PROLOG语言及其实现

PROLOG语言是一种逻辑式程序设计语言,其名字就来源于PROgram和LOGic。PROLOG语言改变了人们所熟悉的程序设计语言中一些基本概念,引入了新的思想。PROLOG的程序并不说明运算的过程,它所描述的是事物间的逻辑关系,因而也被归类为非过程式程序设计语言。 本文将通过以下三个部分,介绍笔者于一九八四年实现并通过技术鉴定的一个PROLOG语言系统。它是一个可以在IBM-PC、IBM-PC/XT、IBM-PC/AT和IBM-PC兼容机,以及WANG-PC机上运行的 PROLOG语言系统。1.PROLOG语言的程序结构;2.PROLOG语言系统的核心算法;3.PROLOG语言系统的实现。     

混合语言编程的瓶颈问题

本文详细地分析了TURBO PROLOGV2。0 与其它语言通讯的接口规约，并以实现TURBO C 语言程序中嵌入TURBO PROLOG的编辑器为例，阐述当前混合编程中的瓶颈问题的解决，所介绍的利用RURBO PROLOG软件作为相互调用的中介，实现不同语言相互调用使单一语言内部功能得以扩充、使各种语言的特色互为补充的方法，不失为一种简捷的软件开发途径，其中的例子程序，具有一定的实用价值     

借用TURBO PROLOG实现在其它语言中嵌入编辑器

本文介绍将TURBO PROLOG本身的强大编辑功能嵌入其它语言中,以便进行灵活的编辑。     

函数式语言FP中并行的开发和控制

函数式语言的突出特点是特别适合于并行处理.本文着重讨论函数式语言——FP在多处理机系统中并行实现的方法.文中的FP语言是在John Backus’FP的基础上增加了流的功能和类型定义.在[1,2]原有的理论基础上,提出了一个改进的结合LE计值语义的多步向前驱动法.LE计值中由于引进了延迟对象,使得延迟计值统一为函数对对象的作用,因而简化了编译系统的代码生成.多步向前驱动法是一种结合需求驱动和数据驱动的方法,该方法在开发了尽可能多的并行的同时,又保证了程序并行归约的终止性.根据这些方法,一分布式内存的多处理机软件模拟系统已在MIC-VAX Ⅱ上实现.文中最后给出了一些实验数据,这些数据有力地证明了多步向前驱动法的有效性,从而揭示了函数式语言并行处理是一非常有发展前途的研究方向.     

PROLOG系统的Pascal实现

本文介绍一种采用从顶向下、深度优先搜索策略的PROLOG系统。在文章中,将讨论设计考虑、系统组成以及用Pascal语言实现的方法。本PROLOG系统具有汉字处理功能。在本文最后,结合研制体会提出进一步提高效率的几点看法。     

逻辑编程语言PROLOG及其系统设计原理

本文简要地介绍与评价了第五代计算机的核心语言——PROLOG;给出了PROLOG语言的BNF描述;从两个方面叙述了PROLOG系统的设计原理:一个是较高级的PROLOG自解释系统PIP,另一个是可用较低级的语言来实现PROLOG系统的一个算法。     

EGG图文法语法分析算法的研究

EGG是一种基于边的上下文相关图文法形式化框架,其语法分析(归约操作)算法是该文法重要的组成部分。在简要介绍EGG的基础上,给出了EGG语法分析算法的设计,其中包括子图匹配算法、子图替换算法和算法计算复杂性的分析。为了展示如何用EGG来定义图语言,特别是如何用所设计的归约算法来分析图,文中以程序流程图为例,给出了相关的EGG形式定义以及对一个具体流程图的归约过程,并探讨了可能降低分析算法复杂性的一些途径。     

一种Nehalem平台上的MPI多级分段归约算法

基于线程MPI环境提出一种适用于Nehalem平台长消息归约的多级分段归约算法(HSRA).HSRA考虑了Nehalem系统的体系结构特点,分处理器内归约和处理器外归约两个步骤实施节点内归约通信,在均匀分布计算负载的前提下仅需要较少的远端内存访问.首先在MPIActor的归约算法框架中设计、实现了HSRA算法,从访存角度分析了HSRA算法的开销,然后与单级分段和已有的另外三种节点内基于共享内存的归约算法进行比较;最后在真实系统上通过IMB(Intel MPI Benchmark)验证算法,实验结果表明,该算法是一种适用于在Nehalem系统中处理长消息节点内归约的高效算法.     

函数／逻辑程序设计语言RFUNILOG

本文提出了一种兼备函数／逻辑功能的程序设计语言ＲＦＵＮＬＯＧ。它不仅具有统一的语法形式和丰富的语言设施，而且有统一的操作语义，整个语言可以用图归约的概念来解释。     

基于粗糙集理论和BP神经网络的数据挖掘算法

根据数据挖掘中粗糙集理论和BP神经网络各自的优势和存在的问题,提出了一种将粗糙集理论和BP神经网络理论结合在一起的算法。该算法利用粗糙集对属性的归约功能将数据仓库中的数据进行归约,并将归约后的数据作为训练数据提供给BP神经网络。通过粗糙集归约,提高了训练数据表达的清晰度,也减小了BP神经网络的规模,同时利用BP神经网络又克服了粗糙集对噪声数据敏感的影响。文中提出了代价函数,解决了训练数据与网络精度的问题,也提供了由粗糙集归约向BP神经网络训练转变的依据。     

函数、逻辑程序设计语言FAIR-LILY的设计

本文根据〔1〕和〔2〕设计了一种“函数程序设计与逻辑程序设计统一成一体”的语言,FAIR—LILY。该语言的函数程序设计部分是带变量的 FFP 语言的一种扩充,其中嵌入以逻辑程序设计功能。     

DDFP语言的归约机实现技术

ＤＤＦＰ语言是一种基于表达式的泛函程序设计语言，这是一种具有归约语义的，引用透明的，能表达无限数据结构，高阶纯粹的函数式语言。它的实现是基于λ演算、ＳＬＩ演算、ＳＫＬ－Ｇ演算、ＬＮＦ演算及图归约技术。本文在［４］的基础上首先引进了ＬＮＦ演算，而后详细介绍了该语言的归约机实现技术，对结果作了讨论。     

演绎数据库工具

演绎数据库是既能由事实显式地表示,又能用一般规则隐式地表示的数据库。我们倡导将带类型的一阶逻辑用作定义和操纵这种演绎数据库的语言,并举例说明。这样语言具有通俗易懂的理论,并为数据、查询、完整性约束、视图,以及程序提供统一的表示。我们为实现域、使用带命名属性的原子,处理查询,以及检查完整性约束提供算法。实现是先翻译成PROLOG,然后在标准PROLOG系统上完成。本文假定读者对关系数据库,逻辑、以及PROLOG有所了解。     

模块化PROLOG语言的设计与实现

PROLOG语言是基于一阶谓词逻辑的子集——HORN子句逻辑的程序设计语言,以其易于理解和易于书写,在当前正越来越受到重视。本文在分析基本PROLOG语言的基础上,参考有关的工作,设计了一种模块化的PROLOG语言M-PROLOG,并且实现了由Kowalski提出的证明性谓词demo,从而提供了元级推理与目标级推理的接口。最后,本文简单介绍了MPROLOG在Altos-986微机上实现解释系统A-SYSTEM的一些体会。     

逻辑程序语言

逻辑程序语言又叫说明语言，这是因为用它编写的程序中，说明语句多于赋值语句或流程控制语句。逻辑程序语言的一个最基本的特征是它的语义。研究逻辑程序语言的语义称为说明语义学。具体说就是寻找一种简单的方法来确定每一语句的意义，而该方法与语句将解决的问题无关。第一个逻辑程序语言PROLOG是在70年代初由法国马赛大学的周amC0hnerauer和PhillippeR＿l开发成功的，它的设计技巧由伦敦大学的RobertKOWISki提出。在一般的程序设计系统中，程序告诉计算机的是如何一步一步地去解决问题。而在逻辑程序设计系统中，程序会告诉计算机…     

抽象算法C—T—ABS和ABSTRACT的理论推导与等价性证明

ＡＢＳＴＲＡＣＴ，Ｃ－Ｔ－ＡＢＳ是把λ表达式转换成ＳＫＩ表达式的抽象算法，是函数式语言实现的理论基础。本文从λ演算，ＳＫＩ演算的基本理论出发，对这两个算法进行了理论推导及功能的等价证明。展示了对一输入，Ｃ－Ｔ－ＡＢＳ能生成较优化的代码，并对它们生成代码的长度及归约效率进行了比较。     

程序转换中的终止性保持问题

Burstall/Darlington提出的展开/叠卷方法是程序转换中简单而有效的一种方法,但该方法仅保持函数的部分正确性,而可能失去某些值上的终止性.为此,本文提出了函数的“归约测度”和“归约转换”的概念,且证明了只要函数在转换过程中保持“复杂性”在某一归约测度下不增,转换即可保持终止性.     

同式多型的类型检验上PROLOG的应用

本文从理论转向实用的角度,将“表达成自然演绎系统这种形式的程序设计语言同式多型(polymorphic)类型检验的推理法则集”相当直接地转换成PROLOG程序。解同式多型类型问题一般地可有两种观点:作为类型方程组和作为类型推理系统。采用后一种观点,同式多型类型检验可归结为消解,。而PROLOG的内部解释程序,如所周知,是基于消解原理之上的。既然如此,用PROLOG来实施同式多型类型检验是很自然的(透明地完成消解过程而无需由程序表达出来),得到的PROLOG程序是十分简明的。     

面向对象程序设计体裁嵌入FFP-AST系统

FFP语言是这样的一种纯粹的泛函程序设计语言,它奠基于严格的数学理论基础之上,是归约语言L₄的一个子类^[2,3]。本文将面向对象编程(OOP)体裁相当简洁地嵌入到FFP-AST系统中。这样,一方面,揭示了面向对象编程体裁(OOPP)与泛函编程体裁(FPP)之间的近亲关系;另一方面,为OOPP奠定了 FFP-AST语义描述。本文实质上也提供了一种“加于FFP语言之上的兼备FPP和OOPP的编程语言”。贯穿文中的方法论归结为:紧密联系和使用自动机这一概念。     

基于薛定谔方程的随机滤波算法

针对一步预测问题,本文提出一种新的自适应滤波算法,该算法通过神经网络来调制薛定谔方程的势场函数.这种算法就是所谓的量子递归神经网络(RQNN),它可以过滤嵌入在真实信号中的非平稳噪声且不需要信号和噪声的任何先验信息.本文通过RQNN与RLS算法的仿真结果比较,表明:RQNN在过滤嵌入在直流信号,正弦信号,阶梯信号和语言信号中的高斯平稳噪声,高斯非平稳噪声或非高斯平稳噪声更准确和有更好的自适应性.实验结果表明:RQNN在过滤正弦信号中的高斯噪声时,输出信噪比相对于输入信噪比提高了20dB,这比RLS滤波器高10dB.