Indice

Prefazione V

Capitolo 1 Cos’è l’Informatica 1

Capitolo 2 Introduzione alla Teoria dell’Informazione 3

2.1 Il concetto di Informazione 3
2.2 Il Contenuto Informativo 5
2.3 Il Processo Comunicativo 7
2.4 Informazione ed Entropia 11
2.5 I Simboli 12

Capitolo 3 Sistemi e Modelli 15

3.1 Il concetto di Sistema 15
3.2 Variabili Endogene, Esogene e di Stato 18
3.3 Sistemi Aperti e Sistemi Chiusi 20
3.4 Sistemi Continui e Sistemi Discreti 21
3.5 Eventi ed Attività 22
3.6 Sistemi Deterministici e Sistemi Stocastici 23
3.7 Modelli 24
3.8 Valutazione di un Modello 25
3.9 Classificazione dei Modelli 26
3.8.1 Modelli Fisici 26
3.8.2 Modelli Simbolici 27
3.10 I Modelli per l’Informatica 28
3.11 Nota storica: L’origine della Programmazione ad Oggetti 29

Capitolo 4 Dal Problema al Programma 33

4.1 Il Problema, le Azioni e i Processi 33
4.2 Il Processo di Delega 35
4.3 La Descrizione di un Processo 37
4.4 L’Algoritmo 40
4.4.1 La Definizione di Algoritmo 41
4.4.2 Descrizione formale del Problema 43
4.4.3 Descrizione del comportamento dell’Esecutore 45
4.4.4 Azioni e Controlli 47
4.4.5 Il modello dell’Automa 48
4.5 Il Concetto Matematico di Problema e di Algoritmo 49

I
 4.6 Il Programma 51
4.6.1 I costi 52
4.6.2 Irrisolubilità algoritmica 54
4.6.3 Intrattabilità algoritmica 54
4.6.4 Conclusioni 55

Capitolo 5 La Rappresentazione dell’Algoritmo 57

5.1 I Diagrammi di Flusso 58
5.2 Gli Schemi di Composizione Fondamentali 63
5.2.1 La Sequenza 63
5.2.2 La Selezione 63
5.2.3 La Ripetizione 64
5.2.4 Esempi 66
5.2.5 Convenzioni 71
5.3 La Pseudocodifica 74
5.3.1 Il nostro pseudolinguaggio 75

Capitolo 6 I Linguaggi e le Grammatiche 79

6.1 I Linguaggi 79
6.2 Le Grammatiche 84
6.3 Equivalenza di Grammatiche 88
6.4 La Backus Naur Form 89
6.4.1 Esempi 89
6.5 La Extended BNF 91
6.6 I Diagrammi sintattici 93
6.7 Linguaggi di Programmazione 95
6.8 Alberi sintattici 96

Capitolo 7 La Macchina di Turing 101

7.1 Definizione della Macchina di Turing 102
7.1.1 L’alfabeto esterno della MdT 102
7.1.2 Gli stati della MdT 103
7.1.3 Configurazione iniziale della MdT 103
7.1.4 Il Programma della MdT 104
7.1.5 Il Programma come Funzione 104
7.1.6 Terminazione della computazione 105
7.1.7 Tempo di esecuzione 106
7.1.8 Occupazione istantanea di memoria 106
7.2 Ipotesi fondamentale della Teoria degli Algoritmi 108
7.3 Irrisolubità 109

II
 7.4 Esempidi MdT 110
7.4.1 Una MdT per il Controllo di Parità 110
7.4.2 Una MdT per addizionare due numeri espressi in
notazione unaria 112
7.4.3 Una MdT per il Riconoscimento delle Stringhe Palindrome
113
7.5 La Macchina Universale di Turing 117
7.6 Il Problema dell’Alt 118
7.6.1 Conseguenze del Teorema dell’Alt
sull’attività di programmazione 119
7.7 Il Test di Turing 120

Capitolo 8 La Classificazione delle Grammatiche secondo Chomsky 123

8.1 Premessa 123
8.2 Grammatiche di tipo 0 125
8.3 Grammatiche di tipo 1 126
8.4 Grammatiche di tipo 2 129
8.5 Grammatiche di tipo3 130
8.6 Teorema della Gerarchia 131

Capitolo 9 Gli Automi a Stati Finiti 133

9.1 Definizione di un Automa a Stati Finiti 133
9.1.1 L’alfabeto di ingresso 135
9.1.2 Gli stati dell’automa 135
9.1.3 Il programma eseguito dall’automa 136
9.1.4 Il programma come funzione 136
9.2 Rappresentazione matriciale dell’automa 137
9.3 Rappresentazione grafica dell’automa 138
9.4 Stati Pozzo 139
9.5 Il programma come funzione parziale 141
9.6 Configurazione dell’automa 142
9.6.1 Configurazione iniziale dell’automa 143
9.6.2 Transizione dell’Automa a Stati Finiti 144
9.6.3 Terminazione della computazione 144
9.7 Riconoscimento dei linguaggi 145
9.8 Linguaggi riconosciuti da un Automa a Stati Finiti 147
9.9 Risultato fondamentale 147

Capitolo 10 Gli Automi a Pila Deterministici 149

10.1 Definizione di Automa a Pila Determistico 152
10.1.1 L’alfabeto di ingresso 153
10.1.2 L’alfabeto di pila 153
10.1.3 Gli stati dell’Automa a Pila 153

III
 10.1.4 Scrittura di una stringa su una pila 153
10.1.5 Il programma dell’Automa a Pila 155
10.1.6 Il programma come funzione 156
10.2 Configurazione dell’Automa a Pila 157
10.2.1 Configurazione iniziale dell’Automa a Pila 157
10.2.2 Transizione dell’Automa a Pila 158
10.2.3 Terminazione della computazione 158
10.3 Riconoscimento dei linguaggi 159
10.3.1 Tempo di esecuzione 159
10.3.2 Occupazione di memoria 160
10.4 Linguaggi riconosciuti da un Automa a Pila Deterministico 162

APPENDICI
A – Breve biografia di Turing 167
B – Il Premio Turing 168

BIBLIOGRAFIA 170

IV
Prefazione

Il principale intento di questo volume è di proporre, richiamandosi al pensiero di

Harold Abelson, un approccio nuovo all’Informatica e al suo insegnamento
universitario. Si intende incentivare, infatti, lo studio dell’Informatica secondo un
approccio linguistico-formale, anziché fisico-elettronico. Ciò rappresenta un
orientamento diverso in confronto alle prime esperienze, internazionali nonché
italiane, concernenti la delineazione scientifico-didattica dell’Informatica.

Non a caso, la nascita di tale disciplina in Italia è strettamente legata allo sviluppo
di quattro progetti, realizzati contemporaneamente, e in modo indipendente, a
partire dal 1954:

 il Centro di Calcoli Numerici presso il Politecnico di Milano, dotato di una

CRC 102A (la prima calcolatrice elettronica che entrò in funzione in
Italia) per elaborare dati di applicazioni sia industriali che scientifiche;
 la Calcolatrice Elettronica Pisana (C.E.P.), promossa dallo stesso Enrico
Fermi e progettata interamente dall’Università di Pisa;
 la FINAC (MARK I) dell’Istituto Nazionale per le Applicazioni del
Calcolo del CNR di Roma;
 l’ELEA 9003 dell’Olivetti S.p.A., la prima calcolatrice elettronica
commerciale.

I primi informatici italiani sono stati, pertanto, fisici e ingegneri, impegnati

essenzialmente nella progettazione e realizzazione di macchine calcolatrici, per
opera dei quali è nato in Italia il Corso di Laurea in Scienze dell’Informazione. La
loro origine professionale è immediatamente rilevabile nell’impostazione di tipo
fisico-elettronico adottata nei libri di testo da essi scritti, ad uso dei primi studenti
universitari di questo novello Corso di Laurea. E nel resto del mondo la situazione
non è stata tanto differente.

Alla fine degli anni ’60, Abelson delinea un’altra concezione dell’Informatica,
derivante dalla sua esperienza presso il Massachusetts Institute of Technology di
Boston, in cui il leit motiv non è più costituito dalla progettazione fisica dei
calcolatori, bensì dalla loro programmazione. In tale prospettiva, i programmi
devono essere scritti per essere letti da altri, e solo incidentalmente per essere
eseguiti da macchine.

Si tratta, seguendo Abelson, di riconoscere qualcosa di fondamentale e, per certi

aspetti, sorprendente, cioè che l’essenza dell’Informatica “ha poco a che fare con i
computers”. Tali macchine hanno determinato, certamente, una rivoluzione nel

V
modo di pensare e nel modo di esprimere il pensiero, ma la dimensione delle
macchine non esaurisce il significato dell’Informatica. Con l’avvento dei
computers, si è avuto un fenomeno epocale e profondamente innovativo,
caratterizzato dall’emergere di ciò che potrebbe essere meglio definito “procedural
epistemology”. Questa svolta epistemologica consiste nello studio della struttura
della conoscenza da un punto di vista ‘imperativo’, in opposizione al punto di vista
più ‘dichiarativo’ permeante la Matematica classica. Diversamente
dall’Informatica, che fornisce uno strumento per dare in modo rigoroso indicazioni
sulla definizione di ‘come fare’ (how to), la Matematica si pone da un angolo
visuale non imperativo, in quanto è interessata, piuttosto, a fornire uno strumento
per dare in modo rigoroso la definizione di ‘che cosa è’ (what is). Occorre
restituire, tuttavia, all’Informatica la sua essenza matematica e linguistico-formale,
non soltanto ‘imperativa’ né esclusivamente fisico-elettronica.

L’attenzione rivolta da Abelson alla programmazione dei calcolatori, più che alla
loro progettazione fisica, implica ricercare “sia la perfezione della parte che
l’adeguatezza del tutto”1, nonché lo sviluppo di linguaggi formali in grado di
fornire ai computers programmi aventi sempre più ampie potenzialità di problem
solving, e di simulazione dei procedimenti logici della mente umana.
Significativamente, nel citato libro di Abelson, l’uso della parola ‘programma’ è
applicato alla creazione, esecuzione e studio di programmi scritti in linguaggio
Lisp, da far eseguire su computers. Utilizzando il Lisp, egli afferma che si
circoscrive il mezzo espressivo per la descrizione dei programmi, ma non si limita
in alcun modo ciò che è possibile programmare. A tal proposito, qui va soltanto
osservato che la scelta del Lisp come linguaggio di descrizione non possa essere
apparsa se non rivoluzionaria all’epoca, in un contesto accademico dominato dalla
programmazione ‘imperativa’.

Il presente volume costituisce un estratto del materiale da noi redatto, e distribuito

agli studenti del Corso di Laurea in Produzione e Gestione di Servizi Informatici, a
supporto dell’insegnamento di Programmazione, e copre all’incirca un terzo del
programma del corso. Il nostro sforzo è stato quello di compiere un’attività di seria
divulgazione a fini scientifico-didattici, nella convinzione che sia sempre più
importante realizzare un’adeguata attività divulgativa anche nell’ambito della
Matematica e dell’Informatica. Lungo questa linea, può essere interessante
ricordare le osservazioni di David Mumford sulla opportunità per tutti gli scienziati
e, in particolare, per i matematici, di seguire l’esempio dei fisici, che si sono spesso
impegnati nel diffondere e rendere accessibile il loro sapere2. Da parte nostra,
abbiamo quindi raccolto l’invito di Mumford ad intraprendere il percorso
1
Cfr. H. Abelson, G.J. Sussman, Structure and Interpretation of Computer
Programs, MIT Press, Cambridge, MA., 1985.
2
Cfr. Intervista di P. Oddifreddi a David Mumford, Matematici, in “La
Repubblica”, 19-8-2002, p. 29.

VI
divulgativo da lui stesso sperimentato in ambito matematico 3, e a realizzare opere
di divulgazione in cui si cerchi di spiegare un po’ di ‘vera’ scienza nel modo più
semplice possibile, che peraltro è qualcosa di estremamente difficile svolgere in
modo, al tempo stesso, rigoroso.

In definitiva, abbiamo cercato non solo di introdurre all’Informatica il lettore, sia

questi studente o studioso, attraverso un approccio, nello spirito di Abelson, di tipo
linguistico-formale, ma anche di volgarizzare, senza banalizzarli, concetti ritenuti
spesso astratti e/o troppo avanzati (teoria dei linguaggi formali, classificazione
delle grammatiche, ecc.).

É nostra opinione, probabilmente condivisa da molti e affiorante da quanto detto

finora, che, tra le discipline scientifiche, l’Informatica sia ‘sorella’ della
Matematica, poiché, al pari di essa, non vi sono energie in gioco o masse in
movimento. Il calcolatore è visto qui, semplicemente, come uno strumento in grado
di trasformare sequenze di simboli in ingresso in altre sequenze di simboli. Ma la
lettura del testo non richiede alcuna conoscenza pregressa di matematica o di altre
scienze.

Desideriamo esprimere i nostri più sentiti ringraziamenti al Magnifico Rettore

dell’Università degli Studi del Molise, Prof. Giovanni Cannata, il cui generoso
interessamento e impegno ha permesso la pubblicazione del nostro lavoro.

Vincenzo Acciaro
Michela Granatiero

3
Cfr. D. Mumford, C. Series, D. Wright, Indra’s Pearls. The Vision of Felix Klein,
Cambridge University Press, New York, 2002: “this is a book about serious
mathematics, but one, which we have written primarily for non-mathematicians”
(from the Introduction).

VII
 We may hope that machines will eventually compete with
men in all purely intellectual fields. But which are the best
ones to start with? Even this is a difficult decision. Many
people think that a very abstract activity, like the playing
of chess, would be best. It can also be maintained that it is
best to provide the machine with the best sense organs
that money can buy, and then teach it to understand and
speak English. This process could follow the normal
teaching of a child. Things would be pointed out and
named, etc. Again I do not know what the right answer is,
but I think both approaches should be tried.

We can only see a short distance ahead, but we can see

plenty there that needs to be done.

A.M. Turing (1950) Computing Machinery and

Intelligence. Mind 49: 433-460.

VIII
 1

Cos’è l’Informatica

L’Informatica nasce negli anni ’40 e incorpora contributi che provengono da

diverse discipline come la cibernetica, la teoria dell’informazione, la psicologia
cognitiva e l’intelligenza artificiale.
Il termine Informatica (Informatique) é un neologismo, adottato per la
prima volta nel 1962 dal francese Philippe Dreyfus e che deriva dalla
concatenazione di due parole: Informazione (Information) e Automatica
(Automatique). Successivamente nel 1966 l’Accademia Francese ha accettato la
seguente definizione: "La scienza del trattamento razionale dell’informazione,
specialmente da parte di macchine automatiche, considerata come il supporto della
conoscenza umana e della comunicazione nel campo tecnico, economico e sociale".

L’Informatica opera su due livelli:

 il livello logico-concettuale, che riguarda le teorie e i metodi dell’informatica
intesa come Scienza dell’Informazione;
 il livello tecnologico, che riguarda le teorie e i metodi dell’informatica intesa
come Scienza dei Calcolatori.

La Scienza dell’Informazione:
 studia le strutture per la rappresentazione dei dati;
 studia i metodi per la soluzione dei problemi con l'aiuto del calcolatore;
 studia i linguaggi per dialogare con le macchine;
 studia la messa a punto di metodologie per
o la produzione del software,
o l'interazione tra processi di calcolo,
o l'organizzazione di grandi basi di dati,
o la rappresentazione e il trattamento delle immagini fisse o in
movimento,
o l’elaborazione automatica di documenti di varia natura.

La Scienza dei Calcolatori studia i diversi tipi di:

 architetture delle macchine per elaborare informazioni;
 processori;
 memorie;

1
 dispositivi periferici per la comunicazione con l'ambiente circostante.

Anche se questi due piani sono distinti tra loro, spesso l’evoluzione tecnologica ha
indotto innovazioni nel campo del software. Ad esempio, fino a pochi anni fa non
era possibile trattare le informazioni di tipo multimediale (immagini, suoni,
filmati), poiché non esistevano né dispositivi fisici per la loro acquisizione e
riproduzione (webcam, microfoni, macchine fotografiche digitali) né memorie
sufficientemente capaci di contenerle.

Il campo d’azione dell’Informatica comprende sia la concezione e lo sviluppo di

sistemi software, che determinano il funzionamento e l’impiego degli elaboratori
elettronici, sia il progetto e la realizzazione di sistemi informatici complessi,
attraverso l’uso di architetture di calcolo sofisticate e reti telematiche.

La collaborazione tra industria delle telecomunicazioni e Informatica ha dato poi

origine alla Telematica, che a sua volta ha influito non solo nell’evoluzione
tecnologica della comunicazione tra calcolatori (reti di computer), ma anche negli
aspetti logico-concettuali per consentire lo scambio di informazioni, l’accesso a
basi di dati distribuite ed il calcolo distribuito.

Tradizionalmente le attività connesse al settore dell’Informatica erano indicate con

la sigla EDP (Electronic Data Processing), elaborazione elettronica dei dati.
Attualmente, invece, si parla sempre più spesso di ICT (Information and
Communication Technology), un insieme vario di tecnologie che serve a
conservare, elaborare e trasferire informazioni.

Non dobbiamo dimenticare che l’Informatica é la più umanistica delle scienze

tecnologiche: infatti, tenta di riprodurre attraverso modelli le nostre capacità
intellettuali e, inoltre, tenta di offrire attraverso i suoi strumenti un’estensione dei
nostri strumenti cognitivi (ovvero, della nostra mente).

2
2

Introduzione alla Teoria dell’Informazione

2.1 Il concetto di Informazione

Possiamo asserire senza timore di essere smentiti che la società in cui viviamo è la
Società dell’Informazione. Infatti, l’informazione - oggi più che mai - condiziona in
maniera decisiva ogni attività dell’uomo. Per di più l’informazione gioca un ruolo
fondamentale nella trasmissione della vita stessa: infatti, il DNA porta
informazione.
Eppure attualmente non esiste una definizione soddisfacente ed
universalmente accettata di questo termine. Per un manager, ad esempio,
informazione è tutto ciò che gli consente di prendere delle decisioni.
Ma qual è l’etimologia di questa parola? La parola informazione deriva dal
latino in formare: “dare forma a qualcosa che non ha forma”.

ESEMPIO. Per un annunciatore televisivo informare equivale a dare una struttura ai

propri pensieri sotto forma di sequenza di parole della lingua italiana. ■

Partendo da esempi della vita quotidiana, osserviamo che non tutte le notizie
costituiscono informazione. Infatti, affermiamo che qualcuno ci fornisce
un’informazione se la notizia comunicata è per noi eclatante; in altre parole
produce in noi una reazione di sorpresa in quanto tale notizia è inattesa. Invece,
una persona noiosa non apporta informazione, poiché ripete continuamente gli
stessi argomenti.

Possiamo, quindi, provare a definire l’informazione in modo indiretto:

 specificando la natura con cui essa si manifesta (scritta, orale,
simbolica, …);
 evidenziando il suo elemento caratteristico di sorpresa;
 specificando gli effetti che essa produce nella persona o entità che la
recepisce.

Quando si parla di informazione normalmente si presuppone l’esistenza di due

entità (non necessariamente delle persone fisiche), che colloquiano tra loro: il
mittente, che invia il messaggio, e il ricevente, al quale è destinato.

3
 Il mittente, che vuole comunicare un concetto contenuto nella propria mente,
deve codificarlo sotto forma di sequenza di simboli (ad esempio, sequenza di
parole della lingua italiana), utilizzando un formalismo (ad esempio, la grammatica
della lingua italiana). Il messaggio è quindi trasmesso dalla voce attraverso l’etere,
per essere poi ricevuto dall’orecchio del ricevente, che lo decodifica e lo interpreta.

PASTICCERI
A

VOGLIO LA
TORTA

Fig. 2.1 – ESEMPIO DI COMUNICAZIONE.

Nell’esempio della figura precedente la sintassi usata per la codifica del messaggio
è quella della grammatica italiana, ed il messaggio consiste in un insieme di parole
che si susseguono (“VOGLIO”, “LA”, “TORTA”) seguendo delle regole. Infatti, la
nostra frase è composta da un Soggetto, un Predicato e un Complemento Oggetto.
Il Soggetto è sottinteso, il Predicato è costituito dalla parola “VOGLIO” e il
Complemento Oggetto dalle parole “LA TORTA”.

Una definizione formale di informazione può essere data definendo i tre possibili
livelli con i quali l’informazione si manifesta:
 Livello semantico: il significato associato all’informazione (per il
mittente);
 Livello sintattico (o strutturale): la forma con cui l’informazione si
manifesta;
 Livello pragmatico: l’impatto del messaggio nel ricevente (come
reagisce all’informazione il ricevente).

Consideriamo, ad esempio, un politico che vuole comunicare le proprie idee agli

elettori. Individuiamo l’aspetto semantico nel piano che il politico ha in mente,
l’aspetto sintattico nel modo in cui il piano viene codificato utilizzando tutti i mezzi
di comunicazione possibili e immaginabili (volantini, spot tv, ecc.), ed infine
l’aspetto pragmatico nella reazione che l’elettore ha.

4
2.2 Il Contenuto Informativo

La Teoria dell’Informazione afferma che non è possibile parlare del contenuto

informativo di un messaggio ricevuto, perché l’informazione rappresenta ciò che è
inatteso.

ESEMPIO – ESTRAZIONE DI UNA PALLINA. Supponiamo di avere un’urna contenete 100

palline numerate, per ognuna delle quali la probabilità di essere estratta è la
stessa. Il mittente estrae una pallina e comunica il numero impresso su di essa al
ricevente. ■

ESEMPIO - LANCIO DI UNA MONETA. Supponiamo che il mittente sia in possesso di una
moneta perfettamente bilanciata e che comunichi, dopo averla lanciata, il
messaggio “Testa” oppure “Croce”. ■

Cosa differenzia i due esempi appena visti? Nel primo caso vi è una probabilità su
100 che sia estratta una particolare pallina, mentre nel secondo vi è una probabilità
su due che esca “Croce”. Riferendoci ai due esempi, ci sembra naturale associare
un contenuto informativo minore al messaggio “Croce” rispetto al messaggio “É
stata estratta la pallina 44”. In particolare, ai messaggi dell’esempio del lancio
della moneta associamo un contenuto informativo che è il minimo possibile, poiché
vi sono solo due scelte possibili ed equiprobabili. Questa idea sta alla base della
definizione del bit, l’unità di misura dell’informazione.

Definizione. Un BIT (Binary digIT) è la quantità di informazione associata alla

comunicazione di un evento, tra due equiprobabili. ■

Osserviamo, inoltre, che entrambi gli esempi precedenti, pur avendo contenuto
informativo diverso, hanno simile effetto pragmatico:
 il ricevente sarà interessato al messaggio se ha degli interessi al suo
contenuto, ad esempio, se egli scommette sull’eventualità che sia estratta la
pallina 44;
 se viene estratta la pallina 44, il ricevente sarà profondamente soddisfatto, e
sarà certamente insoddisfatto nel caso contrario.

Vediamo che una caratteristica dell’informazione è l’apporto di novità, che

permette di accrescere la conoscenza del ricevente. Consideriamo il seguente
esempio:

ESEMPIO – ESTRAZIONE DI UN LIBRO. In un’urna ho un libro composto da una sola

pagina contenente una poesia di Ungaretti e un libro che contiene l’intera Divina

5
Commedia. Il mittente può estrarne uno con la stessa probabilità e leggerne il
contenuto. ■

Ci domandiamo a quale dei due eventi è associato maggiore contenuto informativo:

 dal punto di vista intuitivo la quantità di informazione contenuta nella

Divina Commedia è maggiore di quella di una sola poesia di Ungaretti;
 dal punto di vista della Teoria dell’Informazione, invece, il contenuto
informativo è lo stesso, perché la probabilità dell’evento “estrazione della
Divina Commedia” è identica a quella dell’evento “estrazione della poesia
di Ungaretti”. Si determina una situazione che per il senso comune è
assurda: i due libri hanno lo stesso contenuto informativo, che è pari ad un
bit.

6
2.3 Il Processo Comunicativo

Dal punto di vista storico, chi per primo ha provato a definire formalmente il
concetto di informazione è stato R.V.L. Hartley (1888-1970), lo scienziato noto
soprattutto per il suo circuito oscillante, in cui ha utilizzato per la prima volta una
valvola per produrre corrente oscillante, sostituendola alla scintilla utilizzata sino a
quel momento come mezzo per la produzione di onde elettromagnetiche, e
rivoluzionando in tal modo l’intero mondo delle radiocomunicazioni.
Nel 1928, in uno storico articolo apparso sul Bell System Technical Journal,
Hartley ha sviluppato per primo il concetto di informazione basato su
“considerazioni fisiche, anziché psicologiche”, finalizzato allo studio delle
comunicazioni elettroniche. In particolare, nella prima parte dell’articolo suddetto,
intitolata la Misura dell’Informazione, Hartley non definisce mai formalmente tale
concetto, ma piuttosto tenta di caratterizzare l’informazione in termini di alcune sue
proprietà. Egli asserisce che l’informazione esiste nel processo di trasmissione di
simboli, in cui “ciascun simbolo assume un certo significato per le parti
comunicanti”.
Quando qualcuno riceve informazione, ogni simbolo ricevuto permette al
ricevente di “eliminare alternative”, escludendo altri simboli possibili ed il loro
significato associato. Quindi, Hartley intende l’informazione come esclusione di
eventi che non si possono verificare: si/no, bianco/nero, testa/croce, vero/falso, …
Le sue idee gli valsero la medaglia d’oro dalla IEEE (Institute of Electrical and
Electronics Engineers, Inc.) nel 1946.

ESEMPIO- ELENCO TELEFONICO. Consideriamo un elenco telefonico che contiene i

nomi, gli indirizzi ed i numeri di telefono di persone residenti in una determinata
città, ordinati per cognome. Se cerco Rossi Mario, il senso comune mi suggerisce
di aprire l’elenco a metà, controllare i cognomi contenuti in quella pagina, e, se il
cognome Rossi cercato non compare nella pagina, eseguire le successive ricerche
nella parte precedente o in quella successiva dell’elenco, scartando la restante
metà. Questo esempio suggerisce che l’informazione “cognomi presenti nella
pagina” permette di scartare un certo numero di alternative, ovvero tutti i cognomi
presenti nella prima (o seconda) parte dell’elenco. In questo senso l’informazione
è un elemento che riduce l’incertezza di una scelta. ■

ESEMPIO – ANALISI CLINICHE. Un medico, per poter effettuare una diagnosi precisa
di una malattia, prescrive al paziente dei test clinici. Infatti, l’informazione “test
positivo” gli consente di escludere eventuali altre malattie che presentano gli stessi
sintomi. ■

7
Gregory Bateson (1904-1980), uno dei più illustri antropologi e cibernetici di
questo secolo, aveva una concezione diversa di informazione. Egli ha definito,
infatti, l’informazione come “that which changes us”, ciò che ci cambia.
Bateson ha contribuito ad elaborare la scienza della cibernetica con i colleghi
Warren McCulloch e Norbert Wiener. Opponendosi fortemente a quegli scienziati
che tentavano di “ridurre” ogni cosa a pura materia, si è dedicato a reintrodurre la
“mente” nelle equazioni scientifiche. Dal suo punto di vista la mente è una parte
essenziale della “realtà materiale” e, quindi, non ha senso cercare di scindere la
mente dalla materia.

Claude E. Shannon (1916-2001), fondatore della Teoria Matematica

dell’Informazione, è stato il primo ad introdurre la distinzione tra forma e
significato nel processo comunicativo.
Egli, formalizzando l’idea di Hartley, ha affermato che l’informazione è:
“that which reduces uncertainty”, tutto ciò che può consentire di ridurre il nostro
grado di incertezza su un evento che si può verificare. A tal fine egli ha introdotto
per la prima volta la parola bit nel suo articolo “A Mathematical Theory of
Communication”, apparso sul Bell System Technical Journal nel 1948,
riconoscendo il suo ruolo centrale nel processo della comunicazione, e dando così
origine, forse inconsapevolmente, alla rivoluzione informatica a cui assistiamo
oggi. Shannon ha introdotto il bit per rappresentare due situazioni possibili, ovvero
“elemento non presente in un insieme A” ed “elemento presente in un insieme A”.
Nell’esempio dell’elenco telefonico, l’insieme A è costituito dai cognomi
presenti nella prima metà dell’elenco.

Secondo la teoria di Shannon un qualunque processo comunicativo consta

essenzialmente di cinque parti:

 un mittente, o sorgente di informazioni, che produce un messaggio da

comunicare ad un’altra entità;
 un trasmettitore, che viene utilizzato per codificare il messaggio in modo
che possa viaggiare su un canale di comunicazione;
 un canale di comunicazione;
 un ricevitore, che riceve ciò che viaggia sul canale e lo decodifica per
ricostruire il messaggio;
 il destinatario, al quale giunge il messaggio.

Consideriamo, ad esempio, l’attività comunicativa dell’uomo: i pensieri residenti

nel cervello (la sorgente) di un uomo, utilizzando l’apparato vocale (il
trasmettitore) sono codificati sotto forma di parole, che viaggiano lungo lo spazio
circostante (il canale), per giungere finalmente all’apparato uditivo (il ricevitore) di
un altro uomo e da qui essere convertiti nuovamente in concetti nel cervello (il
destinatario) di un altro uomo.

8
Shannon introduce altre due importanti ipotesi:

 la trasmissione dei simboli lungo il canale costituisce un fenomeno

discreto, ovvero l’invio di ciascun simbolo richiede una certa quantità di
tempo, finita e non nulla;
 esiste una sorgente di rumore, che agisce sul canale modificando in modo
imprevedibile il contenuto sintattico dell’informazione, la sua forma. In altre
parole, la sorgente di rumore può trasformare un simbolo che viaggia lungo
il canale in un altro simbolo, in modo assolutamente imprevedibile. Ad
esempio, la parola “fiaschi” può diventare “fischia”, o “giaschi” o …

canale
S T R D

Fig. n. 2.2 – SCHEMA DEL PROCESSO COMUNICATIVO SECONDO SHANNON.

Nella figura è riportato lo schema di Shannon, dove S rappresenta la sorgente, T il

trasmettitore, R il ricevitore, D il destinatario e N la sorgente di rumore.

Il suddetto processo comunicativo mette in luce diversi problemi:

 come misurare la quantità di informazione che viaggia lungo il canale.

Ricordiamo che Shannon ha definito come unità di misura dell’informazione
il bit;
 come garantire trasmissioni sicure.
Rendere le trasmissioni sicure significa porre l’invio dell’informazione al

9
 riparo da occhi indiscreti, trasformandola. Dagli anni ’70 la teoria che si
occupava di garantire trasmissioni sicure si è evoluta per conto proprio,
diventando la crittografia, l’arte di nascondere i messaggi o renderli non
intelligibili.
 come garantire trasmissioni affidabili.
Shannon ha dimostrato che non è possibile garantire trasmissioni affidabili,
se non introducendo ridondanza nel messaggio. Ad esempio, maggiore è il
numero delle volte che lo stesso messaggio è replicato (ovvero rispedito),
maggiore è la probabilità che almeno una volta il messaggio arrivi corretto.
Ricapitolando. Nella teoria di Shannon, non è possibile definire la quantità di
informazione associata ad un messaggio già ricevuto, ma piuttosto la quantità di
informazione associata ad un papabile messaggio. Inoltre, la quantità di
informazione associata all’evento costituito dalla ricezione di un particolare
messaggio è tanto più alta quanto più è bassa la probabilità che quell’evento si
verifichi, ovvero tanto più alta quanto più inatteso è quel messaggio. Ad esempio, il
messaggio “Domani sorgerà il sole” ha un basso contenuto informativo, perché
scontata e attesa, mentre il messaggio “Domani scoppierà la guerra” ha un alto
contenuto informativo.

10
2.4 Informazione ed Entropia

É interessante notare come sia possibile perdere “qualcosa” in ogni fase del
processo comunicativo:
 nella codifica del messaggio della sorgente da parte del trasmettitore;
 lungo il canale, a causa del rumore;
 nella decodifica da parte del ricevitore per consegnare il messaggio al
destinatario.

Ad esempio:
 ho in mente il ricordo di un bel tramonto, ma non riesco a comunicarlo
verbalmente (ovvero codificarlo utilizzando il linguaggio più naturale per
me, l’italiano);
 ho in mente il progetto di una bella casa, ma non so disegnare bene (ovvero
codificarlo utilizzando carta e penna);
 ho in mente un motivo musicale, ma non so rappresentarlo su carta (ovvero
codificare il motivo sul pentagramma). In questo caso, simboli quali ♫ e ♪
rappresentano, in funzione della loro posizione all’interno del pentagramma,
sia l’altezza del suono (ovvero la nota corrispondente: do, re, mi, …), sia la
durata di ciascuna nota;
 chi è seduto in fondo alla classe non comprende bene la lezione a causa degli
altri studenti che chiacchierano (ovvero vi è rumore sul canale);
 vedendo una foto a colori, un daltonico ha una rappresentazione
dell’immagine diversa dall’originale (ovvero vi è un problema di decodifica
del messaggio);
 leggo una lettera scritta in russo inviatami da un collega, ma non comprendo
il suo contenuto (ovvero vi è un problema di decodifica del messaggio).

Nel processo di comunicazione dei nostri pensieri, quindi, siamo costretti a

strutturare le nostre idee, che sono libere nella nostra mente, sotto forma di frasi
della lingua italiana. In altre parole, cerchiamo di mettere ordine (struttura),
laddove ordine non c’è. Inevitabilmente si perde “qualcosa”.
I fisici definiscono l’entropia come la misura del disordine di un sistema: più
ordinato, strutturato, è un sistema, minore è l’entropia e viceversa. Il processo di
codifica dei nostri pensieri introduce inevitabilmente una perdita di entropia.

Tutto ciò è legato al problema di rappresentare i nostri pensieri in forma strutturata.

11
2.5 I Simboli

L’informazione viaggia lungo il canale come una successione di simboli. Tornando

all’esempio della Figura n. 1, i simboli sono tratti dal lessico (ovvero, vocabolario)
della lingua italiana.

Definizione. Un simbolo è un segno al quale è attribuito un valore convenzionale.

■

È evidente che un simbolo esiste indipendentemente dal supporto materiale che è

utilizzato per rappresentarlo. Ad esempio, affermando che:
 l’aquila è il simbolo degli USA;
 la colomba é il simbolo della pace;
 il verde é il simbolo della speranza;
 il simbolo” ®” indica un marchio depositato;
 il simbolo “€” indica la nostra valuta
si stabilisce un’associazione tra il simbolo ed il significato corrispondente.

Occorre notare che il segno “4” rappresenta per noi la cifra araba 4 e costituisce,
quindi, per noi un simbolo, mentre per un bambino di due anni è semplicemente
uno scarabocchio! Allo stesso modo, ad un ideogramma dell’alfabeto cinese noi
non attribuiamo alcun significato!

Definizione. Un alfabeto è un insieme finito di simboli. ■

Per poter comunicare occorre quindi definire un alfabeto ed il significato

convenzionale di ciascuno dei simboli che lo compongono.

Nota bene. A livello hardware un elaboratore elettronico opera utilizzando due

livelli di tensione, alto e basso, identificati convenzionalmente con le cifre arabe
“1” e ”0”. Pertanto “1” e “0” costituiscono l’alfabeto utilizzato dall’hardware
dell’elaboratore elettronico.

12
ESEMPIO – LE NOTE MUSICALI. Un esempio di alfabeto è dato dall’insieme delle
note musicali rappresentate come simboli su un pentagramma.

DO RE MI FA

SOL LA SI

Tali
simboli
possono
essere
accostati
per comporre delle melodie. ■

13
14
3

Sistemi e Modelli

3.1 Il concetto di Sistema

In modo informale possiamo dire che un sistema é un insieme di entità reali o

astratte, dette componenti, che interagiscono tra loro in modo tale che il loro
funzionamento soddisfi determinate specifiche.

Quindi, di un sistema c’interessa conoscere:

 la funzione svolta (ovvero, a cosa serve?);
 l’insieme delle componenti di cui é costituito (ovvero, le parti);
 le interazioni con l’ambiente esterno;
 le relazioni che descrivono i rapporti esistenti tra le diverse componenti.

ESEMPIO – IL SISTEMA ASCENSORE. Se analizziamo il sistema ascensore osserviamo

che:
 la funzione svolta é quella di trasportare persone da un piano ad un altro;
 il sistema é composto da un motore, da una cabina, dalle pulsantiere e dai
dispositivi di trasmissione del moto (carrucole, funi, …);
 il sistema riceve in ingresso energia elettrica e persone e cede energia e le
persone trasportate;
 i dispositivi fisici che compongono il sistema devono essere connessi tra
loro, in modo da garantire una corretta trasmissione del moto. ■

Fig. n. 3.1 – IL SISTEMA ASCENSORE

15
ESEMPIO – IL SISTEMA RESPIRATORIO. Se analizziamo il sistema respiratorio,
osserviamo che:
 la funzione svolta è quella di prelevare l'ossigeno dall'aria ed eliminare il
diossido di carbonio dall'organismo;
 il sistema é composto dal naso, dalla faringe, dalla laringe, dalla trachea,
dai bronchi, dai polmoni e dal diaframma;
 il sistema riceve in ingresso l’aria e cede il diossido di carbonio;
 mediante impulsi nervosi le varie componenti del sistema concorrono a
trasportare ossigeno all’organismo ed ad espellere il diossido di carbonio.■

FIG. N. 3.2 – IL SISTEMA RESPIRATORIO

Ad ogni istante un sistema é in una particolare condizione detta stato, che é

determinata dalle condizioni istantanee delle varie componenti. Per determinare lo
stato di un sistema non é necessario conoscere le condizioni di tutte le componenti,
ma é necessario conoscere solo quelle rilevanti per lo studio.

ESEMPIO – STATI DEL SISTEMA ASCENSORE . Riconsiderando l’esempio dell’ascensore,

sono possibili due stati del sistema:
 ascensore fermo, oppure
 ascensore in movimento.

In entrambi i casi é sufficiente conoscere lo stato di una sola componente, il

motore, per stabilire lo stato dell’intero sistema.
Se invece la pulsantiera dell’ascensore è dotata di un display per la
visualizzazione del piano (0, 1, 2, 3), gli stati del sistema diventano:
 ascensore fermo a piano terra (quando il display visualizza 0)
 ascensore fermo al primo piano(quando il display visualizza 1)
 ascensore fermo al secondo piano(quando il display visualizza 2)
 ascensore fermo al terzo piano(quando il display visualizza 3)
 ascensore in movimento(quando il display non visualizza nessun numero) ■

16
 Ascensore in movimento Ascensore fermo

Fig. n. 3.3 – GLI STATI DEL SISTEMA ASCENSORE

ESEMPIO – STATI DEL SISTEMA RESPIRATORIO. Riconsiderando l’esempio del sistema

respiratorio, sono possibili due stati del sistema:
 fase d’inspirazione
 fase di espirazione.

In entrambi i casi é sufficiente conoscere lo stato del diaframma per stabilire lo

stato dell’intero sistema: quando il diaframma è in contrazione avviene la fase
d’inspirazione, quando invece è nello stato di rilassamento avviene la fase di
espirazione. ■

Fig. n. 3.4 – GLI STATI DEL SISTEMA RESPIRATORIO

L’evoluzione nel tempo di un sistema é descritta dalla storia degli stati, una
successione cronologica degli stati.

17
3.2 Variabili Endogene, Esogene e di Stato

Per ambiente esterno intendiamo l’insieme di tutti gli oggetti della realtà
d’interesse, che non sono componenti del sistema ma che sono influenzati dalla sua
attività o che possono influenzare il suo funzionamento.

Le variabili generate all’interno del sistema sono dette endogene, mentre quelle
presenti nell’ambiente esterno e che afferiscono al sistema sono dette esogene.

In passato, le variabili endogene erano chiamate anche variabili di uscita del

sistema, poiché esse dipendono dal sistema e sono generate dallo stesso, mentre le
variabili esogene erano chiamate anche variabili di ingresso al sistema, perché
prodotte dall’ambiente esterno e, quindi, indipendenti dal sistema.

ESEMPIO – IL SISTEMA RADIO. Consideriamo il sistema radio e studiamone il suo

funzionamento. La variabile in ingresso é la frequenza da impostare, mentre la
variabile in uscita é l’insieme dei suoni prodotti dalla radio. ■

Frequenza esogene endogene

96.70

Fig. n. 3.5 – IL SISTEMA RADIO.

Gli stati del sistema sono descritti invece mediante le variabili di stato; esse
interagiscono sia con le variabili endogene sia con quelle esogene secondo le
relazioni funzionali del sistema.

ESEMPIO – LE VARIABILI DI STATO DEL SISTEMA RADIO. Ritornando all’esempio

precedente della radio, sue variabili di stato sono la condizione di acceso o spento,
la frequenza impostata, … ■

ESEMPIO – IL SISTEMA STUDENTE. Analizziamo il sistema studente per valutarne il

comportamento durante un esame. Le variabili da considerare sono:
 esogene: le domande del docente, i commenti dell’insegnante alle risposte
date, i disturbi sonori dovuti al vocio degli altri studenti, …
 endogene: le risposte dello studente;

18
  di stato: il colore del viso, il battito cardiaco, la percentuale di risposte
esatte, il livello di preparazione, … ■

e e s o g e n

endogene

Sistema Studente Ambiente esterno

Fig. n. 3.6 – IL SISTEMA STUDENTE

19
3.3 Sistemi Aperti e Sistemi Chiusi

Esistono diverse tipologie di classificazione dei sistemi. Una prima suddivisione

dei sistemi può essere fatta in base alla presenza o meno delle variabili esogene e,
quindi, in base all’interazione del sistema con l’ambiente esterno. Nel primo caso il
sistema é aperto, altrimenti é chiuso.

ESEMPIO – IL SISTEMA COMPUTER. Un computer, studiato come sistema per la

diffusione di informazioni, é un sistema aperto se é acceso, poiché comunica
all’esterno informazioni visive e sonore e riceve informazioni attraverso l’uso della
tastiera. Se é spento, é un sistema chiuso, perché non può né ricevere e né
trasmettere informazioni. ■

Fig. n. 3.7 – IL SISTEMA COMPUTER

ESEMPIO – IL SISTEMA TERMODINAMICO. In Fisica un sistema si dice aperto se può

scambiare con l’ambiente esterno sia materia che energia; quindi, una pentola
piena d’acqua in ebollizione sul fuoco è un sistema aperto, perché riceve energia
(calore) dal fuoco ed emette vapore acqueo all’esterno.
Se invece lo scambio con l’ambiente esterno è solamente di tipo energetico, il
sistema si dice chiuso; quindi, una pentola a pressione con il coperchio chiuso
ermeticamente posta sul fuoco è un esempio di sistema chiuso, perché non viene
ceduto all’ambiente esterno il vapore acqueo ■.

Aperto Chiuso

Fig. n. 3.8 – IL SISTEMA TERMODINAMICO

20
ESEMPIO – LA CELLULA. In Biologia la cellula è un sistema aperto; infatti,
attraverso la membrana cellulare avviene uno scambio di materia con l’ambiente
esterno. ■

Fig. n. 3.9 – LA CELLULA

3.4 Sistemi Continui e Sistemi Discreti

Diciamo che una variabile di stato é continua se i valori (numerici) che essa
assume costituiscono un intervallo dei numeri reali; in caso contrario tale variabile
é detta discreta.

Ad esempio, la luminosità di una stanza dotata di finestre aperte é una variabile di

stato continua. Al contrario, se l’illuminazione é artificiale, la luminosità della
stanza costituisce una variabile di stato discreta (può assumere solo due valori).

In precedenza abbiamo detto che di un sistema studiamo la sua evoluzione nel

tempo. Il tempo é una grandezza astratta. Tuttavia, nel sistema in esame, il tempo é
rappresentato attraverso una variabile, che consente di riferirci agli istanti in cui il
sistema é osservato. Se interessa osservare il comportamento del sistema solo in
alcuni determinati istanti di tempo, il sistema é detto discreto. Se, al contrario,
interessa osservare il comportamento dei sistemi in qualsiasi istante di tempo, il
sistema é detto continuo.

21
3.5 Eventi ed Attività

Un evento rappresenta un cambiamento di stato istantaneo nel sistema, ovvero per

il quale non é richiesto nessun tempo.

Un’attività invece rappresenta una condizione del sistema che richiede del tempo.
In generale, un’attività può essere individuata da due eventi: quello con il quale
inizia e quello con il quale termina.

ESEMPIO – ATTIVITÀ DEL SISTEMA ASCENSORE. Ritornando all’esempio dell’ascensore,

un’attività é costituita dall’andare da un piano ad un altro; tale attività é
delimitata da due eventi, quello della partenza dell’ascensore e quello del suo
arresto. ■

22
3.6 Sistemi Deterministici e Sistemi Stocastici

Un’ulteriore distinzione dei sistemi può essere fatta in base alle relazioni che
intercorrono tra le varie componenti del sistema. Se gli effetti prodotti dalle attività
del sistema dipendono in modo univoco dalle variabili di ingresso il sistema é
deterministico; se invece tali effetti variano in modo casuale il sistema é
stocastico.

ESEMPIO – LANCIO DI UNA MONETA. Consideriamo il lancio di una moneta. Siamo

interessati all’esito del lancio, ovvero al verificarsi, in seguito al lancio, di un certo
evento: testa oppure croce.
 Se (teoricamente!) conoscessimo tutte le variabili che descrivono la
costituzione fisica ed il comportamento della moneta (peso, densità, ecc...),
le variabili relative al lancio (posizione iniziale, forza, direzione, …) e tutte
le altre grandezze in gioco (velocità del vento, vibrazione del pavimento,
…), in base alle leggi della Fisica saremmo in grado di determinare a priori
il risultato del lancio e, quindi, il sistema studiato sarebbe deterministico;
 Poiché questo problema é incredibilmente complesso ed il numero delle
variabili in gioco estremamente elevato, risulta impossibile costruire un
modello deterministico e, pertanto, si preferisce utilizzare un modello di tipo
statistico, che ci permette di studiare il problema solo in termini di
probabilità che un certo evento si verifichi. ■

23
3.7 Modelli

Definiamo modello di un sistema una sua rappresentazione, che può essere sia una
replica fisica sia una rappresentazione simbolica.

Definizione. Dato un sistema reale ed un problema da risolvere su tale sistema

reale, un modello del sistema, relativo al problema in esame, é un sistema più
semplice che contiene tutti e soli gli elementi del sistema reale che sono essenziali
per la risoluzione del problema. ■

Un modello rappresenta quindi solo alcune delle caratteristiche di un oggetto reale.

Il modello di una persona potrebbe essere ad esempio costituito da:
 una foto;
 un disegno;
 una statua;
 alcuni dei suoi attributi: peso, altezza, età.

Esistono, quindi, tanti tipi di rappresentazione dello stesso oggetto del mondo reale,
ma non esiste la rappresentazione ideale.

ESEMPIO – IL MODELLO DI UNA CASA. Supponiamo di voler misurare la resistenza

strutturale di una casa. A tal fine potremmo provare a colpire la casa con un
bulldozer, ma é fin troppo evidente che tale soluzione non é accettabile!
Ricorriamo, quindi, ad un modello della casa:
 una prima soluzione consiste nel costruire una casa identica alla nostra e
provare a colpirla con un bulldozer, ma tale soluzione sarebbe troppo
costosa;
 una seconda soluzione potrebbe essere quella di costruire un modello in
scala della casa, ma probabilmente non avrebbe le stesse caratteristiche di
resistenza strutturale della casa originale;
 un’ulteriore soluzione potrebbe essere quella di definire un modello
matematico della struttura della casa, su cui potremmo intervenire usando
carta, penna e ragionamento logico-matematico: é evidente che tale
modello sarebbe riutilizzabile ed economico. ■

Nell’esempio suddetto, il modello matematico sembrerebbe il più preferibile, ma

non é sempre così. Un architetto, infatti, non presenta al proprio cliente un modello
matematico, ma un disegno in scala (il progetto).

24
3.8 Valutazione di un modello

Nella valutazione di un modello, secondo quanto detto precedentemente, occorre

tener presente le seguenti caratteristiche:

 adeguatezza rispetto all’obiettivo prefissato:

è, infatti, importante saper valutare se il modello é adeguato rispetto alle
finalità che si prefigge. Per stabilire se un modello é adeguato si possono
seguire alcuni criteri, quali:
o la completezza: il modello deve contenere tutte le informazioni
utili allo scopo;
o l’usabilità: il modello deve consentire di ritrovare facilmente e
velocemente le informazioni rappresentate;

 livello di dettaglio o di astrazione:

i due termini esprimono concetti antitetici. Per astrazione si intende il
processo con il quale si omettono dettagli irrilevanti al fine di conseguire
l’obiettivo prefissato. Ovviamente, maggiore é il livello di dettaglio,
minore é quello di astrazione, e viceversa. Perciò il modello deve
consentire di ignorare certi dettagli in modo da potersi concentrare solo
sulle caratteristiche per noi essenziali;

 generalità:
il modello ha un ampio spettro di utilizzo, ovvero permette di
rappresentare un vasto insieme d’entità del mondo reale.

25
3.9 Classificazione dei Modelli

Nell’esempio precedente relativo alla misura della resistenza strutturale di una casa
abbiamo visto che per un sistema (la casa) e per un dato problema (la resistenza
strutturale) esistono più modelli anche molto diversi tra loro, ma tutti aventi uno
stretto legame con il sistema, che può essere individuato come mantenimento delle
stesse proprietà di base o caratteristiche.
Perciò diamo una classificazione dei modelli secondo tali caratteristiche,
suddividendoli in due classi in base al loro diverso grado di astrazione: modelli reali o
fisici e modelli astratti o simbolici.

3.9.1 Modelli Fisici

Definizione. Un modello fisico é un modello la cui struttura é costituita da

elementi fisici e pertanto é misurato con grandezze fisiche. ■

Esistono vari tipi di modelli fisici:

 analogici: si comportano analogamente allo stesso oggetto del mondo
reale;
 iconici: assomigliano al sistema descritto;
 in scala: riproducono il sistema in dimensioni ridotte.

ESEMPIO – IL MODELLO DI UN SERBATOIO D’ACQUA. Il comportamento di un serbatoio

d’acqua, che si riempie e si svuota, può essere simulato utilizzando un componente
elettronico, il condensatore. ■

In questo caso é stato utilizzato un modello analogico.

ESEMPIO – IL MODELLO DI UNA MOLECOLA. Le strutture molecolari in genere sono

rappresentate da sfere, che rappresentano gli atomi, e da barre, che rappresentano
i legami tra gli atomi. ■

È un tipico esempio di modello iconico.

ESEMPIO – IL MODELLO DI UNA FERRARI. Il modellino (giocattolo) di una Ferrari

riproduce, in scala ridotta, la carrozzeria della Ferrari. Tuttavia esso non
riproduce in scala ridotta le altre componenti (motore, telaio, ecc…). ■

26
In questo caso é stato utilizzato un modello in scala.

3.9.2 Modelli Simbolici

Definizione. Un modello simbolico rappresenta un’entità del mondo reale mediante

simboli che esprimono le grandezze in gioco. ■

Un tipico modello simbolico é costituito dalla segnaletica stradale, che riporta

indicazioni di direzione, divieti, pericolo, …
A questa classe di modelli appartengono non solo i modelli verbali, come i
linguaggi naturali (l’italiano, l’inglese, ...) e i linguaggi artificiali (i linguaggi di
programmazione), ma anche i modelli matematici.

Definizione. Un modello matematico rappresenta un sistema utilizzando:

 variabili, per descrivere le componenti;
 funzioni matematiche, che pongono in relazione le variabili, per descrivere le
attività del sistema. ■

Ad esempio, il moto di un proiettile può essere rappresentato utilizzando delle

equazioni; lo scopo è, infatti, quello di prevedere dove andrà a finire il proiettile, note
la resistenza dell’aria, la forma dell’oggetto e la velocità iniziale.

27
3.10 I Modelli per l’Informatica

I calcolatori elaborano informazioni: ricevono informazioni in forma simbolica e

restituiscono informazioni in forma simbolica. Sono, quindi delle macchine
automatiche che trasformano una sequenza di simboli in ingresso in una sequenza di
simboli in uscita.

Diciamo quindi che i calcolatori elettronici operano a livello sintattico.

Ad esempio, un elaboratore che calcola la somma dei numeri 12 e 27 può essere

visto come un esecutore astratto che riceve in ingresso la sequenza di simboli “1”,
“2”, “+”, “2”, “7” e “=” e restituisce la sequenza “3”, “9”. I calcolatori non sono
macchine specializzate: possono svolgere qualsiasi trasformazione, purché
preventivamente definita (ovvero programmata).
Per poter usare il calcolatore dobbiamo fornirgli una descrizione della realtà
d’interesse sotto forma di simboli. Ai fini informatici, quindi, il modello ideale é
quello simbolico.

ESEMPIO – UN MODELLO PER UNA BIBLIOTECA. Supponiamo di delegare a qualcuno la

gestione di una biblioteca; per far ciò, occorre fornire una descrizione della realtà
bibliotecaria che sia comprensibile da un esecutore arbitrario (umano o non):
 una prima soluzione potrebbe essere quella di usare un modello in scala, ad
esempio dei libri in miniatura; ma non é economicamente conveniente, né
efficace costruire e quindi gestire un milione di libri di miniatura! ;
 se il nostro fine fosse la gestione manuale del servizio dei prestiti
bibliotecari, si potrebbe utilizzare come modello uno schedario contenente
le informazioni relative ai singoli libri e ai prestiti in apposite cartelle;
 se, infine, la gestione dovesse essere delegata ad un esecutore non umano
(automatizzata), dovrebbe essere necessariamente utilizzato un modello
simbolico per rappresentare le informazioni contenute nelle cartelle: titolo
del libro, posizione del libro, nome della persona che ha preso in prestito,
data in cui é stato preso in prestito. ■

28
3.11 Nota storica

L’origine della Programmazione ad Oggetti

La Simulazione é la scienza che si occupa di simulare o imitare il comportamento

di sistemi reali, attraverso la definizione di particolari modelli, utili allo scopo. Tali
modelli devono consentire di intervenire sul sistema simulato variando a piacere i
parametri che lo caratterizzano, ed osservare quindi concretamente gli effetti di tali
variazioni.

ESEMPIO – I TABELLONI ELETTRONICI. I tabelloni elettronici (primo per diffusione su

vasta scala, dal punto di vista storico, Lotus 123) costituiscono forse il più noto
esempio di strumento di simulazione assistito dal calcolatore. Utilizzando un
tabellone elettronico possiamo effettuare molto facilmente delle complesse
simulazioni finanziarie, ad esempio. ■

Anche se basata su tecniche matematiche e statistiche, spesso la Simulazione é

considerata un’arte più che una scienza, in quanto hanno una notevole importanza
l’intuito e l’esperienza di chi la utilizza.

La Simulazione di un sistema non richiede necessariamente un calcolatore

elettronico: é possibile simulare il comportamento di un sistema reale utilizzando
gli strumenti più vari.

ESEMPIO – PRONTO SOCCORSO. Negli ambienti ospedalieri per simulare interventi di

pronto soccorso sono utilizzati dei particolari manichini, con i quali è possibile
rappresentare le possibili situazioni d’emergenza in cui medici e infermieri si
possono trovare. ■

Di interesse notevole al giorno d’oggi é la simulazione assistita dal calcolatore, in

cui viene utilizzato un programma per simulare il comportamento di un sistema
reale. In questo caso, possiamo modificare a piacere i parametri che caratterizzano
il sistema, in quanto essi sono rappresentati utilizzando delle variabili all’interno
del programma, e possiamo osservare immediatamente gli effetti di tali modifiche
sul sistema stesso. Non a caso, gli anglosassoni usano l’espressione “WHAT IF?”,
ovvero “COSA SUCCEDEREBBE SE?”, che incarna efficacemente lo spirito della
simulazione!

Il termine simulazione é stato usato in senso scientifico per la prima volta negli
anni ’40, quando Von Neumann e Ulan definirono ed utilizzarono una tecnica nota
come “Monte Carlo”, per risolvere problemi matematici estremamente complessi

29
(soluzione di equazioni differenziali derivanti da problemi di fisica). Tali problemi
si ritenevano impossibili da risolvere in modo tradizionale (ovvero, utilizzando i
metodi dell’analisi matematica).

ESEMPIO – INTEGRAZIONE CON IL METODO MONTE CARLO. Tale metodo ci permette di

calcolare facilmente una buona approssimazione dell’area di una superficie, anche
molto complessa, utilizzando tecniche probabilistiche. Il nome Monte Carlo è stato
dato, infatti, proprio riferendosi al noto casinò del Principato di Monaco.
Per calcolare l’area di una superficie si individua un rettangolo [a, b] x [c, d] che
la contiene, e si “sparano” n (dove n è un numero molto grande) punti a caso nel
rettangolo. Infine, si contano il numero k dei punti che colpiscono l’area
dell’integrale (bordo compreso). Allora sarà:

Area approssimata della superficie = (k / n ) × Area Rettangolo.

Ovviamente l’approssimazione sarà tanto migliore quanto maggiore è il numero n

di punti che vengono “sparati”.

Fig. n. 3.10. – UN ESEMPIO DI APPLICAZIONE DEL METODO MONTE CARLO

Negli anni ’50, con l’avvento della Cibernetica e dell’Informatica, la simulazione

conobbe un nuovo significato; infatti, gli studiosi di varie discipline compresero
l’importanza degli elaboratori elettronici per la simulazione di un qualsiasi sistema
rappresentabile con modelli di tipo simbolico o matematico.

Oggi, la simulazione al computer é parte integrante della nostra vita – basti pensare
ai videogiochi, che simulano il comportamento dinamico (vale a dire, in
movimento) di automobili di Formula 1, aeroplani, ecc.

Un modo estremamente semplice per rappresentare un sistema é quello di

rappresentare ciascun componente mediante un oggetto astratto, il cui stato é

30
memorizzato al proprio interno utilizzando delle variabili (nell’accezione
informatica del termine). Tale oggetto interagisce con gli altri oggetti presenti nel
sistema inviando loro uno o più messaggi ogniqualvolta si verifica un determinato
evento che lo riguarda (vale a dire, ogniqualvolta il proprio stato cambia).

Tale idea sta alla base della programmazione a oggetti. Il primo linguaggio di
programmazione ad oggetti é stato, infatti, il SIMULA ’67, un’estensione del
linguaggio ALGOL ’60, che introduceva per la prima volta i concetti di classi,
istanze e metodi che caratterizzano i linguaggi ad oggetti moderni. Il nome stesso
del linguaggio ricorda che il SIMULA ’67 é nato per poter simulare sistemi di vario
genere rappresentabili con modelli simbolici.

31
32
4

Dal Problema al Programma

4.1 Il Problema, le Azioni e i Processi

Il concetto di problema é un concetto primitivo in quanto é difficile fornire una

definizione che non si riduca ad un sinonimo della parola stessa. Una situazione
analoga si ha nel campo della Matematica con il concetto di insieme, che non può
essere definito se non come una collezione, o una classe, o un’aggregazione di
oggetti, e, quindi, con dei sinonimi.
Dal punto di vista storico l’uomo, fin dalla preistoria, si é trovato a dover
risolvere dei problemi: sfamarsi, ripararsi dal freddo, difendersi dagli animali
feroci. Per risolverli ha dovuto compiere delle azioni. Ad esempio, per risolvere il
problema “sfamarsi” ha messo in atto l’azione di “cacciare”, ottenendo come
soluzione il “cibo”.

Definizione. Un’azione é un avvenimento di cui conosciamo il soggetto

(l’esecutore), l’oggetto su sui é realizzata l’azione e la trasformazione prodotta
sull’oggetto dal soggetto. ■

Un’azione è, quindi, la trasformazione che un soggetto opera sul mondo che lo

circonda. Ad esempio, se un uomo cammina compie un’azione. Infatti, l’uomo
(soggetto) compie una trasformazione sul mondo in cui si trova, variando la
posizione (azione) del suo corpo (oggetto) da un punto ad un altro.

Le azioni che ci interessano sono di un tipo ben definito, ovvero sono azioni
descrivibili.

Definizione. Un’azione si dice descrivibile se ha una durata finita e di essa si

conoscono tutti i suoi elementi caratterizzanti: il soggetto, l’oggetto e la
trasformazione operata. ■

Occorre, quindi, poter riconoscere l’istante preciso in cui l’azione ha inizio, e

l’istante preciso in cui termina. L’esempio classico di azione é quello del cucinare:
il cuoco (soggetto) compiendo una trasformazione sugli ingredienti (oggetto)
produce la pietanza. Normalmente sui libri di cucina é indicato il tempo occorrente

33
alla cottura ed alla preparazione del piatto e perciò tale esempio é sicuramente
un’azione descrivibile.

Le azioni possono essere molto semplici o più complesse.

Definizione. Un’azione si chiama azione elementare, o azione basica, se non può

essere suddivisa in azioni più semplici, altrimenti si chiama azione composta, o
processo. ■

L’azione di premere un interruttore elettrico per accendere una lampada può essere
considerata un’azione elementare. L’azione del costruire una casa, invece,
comporta numerose fasi e sottofasi e, quindi, non é un’azione elementare ma
un’azione composta o, detto con altre parole, un processo.

Non necessariamente le azioni devono essere svolte in sequenza. Un solo esecutore,

però, non può eseguire due o più azioni contemporaneamente e perciò deve
svolgerle una per volta e, quindi, una dopo l’altra in sequenza.

Definizione. Un processo si dice sequenziale se é composto da azioni semplici che

devono essere eseguite una dopo l’altra. ■

Più esecutori che collaborano alla soluzione di uno stesso problema possono, però,
svolgere le azioni in parallelo e, quindi, contemporaneamente. In tal caso il
processo si chiama non sequenziale.

ESEMPIO – COSTRUZIONE DI UN EDIFICIO. Durante la costruzione di un edificio spesso

sono eseguiti processi non sequenziali; ad esempio, mentre gli elettricisti
realizzano l’impianto elettrico, gli idraulici realizzano gli impianti idrici e di
riscaldamento. ■

Nota bene. Nel mondo dell’Informatica (in particolare, quando si parla di sistemi
operativi), intendiamo talvolta per processo l’insieme delle attività svolte dal
singolo esecutore. In questo caso parliamo anche di processi sequenziali
concorrenti, intendendo con questo l’insieme dei processi sequenziali svolti da più
esecutori che concorrono alla soluzione del medesimo problema.

34
4.2 Il Processo di Delega

Quando l’uomo primitivo si é evoluto costituendo le società, non essendo più solo,
ha avvertito la necessità di delegare la soluzione di una parte dei propri problemi ad
altri uomini. É nato così il processo di delega, che tuttora é alla base
dell’organizzazione della società.
Consideriamo, ad esempio, un’organizzazione strutturata in modo gerarchico
quale l’Università. Al vertice di questa organizzazione troviamo il Magnifico
Rettore, il quale delega ai docenti la risoluzione del problema di istruire gli
studenti, al personale amministrativo la gestione contabile e legale dell’ente, al
personale ausiliario il controllo degli accessi agli stabili dell’Università e così via…
Il processo di delega, però, non è usato solo nelle società di tipo gerarchico.
Infatti, se un docente ha come problema da risolvere quello di procurarsi del pane,
egli va dal fornaio e ne acquista un pezzo, ovvero il fornaio ha la delega a produrre
del pane da parte del docente. Si noti che non esiste un rapporto di gerarchia tra il
docente ed il fornaio; infatti, ad esempio, il docente ha la delega da parte del
fornaio di istruire i figli.
È evidente che questo tipo di processo di delega non é dettato dal rapporto di
gerarchia, ma deriva dalla tendenza della società alla specializzazione.

A questo proposito occorre menzionare il filosofo Silvio Ceccato (1914 - 1997),

uno dei padri fondatori della cibernetica in Italia, che cercò di applicare la
cibernetica all’attività linguistica dell’uomo. Ceccato affermava che “l’uomo é un
animale pigro”; infatti, tutte le sue scelte sono dettate dalla pigrizia. Molte persone,
ad esempio, preferiscono percorrere sempre la stessa strada per ritornare a casa per
la forza dell’abitudine (pigrizia), anche se sono consapevoli che esistono percorsi
più brevi. Probabilmente il processo di delega é dettato semplicemente dalla
pigrizia dell’uomo!

Nel processo di delega sono sempre individuabili due figure: il committente,

ovvero colui che ha un problema, e l’esecutore, ovvero colui a cui é delegata la
risoluzione del problema. Tra i due é necessaria l’esistenza di un canale che
consenta al committente di:
 comunicare l’istanza del problema da risolvere all’esecutore e,
 successivamente, all’esecutore, di fornire la soluzione al
committente.

In termini giuridici un’istanza é una domanda scritta per chiedere il riconoscimento

di un diritto, come ad esempio l’istanza di fallimento, l’istanza di divorzio, l’istanza
di autocertificazione, ecc. In informatica il termine istanza indica semplicemente
un caso particolare. Ha senso pertanto parlare di istanza di un problema, intendendo
con questo un caso particolare del problema.

35
36
In un ristorante, ad esempio:
 il cliente (committente) ordina il pasto al cameriere (canale di
comunicazione);
 il cameriere trasporta l’ordine (istanza del problema) al cuoco (esecutore);
 il cuoco cucina il pranzo (risolve il problema);
 infine il cuoco consegna al cameriere la pietanza (soluzione) perché la serva
al cliente.

Pertanto il processo di delega può essere schematizzato come segue:

Istanza del problema

COMMITTENTE ESECUTORE
Soluzione
problema

Fig. n. 4.1 – SCHEMA DEL PROCESSO DI DELEGA

37
4.3 La Descrizione di un Processo

Osserviamo adesso il processo da un altro punto di vista, quello di un osservatore

esterno, che osserva dettagliatamente l’esecutore al lavoro e annota i vari passaggi,
ovvero tutte le attività che esso svolge per portare a termine il compito assegnato.

Consideriamo, ad esempio, un telespettatore che assiste ad un programma

televisivo di cucina. Mentre il cuoco prepara in diretta la crema pasticciera, il
telespettatore, senza avere alcuna influenza sul cuoco e sulla trasmissione, osserva
le fasi dell’operazione prendendone nota e descrivendole attraverso l’uso del modo
indicativo:
 il cuoco prende tre uova,
 il cuoco rompe le tre uova,
 il cuoco mescola le tre uova a 150 gr di zucchero,
 ecc …

Il testo scritto dal telespettatore rappresenta la traccia del processo.

Definizione. La traccia del processo é la descrizione di una istanza del processo.■

Ad ogni istanza del processo cambia la traccia del processo, perché cambia il suo
effetto. Se, ad esempio, il cuoco cambia il tipo d’acqua (più dura, meno dura) per la
cottura della pasta, o cambia il tipo di pasta utilizzato, cambierà sicuramente il
tempo di cottura e, quindi, la traccia del nuovo processo non sarà più la stessa.

La traccia di un processo deve, quindi, necessariamente contenere:

 la lista dei dati;
 la sequenza delle azioni e dei controlli che scandiscono l’ordine di
esecuzione delle azioni, presupponendo un tempo finito per ogni esecuzione.
Ad esempio:
o Il cuoco adesso verifica il grado di cottura della carne;
o il cuoco adesso verifica se l’acqua bolle;

Nell’esempio precedente, l’istanza del problema non é

 preparare la crema pasticciera utilizzando le uova, lo zucchero, la farina, il
latte o la buccia di limone

bensì

 preparare la crema pasticciera utilizzando tre uova, 150 grammi di

zucchero, 80 grammi di farina, mezzo litro di latte e la buccia di un limone.

38
Perciò ogni singola istanza é caratterizzata da una lista di dati, specifici del
problema. Nell’esempio precedente, tale lista é costituita da:

 tre uova;
 150 grammi di zucchero;
 80 grammi di farina;
 mezzo litro di latte;
 la buccia di un limone.

ESEMPIO - ADDIZIONE DI DUE NUMERI INTERI POSITIVI. Nel caso in cui si vogliono
sommare i numeri “12” e “11”, i dati di questa specifica istanza del problema
sono i numeri interi “12” e “11”, mentre il numero “23” costituisce la soluzione
del problema. ■

E SEMPIO - O RDINAMENTO DI UNA SEQUENZA DI NUMERI INTERI . Un’istanza del

problema ORDINAMENTO è, ad esempio:

ordina la sequenza “3, 8, 6, 0, 2”.

In questo caso la lista dei dati di tale istanza é costituita dalla sequenza “ 3,
8, 6, 0, 2”, mentre il risultato é costituito dalla sequenza “0, 2, 3, 6, 8”. ■

Data la traccia di un processo non siamo in grado di replicare il processo, se non

utilizzando gli stessi dati. Ritornando all’esempio della preparazione della crema
pasticciera, il cuoco non riuscirà mai a replicare esattamente il processo partendo
dalla traccia del processo (ottenuta dall’osservazione delle operazioni del cuoco
nella trasmissione televisiva), poiché i dati non saranno mai esattamente identici:
infatti, possono cambiare la temperatura dei fornelli, la qualità degli ingredienti, …
La crema preparata sarà inevitabilmente diversa in qualche modo da quella prodotta
durante la trasmissione.

Pertanto, se un committente deve delegare l’esecutore per la risoluzione di un

problema, egli o qualcun altro per lui, dovrà “istruire” l’esecutore. Non é
sufficiente fornire la traccia di un’istanza del processo, per esempio le operazioni
da effettuare per addizionare i numeri “12” e “11”, perché in tal modo l’esecutore
riuscirebbe a risolvere il problema “addizione” solo per questi due numeri, ma
occorre fornire un metodo generale di risoluzione del problema. Con questo
intendiamo il comportamento che dovrà avere l’esecutore del processo, quando si
presenta una qualsiasi istanza del problema da risolvere. L’esecutore deve essere in
grado, infatti, di risolvere tutti i possibili casi del problema, e non un solo caso
specifico.

39
Il modo verbale che caratterizza l’istruzione dell’esecutore é l’imperativo. Ad
esempio, al cuoco, ovvero all’esecutore della preparazione della crema pasticciera,
il comportamento sarà descritto con “prendi le uova, rompi le uova, mescola le
uova allo zucchero, ecc.”.

Per mettere l’esecutore in condizione di poter fare fronte a tutte le possibili

situazioni che dovessero presentarsi durante la risoluzione delle diverse istanze di
un problema, devo utilizzare il modo condizionale: se si verifica una certa
condizione fai questa operazione. Ad esempio:
 se l’acqua bolle (condizionale),
butta la pasta (imperativo);
 se la pasta é cotta (condizionale),
togli la pasta dal fuoco (imperativo).

L’imperativo ed il condizionale sono i modi verbali che caratterizzano il metodo di

risoluzione del problema:
 utilizzando l’imperativo specifico la sequenza delle operazioni che
l’esecutore deve necessariamente effettuare,
 utilizzando il condizionale metto in condizione l’esecutore di prendere delle
decisioni e di effettuare delle scelte quando si trova davanti a determinate
condizioni.

40
4.4 L’Algoritmo

Nota Storica

La parola algoritmo ha origine nel Medio Oriente. Essa proviene dall'ultima

parte del nome dello studioso persiano Abu Jàfar Mohammed Ibn Musa Al-
Khowarizmi (780 - 850), il cui testo di Algebra Hisab al-jabr w'al-muqabala
(825 d.C. circa) ha esercitato una profonda influenza nei secoli successivi. Il termine
algebra deriva proprio dalla parola araba “al-jabr”.

Riportiamo di seguito alcune osservazioni sugli algoritmi dovute a D.E. Knuth

(1938 - vivente), uno dei padri fondatori dell’Informatica.

“Tradizionalmente gli algoritmi erano impiegati esclusivamente per

risolvere problemi numerici. Tuttavia, l'esperienza con i calcolatori
ha dimostrato che i dati possono virtualmente rappresentare qualunque
cosa.
Di conseguenza, l'attenzione della scienza dei calcolatori si é trasferita
allo studio delle diverse strutture con cui si possono rappresentare
le informazioni, e all'aspetto ramificato o decisionale degli algoritmi,
che permette di eseguire differenti sequenze di operazioni in dipendenza
dello stato delle cose in un particolare istante.
É questa la caratteristica che rende talvolta preferibili, per la
rappresentazione e l'organizzazione delle informazioni, i modelli
algoritmici a quelli matematici tradizionali”.

41
4.4.1 La definizione di Algoritmo

Un algoritmo é un metodo di risoluzione di un problema godente delle

seguenti proprietà:
 finitezza della descrizione, ovvero, la sua descrizione deve essere finita;
 non ambiguità, ovvero, non devono essere ammesse più interpretazioni da
parte dell’esecutore;
 finitezza del tempo di esecuzione, ovvero, l’esecutore deve effettuare un
numero di passi (azioni basiche e controlli) finito;
 generalità, ovvero, l’algoritmo deve permettere di risolvere qualsiasi istanza
del problema.

Consideriamo alcuni esempi di metodi di risoluzione di problemi, che non

costituiscono degli algoritmi.
 Per risolvere il problema “scrivere tutti i numeri naturali” possiamo
descrivere la soluzione nel seguente modo:
“scrivi 1”
“scrivi 2”
“scrivi 3”
…..
Un tale metodo non costituisce però un algoritmo, perché la sua descrizione
non è finita;
 Nella ricetta della crema pasticciera, quando il cuoco deve aggiungere la
buccia di limone, non sa se la buccia deve essere grattugiata o semplicemente
tagliata in striscioline. La ricetta non é, infatti, chiara su questo punto e
pertanto l’algoritmo stesso é ambiguo;
 Un qualunque metodo di risoluzione del problema “elencare tutti i numeri
interi più grandi di un numero dato” non potrà mai essere un algoritmo;
poiché tali numeri sono infiniti, l’esecuzione di tale metodo richiederà un
tempo infinito;
 Consideriamo il problema di “cuocere la pasta al dente”. Se l’algoritmo per
risolverlo non prevede l’azione “leggi il tempo di cottura sulla confezione”,
non sarà un algoritmo generale; infatti, ogni formato di pasta ha un proprio
tempo di cottura e nel caso in cui l’algoritmo usasse lo stesso tempo di cottura
per tutti ci sarebbero casi in cui la pasta è cotta al dente, ma ci sarebbero casi
in cui la pasta sarebbe scotta o addirittura cruda.

All'inizio dell'esecuzione, l'esecutore riceve dal committente un insieme di da t i ,

che rappresentano la descrizione della particolare istanza del problema che si
intende risolvere: a tal fine deve essere definito un meccanismo con il quale

42
l'esecutore riceve dal committente l’istanza del problema. I dati appartengono ad
un insieme finito di simboli.
Al termine dell’esecuzione, l’esecutore restituisce la soluzione al committente: a tal
fine deve essere definito un meccanismo con il quale l'esecutore comunica al
committente la soluzione.

Dati ESECUTORE
COMMITTENTE
Soluzione (Algoritmo)
problema

Fig. n. 4.2 – ESECUZIONE DI UN ALGORITMO PER UNA ISTANZA DEL PROBLEMA.

È importante osservare che il tempo di esecuzione di un algoritmo è finito se e solo

se è finita la traccia del processo.

43
4.4.2 Descrizione formale del problema

Una descrizione informale del problema che si intende risolvere può essere molto
utile in un primo momento, ad esempio, per chiarirsi le idee. Molto spesso
sappiamo che un certo problema esiste, tuttavia non siamo in grado di
formalizzarlo esattamente.
Questo é il classico caso che si presenta ai medici, ai quali molti pazienti
chiedono direttamente la prescrizione di un dato medicinale (collirio), invece di
spiegare i sintomi del malessere (bruciore agli occhi).

Fig. n. 4.3 – IL MEDICO ED IL PAZIENTE

Questo é purtroppo anche un problema cruciale dell’Ingegneria del Software:

spesso, infatti, il committente di un sistema informativo tenta di comunicare
all’informatico la soluzione del problema che ha, anziché comunicarne la sua
descrizione!

Una descrizione informale del problema può essere sufficiente nel caso
in cui l'esecutore sia un essere dotato di capacità cognitiva simile alla nostra e
che condivida con noi:
 l'esperienza (ad esempio possiamo dire ad un nostro collaboratore
“sbrigami la pratica del 3 dicembre”, ed il nostro collaboratore saprà
esattamente cosa fare!);

44
  il senso comune (ad esempio posso dire ad uno sconosciuto: “mi scusi, che
ora è?” e lo sconosciuto sarà in grado di rispondermi, senza chiedermi: “in
quale parte del mondo?”).

Nell'attesa di costruire degli oggetti artificiali dotati della nostra esperienza o del
nostro senso comune (questo é uno degli obiettivi dell’Intelligenza
Artificiale), occorre specificare esattamente, in una prima fase, la natura del
problema da risolvere.

Occorre far attenzione a non confondere la natura del problema da risolvere con la
descrizione del metodo di risoluzione del problema.

ESEMPIO - O RDINAMENTO DI UNA SEQUENZA DI NUMERI INTERI . In precedenza il

problema é stato presentato in modo informale. Una sua definizione formale può
essere data invece nel seguente modo:
 Dati: Una sequenza di n numeri interi positivi a l, ... an più piccoli di un
limite prefissato (ad esempio 1000).
 Risultato: Una sequenza b1, ... b n , di numeri interi positivi, che
costituisce una permutazione (ovvero un riarrangiamento) della sequenza
iniziale, ma che soddisfa la relazione b i < bi+1 per ogni i. ■

45
4.4.3 Descrizione del comportamento dell’Esecutore

Poiché l’esecutore in genere non dispone di intelligenza propria, occorre

insegnargli, comunicargli, trasmettergli un metodo di risoluzione del problema,
quindi descrivere il comportamento che dovrà assumere in tutte le situazioni in cui
si potrà trovare.
É lo stesso metodo utilizzato da una maestra che insegna ad un bambino
come svolgere un’addizione, quando il bambino non sa neppure cos’è un numero.
Il metodo di risoluzione del problema é quindi un metodo costruttivo, perché
descrive esattamente le operazioni da compiere quando “il bambino” (esecutore)
incontra un’istanza del problema (due interi da sommare).

Nota bene. Si deve fare attenzione a non confondere il problema da risolvere con la
descrizione del metodo di risoluzione del problema.

Nel campo dell’Informatica ci riferiamo all’esecutore che indica un’entità che

svolge un compito al posto nostro (il calcolatore elettronico, ad esempio)
utilizzando il termine automa (parola di origine russa, che significa schiavo).

ESEMPIO - ADDIZIONE DI DUE NUMERI INTERI POSITIVI. Vediamo ora come sia possibile
insegnare a svolgere un’addizione semplice (senza alcun riporto) ad un bambino
(automa) senza che questi conosca il concetto di numero.

Innanzitutto, la maestra mostra ad un bambino della sua classe i simboli: “0”,

“1”, “2”, “3”, “4”, “5”, “6”, “7”, “8” e “9”. Se la maestra chiede al bambino
di riprodurre uno di questi simboli, egli sarà attento a riprodurre esattamente la
forma del simbolo. Per lui, infatti, i simboli “ 6”, “6” e “6” sono diversi tra loro,
perché non conosce la semantica (significato) associata al simbolo: il simbolo “6”
é solo un segno al quale il bambino di 3 anni non associa alcun significato.

Per consentire al bambino (automa) di svolgere un’addizione semplice, senza

alcun riporto, quale ad esempio:

ESERCIZIO

1 3 3 +
3 2 2 1 =

46
la maestra gli fornisce la seguente tabella:

Tabella di riferimento
per l’addizione

+ 0 1 2 3 4 5 6 7 8 9
0 0 1 2 3 4 5 6 7 8 9
1 1 2 3 4 5 6 7 8 9 0
2 2 3 4 5 6 7 8 9 0 1
3 3 4 5 6 7 8 9 0 1 2
4 4 5 6 7 8 9 0 1 2 3
5 5 6 7 8 9 0 1 2 3 4
6 6 7 8 9 0 1 2 3 4 5
7 7 8 9 0 1 2 3 4 5 6
8 8 9 0 1 2 3 4 5 6 7
9 9 0 1 2 3 4 5 6 7 8

Sarà, quindi, sufficiente insegnare al bambino che ogni volta in cui gli viene
richiesto di svolgere una certa addizione, dovrà seguire le seguenti operazioni:
1) trascrivi le due sequenze di segni che ti sono forniti (primo addendo e
secondo addendo) in colonne allineate a destra;
2) partendo dalla colonna di destra confronta il segno superiore con i segni
che compaiono nella prima riga in alto della tabella di riferimento, poi
confronta il segno inferiore con i segni della prima colonna di sinistra
della tabella di riferimento, quindi identifica il segno posto in
corrispondenza riga-colonna;
3) trascrivi il segno individuato in colonna rispetto ai segni considerati;
4) passa alla colonna a sinistra e ripeti le operazioni descritte per la prima
colonna;
5) se in una delle due righe dell’operazione non é presente alcun segno,
assumi che è presente il segno “0”;
6) se non trovi alcun segno nella colonna, arrestati.

ESERCIZIO

1 3 3 +
3 2 2 1 =

47
 3 3 5 4
Il bambino sarà in grado così di risolvere il problema, restituendo una soluzione
che per lui non é altro che una sequenza di segni, mentre la maestra, che associa
un significato a quei simboli, interpreterà la sequenza “3”, “3”, “5”, “4” come il
numero intero “3354”. ■

4.4.4 Azioni e Controlli

All’automa non é richiesta intelligenza, perché lavora a livello sintattico e non

semantico: occorre esclusivamente che esso sia in grado di compiere delle azioni
elementari e dei semplici controlli.

Le azioni di un automa devono avere un tempo di esecuzione finito. Inoltre, se un

automa reale (un bambino, un calcolatore elettronico, ecc.) deve sommare due
cifre, é scontato che il tempo dell’operazione deve essere non solo finito, ma
possibilmente anche breve.

Nota bene. Le azioni elementari ed i controlli svolti dall’automa sono attività

discrete.

Ricordiamo che una attività discreta é individuata da due eventi, quello con il
quale inizia e quello con il quale termina. Un evento rappresenta un cambiamento
di stato che avviene istantaneamente e, quindi, non richiede nessun tempo di
esecuzione. Ad esempio, l’attività della “preparazione della crema pasticciera” é
discreta, in quanto inizia con l’evento “il cuoco prende le uova” e finisce con
l’evento “il cuoco termina la cottura della crema”. Al contrario, il sorgere del sole
con il graduale amento della luminosità e poi il tramonto con la graduale
diminuzione di luminosità, sono esempi di attività continue, poiché dalla
condizione di oscurità a quella di illuminazione ci sono innumerevoli situazioni
intermedie.

Ritornando all’esempio dell’addizione di due numeri, il bambino svolge delle

azioni discrete, quali:
 controlla un segno presente nella riga superiore;
 controlla il segno corrispondente nella riga sottostante;
 individua nella tabella dell’addizione il segno corrispondente;
 trascrive il risultato dell’operazione;
 ecc.

Anche i controlli (ad esempio, quando il bambino controlla se sono presenti altri
segni da trattare), ricordiamo, devono avvenire in tempo finito.

48
Con un automa pensiamo di risolvere i problemi di natura simbolica, cioè problemi
che consistono nella manipolazione di simboli. L’automa, infatti, accetta
sequenze di simboli e restituisce sequenze di simboli.

4.4.5 Il modello dell’Automa

Per spiegare le trasformazioni simboliche che un automa é in grado di effettuare,

occorre definire il modello dell’automa. Con questo intendiamo, informalmente,
una descrizione dell’insieme delle azioni basiche e dei controlli che l’automa é in
grado di svolgere.

Ad esempio, affermare che un certo automa (il bambino) é in grado di effettuare un

certo numero di azioni elementari e di controlli costituisce un modello dell’automa
bambino.

Definizione. Un modello di calcolo é semplicemente un’astrazione di un

esecutore reale, in cui si omettono dettagli irrilevanti allo studio di un algoritmo
per risolvere un problema. ■

Esistono tanti differenti modelli di calcolo (che vedremo prossimamente,

quali la Macchina di Turing, gli Automi a Stati Finiti, ecc.).

L'adozione di un particolare modello di calcolo, piuttosto che di un altro, al fine

di studiare un algoritmo, dipende da vari fattori:

 capacità espressiva del modello in relazione al problema assegnato:

sta ad indicare che un certo modello é preferibile ad un altro per esprimere
la soluzione algoritmica di un determinato problema;
 livello di astrazione:
è tanto maggiore quanto maggiore é la quantità di dettagli che sono
omessi;
 generalità:
esistono modelli più generali di altri. Diremo che un modello é più
generale di un altro (che equivale a dire più potente di un altro) se tutti i
problemi risolubili con il secondo sono risolubili anche con il primo.

Uno dei risultati più sorprendenti della Teoria della Computabilità riguarda
l'esistenza di modelli di calcolo assolutamente generali. Uno di questi é la
Macchina di Turing che vedremo prossimamente.

49
4.5 Il Concetto Matematico di Problema e di Algoritmo

In precedenza abbiamo detto che in Informatica il concetto di problema non può

definirsi se non con dei sinonimi. In Matematica, invece, il problema è definito
utilizzando il concetto di funzione.

Ricordiamo che una funzione non é altro che una regola di corrispondenza che
associa ad ogni elemento di un insieme detto insieme di partenza (detto dominio),
un elemento di un altro insieme detto insieme di arrivo (o codominio). Se
indichiamo con x l’elemento dell’insieme di partenza e con f la funzione, allora
l’elemento associato ad x sarà denotato f(x).

ESEMPIO – LA FUNZIONE COMPLEANNO. Supponiamo che l’insieme di partenza sia

costituito da tutte le persone e l’insieme di arrivo dai giorni dell’anno. Definiamo
allora la funzione f in modo da associare ad una persona il proprio compleanno:
se x é il mio vicino di casa Mario Rossi, allora f(x) sarà uguale a “24 gennaio”. ■

Definizione. Un problema é una funzione P che associa ad ogni elemento di un

insieme di partenza I, che chiamiamo insieme delle istanze, un elemento di un
insieme di arrivo S, che chiamiamo insieme delle soluzioni. ■

La funzione é, quindi, una regola di corrispondenza che associa ad ogni istanza di

un problema la relativa soluzione. Ad esempio, considerando il problema posto
precedentemente “addizione di due numeri interi”, ad ogni istanza del problema
somma corrisponde la relativa soluzione.

Un “metodo di risoluzione del problema” indica all’esecutore come passare

effettivamente dall’insieme delle istanze all’insieme delle soluzioni.

50
 FUNZIONE
(Regola di corrispondenza)

Somma Regola -
5
2e3 addizione

Insieme di
tutte le Insieme di
Somma 1 tutti i numeri
coppie Regola -
7e5 2 interi
di numeri addizione
interi

Somma
3
0e3 Regola -
addizione

Istanze Soluzioni

Fig. n. 4.2 – IL PROBLEMA ADDIZIONE DAL PUNTO DI VISTA MATEMATICO

Un algoritmo A quindi:

 definisce una funzione che associa ad ogni valore in ingresso x il

corrispondente valore in uscita A(x), ovvero una regola di
corrispondenza, dall'insieme delle istanze del problema all’insieme delle
soluzioni;
 ma, attenzione, indica al tempo stesso in maniera costruttiva come
determinare, data un’istanza del problema (dati di input) , la
corrispondente soluzione (output).

Definizione. Un algoritmo A risolve un problema P se P(x) = A( x ) , per ogni

istanza x assegnata del problema P. ■

51
4.6 Il Programma

L’algoritmo é definito informalmente come la descrizione delle operazioni che

occorre compiere per conseguire la soluzione di un problema. È, quindi, un
qualcosa che esiste esclusivamente nella nostra mente. Nel momento in cui
l’algoritmo è messo “nero su bianco” non é più un algoritmo, ma una sua
rappresentazione.

Se quindi ho un algoritmo in mente e voglio trasmetterlo ad un automa per fornirgli

un metodo di risoluzione di un problema, sono costretto a codificarlo (ovvero, a
rappresentarlo) utilizzando un linguaggio comprensibile da entrambi.
Riconosciamo dunque un caso particolare del processo comunicativo definito da
Shannon!
Nel caso in cui ho a che fare con un calcolatore elettronico (automa) il
linguaggio si chiama linguaggio di programmazione, e l’attività di codifica (o
rappresentazione) che svolgo si chiama programmazione, o più precisamente
implementazione dell’algoritmo.

Definizione. Un programma é la codifica (o rappresentazione) di un algoritmo,

utilizzando un linguaggio di programmazione opportunamente specificato. ■

A proposito dei programmi, D.E. Knuth afferma che:

Un programma é l'esposizione di un algoritmo in un linguaggio
accuratamente definito. Quindi, il programma di un calcolatore
rappresenta un algoritmo, per quanto l'algoritmo stesso sia un
costrutto intellettuale che esiste indipendentemente da qualsiasi
rappresentazione. Allo stesso modo, il concetto di numero 2 esiste
nella nostra mente anche quando non sia espresso graficamente.

Programmi per risolvere problemi numerici sono stati scritti sin dal 1800
A.C., quando i matematici babilonesi del tempo di Hammurabi hanno stabilito
delle regole per la risoluzione di alcuni tipi di operazioni. Le regole erano
determinate come procedure passo-passo, applicate sistematicamente ad esempi
numerici particolari.

52
4.6.1 I costi

Ad ogni programma di calcolo sono associati dei costi:

 L'Ingegneria del Software si occupa, tra l'altro, di minimizzare i costi
relativi allo sviluppo (analisi del problema, progettazione,
implementazione) dei programmi ed alla loro successiva manutenzione.
 La Teoria della Complessità Computazionale, invece, é la branca
dell’Informatica che si occupa di minimizzare i costi di esecuzione.

I costi relativi allo sviluppo ed alla manutenzione dei programmi sono

misurati in anni-uomo.

Definizione. Un anno-uomo indica quanto un dipendente a tempo pieno è

pagato per tutto l'anno per il suo lavoro. ■

Per poter parlare di costi di esecuzione, occorre prima di tutto definire il

concetto di risorse di calcolo.

Definizione. Le risorse di calcolo a disposizione del programma sono:

1. Il Tempo utilizzato per eseguire l'algoritmo;
2. Lo Spazio di lavoro utilizzato per memorizzare i risultati intermedi;
3. Il Numero degli esecutori, se più esecutori collaborano per risolvere lo
stesso problema. ■

Tale classificazione delle risorse é totalmente indipendentemente dalla sua

interpretazione informatica.

ESEMPIO . In un ufficio lo spazio di lavoro è rappresentato dai moduli cartacei,

gli esecutori dagli impiegati mentre il tempo dalle giornate lavorative. ■

Qualora ci si riferisca al campo specifico dell'informatica:

 lo spazio di lavoro diventa la memoria del calcolatore;
 il numero degli esecutori diventa il numero dei processori a nostra
disposizione, in un sistema dotato di più processori.
 il tempo di esecuzione non é misurato in minuti o secondi, ma contando il
numero di passi, ovvero il numero delle azioni basiche più il numero di
controlli, necessari a svolgere l’operazione.

Definizione. Il costo relativo all'esecuzione di un programma è definito

come la quantità di risorse di calcolo che il programma utilizza durante
l'esecuzione. ■

53
In particolare, il numero di passi svolti per risolvere una determinata istanza del
problema costituisce il costo temporale dell’algoritmo.

Definizione. Un algoritmo é efficiente se fa un uso contenuto (ovvero

parsimonioso) delle risorse a sua disposizione. ■

È molto importante saper valutare la quantità di risorse consumate, poiché un

consumo eccessivo di risorse può pregiudicare la possibilità di utilizzo di un
algoritmo.
Dati due algoritmi per risolvere lo stesso problema P, può accadere che il
primo faccia un uso più efficiente della risorsa spazio, mentre il secondo privilegi la
risorsa tempo. Quale algoritmo è preferibile scegliere?

Tra le due risorse spazio e tempo, il tempo va quasi sempre

privilegiato. Infatti, lo spazio è una risorsa riutilizzabile, mentre il
tempo non lo è.

54
4.6.2 Irrisolubilità algoritmica

Può sembrare strano, nell’epoca in cui viviamo, parlare di problemi di natura

simbolica che non possano essere risolti con l’ausilio di un calcolatore elettronico!
Purtroppo ciò avviene, e molto più spesso di quanto si pensi.

Definizione. Diciamo che un problema é algoritmicamente non risolubile se non

può essere risolto, né ora né mai, ricorrendo alla nozione attuale di algoritmo. ■

ESEMPIO - IL PROBLEMA DEL TASSELLAMENTO O “TILING PROBLEM”, definito da

Martin Gardner nel gennaio 1977 in un articolo sulla rivista Scientific American.
Dato un numero infinito di mattonelle di forma esagonale identiche, é sempre
possibile ricoprire un piano senza lasciare spazi vuoti. Lo stesso si può dire per
mattonelle di forma triangolare o rettangolare, ma non per quelle di forma di
pentagono regolare. Nel caso più generale, ci domandiamo se, data una forma
geometrica, sia possibile ricoprire il piano utilizzando mattonelle aventi tale
forma. ■

Nel 1966 R. Berger ha dimostrato che tale problema é algoritmicamente non

risolubile, ovvero, non potrà esistere né ora né mai una soluzione algoritmica a tale
problema utilizzando i modelli di macchine calcolatrici esistenti.

L’affermazione “né ora, né mai” nella definizione precedente potrebbe sembrare

piuttosto forte, o addirittura senza senso: chi ci assicura, infatti, che un domani, un
problema giudicato oggi algoritmicamente irresolubile, non possa essere risolto
algoritmicamente, ricorrendo alla nozione attuale d’algoritmo? Ce lo assicura la
Logica Matematica, attraverso una dimostrazione della irrisolubilità algoritmica
di un determinato problema.

4.6.3 Intrattabilità algoritmica

Definizione. Un problema è intrattabile se qualunque algoritmo che lo risolva

richiede una quantità molto elevata di risorse. ■

La logica matematica fornisce alla teoria degli algoritmi gli strumenti per
riconoscere e classificare i problemi intrattabili.
Problemi intrattabili sorgono, ad esempio, in giochi quali la dama o gli
scacchi.

55
4.6.4 Conclusioni

Abbiamo parlato di problemi ed algoritmi, ma anche di irrisolubilità algoritmica e

di intrattabilità. Può sembrare strano, ma la maggior parte dei problemi di tipo
simbolico a cui siamo posti di fronte ogni giorno sono intrattabili o irrisolubili. Per
questo motivo, riteniamo che le grandi corporazioni dell’informatica ci propongono
sempre gli stessi pacchetti, atti a risolvere i medesimi problemi (archiviazione di
grandi quantità di dati, ecc.). Sono gli unici problemi che al giorno d’oggi siamo in
grado di risolvere, efficientemente!

56
57
5

La Rappresentazione dell’Algoritmo

Nel capitolo precedente si è parlato di algoritmo come metodo di risoluzione dei

problemi. Ricordiamo che l’algoritmo è un concetto astratto e, per comunicarlo,
abbiamo bisogno di codificarlo, di rappresentarlo.

Ritornando al problema dell’addizione di due numeri interi, la maestra non fa altro

che codificare l’algoritmo utilizzando frasi della lingua italiana. Le azioni che il
bambino deve compiere potrebbero essere rappresentate in forma testuale oppure
attraverso dei disegni. Sono tutte rappresentazioni dello stesso algoritmo.

Rappresentare un algoritmo utilizzando un linguaggio testuale equivale ad

utilizzare una rappresentazione lineare, perché la rappresentazione sarà costituita
da una sequenza (da cui il termine lineare) di simboli.

ESEMPIO – LA RAPPRESENTAZIONE DELLA DIVINA COMMEDIA. Potremmo rappresentare

la Divina Commedia utilizzando come supporto una strisciolina di carta (un
coriandolo), magari lunga alcune centinaia di chilometri, trascrivendo un
carattere dopo l’altro. Avremmo bisogno di un simbolo per rappresentare lo
spazio, che separa parole consecutive, e di un simbolo che ci indichi la
terminazione di un periodo (quando scriviamo utilizzando un foglio di carta e la
penna, noi andiamo a capo per indicare che un periodo termina e inizia un altro, e
non per soddisfare il nostro senso estetico!). ■

Si noti che questo sistema è proprio quello utilizzato dai telegrafi, che codificano
l’informazione su un nastro di carta utilizzando come alfabeto l’alfabeto Morse, in
cui ciascun simbolo è rappresentato da punti e linee consecutivi.

Si noti anche che quando esprimiamo (rappresentiamo) dei concetti parlando,

utilizziamo una rappresentazione lineare costituita da una sequenza di parole
(suoni) che si susseguono nel tempo.

Nelle prossime pagine vedremo una rappresentazione bidimensionale degli

algoritmi, una delle prime forme di rappresentazione degli algoritmi storicamente
utilizzata. Con il termine bidimensionale intendiamo dire che occorre uno spazio a
due dimensioni (il piano, ovvero, in pratica, un foglio di carta) per tale
rappresentazione.

58
5.1 I Diagrammi di Flusso

I diagrammi di flusso, o flowchart, sono una rappresentazione bidimensionale del

flusso di controllo degli algoritmi, utilizzando un linguaggio grafico (ovvero
visuale) definito da regole ben precise. Informalmente, con la parola flusso di
controllo indichiamo la relazione temporale che deve esistere tra le azioni e le
condizioni utilizzate per descrivere l’algoritmo (relazione temporale sta per “dopo
aver fatto questo, cosa mi tocca fare?”).
I diagrammi di flusso sono stati introdotti dagli informatici negli anni ‘60 e
sono stati poi applicati in tanti altri contesti, come ad esempio in campo medico per
i protocolli diagnostici: un medico prescrive delle analisi (controllo) e, a seconda
dell’esito, prescrive una certa cura (azione) oppure un’altra analisi, e così via.

I simboli basilari di tale linguaggio sono:

Il simbolo iniziale, che indica l’inizio di un

processo. L’unica freccia presente è in uscita, che
indica la strada da intraprendere all’inizio del
processo.

Il simbolo dell’azione, utilizzando un rettangolo,

che rappresenta l’azione da compiere, con due
frecce, una entrante ed una uscente. Le frecce
rappresentano il punto di ingresso ed il punto di
uscita dall’azione, ovvero la strada che porta
all’azione e la strada da intraprendere una volta
terminata l’azione. All’interno del rettangolo vi è la
specifica dell’azione, ovvero la sua descrizione.

Il simbolo del controllo, dove il rombo rappresenta il

controllo da
effettuare, la
NO SI
freccia in alto rappresenta il
punto di ingresso (la strada che porta al
controllo), le frecce laterali
rappresentano le strade da intraprendere
quando si verificano due possibili
alternative: l’esito del controllo può
essere, solo ed esclusivamente,
positivo o negativo.

59
 All’interno del rombo deve essere definita la specifica della condizione,
ovvero la sua descrizione.

Il simbolo della terminazione, che indica la fine del processo.

L’unica freccia presente è in entrata.

Questi quattro simboli costituiscono il lessico (ovvero il vocabolario) del

nostro linguaggio, così come le parole della lingua italiana costituiscono il
lessico della lingua italiana. Con essi è possibile rappresentare il flusso di
controllo di un qualsiasi algoritmo, cioè è possibile rappresentare la
successione delle operazioni da svolgere.

Quando formiamo le frasi della lingua italiana, dobbiamo rispettare alcune regole
grammaticali. Allo stesso modo per formare le frasi del nostro linguaggio (ovvero,
i diagrammi di flusso) dobbiamo seguire alcune regole, che costituiscono la
grammatica dei diagrammi di flusso:

1. ogni freccia entra in un blocco o si innesta su un’altra freccia;

2. deve esistere un solo simbolo ovale di ingresso ed un solo simbolo ovale
di terminazione;
3. da qualunque simbolo deve essere possibile raggiungere il simbolo della
terminazione;
4. dal simbolo iniziale deve essere possibile raggiungere qualsiasi simbolo.

NON
VALIDO VALIDO

NO SI
NO SI

Fig. n. 5.1 – ESEMPI DI DIAGRAMMI DI FLUSSO CORRETTI E NON

Il primo diagramma rappresenta l’inizio seguito da un controllo, dal quale si giunge

a due terminazioni. Non è valido perché non rispetta la seconda regola.

60
Il secondo diagramma, invece, rappresenta l’inizio seguito da un controllo; al
mancato verificarsi della condizione si torna, attraverso l’uscita negativa innestata
sulla freccia di ingresso del controllo, a ripetere il controllo; mentre a condizione
verificata si giunge all’unica terminazione attraverso l’uscita positiva. Pertanto non
risulta violata nessuna delle regole sopra enunciate e, quindi, il diagramma è valido.

ESEMPIO - IMBOTTIGLIAMENTO DEL VINO. L’algoritmo per la risoluzione del problema

è rappresentato nella seguente figura. ■

Imbottiglia il
vino

Fig. n. 5.2 – PRIMO DIAGRAMMA DI FLUSSO PER IL PROBLEMA

“ IMBOTTIGLIAMENTO DEL VINO”

Nel diagramma di flusso della figura precedente dal simbolo iniziale passiamo
direttamente all’azione “Imbottiglia il vino”, quindi al simbolo di terminazione; ma
un’azione di questo genere è un’azione complessa ovvero un processo, perché può
essere suddivisa in più azioni elementari. L’algoritmo deve essere scomposto in
azioni più semplici così come vediamo nella figura n. 5.3 (a).

NO Bottiglie SI
Prendi le pulite?
bottiglie
Azione Lava
(a) complessa bottiglie
(b)
Assicura pulizia
bottiglie

Assicura
bontà vino

Imbottiglia il
vino

61
Fig. n. 5.3 - RAFFINAMENTO DEL DIAGRAMMA DI FLUSSO PER IL PROBLEMA
“IMBOTTIGLIAMENTO DEL VINO”

62
L’azione “Assicura che le bottiglie siano pulite” non è ancora un’azione
elementare, ma è composta da più azioni elementari così come possiamo vedere
nella figura n. 5.3 (b). Al blocco di sinistra possiamo sostituire questo schema.

Occorre ripetere tale procedimento per tutte le altre azioni complesse, finché non si
ottengono solo azioni elementari, ovvero azioni non suddivisibili in azioni più
semplici.

Con i simboli e le regole precedentemente illustrati, è possibile produrre diagrammi

complicati a piacere ed è proprio ciò che è stato fatto all’inizio, ottenendo
diagrammi tanto intricati quanto illeggibili: gli americani parlavano di diagrammi
di flusso “spaghetti-like” per indicare diagrammi di flusso ingarbugliati come un
piatto di spaghetti.

Abbiamo già definito il lessico (i simboli) e la grammatica (le regole) del nostro
linguaggio; come possiamo evitare di produrre diagrammi di flusso ingarbugliati e
difficilmente interpretabili? Attraverso la definizione di uno stile, una sorta di
semplice galateo della rappresentazione dei diagrammi di flusso.

Nella lingua italiana è possibile scrivere frasi contorte e macchinose, sebbene

grammaticalmente corrette, per comunicare un concetto; ma è altrettanto possibile
trasmettere il medesimo concetto attraverso una frase elegante, fluida e più
facilmente comprensibile. Allo stesso modo nella realizzazione dei diagrammi di
flusso si può adottare un metodo che ne permetta una rappresentazione
stilisticamente ordinata ed elegante: parleremo di diagrammi di flusso strutturati,
per indicare diagrammi di flusso che aderiscono a queste convenzioni stilistiche.

É importante notare che qualsiasi algoritmo può essere rappresentato con un

diagramma di flusso strutturato, come asserisce il seguente teorema, dimostrato nel
1966 da due matematici italiani, Corrado Böhm (nato a Milano nel 1923, vivente)
e Giuseppe Jacopini (scomparso recentemente, nel 2001), apparso nello storico
articolo Flow diagrams, Turing machines, and languages with only two formation
rules, pubblicato nel numero di maggio (1966) della rivista Communications of
the ACM.

TEOREMA (BÖHM E JACOPINI). Sia dato un algoritmo P e un diagramma di flusso

che lo descrive. È sempre possibile determinare un algoritmo Q equivalente a P,
che sia descrivibile con un diagramma di flusso strutturato. ■

Informalmente, diciamo che due algoritmi sono equivalenti se producono lo

stesso effetto a partire dallo stesso insieme di dati (ricordiamo che l’insieme dei
dati descrive l’istanza del problema da risolvere).

63
La dimostrazione del precedente teorema non è semplice e, pertanto, è omessa in
questo corso introduttivo. L’aspetto importante di tale dimostrazione consiste
nell’aver definito un metodo costruttivo per rappresentare l’algoritmo in modo
strutturato; infatti, i due studiosi italiani, Böhm e Jacopini, hanno illustrato e
dimostrato com’è possibile rappresentare una qualunque azione complessa
utilizzando solo tre schemi base (o schemi di composizione fondamentali), che
prendono il nome di “sequenza”, “selezione” e “iterazione” (o ripetizione).

64
5.2 Gli Schemi di Composizione Fondamentali

5.2.1 La Sequenza

Lo schema di sequenza è composto da più azioni (non necessariamente elementari),

che devono essere eseguite una dopo l’altra, rispettando l’ordine indicato dalle
frecce. La linea tratteggiata sta per “ci possono essere ulteriori blocchi nella
sequenza”.

Fig. n. 5.4 - LA SEQUENZA

5.2.2 La Selezione

Lo schema di selezione permette invece di selezionare un’azione da compiere in

relazione al fatto che una specifica condizione si verifichi o no. Lo schema di
selezione ha tre possibili varianti:
 nel caso (a) se la condizione C è verificata è eseguita un’azione A (non
necessariamente elementare), altrimenti non viene svolta nessuna azione;
 nel caso (b) se la condizione C non è verificata è eseguita un’azione A (non
necessariamente elementare), altrimenti non viene svolta nessuna azione;
 nell’ultimo caso (c) se la condizione C è verificata è eseguita l’azione A,
altrimenti l’azione B.

65
 NO SI NO SI NO SI
C C C

A A A B

(a) (b) (c)

Fig. n. 5.5 – LA SELEZIONE

5.2.3 La Ripetizione

Nello schema di ripetizione, una certa azione A vene ripetuta fino a che non si
verifica una certa condizione C. Lo schema di iterazione può presentarsi in quattro
modi: nei primi due l’azione A può essere eseguita zero o più volte, mentre negli
altri e due l’azione A è eseguita almeno una volta.

(a) (b)

NO SI NO SI

A C C A

66
 (c) (d)

A A

NO SI NO SI
C C

Fig. n. 5.6 – L’ITERAZIONE O RIPETIZIONE

67
5.2.4 Esempi

ESEMPIO - SCARICARE DEI LIBRI DA UN FURGONCINO.

Consideriamo i due possibili diagrammi di flusso:

Scarica NO
Ci
Un sono
libro Libri
?

SI
Ci
sono Scarica
Libri Un
? SI
libro

NO

(1) (2)

Nel caso (1) è stato utilizzato lo schema di ripetizione (d). È importante osservare
che in questo caso l’azione è svolta almeno una volta; quindi, si dà per scontato che
ci sia almeno un libro nel furgoncino e, successivamente, finché il controllo
registrerà la presenza di libri da scaricare, si tornerà ad eseguire di nuovo l’azione
“scarica un libro”.

Nel caso (2) è stato utilizzato lo schema di ripetizione (b); prima di svolgere
qualunque azione, si esegue il controllo, che potrebbe portare direttamente alla
terminazione, senza che l’azione sia stata svolta. In altre parole si tiene presente
l’eventualità che il furgoncino possa essere vuoto.

68
ESEMPIO - VIAGGIO VERSO NEW YORK.

Abbiamo detto che con i tre schemi di base (sequenza, selezione, ripetizione) è
possibile rappresentare qualunque azione complessa. Vediamo come ciò può essere
fatto considerando il seguente caso per risolvere il problema “Andare a New York”.

La tecnica è sempre la stessa: partiamo da uno schema generale composto da:

Andare a
New York

Fig. n. 5.7 – PRIMO PASSO.

Se l’azione “Andare a New York” fosse elementare non ci sarebbe altro da fare, ma
poiché andare a New York comporta una moltitudine di altre azioni più semplici,
cerchiamo di scindere le varie fasi e cerchiamo di capire quale schema di base
applicare. Potremmo, ad esempio, individuare innanzitutto una serie di azioni da
svolgere consecutivamente:

Prendi il prossimo
Vai a aereo per New
Fiumicino York

Fig. n. 5.8 – SECONDO PASSO.

Siamo passati così da un unico blocco contenente tutto il metodo di risoluzione del
problema, a due blocchi posti in sequenza contenenti due azioni che possono essere
di tipo elementare oppure ulteriormente semplificabili. Notiamo che sostituendo al
blocco “Andare a New York” i due nuovi blocchi posti in sequenza abbiamo
ottenuto schemi tra loro equivalenti. Nella rappresentazione così ottenuta possiamo
facilmente riconoscere uno schema di sequenza.

Vediamo ora se i due blocchi ottenuti possono essere semplificati. Il blocco “Vai a
Fiumicino”, per esempio, è costituito da diverse fasi, come scegliere un mezzo di
trasporto ecc. Quindi, “esplodiamo” questo blocco facendo alcune considerazioni:
come ci vado a Fiumicino? Con l’auto, ma possiedo un’auto? Se possiedo un’auto
dovrò prima fare benzina, e se invece non ho l’auto dovrò andare in treno, ma
prima devo fare il biglietto, ecc. Rappresentiamo tutte queste azioni e scelte
attraverso lo schema mostrato di seguito.

69
 (4)

(3)
NO Hai SI (2) NO Hai SI
(1) l’auto? l’auto?

Fai il Prendi Fai il Prendi

biglietto l’auto biglietto l’auto

Prendi il Fai
Prendi il Fai
treno benzina
treno benzina

Vai in Vai in
aeroport aeroport

prendi
l’aereo
NO C’è SI
attendi posto?
prossim
volo

prendi
l’aereo

Fig. n. 5.9 – SCHEMA FINALE

Nello schema ottenuto riconosciamo subito una sequenza (indicata con 1), una
sequenza (indicata con 2), quindi una selezione (indicata con 3), infine un’altra
sequenza (indicata con 4). “Esplodendo” il blocco “Prendi l’aereo” otteniamo
invece uno schema che riconosciamo essere una ripetizione.

Il procedimento ora mostrato con un esempio prende il nome di programmazione

strutturata, che consiste in una tecnica di costruzione dei diagrammi di flusso per
raffinamenti successivi: partendo da un unico blocco che rappresenta l’intero
problema da risolvere, andiamo a sostituirlo con uno schema di composizione

70
appropriato alle esigenze (sequenza, selezione, iterazione), e così via fino ad
ottenere esclusivamente azioni elementari.

Notiamo che dall’ ”esplosione” di un blocco rappresentante un’azione complessa,

otteniamo uno schema che ha sempre almeno un altro blocco che rappresenta
l’azione. Inoltre, ogni schema di composizione ha sempre e solo un punto di entrata
ed un punto di uscita.

Con un diagramma strutturato deve essere anche possibile effettuare l’operazione

inversa: partendo da uno schema esploso, si deve poter tornare ad ottenere un
singolo blocco rappresentante l’intero problema. Si deve procedere semplicemente
riconoscendo i vari schemi di composizione e comprimendoli in blocchi più
complessi, fino a giungere al blocco iniziale.

Quella appena descritta costituisce l’analisi del diagramma di flusso ed è

assimilabile all’analisi logica della lingua parlata. L’insieme di regole per la
combinazione dei simboli (che siano parole o, come nel nostro caso, simboli
grafici) di un linguaggio prende il nome di grammatica. La grammatica è
generativa, nel senso che permette di generare tutte ed esclusivamente le frasi
valide del linguaggio (nel nostro caso diagrammi validi, o strutturati).

ESEMPIO. Vediamo ora il Teorema di Böhm-Jacopini in azione: a sinistra abbiamo

uno schema non strutturato ed a destra uno schema strutturato equivalente.

NO SI

Fig. n. 5.10 – UNO SCHEMA NON STRUTTURATO.

71
 A

NO SI

A B

(1)
(2)

(3)

Fig. n. 5.11 – UNO SCHEMA STRUTTURATO EQUIVALENTE.

I due schemi si equivalgono sotto il profilo della funzionalità, ovvero rappresentano

graficamente il flusso di controllo di algoritmi equivalenti.

Il primo non è però strutturato, perché non è riconoscibile nessuno degli schemi
fondamentali di composizione.

Nel secondo, invece, possiamo riconoscere:

 uno schema di sequenza (1);
 uno di iterazione (2);
 ed infine uno di sequenza (3).

72
5.2.5 Convenzioni

Entriamo nel dettaglio della rappresentazione dei diagrammi di flusso, specificando

alcune convenzioni. Se disponiamo, per la rappresentazione di un determinato
diagramma di flusso, di un certo numero di azioni elementari diverse (es.: “prendi
un libro”, “accendi la lampada”), le indicheremo con A1, A2, A3, mentre i diversi
controlli li indicheremo con C1, C2. Quindi, nel seguente diagramma di flusso

Ai

Fig. n. 5.12 – UN SEMPLICE ALGORITMO COMPOSTO DA UNA SOLA AZIONE ELEMENTARE.

Ai è una qualsiasi azione elementare di cui disponiamo. Tale diagramma è

sicuramente strutturato perché abbiamo un inizio, un’azione elementare ed una
fine.

S1
S1 S2
S2

(a) (b)

Fig. n. 5.13 – UN ALGORITMO COMPOSTO DA UNA SEQUENZA DI BLOCCHI STRUTTURATI.

Nella figura n. 13 (a) S1 e S2 sono blocchi strutturati, che possono contenere azioni
anche molto complesse. Se combino i due blocchi strutturati S 1 e S2, in sequenza,
ottengo un diagramma anch’esso strutturato come nella figura n. 13 (b).
Se S1 e S2 sono blocchi strutturati, il diagramma di flusso della figura n. 14 è
strutturato.

73
 NO SI

S1 S2

Fig. n. 5.14 – UN ALGORITMO CON UN CONTROLLO DI SELEZIONE.

Infine, se S1 è strutturato, allora il seguente diagramma nel suo insieme rimane

strutturato.

S1

NO SI

Fig. n. 5.15 – UN ALGORITMO CON UNA STRUTTURA CICLICA

Quindi, ad esempio,

A1 A2 A3

è strutturato, poiché

A1 A2

74
è strutturato:

A1 A2

ed infine

S A3

è strutturato.

75
5.3 La Pseudocodifica

Poniamo il caso di dover comunicare un algoritmo a qualcuno in contatto con noi

telefonicamente. Come possiamo fare? Se abbiamo a disposizione il diagramma di
flusso, che rappresenta il flusso di controllo dell’algoritmo, potremmo pensare ad
esempio di descrivere tale diagramma verbalmente al nostro interlocutore. Ma
com’è possibile comunicare qualcosa che ha una rappresentazione bidimensionale
(il diagramma di flusso) utilizzando le parole, che rappresentano in modo lineare
una sequenza di suoni che si susseguono nel tempo? Per risolvere tali problemi
abbiamo bisogno di un linguaggio che ci permetta di descrivere in modo lineare e
strutturato gli algoritmi: chiameremo tale linguaggio uno pseudolinguaggio.

Occorre notare che uno pseudolinguaggio non è che un misto di espressioni del
linguaggio naturale (l’italiano) e costrutti fondamentali di un linguaggio di
programmazione (nel nostro caso il linguaggio C). La sua utilità risiede nella
semplicità di scrittura, nella facile e rapida comprensione (poiché utilizziamo
costrutti di un linguaggio di programmazione ben formalizzato, non vi può essere
ambiguità nell’interpretazione delle frasi) e nella sinteticità (poiché utilizziamo
espressioni in linguaggio naturale).

Si noti bene che uno pseudolinguaggio è utilizzato fondamentalmente per i

seguenti scopi:
 comunicare ad un nostro simile (umano) un algoritmo al fine di:
o farlo eseguire (l’umano è il nostro automa);
o avere una sua opinione (se lavoro all’interno di un team di
sviluppo software, ad esempio);
 chiarirci le idee sull’algoritmo (ovvero come devo agire per risolvere il
problema?).

L’attività di rappresentazione degli algoritmi utilizzando uno pseudolinguaggio

prende il nome di pseudocodifica. Il risultato ottenuto si chiama pseudocodice.

Il linguaggio di programmazione che utilizzeremo come base per la definizione nel

nostro pseudolinguaggio è il linguaggio C, sviluppato nel 1972 nei Laboratori Bell
da Dennis Ritchie per il sistema operativo UNIX, e formalizzato nel 1978 da
Brian Kernigham e Dennis Ritchie nel documento The C Programming
Language, divenuto poi il manuale di riferimento del linguaggio.

76
5.3.1 Il nostro pseudolinguaggio

Di seguito è definito un meccanismo di pseudocodifica per rappresentare in modo

lineare (testuale) e strutturato degli algoritmi.

Innanzitutto dobbiamo essere capaci di distinguere le parole che costituiscono il

lessico della lingua italiana (“Il”, “cane”, “mangia”, “del”, “formaggio”) dalle
parole che stanno ad indicare qualcos’altro (“azione”, “condizione”, …). Ad
esempio, la parola “azione” può indicare: “esci a giocare”, “vai a dormire”,
“mangia la pappa”, ecc. Per distinguere queste parole, che stanno per qualcos’altro,
dalle omonime parole del lessico italiano, le racchiudiamo tra parentesi acute, come
ad esempio:
<azione>

e le chiamiamo simboli non terminali oppure categorie sintattiche.

Passiamo ora ad illustrare il nostro pseudolinguaggio. Si noti innanzitutto che:

uno schema di flusso strutturato S rappresenta un’azione, e pertanto

indicheremo lo pseudocodice che rappresenta S con la categoria sintattica
<azione>.

In particolare, l’algoritmo più semplice, quello raffigurato in fig. 5.12, composto da

una sola azione elementare <azione> sarà codificato semplicemente come:

<azione>

ESEMPIO - AZIONE. Se il nostro schema di flusso S è composto dalla sola azione

“Prendi l’ombrello”, la sua pseudocodifica sarà semplicemente:

“Prendi l’ombrello” ■

Sequenza. Supponiamo di avere due diagrammi di flusso strutturati S1 e S2, che

rappresentano graficamente due azioni <azione1> e <azione2>. Allora la sequenza
illustrata in fig. 11 (b) può essere rappresentata come segue:

{<azione1> <azione2>}

ovvero, con una parentesi graffa aperta, seguita dalla pseudocodifica del
diagramma di flusso strutturato S1, da uno spazio, dalla pseudocodifica del
diagramma di flusso strutturato S2, ed infine da una parentesi graffa chiusa.

77
ESEMPIO - SEQUENZA. Se <azione1> sta per “Prendi l’ombrello”, e <azione2> sta per
“Esci”, allora scriveremo:

{“Prendi l’ombrello” “Esci”} ■

Per rendere lo pseudocodice più leggibile, scriveremo:

{“Prendi l’ombrello”
“Esci” }

ovvero trascriveremo le azioni da compiere una di seguito all’altra, su più righe.

Selezione. Consideriamo adesso lo schema fondamentale selezione. Il

diagramma di flusso della fig. 5.5 (a) è rappresentato come segue:

if ( <condizione> )
<azione>

dove <condizione> indica ora lo pseudocodice associato alla condizione C della

fig. 5.5 (a).

ESEMPIO – SELEZIONE. A.

if ( “Piove” )
“Apri l’ombrello” ■

In tal caso l’azione “Apri l’ombrello” è eseguita se la condizione “Piove” è

verificata.

Analogo è il caso della fig. 5.5 (b): in tal caso faremo precedere alla categoria
sintattica <condizione> il simbolo ! che indica la negazione di ciò che segue.

ESEMPIO – SELEZIONE B.
if ( ! “Piove” )
“Esci a giocare” ■

In tal caso l’azione “Esci a giocare” è eseguita se la condizione “Piove” non è

verificata.

78
Consideriamo adesso il caso della fig. 5.5 (c) che viene rappresentato come segue:

if ( <condizione> )
<azione1>
else
<azione2>

ESEMPIO – SELEZIONE C.

if ( “Piove” )
“Apri l’ombrello”
else
“Vai al mare”

In tal caso, se la condizione “Piove” è verificata viene eseguita l’azione “Apri

l’ombrello”, altrimenti viene eseguita l’azione”Vai al mare”.

Esempi più complessi. Possiamo così iniziare a comporre i vari schemi per
rappresentare algoritmi più complessi. Gli algoritmi rappresentati nella seguente
figura in forma bidimensionale:

NO SI
NO SI
C C

A2 A1 A2 A1

A3 A3

79
possono essere rappresentati in forma lineare rispettivamente come:

if ( <condizione> ) if ( ! <condizione> )
<azione1> { <azione2> <azione3> }
else else
{ <azione2> <azione3> } <azione1>

Potremmo allora ottenere pseudocodice del tipo:

if ( “Piove” ) if ( ! “Hai sonno” )

“Apri l’ombrello” “Esci”
else else
{ “Vai al mare” { “Spegni la tv “
“Fai il bagno” } “Vai a letto” }

Iterazione. Consideriamo l’ultimo schema fondamentale di composizione,

l’iterazione (o ripetizione). Il diagramma di flusso della fig. 5.6 (b) è rappresentato
con:

while ( <condizione> )
<azione>

ESEMPIO – ITERAZIONE B.

while ( “C’è almeno un libro” )

“Scarica un libro” ■

Invece il diagramma di flusso della fig. 5.6 (d) è rappresentato con:

do <azione>
while ( condizione )

ESEMPIO – ITERAZIONE C.

do “Scarica un libro”
while ( “C’è almeno un libro” ); ■

80
6

I Linguaggi e le Grammatiche

In questo capitolo sono introdotti i concetti fondamentali di grammatica e di

linguaggio generato da una grammatica.
Mostreremo poi che è possibile descrivere i linguaggi di programmazione
attraverso particolari grammatiche, dette libere dal contesto (context-free),
utilizzando una notazione molto compatta: la Backus Naur Form.

6.1 I Linguaggi

Nei capitoli precedenti abbiamo già definito il concetto di simbolo (un simbolo è
un segno a cui si attribuisce un valore convenzionale) e di alfabeto (un alfabeto è
un insieme finito e non vuoto di simboli).

L’alfabeto che è utilizzato per costruire le frasi di un linguaggio è detto alfabeto

dei simboli terminali. Indichiamo tale insieme con la lettera T.

ESEMPIO.
L’insieme T1 = {a, b, c} è un alfabeto composto dai tre simboli a, b e c. ■

ESEMPIO. L’insieme T2 = {il, gatto, topo, mangia} è un alfabeto composto da

quattro vocaboli della lingua italiana. In questo caso

gatto

non è una sequenza di cinque simboli, ma è un unico simbolo terminale. ■

ESEMPIO – IL LESSICO DELLA LINGUA ITALIANA. Se definiamo T3 come il lessico della

lingua italiana, allora T3 è costituito da tutti i vocaboli che sono utilizzati per
costruire le frasi della lingua italiana. ■

ESEMPIO – IL SISTEMA NUMERICO DECIMALE. Un altro alfabeto terminale è l’insieme

delle cifre del sistema numerico decimale T4 ={ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9}, che è
composto da dieci simboli ■.

81
È possibile prendere i simboli di un alfabeto terminale e concatenarli (ovvero,
metterli in sequenza).

Considerando l’ultimo esempio, otteniamo sequenze come 00120 o 125.

Considerando, invece, l’esempio che lo precede, otteniamo sequenze come

il topo mangia

oppure semplicemente
il
ma anche
gatto topo il

Definizione. Una successione finita di simboli di un alfabeto prende il nome di

stringa. La lunghezza di una stringa è data dal numero di simboli di cui è
composta. ■

ESEMPIO. La stringa “gatto topo il” dell’alfabeto T2 ha lunghezza 3. ■

Partendo da un alfabeto H, ovvero da un insieme di simboli, posso definire un

nuovo insieme che contiene tutte le possibili stringhe di simboli di questo alfabeto.
Questo nuovo insieme si chiama chiusura transitiva dell’alfabeto H, e si indica
con H+.

Un esempio di notevole importanza si ha quando l’alfabeto in questione è il nostro

alfabeto T dei simboli terminali. In tal caso, ricordiamo, la chiusura transitiva di
T, che indico con T+, è l’insieme costituito da tutte le stringhe di lunghezza finita e
non nulla di elementi di T.

Ad esempio, la chiusura transitiva dell’alfabeto T del primo esempio è composta da

tutte:
 le stringhe di lunghezza 1: a, b, c;
 le stringhe di lunghezza 2: aa, ab, ac, ba, bb, bc, ca, cb, cc;
 le stringhe di lunghezza 3: aaa, aab, aac, aba, aca, …;
 le stringhe di lunghezza 4; aaaa, aaab, aaac, …;
 ecc.

Quindi, T+ = { a, b, c, aa, ab, ac, ba, …, aaa, aab, aac, …, aaaa,

aaab, … }

La chiusura transitiva è sempre un insieme infinito, anche se l’alfabeto terminale

contiene un solo simbolo.

82
ESEMPIO. La chiusura transitiva dell’alfabeto terminale T = { 0 } è data da

T+ = { 0, 00, 000, 0000, ….} ■

Definizione. Un linguaggio L costruito a partire dall’alfabeto T è un qualunque

sottoinsieme di T+. ■

Le stringhe di simboli terminali che appartengono a L si chiamano frasi del

linguaggio L.

Un linguaggio definito sull’alfabeto del primo esempio potrebbe essere

L = { a, aa, ca, bbaca }. In tal caso, ca è una frase di questo linguaggio.

Mentre un alfabeto T è un insieme finito e la sua chiusura transitiva T+ è sempre un

insieme infinito, un linguaggio L definito su T invece può essere composto da un
unico elemento, ma potrebbe anche essere un insieme infinito. Inoltre, dall’insieme
T+ posso definire infiniti sottoinsiemi di simboli terminali, che costituiranno un
numero infinito di linguaggi.

Per l’alfabeto del primo esempio posso definire il linguaggio

L1 = { a, aa, ca, bbaca }

ma anche
L2 = { ab, ba }.

ESEMPIO. Consideriamo l’alfabeto T = { +, -, 0, 1, 2, 3, 4, 5, 6, 7, 8,

9 }, che può essere definito come l’insieme dei simboli utilizzati per rappresentare i
numeri interi. In tal caso un numero intero non è altro che una frase del linguaggio
dei numeri interi. La chiusura transitiva T+ sarà costituita da infinite sequenze di
questi simboli, come ad esempio

254, +123, 0, 512, +11+-0---

ma, attenzione, la stringa +11+-0--- non appartiene al linguaggio dei numeri

interi. ■

Per evitare di generare sequenze che non appartengono al linguaggio occorre

stabilire delle regole di produzione, che permettano di formare (ovvero, produrre)
le sole sequenze valide.

83
Nel caso precedente occorre stabilire che le stringhe del linguaggio dei numeri
interi devono essere:
 sequenze di cifre numeriche, che possono essere precedute dal segno + o dal
segno – ;
 fa eccezione il numero zero, che non deve essere preceduto da alcun segno.

Esistono due metodi per descrivere un linguaggio:

 Il primo è quello estensionale, che prevede di specificare direttamente tutte
le sequenze valide del linguaggio elencandole. Ad esempio, il linguaggio
composto dai numeri pari è {0, 2, 4, 6, …}. Questo è l’approccio che
abbiamo utilizzato negli esempi precedentemente esposti. È evidente che se
le sequenze sono numerose o infinite, come nel caso dei numeri interi,
questa modalità si rivela impraticabile;
 Il secondo è quello intensionale, che consiste nel definire le caratteristiche
che accomunano gli elementi del linguaggio. Il linguaggio dei numeri pari
può essere definito intensionalmente come l’insieme dei numeri che
dividendoli per due danno come resto zero. Tipi di definizioni intensionali
sono:
o generativo: consiste in un sistema compatto che permette di
rappresentare tutte e sole le stringhe valide di un linguaggio mediante
la definizione di una grammatica;
o algebrico: il linguaggio è rappresentato da un’espressione
algebrica o dalla soluzione di un sistema di relazioni algebriche;
o riconoscitivo: si costruisce un automa per riconoscere o accettare
le stringhe del linguaggio. Vedremo questo approccio nelle seguenti
lezioni.

In questa lezione descriveremo il primo approccio intensionale, ovvero quello

generativo.

84
Nota bene. In questa sezione abbiamo definito la chiusura transitiva di un insieme
H di simboli, e la abbiamo indicata con H+. In molti libri di testo si incontra
la chiusura riflessiva e transitiva di un insieme H, indicata con il simbolo
H*. Questa si ottiene dalla chiusura transitiva aggiungendo una stringa di
lunghezza zero, ovvero la stringa nulla, composta da zero caratteri. La
stringa nulla si indica talvolta con il simbolo ε. La chiusura riflessiva
transitiva di un insieme H si chiama anche chiusura di Kleene di H, dal
nome di un famoso logico. In questa lezione abbiamo utilizzato la chiusura
transitiva e non quella riflessiva transitiva, per non appesantire inutilmente
la trattazione.

L’attività di ricerca di Stephen Kleene (1909 - 1994), come professore presso la

University of Wisconsin a Madison dal 1948 al 1979, era rivolta
essenzialmente allo studio della teoria degli algoritmi ed alle funzioni
ricorsive. Ha collaborato infatti con Church, Gödel e Turing allo sviluppo
della teoria della ricorsione.

85
6.2 Le Grammatiche

Prima di definire le regole della grammatica occorre introdurre un altro tipo di

simboli, i simboli non terminali o categorie sintattiche. Essi sono simboli che
possono essere sostituiti da altri simboli, sia terminali che non terminali.
Ad esempio, nell’analisi logica, il simbolo non terminale <verbo> può essere
sostituito dai verbi avere, cantare andare, ecc. Allo stesso modo il simbolo non
terminale <soggetto> può essere sostituito da lo studente, il cane, ecc.

Per convenzione i simboli non terminali sono indicati con le lettere maiuscole: A,
B, C, ecc.

Consideriamo l’alfabeto terminale T2 dell’esempio precedente e indichiamo con N

l’insieme dei simboli non terminali N = {A, B, C}. L’insieme (N  T)+ rappresenta
la chiusura transitiva di (N  T), ovvero l’insieme di tutte le stringhe di simboli
terminali e non terminali. Stringhe appartenenti a (N  T)+ saranno, ad esempio:
A, AA, il, gatto il B, il il, C mangia .

Definizione. Dato un simbolo non terminale W ed una stringa α  N  T * ,

ovvero composta da simboli terminali e non, diciamo che una regola
grammaticale (o regola di produzione), avente parte sinistra W e parte destra α, è
una regola che permette di sostituire il simbolo W con la stringa α. Indichiamo tale
regola con la notazione:
Wα ■

ESEMPIO. Le seguenti sono tre regole grammaticali, costruite utilizzando l’alfabeto

dei simboli terminali T = {il, gatto, topo}, e l’alfabeto dei simboli non terminali N
= {A, B}:

A  il gatto A A B il
A B
C  A B topo ■

Una regola di produzione indica che, quando incontro un certo simbolo non
terminale posto a sinistra della freccia, posso (ma attenzione, non devo) sostituire
tale simbolo con ciò che compare a destra.

86
Ad esempio, la regola di produzione

<soggetto>  Giovanni

indica che posso sostituire il simbolo non terminale <soggetto> con il simbolo
Giovanni, mentre la regola

<soggetto>  lo studente

indica che posso sostituire il simbolo non terminale <soggetto> con la stringa lo
studente composta da due simboli terminali.

Definizione. Una grammatica G è specificata attraverso quattro elementi:

1. un alfabeto di simboli terminali T;
2. un alfabeto di simboli non terminali N;
3. un simbolo non terminale S detto seme o assioma;
4. un insieme finito e non vuoto di regole di produzione P, di cui almeno
una deve avere l’assioma S nella parte sinistra. ■

Le grammatiche così definite sono chiamate non contestuali o libere da contesto

o di tipo 2, perché ad un simbolo non terminale posso sostituire una qualsiasi
stringa di terminali e non terminali, indipendentemente dal contesto, ovvero da ciò
che circonda il simbolo da sostituire.

Vediamo come si formano le frasi di un linguaggio a partire dai concetti appena

esposti.

ESEMPIO. Sia T = { 0, 1 } l’alfabeto dei simboli terminali e N = {S, A} l’alfabeto

dei simboli non terminali. Sono definite le seguenti regole grammaticali:

S  A0 (regola 1)
A 0 (regola 2)
A 1 (regola 3)
A  AA (regola 4)

Per dimostrare che la stringa 010 appartiene al linguaggio generato dalla

grammatica appena definita, occorre partire dall’assioma S e applicare le regole
grammaticali fino ad ottenere la stringa voluta. Quindi, compiremo i seguenti
passi:
S  A0 in base alla regola 1
A0  AA0 in base alla regola 4
AA0  A10 in base alla regola 3

87
 A10  010 in base alla regola 2 ■

88
Definizione. Data una grammatica G e due stringhe β e γ composte da simboli
terminali e non, si dice che γ deriva direttamente da β in G e si scrive β  γ se
 esiste una regola grammaticale A  α in G;
 la stringa β contiene almeno un simbolo A;
 la stringa γ è ottenuta dalla stringa β sostituendo un solo simbolo A che
essa contiene con α ■

Quindi, la stringa A10 dell’esempio precedente deriva direttamente dalla stringa

AA0, sostituendo alla seconda A il simbolo 1.

Definizione. Data una grammatica G e due stringhe β e γ   N  T  * , si dice

che γ deriva da β in G e si scrive β  * γ se esiste un numero finito n di
derivazioni dirette, tali che:

β0  β1 …  βn dove β0 = β e βn = γ. ■

Quindi, la successione di derivazioni

S  A0  AA0  A10  010

dell’esempio precedente può essere scritta in maniera compatta con l’espressione

S  * 010
che leggiamo
da S derivo 010.

Definizione. Il linguaggio LG generato da una grammatica G è dato dall’insieme

delle stringhe α di simboli terminali che si possono derivare a partire dall’assioma
S, in base alle regole grammaticali di G:

LG = α  T * | S  * α ■

ESEMPIO. Sia data una grammatica G con alfabeto dei simboli terminali
T = { 0, 1 }, con alfabeto dei simboli non terminali N = {S}, con assioma S e con
le seguenti regole grammaticali:

S01 (Regola 1)
S0S1 (Regola 2)

Il linguaggio generato da G è dato da LG = {01, 0011, 000111, 00001111,

0000011111, ……… }. ■

89
Ad esempio, dimostriamo che la stringa 00001111 appartiene a tale linguaggio,
indicando in corrispondenza di ciascuna freccia la regola di produzione utilizzata:

S 2 0S1 2 00S11 2 000S111 1 00001111

e, quindi,

S  * 00001111

90
6.3 Equivalenza di grammatiche

Si noti che uno stesso linguaggio può essere generato da più grammatiche.

ESEMPIO. Consideriamo il linguaggio L composto dalle stringhe del tipo a nbm con n
e m maggiori di zero.

Con la notazione anbm intendiamo rappresentare qualunque stringa costituita da un

certo numero di a seguito da un certo numero di b, come ad esempio la stringa
aaabbbbbb. Abbiamo adottato una espressione algebrica per descrivere il
linguaggio e, quindi, un metodo intensionale.

Definiamo la grammatica G1 che ha T = { a, b } come alfabeto dei simboli

terminali, N1 = { S } come alfabeto dei simboli non terminali, S come assioma e le
seguenti regole grammaticali:

S  ab
S  aS
S  Sb

È facile verificare che LG1 = L.

Consideriamo adesso la grammatica G2 che ha sempre T = { a, b } come alfabeto

dei simboli terminali, N2 = { A, B } come alfabeto dei simboli non terminali, A
come assioma e le seguenti regole grammaticali:
A a
A  aA
A  aB
Bb
B  bB

È facile verificare che anche LG2 = L.

Quindi, le due grammatiche G1 e G2 generano lo stesso linguaggio L. ■

Definizione. Due grammatiche si dicono equivalenti se generano lo stesso

linguaggio. ■

91
6.4 La Backus Naur Form

Il simbolismo utilizzato nella sezione precedente, se pur corretto formalmente, può

generare talvolta confusione. Infatti, le lettere maiuscole dell’alfabeto italiano
possono far parte di vocaboli del linguaggio descritto, e quindi generare confusione
con le corrispondenti categorie sintattiche. In altre parole, se l’alfabeto terminale
utilizzato è composto dalle lettere maiuscole e minuscole dell’alfabeto inglese, e
l’alfabeto non terminale dai simboli A e B, come distinguere il non terminale A dal
terminale A?

Per risolvere questa ambiguità negli anni ’50 John Backus (1924 - vivente) e Peter
Naur (1928 - vivente) introdussero un metalinguaggio (ovvero un linguaggio per
descrivere un altro linguaggio) chiamato in loro onore BNF (Backus Naur Form).
Tale metalinguaggio oggi trova largo uso come strumento di specifica per le
grammatiche dei linguaggi di programmazione.

Riassumiamo qui di seguito le convenzioni adottate in questo metalinguaggio:

 la freccia utilizzata nelle regole di produzione è sostituita da ::=
 ogni simbolo non terminale é racchiuso fra parentesi acute, ad esempio
<soggetto>, superando così i limiti della rappresentazione dovuti all’uso
delle lettere maiuscole (che sono solo 26 nell’alfabeto inglese!);
 le regole grammaticali che hanno lo stesso simbolo non terminale a
sinistra sono raggruppate in un’unica regola, che ha nella parte sinistra il
simbolo non terminale e nella parte destra le parti destre delle varie regole
separate da una barra verticale “|”, che si legge oppure.

6.4.1 Esempi di BNF

ESEMPIO. Sia T = { 0, 1 } l’alfabeto dei simboli terminali, N = {<Seme>} l’alfabeto

dei simboli non terminali, <Seme> l’assioma e come unica regola

<Seme> ::= 01 | 0<Seme>1

Si noti che tale regola corrisponde alle due regole

<Seme> ::= 01
<Seme> ::= 0<Seme>1 ■

92
ESEMPIO. Sia dato l’alfabeto dei simboli terminali

T = { +, -, 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 }

l’alfabeto dei simboli non terminali

N = {<numero intero>, <numero positivo>, <numero negativo>,

<sequenza di cifre>, <cifra>, <cifrada zero>}

e l’assioma <numero intero>. Le regole grammaticali sono:

<cifrada zero> ::= 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9.

<cifra> ::= 0 | <cifrada zero>
<sequenza di cifre> ::= <cifra> | <cifra> <sequenza di cifre>
<numero positivo> ::= 0 | + <cifrada zero> |
+ <cifrada zero> <sequenza di cifre>
<numero negativo> ::= - <cifrada zero> | - <cifrada zero><sequenza di cifre>
<numero intero> ::= <numero positivo> | <numero negativo>

Ad esempio, verifichiamo che +385 è una stringa del linguaggio L, illustrando la

sequenza di derivazioni a partire dall’assioma:

<numero intero>  <numero positivo>

 + <cifrada zero> <sequenza di cifre>
 + 3 <sequenza di cifre>
 + 3 <cifra> <sequenza di cifre>
 + 3 <cifrada zero> <sequenza di cifre>
 + 3 8 <sequenza di cifre>
 + 3 8 <cifra>
 + 3 8 <cifrada zero>
+385 ■

Il procedimento con il quale determiniamo se una stringa deriva dall’assioma si

chiama analisi grammaticale o analisi sintattica.

93
6.5 Extended BNF

La Extended BNF (EBNF) migliora la leggibilità e la concisione della BNF

introducendo dei nuovi simboli.
La croce di Kleene + rappresenta una sequenza di uno o più elementi del simbolo
non terminale o terminale.

ESEMPIO. Nell’esempio precedente la regola grammaticale che definisce una

<sequenza di cifre> può essere sostituita dalla seguente:

<sequenza di cifre> ::= <cifra>+

■

La Stella di Kleene * rappresenta una sequenza di zero o più elementi del simbolo
non terminale o terminale.

ESEMPIO. Per il linguaggio L delle stringhe costituite da uno o più simboli a

possiamo definire la grammatica che lo genera con la seguente BNF:

<A> ::= a+
■

Le parentesi graffe possono essere usate per raggruppare elementi, che ci

permettono di evitare di definire simboli non terminali intermedi.

ESEMPIO. Ritornando all’esempio dei numeri interi, la regola grammaticale che

definisce <numero intero> può essere riscritta nel seguente modo:

<numero intero> ::= 0 | { + | - } <cifrada zero> |

{ + | - } <cifrada zero> <sequenza di cifre>
■

Nota: Molti autori usano le parentesi graffe con il significato di zero o più
ripetizioni degli elementi racchiusi; in altre parole si assume lo stesso significato
della stella di Kleene.

Le parentesi quadre possono essere usate per indicare elementi opzionali e, quindi,
zero o una occorrenza degli elementi racchiusi.

94
ESEMPIO. Per il linguaggio L costituito da tutte le stringhe di uno o più simboli b
precedute eventualmente dal simbolo a possiamo definire la seguente grammatica
che lo genera in EBNF:
<S> ::= [a] b+
■

La croce e la stella di Kleene non si usano con le parentesi quadre.

Le alternative possono essere impilate, ovvero messe una sull’altra, anziché essere
separate utilizzando la barretta verticale, per aumentare la leggibilità della sintassi.

ESEMPIO. Di seguito ridefiniamo la grammatica dei numeri interi in EBNF:

<cifrada zero> ::= 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9.

<cifra> ::= 0 | <cifrada zero>
⎧ ⎧
<numero intero> ::= 0 | ⎨ <cifrada zero> | ⎨ <cifrada zero><cifra>+
⎩ ⎩
■

95
6.6 I Diagrammi Sintattici

I diagrammi sintattici (o anche carte sintattiche) sono stati usati per la prima volta
nel “Pascal User Manual and Report” di Jensen e Wirth. Essi costituiscono un
efficace strumento grafico per rappresentare le regole di produzione di una
grammatica, dove
o i rettangoli stanno ad indicare i simboli non terminali;
o gli ovali stanno ad indicare i simboli terminali.
Queste figurine sono collegate tra loro utilizzando delle frecce che indicano
l’ordine con cui compaiono questi simboli nella regola grammaticale. Inoltre, il
simbolo non terminale che compare nella parte sinistra di una regola di produzione
é scritto così com’é, e da esso parte la prima freccia.
Per chiarire il concetto, mostriamo qui di seguito come rappresentare
l’esempio precedente costituito dalla grammatica dei numeri interi:

numero intero 0

+ cifrada zero

cifra
-

cifra 0

cifrada zero

96
cifrada zero 1

97
6.7 Linguaggi di Programmazione

La seguente definizione formalizza il concetto di linguaggio di programmazione,

caratterizzandone solo l’aspetto sintattico.

Per definire formalmente un linguaggio di programmazione L occorre fornire una

grammatica G tale che L = LG, ovvero una grammatica che generi L.

Una frase di questo linguaggio è chiamata programma.

ESEMPIO. Data una grammatica per il linguaggio di programmazione C, posso

costruire tutti i programmi sintatticamente corretti attraverso una serie di
derivazioni ottenute, a partire dall’assioma, applicando le regole di produzione
della grammatica. ■

98
6.8 Alberi sintattici

In precedenza abbiamo visto come le derivazioni possono essere rappresentate in

forma lineare, ovvero attraverso una sequenza di derivazioni dirette. Per rendere
tale rappresentazione più chiara, conviene indicare su ogni freccia che rappresenta
una derivazione:

la regola di produzione che è stata applicata, ad esempio:
3

Esiste, però, un modo più efficace per rappresentare la catena di derivazioni,
chiamato albero sintattico.

In informatica, gli alberi sono tradizionalmente rappresentati in modo invertito

rispetto a come accade in natura: la radice è posta in alto, mentre le foglie sono
poste in basso.

Nella figura a lato è

rappresentato un albero: la
radice è evidenziata con il
colore grigio, le foglie con il
colore nero, mentre gli
elementi intermedi, detti
nodi intermedi, sono in
bianco.

Le linee che collegano i vari

nodi intermedi, la radice e le
foglie si chiamano rami (o
archi).

La radice, i nodi intermedi e

le foglie costituiscono i nodi
(o vertici) dell’albero.
Quindi, l’albero raffigurato
ha 7 nodi.

99
Quando assegniamo un nome ad un componente
dell’albero (ovvero ad un nodo, o ad un ramo), a b
diciamo che lo etichettiamo (è come se ponessimo al
componente un’etichetta con il nome).

Nell’esempio a lato, gli archi sono etichettati con le e

c
lettere minuscole a, b, c, d, e, f.

d f

Nella figura seguente utilizziamo un albero per

rappresentare graficamente una classificazione di tipo
botanico. Si noti che, in questo esempio, tutti i nodi
sono etichettati, ma i rami non lo sono.

REGNO VEGETALE
Fanerogam
Crittogame
e
Gimnosperme
Tallofite Archegoniate Angiosperme
e
Cianoficee Briofite Cicadali Dicotiledoni

Monocotiled
Batteri Pteridofite Ginkgoali
oni

Alghe Coniferali

Mixomiceti Gnetali

Fig. n. 6.1 – CLASSIFICAZIONE DEL REGNO VEGETALE

100
Nella figura seguente utilizziamo un albero per rappresentare graficamente la
dinastia dei re Merovingi. In tal caso parliamo di albero genealogico. Si noti che,
in questo esempio, tutti i nodi sono etichettati, ma i rami non lo sono.

Meroveo
Re dei Franchi
Dal 448 al 458

Childerico I
Re dei Franchi

Clodoveo I
Re dei Franchi

Thierry I Clodomiro Childeberto Clotilde Clotario I

Re d’Austrasia Re d’Orlean Re di Parigi Re dei Franchi

Sigisberto Chilperico altri 4 figli

Re d’Austrasia Re di Soissons

Clotario II
Re dei Franchi

Dagoberto I
Re dei Franchi

Sigisberto III Clodoveo II

Re d’Austrasia

Dagoberto II Childerico III

Re d’Austrasia Deposto nel 751 da
Assassinato per ordine di Pipino il Breve
Pipino il Grosso nel 679

Fig. n. 6.2 - LA DINASTIA DEI RE MEROVINGI

Gli alberi sono stati tradizionalmente utilizzati per rappresentare strutture

gerarchiche, quale ad esempio l’organigramma di un’istituzione, che potrebbe
essere l’Università degli Studi del Molise. In questo caso la radice rappresenta il
Magnifico Rettore.

101
L’albero sintattico è un particolare albero che ha le seguenti caratteristiche:
 la radice è etichettata con l’assioma;
 i nodi sono etichettati dai simboli non terminali;
 le foglie sono etichettate da simboli terminali;
 i figli di ciascun nodo sono ottenuti applicando al padre una regola
grammaticale.

Quindi, l’albero sintattico della stringa +385 dell’esempio sui numeri interi può
essere così rappresentato.

<numero intero>

<numero positivo>

+ <cifrada zero> <sequenza di cifre>

3 <cifra> <sequenza di cifre>

<cifrada zero> <cifra>

8 <cifrada zero>

102
103
7

La Macchina di Turing

In questo capitolo sarà esaminato il modello di calcolo denominato Macchina di

Turing (MdT). Tale modello di calcolo è stato introdotto nel 1937 da Alan Turing
(1912 - 1954), uno dei matematici più eclettici di questo secolo (a tal proposito, si
veda l’appendice A, contenente un sunto della sua biografia). Il merito di Turing
consiste essenzialmente nel fatto di aver descritto un calcolatore moderno prima
che la tecnologia avesse raggiunto il punto in cui la sua costruzione fosse una
proposta realistica.
Ricordiamo, inoltre, che durante la seconda guerra mondiale si è occupato
anche della decifrazione del codice Enigma usato dai tedeschi e che
successivamente durante la guerra fredda ha continuato a lavorare nell’ambiente
militare.

La MdT è importantissima per l’informatica, poiché:

 costituisce un modello di calcolo assolutamente generale (tesi di Church-
Turing): in altre parole, essa è in grado di risolvere qualsiasi problema
algoritmicamente risolubile. Potremmo dire, in modo più accattivante, che
essa è in grado di simulare ogni altro linguaggio di programmazione ed
ogni altro modello di calcolo;
 ci permette di definire esattamente la nozione di algoritmo;
 ci permette di definire in modo semplice ed inequivocabile la nozione di
risorse utilizzate da un algoritmo (spazio e tempo);
 ci permette di riconoscere, almeno parzialmente, i linguaggi di tipo 0.

Grazie all’esistenza di un modello di calcolo assolutamente generale, quale la MdT,

la nozione d’irrisolubilità algoritmica introdotta precedentemente assume quindi un
significato ben preciso.

Al fine di agevolare la comprensione dell'argomento, in questo capitolo saranno

presentate alcune MdT molto semplici.

104
7.1 Definizione di Macchina di Turing

Una Macchina di Turing consiste di:

 un nastro infinito, suddiviso in celle. Ogni cella può contenere un solo
simbolo, tratto da un insieme finito S detto alfabeto esterno;
 una testina capace di leggere un simbolo da una cella, scrivere un simbolo
in una cella, e muoversi di una posizione sul nastro, in entrambe le
direzioni;
 un insieme finito Q di stati, tali che la macchina si trovi esattamente in
uno di essi in ciascun istante;
 un programma, che specifica esattamente cosa fare per risolvere un
problema specifico.

Programma Testina di lettura

scrittura

Nastro infinito da entrambi i lati

Fig. n. 7.1 – LO SCHEMA DELLA MACCHINA DI TURING

7.1.1 L'alfabeto esterno della MdT

L'alfabeto esterno S = {s1, ... , sk} è utilizzato per codificare l'informazione in input
e quella che la MdT produce nel corso della computazione.

Assumiamo che S contenga sempre un simbolo speciale detto lettera vuota o blank,
indicato con b. Diciamo che una cella è vuota se contiene b. Scrivendo la lettera
vuota b in una cella viene cancellato il contenuto di quella cella.

105
7.1.2 Gli stati della MdT

I possibili stati di una macchina di Turing sono denotati q1, q2, ..., qn, q0, qf1 , qf2 , qfm
 Gli stati q1, .... qn sono detti stati ordinari.
 Lo stato q0 è detto stato iniziale.
 Gli stati qf1 , qf2 ,…, qfm sono detti stati finali.

7.1.3 Configurazione iniziale della MdT

La macchina di Turing si trova inizialmente nello stato qo.

L'informazione da elaborare è contenuta in celle contigue del nastro, ed è codificata

utilizzando i simboli dell'alfabeto esterno S.

Tutte le altre celle del nastro contengono inizialmente la lettera vuota.

La testina di lettura/scrittura è posizionata in corrispondenza del primo simbolo

valido (quello che si trova più a sinistra).

La testina è allineata a
sinistra

Stato iniziale: q0

Programma

b 1 0 + 2 3 b

La stringa da elaborare si trova in celle contigue,

ed è circondata da celle vuote

106
Fig. n. 7.2 – LA CONFIGURAZIONE INIZIALE DELLA MDT

7.1.4 Il Programma della MdT

Se indichiamo con q lo stato in cui la MdT si trova ad un certo istante, e con s il
simbolo che si trova sul nastro in corrispondenza della testina, il programma dovrà
specificare, per ogni possibile coppia (q, s):
 in quale nuovo stato la MdT dovrà portarsi;
 il simbolo da scrivere sul nastro nella posizione corrente;
 se la testina di lettura debba rimanere ferma, spostarsi di una
posizione a sinistra, o spostarsi di una posizione a destra.

Ogni qualvolta consideriamo il carattere presente sotto la testina e lo stato in cui ci

troviamo, ed effettuiamo le azioni corrispondenti, parliamo di una transizione (o
passo).

Nota bene. In seguito ad una transizione:

 la testina potrebbe rimanere ferma;
 lo stato potrebbe rimanere inalterato;
 il carattere scritto potrebbe essere lo stesso presente sotto la testina.

Molto spesso si confonde la transizione (o passo) con il movimento della testina:

non commettete questo errore!

7.1.5 Il Programma come Funzione

Sia T l’insieme {ferma, sinistra, destra}. Possiamo vedere il programma eseguito

da una MdT come una funzione

f: Q x S → Q x S xT

È possibile specificare un programma utilizzando una matrice, detta matrice

funzionale o matrice di transizione, le cui righe sono indicizzate utilizzando
l'alfabeto esterno, e le cui colonne sono indicizzate utilizzando l'insieme degli stati.

Il generico elemento della matrice di indice (q, s) conterrà f(q, s).

107
ESEMPIO.

qo q1 qf
1 (q1,1, DESTRA) (q0, 1, DESTRA)
b (qf, P, FERMO) (qf, D, FERMO)
P
D

Riferendoci alla matrice funzionale qui raffigurata, f(q o b) sarà uguale

a (qf, P, FERMO).
Le cellette lasciate vuote stanno ad indicare delle combinazioni (q, s), ovvero delle
combinazioni (stato, carattere) che non si non possono mai verificare. ■

7.1.6 Terminazione della computazione

La computazione termina in uno dei seguenti casi:

 quando la MdT raggiunge uno stato finale: diremo in questo caso che la
MdT si è portata in una configurazione finale;
 quando la MdT si porta in una configurazione in cui nessuna mossa è
definita: diremo in questo caso che la MdT si è portata in una
configurazione di alt.

Per semplificare la trattazione, possiamo sempre assumere che quando la MdT si

trova in uno stato finale nessuna mossa sia definita, e pertanto la MdT giungerà in
entrambi i casi ad una configurazione di alt.

Qual è allora la differenza tra le due condizioni di terminazione? Se la MdT

giunge ad uno stato finale, questo sta ad indicare che essa ha risolto il problema da
noi posto, e sul nastro avremo (da qualche parte) la soluzione del problema.

Per semplificare la trattazione, in tutti gli esempi presentati in questa lezione

supporremo:
 di avere un solo stato finale, denotato qf
 che la MdT sia in grado di risolvere sempre il problema da noi posto.

Nota bene. Non è detto che la computazione necessariamente termini, ovvero che
la macchina si arresti, prima o poi. Può accadere infatti che la MdT entri in un ciclo
infinito, ed in questo caso la computazione non terminerà mai.

108
Definizione. Diciamo che una MdT converge se essa si arresta (prima o poi),
diverge in caso contrario. ■

7.1.7 Tempo di esecuzione

Definiamo il tempo di esecuzione come il numero di transizioni (o passi) effettuate,

ovvero il numero di volte in cui dobbiamo andare a controllare sulla tabellina (la
matrice funzionale) cosa fare.

Nota bene. Il tempo di esecuzione non ha niente a che fare con il numero di
spostamenti che effettua la testina di lettura scrittura, che rappresenta un parametro
assolutamente irrilevante!

7.1.8 Occupazione istantanea di memoria

Durante l’esecuzione di un programma, la MdT utilizzerà un certo numero di

cellette del nastro. L’occupazione di memoria ad un certo istante è definita come il
numero di cellette compreso tra la prima cella non vuota e l’ultima cella non vuota,
incluse.

Nota bene. In base alla definizione appena data, nell’esempio raffigurato qui sotto,
l’occupazione di memoria è di 6 celle, e non di 4, anche se vi sono 2 celle vuote
comprese tra la prima e l’ultima non vuote!

Programma
Cellette vuote

b a v b b 1 1 b

Prima celletta non vuota Ultima celletta non vuota

Fig. n. 7.3 - CONFIGURAZIONE DELLA MDT AD UN CERTO ISTANTE

109
Si noti che lo spazio utilizzato durante l’esecuzione di un programma può variare
da una configurazione all’altra, a causa delle operazioni di scrittura.
Definiamo quindi lo spazio di memoria utilizzato durante l’esecuzione di un
certo programma (che termina, chiaramente) come la più grande tra le occupazioni
istantanee di memoria.

110
7.2 Ipotesi fondamentale della Teoria degli Algoritmi

TESI DI CHURCH-TURING. Qualunque algoritmo può essere espresso sotto forma di

matrice funzionale ed essere eseguito dalla corrispondente Macchina di Turing. ■

La Tesi di Church-Turing in effetti è una congettura, ovvero non esiste una

dimostrazione formale di tale asserzione, pur essendo universalmente accettata.

Ricordiamo a tale proposito che una tesi è un’asserzione che si può dimostrare
formalmente, a partire da alcuni assiomi ed utilizzando delle regole di
ragionamento logico-deduttivo dette regole di inferenza. Ad esempio, utilizzando
gli assiomi dell’algebra ed alcune semplici regolette, possiamo dimostrare che il
quadrato di un qualsiasi numero intero è positivo.

La Tesi di Church-Turing ci dice semplicemente che la MdT è il modello di

calcolo più generale che conosciamo, ovvero può essere utilizzato per risolvere
qualsiasi problema risolubile algoritmicamente.

In alternativa, possiamo dire che la MdT è in grado di emulare (ovvero, imitare)

qualsiasi altro modello di calcolo. In particolare un linguaggio di programmazione
(ad esempio, il C o il Pascal), è un modello di calcolo. Quindi, una MdT è in grado
di emulare qualsiasi linguaggio di programmazione, ovvero comportarsi come si
comporterebbe l’interprete di un qualsiasi linguaggio di programmazione, se
opportunamente programmata (per programmazione di una MdT si intende la
specifica della corrispondente matrice funzionale).

111
7.3 Irrisolubità

Alla luce della Tesi di Church-Turing, possiamo riformulare la nozione di

irrisolubilità data in precedenza come segue:

Un problema è non risolubile algoritmicamente se nessuna

Macchina di Turing è in grado di fornire la soluzione al problema in
tempo finito.

Abbiamo visto in precedenza che esistono problemi irrisolubili algoritmicamente, e

che la logica matematica si occupa (tra l'altro) dei limiti della computabilità, ovvero
dello studio e della classificazione di tali problemi.

112
7.4 Esempi di MdT

7.4.1 Una MdT per il Controllo di Parità

Definiamo una MdT in grado di determinare se una stringa assegnata di 1 contenga

un numero pari o dispari di 1. La MdT dovrà scrivere al termine della stringa
assegnata il simbolo D o il simbolo P, dove D sta per dispari e P sta per pari. Ad
esempio, data la configurazione iniziale:

al termine della computazione il nastro dovrà contenere:

Qui di seguito é descritta una MdT adatta al nostro scopo:

S = {1, b, P, D }, Q = {qo, q1, qf}

e la matrice di transizione della MdT è di seguito mostrata:

qo q1 q
f
1 (q1,1, (q0, 1,
DESTRA) DESTRA)
b (qf, P, FERMO) (qf, D, FERMO)
P
D

Riportiamo la traccia dell'esecuzione a partire dalla configurazione iniziale:

b b 1 1 1 b b b b

113
Primo passo:

Dopo aver applicato la

funzione abbiamo:

b b 1 1 1 b b b b

Secondo passo:

Dopo aver applicato la funzione

abbiamo:

Terzo passo:

Dopo aver applicato la funzione

abbiamo:

114
Quarto passo:

Dopo aver applicato la funzione

abbiamo:

7.4.2 Una MdT per addizionare due numeri espressi in notazione unaria

Rappresentiamo in unario un numero n come una sequenza di n simboli identici.

Ad esempio, il numero 7 è rappresentato come segue:

Rappresentiamo l'addizione dei numeri 3 e 4 espressi in notazione unaria come

segue:

Voglio ottenere la seguente configurazione sul nastro:

Qui di seguito é descritta una Macchina di Turing adatta al nostro scopo.

L’alfabeto esterno e l’insieme degli stati sono rispettivamente:

S = {1, b, +} Q = {q0, q1, q2, qf}.

La funzione di transizione può essere descritta come segue in forma matriciale:

115
 qo q1 q2 qf
1 (qo, 1, DESTRA) (q1, 1, DESTRA) (qf, b, FERMO)
+ (q1, 1, DESTRA)
b (q2, b, SINISTRA)

7.4.3 Una MdT per il Riconoscimento delle Stringhe Palindrome

Definiamo una MdT in grado di verificare se una stringa sia palindroma: una
stringa si dice palindroma se la sequenza di caratteri da cui è composta è la stessa
sia se la si legge da sinistra verso destra che da destra verso sinistra. La MdT dovrà
scrivere al termine della stringa assegnata il simbolo S se la stringa è palindroma o
il simbolo N altrimenti. Ad esempio, data la configurazione iniziale:

b a c c a b

al termine della computazione il nastro dovrà contenere:

b b b S b b

Qui di seguito é descritta una MdT adatta al nostro scopo:

S = { a , c , b , S , N }, Q = { q0 , q1 , q2 , q3 , q4 , q5 , qf }

e la matrice di transizione della MdT è di seguito mostrata:

a c b S N
q0 (q1, b,DESTRA) (q2, b, DESTRA) (qf, S, FERMO)
q1 (q1, a, DESTRA) (q1, c, DESTRA) (q1, b, SINISTRA)
q2 (q2, a, DESTRA) (q2, c, DESTRA) (q1, b, SINISTRA)
q3 (q5, b, SINISTRA) (qf, N, FERMO) (qf, S, FERMO)
q4 (qf, N, FERMO) (q5, b, SINISTRA) (qf, S, FERMO)
q5 (q5, a, SINISTRA) (q5, c, SINISTRA) (q0, b, DESTRA)
qf

Diamo una breve descrizione degli stati della MdT. Nello stato iniziale q0 la MdT
legge il primo carattere della stringa di input, a oppure c, e da qui si porta nello
stato q1 se il primo carattere letto é a, q2 se il primo carattere letto é c. Gli stati q1 e
q2 occorrono per scorrere tutta la stringa, ed arrestarsi non appena si incontri il
carattere blank. Giunti in corrispondenza del primo blank, la MdT si porta nello

116
stato q3 se si trova nello stato q1, oppure nello stato q4 se si trova nello stato q2, e
quindi la testina viene fatta spostare di una posizione a sinistra. A questo punto
l’ultimo carattere presente viene confrontato con il primo letto, e, se i due sono
uguali, esso viene cancellato, e la MdT si porta nello stato q 5 (stato di
riavvolgimento), per portare la testina in corrispondenza del primo carattere a
sinistra non blank presente sul nastro. Giunti qui, si provvede a confrontare
nuovamente il primo carattere e l’ultimo, e così via… Si noti che a questo punto, se
non ci sono più caratteri da confrontare, la MdT si porta nello stato finale qf e
quindi scrive sul nastro il simbolo S per comunicare che la stringa data è
palindroma.
Riportiamo la traccia dell'esecuzione a partire dalla configurazione iniziale:

117
 q0 q1

b a c c a b b b c c a v

q1 q1

b b c c a b b b c c a b

q3
q1

b b c c a b b b c c a b

q5 q5

b b c c b b b b c c b b
q5 q0

b b c c b b b b c c b b

q2 q2

b b b c b b b b b c b b

118
 q4 q5

b b b c b b b b b b b b

q0 qf

b b b b b b b b b S b b

119
7.5 La Macchina Universale di Turing

Abbiamo visto che la MdT è il modello di calcolo più generale esistente. In altre
parole, essa può essere utilizzata per risolvere qualsiasi problema algoritmicamente
risolubile.

Abbiamo anche visto come sia possibile descrivere completamente una MdT
utilizzando una tabella, contenente tre elementi in ogni casellina, chiamata matrice
funzionale. Senza entrare nei dettagli (peraltro, abbastanza semplici) è possibile
codificare tale matrice sotto forma di una stringa β.

A questo punto possiamo costruire una MdT A che accetta in input la stringa β ed
una stringa x di simboli dell’alfabeto esterno di B e produce lo stesso risultato che
B produrrebbe con x in input: chiamiamo tale Macchina di Turing A una
Macchina di Turing Universale.

Macchina di
Turing β
B
Output che
B
Macchina di
produrrebbe
Turing
con x in
Universale
input

Stringa x

Fig. n. 7. 4–SCHEMA DELLA MDT UNIVERSALE

120
7.6 Il Problema dell’Alt

Come abbiamo visto in precedenza, una Macchina di Turing può arrestarsi

(convergere) se:
 si porta in uno stato finale, oppure
 si porta in una configurazione in cui nessuna mossa è definita
o, in alternativa, può entrare in un ciclo infinito (divergere), ovvero non arrestarsi
mai.

Il Problema dell’Alt è il seguente: è possibile costruire una Macchina di Turing A

che accetti in input:
 la descrizione β di una seconda Macchina di Turing B (vedi sezione
riguardante MdT Universale);
 una stringa x di simboli dell’alfabeto esterno di B

e restituisca:
 Converge, se B termina con x in input;
 Diverge, altrimenti.

Si dimostra che il Problema dell’Alt è irrisolubile, ovvero una siffatta Macchina di

Turing A non può esistere! La dimostrazione è omessa.

Macchina di β B
Turing si arresta
B con x in input

Macchina di
Turing
A
B
non si arresta
Stringa x con x in input

NON PUO’ ESISTERE!

121
7.6.1 Conseguenze del Teorema dell’Alt sull’attività di
programmazione

Poiché la MdT rappresenta il modello di calcolo più generale conosciuto, nessun

linguaggio di programmazione esistente o futuro potrà mai offrire una capacità di
calcolo superiore ad essa.

Quindi, il Teorema dell’Alt si può applicare tranquillamente ai linguaggi di

programmazione.

Il teorema asserisce che non è possibile costruire un programma A che:

 accetti in input:
o un altro programma B;
o una stringa x, che rappresenta (ovviamente) l’istanza di un certo
problema;
 sia in grado di determinare se il programma B termini o no sul particolare
input x.

Nota bene. Il Teorema dell’Alt non asserisce assolutamente che non è possibile
determinare se un certo programma B termini avendo in input una determinata
stringa x! Molto spesso possiamo garantire la terminazione di un particolare
programma (molto semplice) da noi costruito, per ogni istanza x dell’input.
Potremmo, in teoria, persino costruire un programma A che accetti in input un
programma B ed una stringa x e sia in grado di stabilire la terminazione del
programma B, con x in input, la maggior parte delle volte! Ciò che il teorema
realmente asserisce è che non è possibile costruire un tale strumento di verifica che
funzioni per qualsiasi B e qualsiasi x!

122
7.7 Il Test di Turing

Il Test di Turing è stato introdotto da A.M. Turing come “gioco dell’imitazione” nel
suo articolo “Computing Machinery and Intelligence”, apparso sulla rivista Mind
nel 1950 (Vol. 59, No. 236, pp. 433-460).

Questo storico articolo inizia così:

Desidero considerare il seguente problema “Può una

macchina pensare?”. A tal fine occorre definire innanzitutto
il significato dei termini “macchina” e “pensare”…

Al giorno d’oggi possiamo formulare il Test di Turing come segue: un umano,

detto l’interrogatore, è collegato attraverso un terminale ad un altro umano e ad
una macchina. Il suo obiettivo è di capire chi sia la macchina e chi l’umano,
semplicemente ponendo delle domande. Se la macchina riesce ad ingannare
l’interrogatore, la macchina è intelligente.

Il Test di Turing, com’era ovvio attendersi, ha scatenato negli ultimi 50 anni accese
discussioni nel campo dell’Intelligenza Artificiale, della filosofia e delle scienze
cognitive.

Ad oggi, nessuna macchina ha superato il Test di Turing.

interrogator
e

umano

macchina

123
ESERCIZI

1. Costruire una MdT capace di riconoscere se una stringa assegnata è

palindroma. Una stringa si dice palindroma se è uguale quando è letta da
sinistra verso destra o da destra verso sinistra. Ad esempio, la stringa
anna
e la stringa
madam I m adam
sono palindrome.

2. Costruire una MdT capace di riflettere (capovolgere) una stringa data in

input.

124
125
8

La Classificazione delle Grammatiche

secondo Chomsky

8.1 Premessa

Prima di procedere con la classificazione richiamiamo il concetto di automa

riconoscitore di un linguaggio.
Diciamo che una stringa z è accettata da un automa se, partendo dalla
configurazione iniziale ed avendo z sul nastro di ingresso, l’automa può eseguire
una sequenza finita di mosse che lo portano ad uno stato finale.

L’automa giunge
allo stato finale
Automa z appartiene al linguaggio
Riconoscitore

STRINGA z DA
ANALIZZARE

Il cane mangia l’osso L’automa si arresta– ma non

nello stato finale

oppure

L’automa non si arresta mai

z non appartiene al linguaggio

Possiamo allora definire un linguaggio L come l’insieme delle stringhe di simboli

terminali accettate da un automa. Questo approccio è chiamato riconoscitivo, in
contrasto all’approccio generativo che utilizza una grammatica per generare tutte
ed esclusivamente le frasi di un certo linguaggio L.

I due approcci, riconoscitivo e generativo, sono totalmente equivalenti. L’approccio

generativo è utilizzato ad esempio dal programmatore per scrivere programmi
sintatticamente corretti, mentre l’approccio riconoscitivo è utilizzato dal
compilatore (in particolare, dall’analizzatore sintattico presente all’interno del

126
compilatore, che non è altro che l’automa raffigurato qui sopra) per decidere se un
certo programma è sintatticamente corretto.

Ricordiamo che per descrivere una grammatica occorre fornire:

 l’insieme dei simboli terminali T;
 l’insieme dei simboli non terminali N;
 un insieme P di regole di riscrittura (o regole di produzione);
 l’assioma S.

Una regola di riscrittura si presenta come

v→w

dove v e w sono stringhe arbitrarie (anche nulle) di simboli terminali e non

terminali, ma v deve contenere almeno un simbolo non terminale.

Nel 1956, il linguista americano Noam Chomsky (1928-vivente) classificò le

grammatiche in quattro classi, denotate rispettivamente 0, 1, 2, 3. Ciascuna classe
comprende tutte le successive. Questa classificazione si riflette ovviamente sugli
automi corrispondenti, per cui parleremo di:
 automi di tipo 0, in grado di riconoscere linguaggi di tipo 0;
 automi di tipo 1, in grado di riconoscere linguaggi di tipo 1;
 automi di tipo 2, in grado di riconoscere linguaggi di tipo 2;
 automi di tipo 3, in grado di riconoscere linguaggi di tipo 3.

Quando diciamo che un automa è più potente (o più generale) di un altro,

intendiamo dire che esso è in grado di riconoscere una classe più vasta di linguaggi.
Ad esempio, un automa di tipo 1 è più potente di un automa di tipo 3, poiché esso è
in grado di riconoscere tutti i linguaggi di tipo 1, che comprendono quelli di tipo 3.

Attualmente Noam Chomsky è professore di Linguistica, Sintassi, Semantica e

Filosofia dei Linguaggi presso il MIT.

127
8.2 Grammatiche di tipo 0

In questo caso, sia v che w non sono soggette ad alcuna limitazione.

Le grammatiche di tipo 0 sono anche dette generali. I linguaggi generati da

grammatiche di tipo 0 si chiamano anche:
 semidecidibili;
 ricorsivamente enumerabili.

AUTOMA RICONOSCITORE CORRISPONDENTE

Si dimostra che un linguaggio è di tipo 0 se e solo se è accettato da una Macchina

di Turing provvista di memoria ausiliaria costituita da un nastro di lunghezza
illimitata.

Stato iniziale: q0

Programma

La testina é allineata a
sinistra

b b 1 0 0 1 1 b b b

Stringa da riconoscere in celle contigue, circondata da

blank. Nastro illimitato a sinistra e a destra.

Fig. n. 8.1 – CONFIGURAZIONE INIZIALE DELLA MDT

Diciamo che i linguaggi di tipo 0 sono semidecidibili, poiché l’automa

riconoscitore (ovvero, la Macchina di Turing a nastro illimitato):
 si arresta in uno stato finale se la stringa z appartiene al linguaggio;
 può arrestarsi in uno stato non finale, o non arrestarsi affatto, in caso
contrario.

128
8.3 Grammatiche di tipo 1

Le grammatiche di tipo 1 sono dette anche dipendenti dal contesto e le regole di

riscrittura hanno la forma:

yAz → ywz

dove A è un non terminale, y e z sono stringhe arbitrarie (anche nulle) di terminali e

non terminali, e per di più w deve contenere almeno un simbolo.

Le stringhe (di terminali e non terminali) y e z che circondano il non terminale A

prendono il nome di contesto: la regola yAz → ywz sta ad indicare che la
sostituzione di A con w può avvenire solo nel contesto specificato, da cui il nome di
grammatiche contestuali.

Nota bene. É ammessa la regola

S→ε

(dove ε rappresenta la stringa nulla) se e solo se S non compare nella parte destra di
alcuna regola di produzione.

I linguaggi generati da grammatiche di tipo 1 si chiamano anche:

 decidibili;
 ricorsivi.

UN'ALTRA CARATTERIZZAZIONE DEI LINGUAGGI DI TIPO 1

Poiché le regole di riscrittura hanno la forma:

yAz → ywz

dove A è un non terminale e w deve contenere almeno un simbolo, vediamo

immediatamente che in ogni regola di produzione, la lunghezza (ovvero, il numero
di simboli) della parte sinistra è minore o uguale della lunghezza della parte destra.

Si può anche dimostrare che se tutte le regole di riscrittura si presentano come:

v→w │v│ ≤│w │

ovvero:

129
  v e w sono stringhe arbitrarie (anche nulle) di simboli terminali e non
terminali;
 v contiene almeno un simbolo non terminale;
 la lunghezza di v è minore o uguale della lunghezza di w
allora il linguaggio generato è di tipo 1.

Quindi, otteniamo la seguente caratterizzazione alternativa dei linguaggi di tipo 1:

Definizione alternativa. Un linguaggio è di tipo 1 se può essere generato da una

grammatica in cui le regole di riscrittura si presentano come:

v→w │v│ ≤│w │

dove v e w sono stringhe arbitrarie (anche nulle) di simboli terminali e non

terminali, e v contiene almeno un simbolo non terminale. ■

AUTOMA RICONOSCITORE CORRISPONDENTE

Si dimostra che un linguaggio è di tipo 1 se e solo se è accettato da una Macchina

di Turing provvista di memoria ausiliaria costituita da un nastro di lunghezza pari
a quella della stringa da analizzare.

Stato iniziale: q0

Programma

La testina é allineata a sinistra

1 5 9 1 9 1 7 1

Stringa da riconoscere in celle contigue.

Nastro limitato a sinistra e a destra.

Diciamo che i linguaggi di tipo 1 sono decidibili, poiché in ogni caso l’automa
riconoscitore (ovvero, la Macchina di Turing a nastro limitato) si arresta sempre,
sia che la stringa z appartenga al linguaggio, sia che essa non vi appartenga.

130
 LA TERMINAZIONE É
Automa SEMPRE GARANTITA!
Riconoscitore
di tipo 1 L’automa si arresta
in uno stato finale
STRINGA z DA
ANALIZZARE
z appartiene al linguaggio
Il cane mangia
l’osso

L’automa si arresta
in uno stato non finale

z non appartiene al
linguaggio

131
8.4 Grammatiche di tipo 2
Le grammatiche di tipo 2 sono dette anche libere dal contesto e le regole di
riscrittura hanno la forma:

A→w

dove A è un non terminale, w è una stringa arbitraria (ma non nulla, ovvero w deve
contenere almeno un simbolo) di simboli terminali e non terminali.

I linguaggi generati da grammatiche di tipo 2 si chiamano anche non contestuali o

context free.

AUTOMA RICONOSCITORE CORRISPONDENTE

Di dimostra che un linguaggio è di tipo 2 se e solo se è accettato da un automa a

pila, dotato di memoria ausiliaria organizzata come una pila.

Nota bene. I linguaggi di programmazione appartengono ad un sottoinsieme dei

linguaggi di tipo 2, detto dei linguaggi non contestuali deterministici, ottenuti
imponendo ulteriori restrizioni sulle grammatiche di tipo 2. Pur non entrando nel
merito, desideriamo aggiungere che queste restrizioni sulle grammatiche dei
linguaggi di programmazione sono motivate dal desiderio che l’analisi sintattica dei
programmi sia efficiente (ovvero, non richieda troppo tempo).

132
8.5 Grammatiche di tipo 3

Le grammatiche di tipo 3 sono dette anche lineari destre e le regole di riscrittura

hanno la forma:

 A → bC
 A→d

dove
o A e C sono simboli non terminali;
o b è un simbolo terminale;
o d è un simbolo terminale, oppure la stringa nulla ε.

I linguaggi generati da grammatiche di tipo 3 si chiamano anche regolari.

AUTOMA RICONOSCITORE CORRISPONDENTE

Si dimostra che un linguaggio è di tipo 3 se e solo se è accettato da un automa a

stati finiti, ovvero sprovvisto di memoria ausiliaria.

ESEMPIO. Il seguente automa riconosce il linguaggio regolare generata dalla

grammatica avente come produzioni:

S→a
S → aB
B→b
B → bB

dove S è l’assioma

a
Q0 Q1

133
8.6 Teorema della Gerarchia

Si dimostra che:
 i linguaggi di tipo 3 sono contenuti in quelli di tipo 2;
 i linguaggi di tipo 2 sono contenuti in quelli di tipo 1;
 i linguaggi di tipo 1 sono contenuti in quelli di tipo 0.

Ovvero, graficamente:

Linguaggi di tipo 0

Linguaggi di tipo 1

Linguaggi di tipo 2 di tipo 3

Linguaggi

La dimostrazione è omessa.

134
135
9

Gli Automi a Stati Finiti

Gli automi a stati finiti costituiscono l’esempio più elementare di riconoscitori di

un linguaggio. Tali automi sono dispositivi non dotati di memoria, ovvero non
hanno la capacità di ricordare ciò che è successo in passato. A causa di questa
profonda limitazione, la loro capacità computazionale è molto bassa. Tuttavia essi
trovano applicazioni in innumerevoli contesti. Basti pensare, ad esempio, che:
 l’analizzatore lessicale di un linguaggio di programmazione (che,
ricordiamolo, ha il compito di riconoscere i token del linguaggio, ovvero
le costanti, le variabili, le parole chiave, ecc.) è generalmente un automa a
stati finiti;
 il sistema di controllo di piccoli elettrodomestici è basato su un automa a
stati finiti;
 il sistema di controllo dei moderno telefonini (cellulari) è basato anch’esso
su un automa a stati finiti.

136
9.1 Definizione di Automa a Stati Finiti

Un automa a stati finiti M consiste di:

 un nastro di ingresso finito, suddiviso in celle. Ogni cella può contenere un
solo simbolo, tratto da un insieme finito S detto alfabeto di ingresso;
 una testina capace di leggere un simbolo da una cella, e muoversi di una
posizione sul nastro di ingresso, da sinistra verso destra;
 un insieme finito Q di stati, tali che l’automa si trovi esattamente in uno di
essi in ciascun istante;
 un programma, che specifica esattamente cosa fare.

Stato corrente: q

Programma

1 5 9 1 9 1 7 1

Stringa x da riconoscere in celle contigue.

137
9.1.1 L'alfabeto di ingresso
L'alfabeto di ingresso S = {s1, ... , sk} è utilizzato esclusivamente per codificare
l'informazione in input.

ESEMPIO. Se il nostro automa dovrà riconoscere i token (ovvero, i vocaboli) di un

linguaggio di programmazione, costituiti da:

 parole chiave (o riservate), ad esempio if o while in C;

 variabili, ad esempio saldo o saldo_giornaliero in C;
 costanti, ad esempio ALIQUOTA in C;
 tipi di dato definiti dall’utente, ad esempio MioVettore in C;
 ecc.

allora, l’alfabeto di ingresso sarà costituito da tutti i caratteri alfabetici presenti

sulla tastiera (a, b, c, …), da tutti i caratteri numerici (0, 1, 2, …), e dai caratteri
di interpunzione (. , ; : …). ■

9.1.2 Gli stati dell’automa

I possibili stati di un automa a stati finiti sono denotati q1, q2, ...., qn, q0, qf1 , qf2 ,…,
qfm
 lo stato q0 è detto stato iniziale;
 gli stati q1, .... qn sono detti stati ordinari;
 gli stati qf1 , qf2 ,…, qfm sono detti stati finali.

Lo stato indica una particolare situazione (o condizione) in cui l’automa si trova.

Riferendoci a situazioni note, possiamo trovarci nello stato di allegria o tristezza,

ma non entrambe. Una barzelletta o un evento triste può modificare il nostro stato.

Oppure possiamo trovarci in uno ed uno solo dei possibili stati di sano, ammalato o
convalescente. In tal caso, degli eventi esterni (virus, cure del medico, ecc.)
causano il passaggio da uno stato ad un altro.

O ancora, possiamo trovarci in uno ed uno solo dei possibili stati di dormiente e
sveglio, ad un certo istante. Un evento esterno, ad esempio il suono della sveglia,
modifica il nostro stato nel caso in cui stiamo dormendo.

138
9.1.3 Il programma eseguito dall’automa

Se indichiamo con q lo stato in cui l’automa si trova ad un certo istante, con s il

simbolo che si trova sul nastro di ingresso in corrispondenza della testina di lettura,
il programma dovrà specificare, per ogni possibile coppia (q, s) in quale nuovo
stato l’automa dovrà portarsi.

9.1.4 Il programma come funzione

Possiamo vedere, quindi, il programma eseguito da un automa a stati finiti come

una funzione:

f: Q x S → Q

dal prodotto cartesiano dell’insieme Q degli stati per l’insieme S dell’alfabeto di

ingresso all’insieme Q degli stati. Quindi, se abbiamo m stati ed un alfabeto di n
simboli, dovremo considerare tutte le m x n possibili coppie.

139
9.2 Rappresentazione matriciale dell’automa

Possiamo rappresentare il nostro automa attraverso una tabellina (ovvero, una

matrice) di m righe e n colonne, in cui le righe indicano i possibili stati e le colonne
i possibili simboli dell’alfabeto.
Nella casellina contenuta in una particolare riga e colonna indicheremo lo
stato in cui l’automa dovrà portarsi in corrispondenza della particolare
combinazione stato-simbolo.

Tale tabella prende il nome di matrice di transizione.

ESEMPIO. Supponiamo che il nostro alfabeto sia costituito dai 3 simboli a, b e c, e di

avere, oltre allo stato iniziale q0, due stati ordinari q1 e q2 ed uno stato finale qf.

A b c
q0 q1 qf q0
q1 q0 q1 qf
q2 qf q0 q0
qf q2 qf q2

Se ci troviamo nello stato q2 ed incontriamo il simbolo b, la tabellina ci indica che

dovremo portarci nello stato q0. ■

140
9.3 Rappresentazione grafica dell’automa

Possiamo rappresentare il nostro automa attraverso un grafo orientato, costruito

come segue:

 il grafo è dotato di tanti vertici (ovvero, tanti cerchietti) quanti sono gli stati.
Ogni vertice è etichettato con il nome dello stato (ovvero, all’interno del
cerchietto scriviamo il nome dello stato che esso rappresenta);
 se dallo stato qi incontrando il simbolo s (dell’alfabeto di ingresso) andiamo
nello stato qj , allora avremo un arco (cioè una freccetta) che va dallo stato
qi allo stato qj etichettato con il simbolo s ;
 gli stati finali saranno rappresentati utilizzando due cerchietti concentrici;
 per distinguere lo stato iniziale dagli altri, utilizzeremo un arco che entra in
tale stato e non parte da alcun altro stato.

Tale grafo prende il nome di diagramma di transizione o diagramma degli stati

o grafo degli stati. Per l’automa rappresentato in forma matriciale nella pagina
precedente, avremo il diagramma seguente:

b
Q1
a
c
b
a c
Q0 c Q2

a
b c

Qf
b

141
9.4 Stati Pozzo

Può accadere che, giunti ad una configurazione costituita da un certo carattere s

presente sotto la testina e da certo uno stato q, possiamo già escludere dal
linguaggio la stringa x da riconoscere, ovvero asserire che la stringa x in input non
appartenga al linguaggio.

Per gestire tali situazioni, definiamo un (uno solo basta) nuovo stato ordinario qpozzo
in cui portarsi in questi casi; da tale stato pozzo nessuna transizione è possibile.

ESEMPIO.

q1
a
q2
q0 b
b

a b
a
b

qpozzo
qf
a

Nell’automa qui illustrato,

 ci si trova nello statonello stato
q0 e si pozzoin
incontra si carattere
va a finirea;in uno dei seguenti casi:
 ci si trova nello stato q2 e si incontra il carattere b;
 ci si trova nello stato qf e si incontra il carattere a.
■

142
L’introduzione dello stato pozzo può rendere la rappresentazione grafica
dell’automa molto ingarbugliata! Per ovviare a questo inconveniente, lo
stato pozzo si omette, e si omettono anche tutti gli archi (le freccette) che
portano ad esso ottenendo, ad esempio, dall’automa precedente il seguente
automa, costituito da un minor numero di stati:

q1 a

q2
q0 b
b

a b

qf

Fig. n. 9.1 - AUTOMA RIDOTTO

In tal caso, se da un certo stato non è presente la freccetta uscente etichettata con un
particolare carattere in ingresso (ad esempio dallo stato q2 non è presente
alcuna freccetta etichettata con b), diremo che il comportamento
dell’automa non è definito per quella particolare coppia stato-carattere.

143
9.5 Il programma come funzione parziale
Abbiamo visto che il programma eseguito da un automa a stati finiti può essere
considerato una funzione:

f: Q x S → Q

dal prodotto cartesiano dell’insieme Q degli stati per l’insieme S dell’alfabeto di

ingresso all’insieme Q degli stati. Se abbiamo m stati, ed un alfabeto composto da n
simboli, dobbiamo considerare tutte le m x n possibili coppie.

Tuttavia, come abbiamo visto nelle precedenti pagine, per semplificare la

progettazione dell’automa e rendere la sua rappresentazione grafica più chiara,
conviene omettere l’eventuale stato pozzo in esso presente. In tal caso, alle coppie
(q, s) che portano ad uno stato pozzo, non associamo assolutamente nulla.
Abbiamo ora un problema formale: in matematica, una funzione definita su
un insieme deve prevedere un valore per ogni elemento dell’insieme! Che senso ha
parlare di insieme di definizione di una funzione, se poi la funzione non è definita
in un certo punto?
Per risolvere questo problema, di natura formale, si introducono le funzioni
parziali:

Definizione. Una funzione parziale, definita su un insieme A, ed a valori in un

insieme B, è una regola di corrispondenza che:
 ad ogni elemento di un certo sottoinsieme di A associa un elemento di B (e
quindi è una funzione, nell’accezione classica del termine, definita su un
sottoinsieme di A);
 ai restanti elementi di A, la associa un particolare valore, che indichiamo con
il simbolo “non definito”. ■

Ci rendiamo conto immediatamente che la nozione di funzione parziale non è altro

che un trucchetto utile per semplificarci la vita. Se ci riferiamo alla
rappresentazione matriciale dell’automa ridotto, illustrato in precedenza, per
indicare che per una particolare coppia stato-simbolo non è definito il
comportamento, lasceremo in bianco la casellina corrispondente.

144
9.6 Configurazione dell’automa

Per configurazione dell’automa a stati finiti ad un certo istante si intende la coppia

(q, δ) così definita:

q è lo stato attuale in cui si trova l’automa,

δ rappresenta la porzione di stringa di ingresso che rimane da

esaminare (sul cui primo carattere si trova la testina di lettura).

Chiaramente una configurazione dell’automa non è altro che una fotografia che
scattiamo all’automa ad un certo istante.

Si noti che, essendo possibile sul nastro di ingresso la sola operazione di lettura,
anziché specificare la porzione δ di stringa di ingresso che rimane da esaminare, è
sufficiente indicare la posizione della testina all’interno del nastro.

145
9.6.1 Configurazione iniziale dell’automa

L’automa si trova inizialmente nello stato qo.

La stringa x da riconoscere è contenuta in celle contigue del nastro di ingresso, ed è

codificata utilizzando i simboli dell'alfabeto esterno S. Il nastro non contiene altre
celle.

La testina di lettura è posizionata in corrispondenza del simbolo che si trova più a

sinistra.

Stato iniziale: q0

Programma

1 5 9 1 9 1 7 1

Stringa x da riconoscere in celle contigue.

Fig. n. 9.2 – CONFIGURAZIONE INIZIALE DELL’AUTOMA.

146
9.6.2 Transizione dell’Automa a Stati Finiti

Per transizione (o passo) di un automa a stati finiti si intende la successione delle

seguenti due azioni:

considerando il carattere presente sotto la testina di lettura e lo stato in cui ci

l’automa si trova, l’automa si porta nello stato specificato dal programma;
la testina di lettura viene fatta avanzare a destra di una posizione.

Nota bene. In seguito ad una transizione lo stato potrebbe rimanere inalterato.

9.6.3 Terminazione della computazione

L’automa, partendo dalla configurazione iniziale, effettua una o più transizioni, fin
quando si verifica una delle seguenti condizioni:

 l’automa si porta in una configurazione in cui nessuna mossa è definita;

 non ci sono altri caratteri da leggere sul nastro di ingresso.

Si noti che, nel primo caso, ciò equivale al fatto che alla coppia (q, s) corrente,
costituita dallo stato attuale e dal carattere presente sotto la testina di lettura, non è
associato alcuno stato.

147
9.7 Riconoscimento di linguaggi
Diremo che una stringa x è accettata dall’automa a stati finiti se:

 partendo dalla configurazione iniziale, l’automa giunge dopo un certo

numero di mosse ad una configurazione finale, ed inoltre

 non ci sono altri caratteri da esaminare sul nastro di ingresso.

ESEMPIO DI AUTOMA A STATI FINITI.

Vogliamo riconoscere il linguaggio costituito da tutte le stringhe di a e di b, in cui
compaiono un numero pari di a ed un numero dispari di b. A tal fine occorrono
solo quattro stati, con il seguente significato associato:
 q0 indica che sono stati incontrati (letti) finora un numero pari di a ed un
numero pari di b;
 q3 indica che sono stati letti finora un numero dispari di a ed un numero pari
di b;
 q1 indica che sono stati letti finora un numero pari di a ed un numero dispari
di b;
 q2 indica che sono stati letti finora un numero dispari di a ed un numero
dispari di b

convenendo, ovviamente, che il numero 0 sia pari.

148
 q1
a b

b
a
q0 q2

a
b
b
a
q3

Si noti che, modificando lo stato finale, si riconosce un differente linguaggio. Ad

esempio, se l’unico stato finale è q2 il linguaggio riconosciuto è costituito dalle
stringhe aventi un numero dispari di a ed un numero dispari di b.
Se gli stati finali sono q2 e q3 allora il linguaggio è l’unione dei precedenti
due, ovvero è costituito dalle stringhe aventi un numero dispari di a ed un numero
dispari di b e dalle stringhe aventi un numero pari di a ed un numero dispari di b.
■

149
9.8 Linguaggi riconosciuti da un Automa a Stati Finiti

La classe dei linguaggi riconosciuti dagli automi a stati finiti coincide con la classe
dei linguaggi regolari, o di tipo 3.

ESEMPIO – COSTRUZIONE DI UN AUTOMA A PARTIRE DA UNA GRAMMATICA DI TIPO 3.

Costruire un automa a stati finiti in grado di riconoscere il linguaggio generato
dalla seguente grammatica:

S → bX
X → aX
X→a

Soluzione: a

q0 qf
b

9.9 Risultato fondamentale (senza dimostrazione)

Dato un automa a stati finiti è sempre possibile costruire una grammatica di tipo 3
che genera il linguaggio riconosciuto dall’automa.

E viceversa:

Data una grammatica di tipo 3 è sempre possibile costruire un automa a stati finiti
che riconosce il linguaggio generato dalla grammatica.

150
151
10

Gli Automi a Pila Deterministici

ESEMPIO 1. Consideriamo il linguaggio costituito dalle stringhe β$βR, dove β è una

qualunque successione di simboli 0 e 1, $ indica un altro simbolo dell’alfabeto
terminale T, e βR indica la stringa β riflessa (cioè capovolta).

Frasi valide di questo linguaggio sono ad esempio:

$ 00011$11000 01$10 00$00 111$111

Tale linguaggio è generato dalla seguente grammatica:

S →$
S → 0S0
S → 1S1

che è chiaramente di tipo 2.

Per riconoscere se una stringa assegnata, composta da simboli dell’alfabeto

terminale T = {0, 1, $}, sia una frase di questo linguaggio, un automa a stati finiti
dovrebbe ricordare la sottostringa che precede il simbolo $, e verificare se la
sottostringa che segue il simbolo $ la riproduce specularmente.
Poiché il carattere $ può essere preceduto da una qualunque stringa di 0 e
di 1, sarebbe necessario un automa capace dì ricordare un numero illimitato di
situazioni diverse, corrispondenti alle infinite stringhe di 0 e di 1. Un automa a
stati finiti non può essere dunque utilizzato, perché esso è in grado di ricordare
solo un numero finito di situazioni diverse, tante quanti i suoi stati.
▄

152
ESEMPIO 2. Consideriamo il linguaggio formato dalle stringhe costituite da un certo
numero di a seguito dallo stesso numero di b.

Frasi valide di questo linguaggio sono, ad esempio:

ab aabb aaabbb aaaabbbb

Tale linguaggio è generato dalla seguente grammatica:

S → ab
S → aSb

che è chiaramente di tipo 2.

Per riconoscere se una stringa assegnata, composta da simboli dell’alfabeto

terminale T = {a, b}, sia una frase di questo linguaggio, un automa a stati finiti
(che non sa contare!) dovrebbe disporre di uno stato diverso per ogni possibile
numero di a che precede il primo carattere b.

Per riconoscere il linguaggio {ab} occorre un automa costituito da almeno tre

stati, ovvero:

a b
q0 q1 qf

153
Per riconoscere il linguaggio {ab, aabb} abbiamo bisogno di altri due stati:

a q1
a
q0 q2

b b

qf q3
b

Procedendo in questo modo (i matematici direbbero: “procedendo per induzione

matematica”), osserviamo che, per riconoscere il linguaggio costituito da al più n
caratteri a seguiti da n caratteri b, occorrono esattamente 2n+1 stati.

Un automa a stati finiti non può essere dunque utilizzato per rappresentare il
nostro linguaggio, perché il numero n di caratteri a (che precede gli n caratteri b)
può assumere un qualsiasi valore! ▄

Gli esempi appena fornito mostrano che un automa a stati finiti non è in grado di
riconoscere i linguaggi non contestuali. Per riconoscere tali linguaggi abbiamo
dunque bisogno di automi più potenti, i cosiddetti automi a pila, che costituiscono
l’argomento del presente capitolo.

La maggior potenza degli automi a pila é data dal fatto che essi, a differenza degli
automi a stati finiti, sono dotati di memoria, organizzata come una pila (si pensi ad
una pila di piatti).

154
10.1 Definizione di Automa a Pila Deterministico

Un automa a pila deterministico M consiste di:

 un nastro di ingresso finito, suddiviso in celle. Ogni cella può contenere
un solo simbolo, tratto da un insieme finito S detto alfabeto di ingresso;
 una testina capace di leggere un simbolo da una cella, e muoversi di una
posizione sul nastro di ingresso, da sinistra verso destra;
 un insieme finito Q di stati, tali che l’automa si trovi esattamente in uno di
essi in ciascun istante;
 una memoria ausiliaria, organizzata come una pila. Ogni celletta della
pila può contenere un solo simbolo, tratto da un insieme finito P, detto
alfabeto di pila;
 un programma, che specifica esattamente cosa fare per risolvere un
problema specifico.

Stato: q

Programma Cima della pila

A
A
Pila D
D

1 5 9 1 9 1 7 1

Stringa x da riconoscere in celle contigue.

155
10.1.1 L'alfabeto di ingresso

L'alfabeto di ingresso S = {s1, ... , sk} è utilizzato esclusivamente per codificare

l'informazione in input.

10.1.2 L'alfabeto di pila

L'alfabeto di pila P = {p1, ... , pj} è utilizzato per rappresentare i risultati intermedi
della computazione nella memoria, che ricordiamolo, é gestita come una pila.

Assumiamo che P contenga sempre un simbolo speciale, indicato con Z.

Inizialmente, la pila contiene il solo simbolo Z.

10.1.3 Gli stati dell’Automa a Pila

I possibili stati di un automa a pila sono denotati q1, q2, ...., qn, q0, qf1 , qf2 ,…, qfm
 Gli stati q1, .... qn sono detti stati ordinari.
 Lo stato q0 è detto stato iniziale.
 Gli stati qf1 , qf2 ,…, qfm sono detti stati finali.

10.1.4 Scrittura di una stringa sulla pila

La scrittura di una stringa di simboli (dell’alfabeto di pila) sulla pila è definita nel
modo seguente:
se la stringa è vuota, ovvero non contiene alcun carattere (indichiamo tale stringa
con il simbolo ε), allora il carattere presente sulla cima della pila viene
rimosso (e quindi la dimensione della pila decresce di una unità);
se la stringa non è vuota, allora:
il primo carattere della stringa da scrivere sostituisce il carattere in cima alla pila;
se sono presenti altri caratteri nella stringa da scrivere, essi vengono inseriti man
man nella pila, uno sull’altro.

ESEMPIO - SCRITTURA DI STRINGHE SULLA PILA. Indichiamo la scrittura di una stringa

x sulla pila con la notazione x → pila. I seguenti disegni mostrano il contenuto
della pila, rispettivamente prima e dopo l’operazione di scrittura specificata.

156
 D
F F
G ε → pila G
H H
I I

G A → pila A
H H
I I

F
S
GSF → pila G
G
H H
I I

157
10.1.5 Il programma dell’Automa a Pila

Se indichiamo con q lo stato in cui l’automa si trova ad un certo istante, con s il

simbolo che si trova sul nastro di ingresso in corrispondenza della testina di lettura,
e con p il simbolo presente sulla cima della pila, il programma dovrà specificare,
per ogni possibile terna (q, s, p):

 in quale nuovo stato l’automa dovrà portarsi;

 la stringa di simboli, appartenenti all’alfabeto di pila da scrivere sulla
pila.

In aggiunta, é possibile specificare il comportamento dell’automa quando ci si trovi

alla presenza di una particolare coppia (q, p), ovvero di una particolare
coppia (stato, carattere sulla cima della pila), senza leggere alcun
carattere presente sul nastro di ingresso. In altre parole, se l’automa si
trova in un certo stato ed al tempo stesso é presente un particolare
carattere sulla pila, possiamo immediatamente specificare il nuovo stato
in cui portarsi e la stringa da scrivere sulla pila, senza considerare il
carattere presente sotto la testina di lettura.

158
10.1.6 Il programma come funzione

Ricordiamo che P* indica la chiusura riflessiva e transitiva dell’insieme P, detta

anche chiusura di Kleene di P. Possiamo vedere il programma eseguito da un
automa a pila deterministico come una funzione:

f: Q x S x P → Q x P*

Ma, attenzione! Abbiamo detto che in alcune situazioni particolari é possibile

specificare il comportamento dell’automa senza leggere alcun carattere presente sul
nastro di ingresso; ciò equivale a non leggere niente, ovvero a leggere la stringa
vuota ε. Quindi, per essere più precisi, occorre dire che il programma eseguito da
un automa a pila deterministico é una funzione:

f: Q x ( S ε ) x P → Q x P*

dove, con S ε si intende l’unione insiemistica dell’alfabeto S e della stringa

vuota.

159
10.2 Configurazione dell’Automa a Pila
Per configurazione dell’automa a pila ad un certo istante si intende una terna (q, δ,
ζ) così definita:

q è lo stato attuale in cui si trova l’automa;

δ rappresenta la porzione di stringa di ingresso che rimane da esaminare (sul

cui primo carattere si trova la testina di lettura);

ζ rappresenta il contenuto della pila.

Chiaramente una configurazione dell’automa a pila non è altro che una fotografia
che scattiamo all’automa ad un certo istante.

10.2.1 Configurazione iniziale dell’Automa a Pila

L’automa a pila si trova inizialmente nello stato qo.

La stringa x da riconoscere è contenuta in celle contigue del nastro di ingresso, ed è

codificata utilizzando i simboli dell'alfabeto esterno S. Il nastro non contiene altre
celle.

La testina di lettura è posizionata in corrispondenza del simbolo che si trova più a

sinistra.

Stato iniziale: q0

Programma
Pila: Z

1 5 9 1 9 1 7 1

Stringa x da riconoscere in celle contigue.

160
10.2.2 Transizione dell’Automa a Pila

Per transizione (o passo) di un automa a pila, si intende la successione delle

seguenti due azioni:

considerando il carattere presente sotto la testina di lettura, lo stato in cui ci

l’automa si trova, ed il simbolo posto sulla cima della pila, sono effettuate
le azioni corrispondenti specificate nel programma;
la testina di lettura viene fatta avanzare a destra di una posizione,

Nota bene. In seguito ad una transizione:

 lo stato potrebbe rimanere inalterato;

 il carattere scritto sulla cima della pila potrebbe essere lo stesso presente,
nel qual caso la pila rimarrebbe inalterata;
 in ogni caso, la testina si sposta a destra di una posizione.

10.2.3 Terminazione della computazione

L’automa, partendo dalla configurazione iniziale, effettua una o più transizioni, fin
quando si verifica uno delle seguenti condizioni:
 l’automa raggiunge uno stato finale;
 l’automa si porta in una configurazione in cui nessuna mossa è definita.

161
10.3 Riconoscimento di linguaggi

Diremo che una stringa x è accettata dall’automa se, partendo dalla configurazione
iniziale, l’automa giunge dopo un certo numero di mosse in uno stato finale, e non
ci sono altri caratteri da esaminare sul nastro di ingresso.

Per semplificare la trattazione, in tutti gli esempi presentati in questa lezione

supporremo di avere un solo stato finale, denotato qf

Definizione alternativa. Alcuni autori utilizzano la seguente definizione

alternativa di accettazione:

Una stringa x è accettata dall’automa se, partendo dalla

configurazione iniziale, l’automa giunge dopo un certo numero di
mosse ad una configurazione in cui non ci sono altri caratteri da
esaminare sul nastro di ingresso, e la pila è vuota.

Tale definizione è, fortunatamente, del tutto equivalente alla prima: si dimostra

infatti che, i linguaggi riconosciuti da un automa a pila nella condizione di stato
finale coincidono con i linguaggi riconosciuti nella condizione di pila vuota.

Si noti che, nel caso in cui sia utilizzata la condizione di pila vuota per riconoscere
le frasi di un linguaggio, lo stato finale potrebbe non essere presente. Si studi a tal
riguardo l’esercizio svolto riportato in fondo al capitolo.

10.3.1 Tempo di esecuzione

Definiamo il tempo di esecuzione come il numero di transizioni effettuate, ovvero

il numero di volte in cui dobbiamo andare a controllare sulla tabellina (la matrice
funzionale) cosa fare.

É dunque ovvio che il tempo di esecuzione è pari al più alla lunghezza della stringa
da esaminare.

162
10.3.2 Occupazione istantanea di memoria

Durante l’esecuzione di un programma, l’automa a pila deterministico utilizzerà un

certo numero di cellette della pila. L’occupazione di memoria ad un certo istante è
definita come la dimensione corrente della pila.

ESEMPIO - L’AUTOMA A PILA DETERMINISTICO CHE RICONOSCE IL LINGUAGGIO Β$ΒR

 L’alfabeto esterno è costituito dai simboli 0, 1 e $.

 Le stringhe β sono costituite da 0 e da 1.
 L’alfabeto di pila è costituito dai simboli 0, 1 e Z.
 Lo stato iniziale è q0.
 L’unico stato ordinario è q1.
 Lo stato finale è qf.

La seguente tabellina descrive il programma che l’automa esegue:

Carattere Stato Carattere in Carattere in Carattere in

sulla pila ingresso: 0 ingresso: 1 ingresso: $
Z q0 Z0 → pila Z1 → pila Z → pila
Resta in q0 Resta in q0 Va in q1
Z q1 Va nello stato Va nello stato Va nello stato
finale qf senza finale qf senza finale qf senza
leggere alcun leggere alcun leggere alcun
carattere carattere carattere
0 q0 00 → pila 01 → pila 0 → pila
Resta in q0 Resta in q0 Va in q1
0 q1 ε→ pila non definito non definito
Resta in q0
1 q0 10 → pila 11 → pila 1 → pila
Resta in q0 Resta in q0 Va in q1
1 q1 non definito ε→ pila non definito
Resta in q1

163
Per verificare la comprensione dell’algoritmo, si consiglia di svolgere il seguente
esercizio prima di andare avanti.

ESERCIZIO.
Simulate il comportamento dell’automa precedente fornendo ad esso le seguenti
stringhe in input:

0$0
10$01
10$11
In che stato l’automa si arresta? Cosa resta sulla pila al termine
dell’esecuzione del programma? Commentare.
10$011
In che stato l’automa si arresta? Cosa resta sulla pila al termine
dell’esecuzione del programma? Commentare.
10$0
In che stato l’automa si arresta? Cosa resta sulla pila al termine
dell’esecuzione del programma? Commentare.

Notate che negli esempi c, d ed e quando l’esecuzione termina - senza riconoscere

la stringa - il contenuto della pila, lo stato dell’automa e la posizione della testina
possono essere utilizzati per comprendere perché la stringa assegnata non
appartenga al linguaggio.
Ciò è esattamente quanto avviene nei compilatori moderni quando essi
rilevano un errore sintattico: non solo essi ci avvertono del fatto, ma ci
suggeriscono persino la probabile causa (tipico esempio: dove dovrebbe trovarsi
una parentesi mancante!).

164
10.4 Linguaggi riconosciuti da un Automa a Pila
Deterministico

La classe dei linguaggi riconosciuti dagli automi a pila deterministici costituisce

una sottoclasse propria dei linguaggi non contestuali, chiamata classe dei linguaggi
non contestuali deterministici.

Linguaggi Linguaggi
non contestuali
non contestuali deterministici

Sono riconosciuti da automi adapila

Sono riconosciuti non deterministici
automi a pila
deterministici

Per poter riconoscere l’intera classe dei linguaggi non contestuali occorrono degli
automi più potenti di quelli descritti sinora, chiamati automi a pila non
deterministici, la cui trattazione esula dagli scopi introduttivi di questo corso.

165
ESEMPIO – UN AUTOMA PER IL LINGUAGGIO ββR
Consideriamo il linguaggio costituito dalle stringhe ββR, dove β è una qualunque
successione di simboli dell’alfabeto terminale T = {0, 1}, e βR indica la stringa β
riflessa (cioè capovolta).
Frasi valide di questo linguaggio sono ad esempio:

0001111000 0110 0000 111111

Tale linguaggio non può essere riconosciuto da alcun automa a pila deterministico.

Infatti, tornando all’esempio precedente costituito dal linguaggio β$βR,

intuitivamente potremmo dire che il carattere $ è utilizzato dall’automa a pila per
stabilire quando iniziare ad effettuare il confronto sulla seconda metà della stringa,
in altre parole per stabilire quando iniziare a svuotare la pila. Nel caso del
linguaggio ββR, l’automa a pila deterministico non sa quando iniziare ad effettuare
il confronto, ovvero quando iniziare a svuotare la pila, poiché il carattere che funge
da separatore è assente!

Il riconoscimento del linguaggio ββR è comunque possibile utilizzando un automa a

pila non deterministico. Infatti, tale linguaggio è generato dalla seguente
grammatica:

S → 00
S → 11
S → 0S0
S → 1S1

che è chiaramente di tipo 2.

166
ESERCIZIO SVOLTO.

Si vuole costruire un automa a pila in grado di riconoscere il linguaggio delle

parentesi ben disposte.

Immaginate di avere un’espressione aritmetica, composta da numeri, parentesi

tonde e dai quattro operatori aritmetici (i simboli +, -, /, x). Togliete da
essa tutti gli operatori e tutti gli operandi – ciò che resta è una sequenza di
parentesi tonde aperte e chiuse, ben disposte. Il linguaggio delle parentesi
ben disposte è costituito da tutte queste sequenze.

Ad esempio:

(())

(()())

()()(())

(((()())))

sono frasi valide di questo linguaggio.

Si noti che tale linguaggio è generato dalla seguente grammatica, di tipo 2:

S → ()
S → ()S
S → (S)

(verificate questa affermazione costruendo gli alberi di derivazione delle frasi

riportate sopra).

167
L’automa che ci accingiamo a costruire riconosce il linguaggio delle parentesi ben
disposte nella condizione di pila vuota. In altre parole, una frase è riconosciuta se
entrambe le condizioni che seguono sono soddisfatte:
 non ci sono altri caratteri da leggere sul nastro di ingresso;
 la pila non contiene alcun simbolo.

L’automa a pila è specificato qui di seguito:

 l’alfabeto esterno è costituito dai simboli ( e ) ;
 l’alfabeto di pila è costituito dai simboli £ e Z;
 lo stato iniziale è q0, che è anche l’unico stato ordinario;
 non ci sono stati finali;
 il comportamento dell’automa è descritto dalla tabellina che segue:

Carattere sulla Stato Carattere in Carattere in

pila ingresso: ( ingresso: )
Z q0 £ → pila non definito
Resta in q0
£ q0 £ £ → pila ε → pila
Resta in q0 Resta in q0

Simulate il funzionamento dell’automa utilizzando le frasi del linguaggio delle

parentesi ben disposte riportate precedentemente.

168
169
Appendice A
Breve biografia di Alan Turing

1912 Nasce a Paddington, nella contea di Londra, il 23 giugno.

1926-31 Studia presso la Sherborne School.
1930 La morte del suo amico Christopher Morcom lo getta in uno stato
di profonda depressione. Si fa strada in Turing l’idea che lo
spirito sopravviva al corpo.
1931-34 Frequenta l’università presso il King's College, a Cambridge.
1932-35 Si occupa di meccanica quantistica, probabilità e logica.
1935 É eletto “fellow of King's College”.
1936 Concepisce la Macchina di Turing e la macchina universale,
formalizza la nozione di computabilità.
1936-38 Consegue il Ph.D. in logica, algebra e teoria dei numeri presso la
Princeton University.
1938-39 Ritorna a Cambridge.
Viene a conoscenza della macchina di cifratura Enigma, utilizzata
dai tedeschi durante la guerra.
1939.40 Concepisce una macchina per decodificare il codice Enigma.
1939-42 La decodifica del codice Enigma permette di vincere la battaglia
dell’Atlantico.
1943-45 É nominato consulente capo del gruppo anglo-americano di
crittografia.
1945 Lavora presso il National Physical Laboratory, a Londra.
1946 I suoi studi nel campo dei sistemi hardware e software producono
risultati di rilevanza mondiale.
1947-48 Si occupa di programmazione, reti neurali ed intelligenza
artificiale.
1948 Lavora presso la Manchester University.
1949 Per la prima volta un computer viene utilizzato per risolvere
problemi matematici non banali.
1950 Concepisce il Test di Turing per definire la nozione di
intelligenza di una macchina.
1951 Si occupa di modelli non lineari per studiare la crescita di una
popolazione.
1952 É arrestato per omosessualità.
Perde il vaglio (del controspionaggio) di non rappresentare un
rischio per la sicurezza dello Stato.
1953-54 Scrive lavori (incompiuti) in biologia e fisica.
1954 Muore suicida ingerendo cianuro, a Wilmslow, nel Cheshire, il 7
giugno.

170
Appendice B
Il Premio Turing

Il riconoscimento più ambito nel campo dell’informatica è il Premio Turing,

conferito ogni anno dall’ACM (Association of Computing Machinery), in onore di
A.M. Turing, ad individui che si sono distinti per il loro contributo di natura tecnica
allo sviluppo dell’informatica.

Il contributo si richiede che sia duraturo nel tempo e di estrema rilevanza

scientifica.

Il riconoscimento è accompagnato da un premio di 100.000 dollari, offerti dalla

Intel Corporation.

I vincitori nel 2003 sono stati Ronald L. Rivest, Adi Shamir e Leonard M.
Adleman.

Negli anni passati i vincitori sono stati i seguenti:

171
1966 A.J. Perlis 1980 C. Antony R. Hoare 1991 Robin Milner
1967 Maurice V. Wilkes 1981 Edgar F. Codd 1992 Butler W. Lampson
1968 Richard Hamming 1982 Stephen A. Cook 1993 Juris Hartmanis
1969 Marvin Minsky 1993 Richard E. Stearns
1970 J.H. Wilkinson 1983 Ken Thompson 1994 Edward Feigenbaum
1971 John McCarthy Dennis M. Ritchie 1994 Raj Reddy
1972 E.W. Dijkstra 1984 Niklaus Wirth 1995 Manuel Blum
1973 Charles W. 1985 Richard M. Karp 1996 Amir Pnueli
Bachman 1986 John Hopcroft 1997 Douglas Engelbart
1974 Donald E. Knuth 1986 Robert Tarjan 1998 James Gray
1975 Allen Newell 1987 John Cocke 1999 Frederick P. Brooks,
1975 Herbert A. Simon 1988 Ivan Sutherland Jr.
1976 Michael O. Rabin 1989 William (Velvel)
1976 Dana S. Scott Kahan 2000 Andrew Chi-Chih
1977 John Backus 1990 Fernando J. Corbato' Yao
1978 Robert W. Floyd 2001 Ole-Johan Dahl
1979 Kenneth E. 2001 Kristen Nygaard
Iverson

172
Bibliografia

[1] [Link], [Link], [Link], Data structures and algorithms,

Addison-Wesley, 1983.

[2] [Link], [Link], [Link], The Design and Analysis of

Computer Algorithms, Addison-Wesley, 1974.

[3] [Link], Mind and Nature – A Necessary Unity, Bantam Books,

1980.

[4] [Link], Cibernetica per tutti, Feltrinelli, 1968-1974.

[5] [Link], [Link], [Link], Introduzione agli algoritmi,

Vol. 1, Jackson Libri, 1995.

[6] [Link], [Link], [Link], Introduzione agli algoritmi,

Vol. 2, Jackson Libri, 1995.

[7] [Link], [Link], Formal Languages and Their Relation to

Automata, Addison-Wesley, 1969.

[8] [Link], [Link], The C Programming Language,

[9] [Link], Fundamental Algorithms, vol. 1, The Art of Computer

Programming, Addison-Wesley, 1968. Second edition, 1973.

[10] [Link], Seminumerical Algorithms, vol. 2, The Art of Computer

Programming, Addison-Wesley, 1968. Second edition, 1973.

[11] [Link], A Mathematical Theory of Communication, Bell

System Technical Journal, 1948.

[12] [Link], Computing Machinery and Intelligence, vol. 59, n. 236,

Mind, 1950, pp. 433-460.

173