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
该论文为对 ASP 的解释性研究做出了概述。主要关注 ASP 的不同解释方式及其异同,并探讨其在未来的成功应用中的重要性。
Sep, 2018
本文介绍了一种应答集编程的方法论,该方法可以促进易于理解且可以证明正确的编码方案的设计。通过向正在形成的程序追加一个规则或一小组规则,并在其中包含一条陈述已经 “实现” 的注释,使我们能够以数学上精确的方式描述程序设计的细节。
Aug, 2016
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
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
本研究提出了一种使用 Answer Set Programming 自动确定精细的、非均匀且有序的求解器调度方案的方法,并且可以定制化地生成并行调度方案。
Jan, 2014
该研究论文介绍了一种将 Answer Set Programming(ASP)的知识表示和推理能力整合到通用应用程序中的框架,并且展示了在不同平台的 ASP 系统中,特定化该框架的正确方法,包括移动平台和教育场景,并开发了几个基于 ASP 的应用程序。
Jul, 2017
本文介绍了关于 Answer Set Programming 的比赛,并讨论了设计和结果。
Apr, 2019
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
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。