xASP2 是一个增强型的解释性人工智能系统，用于生成 Answer Set Programming（ASP）的解释图。与 xASP 不同，xASP2 支持不同的 clingo 构造，如选择规则、约束和聚合函数如 #sum、#min。该研究提供了一个能够将假设集合尽可能缩小并通过有向无环图形式展示解释的 ASP 广泛片段的可解释人工智能系统。

Aug, 2023

本文分析了规则体中拥有凸广义原子的程序类，发现对于大部分语义，这个类中提出的许多语义是一致的。这是一个有趣的结果，因为最近已经表明，这个类是 FLP 语义的确切复杂性边界。

Dec, 2013

本文介绍了新的 Possibilistic ASP (PASP) 模型语义，其中规则被解释为对可能性分布的约束，并且在这些约束的特殊模型中识别为可能主义答案集。此外，我们还发现一种新形式的析取，称为弱析取，其计算复杂性比传统析取容易。

Nov, 2013

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

本文介绍了一种基于可能逻辑的新 ASP 模型，称为 Possibilistic answer set programming（PASP）。通过将对 PASP 程序中的规则的确定性附加到每个规则上，我们提出了一种更加合适的 PASP 语义，并且该框架可以轻松使用标准 ASP 求解器实现。

Mar, 2012

本研究探讨了基于自定义扩展求解器的几种策略，以避免实例化复杂约束条件，对真实和合成基准测试的结果进行了系统比较。

Jul, 2017

本文介绍了一种混合型 ASP 求解器 clingcon，它使用 Constraint Programming 中的非布尔约束和 Answer Set Programming 的高性能布尔求解能力，其主要技术创新是通过基于不可约不一致集的学习技术改进 ASP 和 CP 求解器之间的交互，实现全局约束和优化语句支持，广泛的实证评估表明这些技术提高了一个数量级的性能。

Oct, 2012

本文提出了用于扩展 ASP 的带限制的顶部 - 向下执行模型 s（CASP）, 它可以在执行期间保留逻辑变量，并在答案集中应用约束，与 ASP、CLP 和其他 CASP 系统相比具有更出色的表达能力和性能。

Apr, 2018

提出一种基于逻辑编程的建模范式，将 ASP 和 QBF 的最佳特性相结合，实现对高层次搜索问题的编码。

Aug, 2016

使用基于约束的谓词应答集编程的查询驱动自顶向下执行模型 s (CASP) 生成完整解释树，为 ASP 应答集提供最小化且易于转化为自然语言的解释，显著促进了 ASP 程序理解和操作的可行性。

Sep, 2020