2020形式化方法复习笔记

最新推荐文章于 2025-04-12 21:27:21 发布

秃头队长

最新推荐文章于 2025-04-12 21:27:21 发布

阅读量1.8w

点赞数 33

分类专栏：形式化方法文章标签：机器学习人工智能

本文链接：https://blog.youkuaiyun.com/qq_39266065/article/details/107214888

版权

形式化方法专栏收录该内容

2 篇文章

订阅专栏

（第二课：数学基础）

1.逻辑基础

命题逻辑 + 谓词逻辑
变体：经典逻辑、构造逻辑。

2.命题逻辑 Propositional logic:

每个形式系统应当包括语法+语义

2.1 语法 The syntax

在这里插入图片描述

$\bigvee P$ ：析取
$\bigwedge P$ ：合取
$\to P$ ：蕴含

2.2 证明系统 The proof system

数学上：Hibert系统，构造性，没有规律可言。
CS上：自然演绎系统，具有机械化步骤，即算法。

Nature deduction

断言 Judgment：Γ⊢𝑃
Γ为命题组成的列表，P是单独的逻辑命题。Example: P, Q, R ⊢𝑃
可以理解为Γ是一组假定为真，在这种假定的前提下，能够推出P为真。
推理规则
四元组：直线，直线上面为n个断言（前提/假设），下面一个断言（结论），右侧名字（推理规则名字）。

意思是，如果在Γ条件下去证明P，那么只需要证明Γ1⊢𝑃1、Γ2⊢𝑃2…，同理一旦知道前提条件，即可证明Γ⊢𝑃。
由假设到结论，由结论到假设的双向推理过程。
如果当前提中，n=0时，即为公理(axiom)。
（1）直接证明的结论P，已经存在前提条件中。（公理）

（2）T是无条件成立（公理）

TI中的I为introduction，引入。
（3）⊥，假推出一切！

⊥E中的E为elimination，消去。
从一组自相矛盾的条件出发，任何结论都成立。
（4） $\bigwedge$ ，如果可以证明P，也可以证明Q，那么可以证明 $\bigwedge P$

（5） $\bigvee P$

（6） $\to P$

（7）¬ （反证法）

（8）¬¬ 双重否定律

不同的是之前所有都是语法制导。

Proof Tree ：注意P是随意产生的还是在原有的命题中的！
在这里插入图片描述

2.3 语义 Semantics

证明系统关心的是是否可证，以及不可证，而在语义学中更关心计算，得到的结果是“真”还是“假”。但并不是所有问题都是可计算的，NP以及NPC问题。

真值表 The truth table
Interpertation

在以上两个形式系统AB中，A即上文中研究的命题逻辑系统（逻辑命题，连接词，推理规则），B即真值表系统（T，F，AND，OR），语义学本质上要写一个编译器V，将A中的元素编译（数学中即映射\函数）到B中。
重言式 Tautology （永真式）
即对于任意的编译器V，V（P）=T，使用⊨ P来表示。
（⊢𝑃语法上可证，⊨ P通过计算为真）
两种观点命题成立，1.在证明系统中可证 2.在模型论中为真。
可靠性：Γ⊢ P => Γ ⊨ P
完备性：Γ ⊨ P => Γ⊢ P

3.构造逻辑 Constructiove logic

3.1 Motivation

排中律：⊢ $\bigvee ~P$
在这里插入图片描述

（第三课：命题逻辑）

3.2 The syntax

在这里插入图片描述
和经典结构的语义相比，没有否定连接词，否定在构造系统中定义成语法糖（并不是必需的）

3.3 证明系统 proof theory （也是基于自然演绎）

3.4 语义学 Semantics（了解，不考）

4.Satisiability （SAT问题）

NP问题：存在算法，但是时间复杂度为指数时间，不是现实可行。
NPC问题：其他NP问题都能在多项式时间内转换成NPC问题，只要NPC问题能解，其他问题也可解。

SAT：给定一个命题P，是否存在一个模型（变量的赋值）使得最终P为Ture。

4.1 SAT vs. valid

$\iff unsat(~P)$ 如果证明P为真，只需要证明~P为UNSAT。

4.2 DPLL

$\to NNF \to CNF$
范式（1）否定范式 NNF
在这里插入图片描述
a.没有蕴含 b.所有的否定只能出现在原子命题前

NFF Example
$\bigwedge$ ~ $\bigwedge p3 \bigwedge$ ~ $p 4$
Non NFF:
$\bigwedge$ ~ $\bigwedge p3)\bigwedge$ ~ $p 4$

消除蕴含规则：
在这里插入图片描述
转换成NFF规则（消去~非原子命题）：

（2）CNF 合取范式

CNF Example
$\bigvee ~p2) \bigwedge (p3 \bigvee ~p4)$
Non CNF:
$\bigwedge (~p2 \bigvee p3)$ $\bigvee$ $p 4$

转换成CNF：
在这里插入图片描述
（3）DIMACS standard
如果当一个命题已经满足CNF，那么用数字代表一个命题进行编码。

在这里插入图片描述

4.3 DPLL算法改进

1.分割
2.传播
在这里插入图片描述

（第四课谓词逻辑）

4.4 Modeling and reasoning with SAT

在这里插入图片描述

Example 1：circuit layout
在这里插入图片描述
Example 2: seat arrangement

Example 3: n-queens puzzle

Assignment 3 SAT

Part A: Basic Propositional Logic

'''
By default, Z3 only outputs the first row in the truth table:
    P    Q    P\/Q
    -----------------
    t    t     t
    t    f     t
    f    t     t
    f    f     f
'''
# then check the satisfiability again. For the above example:
    F = Or(P, Q)
    solve(F)
    F = And(F, Not(And(P, Not(Q))))
    solve(F)
    F = And(F, Not(And(Not(P), Q)))
    solve(F)
    F = And(F, Not(And(P, Q)))
    solve(F)
# The output will obtained all the 3 possible solutions:
    [P = True, Q = False]
    [P = False, Q = True]
    [P = True, Q = True]
    no solution

Part B: SAT And Validity

    # valid(P) <==> unsat(~P)
    F = Implies(Not(Not(P)), P)
    solve(Not(F))
    # print "no solution"

Part C: The DPLL algorithm

'''
    nnf(P): to convert the proposition P into negation normal form;
    cnf(P): to convert the proposition P into conjunction normal form;
    dpll(P): to calculate the satisfiability P of the proposition P;
   '''
    dpll(P){   
        if(P==T)    
            return sat;   
        if(P==F)     
            return unsat;
        unitProp(P);  // unit prop and simplify P
        x = select_atomic(P); // choose an atomic prop
        if(dpll(P[x|->T])) // splitting
            return sat;
        return dpll(P[x|->F]);
        }

5.谓词逻辑 Predicate logic

（一阶逻辑、FOL）

5.1 Motivcation

在这里插入图片描述

5.2 语法 syntax

在这里插入图片描述
a.Bound and free variables
对于 ∀𝑥.𝑃(𝑥, 𝑦)
其中x为bound var，y为free var。

把自由变量看作全局变量或外部变量。
将替换看作函数调用。

b.Substitution: P[x↦E]
在这里插入图片描述
c.𝛼−renaming

5.3 the proof theory

Judgment: Γ⊢𝑃
在命题逻辑中，Γ为一组逻辑命题，而在一阶逻辑中，Γ是一组逻辑命题或变量。
Example: P, Q, R, x, y, z ⊢𝑃

Inference rules
在这里插入图片描述

∀ 是多态的基础，∃是ADT的基础。（了解）

5.4 语义 Semantics

可靠性与完备性依然成立！可计算=可证，可证=可计算（计算机上可计算，不可判定为T还是F）。

（第五课 SAT范式、解析、DPLL算法）

6.等式和未解释函数理论

6.1Motivation

SAT对于命题逻辑，NPC问题，但是已经高效，DPLL。
对于谓词逻辑，是不可判定的，不可能有计算机算法解决，不过将其限制到一个子集中：theory，可能是可解的。在这里插入图片描述

6.2 Equality and Uninterpreted Functions (EUF)

在这里插入图片描述
Motivation: solving equality

6.3 uninterpreted functions

在这里插入图片描述
当函数符号相等，且函数符号接收的参数在对应位置上相等，才称为全等。

6.4 EUF theory applications

Assignment 5: Theory of EUF

Part A: Basic EUF theory

solve(e == f(e))
#[e = S!val!0, f = [else -> S!val!0]]
# e取值为0，f中无论取何值结果都为你0
solve(e == f(g(e, e)))
#[e = S!val!1, g = [else -> S!val!0], f = [else -> S!val!1]]
# e取值为0，f中无论取何值结果都为你0，g的结果可以为任意值
# the example from the lecture:
x1, x2, x3, x4, x5 = Consts('x1 x2 x3 x4 x5', S)
solve(x1 == x2, x2 == x3, x4 == x5, x5 != x1, f(x1) != f(x3))
# with the result "no solution".
#在S中x1=x2=x3,x4=x5,x5!=x1,但x1=x3,即f(x1)=f(x3),与约束条件矛盾。
# we can change the disequality to equality:
solve(x1 == x2, x2 == x3, x4 == x5, x5 != x1, f(x1) == f(x3))

Part B: Translation validation

'''
    input(source language) ---> compiler translation ---> output(target language)
      |                                                       |
      ------------------------> translation validator <--------
'''

7.线性算数

7.1 语义

语义比较重要！一定要特别熟悉！
在这里插入图片描述
在有理数领域：多项式时间；
在整型Z域内：NPC。

7.2 Fourier-Motzkin variable elimination

Algorithm
1）Normalize to (only ≥0 )；
2）找到变量，即存在正系数也存在负系数，即为消去后选；
3）正系数负系数两两相加消去xi；
4）消去化简后继续 1）步，此时不包含xi。

（第六次课 LA）

时间复杂度
对于n个变量，m个约束：
每一步都可能引出 $m^2 / 4$ 个不等式，共有 $m^{2^n}/4^n$ 个。因此对于较大的n和m该算法是低效的，但是小规模的问题依然很好。

Example：
在这里插入图片描述

7.3 Simplex

1）Normal forms：n个等式 + n个不等式
在这里插入图片描述
其中 x 称为基本变量（原本存在），s称为附加变量。
例如：

2）Tableau

将自变量写在行上，将因变量写在列上，因变量随着自变量的变换而变化，并且因变量可能是对自变量存在约束。
问题：是否可以找到x、y使得s1、s2、s3满足约束？

3）Trial and fix
首先进行尝试，若不满足条件则换轴（pivoting）。
在这里插入图片描述
假设初值：x=y=0，则𝑠1=0, 𝑠2=0, 𝑠3=0不满足。因此换轴！
$\to x = s1-y;$
$s 2 = 2 x - y = 2 (s 1 - y) - y = 2 s 1 - 3 y$
$s 3 = - x + 2 y = - (s 1 - y) + 2 y = - s 1 + 3 y$
此时的s1便不能随意取值，要满足其约束。

Example：
在这里插入图片描述

7.4 Branch & Bound （ILP）

和LP很相似，但是被限制在整型Z域。该问题是一个NPC问题，但可以用分治法解决。
在这里插入图片描述

7.5 LA theory applications

#1: Compiler optimization
#2: n-queens puzzle
#3: subset sum problem
#4: task scheduling
#5: task assignment

Assignment 6: Linear arithmetic

fourier_motzkin

# 1) Select a variable xi, and change the constraints into normal form,
    #    with m positive and n negative occurrences of xi:
    #
    #    xi + P1(x) >= 0
    #        ...
    #    xi + Pm(x) >= 0
    #    -xi + Q1(x) >= 0
    #        ...
    #    -xi + Qn(x) >= 0
    #    R(x) >= 0
    #
    # 2) Eliminate xi. The previous m + n constraints will be replaced with
    #    m * n new constraints.
    #
    #    P1(x) + Q1(x) >= 0
    #        ...
    #    P1(x) + Qn(x) >= 0
    #    P2(x) + Q1(x) >= 0
    #        ...
    #    P2(x) + Qn(x) >= 0
    #        ...
    #    Pm(x) + Qn(x) >= 0
    #    R(x) >= 0
    #
    # 3) If there're multiple variables in a single constraint, repeat step 1) and 2).

simplex

（第七次课 Bit Vectors）

8.Bit Vectors

比特向量：1）数据结构 2）建模/性质推理

bug原因：
int mid = (low+high)/2;
如何解决？
int mid = low +(high+low)/2 ？ ×

    t0 = (x&y)+((x^y)>>1)
    t = t0+(LShR(t0,31)&(x^y))

在这里插入图片描述
L长度的比特向量b，是连续的0和1， $b_0$ 是最低位，l是一个常数。

8.1Bit vectors: the syntax

在这里插入图片描述

8.2Semantics: arithmetic operations

在这里插入图片描述
Example:
<11001000>U = 200
<11001000>S = -56 (补码)

x, y = BitVecs(‘x y’, 8) 
solve(x+y == 1024) 
# why Z3 output:[x=0, y=0] ?
# x,y为长度为8的bitvec，x+y同理，故1024(100,0000,0000)=0(0000,0000)

8.3 决策过程 Decision procedures

在这里插入图片描述

8.4 Incremental Bit Blasting

先求解容易求解的部分，如果UNSAT则直接不满足。

8.5 Bit-vectors applications

#1: Fermat‘s last theorem
在这里插入图片描述

为什么要a&magic == 0？？？
a&magic == 0控制了a、b、c只能 $2^4=16$ bit，在a×a×a的时候会达到48bit<64bit，否则将会溢出！

Question: why we don’t just use integers?
中止！Z3不会去遍历所有整数，因为它是无限的！所以要限定范围！

（第八次课 Arrays）

9.Arrays

9.1 Motivation

在这里插入图片描述
A’[k]==A[k] (k!=i,j) 代表除了变换位置i，j，其他位置的元素都不会发生改变。

函数式编程两个特性：
1.数据结构不可变化，不能修改
2.支持等式的推理，例如每次调用f(x)得到的结果都等于a。

和命令式函数不同，命令式函数中返回void，直接在原有的数据结构进行改变，而函数时式编程因为是不可写的，则每次都返回一个新构造的数组，在数组推理中，证明器总会把命令程序先转换成函数式程序，对命令式程序的推理则转换成了等价的对函数式程序的推理。

9.2 the syntax

在这里插入图片描述
Inference rules for arrays

9.3 Array Elimination

1）独立研究 2）消去和转换
在这里插入图片描述
Problems
一般来说，对于高阶的结果是不可判定的！但是在某种限制下还是可解的。

9.4 the restricted syntax

在这里插入图片描述
对于E中下标做出了限制！！！防止不可判定！

Array property
描述了推理Array数组相关性质时，能够出现的逻辑命题的形式是什么。
在这里插入图片描述
Array reduction algorithm
路线图：给出一个数组和理论，里面设计到两个关键操作：读和写，利用转换和消去的机制，把数组读改成函数调用，把数组写改成一个嵌套的store表达式，然后通过把他们翻译到EUF类型理论，得到他的求解算法。

// Goal:given a proposition in array property 
// form,turn it into an EUF formulae. 
// Input:any proposition P 
// Output:a EUF proposition
EUF arrayReduction(P){
	P1 = eliminate all
	array write: store(A, i, x);
	P2 = replace ∃x.P1(x) with P1(y); // y is fresh 
	P3 =replace ∀x.P2(x) with P2(i)/\.../\P2
	P4 = eliminate array read in P3: A[i]; 
	return P4
}

Array reduction example
在这里插入图片描述

9.5 Theory of Hash Tables

最后，为什么要研究数组运算？
1）在计算机中，如果有整型向量和array可以推理任何程序；
2）数组从接口上看也具有特殊性，数组的读写代表read/write、select/updata、look up\insert，代表了符号表查找表一系列结构。

例如对于Array和Hash tables：

// Array: 
read(A, i); 
store(A, i, x);
// Hash tables: 
lookup(H, k); 
update(H, k, v);

在Array中i为整型，而在Hash中，k为任何一个可比较的类型。

（第九次课 Pointer）

10. Pointer programs

10.1 Motivation: pointers

指针 / 引用 / 代数数据

// subtle bug #1: dangling reference: 
int *p, *q; *p = 88; 
// subtle bug #2: pointer alias
p = q; 
free(q); 
*p = 88;
// subtle bug #3: double free 
p = q; 
free(p); 
free(q);

10.2 内存模型

平坦的、无限的内存模型：
1）按字节寻址；
2）每个对象都是固定的有限的长度；
3）地址0是不可访问的；
4）指针指的是内存地址

（数学抽象）内存模型包括存储S和堆H：
在这里插入图片描述
S： $\to a$ ，把变量名字x映射到地址a；
H： $\to v$ ，把一个地址a映射到一个值v；

10.3 Syntax & semantics

Syntax
在这里插入图片描述
semantics

Example

其中H,S并没有明确的定义，又转换成了未解释函数EUF问题。

10.4 A decision procedure

基于语义函数的一个决策过程！弱化和消去路线。
使用函数S和H对问题进行一个转化，也没有直接对问题进行求解。

如果一个变量的地址没有被取过或被地址化，那么就把这个变量称为纯变量，否则这个变量就被称为逃逸变量。
如果是逃逸变量，则必须存储在栈上，必须需要有一个地址才能被取。而纯变量比较自由，既可以在栈上也可以在寄存器中。
我们可以引出内的内存模型R(x):
在这里插入图片描述
例如如下改变：

我们可以利用局部性原理，将内存切分为若干个小的内存，按照类型分类。
Key observation: for these var declarations:

int *p; 
int **q;

Can p and q be alias? That is, can they point to the same memory address?
The answer is NO.(recall we don’t have type conversion!)

因此我们可以得出结论：即便是同样的程序，也可以抽象出不同的模型，不同的模型就会导致对同一个命题证明会非常容易或非常复杂。
在上例中，p！=q，如果自动化去做就是程序分析中的指针分析。

核心思想：通过给出指针，构造合适的模型，可以将指针程序转换成并不含有指针的程序，从而根据已有的理论（例如EUF）建立一个对指针的算法和理论，即上文提到的第二种方法：转换和消去。

example：p=&a ∧ a=1 → *p=1
⟦𝑝=&𝑎∧𝑎=1→ ∗𝑝=1⟧ 
⟦𝑝=&𝑎∧𝑎=1⟧→⟦∗𝑝=1⟧ 
⟦𝑝=&𝑎⟧∧⟦𝑎=1⟧→⟦∗𝑝=1⟧
(H(S(p))==S(a))/\(H(S(a))==1)->(H(H(S(p)))==1) # 𝑆(𝑝)=𝑆(𝑎)∧𝐻(𝑆(𝑎))=1→𝐻(𝑆(𝑝))=1 （课件错误）
（—— 来自tiancaidong的投稿）

（第十次课理论组合）

11.Theory Combination

11.1 theories and signatures

从本质上来说，一阶逻辑是不可判定的，没有算法对他任意命题的求解，所以便选取一阶逻辑的子集，对子集进行求解，子集即理论。
在这个子集中能表达计算机的一些问题，而且可以找到一些计算机算法能够对子集有效地求解。并且其解释的确定的，即给定一个语法，可以解释到具体的规则上。
在这里插入图片描述
理论组合从本质上分为两大类：
1）把每一个理论都分别转换为命题逻辑的公式，然后直接用SAT方法求解。
2）每个理论分别用其特有的算法进行求解，在求解的过程中两边进行协作，信息互相传播，最终达到稳定状态即解。

10.2 Nelson-Oppen Method

如何能保证组合之后可解呢？
1）各自都是可解的
2）相交的语法为空（等号除外）
3）无限的、稳定的（无限多个元素）
在这里插入图片描述
首先要明确输入与输出！其中输入一定要是合取公式（即∩），其中命题可能是混合在一块的，纯化之后依然满足合取式且为原子形式，且每个命题只属于一种理论，最后将每个理论分别丢进求解器中，然后返回等式结果，然后经过等式的传播不停反复一直到求解结束。

注意合取公式和合取范式的区别！！！
合取范式中，每个Pn还可能有内部结构，而在合取公式中必须是原子的。

在这里插入图片描述

10.3 Convexity 凸性

在这里插入图片描述
从上面的例子中可以看出，纯化后并没有等式，在LA和EUF中无法进行传播，故无法求解。
因此引入凸理论，所谓的凸理论意思就是，如果P能推出一个析取的等式，P一定能推出其中某一个。
因此需要对nelson改进：
在这里插入图片描述
在纯化后得到x=1或x=2之后需要进行状态分裂（split），将其中一个命题广播到x=1，另一个x=2，然后分别对EUF求解。

Soundness and completeness
对于完备性，即如果nelson返回为SAT则一定是满足的。当返回UNSAT时，是不可满足的，但是这种情况很难证明，可能是求解器不行！

11.DPLL(T)

T表示theory，本质上还是要研究DPLL算法，即SAT算法，但这个算法是以理论T作为参数。类比为在写C++时的泛型或模板算法。
在Nelson算法中，是研究一个可满足问题，但是必须是一个合取式，但是实际上都是一般形式，就需要通过DPLL(T)求解！
一阶逻辑 $\to$ 抽象 $\to$ 命题逻辑 $\to$ 传给DPLL $\to$ 聚象 $\to$ Nelson
抽象前后的可满足性结果可能不同，因为信息量减少！

在这里插入图片描述
这种解法一般称为离线的，主要特点是把SAT solver用成一个黑盒，每调用一次都可以得到一个值。

注意：当nelson验证并不成立时，应当把该次DPLL计算的u完全取否后加入到下一次DPLL验证中，例如此次只是证明了如果B成立的条件下C不成立，但是并不能说明C本身不成立！

第三部分应用

（第十一次课 Operational semantics）

12.Operational semantics

1）语义学
2）语言

12.1 A very small language: C–

bop ::= + | - | * | / | == | != | > | < | >= | … 
E ::= n | x | E bop E //整型\常量\二元运算
S ::= skip   //空语句
      | x=E	//赋值语句
      | S;S     //顺序语句
      | f(E1, …, En)     //函数调用
      | if(E, S, S)      //条件语句
      | while(E, S)	 //循环语句
F ::= f(x1, …, xn){S; return E;}

Operational semantics:

store
Store 𝜌 maps variables to their values:𝜌:𝑥→𝑛
两种操作：更新 𝜌[𝑥⊢𝑛]，读取 𝜌(𝑥)
Judgment
𝜌⊢𝐴→𝐴′
在𝜌下，A化简为𝐴′。𝜌即存储器用来存放变量，A为正在研究的某一类语法符号。描述了每一类化简形式。

12.2 Operational semantics styles

Big-step operation semantics：𝜌⊢𝐸⟹𝑛
对表达式的计算是一步到位，例如复合结构，忽略内部结构，一步得到结果。

Small-step operation semantics：𝜌⊢𝐸→𝐸′
和大步结构相反，每次只计算一步！
在小步结构中，必须要走一步，因此并不存在0步，即不存在（E - n）的情况。

12.3 Operational semantics rules

在每一步中，𝜌⊢S→S’,𝜌’，因为在执行S之后，S必然发生了变换，其中可能会存在赋值，导致存储器𝜌也发生更新。

总结：这种操作语义一般被称为解释器，也叫做具体执行。（建议看看阅读材料加深理解）

（第十二次课）

13.Symbolic execution

1）软件安全领域
2）软件测试

路径的全覆盖！
在这里插入图片描述

13.2 Practical Issues with Symbolic Execution

1: Path explosion

解决办法：选择部分分支，抛弃了路径的全覆盖
2.Loops and recursions

在符号执行中，并不是具体的值，因此循环并不会结束！
解决办法：有界符号执行，限制循环次数，也限制了路径的全覆盖。（循环有限化处理）
3.Heap modeling
a）建立一个完全的符号堆，太重量级。
b）利用arrays或者pointers理论
4.Environment modeling
符号执行必须对环境进行建模，对所有的库的输入和输出都进行建模？
结合具体执行！
5.constraint solving

（第十三次课 Concolic execution）

14.Concolic execution

Concolic = Concrete + symbolic

14.1 Steps

在这里插入图片描述
a）对一个待测试的程序，同时生成两种待测试的输入，一组是具体输入（随机取数），另一种符号数。
b）用生成的两种输入运行当前被测试的程序，同时维护两种状态。
c）如果有分支语句（条件判断），生成路径条件，但并不像符号执行中生成两种路径条件，并不产生分支。因为可通过具体值来判断哪一种是可行的路径。
d）得到路径条件之后，进行取反给求解器，得到其他的具体输入。
e）跳到b）重复执行。

在这里插入图片描述
在混合执行中，如果遇到上图中问题，当对 $m = x \times x \times x$ 无法求解时，需要带入x的具体值送给z3。
即不知道如何求解或不知道库函数性质时，将符号值弱化成具体值。

14.2 Advantages of Concolic Execution

a）Path explosion
每次得到一条路径，进行循环，是可控的。但是失去了路径的全覆盖。

b）Loops and recursions
混合执行时维护两个状态，是具有具体值的。

c）Environment modeling
当不知道库函数性质时，直接将具体值带入，没有符号值就将其弱化成具体的数。

15.Hoare logic

基于霍尔逻辑正确性验证！
在这里插入图片描述

15.1 Hoare Triple 霍尔三元组

{𝑃} 𝑆 {𝑄}
其中P,Q是两个逻辑命题，前提条件（pre-condition）和后条件（post-condition）。S即程序的语句。
在执行语句S之前，相关变量满足P的约束，经过S执行中止之后应当满足Q的约束。未要求执行是否中止，只是要求了程序的部分正确性。

[𝑃] 𝑆 [𝑄]
另一种完全正确性，初始状态要满足P，并且程序S一定会终止，然后中止后满足Q。活跃性性质。

15.2 Proposition syntax

在这里插入图片描述

15.3 Proposition semantics

𝜌⊨𝑃
𝜌代表存储器（内存），P在store 𝜌 上成立，即用存储器𝜌上的值取代命题P上的变量，结果P成立。

∀𝜌.∀𝜌′.(𝜌⊨𝑃 ∧ 𝜌⊢𝑆⟹𝜌′) → 𝜌′⊨𝑄
对于任意的𝜌在P上成立，并且在𝜌下S执行得到𝜌’，依然成立，便可以推出Q在𝜌’上成立。

15.4 Axiomatic semantics

定义一套公理系统来做推理。建立一个可靠性和完备性理论。
⊨{𝑃}𝑆{𝑄} ⟺ ⊢{𝑃}𝑆{𝑄}

15.5 inference rules

a）empty 空语句，在执行之后状态不变。
在这里插入图片描述
b）assignment 赋值语句将P中的x替换成E

c）sequence 顺序（序列）

d）if

e）while

f）consequence （唯一一个不是语法制导）

（第十四次课 Verification condition）

16. Verification condition

霍尔逻辑的本质是一个推理系统，利用其定理和推理规则。构造一棵证明树！
对于一个霍尔三元组：{𝑃} 𝑆 {𝑄}
给定一个执行S，通过条件Q来计算一个A，假设A执行S后满足Q，A是一个最弱的前提条件。
那么只需要证明对于任意的P，𝑃→𝐴即可。
在这里插入图片描述

16.1 Weakest pre-condition generation

根据霍尔三元组，S,Q计算一个最弱前提条件生成。还是对执行S的归纳，即语法制导（syntax-directed）。
a）empty
在这里插入图片描述
b）assignment

c）sequence

d）if

e）while

16.2 Verification Condition

最弱前提条件是不可行计算的，于是讨论验证条件！
在这里插入图片描述
1）验证条件比最弱前提条件好求解；
2）依然比用户给定的前提条件弱！程序永远比程序员更懂程序！

最核心的洞察就是循环，循环不中止！每写一个循环都要标识一个循环不变式。
${while}_I(E;S)$ ， $I$ 就是循环不变式！一般不要求，但是要让循环可行的话就需要给出循环不变式。

有了循环不变式之后就可以构造一个验证条件生成器：
在这里插入图片描述
最核心的部分就是生成器算法：

// Induction on syntactic form of a statement S; 
// backward computation:
//语法制导 
VC(skip, P)        = P //在这种情况下，最弱前提条件=验证条件
VC(S1;S2, P)       = VC(S1, VC(S2, P))  
VC(x=e, P)         = P[x↦e] 
VC(if(e;s1;s2), P) = (e→VC(s1, P))∧(~e → VC(s2, P))
VC(whileI(e;s), P) = I∧(∀𝒙 ⃗.I →(e → VC(s, I) ∧(~e → P))) 
//循环不变式在进入循环前就要成立，且循环不管经过多少次退出时依然成立，循环中也要成立