复杂组合问题对称性约束的高效规避
本篇研究在回答集规划(Answer Set Programming)背景下,探讨通过对称性破除来简化解决方案的过程,提出将不相干的逻辑程序转化为有色图的缩减方法,并通过图自同构构建置换对称性,然后通过引入对称性破除约束来破坏对称性。针对此目的,我们设计了一个包含图自同构系统的预处理器。实验证明该系统具有较高的计算效率。
Aug, 2010
本文提出了一种新的学习框架,“从有序答案集学习”,它允许在答案集编程(ASP)中学习弱约束条件,它是在归纳逻辑编程领域的一项贡献,我们提出了一种新的算法 ILASP2,它基于正常规则、选择规则、硬约束和弱约束等假设,能够有效地学习 ASP 程序,尤其是在学习 ASP 没有弱约束条件的程序时,相对于之前的方法能够更加高效。
Jul, 2015
这篇论文介绍了基于冲突驱动的归纳逻辑编程方法, 主要使用 Answer Set Programs(ASP)进行学习, 以提高可扩展性,并提出了可以处理噪声数据集的 ILASP3 和 ILASP4 系统。
Dec, 2020
该研究论文介绍了归纳逻辑程序设计的目标,提出了一种新的程序学习方法,能够更广泛地适用于偏爱学习,包括默认和异常情况的通识知识,并学习非确定性理论。同时,论文还总结了程序的演变历程,特别强调了可伸缩性。
May, 2020
本研究通过引入多任务学习、约束保持和课程学习等技术改进了 Popper ILP 系统,实验结果表明这些优化手段对于提高系统性能和推广基于逻辑程序的机器学习应用具有重要意义。
Aug, 2022
本研究提出了一种新的方法,将约束处理技术与 Answer Set Programming(ASP)相结合,可以解决 ASP 中的有趣约束满足问题,并显示如何将有限域上的约束分解成逻辑程序,以便使用单元传播实现弧、束或范围一致性,并且对编码进行的实验表明它们的计算影响。
Jul, 2010
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
本研究应用基于逻辑的 Benders 分解方法(LBBD)将其首次应用于解决 Answer Set Programming(ASP)中的优化问题,以提高 ASP 技术的实用性,并以医疗保健为案例研究,实验结果表明此方法的有效性。
May, 2023