本文就基于惰性子句生成算法的约束编程方法在解决经典顺序规划方面的可能性进行了探讨，提出了一种基于提升因果编码的约束规划模型，展示了惰性子句生成算法的潜力来扩展可行的规划推断方法，并通过实验证明了我们的方法在解决需要更少计划步数的规划问题方面的优越性。

Jul, 2023

本篇论文重点针对模型导向人工智能的方法及其应用中 SAT 和 ASP 这两个系统的输入形式进行分析，特别是通过将输入形式重新制定和配置，优化推理过程。经过广泛领域内数据的实验证明，使用这种方法可以获得不同的优势。

Mar, 2022

本文介绍了一种自主学习的方法，通过无标注的高维真实值机器人轨迹，自动学习抽象状态和动作的可推广的基于逻辑的关系表示，形成了自动发明的类似 PDDL 的领域模型。通过确定性设置的实证结果表明，仅凭少量机器人轨迹就可以学习到强大的抽象表示，所学的关系表示包括但超越了高级动作的经典直观概念，并且学习的模型使得规划算法能够扩展到以前超出手工构思抽象的任务范围。

Feb, 2024

本文采用范畴论的数学理论和图形语法对 PDDL 中的领域、问题和计划进行模型建模，通过将行动视为不同字面意义之间的映射，以描述动作之间的依赖性和选定的方案，并提供了一种图形语法和线性记法，以便推断计划的每一步所使用的替代方案。

Jul, 2021

本文通过基于 DL 本体的规划来解决开放世界状态约束，并提出了一种新的编译方案，即基于 DL 查询重写为具有分层否定的 Datalog 的标准 PDDL，以应对更具表现力的 DL，同时还证明了我们的方法可以优于以前的 DL 本体规划工作。

Mar, 2022

本文提出了基于范畴论概念的 C - 集合和双推出重写 (DPO) 的计划表示的一种替代方法，其可以有效处理支持所有层次域抽象的关于世界状态的结构化知识，提供了使用知识图谱和关系型数据库对世界状态和计划更新建模的形式语义，相较于经典规划表示，在处理隐含前提和效果上具有优越性，提供了一种更有结构的框架来建模和解决规划问题。

May, 2023

在本文中，我们提出了一个使用语言模型进行多步逻辑推理的新型系统，该系统将显式计划纳入其推理过程中，从而通过向前看到它们的未来效果，能够在每一步上做出更明智的推理决策。在我们的实验中，我们的完整系统明显优于其他竞争系统，在多项选择题回答任务中，我们的系统表现与 GPT-3-davinci 相当，尽管只有约 15B 的参数。我们进行了几项削减研究，以证明显式计划在系统性能中起着重要作用。

Mar, 2023

本文探讨了当无完整符号化模型可用时，如何使用 STRIPS 模型来改进基于机器学习的黑盒计划。我们的研究表明，这是一种提高黑盒计划效率的有效方式，超越了收集更多数据或调整机器学习架构。

Jul, 2022

本文基于概率约束编程模型，提出了一种基于对数线性概率模型的参数估计和查询概率约束编程模型中最可能的分析方法，并提供了适用于大数据空间的合适的近似方法。

Nov, 1997

本研究提出了一种新颖的用于关系表示学习的框架，该框架结合了传统的一阶逻辑和自动编码原理，使用逻辑程序而非神经网络进行原始表示和潜在表示之间的映射，将学习视为约束优化问题，得到的潜在表示在关系学习任务中表现优异，相较于深度学习方法，该框架更为准确、可解释性更强、更具灵活性。

Mar, 2019