本文提出了一种在现有 ASP 求解器基础之上通过应用机器学习方法，通过识别 ASP 程序的一组易于计算的句法特征，并对这些实例上的性能表现进行归纳学习算法选择策略，从而能够比第三届 ASP 竞赛的任何求解器都更有效地解决实例。

Jun, 2013

本文提出了一种扩展的 ASP 系统结构，其中将输入程序的部分编译为特定的二进制，并可能不受基础步骤的限制。我们提出了相关的部分编译技术，并在一个著名的 ASP 求解器上实现了新方法。结果表明，基于编译的方法对于各种用例都有改进。

Jul, 2019

该研究的目标是扩展支持 ASP 程序验证的工具和理论，旨在促进知识表示和推理的发展，并解决人工智能中的可靠性和可解释性问题。

Aug, 2022

该研究提出了一种新的优化方法，基于树分解技术和启发式算法，可以将一个输入的逻辑程序转化为一个等价的程序以提高 ASP 系统的求解效率，并在实验中验证了其有效性。

Dec, 2018

该论文提出了一种新的 ASP 编码模式，通过利用实际问题的大规则来编码难题，尤其针对 NP 问题能提供更强的表达能力，并且提供基于规则分解技术的解决方案，初步的基准测试表明，放弃固定程序的简便方式可以显著提高速度。

Aug, 2016

提出了一种新的 ASP 程序调试方法，该方法基于非基础程序中所涉及的非基础规则，通过问答能够精确定位程序中的错误。这种调试器集成在 ASPIDE 中，使用 WASP 进行实现。

Aug, 2018

本篇论文研究了 ASP 的形式验证问题，通过使用基于 ASP 模块的形式化规范语言，将 ASP 模块与问题实例正确地相对应，从而证明了逻辑程序 P 的正确性，这种模块化的规范语言包含了可能嵌套的一阶程序模块，可以在不同层次上包含本地隐藏原子。

Aug, 2020

本文研究将 Answer Set Programming（ASP）与领域特定的启发式方法相结合，以有效地解决 Siemens 提出的 Partner Units Problem（PUP）和 Combined Configuration Problem（CCP），实验证明，我们的领域启发式 ASP 求解器可以找到 Siemens 所提供的所有 PUP 和 CCP 实例的解决方案。

Aug, 2016

本文介绍了关于 Answer Set Programming 的比赛，并讨论了设计和结果。

Apr, 2019

人工智能的可解释性越来越受到关注，本研究试图填补 Answer-set Programming 中的解释支持的空白，并通过扩展语言支持和开发新的解释形式（如对比解释）来推进可解释 ASP 的研究。

Aug, 2023