计算成本高及缺乏统一评估标准等问题。实现深度学习模型的可解释性是AI走向成熟与广泛应用的关键,未来需学术界与产业界共同努力,推动技术进步以造福社会。
107 9
《深度剖析:生成对抗网络中生成器与判别器的高效协作之道》
生成对抗网络(GAN)通过生成器与判别器的对抗学习,实现了数据生成和处理的革命性变革。生成器从噪声中创造逼真样本,判别器则判断数据真假。两者在训练中不断优化,最终达到纳什均衡。影响协作效率的关键因素包括网络架构设计、损失函数选择和超参数设置。采用先进的架构如DCGAN、优化损失函数如WGAN,并动态调整训练策略,可显著提升生成器与判别器的协作效果,推动GAN在图像生成、风格迁移等领域的应用发展。
何恺明新作出炉!异构预训练Transformer颠覆本体视觉学习范式,AI性能暴涨超20%
【10月更文挑战第29天】在机器人学习领域,训练通用模型面临数据异构性的挑战。近期研究“Scaling Proprioceptive-Visual Learning with Heterogeneous Pre-trained Transformers”提出异构预训练Transformer(HPT),通过大规模预训练学习跨不同本体和任务的共享表示,显著提升了性能。实验结果显示,HPT在未见过的任务上表现优异,性能提升超过20%。
187 6
LeCun新作:神经网络在实践中的灵活性到底有多大?
【7月更文挑战第23天】论文探究神经网络实践灵活性,由Ravid Shwartz-Ziv等与Yann LeCun合作。挑战理论极限,实验证明网络灵活性受限于优化器与正则化,仅达局部最优,尤其CNN在参数效率上超越MLP与ViT。SGD展现高于全批量梯度下降的灵活性。研究局限在于聚焦图像分类与表格数据,未覆盖NLP或RL领域。[论文](https://arxiv.org/pdf/2406.11463)揭示实践中的神经网络并非如理论上全能。
94 3
【机器学习】LoFTR:革命性图像特征批评技术等领跑者
【机器学习】LoFTR:革命性图像特征批评技术等领跑者
188 1
【机器学习】视觉基础模型的三维意识:前沿探索与局限
【机器学习】视觉基础模型的三维意识:前沿探索与局限
174 0
编程范式之我见
作为开发者想必都知道,编程范式是指编程语言所支持的不同编程风格或编程思想,它们可以影响程序的结构、组织和运行效率。但是,随着编程语言和技术的不断发展,一些编程范式已经过时了,需要改进或被替代。接下来,我将分享个人关于编程范式的看法,探讨不同编程范式的优点和缺点,以及如何选择适合自己的编程范式。
168 1
编程范式之我见
举出其他监督学习,无监督学习,强化学习的例子?说一下非显著式编程的优势?AlphaGo的胜利,带给我们什么样的人生启示?当代大学生如何在人工智能时代增加自己的核心竞争力?
举出其他监督学习,无监督学习,强化学习的例子?说一下非显著式编程的优势?AlphaGo的胜利,带给我们什么样的人生启示?当代大学生如何在人工智能时代增加自己的核心竞争力? 监督学习:比如手写体识别,我们将许多汉字的手写数字图像数据作为训练数据。汉字的数据的分类目标被称作标签和类。训练数据有一个标签(某一个汉字),根据标签可以找到关于手写数字图像的正确答案信息,例如“此手写数字图像为‘人’”。在学习阶段,当将手写汉字图像输入系统时,调整系统的参数以尽量将输入图像分类为正确的标签,最后进行识别输出正确结果。 无
267 0