数理逻辑之 时态逻辑

简介:   前面说了谓词逻辑。实际上谓词逻辑还需要了解的有谓词逻辑的语义推导和谓词逻辑的完备性。不过这一块的概念和思想都很复杂和繁冗,本系列略去。   基于模型是和基于证明相对的。前面我们一直在使用证明,好像看起来还不错。

 

前面说了谓词逻辑。实际上谓词逻辑还需要了解的有谓词逻辑的语义推导和谓词逻辑的完备性。不过这一块的概念和思想都很复杂和繁冗,本系列略去。

 

基于模型是和基于证明相对的。前面我们一直在使用证明,好像看起来还不错。不过在基于证明的处理中,系统描述是一组(适当的逻辑中的)公式Γ,而规范是另一个公式φ。验证方法是试图找到Γ├φ的证明。这需要指导和专业知识。

在基于模型的处理中,系统由适当逻辑的模型M表示。规范仍然由φ表示。验证方法是计算M是否满足φ,即M ╞ φ。这是自动的。所以基于模型的方法更简单。

 

模型检测基于时态逻辑 temporal  logic。命题逻辑和谓词逻辑中的公式真假是固定的,但是时态逻辑模型包含若干状态,具有动态真的性质,即公式可以随系统的状态演化而改变其真值。

模型检测中,模型M是迁移系统(下面会解释这个概念),性质φ是时态逻辑公式。这样验证过程是:

1.使用模型检测器的描述语言建模,得到模型M;

2.用模型检测器的规范语言对性质编码,得到时态逻辑公式φ;

3.输入M和φ,运行模型检测器。

如果M ╞ φ,机器回答yes,否则no并输出行为轨迹。

时态逻辑主要有两类:线性时间逻辑LTL把时间看成是路径的集合,路径即时间瞬时的一个序列;分支时间逻辑CTL把时间表示为树,以当前时间为根向未来分叉,使得未来的不确定性变得明确。

 

时态逻辑公式的真值依赖于模型内部的时间点。

 

现在说一下迁移系统的概念。迁移系统M = (S, →,L)是一个状态集合S,带有迁移关系S上的二元关系),使得每个s S有某个s’ S,满足s →s’,以及一个标记函数LS →PAtoms)。迁移系统简称模型。PAtoms)表示Atoms的幂集,即原子描述集。L可以看作是对所有原子命题的一个真值赋值。由于不止一个状态,这种赋值依赖于系统所处的状态sL(s)包含了状态s下为真的所有原子。

 

说了这么多,模型检测要干嘛呢模型检测就是对问题M ,s╞ φ是否成立进行计算的过程,其中:M 是所考虑系统的一个适当模型;s 是该模型的一个状态;╞是满足关系; φ是一个LTLCTL公式。

这里的研究工具是线性时态逻辑LTL。LTL带有允许我们指示未来的连接词。它将时间建模成状态的序列,无限延伸到未来。该序列称为计算路径(或路径)。由于未来的不确定性,我们要考虑若干可能的路径。

 

设立一个原子公式的集合Atoms。原子公式可能形如p,q,r,也可能是p1,p2,p3等。每个原子代表一个可能成立的原子事实。

 

LTL公式表达为 φ :: =┬|┴|p|(┐φ)|(φφ)|(φφ)|(φ→φ)|(Xφ)|(Fφ)|(Gφ)|(φUφ)|(φWφ)|(φRφ)

 

上面,p是Atoms中的原子;┬和┴是LTL公式,也是Atoms原子。φ 是LTL公式,所以┐φ也是。X是下一个状态neXt; F是某未来状态Future; G是所有未来状态Globally; U是直到Until;R是释放Rlease;W是弱直到Weak-until

这就是线性时态逻辑语法。下面都是LTL实例:(((Fp) (Gp)) →(pWr)), (F(p →(Gr)) ((┐q)Up)), (pW(qWr)), ((G(Fp)) →(F(q s)))。LTL也有语法树,下面是(F(p →(Gr)) ((┐q)Up))的语法树:

 一元连接词和时态连接词XFG具有最高优先级,然后是URW;接下来是∨和∧,最低的是。这样,上面几个例子可以化简为:
Fp Gp →pWrF(p →Gr) ┐qUppW(qWr)GFp →F(q s)

 

可以用有向图来表示一个迁移系统:

S={s0,s1,s2}

→={s0 → s1, s0 → s2 , s1→s0, s1→s2,s2 → s2}

 

L(s0)={p,q},L(s1)={q,r},L(s2)={r}

 
模型M = (S, →,L)的一条路径S中状态的无限序列s1,s2,s3,…,对于每个i ≥1,有si →si+1。该路径记为s1 → s2 →…路径π1= s1 → s2 →…表示一个可能的未来。π 的上标表示起点的下标。

将迁移系统展开为一个无限计算树很有用。这样,模型M的执行路径被明确表示出来:

 
M = (S, →,L)是一个模型,π 是其中的一条路径。π 是否满足一个LTL公式,由满足关系定义如下(里面涉及到不能推导的符号,所以我只能在PPT中做好截图过来了)

 通过这个满足关系表可以立即明白XGFUWR各字母的意思了吧。

 

φUψ表示φ一直成立直到ψ成立。ψ成立后φ怎么样了?这里体现不出来的。例如:

s代表“我吸烟”,t代表“我22岁”。则sUt:我吸烟一直到了22岁。不能表示22岁以后不吸烟。如果要这样需要这样表示sU(t G ┐ s)

WU类似。不过φWψ不要求ψ在某处会成立,而是φ可以一直成立下去。

 

φRψ等价于┐(┐φU┐ψ),约等价于ψWφ,不过R可以取到i

M = (S, →,L)是一个模型,sS,且φ是一个LTL公式。如果对M 的每条始于s的执行路径π,都有π╞ φ,则记为Ms ╞ φ

 

 

 

目录
相关文章
若依框架 --- 菜单已分配,无法删除解决
若依框架 --- 菜单已分配,无法删除解决
664 1
|
8月前
|
机器学习/深度学习 自然语言处理 算法
PyTorch PINN实战:用深度学习求解微分方程
物理信息神经网络(PINN)是一种将深度学习与物理定律结合的创新方法,特别适用于微分方程求解。传统神经网络依赖大规模标记数据,而PINN通过将微分方程约束嵌入损失函数,显著提高数据效率。它能在流体动力学、量子力学等领域实现高效建模,弥补了传统数值方法在高维复杂问题上的不足。尽管计算成本较高且对超参数敏感,PINN仍展现出强大的泛化能力和鲁棒性,为科学计算提供了新路径。文章详细介绍了PINN的工作原理、技术优势及局限性,并通过Python代码演示了其在微分方程求解中的应用,验证了其与解析解的高度一致性。
2273 5
PyTorch PINN实战:用深度学习求解微分方程
|
6月前
|
安全 前端开发 Linux
Immunity CANVAS Professional 7.27 (macOS, Linux, Windows) - 渗透测试和漏洞利用平台
Immunity CANVAS Professional 7.27 (macOS, Linux, Windows) - 渗透测试和漏洞利用平台
204 3
Immunity CANVAS Professional 7.27 (macOS, Linux, Windows) - 渗透测试和漏洞利用平台
|
域名解析 存储 网络协议
一次读懂网络分层:应用层到物理层全解析
**网络五层模型简介:** 探索网络服务的分层结构,从应用层开始,包括HTTP(网页传输)、SMTP(邮件)、DNS(域名解析)和FTP(文件传输)协议。传输层涉及TCP(可靠数据传输)和UDP(高效但不可靠)。网络层由IP(路由数据包)、ICMP(错误报告)和路由器构成。数据链路层处理MAC地址和帧传输,物理层规定了电缆、连接器和信号标准。了解这些基础,有助于深入理解网络运作机制。
947 5
|
10月前
|
人工智能 Java
产品经理-面试问题(高频率)
本文全面介绍初入产品岗位的基本面试问题,涵盖离职原因、技术沟通、薪资期望、到岗时间、个人优劣势及竞品调研分析等内容。针对每个问题提供详细回答示例,帮助求职者更好地准备面试,提升应答技巧和自信心。内容涉及职业成长、公司文化匹配、工作与生活平衡等多方面考量,助力求职者找到理想职位。
|
网络协议 网络架构
OSPF中的External LSA详解
OSPF中的External LSA详解
451 4
|
人工智能 自然语言处理 搜索推荐
人工智能与教育:个性化学习的未来
【10月更文挑战第31天】在科技飞速发展的今天,人工智能(AI)正深刻改变教育领域,尤其是个性化学习的兴起。本文探讨了AI如何通过智能分析、个性化推荐、智能辅导和虚拟现实技术推动个性化学习,分析了其带来的机遇与挑战,并展望了未来的发展前景。
解决出现的java: 无法访问org.springframework.boot.SpringApplication问题~
解决出现的java: 无法访问org.springframework.boot.SpringApplication问题~
1000 0
|
JSON 数据挖掘 API
天猫店铺商品数据接口集成指南与实战技巧
**天猫商品API概览** - **接口**: Tmall.item_search_shop, 获取店铺商品详情。 - **功能**: 开发者可获取商品标题、价格、销量等。 - **流程**: 注册天猫开放平台账户→获App Key/Secret→获取Access Token→构建URL调用API→解析JSON响应。 - **参数**: 包含店铺ID、页码、数量等。 - **返回**: JSON格式的商品列表。 - **应用**: 商品管理、电商应用开发、数据分析。此API助力商家高效管理、提升用户体验。