1 / 48

Eine sehr kurze Geschichte der (theoretischen) Informatik

Eine sehr kurze Geschichte der (theoretischen) Informatik. Prof. Dr. Wolfram Conen, FH GE. Ziele der Vorlesung. Theoretische Informatik kurzgefaßt: Lernen sie einige Personen und Resultate kennen, die sie kennen sollten Nebenbei zeigen, dass damit viele spannende Fragen verbunden sind!

glenys
Télécharger la présentation

Eine sehr kurze Geschichte der (theoretischen) Informatik

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Eine sehr kurze Geschichte der(theoretischen) Informatik Prof. Dr. Wolfram Conen, FH GE

  2. Ziele der Vorlesung • Theoretische Informatik kurzgefaßt: Lernen sie einige Personen und Resultate kennen, die sie kennen sollten • Nebenbei zeigen, dass damit viele spannende Fragen verbunden sind! • ... und einige dieser Fragen sollten Sie nach der Vorlesung bzw. nach dem Durcharbeiten der Vorlesung auch beantworten können!

  3. Wichtige Fragen eines Informatikers (F1) Wie lassen sich mein Problem und eine ev. Lösungpräzise beschreiben? (F2) Ist das Problem überhauptlösbar? (F3) Wenn ja, kann ich es auch mit vertretbarem Aufwand lösen? (F4) Wie kann ich das Problem lösen?

  4. Hilberts Suche nach Wahrheit • „Da ist das Problem, suche die Lösung. Du kannst sie durch reines Denken finden; denn in der Mathematik gibt es keinen Ignorabimus*!“,DavidHilbert (1862-1943), 1900,(*ignorabimus: wir werden nicht wissen, lat.) • Dass die Mathematik das wirklich kann, war noch nicht „bewiesen“! • Zwei Dinge waren vor allem zu erledigen: • Eine „Sprache“ finden, um Probleme und deren Lösung präzise beschreiben zu können. • Ein „durchführbares“ Verfahren finden, um in endlichen vielen Schritten die Lösung auch tatsächlich bestimmen zu können.

  5. Logik als Schritt zur Lösung... • Präzision ist eine wesentlich Voraussetzung für Analyse und Lösung von Problemen (F1) • Logikformalismen helfen, Probleme und Lösungen formal präzise zu beschreiben • Am weitesten vorgedrungen war Gottlob Frege mit seiner „Begriffsschrift“. • 1902 sollte Band II seines großen Werks zur FundierungderArithmetik (und damit der Mathematik) mit Hilfe der Logik erscheinen. • Aber dann erhielt Frege einen Brief...

  6. Ein Brief von Bertrand Russell Bitte, lösen Sie das folgende Problem: • Sie arbeiten in dem Semesterferien in der Bibliothek der FH.JedesBuch muß in zwei sehr großen Katalogen erfaßt werden. • DerKatalog Aenthält eine Referenz auf jedes Buch, das sich nicht selbst referenziert. • Katalog Benthält eine Referenzauf jedes Buch, das sich selbst referenziert. • Eine älterer Bibliothekar fragt Sie nun zunächst:„In welchem der beiden Kataloge sollte der Katalog B erfaßt werden?“ • Als aufmerksamer Mitarbeiter schlagen Sie Katalog A vor, da B sich nicht selbst referenziert. Darauf folgt die Frage, wo Katalog A zu erfassen ist. Ihre Antwort? • Dieses Paradox läßt sich auch in die logisch-mathematische Sprache Freges (im Grunde Prädikatenlogik mit All- und Existenzquantor) übersetzen: R ist die Menge, die alle Mengen enthält, die sich nicht selbst enthalten. Gehört R sich selbst an? • Nicht jedes präzise formulierbare Problem hat auch eine „sinnvolle“ Lösung!

  7. Freges Scheitern • „Einem wissenschaftlichen Schriftsteller kann kaum etwas Unerwünschteres begegnen, als dass ihm nach Vollendung einer Arbeit eine der Grundlagen seines Baues erschüttert wird. In diese Lage wurde ich durch einen Brief des Herrn Bertrand Russell versetzt, als der Druck dieses Bandes sich seinem Ende näherte“ [Gottlob Frege, Grundgesetze der Arithmetik, Band II, Nachwort, Jena, im Oktober 1902]

  8. Freges Begriffsschrift „Man findet in diesem Buche Lehrsätze, auf denen die Arithmetik beruht, mit Zeichen bewiesen, deren Ganzes ich Begriffsschrift nenne.“ (Frege in Band I zu der Grundgesetze)

  9. ... und Hilberts „Programm“? • Hilbert hat diese Paradox zunächst nicht sehr ernst genommen! (Frege schon...) • Russell selbst hat 1912 in „Principia Mathematica“ (mit Whitehead) einen Formalismus vorgeschlagen, der solche Paradoxien vermeiden sollte (durch Typisierung und das Verbot, dass ein Typ über sich selbst spricht). • Noch 1930 sagt Hilbert auf einem Kongreß in Königsberg: „es gibt kein unlösbares Problem...“ und formuliert die berühmten und auf seinem Grabstein verewigten Sätze: Wir müssen wissen. Wir werden wissen. • Zu dieser Zeit erfährt John von Neumann (damals Assistent von Hilbert in Göttingen) von einem Resultat eines jungen Österreichers... (von Neumann hat danach nichts mehr zu Logik veröffentlicht)

  10. 28. April 1906, Brünn 1931: Über formal unentscheidbare Sätze der Principia Mathematica (in jedem hinreichend mächtigen Axiomensystem (z.B. natürliche Zahlen / Arithmetik) lassen sich wahreAussagen formulieren, deren Wahrheit nicht innerhalb des Systems bewiesen werden kann). 14. Januar 1978 Tod in Princeton durch Selbstaushungern. Kurt Gödel

  11. Hilberts Enttäuschungen • Der Beweis funktionierte mittels einer Paradoxie, die in die Russel‘sche Logiksprache über die Arithmetik eingeschmuggelt wird! • Ein ähnlich unglückliches Schicksal stand Hilberts Suche nach einem Lösungsverfahren bevor... • ...ein Amerikaner (Alonso Church) und ein junger Engländer nahmen sich des Problems an. Und wieder spielt eine Paradoxie eine wichtige Rolle.

  12. 23. Juni 1912, London 1936: On computable numbers with an application to the Entscheidungs-problem (es gibt keine „definite“ Methode, die für jede mathematisch-logische Aussage entscheiden kann, ob sie beweisbar ist oder nicht.) 1939-40: Entwicklung der Bombe (zur Entschlüsselung der deutschen Enigma-Codes) 7. Juni 1954: Selbstmord Alan Turing

  13. Von der Intuition zur Exaktheit • Hilbert suchte nach einem Verfahren, das für jede mathematisch-logische Aussage einen Beweis oder eine Widerlegung liefert: „Das Entscheidungsproblem ist gelöst, wenn man ein Verfahren kennt, das bei einem vorgelegten logischen Ausdruck durch endlich viele Operationen die Entscheidung über die Allgemeingültigkeit bzw. Erfüllbarkeit erlaubt. (...) Das Entscheidungsproblem muss als das Hauptproblem der mathematischen Logik bezeichnet werden“, Hilbert, Ackermann, Grundzüge der theoretischen Logik, 1928 • Um zu zeigen, dass es so ein Verfahren gibt, könnte man einfach eines angeben. • Turing wollte zeigen, das es ein solches Verfahren nicht geben kann! • Er mußte etwas finden, dass Hilberts Intuition eines Verfahrens entsprach, diese präzisierte und wesentliche Eigenschaften aller anderen „möglichen“ Verfahren beinhaltete und so als „Prototyp“ dienen konnte: • Wenn der Prototyp die gewünschte Antwort nicht geben kann, dann kann es auch kein anderes Verfahren!

  14. ... ... 0 0 0 0 0 0 1 Falls Zustand == z1 und Zeichen unter Schreib/Lesekopf == 0, dann schreibe 1, gehe in den Zustand z1 und bewege dich ein Feld nach rechts. Zustand: z1 „Programm“ Die Turing-Maschine: Ein Modell der Berechenbarkeit Kurz: (z1,0)  (1,z1,R) (z1,1)  (0,z1,R) (z1,_)  (_,ende,L) Was macht dieses Programm?

  15. Die Turing-Maschine: Eine Berechnung ... ... 1 0 0 0 0 0 0 1 Zustand: z1 (z1,0)  (1,z1,R)(z1,1)  (0,z1,R)(z1,_)  (_,ende,L) „Programm“

  16. Die Turing-Maschine: Eine Berechnung ... ... 1 1 1 1 1 1 1 1 Zustand: z1 (z1,0)  (1,z1,R)(z1,1)  (0,z1,R)(z1,_)  (_,ende,L) „Programm“

  17. Die Turing-Maschine: Eine Berechnung ... ... 1 1 1 1 1 1 0 0 Zustand: z1 (z1,0)  (1,z1,R)(z1,1)  (0,z1,R)(z1,_)  (_,ende,L) „Programm“

  18. Die Turing-Maschine: Eine Berechnung ... ... 1 1 1 1 1 1 0 0 Zustand: ende (z1,0)  (1,z1,R)(z1,1)  (0,z1,R)(z1,_)  (_,ende,L) „Programm“ Die Berechnung hält an! (Man sage: Sie terminiert) Noch wichtig: Programm, Eingabe und Zeichensatz sind endlich, das Band aber nicht.

  19. Universelle TM (1) • Turing führt eine Turing-Maschine UTM ein, die andere Turingmaschinen simulieren kann • Bisher: • Eingabestring x ! Turingmaschine TM ! Ausgabestring y;kurz: TM(x) = y • Jetzt: • Kodieren des Anweisungen der Turingmaschine als String z • Eingabestring zx ! Turingmaschine UTM simuliert TM und wendet die Simulation auf x an ! Ausgabe y;kurz also: UTM(zx) = y bzw. UTM(TM,x) = y • Die UTM von Turing kann alle Turingmaschinen simulieren...sie ist in einem bestimmten Sinn universell

  20. Universelle TM (2) Eine „binäre“ UTM von Stephen V. Gunhouse mit 176 Zuständen B0.UTM=1000000101110100000001010110100000010010110100001010110100000100010110101001110100000101010111010000111010000100101011101001001101000010100101101010001101000100010101101010100111010010101010010111010000011101000000000111010000001010110100000100101101001000110100010101001011010010001000110100101010001110101000011101001010010010111010010001001011010100010100111010010000001110101010010111010010010100111010101010101110100000011101001010101010111010000100110100011010001010000110100000101110101001010001011101000101010111010010000110101010010100101101010010110100100101011010100010101101001010010111010101000010011101001010101011101000101010011101010000101101010010001101010001010110100010000101110101001011010010010011010100101010110100100100010111010101000101110101010100011010101001010110100100010110101010100101100111010001001011101001000001110100010001011101001000110100000101011010010010010011101000010010110100100110100001010101101010010010111010011010000000111010001001010110100100010101110100010100101110101001000101110100100001011101001010001010111010100100010111010010010010111010010100010111010010010001110100101000011101000100011010010100100111010010001001110100001110100101001110101001001110100101001110100101010111010000001110101000100010111010100010100101110101000001011101001000001110101000010101101000100110101000100101110101001001110101001010111010010101001010111010100010010101110101010100010111010100100101011101000010101101010100010101100111010101010101001011010001010110101010000101110101010010010110101000000111010001000001110100010001110100001110101010100101011101010000010011101001010000011101000011101010100101110100100000101110100000000110100100110100001010101011010100000010110100001010101101000100110100001000011010001010110100000100110101001110100000010101011101001011010000100010110100001110101010010101011101001001101010101010101011010010011010001001010110100100101011101010101110101000110101010001010101101010000100101101010100101110100000001110100010100101011010010000100111010001010001011010000000111010001010010111010010001101000101010101011010010001101001000101010110100010000110101010101000111010101010100100111010010000100111010000001001101000001000110100100011010000100101101000101011101010010010011101010000011101011101010101010101010110100100101010101101010000100110100010100111010101010000111010101010100001110100001001011101010001011101010000111010010100101010111010100001110100101010001011101010000111010100010010111010001000101110101010101110101010011101001010101010101110101010011101010000101010111010000000011010000000101101010000100011010100000001101000100100011010001001001011010101001110101010000101110100000011101010010000101110101000000111010100100101010111010001101010001010101011101000110101001000101011101000000111010101000001011101000110101001001001011101000110101010101011101000101001110101001110100110101001010010101110100110101001010100101110100110101001010101010111010011010010101010111010010100011101001001101000100101101010100010010111010101001001101010010100110101000110101010010001011010100011010101001001010110100001011101010010101010110100100001101010100101010101101001000011010101010000101101001000011010000000001110100001011101010101001001011101000010111010101010010101011101000010111010010010001011101010000010101110100101000010111011011100111010100001011001110101010101010110100001011101010101000101011101000001010110101011010001001010101101001001010010110101001110100000100101011101000010101101010010100101101010011101000001010010111010101000101110100001

  21. Was kann die Turing-Maschine? „Alles Machbare!“ Genauer formuliert dies die Church-Turing-These: „Genau das, was wir intuitiv für „effektivberechenbar“ halten, kann durch die Turing-Maschinetatsächlichberechnet werden.“ Wir nennen ab jetzt etwas berechenbar, wenn es eine Turingmaschine gibt (geben kann), die mit dem richtigenErgebnisanhält! Es wurden nochviele andere Modelle der Berechenbarkeit „erfunden“ (generelle rekursive Funktionen, -Definierbarkeit, Kombinatorische Systeme, Termersetzungssysteme, Registermaschinen, ...), • aber alle (zumindest alle physikalisch realisierbaren) erwiesen sich als „äquivalent“, sie können die gleichen Probleme lösen! • Zeigen kann man dies, in dem man ein Modell durch ein anderes simuliert (und vice versa). Merke: Modelle der Berechenbarkeit präzisieren den Begriff Algorithmus / Lösungsverfahren (F1)

  22. Das Halteproblem • Hält eine gegebene TM für eine gegebene Eingabe? • Gesucht ist eine „Prüfmaschine“ P(A,x), die ein Programm A und eine Eingabe x erhält und die Frage nach der Terminierung von A(x) mit JA oder NEIN beantwortet: P(A,x) = JA, falls A(x) anhält. P(A,x) = NEIN, falls A(x) nicht anhält. • Angenommen, es gäbe eine solche Maschine P! • Dann bauen wir eine Maschine G(A), die P verwendet: G(A)  Endlosschleife, falls P(A,A) = = JA G(A)  Hält an, falls P(A,A) = = NEIN • Nun rufen wir G(G) auf! • Voilà! Ein weiteres Paradox!

  23. Emil Post, geb. in Polen, 1897-1954 Veröffentlicht 1936 sein Paper über endliche kombinatorische Prozesse (äquivalent zu Turingmaschinen) Formuliert ein berühmtes nicht-berechenbares Problem, das Post‘sche Korrespondenzproblem Emil Post und die Dominos

  24. Gegeben sind drei Typen von „flexiblen“ Dominosteinen:(Ober- und Unterteil sind durch ein Gummiband verbunden) Es gibt jeweils beliebig viele von solchen Dominos! 1 10 011 101 00 11 1 1 011 011 101 101 11 11 10 10 10 00 00 00 Post‘sches Korrespondenzproblem (1) Gesucht ist eine Folge von Dominos, so dass die Zeichen oben und unten an jeder Position übereinstimmen (die Gummibänder dürfen sich natürlich nicht überschneiden und die Dominoteile müssen bündig liegen!

  25. 1 10 011 101 00 11 1 011 10 011 101 11 00 11 Post‘sches Korrespondenzproblem (2) 3 Typen sind gegeben. Lösungssequenz aus 4 Steinen

  26. Post‘sches Korrespondenzproblem (3) 001 01 01 10 4 Typen sind gegeben. 0 011 101 001 Hat dieses PCP (Post correspondence problem) eine Lösung? Ja, aber ein lange...versuchen sie es mal...es braucht min. 66 Dominos! 01 10 01 01 001 01 10 10 011 001 101 011 0 011 001 001

  27. PCP formal • Wir haben ein endliches Alphabet V zur Beschriftung der Dominos, z.b. V = {0,1} • Und k vorgegebene Dominotypen der Form (xi,yi), 1 · i · k. Hierbei sind xi und yi jeweils nichtleere Wörter über dem Alphabet, also xi, yi2 V+, z.B. xi = 001, yi = 10 • Gesucht ist eine Folge von Dominos (i1,i2,...,in) mit ij2 {1,...,k}, so dass gilt xi1xi2...xin = yi1yi2...yin

  28. Sind alle PCPs lösbar? 1 • Natürlich gibt es unlösbare PCPs: • Man kann die Lösung lösbarer PCPs durch ausprobieren sicher nach endlich vielen (vielen) Schritten finden: • Breitensuche im Baum der möglichen Lösungen • An der ersten Stelle steht ein Domino eines der k Typen (also ein Entscheidungsknoten mit k Kindern) • An der zweiten Stelle wieder ein Domino eines der k Typen (also Verzweigungsfaktor immer k) 0

  29. Sind alle PCPs lösbar? • Wenn man es auf diese Art der Aufzählung (Enumeration) der potentiellen Lösungswege probiert, dann kommt man natürlich bei einem unlösbaren PCP nie zu einemEnde! • Auf diese naive Art kann man also nicht entscheiden, ob ein PCP lösbar ist oder nicht, denn wenn man nach langer Zeit noch keine Lösung gefunden hat • (Fall 1) dann gibt es keine! ... oder ... • (Fall 2) man hat noch nicht lange genug gesucht! • Unangenehmerweise kann man zeigen, dass man auch durch Analyse der Problemstellung unlösbare Probleme nicht immer erkennen kann (beim unlösbaren Beispielproblem geht das natürlich leicht, weil unten andere Zeichen vorkommen, als oben)

  30. Sind alle PCPs lösbar? • Deshalb nennt man das PCP auch „semi-entscheidbar“: • Man kann einen (einfachen) Algorithmus (in Form einer Turingmaschine, z.B.) angeben, der lösbare Instanzen der Problems sicher erkennt und eine Lösung findet • Allerdings kann er unlösbare Instanzen nicht sicher in endlicher Zeit erkennen – und es kann keinen Algorithmus geben, der das könnte (sonst wäre das Halteproblem lösbar...so ist meist die Standard“reduktion“)

  31. Entscheidbarkeit • Eine JA-NEIN-Fragestellung ist dann entscheidbar, wenn jede Instanz dieser Fragestellung (also jede Frage dieses Typs) durch einen Algorithmus (also eine Turingmaschine) korrekt und sicher in endlicher Zeit mit JA oder NEIN beantwortet wird. • Die Fragestellung ist semi-entscheidbar, wenn ein Algorithmus existiert, der für JA-Instanzen sicher in endlicher Zeit mit JA antwortet (und NEIN-Instanzen nicht mit JA beantwortet – diesen Aspekt kann man aber aufweichen)

  32. Entscheidbarkeit • Die klassische Fragestellung in der Mathematik ist die folgende: • Gegeben sei die Beschreibung einer Menge M • Ist ein gegebenes Objekt x Element dieser Menge? • Übertragen in die Informatik: • Gegeben sei die Beschreibung einer Sprache L • Ist ein gegebenes Wort x Element dieser Sprache? • Beide Fragen stellt man in der Regel mit Bezug zu einer Grundmenge, aus der x stammt • bei den Mengen ist es ein (Diskurs-)Universum U • bei den Sprachen die Menge aller Wörter V* über einem Alphabet V

  33. Entscheidbarkeit (in der Informatik) • Gegeben sei ein Alphabet V, z.B. {0,1} • Gegeben sei die Beschreibung einer Sprache L, z.B. L = {0n1n} • Ist ein gegebenes Wort x 2 V* Element dieser Sprache, z.B. x = 000111? • V* ist die Menge aller mit Zeichen aus V bildbaren Wörter inklusive des leeren Wortes  • V+ ist die Menge aller nichtleeren Wörter, die sich mit Zeichen aus V bilden lassen • Die Sprache zur Beschreibung der Mengen haben wir noch nicht präzisiert, aber 0n bedeutet z.B. n hintereinander geschriebene Nullen

  34. Entscheidbarkeit in der Informatik • Die Frage nach der Entscheidbarkeit ist ziemlich universell: • Ist n eine Primzahl? • Ist T ein Spannbaum für G? • Ist x eine Lösung mit Weglänge y für ein TSP z? • Sie „implementiert“ Boole‘schen Funktionen: • f: U ! {true,false}, f(x) = ? für x 2 U, f bestimmt eine Menge X und eine Menge X‘ (Komplement zu X in U) mit • X [ X‘ = U • f(x) = true für alle x 2 X • f(x) = false für alle x 2 X‘

  35. Berechenbarkeit • Allgemeiner kann man auch nach bel. Funktionswerten fragen: • Sei f: N ! N durch eine Beschreibung gegeben • Bestimme y=f(x) für gegebene x 2 N • Eine solche Funktion f heißt berechenbar, wenn es einen Algorithmus (also eine Turingmaschine) gibt, die für jedes x 2 N sicher in endlicher Zeit den Funktionswert y=f(x) bestimmt

  36. Noch ein Beispiel...fleissige Bieber • Bieber bauen Dämme aus Baumstämmen... • Als Turingmaschine sieht das z.B. so aus: _/1,R _/1,R _/1,R _/1,R _/1,R 1/1,R 1/1,R 1/1,R z1 z1 z1 z1 z1 z1 z1 z1 z1 z2 z2 z2 z2 z2 z2 z2 z3 z3 z3 z3 z3 halt halt 1/1,R 1/1,R 1/1,R _/1,L _/1,L _/1,L _/1,L _/1,L _/1,L _/1,L _/1,L _/1,L _/1,L 1/1,L 1/1,L 1/1,L 1/1,L 1/1,L _ 1 _ _ 1 1 _ _ 1 1 1 _ _ 1 _ _ _ _

  37. Noch ein Beispiel...fleissige Bieber • Ein Bieber ist eine deterministische Turingmaschine mit • Mit dem Bandalphabet V = {1} und dem Blanksymbol _ • mit einem in beide Richtungen unendlichen Band • das Band ist zu Beginn leer (also voller Blanks) • die Maschine muß sich bei jeder Anweisung bewegen - entweder nach links (L) oder rechts (R) • sie hat einen Endzustand, der keine Ausgänge hat • sie muß diesen Endzustand erreichen • sie hat n weitere Zustände, die keine Endzustände sind, einer davon ist der Startzustand • Einen solchen Bieber wollen wir auch n-Bieber nennen • Deterministisch heißt: ich weiß immer, welche Anweisung als nächste dran ist, d.h. die Überführungsrelation ist eine Funktion

  38. Noch ein Beispiel...fleissige Bieber • Ein fleißiger Bieber ist ein n-Bieber, der mindestens soviele Einsen erzeugt, wie jeder andere n-Bieber • Unser Beispiel ist ein fleißiger 3-Bieber • Die Rado-Funktion Rado(n) gibt für n an, wieviele Einsen ein fleißiger n-Bieber erzeugt • Rado(3) = 6 (s. Beispiel) • PS: die Einsen können auch blanks zwischen sich haben • Diese „Busy Beavers“ sind sehr schwer zu finden!

  39. Warum? Erstens... • Der Suchraum wird schnell extrem groß:(4(n+1))2n verschiedene Turingmaschinen für n Zustände • für jeden Nicht-Endzustand gibt es zwei Ausgänge, also 2n Transitionen (=Zustandsübergänge) • Jede Transition kann • 1 oder _ schreiben (2) • sich nach links oder rechts bewegen (2*2) • zu einem von n+1 Zuständen führen (2*2*(n+1)) • Insgesamt also (2*2*(n+1))2n

  40. Warum? Zweitens... • Da das Halteproblem nicht allgemein lösbar ist, könnte es schwierig werden, nicht-haltende Lösungskandidaten zu erkennen...auch kleine Bieber können nämlich schon ganz schön lange arbeiten z.B. ist Rado(8) ¸ 1044 ... oops! • Wir werden gleich zeigen, dass es tatsächlich unmöglich ist, Rado(n) für beliebige n zu berechnen • Allerdings kann man mit brutaler Gewalt zumindest für manche kleine n Rado(n) bestimmen oder abschätzen:

  41. Warum? Zweitens... Ein 6-Bieber, der 95.524.079 Einsen erzeugt und dann hält (gefunden von Heiner Marxen 1996/97) – vielleicht ist der Bieber auch fleißig?!

  42. Warum sind fleißige Bieber unberechenbar? • Satz: Die Rado-Funktion kann nicht durch eine Turing-Maschine berechnet werden • Beweisidee: Sei f eine beliebige berechenbare Funktion von N nach N, dann existiert ein n0, so dass Rado(n) ¸ f(n) für n¸n0 (d.h. die Rado-Funktion wächst schneller, als jede berechenbare Funktion) • Beweis: • Ohne Beschränkung der Allgemeinheit ist unsere berechenbare Funktion f durch ein Turingmaschine TM mit den folgenden Eigenschaften implementiert: • Auf dem Band steht ein Block von n Einsen direkt rechts von einem Blank, auf dem der Lesekopf zu Beginn steht • TM hält nach einer endlich vielen Schritten und hinterläßt einen Block von f(n) Einsen auf dem Band

  43. Warum sind fleißige Bieber unberechenbar? • Zu unserem beliebigen berechenbaren f läßt sich die folgendeFunktion F angeben: F(x) = 0 · 1 · x (f(i) + i2) • Weil f berechenbar ist, ist auch F berechenbar (denn f und alle andere Operationen, also Quadrieren, Addieren und Summieren sind berechenbar)... • ...und es existiert eine Turingmaschine TMF, die mit einer Eingabe eines Blocks von x Einsen einen Block von F(x) Einsen rechts neben den Eingabeblock schreibt (getrennt durch mindestens ein Blank) • Wir nehmen an, dass TMFn Zustände hat

  44. Warum sind fleißige Bieber unberechenbar? • Wir konstruieren nun eine Turingmaschine M • sie beginnt auf einem leeren Band • schreibt x Einsen • hält mit dem Lesekopf auf der letzen Eins rechts • Dies kann für jedes x mit x Zuständen realisiert werden • Dann benutzt M TMF und schreibt rechts, durch mindestens ein Blank getrennt, F(x) auf‘s Band • Dann wird nochmals TMF benutzt, um rechts, wieder durch mindestens ein Blank getrennt, F(F(x)) auf‘s Band zu schreiben • M hat also x + 2*n Zustände

  45. Warum sind fleißige Bieber unberechenbar? • Aus der Definition des fleißigen Biebers folgt, dass der (x+2n)-Bieber mindestens so viel Einsen auf‘s Band schreibt, wie M, d.h.: Rado(x+2n) ¸ x + F(x) + F(F(x)) • Allerdings... • F(x) ¸ x2 [klar, denn F(x) = 0 · 1 · x (f(i) + i2)] • Und es existiert eine Konstante c1 mit x2 > x+2n für alle x ¸ c1 [klar, n ist ja konstant] • Also gilt: F(x) > x +2n für x ¸ c1 • Auf der Definition von F folgt außerdem F(x) > F(y) für x > y, also F(F(x)) > F(x+2n) für x ¸ c1. • Also Rado(x+2n) ¸ x+F(x)+F(F(x)) > F(F(x)) > F(x + 2n) ¸ f(x+2n) für x ¸ c1, d.h. Rado ist ab c1 größer als f • Da f beliebig gewählt war, kann die Rado-Funktion nicht berechenbar sein, sonst könnten wir sie für f einsetzen und hätten dann gezeigt, dass ab einem sicher existierenden c1 Rado(x) > Rado(x) ist, ein Widerspruch! [Malen Sie sich ein Bild zur Verdeutlichung!]

  46. Luftholen... • Wahre Titanen des Geistes (auch, wenn manche von Ihnen ein unglückliches Ende gefunden haben...) legten die Grundlagen. • Wir wissen jetzt: es gibt Probleme, die sich nicht lösen lassen, obwohl sie „mathematisch genau“ beschrieben sind! • Modelle der Berechenbarkeit erlauben eine Analyse der Berechenbarkeit/Lösbarkeit eines Problems! (F2) • Aber: wie schwer kann es werden, ein konkretes Problem tatsächlich zu lösen? [Das ist Thema des zweiten Teils]

  47. Verständnisfragen (Klausurrelevant!) • Ist die Rado-Funktion berechenbar? • Wenn nein: Bedeutet das, dass man für kein n, z.B. n=4, einen Funktionswert angeben kann? • Ist das Halteproblem in der vorgestellten Form entscheidbar? • Wenn nein: Vollziehen Sie den Beweis nach, d.h. lesen Sie ihn und schreiben Sie ihn dann aus dem Gedächtnis, gern mit eigenen Worten, auf. (so nicht unmittelbar wichtig für die Klausur)

  48. Quellen • Eine schöne Webseite Webseite zu Alan Turing hat sein Biograph Andrew Hodges zusammengestellt:, man kann natürlich auch gleich die Biographie lesen ;-) • Eine informatives Heft über Gödel gibt es im Spektrum-Verlag • Ein schönes, lehrreiches Buch zu den Hintergründen und Personen dieser Phase der Mathematik bzw. Informatik ist "Engines of Logic" von Martin Davis • Natürlich brauchen Sie all dies nicht für die Prüfung, aber wer sich ein bißchen für sein Fach interessiert, der schaut vielleicht im Laufe seines Studiums mal in diese sehr gut lesbaren Quellen - viel Spaß dabei!

More Related