Inferencia proposicional efectiva

Una regla de inferencia, o regla de transformación es una forma lógica que consiste en una
función que toma premisas, analiza su sintaxis, y devuelve una conclusión (o conclusiones).
Se describirán dos familias de algoritmos eficientes para la inferencia en lógica
proposicional, basadas en la comprobación de modelos: un enfoque basado en la búsqueda
con backtracking, y el otro en la búsqueda basada en la escalada de colina.
Algoritmo completo con backtracking («vuelta atrás»)
El algoritmo detecta si la sentencia debe ser verdadera o falsa, aun con un modelo
completado parcialmente. Una clausula es verdadera si cualquier literal es verdadero, aun
si los otros literales todavía no tienen valores de verdad; así́ la sentencia, entendida como
un todo, puede evaluarse como verdadera aun antes de que el modelo sea completado.
Por ejemplo, la sentencia (A v B) ^ (A v C) es verdadera si A lo es, sin tener en cuenta los
valores de B y C. De forma similar, una sentencia es falsa si cualquier clausula lo es, caso
que ocurre cuando cada uno de sus literales lo son. Del mismo modo, esto puede ocurrir
mucho antes de que el modelo sea completado. La terminación anticipada evita la
evaluación integra de los subárboles en el espacio de búsqueda.

Hernández Pérez Esteban 9CV11 Inferencia proposicional efectiva

Algoritmos de búsqueda local
El algoritmo escoge aleatoriamente entre dos métodos para seleccionar el símbolo a
intercambiar: un paso de «min-conflictos» que minimiza el número de cláusulas
insatisfechas en el nuevo estado, y un paso «pasada-aleatoria» que selecciona de forma
aleatoria el símbolo.
Lo que sugiere este problema es que los algoritmos de búsqueda local, como el SAT-
CAMINAR, son más útiles cuando esperamos que haya una solución. Por otro lado, los
algoritmos de búsqueda local no detectan siempre la insatisfacibilidad, algo que se requiere
para decidir si hay relación de implicación.

En la imagen superior, el algoritmo DPLL para la comprobación de la satisfacibilidad de una

sentencia en lógica proposicional. En el texto se describen ENCONTRAR-SÍMBOLO-PURO
y ENCONTRAR-CLAUSULA-UNITARIA; cada una devuelve un símbolo (o ninguno) y un
valor de verdad parsi asignar a dicho símbolo. Al igual que ¿IMPLICACIÓN-TV?, este
algoritmo trabaja sobre modelos parciales.
Problemas duros de satisfacibilidad
Por supuesto, estos resultados solo son para los problemas generados aleatoriamente. Los
problemas reales no tienen necesariamente la misma estructura (en términos de
proporciones entre literales positivos y negativos, densidades de conexiones entre
clausulas, etcétera) que los problemas aleatorios. Pero todavía en la práctica, el SAT-
CAMINAR y otros algoritmos de la misma familia son muy buenos para resolver problemas
reales (a menudo, tan buenos como el mejor algoritmo de propósito específico para esas
tareas).
En concreto, estamos interesados en los problemas duros (o complejos), porque los
problemas fáciles se pueden resolver con cualquier algoritmo antiguo. Por ejemplo, el
problema de las n reinas (pensado como un problema absolutamente difícil para los
algoritmos de búsqueda con backtracking) resultó ser trivialmente sencillo para los métodos

Hernández Pérez Esteban 9CV11 Inferencia proposicional efectiva

de búsqueda local, como el min-conflictos. Esto es a causa de que las soluciones están
distribuidas muy densamente en el espacio de asignaciones, y está garantizado que
cualquier asignación inicial tenga cerca una solución.

Hernández Pérez Esteban 9CV11 Inferencia proposicional efectiva