本研究提出一种新的语法和语义，声明性地说明 ASP 中具有领域特定的启发式方法，这些启发式方法直接依赖于维护的部分分配，实现了懒惰打地基即 ASP 的第一个系统支持领域特定的声明性启发式，通过在两个实际示例领域上应用我们的方法，以及使用我们的方法来实现 A * 搜索，该搜索首次在 ASP 中处理，并用于进一步的两个搜索问题。实验结果表明，组合懒惰打地基 ASP 求解和我们的启发式方法对于解决工业规模问题至关重要。

Sep, 2022

本论文提出了一种用于 Answer Set Programming (ASP) 中声明性领域特定启发式的新语义，并在懒惰绑定 ASP 系统 Alpha 中实现，证明将 ASP 求解与懒惰绑定和本文提出的新启发式相结合可用于解决工业级问题。

Sep, 2019

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

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

本文提出了一种基于上下文的 Inductive Logic Programming (归纳逻辑编程) 扩展方法，通过结构化背景知识建模上下文依赖，进一步提出了一种新的算法 ILASP2i，应用于具有大量例子的学习任务，与传统方法 ILASP2 相比，同时保持平均正确率的情况下，速度提高了两个数量级，内存使用量减小了两个数量级，从而极大地提高了系统的可扩展性。

Aug, 2016

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

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

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