The Nominal Datatype Package in Isabelle/HOL
|
|
|
- Marianna Hunt
- 6 years ago
- Views:
Transcription
1 The Nominal Datatype Package in Isabelle/HOL Christian Urban University of Munich joint work with Stefan Berghofer, Markus Wenzel, Alexander Krauss... Notingham, 18. April 2006 p.1 (1/1)
2 The POPLmark-Challenge How close are we to a world where programming language papers are routinely supported by machine-checked metatheory proofs, where full-scale language definitions are expressed in machine-processed mathematics...? Obviously we aren t there yet: for binders reasonable powerful tools are available: de-bruijn indices (in Coq, Isabelle,...) or HOAS (mainly in Twelf) but apart from some theorem-proving experts, nobody seems to use them; non-experts are still routinely do their proofs on paper, only Notingham, 18. April 2006 p.2 (1/2)
3 The POPLmark-Challenge How close are we to a world where programming The language aim of papers the nominal are routinely datatypesupported by machine-checked package is to support metatheory the kind proofs, of where full-scale reasoning language thatdefinitions is employed areon expressed paper. in machine-processed The hope is: ifmathematics...? you can do formal proofs on paper, then you can implement them in Isabelle/HOL with ease. Obviously we aren t there yet: for binders reasonable powerful tools are available: That isde-bruijn not a trivial indices task. (in Coq, Isabelle,...) or HOAS (mainly in Twelf) but apart from some theorem-proving experts, nobody seems to use them; non-experts are still routinely do their proofs on paper, only Notingham, 18. April 2006 p.2 (2/2)
4 Substitution Lemma: If Ü Ý and Ü ¾ Πĵ, then ÅÜ Æ Ý Ä ÅÝ Ä Ü ÆÝ Ä. Proof: By induction on the structure of Å. This is a simple example illustrating Case 1.1. Å Ü. Then both sides equal ÆÝ Ä since Ü Ý. Case 1: Å is a variable. Case Å 1.2. Ý. Then both sides equal Ä, Ü ¾ Πĵ for a point. We have already implies ÄÜ Ä. implemented much more complicated Case 1.3. Å Þ Ü Ý. Then both sides equal Þ. proofs, e.g. Church-Rosser, SN, transitivity of subtyping in Case 2: Å ÞŽ. By the variable convention we may assume Þ Ü Ý that Þ and Æ isnotfreein Ä. Thenbyinductionhypothesis POPLmark, etc. ÞŽµÜ Æ Ý Ä Þ Å½Ü Æ Ý Ä µ Þ Å½Ý Ä Ü ÆÝ Ä µ ÞŽµÝ Ä Ü ÆÝ Ä. Case 3: ŠŽž. The statement follows again from the induc- tion hypothesis. Notingham, 18. April 2006 p.3 (1/8)
5 Substitution Lemma: If Ü Ý and Ü ¾ Πĵ, then ÅÜ Æ Ý Ä ÅÝ Ä Ü ÆÝ Ä. Proof: By induction on the structure of Å. Case 1: Å is a variable. Case Å 1.1. Ü. Then both sides ÆÝ Ä equal Ü since Ý. Case 1.2. Å Ý. Then both sides equal Ä, for Ü ¾ Πĵ implies ÄÜ Ä. Case 1.3. Å Þ Ü Ý. Then both sides equal Þ. ÞŽ. By the variable convention we may assume Þ Ü Ý that Þ and Æ isnotfreein Ä. Thenbyinductionhypothesis Case 2: Å ÞŽµÜ Æ Ý Ä Þ Å½Ü Æ Ý Ä µ Þ Å½Ý Ä Ü ÆÝ Ä µ ÞŽµÝ Ä Ü ÆÝ Ä. Case 3: ŠŽž. The statement follows again from the induc- tion hypothesis. Notingham, 18. April 2006 p.3 (2/8)
6 Substitution Lemma: If Ü Ý and Ü ¾ Πĵ, then ÅÜ Æ Ý Ä ÅÝ Ä Ü ÆÝ Ä. Proof: By induction on the structure of Å. Case 1: Å is a variable. Case Å 1.1. Ü. Then both sides ÆÝ Ä equal Ü since Ý. Case 1.2. Å Ý. Then both sides equal Ä, for Ü ¾ Πĵ implies ÄÜ Ä. Case 1.3. Å Þ Ü Ý. Then both sides equal Þ. ÞŽ. By the variable convention we may assume Þ Ü Ý that Þ and Æ isnotfreein Ä. Thenbyinductionhypothesis Case 2: Å ÞŽµÜ Æ Ý Ä Þ Å½Ü Æ Ý Ä µ Þ Å½Ý Ä Ü ÆÝ Ä µ ÞŽµÝ Ä Ü ÆÝ Ä. Case 3: ŠŽž. The statement follows again from the induc- tion hypothesis. Notingham, 18. April 2006 p.3 (3/8)
7 Substitution Lemma: If Ü Ý and Ü ¾ Πĵ, then ÅÜ Æ Ý Ä ÅÝ Ä Ü ÆÝ Ä. Proof: By induction on the structure of Å. Case 1: Å is a variable. Case Å 1.1. Ü. Then both sides ÆÝ Ä equal Ü since Ý. Case 1.2. Å Ý. Then both sides equal Ä, for Ü ¾ Πĵ implies ÄÜ Ä. Case 1.3. Å Þ Ü Ý. Then both sides equal Þ. ÞŽ. By the variable convention we may assume Þ Ü Ý that Þ and Æ isnotfreein Ä. Thenbyinductionhypothesis Case 2: Å ÞŽµÜ Æ Ý Ä Þ Å½Ü Æ Ý Ä µ Þ Å½Ý Ä Ü ÆÝ Ä µ ÞŽµÝ Ä Ü ÆÝ Ä. Case 3: ŠŽž. The statement follows again from the induc- tion hypothesis. Notingham, 18. April 2006 p.3 (4/8)
8 Substitution Lemma: If Ü Ý and Ü ¾ Πĵ, then ÅÜ Æ Ý Ä ÅÝ Ä Ü ÆÝ Ä. Proof: By induction on the structure of Å. Case 1: Å is a variable. Case Å 1.1. Ü. Then both sides ÆÝ Ä equal Ü since Ý. Case 1.2. Å Ý. Then both sides equal Ä, for Ü ¾ Πĵ implies ÄÜ Ä. Case 1.3. Å Þ Ü Ý. Then both sides equal Þ. ÞŽ. By the variable convention we may assume Þ Ü Ý that Þ and Æ isnotfreein Ä. Thenbyinductionhypothesis Case 2: Å ÞŽµÜ Æ Ý Ä Þ Å½Ü Æ Ý Ä µ Þ Å½Ý Ä Ü ÆÝ Ä µ ÞŽµÝ Ä Ü ÆÝ Ä. Case 3: ŠŽž. The statement follows again from the induc- tion hypothesis. Notingham, 18. April 2006 p.3 (5/8)
9 Substitution Lemma: If Ü Ý and Ü ¾ Πĵ, then ÅÜ Æ Ý Ä ÅÝ Ä Ü ÆÝ Ä. Proof: By induction on the structure of Å. Case 1: Å is a variable. Case Å 1.1. Ü. Then both sides ÆÝ Ä equal Ü since Ý. Case 1.2. Å Ý. Then both sides equal Ä, for Ü ¾ Πĵ implies ÄÜ Ä. Case 1.3. Å Þ Ü Ý. Then both sides equal Þ. ÞŽ. By the variable convention we may assume Þ Ü Ý that Þ and Æ isnotfreein Ä. Thenbyinductionhypothesis Case 2: Å ÞŽµÜ Æ Ý Ä Þ Å½Ü Æ Ý Ä µ Þ Å½Ý Ä Ü ÆÝ Ä µ ÞŽµÝ Ä Ü ÆÝ Ä. Case 3: ŠŽž. The statement follows again from the induc- tion hypothesis. Notingham, 18. April 2006 p.3 (6/8)
10 Remember: only if Ý Ü and Ü ¾ ΠƵ then Substitution Lemma: If Ü Ý and Ü ¾ Πĵ, then Æ Ý Ä ÅÝ Ä Ü ÆÝ Ä. ÝÅµÜ Æ Ý ÅÜ Æ µ ÅÜ Proof: By induction on the structure of ÞŽµÜ Æ Ý Ä Å. Å Case 1.1. Ü. Then both ÆÝ Ä sides Ü equal since Ý. Case 1: Å is a variable. Þ Å½Ü Æ µµý Ä Case Å 1.2. Ý. Then both sides equal Ä, Ü ¾ Πĵ Þ Å½Ü Æ Ý Ä µ for ÄÜ implies Þ Å½Ý Ä Ü ÆÝ Ä µ Ä. Case 1.3. Å Þ Ü Ý. Then both sides equal Þ. ¾ Þ Å½Ý Ä µµü ÆÝ Ä µ! Case 2: ÞŽ. Å By the variable convention we may ½ assume Ä Ü ÆÝ Ä. ÞŽµÝ that and Æ isnotfreein Þ Ä. Ý Ü Þ Thenbyinductionhypothesis ½ ¾ IH ÞŽµÜ Æ Ý Ä Þ Å½Ü Æ Ý Ä µ Þ Å½Ý Ä Ü ÆÝ Ä µ ÞŽµÝ Ä Ü ÆÝ Ä. Case 3: ŠŽž. The statement follows again from the induc- tion hypothesis. Notingham, 18. April 2006 p.3 (7/8)
11 Substitution Lemma: If Ü Ý and Ü ¾ Πĵ, then ÅÜ Æ Ý Ä ÅÝ Ä Ü ÆÝ Ä. Proof: By induction on the structure of Å. Case 1: Å is a variable. Case Å 1.1. Ü. Then both sides ÆÝ Ä equal Ü since Ý. Case 1.2. Å Ý. Then both sides equal Ä, for Ü ¾ Πĵ implies ÄÜ Ä. Case 1.3. Å Þ Ü Ý. Then both sides equal Þ. ÞŽ. By the variable convention we may assume Þ Ü Ý that Þ and Æ isnotfreein Ä. Thenbyinductionhypothesis Case 2: Å ÞŽµÜ Æ Ý Ä Þ Å½Ü Æ Ý Ä µ Þ Å½Ý Ä Ü ÆÝ Ä µ ÞŽµÝ Ä Ü ÆÝ Ä. Case 3: ŠŽž. The statement follows again from the induc- tion hypothesis. Notingham, 18. April 2006 p.3 (8/8)
12 Formal Proof in Isabelle lemma forget: assumes a: Ü Ä shows ÄÜ È Ä using a by (nominal induct Ä avoiding: Ü È rule: lam.induct) (auto simp add: abs fresh fresh atm) lemma fresh fact: fixes Þ:: name assumes a: Þ Æ and b: Þ Ä shows Þ ÆÝ Ä using a b by (nominal induct Æ avoiding: Þ Ý Ä rule: lam.induct) (auto simp add: abs fresh fresh atm) lemma subst lemma: assumes a: Ü Ý and b: Ü Ä shows ÅÜ Æ Ý Ä ÅÝ Ä Ü ÆÝ Ä using a b by (nominal induct Å avoiding: Ü Ý Æ Ä rule: lam.induct) (auto simp add: forget fresh fact) Notingham, 18. April 2006 p.4 (1/3)
13 Formal Proof in Isabelle lemma forget: assumes Ü a: Ä ÄÜ È shows Ä using a by (nominal Ä induct Ü È avoiding: rule: lam.induct) (auto simp add: abs fresh fresh atm) lemma fresh fact: fixes Þ:: name assumes a: Þ Æ and b: Þ Ä shows Þ ÆÝ Ä stands Ü ¾ Πĵ for as Ü reads fresh for Ä is a polymorphic construction from the Nominal Logic Work by Pitts using a b by (nominal induct Æ avoiding: Þ Ý Ä rule: lam.induct) (auto simp add: abs fresh fresh atm) lemma subst lemma: assumes Ü a: Ý and Ü b: Ä ÅÜ Æ Ý Ä ÅÝ Ä Ü ÆÝ shows Ä using a b by (nominal Å induct Ü Ý Æ Ä avoiding: rule: lam.induct) (auto simp add: forget fresh fact) Notingham, 18. April 2006 p.4 (2/3)
14 Formal Proof in Isabelle lemma forget: assumes a: Ü Ä shows ÄÜ È Ä using a by (nominal induct Ä avoiding: Ü È rule: lam.induct) (auto simp add: abs fresh fresh atm) lemma fresh fact: fixes Þ:: name assumes a: Þ Æ and b: Þ Ä shows Þ ÆÝ Ä using a b by (nominal induct Æ avoiding: Þ Ý Ä rule: lam.induct) (auto simp add: abs fresh fresh atm) lemma subst lemma: assumes a: Ü Ý and b: Ü Ä shows ÅÜ Æ Ý Ä ÅÝ Ä Ü ÆÝ Ä using a b by (nominal induct Å avoiding: Ü Ý Æ Ä rule: lam.induct) (auto simp add: forget fresh fact) Notingham, 18. April 2006 p.4 (3/3)
15 Crucial Points The nominal datatype package generates the «-equivalence classes as a type in Isabelle/HOL. atom decl name nominal datatype lam = Var name App lam lam Lam name lam ( Lam. 100, ) The type lam is defined so that we have equations Lam µ Var Lam µ Var which do not hold for normal datatypes. Notingham, 18. April 2006 p.5 (1/1)
16 Structural Induction Then automatically generated is a structural induction principle that has Barendregt s convention already build in: Ü È Ü Var µ Ø ½ Ø ¾ Ü Þ È Þ Ø ½ µ Þ È Þ Ø ¾ µ µ È Ü App Ø ½ Ø ¾ µ Ø Ü Ü Þ È Þ Øµ µ È Ü Lam ص È Ü Ø Notingham, 18. April 2006 p.6 (1/7)
17 Structural Induction Then automatically generated is a structural induction principle that has Barendregt s convention already build in: Ü È Ü Var µ Ø ½ Ø ¾ Ü Þ È Þ Ø ½ µ Þ È Þ Ø ¾ µ µ È Ü App Ø ½ Ø ¾ µ Ø Ü Ü Þ È Þ Øµ µ È Ü Lam ص È Ü Ø the variable over which the induction proceeds:...by induction over the structure of Å... Notingham, 18. April 2006 p.6 (2/7)
18 Structural Induction Then automatically generated is a structural induction principle that has Barendregt s convention already build in: Ü È Ü Var µ Ø ½ Ø ¾ Ü Þ È Þ Ø ½ µ Þ È Þ Ø ¾ µ µ È Ü App Ø ½ Ø ¾ µ Ø Ü Ü Þ È Þ Øµ µ È Ü Lam ص È Ü Ø the context of the induction; for which the binder should be fresh µ Ü Ý Æ Äµ:...By the variable convention we can assume Þ Ü Ý and Þ not free in Æ, Ä... Notingham, 18. April 2006 p.6 (3/7)
19 Å Ü Ý Ü Ä µ ÜÝÆĵ Æ Ý Ä ÅÝ Ä Ü ÆÝ Ä ÅÜ Structural Induction Then automatically generated is a structural induction principle that has Barendregt s convention already build in: Ü È Ü Var µ Ø ½ Ø ¾ Ü Þ È Þ Ø ½ µ Þ È Þ Ø ¾ µ µ È Ü App Ø ½ Ø ¾ µ Ø Ü Ü Þ È Þ Øµ µ È Ü Lam ص È Ü Ø the property to be proved by induction: Notingham, 18. April 2006 p.6 (4/7)
20 Structural Induction Then automatically generated is a structural induction principle that has Barendregt s convention already build in: Ü È Ü Var µ Ø ½ Ø ¾ Ü Þ È Þ Ø ½ µ Þ È Þ Ø ¾ µ µ È Ü App Ø ½ Ø ¾ µ Ø Ü Ü Þ È Þ Øµ µ È Ü Lam ص È Ü Ø One only has to write (more in the talk of Markus Wenzel): by (nominal induct Å avoiding: Ü Ý Æ Ä rule: lam.induct) Notingham, 18. April 2006 p.6 (5/7)
21 Structural Induction Then automatically generated is a structural induction principle that has Barendregt s convention already build in: Ü È Ü Var µ Ø ½ Ø ¾ Ü Þ È Þ Ø ½ µ Þ È Þ Ø ¾ µ µ È Ü App Ø ½ Ø ¾ µ Ø Ü Ü Þ È Þ Øµ µ È Ü Lam ص Ü Ø È The lambda-case amounts to: Þ Ü Ý Æ Äµ Ä Ü Ý Ü Ä µ ÜÝÆ Æ Ý Ä ÅÝ Ä Ü ÆÝ Ä ÅÜ Ü Ý Ü Ä Lam Þ ÅµÜ Æ Ý Ä Þ ÅµÝ Ä Ü ÆÝ Ä Lam Notingham, 18. April 2006 p.6 (6/7)
22 Structural Induction Then automatically generated is a structural induction principle that has Barendregt s convention already build in: Ü È Ü Var µ Ø ½ Ø ¾ Ü Þ È Þ Ø ½ µ Þ È Þ Ø ¾ µ µ È Ü App Ø ½ Ø ¾ µ Ø Ü Ü Þ È Þ Øµ µ È Ü Lam ص È Ü Ø By the way: There is a condition for when Barendregt s variable convention is applicable it is almost always satisfied, but not always: needs to be finitely supported (is not allowed to mention Ü all names as free) Notingham, 18. April 2006 p.6 (7/7)
23 Conclusion the nominal datatype package is still work in progress already quite usable for the lambda-calculus Church-Rosser strong normalisation using candidates weakening (transitivity of subtyping, -calc.) mailing list and download Notingham, 18. April 2006 p.7 (1/1)
Nominal Techniques in Isabelle/HOL
Noname manuscript No. (will be inserted by the editor) Nominal Techniques in Isabelle/HOL Christian Urban Received: date / Accepted: date Abstract This paper describes a formalisation of the lambda-calculus
solutions:, and it cannot be the case that a supersolution is always greater than or equal to a subsolution.
Chapter 4 Comparison The basic problem to be considered here is the question when one can say that a supersolution is always greater than or equal to a subsolution of a problem, where one in most cases
ishares Core Composite Bond ETF
ishares Core Composite Bond ETF ARSN 154 626 767 ANNUAL FINANCIAL REPORT 30 June 2017 BlackRock Investment Management (Australia) Limited 13 006 165 975 Australian Financial Services Licence No 230523
Extensional Equality in Intensional Type Theory
Extensional Equality in Intensional Type Theory Thorsten Altenkirch Department of Informatics University of Munich Oettingenstr. 67, 80538 München, Germany, alti@informatik.uni-muenchen.de Abstract We
Two-Way Equational Tree Automata for AC-like Theories: Decidability and Closure Properties
Two-Way Equational Tree Automata for AC-like Theories: Decidability and Closure Properties Kumar Neeraj Verma LSV/CNRS UMR 8643 & INRIA Futurs projet SECSI & ENS Cachan, France verma@lsv.ens-cachan.fr
A Calculus for End-to-end Statistical Service Guarantees
A Calculus for End-to-end Statistical Service Guarantees Technical Report: University of Virginia, CS-2001-19 (2nd revised version) Almut Burchard Ý Jörg Liebeherr Stephen Patek Ý Department of Mathematics
Regression. Linear least squares. Support vector regression. increasing the dimensionality fitting polynomials to data over fitting regularization
Regression Linear least squares increasing the dimensionality fitting polynomials to data over fitting regularization Support vector regression Fitting a degree 1 polynomial Fitting a degree 2 polynomial
Implementing Domain Specific Languages using Dependent Types and Partial Evaluation
Implementing Domain Specific Languages using Dependent Types and Partial Evaluation Edwin Brady eb@cs.st-andrews.ac.uk University of St Andrews EE-PigWeek, January 7th 2010 EE-PigWeek, January 7th 2010
Æ ÛØÓÒ³ Å Ø Ó ÐÓ Ì ÓÖÝ Ò ËÓÑ Ø Ò ÓÙ ÈÖÓ ÐÝ Ò³Ø ÃÒÓÛ ÓÙØ Ú º ÓÜ Ñ Ö Ø ÓÐÐ
Æ ÛØÓÒ³ Å Ø Ó ÐÓ Ì ÓÖÝ Ò ËÓÑ Ø Ò ÓÙ ÈÖÓ ÐÝ Ò³Ø ÃÒÓÛ ÓÙØ Ú º ÓÜ Ñ Ö Ø ÓÐÐ Ê Ö Ò ÃÐ Ò Ä ØÙÖ ÓÒ Ø ÁÓ ÖÓÒ Ì Ù Ò Ö ½ ËÑ Ð ÇÒ Ø Æ ÒÝ Ó Ð ÓÖ Ø Ñ Ò ÐÝ ÙÐк ÅË ½ ÅÅÙÐÐ Ò Ñ Ð Ó Ö Ø ÓÒ Ð Ñ Ô Ò Ø Ö Ø Ú ÖÓÓع Ò Ò Ð
É ÀÓÛ Ó Ý Ò ² Ö Ò ÁÒ Ö Ò «Ö ÓØ ÑÔ Ù ÔÖÓ Ð ØÝ ØÓ Ö ÙÒ ÖØ ÒØÝ ÙØ Ø Ý ÓÒ Ø ÓÒ ÓÒ «Ö ÒØ Ø Ò º Ü ÑÔÐ ÁÑ Ò Ð Ò Ð ØÖ Ð Û Ø Ò ½ Ñ Ø Ô Ö Ó Ù Ø º ÁÒ Ô Ö ÓÒ Ù Ø
ËØ Ø Ø Ð È Ö Ñ Ý Ò ² Ö ÕÙ ÒØ Ø ÊÓ ÖØ Ä ÏÓÐÔ ÖØ Ù ÍÒ Ú Ö ØÝ Ô ÖØÑ ÒØ Ó ËØ Ø Ø Ð Ë Ò ¾¼½ Ë Ô ½¼ ÈÖÓ Ñ Ò Ö É ÀÓÛ Ó Ý Ò ² Ö Ò ÁÒ Ö Ò «Ö ÓØ ÑÔ Ù ÔÖÓ Ð ØÝ ØÓ Ö ÙÒ ÖØ ÒØÝ ÙØ Ø Ý ÓÒ Ø ÓÒ ÓÒ «Ö ÒØ Ø Ò º Ü ÑÔÐ ÁÑ
Ì ÄÈ Ë ÈÖÓ Ð Ñ Ì ÄÈ Ë ÐÓÒ Ø Ô Ö Ñ Ø Ö Þ ÓÑÑÓÒ Ù ÕÙ Ò µ ÔÖÓ Ð Ñ Ò Ö Ð Þ Ø ÓÒ Ó Û ÐÐ ÒÓÛÒ Ä Ë ÔÖÓ Ð Ñ ÓÒØ Ò Ò Ô¹ÓÒ ØÖ ÒØ º Ò Ø ÓÒ ÁÒ ÄÈ Ë(,, Ã ½, Ã ¾, )
Ð ÓÖ Ø Ñ ÓÖ ÓÑÔÙØ Ò Ø ÄÓÒ Ø È Ö Ñ Ø Ö Þ ÓÑÑÓÒ ËÙ ÕÙ Ò Ó Ø Ëº ÁÐ ÓÔÓÙÐÓ ½ Å Ö Ò ÃÙ ¾ ź ËÓ Ð Ê Ñ Ò ½ Ò ÌÓÑ Þ Ï Ð ¾ ½ Ð ÓÖ Ø Ñ Ò ÖÓÙÔ Ô ÖØÑ ÒØ Ó ÓÑÔÙØ Ö Ë Ò Ã Ò ÓÐÐ ÄÓÒ ÓÒ ¾ ÙÐØÝ Ó Å Ø Ñ Ø ÁÒ ÓÖÑ Ø Ò ÔÔÐ
Ë ÁÌÇ ÌÓ Ó ÍÒ Ú Ö Øݵ Ç ¼ Ô Û Ö ÙÒÓ Ø Ò Ð Ä Ò ÙÖ ÖÝ ÓÒ ÒÓØ Ý ÛÓÖ Û Ø Ã ÞÙ ÖÓ Á Ö Ó ÒØ Ë Ò ÝÓ ÍÒ Ú Ö Øݵ Ç
Ë ÁÌÇ ÌÓ Ó ÍÒ Ú Ö Øݵ Ç ¼ Ô Û Ö ÙÒÓ Ø Ò Ð Ä Ò ÙÖ ÖÝ ÓÒ ÒÓØ Ý ÛÓÖ Û Ø Ã ÞÙ ÖÓ Á Ö Ó ÒØ Ë Ò ÝÓ ÍÒ Ú Ö Øݵ Ç ½ Ä Ò Ô Ô Ä Ô Õµ Ø ¹Ñ Ò ÓÐ Ó Ø Ò Ý Ä Ò ÓÒ Ø ØÖ Ú Ð ÒÓØ Ò Ë º Ô Õ¹ ÙÖ ÖÝ Ô Õµ¹ÙÖÚ ¾ ÈÖÓ Ð Ñ Ø Ð
½º»¾¼ º»¾¼ ¾º»¾¼ º»¾¼ º»¾¼ º»¾¼ º»¾¼ º»¾¼» ¼» ¼ ÌÓØ Ð»½ ¼
Ò Ð Ü Ñ Ò Ø ÓÒ ËÌ ½½ ÈÖÓ Ð ØÝ ² Å ÙÖ Ì ÓÖÝ ÌÙ Ý ¾¼½ ½¼ ¼¼ Ñ ß ½¾ ¼¼Ò Ì ÐÓ ¹ ÓÓ Ü Ñ Ò Ø ÓÒº ÓÙ Ñ Ý Ù Ø Ó ÔÖ Ô Ö ÒÓØ ÝÓÙ Û ÙØ ÝÓÙ Ñ Ý ÒÓØ Ö Ñ Ø Ö Ð º Á ÕÙ Ø ÓÒ Ñ Ñ ÙÓÙ ÓÖ ÓÒ Ù Ò ÔÐ Ñ ØÓ Ð Ö Ý Øº ÍÒÐ ÔÖÓ
ËØÖÙØÙÖ ½ Î Ö ÐÙ Ø Ö ¹ Ò ÒØÖÓ ÙØ ÓÒ ¾ Ì Ø Ì ÈÙÞÞÐ Ì Á ÓÒÐÙ ÓÒ ÈÖÓ Ð Ñ Å Ö ¹ÄÙ ÈÓÔÔ ÍÒ Ä ÔÞ µ È Ö Ø È ÖØ ÔÐ ¾¼º¼ º½ ¾» ¾
È Ö Ø È ÖØ ÔÐ Å Ö Ð Ò Ò ² Ö ÀÓ ØÖ Å Ö ¹ÄÙ ÈÓÔÔ ÍÒ Ú Ö ØØ Ä ÔÞ Ñ Ö ÐÙ ÔÓÔÔ ÓØÑ Ðº ¾¼º¼ º½ Å Ö ¹ÄÙ ÈÓÔÔ ÍÒ Ä ÔÞ µ È Ö Ø È ÖØ ÔÐ ¾¼º¼ º½ ½» ¾ ËØÖÙØÙÖ ½ Î Ö ÐÙ Ø Ö ¹ Ò ÒØÖÓ ÙØ ÓÒ ¾ Ì Ø Ì ÈÙÞÞÐ Ì Á ÓÒÐÙ ÓÒ
Improved Boosting Algorithms Using Confidence-rated Predictions
Improved Boosting Algorithms Using Confidence-rated Predictions ÊÇÊÌ º ËÀÈÁÊ schapire@research.att.com AT&T Labs, Shannon Laboratory, 18 Park Avenue, Room A279, Florham Park, NJ 7932-971 ÇÊÅ ËÁÆÊ singer@research.att.com
ÇÙØÐ Ò È Ý Ð ÓÒ Ø ÓÒ Ò ÓÙ Æ ÙÐ ÄÓÛ¹ Ò ØÝ Ð Ñ Ø À ¹ Ò ØÝ Ð Ñ Ø Ü ÑÔÐ ÜØ ÒØ ÓÒ ØÓÛ Ö ÐÑ Ö Ö Ñ ÒØ Ò
ÜØ ÒØ ÓÒ Ò Æ ÙÐ Ö ÓÒ Ø ÓÒ Ò Å ÖÓÕÙ Ö Ë Ø Ò È Ö Þ Åº Ã Ø Ö Ò ÐÙÒ ÐÐ ÍÒ Ú Ö ØÝ Ó ÇÜ ÓÖ ØÖÓÔ Ý ÆÓÚ Ñ Ö ¾ ¾¼¼ ÇÙØÐ Ò È Ý Ð ÓÒ Ø ÓÒ Ò ÓÙ Æ ÙÐ ÄÓÛ¹ Ò ØÝ Ð Ñ Ø À ¹ Ò ØÝ Ð Ñ Ø Ü ÑÔÐ ÜØ ÒØ ÓÒ ØÓÛ Ö ÐÑ Ö Ö Ñ ÒØ
Solutions of Implication Constraints yield Type Inference for More General Algebraic Data Types
Solutions of Implication Constraints yield Type Inference for More General Algebraic Data Types Peter J. Stuckey NICTA Victoria Laboratory Department of Computer Science and Software Engineering The University
ÈÖÓÚ Ò Ò ÁÑÔÐ Ø ÓÒ È É Ï Ö Ø ÐÓÓ Ø Û Ý ØÓ ÔÖÓÚ Ø Ø Ñ ÒØ Ó Ø ÓÖÑ Á È Ø Ò É ÓÖ È É Ì ÓÐÐÓÛ Ò ÔÖÓÓ ØÝÔ Ò Ð Ó Ù ØÓ ÔÖÓÚ Ø Ø Ñ ÒØ Ó Ø ÓÖÑ Ü È Üµ É Üµµ Ý ÔÔ
Å Ø Ó Ó ÈÖÓÓ ÊÙÐ Ó ÁÒ Ö Ò ¹ Ø ØÖÙØÙÖ Ó ÔÖÓÓ ÆÓÛ ËØÖ Ø ÓÖ ÓÒ ØÖÙØ Ò ÔÖÓÓ ÁÒØÖÓ ÙØ ÓÒ ØÓ ÓÑÑÓÒ ÔÖÓÓ Ø Ò ÕÙ Ê ÐÐ Ø Ø Ñ ÒØ ÒØ Ò Ø Ø Ø Ö ØÖÙ ÓÖ Ð º Ò Ø ÓÒ ÔÖÓÓ ÓÒÚ Ò Ò Ö ÙÑ ÒØ Ø Ø Ø Ø Ñ ÒØ ØÖÙ º ÆÓØ Ï ÒÒÓØ
Decomposition and Complexity of Hereditary History Preserving Bisimulation on BPP
Decomposition and Complexity of Hereditary History Preserving Bisimulation on BPP Sibylle Fröschle and Sławomir Lasota Institute of Informatics, Warsaw University 02 097 Warszawa, Banacha 2, Poland sib,sl
Ø Ñ Ò Ò ÙØÙÑÒ ¾¼¼¾ Ò Ò Ö ÕÙ ÒØ ÐÓ µ Ø Û Ø ØÖ ØÖÙØÙÖ ½ ȹØÖ È¹ ÖÓÛØ ÄÇË Ì È¹ØÖ Ø ØÖÙØÙÖ È¹ ÖÓÛØ Ð ÓÖ Ø Ñ ÓÖ Ò Ò ÐÐ Ö ÕÙ ÒØ Ø ÄÇË Ì Ð ÓÖ Ø Ñ ÓÖ Ò Ò Ö ÕÙ
Ø Ñ Ò Ò ÙØÙÑÒ ¾¼¼¾ Ò Ò Ö ÕÙ ÒØ ÐÓ µ Ø Û Ø ØÖ ØÖÙØÙÖ ½ Ö ÕÙ ÒØ ÐÓ µ Ø Û Ø Ò Ò ØÖÙØÙÖ ØÖ Ø Ñ Ò Ò ÙØÙÑÒ ¾¼¼¾ Ò Ò Ö ÕÙ ÒØ ÐÓ µ Ø Û Ø ØÖ ØÖÙØÙÖ ½ ȹØÖ È¹ ÖÓÛØ ÄÇË Ì È¹ØÖ Ø ØÖÙØÙÖ È¹ ÖÓÛØ Ð ÓÖ Ø Ñ ÓÖ Ò Ò ÐÐ
½ Ê Ú Û Ó ÆÒ ÕÙÓØ ÒØ ¾ ÇÖØ Ó ÓÒ Ð ÒÚ Ö ÒØ ÓÙ Ð Ö Ø ÓÒ Ý ÕÙÓØ ÒØ Ñ Ô ÇÖ Ø ÓÖÖ ÔÓÒ Ò Ü ÑÔÐ Ó ÓÖ Ø ÓÖÖ ÔÓÒ Ò Ü ÑÔÐ Ø Ò ÓÖ ÔÖÓ ÙØ Ü ÑÔÐ ÓÒØÖ Ø ÓÒ Ñ Ô ÇÔ Ò
ÆÒ ÕÙÓØ ÒØ Ò Ø ÓÖÖ ÔÓÒ Ò Ó ÓÖ Ø ÃÝÓ Æ Ý Ñ Ö Ù Ø Ë ÓÓÐ Ó Ë Ò ÃÝÓØÓ ÍÒ Ú Ö ØÝ ÁÒØ ÖÒ Ø ÓÒ Ð ÓÒ Ö Ò ÓÒ Ê ÒØ Ú Ò Ò Å Ø Ñ Ø Ò Ø ÔÔÐ Ø ÓÒ º Ë ÔØ Ñ Ö ¾ ß ¼ ¾¼¼ µ Ô ÖØÑ ÒØ Ó Å Ø Ñ Ø ÃÍ ÈÓ Ø Ö Ù Ø ÒØ Ö Ð ÙÑ Ã ÖÒ
ÐÓ Û µ ÅÄ Ó Ò ººº Ð Ò Ö Ó Ü = (,..., Ü Ò ) ººº ÒØ Ó ÛÓÖ Ý = (Ý ½,..., Ý Ò ) ººº Ö Ú ÛÓÖ ¹ ÓÒ Ø ÒØ ÐÓ Û µ Å Ü ÑÙÑ Ä Ð ÓÓ Åĵ Ó Ö Ø Ø ÔÓ Ð Ó Ö Ñ Ò Ñ Þ Ø
¼ ÅÓ ÖÒ Ó Ò Ì ÓÖÝ ØÛ ÅÄ Ó Ö ÌÓÑ ÐÐ Ö Ò Â Ö Ö Ôغ Ó Ð ØÖ Ð Ò ÓÑÔÙØ Ö Ò Ò Ö Ò ËÍÆ Ò ÑØÓÒ ÐÓ Û µ ÅÄ Ó Ò ººº Ð Ò Ö Ó Ü = (,..., Ü Ò ) ººº ÒØ Ó ÛÓÖ Ý = (Ý ½,..., Ý Ò ) ººº Ö Ú ÛÓÖ ¹ ÓÒ Ø ÒØ ÐÓ Û µ Å Ü ÑÙÑ Ä
ÁÒØÖÓ ÙØ ÓÒ Ì Ñ Ñ Ö Ó Ú Ò Ô ÓÖ Ù Ô µ Ú Ø Ñ Ò Ö Ð ØÙÖ ÓÒ Ø Ö Ó Ø Ô ØØ ÖÒº ÀÓÛ Ú Ö Ò Ú Ù Ð Ò Ñ Ð Ø ÓÛÒ Ø ÒØ Ñ Ö Ò º Ì Ô ØØ ÖÒ Ö ÒÓØ Ø ÖÑ Ò Ò Ø ÐÐݺ Ì Ý
Ò Ñ Ð Ó Ø È ØØ ÖÒ ÓÖÑ Ø ÓÒ Ú ÐÝÒ Ë Ò Ö Ô ÖØÑ ÒØ Ó Å Ø Ñ Ø Ð Ë Ò ÓÖ Å ÓÒ ÍÒ Ú Ö ØÝ Ù Ù Ø ¾¼¼½ ÂÓ ÒØ ÛÓÖ Û Ø Ì ÓÑ Ï ÒÒ Ö ÍÅ µ ÁÒØÖÓ ÙØ ÓÒ Ì Ñ Ñ Ö Ó Ú Ò Ô ÓÖ Ù Ô µ Ú Ø Ñ Ò Ö Ð ØÙÖ ÓÒ Ø Ö Ó Ø Ô ØØ ÖÒº ÀÓÛ
Tensor. Field. Vector 2D Length. SI BG cgs. Tensor. Units. Template. DOFs u v. Distribution Functions. Domain
ÁÒØÖÓ ÙØ ÓÒ ØÓ Ø ÁÌ ÈË Ð ÁÒØ Ö ÖÐ ÇÐÐ Ú Ö¹ ÓÓ Ì ÍÒ Ú Ö ØÝ Ó Ö Ø ÓÐÙÑ Å Ö Å ÐÐ Ö Ä ÛÖ Ò Ä Ú ÖÑÓÖ Æ Ø ÓÒ Ð Ä ÓÖ ØÓÖÝ Ò Ð ÐÓÒ Ö Ê Ò Ð Ö ÈÓÐÝØ Ò ÁÒ Ø ØÙØ ¾¼½½ ËÁ Å Ë ÓÒ Ö Ò Ê ÒÓ Æ Ú Å Ö ¾¼½½ ÇÐÐ Ú Ö¹ ÓÓ Å
38050 Povo (Trento), Italy Tel.: Fax: e mail: url:
CENTRO PER LA RICERCA SCIENTIFICA E TECNOLOGICA 38050 Povo (Trento), Italy Tel.: +39 0461 314312 Fax: +39 0461 302040 e mail: prdoc@itc.it url: http://www.itc.it HISTORY DEPENDENT AUTOMATA Montanari U.,
Ë Ò ÓÖ Æ ØÛÓÖ Å ÈÖÓØÓÓÐ ÂÙ Î Ð ÓÒ Ò Ä ÓÖ ØÓÖÝ ÓÖ Ì ÓÖ Ø Ð ÓÑÔÙØ Ö Ë Ò À Ð Ò ÍÒ Ú Ö ØÝ Ó Ì ÒÓÐÓ Ý ¾ º º¾¼¼ ÂÙ Î Ð ÓÒ Ò Ë Ò ÓÖ Æ ØÛÓÖ Å ÈÖÓØÓÓÐ
Ä ÓÖ ØÓÖÝ ÓÖ Ì ÓÖ Ø Ð ÓÑÔÙØ Ö Ë Ò À Ð Ò ÍÒ Ú Ö ØÝ Ó Ì ÒÓÐÓ Ý ¾ º º¾¼¼ ÇÙØÐ Ò ÖÓÙÒ Ò ÁÒØÖÓ ÙØ ÓÒ Ë Ò ÓÖ Æ ØÛÓÖ Ó Å ¹ÔÖÓØÓÓÐ Ì Ö ÔÖÓØÓÓÐ Ö ÓÒÐÙ ÓÒ ÖÓÙÒ ÈÖ ÒØ Ø ÓÒ ÓÒ º Ë Ú Ê Ñ ÅÙÖØ Ý Ò º ˺ Å ÒÓ º ¹ÀÓ Ï
ÖÙÔØ Ú ÝÓÙÒ Ø Ö ÓÖ ÍÓÖ ÄÓÛ Ñ ÔÖ ¹Ñ Ò ÕÙ Ò Ó Ø ËØ Ö Ð Ö ÑÓÙÒØ Ó ÖÙÑ Ø ÐÐ Ö Ñ Ø Ö Ð ÍÓÖ ÇÙØ ÙÖ Ø Ó Ñ ÓÖ ÑÓÖ Ò ÓÔØ Ð Ð Ø Ä Ø Ò ÓÖ Ú Ö Ð Ê Ô Ø Ø Ú ÓÖ ÍÓÖ
Æ ÓÐ ØØ Ë ÔÓ ÃÓÒ ÓÐÝ Ç ÖÚ ØÓÖÝ Ù Ô Øµ Ⱥ ý Ö Ñ Âº Ó Ø ¹ÈÙÐ Ó º ÂÙ Þ ýº Ã Ô Ð Åº ÃÙÒ º ÅÓ Ö Âº Ë Ø Û Ò ¾¼¼ Å Ö ½ Ä Ò Ê ÏÓÖ ÓÔ ½» ½ ÖÙÔØ Ú ÝÓÙÒ Ø Ö ÓÖ ÍÓÖ ÄÓÛ Ñ ÔÖ ¹Ñ Ò ÕÙ Ò Ó Ø ËØ Ö Ð Ö ÑÓÙÒØ Ó ÖÙÑ Ø ÐÐ
Contact 3-Manifolds, Holomorphic Curves and Intersection Theory
Contact 3-Manifolds, Holomorphic Curves and Intersection Theory (Durham University, August 2013) Chris Wendl University College London These slides plus detailed lecture notes (in progress) available at:
MODELLING OF GAS-SOLID TURBULENT CHANNEL FLOW WITH NON-SPHERICAL PARTICLES WITH LARGE STOKES NUMBERS
MODELLING OF GAS-SOLID TURBULENT CHANNEL FLOW WITH NON-SPHERICAL PARTICLES WITH LARGE STOKES NUMBERS Ö Ò Ú Ò Ï Ñ ÓÖ Å ÐÐÓÙÔÔ Ò Ó Å Ö Ò Ø ÛÒÝ Ó Ø Ø ÓÒ È½¼¼ ÇØÓ Ö ½ ¾¼½½ Ö Ò Ú Ò Ï Ñ ÁÑÔ Ö Ð ÓÐÐ µ ÆÓÒ¹ Ô
Refinement in Requirements Specification and Analysis: a Case Study
Refinement in Requirements Specification and Analysis: a Case Study Edwin de Jong Hollandse Signaalapparaten P.O. Box 42 7550 GD Hengelo The Netherlands edejong@signaal.nl Jaco van de Pol CWI P.O. Box
Strong normalization of lambda-bar-mu-mu-tilde-calculus with explicit substitutions
Strong normalization of lambda-bar-mu-mu-tilde-calculus with explicit substitutions Emmanuel Polonovski To cite this version: Emmanuel Polonovski. Strong normalization of lambda-bar-mu-mu-tilde-calculus
arxiv: v25 [math.ca] 21 Nov 2008
![arxiv: v25 [math.ca] 21 Nov 2008](/thumbs/75/71471955.jpg "arxiv: v25 [math.ca] 21 Nov 2008")
ËÓÑ ÓÒ ØÙÖ ÓÒ Ø ÓÒ Ò ÑÙÐØ ÔÐ Ø ÓÒ Ó ÓÑÔÐ Ü Ö Ðµ ÒÙÑ Ö ÔÓÐÓÒ Ù Þ ÌÝ Þ arxiv:0807.3010v25 [math.ca] 21 Nov 2008 ØÖ Øº Ï Ù ÓÒ ØÙÖ Ö Ð Ø ØÓ Ø ÓÐÐÓÛ Ò ØÛÓ ÓÒ ØÙÖ Áµ µ ÓÖ ÓÑÔÐ Ü ÒÙÑ Ö x 1,...,x n Ø Ö Ü Ø Ö Ø
ÖÖ Ý ÒÑ ÒØ Ø Ø Ñ ÒØ Ö Ö ÓÖ ÒÝ Ð Ø¹ Ò Ð Ñ ÒØ Ö ØÓÖ º ÖÖ Ý ÓÖ Ù Ø ÓÒ Ó ÖÖ Ý Ò Ô Ý Ù Ò ØÖ ÔÐ Ø Ù Ö ÔØ º ØÖ ÔÐ Ø Ô Ö Ò Ò Ø ÓÖÑ ÐÓÛ Ö ÓÙÒ ÙÔÔ Ö ÓÙÒ ØÖ º Á
ÖÓÑ Ø ÈÖÓ Ò Ó Ø ÁÒØ ÖÒ Ø ÓÒ Ð ÓÒ Ö Ò ÓÒ È Ö ÐÐ Ð Ò ØÖ ÙØ ÈÖÓ Ò Ì Ò ÕÙ Ò ÔÔÐ Ø ÓÒ È ÈÌ ³ µ ËÙÒÒÝÚ Ð Ù Ù Ø ½ Ô Ò Ò Ò ÐÝ Ó ÓÖØÖ Ò ¼ ÖÖ Ý ËÝÒØ Ü Ö Ð ÊÓØ Ã Ò Ã ÒÒ Ý Ô ÖØÑ ÒØ Ó ÓÑÔÙØ Ö Ë Ò Ê ÍÒ Ú Ö ØÝ ÀÓÙ ØÓÒ
Ì Ø ÓÖ Ø ÓØÓÖ Ó È ÐÓ ÓÔ Ý Ö Ý Å Ö Ò Ö ÓÒ Å ÐÐ Ö Ò ÔÔÖÓÚ Ý ËØ ÒÐ Ý º È ÝÒ Ï ÐÐ Ñ º ÖÓÛ ØÞÓ ËÝÐÚ º ÀÓ ÖØ Âº Ê Ö ÄÙÒ Ö Ò Ï ÐÐ Ñ Âº ÏÓÐ Ø
Æ Ê ÄÁ ÉÍ Ê Æ Ä Ë Ç ÇÊ Ê Ë Ì µ ÏÁÌÀ Ë Ì ¾ Ý Å Ö Ò Ö ÓÒ Å ÐÐ Ö ºËº º ÂÓ Ò ÖÓÛÒ ÍÒ Ú Ö ØÝ ½ ź˺ ÍÒ Ú Ö ØÝ Ó ÓÐÓÖ Ó Ø ÒÚ Ö ½ Ø Ù Ñ ØØ ØÓ Ø ÍÒ Ú Ö ØÝ Ó ÓÐÓÖ Ó Ø ÒÚ Ö Ò Ô ÖØ Ð ÙÐ ÐÐÑ ÒØ Ó Ø Ö ÕÙ Ö Ñ ÒØ ÓÖ
Domain, Range, Inverse
Ê Ð Ø ÓÒ Ò Ø ÓÒ Ò ÖÝ Ö Ð Ø ÓÒ ÓÒ Ø Ò Ù Ø Ó Ü º Ì Ø ÒÝ Ê Ò ÖÝ Ö Ð Ø ÓÒº Ù Ø Ó ¾ Ü Ò ÖÝ Ö Ð Ø ÓÒ ÓÒ º ÆÓØ Ø ÓÒ Á µ ¾ Ê Û Ó Ø Ò ÛÖ Ø Ê º Ü ÑÔÐ Ò Ò ÖÝ Ö Ð Ø ÓÒ È ÓÒ ÓÖ ÐÐ Ñ Òµ ¾ ÑÈÒ Ñ Ò Ú Òº ËÓ È¾ È ¹ µ Ƚº
Ò ÓÛ Æ ØÛÓÖ Ð ÓÖ Ø Ñ ÓÖ ¹ ÙÐ Ö ÓÒ
Ò ÓÛ ÆØÛÓÖ ÐÓÖØÑ ÓÖ¹ÙÐÖ ÓÒ ÚÐÙÒ Øµ E µ ÙÚµ Ò Úµ µ E µ ÚÙµ ÐÐ ¹ÒÖ Ò ¹ÓÙØÖ Ó ÚÖØÜ Ú Î Ö Ö ÔØÚÐݺ ÄØ Î µ ÖØ ÖÔº ÓÖ ÚÖØÜ Ú Î Û Ò ÓÙØÖ Úµ Ò Ò Ø ÒÖ Ò Øµ Úµº ÓÖ Úµ Ø ÚÖØÜ Ú ÐÐ ÓÙÖ Úµ Á е ÓÖ Ò ÙÙµ Ó ÖÔ Ö ÔØÚÐݺ
½º ÌÖ ÙØÓÑØ
ÄÒÙ ÓÖÑÐ Ò ÙØÓÑØ ÌÓÖÝ Å Ó Ë ½½ ½º ÌÖ ÙØÓÑØ ËØ Ó ÙÒØÓÒ ÝÑÓÐ ÛØ ÖÒ ÖØÝ Ó ÖØÝ Æ ÆÙÑÖ ËØ Ì µ Ó ØÖÑ ÅÒÑÐ Ø Ø Ý Ò ¾ Ì µ ººº Ü ¾ Ü ¾ Ì µ ººº ¾ Ò ÖØÝ µ ¼ ½ Ø Ò µ ¾ Ì µ Ø ¾ ÖØÝ µ Ò Ø ¾ Ì µ ººº Ó ØÖÑ µ µ ܺ ËØ Ì
COMPARATIVE EVALUATION OF WEATHER FORECASTS FROM THE COSMO, ALARO AND ECMWF NUMERICAL MODELS FOR ROMANIAN TERRITORY
COMPARATIVE EVALUATION OF WEATHER FORECASTS FROM THE COSMO, ALARO AND ECMWF NUMERICAL MODELS FOR ROMANIAN TERRITORY ÊÓ Ð Ù ÍÅÁÌÊ À ½ Ë ÑÓÒ Ì ã ͽ Ñ Ð ÁÊÁ ½ Å Ö Ð ÈÁ ÌÊÁãÁ½ ¾ Å Ð Ç Æ½ Ð Ü Ò Ö Ê ÁÍƽ Ó Ò
Chapter 9. Trapezoidal Maps. 9.1 The Trapezoidal Map
Chapter 9 Trapezoidal Maps ÁÒ Ø Ø ÓÒ Û Û ÐÐ ÒÓØ Ö ÔÔÐ Ø ÓÒ Ó Ö Ò ÓÑ Þ ÒÖ Ñ ÒØ Ð ÓÒ ØÖÙØ ÓÒ Ò Ø ØÖ Ø ÓÒ ÙÖ Ø ÓÒ Ô Ö Ñ ÛÓÖ º Ø Ø Ñ Ø Ñ Ø Û ÐÐ Ú Ù Ò Æ ÒØ Ð ÓÖ Ø Ñ ÓÖ ÓÐÚ Ò Ø Ò Ö Ð ÔÖÓ Ð Ñ Ó ÔÓ ÒØ ÐÓ Ø ÓÒ
ÓÖØÖ Ò ÓÖØÖ Ò = ÜØ Ò ÓÒ ØÓ Ø ÆËÁ ÇÊÌÊ Æ Ø Ò Ö º Ê ÔÓÒ Ð ØÝ Ñ Ö Ò Æ Ø ÓÒ Ð ËØ Ò Ö ÁÒ Ø ØÙØ ÆËÁ  µ ÁÒØ ÖÒ Ø ÓÒ Ð ÇÖ Ò Þ Ø ÓÒ ÓÖ ËØ Ò Ö Þ Ø ÓÒ ÁËÇ»Á ÂÌ
Ë ØÝ Ò ÈÓÖØ Ð ØÝ Ó Á ÊË ÓÒÚ ÒØ ÓÒ ËÓ ØÛ Ö Å Ð Ö ØÐ Á ÊË ÏÓÖ ÓÔ ÓÒ ÓÒÚ ÒØ ÓÒ ¹ ½ ÓÖØÖ Ò ÓÖØÖ Ò = ÜØ Ò ÓÒ ØÓ Ø ÆËÁ ÇÊÌÊ Æ Ø Ò Ö º Ê ÔÓÒ Ð ØÝ Ñ Ö Ò Æ Ø ÓÒ Ð ËØ Ò Ö ÁÒ Ø ØÙØ ÆËÁ Â µ ÁÒØ ÖÒ Ø ÓÒ Ð ÇÖ Ò Þ Ø
A = A (0) + (4πF π) 2A(1) + (4πF π) 2 A (3) +... L N+π. ÈÌ = L(0) (F π,m π,g A )+L (1) (c 1,..,c 4 )+L (2) (l 1,..,l 10,d 1,..,d 23 )+...
Ä Ò Ö Ð ÐÓ Ö Ø Ñ ÓÖ Ø ÒÙÐ ÓÒ Ñ ÂÓ Ò Ò Ò Ð Ü Ý º ÎÐ Ñ ÖÓÚ Ô ÖØÑ ÒØ Ó ØÖÓÒÓÑÝ Ò Ì ÓÖ Ø Ð È Ý ÄÙÒ ÍÒ Ú Ö ØÝ ½» ½½ ÁÒØÖÓ ÙØ ÓÒ Ö Ð Ô ÖØÙÖ Ø ÓÒ Ø ÓÖÝ È̵ ÐÓÛ¹ Ò Ö Ý Ø Ú Ð Ø ÓÖݺ A = A 0 + q 2 q 2 2 q 4πF π
ÅÓØ Ú Ø ÓÒ Å ÕÙ Ð ØÝ Ó Ø Ó ØÖ Ò Ô Ö ÒØ ÁÒ Ø ÓÒ Ú ÐÓÔÑ ÒØ ØÖ Ò ÖÖ Û ÓÖ Ò Ð ÙØ ÓÖ Ö Ñ Ò ÐÓÒ Ú ÐÓÔÑ ÒØ ØÓÖÝ Å ÒÝ Ù ØÓÑ Ö»Ù ØÓÑ Ö Ù ÓÑÔÓÒ ÒØ Ó Ñ ÒÝ ÔÖÓ Ø
Ê Ý Ð Ò ÔÔÖÓ ØÓ ÓÙ ÉÙ Ð ØÝ ÁÑÔÖÓÚ Ñ ÒØ ÓÖØ Ù Ö ÅÓ Ù Ê Ò Ý À ÖØ ÂÓ Ò È Ð Ö Ñ Ò Ú Ý Ä Ê Ö ¾½½ ÅØ ÖÝ Ê Ò Ê ÆÂ ¼ ¾¼ Ù Ö Ú Ý ºÓÑ Ù ¾½ ¾¼½ ÅÓØ Ú Ø ÓÒ Å ÕÙ Ð ØÝ Ó Ø Ó ØÖ Ò Ô Ö ÒØ ÁÒ Ø ÓÒ Ú ÐÓÔÑ ÒØ ØÖ Ò ÖÖ Û ÓÖ
Ä ÖÒ Ò ÖÓÑ Ø Ö Ëº Ù¹ÅÓ Ø Ð ÓÖÒ ÁÒ Ø ØÙØ Ó Ì ÒÓÐÓ Ý Ä ØÙÖ ½ Ì Ä ÖÒ Ò ÈÖÓ Ð Ñ ËÔÓÒ ÓÖ Ý ÐØ ³ ÈÖÓÚÓ Ø Ç ² Ë Ú ÓÒ Ò ÁËÌ ÌÙ Ý ÔÖ Ð ¾¼½¾
ÇÙØÐ Ò Ó Ø ÓÙÖ ½½º ÇÚ Ö ØØ Ò Å Ý µ ½¾º Ê ÙÐ Ö Þ Ø ÓÒ Å Ý ½¼ µ ½º Ì Ä ÖÒ Ò ÈÖÓ Ð Ñ ÔÖ Ð µ ½ º Î Ð Ø ÓÒ Å Ý ½ µ ¾º Á Ä ÖÒ Ò Ð ÔÖ Ð µ º Ì Ä Ò Ö ÅÓ Ð Á ÔÖ Ð ½¼ µ º ÖÖÓÖ Ò ÆÓ ÔÖ Ð ½¾ µ º ÌÖ Ò Ò Ú Ö Ù Ì Ø Ò
function GENERAL-SEARCH( problem, strategy) returns a solution, or failure initialize the search tree using the initial state of problem loop do if
ØÓ ÖØ Ð ÁÒØ ÐÐ Ò ÁÒØÖÓ ÙØ ÓÒ ¹ ËÔÖ Ò ¾¼½ Ë º ÓÙ ÖÝ Ë Ù¹Û ¹Ö µ ÖØ ¼¾µ ¾¹ ÓÙ ÖÝ ºÙÒк Ù º º ÓÙ ÖÝ ½ ÁÒ ØÖÙØÓÖ³ ÒÓØ ËÓÐÚ Ò ÈÖÓ Ð Ñ Ý Ë Ö Ò Ì ØÐ ÔØ Ö Ë Ø ÓÒ º µ ÁÅ ÛÛÛº ºÙÒк Ù» ÍÊÄ ÍÊÄ ÛÛÛº ºÙÒк Ù» ÓÙ Öݻ˽
An Algebraic Semantics for Duration Calculus. August 2005 ß ½ ß ESSLLI 2005 Student Session
ÝÓÙ Ö Ý ÆÙÐØÝ ÓÖ ÓÒØÖÓÚ Ö Ý Ò Ò Á ÓÙÒ Ó ÐÖ ÛÓÖØ ØÓÒ Ó Ú Ö Ð Ö ÙÑ Òغ Ò An Algebraic Semantics for Duration Calculus ÐÖ Ë Ñ ÒØ ÓÖ ÙÖ Ø ÓÒ Ò ÐÙÐÙ È Ø Ö ÀĐÓ Ò Ö ÁÒ Ø ØÙØ Ó ÓÑÔÙØ Ö Ë Ò ÍÒ Ú Ö ØÝ Ó Ù ÙÖ Âº
ÇÙØÐ Ò ½º Ê Ú Û Ó ËÔ Ò¹ Ü Ò ÇÔØ Ð ÈÙÑÔ Ò ¾º Ê Ú Û Ó Ô Ø ÜÔ Ö Ñ ÒØ º Ì Æ Û Ö Ø ÓÒ Ô ÖØ ÓÑ Ò Ö ² ÀÓÑÓ Ò Þ Ö ÀÝ Ö Ð Ð Ë ÇÈ ÒÓ Ø ØÓÓÐ ÂÙÒ ¾¼¼ º Ë Ò È ¾
Æ Û Ö Ø ÓÒ Ò ËÔ Ò¹ Ü Ò ÇÔØ Ð ÈÙÑÔ Ò ÈÓÐ Ö Þ À Ì Ö Ø Â Ô Ë Ò ÍÒ Ú Ö ØÝ Ó Î Ö Ò ÖÐÓØØ Ú ÐÐ Î Ö Ò Ì Ö ÁÒØ ÖÒ Ø ÓÒ Ð ËÝÑÔÓ ÙÑ ÓÒ Ø Ö ÑÓÚ¹ Ö ÐйÀ ÖÒ ËÙÑ ÊÙÐ Ò Ø ÜØ Ò ÓÒ ÂÙÒ ¾¼¼ ÇÐ ÓÑ Ò ÓÒ ÍÒ Ú Ö ØÝ ÆÓÖ ÓÐ Î
Verification. Lecture 3. Bernd Finkbeiner
Verification Lecture 3 Bernd Finkbeiner Plan for today CTL model checking Thebasicalgorithm Fairness Counterexamplesandwitnesses Review: Computation tree logic modal logic over infinite trees[clarke& Emerson
ß ¾ ß ËÌÊ Ì ÌÓ Ò Ò Ø ØÓ Ø Ù Ó Ð Ñ ÒØ ÖÙÔØ ÓÒ Ò Ö ÓÒ Ø ÙÒ Û Ó ÖÚ Ð Ñ ÒØ Ø Ø ÖÙÔØ Ò Ø Ú Ö ÓÒ ÆÇ º Ì Ó ÖÚ Ø ÓÒ ÓÒ Ø Ó À«ÐØ Ö Ö Ñ Ø Ø Ö Û Ú Ð Ò Ø Ð Ò ÒØ Ö
Ê Ô Ò Ò Å Ò Ø ÓÒÒ Ø Ú ØÝ Ç ÖÚ ÓÖ Ð Ñ ÒØ ÖÙÔØ ÓÒ Ò ÁØ Ó Ø Ð Ö ÂÙÒ ¹ÀÓÓÒ Ã Ñ Àº ˺ ÙÒ Ë Ò ÛÓÓ Ä ØÖÓÒÓÑÝ ÈÖÓ Ö Ñ Ë ÓÓÐ Ó ÖØ Ò ÒÚ ÖÓÒÑ ÒØ Ð Ë Ò Ë ÓÙÐ Æ Ø ÓÒ Ð ÍÒ Ú Ö ØÝ Ë ÓÙÐ ÃÇÊ ½ ½¹ ¾ Ñ ØÖÓº ÒÙº º Ö Ò ÂÓÒ
ÌÖ Ò Ò ÆÙÑ Ö ÓÖ È ÔÓ Ø Ö ÓÖ ÖÖÓÖ ÓÒØÖÓл ÔØ Ú Ñ Ò ³ ÁØ Ö Ø Ú Ô Ö ÐРе ÓÐÙØ ÓÒ ØÖ Ø ³ ÇÔ Ö ØÓÖ¹ ÔÐ ØØ Ò ÓÖ ÓÙÔÐ ÔÖÓ Ð Ñ ³ Ê ÙØ ÓÒ Ó ÒÙÑ Ö Ð ÓÑÔÐ Ü ØÝ
º À Ö Û Ö ¹ÓÖ ÒØ ÆÙÑ Ö ÓÖ È ¹ ÓÒ ÕÙ Ò ÓÖ ÁÒÓÑÔÖ Ð ÐÓÛ ËÓÐÚ Ö Ëº ÌÙÖ Ø ÖÓÙÔ Åº ÐØ Ö Öº Ö Ëº Ù Ò Ëº Ã Ð Ò º ÃÙÞÑ Ò º ÈÐ ØØ Âº ÀÖÓÒ Èº ÃÓØ Ð Ïº Ò º ÇÙ ÞÞ Êº Ë Ñ Ø Ð Äº Ê Ú Ò ººº ÁÒ Ø ØÙØ ĐÙÖ Ò Û Ò Ø Å Ø Ñ
MSR, Access Control, and the Most Powerful Attacker
MSR, Access Control, and the Most Powerful Attacker Iliano Cervesato Advanced Engineering and Sciences Division ITT Industries, Inc. 2560 Huntington Avenue, Alexandria, VA 22303-1410 USA Tel.: +1-202-404-4909,
t 2 3t + 2 lim xln x x x x2 + 1 x + 1
Æ Ñ º Á º Ë Ø ÓÒ º ÁÒ ØÖÙØÓÖ º Ì º ÁÒ ØÖÙØ ÓÒ ÐÐ ÐÐÔ ÓÒ ÐÙÐ ØÓÖ ÓÑÔÙØ Ö ØÖ Ò Ð Ø Ò Ú Ò ÑÙ ÔÐ Ý Ö ÑÙ Ø ØÙÖÒ Ó º Ó ÐÐ ÛÓÖ ÓÒ Ø Ø Ø Ô Ô Öº Ë ÓÛ ÐÐ ÛÓÖ º ÓÙ Ñ Ý Ö Ú ÒÓ Ö Ø Ú Ò ÓÖ ÓÖÖ Ø Ò Û Ö ÒÓ ÛÓÖ ÓÛÒº ÓÙ
ν = fraction of red marbles
Ê Ú Û Ó Ä ØÙÖ ½ Ü ÑÔÐ È Ö ÔØÖÓÒ Ä ÖÒ Ò Ð ÓÖ Ø Ñ Ä ÖÒ Ò Ù Û Ò ¹ Ô ØØ ÖÒ Ü Ø + + ¹ Ï ÒÒÓØ Ô Ò Ø ÓÛÒ Ñ Ø Ñ Ø ÐÐÝ ¹ Ï Ú Ø ÓÒ Ø ÓÙ ÓÒ ÙÔ ÖÚ Ð ÖÒ Ò + + + ¹ ÍÒ ÒÓÛÒ Ø Ö Ø ÙÒØ ÓÒ y = f(x) ¹ Ø Ø (x 1,y 1 ),, (x
¾ ÍÆ ÌÁÇÆ Ä ËÈ Á Á ÌÁÇÆ ÒÚ ÖÓÒÑ ÒØ ½ º½ ÓÖÑ Ø Ò º º º º º º º º º º º º º º º º º º º º º º º º ½ º½º½ Ö ØÓÖÝ ÒØÖ º º º º º º º º º º º º º º º º º º
Á Ä ÙÖÝ ÍÑ Ò Ø ½ Ø ÔÖ ¾¼¼ ÓÒØ ÒØ ½ ÁÒØÖÓ ÙØ ÓÒ ¾ ¾ ÙÒØ ÓÒ ËÔ Ø ÓÒ ¾ ¾º½ Á ØÖ Ø º º º º º º º º º º º º º º º º º º º º º º º º º º º º º ¾ ¾º¾ Á ÒÚ Ö ÒØ º º º º º º º º º º º º º º º º º º º º º º º º
Ø Ð ÙÒØÓÖ Ý Ð ÑÓÒ Á ÓÒ Ä Ö Ù Ø Ø Ø ÓÖ Ò Ð ÔÔÖÓÜ Ñ Ð Ñ Ô Ó Ò Û Ø Ø ÃÐ Ð ÑÓÖÔ Ñ º Ì Ù Ø Ø ÓÖÝ Ó Ò ÓÖÑ Ø ÓÒ Ý Ø Ñ ÓÑ Ø ÃÐ Ð Ø ÓÖÝ Ä Ö Á Ò Ø Ð ÙÒØÓÖ Ý Ð Ö
ÅÇÆ ÇÊ ÇÅ ÁÆË Æ ÇÌÀ Ê Ì ÇÊÁ Ë Ä Ë ÈÍÄÌÊ Æ ÆÆ ÌÇ Á Ø ØÓ Ø Ñ ÑÓÖÝ Ó ÁÚ Ò Ê Ú Ð ØÖ Øº Ñ ÐÐ ÑÓ Ø ÓÒ Ó Î Ö ³ Ò Ø ÓÒ Ó ÓÒØ ÒÙ¹ ÓÙ Ò ÓÖÑ Ø ÓÒ Ý Ø Ñ ÐÐÓÛ ÓÖ Ö ÔÖ ÒØ Ø ÓÒ Ó Ø Ø ÓÖÝ Ó ÓÒØ ÒÙÓÙ ÓÑ Ò ÓÒØ ÒÙÓÙ ÈÇ µ
How hard is it to control sequential elections via the agenda?
How hard is it to control sequential elections via the agenda? Vincent Conitzer Department of Computer Science Duke University Durham, NC 27708, USA conitzer@cs.duke.edu Jérôme Lang LAMSADE Université
È Ö Ø ² ÑÔ Ö Ø Ò ÓÖÑ Ø ÓÒ ÓÖ Ñ È Ö Ø Ò ÓÖÑ Ø ÓÒ ÈÐ Ý Ö ÒÓÛ ÓÙØ Ø ÔÖ Ú ÓÙ ÑÓÚ Ó ÓÔÔÓÒ ÒØ º º º Ð ¹ËØ Û ÖØ Ñ º ÁÑÔ Ö Ø Ò ÓÖÑ Ø ÓÒ ÈÐ Ý Ö Ó ÒÓØ ÒÓÛ ÓÙØ Û
Ð ¹ËØ Û ÖØ Ñ Ò Ð Û ÐÐ Ñ Ù Á Ñ ÍÒ Ú Ö ØÝ Ó Ð ÓÖÒ Ö Ð Ýµ ½ Ø Ó Å Ý ¾¼½¾ È Ö Ø ² ÑÔ Ö Ø Ò ÓÖÑ Ø ÓÒ ÓÖ Ñ È Ö Ø Ò ÓÖÑ Ø ÓÒ ÈÐ Ý Ö ÒÓÛ ÓÙØ Ø ÔÖ Ú ÓÙ ÑÓÚ Ó ÓÔÔÓÒ ÒØ º º º Ð ¹ËØ Û ÖØ Ñ º ÁÑÔ Ö Ø Ò ÓÖÑ Ø ÓÒ ÈÐ
A = Y E B = W Y = 1 4
ÏÓÒÖ ÙÐ Ö Ñ Ö Ñ ËØ Ð Þ Ø ÓÒ Ò ÊÙØ ÓÒ ØÓÖØ ÓÒ Ê Ø ÓÒ ÁÒØ ÖÖ Ò Ù» Ø ÁÒ Ø Ð ØÝ ÑÔÐ Ö Ü ÑÔÐ Ó ÒØ ÏÓÒÖ ÙÐ ÈÖÓÔ ÖØ ½» ½¾ Ö Ñ ÊÙØ ÓÒ ØÓÖØ ÓÒ Ê Ø ÓÒ ÁÒØ ÖÖ Ò Ù» Ø ÁÒ Ø Ð ØÝ Ö Ñ ÏÓÒÖ ÙÐ Ö Ñ Ø ÒÓÒ¹ ÒÚ ÖØ Ò ÓÔ ÑÔ
ÙÒØ ÓÒ Ò Ø ÓÒ ÙÒØ ÓÒ ÖÓÑ ØÓ ÒÓØ Ö Ð Ø ÓÒ ÖÓÑ ØÓ Ù Ø Ø ÓÖ Ú ÖÝ Ü ¾ Ø Ö ÓÑ Ý ¾ Ù Ø Ø Ü Ýµ Ò Ø Ö Ð Ø ÓÒ Ò Ü Ýµ Ò Ü Þµ Ö Ò Ø Ö Ð Ø ÓÒ Ø Ò Ý Þº ÆÓØ Ø ÓÒ Á
ÙÒØ ÓÒ Ò Ø ÓÒ ÙÒØ ÓÒ ÖÓÑ ØÓ ÒÓØ Ö Ð Ø ÓÒ ÖÓÑ ØÓ Ù Ø Ø ÓÖ Ú ÖÝ Ü ¾ Ø Ö ÓÑ Ý ¾ Ù Ø Ø Ü Ýµ Ò Ø Ö Ð Ø ÓÒ Ò Ü Ýµ Ò Ü Þµ Ö Ò Ø Ö Ð Ø ÓÒ Ø Ò Ý Þº ÆÓØ Ø ÓÒ Á Ü Ýµ Ò Ø Ö Ð Ø ÓÒ Û ÛÖ Ø Üµ ݺ Ì Ø Ø ÓÑ Ò Ó Ø ÙÒØ ÓÒ
¾ Ü Ò Ü ¾ ¾ Ü À Ò Üµ À Ò ½ ܵ ¾ ½º ÁÒØÖÓÙØÓÒ ÀÖÑØ ÔÓÐÝÒÓÑÐ ÀÖÑØ ÔÓÐÝÒÓÑÐ Ö Ò Ý Ò ¼ ½ À Ò Üµ ½µÒ ܾ ¾ Ò Ò Ì Ö ÒÙÒØÓÒ Ó Ø ÇÖÒ ØÒ¹ÍÐÒ ÓÔÖØÓÖ Ü ¾ Ü Ü Ï Ú
Ó ½¹ÑÒ ÓÒÐ «Ù ÓÒ ÓÔÖØÓÖ ËÔØÖ ÜÑÔÐ ÓÑ ½ ÁÖÓ ËÛ ÃÝÓØÓ ÍÒÚÖ Øݵ ËÔØÑÖ ¾¼½ ÍÒÚÖ ØÝ Ó ÄÔÞ ÖÐØ ÓÖÑ Ò ÔÔÐØÓÒ ÖÑÒ¹ÂÔÒ ÇÔÒ ÅØÒ ÓÒ ËØÓ Ø ÒÐÝ ÍÊÄ ØØÔ»»ÛÛÛºÑغÝÓØÓ¹ÙººÔ»èÖÓ» ÓÒØÒØ ÁÒØÖÓÙØÓÒ ½º ÇÒ ÑÒ ÓÒÐ Ù ÓÒ ÔÖÓ ¾º
ÇÙØÐ Ò Ó Ø Ø Ð ÅÓØ Ú Ø ÓÒ = ¾ ÙÔ Ö ÝÑÑ ØÖ Ò ¹Å ÐÐ ÕÙ ÒØÙÑ Ñ Ò ÆÙÑ Ö Ð Ð ÓÖ Ø Ñ Ò ÒÙÑ Ö Ð Ö ÙÐØ Ü Ø ÓÐÙØ ÓÒ ÙÖØ Ö Ô Ö Ô Ø Ú
Ü Ø ÓÐÙØ ÓÒ Ò = ¾ ÙÔ Ö ÝÑÑ ØÖ Ò ¹Å ÐÐ ÕÙ ÒØÙÑ Ñ Ò Û Ø ËÍ( ) Ù ÖÓÙÔ Ò Ö Åº ËÑÓÐÙ ÓÛ ÁÒ Ø ØÙØ Ó È Ý Â ÐÐÓÒ Ò ÍÒ Ú Ö ØÝ ÄÁ Ö ÓÛ Ë ÓÓÐ Ó Ì ÓÖ Ø Ð È Ý ÇÙØÐ Ò Ó Ø Ø Ð ÅÓØ Ú Ø ÓÒ = ¾ ÙÔ Ö ÝÑÑ ØÖ Ò ¹Å ÐÐ ÕÙ ÒØÙÑ
Study Guide: Sunshine State Standards
å È É Ê Ë Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Í É Î Ë Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ï Ð É Ñ Ñ Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Ì Study Guide: Chapter
½½ º º À Æ Æ º º Í Æ ÒÓØ ÔÓ Ø Ú Ñ ¹ Ò Ø ÙÒÐ Ø ÓÐÐÓÛ Ò ØÖÙ Ø Ö ÓÒ Ù ÔÖÓ Ð Ñ È ½ Û Ø Ò Ð ÐÐ ÓÒ ØÖ ÒØ Û Ó ÓÖÑ Ù Ø ØÓ Ñ Ò ¾Ê Ò µ ½ ¾ Ì Ì Ø Ì Ù ÔÖÓ Ð Ñ Ø Ð
ÂÓÙÖÒ Ð Ó ÓÑÔÙØ Ø ÓÒ Ð Å Ø Ñ Ø ÎÓк½ ÆÓº¾ ¾¼¼½ ½½ ß½¾ º ÇÆ Å ÁÅ Ç Í Ä ÍÆ ÌÁÇÆ Ç ÌÀ Ì ËÍ ÈÊÇ Ä Å ½µ ÓÒ ¹ Ò Ê Ö Ú ÐÓÔÑ ÒØ ÒØ Ö Ó È Ö ÐÐ Ð ËÓ ØÛ Ö ÁÒ Ø ØÙØ Ó ËÓ ØÛ Ö Ò ½¼¼¼ ¼ Ò µ ¹Ü Ò Ù Ò ËØ Ø Ã Ý Ä ÓÖ ØÓÖÝ
The Enigma machine. 1 Expert teams 25 mins. 2 Mixing the teams 30 mins. 3 Coding and decoding messages 1 period
The Enigma machine ¼ The Enigma machine Time frame 2 periods Prerequisites : Å Ò ÖÝÔØÓ Ö Ô Ø Ò ÕÙ Objectives : ÓÚ Ö Ø ÛÓÖ Ò Ó Ø Ò Ñ Ñ Ò º ÓÙÒØ Ø ÒÙÑ Ö Ó ÔÓ Ð Ø Ó Ö Ý Ø Ñ Ò º Materials : 6 ÓÔ Ó Ø Øº 6 3
Ä Á»Ä Á Ä ÖÙ ÖÝ ¾¼¼ ½ ÙÒØ ÓÒ Ð Ô Ø ÓÒ Ä Ó ÓÒ Ø Ó ÓÙÖ Ô ÖØ ÐÙÐ Ø ÓÒ ÓÖ Ô Ö ØÝ ÙÔ Ø Ò Ò Ø Ö ÓÒ ØÖÙØ Ò º ËØÖ Ô Ñ Ò Öº ÁØ ÓÒØ Ò Ø ÓÔ Ö Ø ÓÒ Ù» Ö ÑÓÚ» ÐÓÓ
Ä Á»Ä Á Ä ÖÙ ÖÝ ¾¼¼ ½ ÙÒØ ÓÒ Ô Ø ÓÒ Ä Ó ÓÒ Ø Ó ÓÙÖ Ô ÖØ Ù Ø ÓÒ ÓÖ Ô Ö ØÝ ÙÔ Ø Ò Ò Ø Ö ÓÒ ØÖÙØ Ò º ËØÖ Ô Ñ Ò Öº ÁØ ÓÒØ Ò Ø ÓÔ Ö Ø ÓÒ Ù» Ö ÑÓÚ» ÓÓ ÙÔ ØÖ Ô º ÁÇ Ò Ó Ä Á º ÁØ ÓÒØ Ò Ô ÔÖÓ ÓÖ Ø ÁÇ Ó Ä Á Ù ÔÖ
ÝØ Ð Ö Ø ÓÒ Ó ÝÒ Ñ ØÖ ÑÙÐ Ø ÓÒ Ó Ø Ú Ñ Ò Ð Ö Ø ÓÒ ÖÓÑ ØÖ ÓÙÒØ Ð Ð Ô Ö Ô Ø Ú Ø Ñ Ø ÓÒ Ó Ô Ø ÓÛ Ø ÛÓÖ Ø Ñ Ø ÓÒ Ó Ñ ÖÓ¹ ÑÙÐ Ø Ú ÓÖ ¾» ¾¾
ÝØ Ö Ð Ö Ø ÓÒ ØÓÓÐ ÓÖ ÝÒ Ñ ØÖ ÑÙÐ Ø ÓÒ ÙÒÒ Ö Ð ØØ Ö ½ Ë ÔØ Ñ Ö ½¼ ¾¼¼ ½ Ñ ÒÝ Ø Ò ØÓ Ù Ò ÓÖ ÐÔ Ò Û Ø Ø ÑÙÐ Ø ÓÒ ½» ¾¾ ÝØ Ð Ö Ø ÓÒ Ó ÝÒ Ñ ØÖ ÑÙÐ Ø ÓÒ Ó Ø Ú Ñ Ò Ð Ö Ø ÓÒ ÖÓÑ ØÖ ÓÙÒØ Ð Ð Ô Ö Ô Ø Ú Ø Ñ Ø ÓÒ
Ö Ò ÁÅ ÔØ Ö Ê ÕÙ Ö ÔØ Ö ½¼ ½ Ò ½ º ÄÏÀ ØÓ ÖØ Ð ÁÒØ ÐÐ Ò ÁÒØÖÓ ÙØ ÓÒ ¹ ËÔÖ Ò ¾¼½ Ë º ÓÙ ÖÝ Ë Ù¹Û ¹Ö µ ÖØ ¼¾µ ¾¹ º º ÓÙ ÖÝ ½ ÁÒ ØÖÙØÓÖ³ ÒÓØ ÖÙ ÖÝ ½ ¾¼½
Ö Ò ÁÅ ÔØ Ö Ê ÕÙ Ö ÔØ Ö ½¼ ½ Ò ½ º ÄÏÀ ØÓ ÖØ Ð ÁÒØ ÐÐ Ò ÁÒØÖÓ ÙØ ÓÒ ¹ ËÔÖ Ò ¾¼½ Ë º ÓÙ ÖÝ Ë Ù¹Û ¹Ö µ ÖØ ¼¾µ ¾¹ º º ÓÙ ÖÝ ½ ÁÒ ØÖÙØÓÖ³ ÒÓØ ÄÓ Ð Ë Ö Ì ØÐ ÍÊÄ ÛÛÛº ºÙÒк Ù» ÓÙ Öݻ˽ ¹ ¹ ÁØ Ö Ø Ú ÑÔÖÓÚ Ñ ÒØ
1. The augmented matrix for this system is " " " # (remember, I can't draw the V Ç V ß #V V Ä V ß $V V Ä V
MATH 339, Fall 2017 Homework 1 Solutions Bear in mind that the row-reduction process is not a unique determined creature. Different people might choose to row reduce a matrix in slightly different ways.
ÓÒØ ÒØ ½º Ë ÓÖØ Ø Ô Ø Ò ØÖ ½º½º Ë ÓÖØ Ø Ô Ø Û Ø ÒÓÒÒ Ø Ú Ð Ò Ø ½º¾º ËÔ Ò ÙÔ ØÖ ³ Ð ÓÖ Ø Ñ Û Ø Ô ½º º Ë ÓÖØ Ø Ô Ø Û Ø Ö ØÖ ÖÝ Ð Ò Ø ½¾ ½º º Å Ò ÑÙÑ Ô Ò
ÓÙÖ Ò ÓÑ Ò ØÓÖ Ð ÇÔØ Ñ Þ Ø ÓÒ Ð Ü Ò Ö Ë Ö Ú Ö ÏÁ ÃÖÙ Ð Ò ½ ½¼ ËÂ Ñ Ø Ö Ñ Ì Æ Ø ÖÐ Ò Ò Ô ÖØÑ ÒØ Ó Å Ø Ñ Ø ÍÒ Ú Ö ØÝ Ó Ñ Ø Ö Ñ ÈÐ ÒØ ÅÙ Ö Ö Ø ¾ ½¼½ ÌÎ Ñ Ø Ö Ñ Ì Æ Ø ÖÐ Ò º Â ÒÙ ÖÝ ¾¾ ¾¼¼ ÓÔÝÖ Ø º Ë Ö Ú Ö
ÇÚ ÖÚ Û ½ ÁÒØÖÓ ÙØ ÓÒ ¾ Ý ¾¼½¾ Ò Ö Ð Þ Ö ÐØÝ ÅÓ Ð ÓÖ ÓÑ Ø Ý ¾
Ý Ò Ò Ö Ð Þ Ö ÐØÝ ÅÓ Ð ÓÖ ÓÑ Ø Ý Ð ÐÙ À Ø Ö Ø Ò ÁÒØ ÖÙÒ Ú Ö ØÝ ÁÒ Ø ØÙØ ÓÖ Ó Ø Ø Ø Ò Ø Ø Ø Ð Ó Ò ÓÖÑ Ø Á¹ ÓËØ Øµ ÍÒ Ú Ö Ø Ø À ÐØ Ô Ò Ð ÙÑ ÂÓ ÒØÐÝ Û Ø Ö Ø Ð ÖØ ÅÓÐ Ò Ö ² À Ð Ò Ý Ý ¾¼½¾ Ò Å Ý ½¼ ¾¼½¾ Ý ¾¼½¾
ÌÖ Ò Ò ÆÙÑ Ö ÓÖ È ÔÓ Ø Ö ÓÖ ÖÖÓÖ ÓÒØÖÓл ÔØ Ú Ñ Ò ³ ÁØ Ö Ø Ú Ô Ö ÐРе ÓÐÙØ ÓÒ ØÖ Ø ³ ÇÔ Ö ØÓÖ¹ ÔÐ ØØ Ò ÓÖ ÓÙÔÐ ÔÖÓ Ð Ñ ³ Ñ ÁÑÔÖÓÚ Ñ ÒØ Ó Æ ÒÝ Ú ½º ÇÔ
º ÁÒØÖÓ ÙØ ÓÒ ØÓ À Ö Û Ö ¹ÓÖ ÒØ ÆÙÑ Ö ÓÖ È µ ˺ ÌÙÖ Ø ÖÓÙÔ Åº ÐØ Ö Öº Ö Ëº Ù Ò Ëº Ã Ð Ò º ÃÙÞÑ Ò ººº ÁÒ Ø ØÙØ ĐÙÖ Ò Û Ò Ø Å Ø Ñ Ø ² ÆÙÑ Ö ÍÒ Ú Ö ØĐ Ø ÓÖØÑÙÒ ØØÔ»»ÛÛÛº Ø ÐÓÛº ÌÖ Ò Ò ÆÙÑ Ö ÓÖ È ÔÓ Ø Ö ÓÖ
M 1 M 2 M 3 M 1 M 1 M 1 M 2 M 3 M 3
ÅË ØÖ ÙØ ÔØ Ú Å Ø ÙÖ Ø Ë Ð Ø ÓÒ Ç ¾¼½½ Ù Ð Ò Ð Ð Ö Ð ½ Ë Ø Ò Î Ö Ð ½,¾ ½ ÁÆÊÁ Ä ÐÐ ¹ÆÓÖ ÙÖÓÔ ÍÒ Ú Ö Ø Ä ÐÐ ½ ¾ ÍÒ Ú Ö Ø Æ ËÓÔ ÒØ ÔÓÐ Ö Ò ØØÔ»»ÛÛÛº ºÙÒ º Ö» Ú Ö Ð ÂÙÐÝ ½ ¾¼½½ ½»½ ÈÓ Ø ÓÒ Ó Ø ÛÓÖ ÇÒ Ý ÔÓ
Lazy Semiring Neighbours
Ä ÞÝ Ë Ñ Ö Ò Æ ÓÙÖ Ò ÓÑ ÔÔÐ Ø ÓÒ È Ø Ö ÀĐÓ Ò Ö ÖÒ Ö ÅĐÓÐÐ Ö ÍÒ Ú Ö ØÝ Ó Ë Æ Ð Íà ÍÒ Ú Ö ØĐ Ø Ù ÙÖ ÖÑ ÒÝ ¾¼¼ Ⱥ ÀĐÓ Ò Ö ß ½ ß RelMiCS/AKA 06 Motivation ÒØ ÖÚ Ð ÐÓ Ö Ù ÓÖ Ô Ø ÓÒ Ò Ú Ö Ø ÓÒ Ó ØÝ ÔÖÓÔ ÖØ Ó
ÙÖ ¾ Ë Ð Ø ÔÔÐ Ø ÓÒ ¾ ¾
Å Ë ¹ Í Ö Ù Ú¼º¾ ÔÖ Ð ½¾ ¾¼½¼ ½ ½º½ ÈÖÓ Ø ÉÙÓØ Ì ÕÙÓØ Ð Ø Ò Ö ÐÐÝ ÓÖ Ö Ý Ô Ö Ó Û Ø Ø Ò Û Ø Ø Ø ÓØØÓѺ ÁØ Ñ Ý ÐØ Ö Ý Ð Ø Ò Ò ÔÔÐ Ø ÓÒº ½º½º½ ÉÙÓØ ÉÙÓØ Ò ÔÔÐ ØÓ Ö ÕÙ Ø Ý Ð Ò Ø ÓÒ Ò Ø ÐÐÓ Ø ¹ÓÐÙÑÒ Û Ý ÙÐØ
ÇÍÌ ÁËÌ Æ Æ ÆÇƹ ÁËÌ Æ Ç Ä ÌÌÁ Ë ÁÆ ËÇÅ ËÇÄÎ Ä ÄÁ ÊÇÍÈË Îº ÓÖ Ø Ú Ì ÖØ Ð ÚÓØ ØÓ ÔÖÓ Ð Ñ Ó Ü Ø Ò Ò ÒÓÒ Ü Ø Ò Ó Ð ØØ Ò ÓÐÚ Ð Ä ÖÓÙÔ º ÁÒ Ô ÖØ ÙÐ Ö Û ÔÖÓ
ËÁ Ì ÖÛ Ò Ë ÖĐÓ Ò Ö ÁÒØ ÖÒ Ø ÓÒ Ð ÁÒ Ø ØÙØ ÓÖ Å Ø Ñ Ø Ð È Ý ÓÐØÞÑ ÒÒ ¹½¼ ¼ Ï Ò Ù ØÖ ÓÙØ Ü Ø Ò Ò ÆÓÒß Ü Ø Ò Ó Ä ØØ Ò ÓÑ ËÓÐÚ Ð Ä ÖÓÙÔ Îº ÓÖ Ø Ú Î ÒÒ ÈÖ ÔÖ ÒØ ËÁ ½¾ ¾¼¼¾µ  ÒÙ ÖÝ ¾ ¾¼¼ ËÙÔÔÓÖØ Ý Ø Ù ØÖ Ò
"unphysical region" pp e + e : FF modulus
Ð ØÝ ØÙ Ó ÔÖÓØÓÒ Ð ØÖÓÑ Ò Ø ÓÖÑ ØÓÖ Û Ø Ø È Æ Ø ØÓÖ Ñ ØÖÝ Ã Ò Ø ÍÒ Ú Ö ØÝ Ó Å ÒÞ ÁËÆÈ Ö Ë ÔØ Ñ Ö ½ ¹¾ ¾¼½½ Ñ ØÖÝ Ã Ò Ø ÍÒ Ú Ö ØÝ Ó Å ÒÞµ ÔÔ + (π + π ) Ë ÔØ Ñ Ö ½ ¹¾ ¾¼½½ ½» ½ ÇÙØÐ Ò ÇÙØÐ Ò ½ ÁÒØÖÓ ÙØ ÓÒ
λ max β λ P λ [cos(θ)] λ=0 max 232 Th V LD [MeV] LSD β 2
![λ max β λ P λ [cos(θ)] λ=0 max 232 Th V LD [MeV] LSD β 2](/thumbs/93/112398155.jpg "λ max β λ P λ [cos(θ)] λ=0 max 232 Th V LD [MeV] LSD β 2")
Ö ÔØ ÓÒ Ó ÜÓØ Ô Ó ÓÖÑ Ò ÓÙÖ Ö ÒÙÐ ÓÒ Ò ÈÓÑÓÖ ÃÖÞÝ ÞØÓ ÙÖ Ë Ó ÓÛ ÍÒ Ú Ö ØÝ ÄÙ Ð Ò ÈÓÐ Ò Å Ö ËËÆ Ì ÏÓÖ ÓÔ ÆÓÚ Ñ Ö ¹½½ ¾¼½ ¹ ÙÖ¹ Ú ØØ Ö Ò ÅÝ ÓÐÐ ÓÖ ØÓÖ ÂÓ ÒÒ ÖØ Ð ÁÈÀ Ò ÍÒ Ú Ö ØÝ Ó ËØÖ ÓÙÖ Ö Ø ÐÐ Ë Ñ ØØ ÆÁÄ
Significant sample +... Synthetic Population. IPFP + Random Draws. Set of consistent margins
Ë ÑÔÐ ¹ Ö ÝÒØ Ø ÔÓÔÙÐ Ø ÓÒ Ò Ö Ø ÓÒ Û Ø Ò ÔÔÐ Ø ÓÒ ØÓ Ð ÙÑ ÂÓ Ò ÖØ Ð ÑÝ Ò È Ð ÔÔ ÌÓ ÒØ Ô ÖØÑ ÒØ Ó Å Ø Ñ Ø ÍÒ Ú Ö ØÝ Ó Æ ÑÙÖ Ð ÙÑ Ô Ð ÔÔ ºØÓ ÒØ ÙÒ Ôº º Ó Òº ÖØ Ð ÑÝ ÙÒ Ôº º Æ ÑÙÖ ÖÙ ÖÝ ¾¼½½ º ÖØ Ð ÑÝ È
¾ ÓÖÔÙ Ôк ÓÖÔÓÖ µ ÓÖÔÙ ÓÐÐ Ø ÓÒ Ó Ø ÜØ µ ÓÖ ÙØØ Ö Ò ½¼ Ø ÒÝ ½¼ Ö ÓÒ Ð ½¼ ½¾ ÙÖÖ ÒØ Ð Ð Ñ Ø ÓÖ ÙÒ ÒÒÓØ Ø Ø Ì ÑÓ Ø Ú ÐÙ Ð ÓÖÔÓÖ Ö Ø Ó Ø Ø ÓÙÖ Ò ØÙÖ ÐÐÝ
ÓÖÔÙ ÒÒÓØ Ø ÓÒ Ö Ð È ÒÒ Ë ¼½ ÍÒ Ú Ö ØÝ Ó ÌÓÖÓÒØÓ ØØÔ»»ÛÛÛº ºØÓÖÓÒØÓº Ù» Ô ÒÒ» ¼½ ¾ ÓÖÔÙ Ôк ÓÖÔÓÖ µ ÓÖÔÙ ÓÐÐ Ø ÓÒ Ó Ø ÜØ µ ÓÖ ÙØØ Ö Ò ½¼ Ø ÒÝ ½¼ Ö ÓÒ Ð ½¼ ½¾ ÙÖÖ ÒØ Ð Ð Ñ Ø ÓÖ ÙÒ ÒÒÓØ Ø Ø Ì ÑÓ Ø Ú ÐÙ Ð
ÓÙÖ ËØ ÁÒ ØÖÙØÓÖ ÓÒØ Ø ËÐ Ñ Ø ÙÐÐ Ö ÐÓÙ Ð Ø ÓÒ ÓÙÖ Û Ø ÇÒ ÍÏ¹Ä ÖÒ Ò ÓÒ ÓÙÖ Û Ø Î ÖÝ Ø Ö ÓÑ ØÓ Ð Ø ÒÓØ Ë ÁÒØÖÓ ØÓ Å Ñص ÇÚ ÖÚ Û Ó Ë ÄÄ ¾¼½ ¾» ¾
ÇÚ ÖÚ Û Ó Ë Ú Êº Ö ØÓÒ Ë ÓÓÐ Ó ÓÑÔÙØ Ö Ë Ò ÍÒ Ú Ö ØÝ Ó Ï Ø ÖÐÓÓ Ë ÁÒØÖÓ ÙØ ÓÒ ØÓ Ø Å Ò Ñ ÒØ ÐÐ ¾¼½ Ë ÁÒØÖÓ ØÓ Å Ñص ÇÚ ÖÚ Û Ó Ë ÄÄ ¾¼½ ½» ¾ ÓÙÖ ËØ ÁÒ ØÖÙØÓÖ ÓÒØ Ø ËÐ Ñ Ø ÙÐÐ Ö ÐÓÙ Ð Ø ÓÒ ÓÙÖ Û Ø ÇÒ ÍϹÄ
Ä ÓÖ ØÓ Ö ÓÖ Ð Ê Ö Ò ÁÒ ÓÖÑ Ø ÕÙ ÍÅÊ ¼¼ ¹ ÍÒ Ú Ö Ø ÓÖ ÙÜ Á ½ ÓÙÖ Ð Ä Ö Ø ÓÒ ¼ Ì Ð Ò Ü Ö Ò Ê Ö Ê ÔÓÖØ Êʹ½ ¼ ¹¼ Ò Æ ÒØ Ò ÙÖ Ø Ð ÓÖ Ø Ñ ÓÖ ÓÑÔÙØ Ò Ø Û Ò Ð Ó ÓÙÑ ÒØ Ñ Ý Ø ÔÖÓ Ø ÓÒ ÔÖÓ Ð Ñ Ø Ó Ý Â ÕÙ ¹ÇÐ Ú
Ó Ú ÐÙ Ö ÒÚÓÐÚ Ò ÖØ Ò Ô ÖØ Ó Ø ÔÖÓ Ö Ñµ Ò ØÓ ÐÔ Ø Ø ÔÖÓ Ö ÑÑ Ö Ñ Ø º ÁÒ Ø Ø ÐÐÝ ØÝÔ Ð Ò Ù Ø ØÝÔ Ö ÒÓØ Ò ÓÑ Ø Ò Ø Ø Ø Ô ÖØ Ò ÓÑÔÙØ Ø ÓÒ ÙØ Ö Ø Ö ÓÑ Ø Ò
ÙÒ Û Ø ÙÒØ ÓÒ Ð Ô Ò Ò ÓÖ Ö Øµ ÌÝÔ Î ÐÙ Ò ËØ Ø ÓÑÔÙØ Ø ÓÒ Ò À ÐÐ Ì ÓÑ À ÐÐ Ö Ò Ñ Ö ¾ ¾¼¼¼ ØÖ Ø Ì Ô Ô Ö ÐÐÙ ØÖ Ø ÓÛ À Ðг ØÝÔ Ð Ý Ø Ñ Ò Ù ØÓ ÜÔÖ ÓÑÔÙØ Ø ÓÒ º Ë Ò ÓÑÔÙØ Ø ÓÒ ÓÒ Ø ØÝÔ Ð Ú Ð Ö Ô Ö ÓÖÑ Ý Ø ØÝÔ
ÇÙØÐ Ò
ÀÓÛ ÑÙ ÒØ Ö Ò Ö Ø ÓÒ Ð Ö Ö Ò Ó Ø ÍºËº Ó Ð ÙÖ ØÝ Ý Ø Ñ Ö ÐÐÝ ÔÖÓÚ ½ ½ Ê ¹ Á ÈÖ Ù Å Ý ¾¼½½ ÇÙØÐ Ò ÅÓØ Ú Ø ÓÒ ÓÒÓÑ Ó Ø Ö ÒØ Ò Ö Ø ÓÒ Ö ÒØÐÝ Ä Ñ Ø Ð ØÝ ØÓ Ò ÙÖ Ü¹ ÒØ Ú ¹ ¹Ú ÓØ Ö Ò Ö Ø ÓÒ È Ý¹ ¹ÝÓÙ¹ Ó Ô Ò ÓÒ
Ã Ô ÐÐ Ø ÙÒ Ð ÕÙ Ô Ò ÙÖ ÓÑ Ú ÒØ Ö Ø ÓÒ Ò ÓÑÔ Ø Ø ÓÒ Ä ÙÖ Å ËËÁÇ ÄÈÌÅ ÍÒ Ú Ö Ø È Ö ÎÁ ¾½ ÒÓÚ Ñ Ö ¾¼½
Ã Ô ÐÐ Ø ÙÒ Ð ÕÙ Ô Ò ÙÖ ÓÑ Ú ÒØ Ö Ø ÓÒ Ò ÓÑÔ Ø Ø ÓÒ Ä ÙÖ Å ËËÁÇ ÄÈÌÅ ÍÒ Ú Ö Ø È Ö ÎÁ ¾½ ÒÓÚ Ñ Ö ¾¼½ À Ò Ö Ô Ò ÑÓ Ð Insulator Conductor Ò Ø ÓÖÝ Ø ÅÓØØ Ò ÙÐ ØÓÖ Ö ÓÒ ÙØ Ò ººº Ì ÀÙ Ö ÑÓ Ð ÒØ Ö Ø ÒØ Ö Ø ÓÒ
ÁÒØÖÓ ÙØ ÓÒ ØÓ ÓÑÔÙØ Ö ÈÖÓ Ö ÑÑ Ò Ò Ü Ñ ÂÙÒ ½ ¾¼¼ È ½ Ü Ö ½ ¾ ½ Å Ö µ µ ÓÒ Ö Ø ÓÓÛ Ò Ñ Ø Ó ÔÙ ÚÓ ÒØ ÒØ µ ß ¼ ¼µ ß Ö ØÙÖÒ ÒØ ¼µ ß ËÝ Ø ÑºÓÙغÔÖ ÒØÒ Ò Ø
È ¼ ÖÑ Ò ÍÒ Ú Ö ØÝ Ò ÖÓ ÙØÝ Ó Å Ò Ò Ö Ò Ò Ì ÒÓÓ Ý ÈÖÓ º Öº Ë Ñ ÒÒ Ö ÂÙÒ ½ ¾¼¼ ÁÒØÖÓ ÙØ ÓÒ ØÓ ÓÑÔÙØ Ö ÈÖÓ Ö ÑÑ Ò ËÔÖ Ò Ø ÖÑ ¾¼¼ Ò Ü Ñ Ö Ó ÁÒ ØÖÙØ ÓÒ Ê Ö ÙÝ ÓÖ ÔÖÓ Ò º ½µ ÙÖ Ø ÓÒ Ó Ø Ü Ñ ÓÙÖ ½ ¼ Ñ ÒÙØ µº
XOR KEYS S BOXES KEY ADDITION MODULO 2^{256} DIFFUSION LAYER
¾¼ ÃË ¹ ËÓ ØÛ Ö ÇÖ ÒØ À Ë ÙÖ ØÝ Ó Ô Ö Ø Ö Ë Ñ Ø ¾½º Ë ÔØ Ñ Ö ¾¼½¾ ØÖ Ø Ì Ó Ô Ö ¾¼ ÃË Ö Ú Ø Ú Ó Ø Ó Ô Ö ½¼¾ Ò ½¼¾ ÃË Û Ò ØÙÖÒ Ù Ø Ó Ô Ö ÅÅ Ë Ê Ò ÓÛ Ù Ò Ó º Ì Ó Ô Ö ¾¼ ÃË Ó Þ Ó ¾¼ Ø Ò Ý Ò Ø Ó ¼ Ø Ò ½ ¾ Ø
Density Data
È ÖØ Ó ÔÖÓ Ø ØÓ Ø ØÝ Ó ÒØ Ö Ø ÓÒ Ý ÑÓÒ ØÓÖ Ò Ö Ú Ò Ô ØØ ÖÒ º Ì ÔÖÓ Ø Ù Ú Ð ØÖ Ò ÓÒ ÓÖ ÖÓÙÒ» ÖÓÙÒ Ñ ÒØ Ø ÓÒº Ì ØÖ Ò ÜÔ Ö Ò ÔÖÓ Ð Ñ Ù ØÓ ËØ Ò Ö ÓÐÙØ ÓÒ ØÓ ÑÓ Ð Ô Ü Ð Ù Ò Ù Ò Ñ ÜØÙÖ º ÍÔ Ø Ø Ô Ö Ñ Ø Ö Ó Ù
ßÒ Ò Ø ÒØ Ö ÒØ Ý ÒØ Ú Ò µ ß Ú Ö ÒØ ÓÛ Ñ Ü ÓÛ ÖÖ Ý Þ Ú µ ¹ ½ ÒÚ Ö ÒØ ÒØ ÒØ Ò ½ Ò ÓÛ ÒØ µ ÒØ µµ Û ÓÛ µ ß Ñ ÓÛ µ» ¾ Ü Ú Ñ Ý Üµ ß Ö ØÙÖÒ Ñ Ý Üµ ß Ñ ¹ ½ ß
ÁÑÔ Ö Ø Ú ÈÖÓ Ö ÑÑ Ò Û Ø Ô Ò ÒØ ÌÝÔ ÀÓÒ Û ÍÒ Ú Ö ØÝ Ó Ò ÒÒ Ø ÛÜ ºÙº Ù Î Ö ÓÒ Ó Â ÒÙ ÖÝ ¾ ØÖ Ø ÁÒ Ø Ô Ô Ö Û ÒÖ ÑÔ Ö Ø Ú ÔÖÓ Ö ÑÑ Ò Û Ø ÓÖÑ Ó Ô Ò ÒØ ØÝÔ º Ï Ø ÖØ Û Ø ÜÔ Ò Ò ÓÑ ÑÓØ Ú Ø ÓÒ ÓÖ Ø ÒÖ Ñ ÒØ Ò Ñ
Dagstuhl Seminar Proceedings 05451Dagstuhl Seminar Proceedings Beyond Program Slicing
Í Ò ØØÖ ÙØ Ë Ò ØÓ Ê ØÓÖ Ä Ö ÓÙ Ã Ö 1 Å Ö ÊÓÔ Ö 1 Æ Ï Ò Û 2 1 Ì Ô ÖØÑ ÒØ Ó ÓÑÔÙØ Ö Ò ÁÒ ÓÖÑ Ø ÓÒ Ë Ò Ä Ú Ò ØÓÒ ÌÓÛ Ö ¾ Ê ÑÓÒ ËØÖ Ø ½ ½ À 2 Ì Ô ÖØÑ ÒØ Ó ÓÑÔÙØ Ö Ë Ò Ê ÒØ ÓÙÖØ ¾½½ ÈÓÖØÓ Ó ËØÖ Ø Ë Ë½ È ØÖ
ÚÓ Ù ØÖ Ó Ø Ö ÓÙÒØ Øµ ØÖÙØ Ø ÒÓ Ø Ñµ» Ø ÚÓ Ù ØÖ Ó Ø Ö ÓÙÒØ ÔÙص ØÖÙØ Ø ÒÓ Ø Ñµ» Ø ØÖÙØ Ù ØÖ Ó Ý Ö Ò Ñ ½¼ Ô ÒÓ Ø Ó» Ó Ý Ó» ØÖÙØ Ù ØÖ Ù Ø Ø ¾ Ñ Ü Þ» Ò Ø
ÍÍÁ À Ä ÓÖ Ù ØÖ ¹ ½ Ù ½½¼½ µ Ù Ò ÓÒ ¾¼¼ ¹¼½¹¾¾ ½ Ê ÕÙ Ö Ñ ÒØ ½º Ì ÜÔÓÖØ Ö Ò Ø Ò Ø Ò Ø Ö Ö ÓØ Ó ÒØ ÓÒ¹ Ò Ø Ø Ø ÓÒ Ø Ñ ØÓ ØÖ Ú Ö Ø Ø ÓÖ ÙÒ ÕÙ ÍÍÁ ² Ú Ø ÓÒ Ö ÕÙ Ø º ¾ ËÙÑÑ ÖÝ Ó Ø ÓÙØ ÓÒ ¾º½ Æ Û ÓÙØ ÓÒ ¹ Ù
Problem. Program. Architecture/ISA. Logic. Electrons
Ê ÓÑÔÙØ Ö Ö Ø ØÙÖ Ø Ò ÙÝºÖ Ø Ò ¹ÐÝÓÒº Ö Ä ÁÌÁ ÁÆË ÄÝÓÒ Î Ö ÓÒ Ù ÂÙÐÝ ½¼ ¾¼½ Ì Ò ÙÝ Ê Ø ÂÙÐÝ ½¼ ¾¼½ Ì Ò ÙÝ Ê Ø Ê ÓÑÔÙØ Ö Ö Ø ØÙÖ ½ Ì Ð Ó ÓÒØ ÒØ ½ ÒØÖÓ ÙØ ÓÒ ¾ À ØÓÖÝ Ð ØÖÓÒ Ò ÄÓ ÈÖÓ ÓÖ Ö Ø ØÙÖ Ì Ò ÙÝ Ê
Jochen Einbeck Department of Mathematical Sciences, Durham University
Ø Ú Ù Ð Þ Ø ÓÒ Ò ÝÓÒ µ Û Ø ÐÓ Ð ÙÖÚ Ò Ñ Ò ÓÐ ÔÖ Ò Ô Ð Jochen Einbeck Department of Mathematical Sciences, Durham University jochen.einbeck@durham.ac.uk joint work with Ludger Evers (University of Glasgow),
Randomized Pursuit-Evasion in Graphs
Randomized Pursuit-Evasion in Graphs Micah Adler Harald Räcke Ý Naveen Sivadasan Þ Christian Sohler Ý Berthold Vöcking Þ Abstract We analyze a randomized pursuit-evasion game on graphs. This game is played
ÅÓØ Ú Ø ÓÒ Ñ ØÙ Ý ÜØ Ò ÓÒ Ó Û Ðй ÒÓÛÒ ÈÌ Ñ Ý Ø Ñ Ä ÈÄ Ò ØÓ ÒÖ ÒØ Ò ÓÒ Ð ÜÔÖ Ú Ò Ý Ö Ð Ü Ò Ð Ò Ö ØÝ Ý ÓÑ Ò Ò Ö ÒØ Ö ÙÖ ÓÒ Ñ ÒØÓ ÓÒ Ý Ø Ñ Ý ÝÒØ Ø Ð Ñ Ø
ÌÓÛ Ö ÁÒØ Ò ÓÒ ÐÐÝ ÅÓÖ ÜÔÖ Ú ËÝ Ø Ñ ÓÖ ÈÌ Ñ ËØ Ò Ë Ñ Ò Ô ÖØÑ ÒØ Ó Å Ø Ñ Ø ÄÙ Û ¹Å Ü Ñ Ð Ò ¹ÍÒ Ú Ö ØØ Å Ò Ò ÌÝÔ ¾¼¼ ËØ Ò Ë Ñ Ò ÄÅÍ Å Ò Òµ ÌÓÛ Ö ÁÒØ Ò ÓÒ ÐÐÝ ÅÓÖ ÜÔÖ Ú ËÝ Ø Ñ ÓÖ ÈÌ Ñ ÌÝÔ ¾¼¼ ½» ½ ÅÓØ Ú Ø
ÓÑÔÙØ Ð ÙÒØ ÓÒ Ò Ë Ñ ÓÑÔÙØ Ð Ë Ø ÓÒ Å Òݹ ÓÖØ Ð Ö Âº κ ÌÙ Ö Ò Âº Áº Ù Ö ÓÒØ ÒØ ½ ÁÒØÖÓ ÙØ ÓÒ º º º º º º º º º º º º º º º º º º º º º º º º º º º º
ÓÑÔÙØ Ð ÙÒØ ÓÒ Ò Ë Ñ ÓÑÔÙØ Ð Ë Ø ÓÒ Å Òݹ ÓÖØ Ð Ö ÓÒØ ÒØ ½ ÁÒØÖÓ ÙØ ÓÒ ½ ½½ ÓÑÔÙØ Ò Ò Ð Ö ¾¾ ½¾ Ü ÑÔÐ Ó ÓÑÔÙØ Ð Ò ÒÓÒ¹ÓÑÔÙØ Ð ÙÒØ ÓÒ ¾ ½ Ê Ð Ø ÓÒ Û Ø «Ø Ú Ð Ö ¾ ½ À ØÓÖ Ð ÒÓØ ÓÒ ÓÑÔÙØ Ð ÙÒØ ÓÒ ÓÒ Ð Ö ½
Event Based Sequential Program Development: Application to Constructing a Pointer Program
Event Based Sequential Program Development: Application to Constructing a Pointer Program Jean-Raymond Abrial Consultant, Marseille, France jr@abrial.org Abstract. In this article, I present an event approach
ÁÒ ÙØ Ú ¹ ÙØ Ú ËÝ Ø Ñ Ñ Ø Ñ Ø Ð ÐÓ Ò Ø Ø Ø Ð Ð ÖÒ Ò Ô Ö Ô Ø Ú Æ ÓÐ ÓØ Å Ð Ë Ø ÇÐ Ú Ö Ì ÝØ Ù ÍÒ Ú Ö Ø È Ö ¹ËÙ ÆÊË ÁÆÊÁ ÈÖÓ ¾¼¼
ÁÒ ÙØ Ú ¹ ÙØ Ú ËÝ Ø Ñ Ñ Ø Ñ Ø Ð ÐÓ Ò Ø Ø Ø Ð Ð ÖÒ Ò Ô Ö Ô Ø Ú Æ ÓÐ ÓØ Å Ð Ë Ø ÇÐ Ú Ö Ì ÝØ Ù ÍÒ Ú Ö Ø È Ö ¹ËÙ ÆÊË ÁÆÊÁ ÈÖÓ ¾¼¼ Ó ÜÔ ÖØ Ð ÒØ ÒØ Ø Ò Ò Öº º º µ Ý ÖÑ ÐÓ¹ Ö Ò Ð ÓÐ Ó Ø Ø ÓÖ Ñ Ð Ð ÓÐ Ï Ø Ó ÝÓÙ
Outflow plane U=V=W=0. 2.5m. 1.95m U=V=W= m (0,0,H) 0.1m. 0.1m y. 0.41m 0.15m. 0.45m U=V=W= m Inflow plane
º ÓÒ ÔØ Ó À È Ö ÓÖÑ Ò Å Ë ÑÙÐ Ø ÓÒ Ò Ê Ð Þ Ø ÓÒ Ò Ø Ø ËÓ ØÛ Ö Ëº ÌÙÖ Ø ÖÓÙÔ Åº ÐØ Ö Öº Ö Ëº Ù Ò Ëº Ã Ð Ò º ÃÙÞÑ Ò ººº ÁÒ Ø ØÙØ ĐÙÖ Ò Û Ò Ø Å Ø Ñ Ø ² ÆÙÑ Ö ÍÒ Ú Ö ØĐ Ø ÓÖØÑÙÒ ØØÔ»»ÛÛÛº Ø ÐÓÛº Ð Ø ÓÒ Ó È
ÓÒØ ÒØ ½ ÁÒØÖÓ ÙØ ÓÒ ½ ¾ ÈÖ Ð Ñ Ò Ö ¾ ¾º½ Ö Ø ÇÖ Ö ÅÓ Ð ÄÓ º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º ¾ ¾º¾ ÇÖ Ö Ò ÃÖ Ô ÅÓ Ð º
ÁÒ Ø ØÙØ Ó ÁÒ ÓÖÑ Ø Ï Ö Û ÍÒ Ú Ö ØÝ ÜÔÓ ÒØ Ë Ñ ÒØ Ò Ò ËÄ ¹Ê ÓÐÙØ ÓÒ ÐÙÐÙ ÓÖ ÅÓ Ð ÄÓ ÈÖÓ Ö Ñ Ä Ò Ò Æ ÙÝ Ò Ò ÙÝ ÒÑ ÑÙÛº ÙºÔÐ ÌÊ ¼½¹¼¾ ¾ µ Ë ÔØ Ñ Ö ¾¼¼½ Ð Ø Ö Ú Â ÒÙ ÖÝ ¾¼¼ µ ØÖ Ø Ï ÔÖÓÔÓ ÑÓ Ð ÐÓ ÔÖÓ Ö ÑÑ
¾ Å Ö ÒÓÚ Ò Ã ÙÖ ÁÒ Â Ú Ø ÕÙ Ñ Ø Ó Û ÓÛ ÓÑÔ Ö Ò Ó Ø Ú Ù ÓÔ¹ ÔÓ ØÓ Ù Ò Ø ³ ÓÔ Ö ØÓÖ Û ÓÑÔ Ö Ó Ø ÒØ Ø ÓÚ ÖÖ Ò Ò Ñ ÓÖ ØÝ Ó º ÓÓ ÔÖÓ Ö ÑÑ Ò Ñ Ø Ó ÓÓ Ý Ù Ø
Î ÓÝ Î ÖØÙ ÙÒØ ÓÒ Å Ø Ê Ø ÓÒ Ä Ò Ù Ö Ó Å Ö ÒÓÚ Ò Ë Ö Ö Þ Ã ÙÖ ÅÁÌ Ä ÓÖ ØÓÖÝ ÓÖ ÓÑÔÙØ Ö Ë Ò ¾¼¼ Ì ÒÓÓ Ý ËÕÙ Ö Ñ Ö Å ¼¾½ ÍË Ñ Ö ÒÓÚ ÙÖ ºÑ غ Ù ØÖ Øº Ï ÔÖÓÔÓ Î ÓÝ Ò ÜØ Ò ÓÒ ØÓ Ø Ö Ø ÓÖ Ö Ö Ø ÓÒ Ò Ù Óݺ ÓÝ
CMD MDS Recovery DLD
CMD MDS Recovery DLD Mike Pershin February 6, 2008 1 Introduction This document describes recovery changes in CMD. 2 Requirements The CMD environment requires the reviewed recovery due to major changes