Abstract argumentation and answer set programming: two faces of Nelson's logic
University of Nebraska Omaha(内布拉斯加大学奥马哈分校);IRIT(图卢兹计算机科学研究所);Université de Toulouse(图卢兹大学);CNRS(法国国家科学研究中心)
在这项工作中,我们表明,逻辑编程和抽象的论证框架可以解释纳尔逊的建设性逻辑N4。在这种逻辑中,我们通过形式化两个原则来做到这一点,我们称之为非矛盾推理和加强的封闭世界假设:第一个原则指出,任何信念都不能基于矛盾的证据,而后者则迫使未知和矛盾的证据都被视为错误。使用这些原则,逻辑程序设计和抽象论证框架都以模块化的方式并使用对象语言转换为构造性逻辑。逻辑程序蕴涵和抽象论证支持在翻译中遵循不矛盾推理原则成为新的蕴涵连接词。然后,攻击通过将这个新的蕴涵与强否定相结合来表示。逻辑程序设计理论与实践(TPLP)
2022-03-27 cs.AI cs.LO
grASP: A Graph Based ASP-Solver and Justification System
University of Texas at Dallas(德克萨斯大学达拉斯分校)
回答集编程(ASP)是一种基于非单调逻辑的知识表示和组合问题求解的流行范式。计算ASP程序的答案集通常是NP难的,研究人员一直在投入大量的精力来加速它。目前大多数ASP求解器采用类似SAT求解器的技术来找到这些答案集。因此,很难证明为什么文字在答案集中。存在基于依赖图的方法来找到答案集,但是由于依赖图的表示限制,这样的方法是有限的。我们提出了一种新的依赖图为基础的方法来寻找答案集,其中目标的结合明确表示为一个节点,允许任意的答案集程序被统一表示。我们的表示保留了因果关系,允许的理由,每个文字的答案集被优雅地发现。从实施的性能结果也报告。我们的工作为计算答案集铺平了道路,而无需接地程序。
2021-04-02 cs.AI
A Multi-Engine Approach to Answer Set Programming
Università degli Studi di Genova(热那亚大学);Università degli Studi di Sassari(萨萨里大学);Università della Calabria(卡拉布里亚大学)
答案集编程(ASP)是一种真正的声明式编程范式,在非单调推理和逻辑编程领域提出,最近已在许多应用中使用。因此,开发高效的ASP系统至关重要。考虑到改进ASP的求解方法的任务,有两种常用的方法来实现这一目标:$(i)$扩展最先进的技术和ASP求解器,或$(ii)$从头开始设计一个新的ASP求解器。这些趋势的替代方案是建立在最先进的求解器之上,并应用机器学习技术来自动选择“最好的”可用求解器。在本文中,我们追求这后一个方向。我们首先定义了一组便宜的计算句法功能,表征ASP程序的几个方面。然后,我们应用分类方法,给定{ \sl training}集中的实例的特征和求解器在这些实例上的性能,归纳学习算法选择策略以应用于{ \sl test}集。我们报告了一些实验的结果,考虑到求解器和不同的训练和测试集的情况下,从提交给“系统跟踪”的第三届ASP竞赛。我们的分析表明,通过将机器学习技术应用于ASP求解,可以获得非常稳健的性能:与第三届ASP竞赛的任何求解器相比,我们的方法可以解决更多的实例。(To逻辑程序设计理论与实践(Theory and Practice of Logic Programming,TPLP)
2013-06-20 cs.AI cs.LO
Abductive Symbolic Solver on Abstraction and Reasoning Corpus
Gwangju Institute of Science and Technology(光州科学技术院)
本文针对抽象与推理语料库(ARC)的视觉推理任务,借鉴人类溯因推理过程,提出符号化知识图谱框架提取核心知识,以缩小搜索空间并生成合理解决方案,提升AI推理逻辑性与类人能力。
2024-11-27 cs.AI
Improving DPLL Solver Performance with Domain-Specific Heuristics: the ASP Case
Eastman Kodak Company(伊士曼柯达公司)
尽管基于DPLL过程的求解器的性能最近有所改进,但搜索算法仍然可能集中在搜索空间的错误区域上,从而阻止求解器在可接受的时间量内返回解。这种前景是一个真正的问题,例如在工业环境中,用户通常期望一致的性能。为了克服这个问题,我们提出了一个框架,允许学习和使用特定领域的算法在求解器的基础上的DPLL程序。学习是离线完成的,在目标域的代表性实例上,然后将学习到的算法用于选择点选择。在本文中,我们专注于答案集编程(ASP)求解器。在我们的实验中,引入特定于域的算法将硬实例的性能提高了3个数量级(平均2个数量级),几乎完全消除了由于等待答案变得不可接受而必须终止求解器的情况。
2011-02-10 cs.AI cs.LO
Constraint Answer Set Solver EZCSP and Why Integration Schemas Matter
University of Nebraska at Omaha(内布拉斯加大学奥马哈分校)
答案集编程和约束编程的研究人员在混合语言和求解算法的开发上花费了大量的精力,结合了这些传统上独立领域的优势。这些努力导致了一个新的研究领域:约束答案集编程。约束答案集程序设计语言和系统被证明是成功的,在提供声明,但有效的解决方案,涉及混合推理任务的问题。本文的主要贡献之一是第一次全面考虑的约束答案集语言和求解器EZCSP,这一研究领域的主流代表,已被用于各种成功的应用程序。我们还开发了Nieuwenhuis等人在2006年提出的过渡系统的扩展。捕获布尔可满足性求解器。我们使用这个扩展来描述EZCSP算法,并证明它的正式声明。EZCSP背后的设计和算法细节清楚地表明,这种混合系统的发展是具有挑战性的。当一个人面临各种设计选择时,许多问题出现在试图最大化系统的好处。混合求解器的开发人员所做的关键决策之一是在其实现中确定特定的集成模式。因此,本文的另一个重要贡献是基于EZCSP的深入案例研究,重点是它提供的各种集成模式。逻辑程序设计理论与实践(TPLP)
2017-12-01 cs.AI
Translating Answer-Set Programs into Bit-Vector Logic
Aalto University School of Science(阿尔托大学理学院)
答案集编程(ASP)是一种用于声明性问题解决的范例,其中问题首先被形式化为规则集,即,答案集程序,在一个统一的方式,然后通过计算程序的答案集解决。可满足性模理论(SMT)框架遵循类似的建模哲学,但语法是基于命题逻辑的扩展,而不是规则。最近,提供了从答案集程序到差分逻辑的翻译-使特定SMT求解器能够用于答案集的计算。在本文中,翻译的另一个SMT片段,即固定宽度的位向量理论的基础上进行了修改。因此,甚至可以利用更多的SMT求解器来计算答案集。初步的实验比较的结果也报告。他们建议的性能水平,这是通过不同的逻辑实现类似。
2011-08-30 cs.AI cs.LO
Vector Symbolic Algebras for the Abstraction and Reasoning Corpus
Centre for Theoretical Neuroscience(理论神经科学中心);David R. Cheriton School of Computer Science(大卫·R·切里顿计算机科学学院);University of Waterloo(滑铁库大学);Department of Philosophy(哲学系);Department of Systems Design Engineering(系统设计工程系)
针对人类易解但AI系统难处理的ARC-AGI基准,提出一种认知合理的求解器,结合系统1直觉与系统2推理,基于向量符号代数(VSAs)实现对象中心程序合成,在多个基准上取得结果,且为首个将VSAs应用于该任务的方法。
2025-11-11 cs.AI cs.LG
Improved Answer-Set Programming Encodings for Abstract Argumentation
La Sapienza, University of Rome(罗马大学);Vienna University of Technology(维也纳工业大学)
为抽象论证问题设计有效的解决方案是迈向高级论证系统的关键一步。文献中最突出的方法之一是使用混合集编程(ASP)来实现这一目标。在本文中,我们提出了新的编码三个突出的论证语义使用的概念,条件字面的析取提供的ASP系统clingo。我们的新编码不仅比以前的版本更简洁,而且在标准基准测试中也优于它们。
2015-10-20 cs.AI
Hybrid Answer Set Programming: Foundations and Applications
University of Potsdam(波茨坦大学)
针对标准回答集编程(ASP)求解器无法处理数值及复杂约束的问题,提出带约束的此处与彼处逻辑(HT_c)作为理论基础,为混合ASP提供支持,同时探讨其理论特征与应用价值。
2025-02-13 cs.AI cs.LO
Inconsistency Proofs for ASP: The ASP-DRUPE Format
University of Calabria(卡拉布里亚大学);TU Dresden(德累斯顿工业大学);TU Wien(维也纳工业大学);secunet Security Networks AG(secunet安全网络股份公司)
答案集编程(ASP)求解器是高度调优的复杂过程,其隐式地解决一致性问题,即,决定逻辑程序是否允许答案集。对于(正常的)程序,可以在多项式时间内判定一个要求的答案集在形式上是否是程序的正确答案集.然而,要验证一个声称不一致的程序是否确实不承认任何答案集,还远没有那么快。在本文中,我们解决了这个问题,并开发了新的证明格式ASP-德鲁普命题,析取逻辑程序,包括重量和选择规则。ASP-DRUPE基于反向单元传播(RUP)格式,旨在实现布尔可满足性。我们建立了ASP-DRUPE的正确性,并讨论了如何将其集成到现代ASP解决方案。随后,我们提供了一个实现的ASP-德鲁巴到黄蜂求解器正常逻辑程序。这项工作正在考虑接受在TPLP。
2019-07-24 cs.AI cs.LO
Planning and Scheduling in Hybrid Domains Using Answer Set Programming
University of Arkansas at Pine Bluff(阿肯色大学松崖分校)
在本文中,我们提出了一个行动的回答集编程为基础的方法来解决规划和调度问题的混合域-域表现出离散和连续的行为。我们使用动作语言H表示域,然后将得到的理论转化为A-Prolog程序。通过这种方式,我们减少了寻找解决方案的问题,规划和调度问题的计算答案集的A-Prolog程序。我们从文献中引用了一个计划和调度的例子,并展示了如何在H。我们将展示如何将所得到的H理论转化为一个等价的A-Prolog程序。我们计算得到的程序使用的混合求解器称为EZCSP松散集成的约束求解器与答案集求解器的答案集。求解器允许我们推理实数上的约束,并计算复杂计划和调度问题的解决方案。结果表明,我们的方法可以适用于任何规划和调度问题的混合域。
2013-01-08 cs.AI
Fages' Theorem and Answer Set Programming
我们推广了Francois Fages的一个定理,该定理描述了以否定为失败的逻辑程序的完成语义和答案集语义之间的关系。对这种关系的研究对于答案集编程的出现非常重要。只要这两种语义等价,答案集就可以通过可满足性求解器来计算,而不需要使用诸如models和dlv之类的答案集求解器。作为一个例子,讨论了由于Ilkka Niemperor块世界的逻辑编程表示。
2000-03-09 cs.AI
Improving Natural-Language Combinatorial-Optimization Accuracy in Resource-Constrained Language Models via Formal Abstractions
University of California, Berkeley(加州大学伯克利分校)
针对资源受限语言模型在自然语言组合调度中可行性不足的问题,提出神经符号框架SDDL,其在300实例调度子集上大幅提升小模型的可行调度准确率,逼近大模型性能
2026-09-11 cs.AI
User Guided Abductive Proof Generation for Answer Set Programming Queries (Extended Version)
Singapore Management University(新加坡管理大学);University of Toulouse(图卢兹大学)
我们提出了一种方法,用于生成可能的证据的查询相对于一个给定的答案集编程(ASP)规则集使用的溯因过程中的空间的溯因是自动构建的输入规则。给定一组(可能是空的)用户提供的事实,我们的方法推断出任何额外的事实,可能需要的蕴涵的查询,然后输出这些额外的事实,而无需用户明确指定的所有abdibles的空间。我们还提出了一种方法来生成一组有向边对应的理由图的查询。此外,通过不同形式的隐式项替换,我们的方法可以考虑用户提供的事实,并适当修改溯因解。过去关于绑架的工作主要是基于目标导向的方法。然而,这些方法可能导致求解器不是真正声明性的。少得多的工作已经做了实现绑架在一个自自底向上的的求解器,如Clingo ASP求解器。我们描述了新的ASP程序,可以直接在Clingo中运行,产生的溯因解和有向边集,而无需修改底层的求解引擎。
2022-09-16 cs.AI cs.LO
The MatrixX Solver For Argumentation Frameworks
Intelligent Systems Department(智能系统部);Computer Science Institute(计算机科学研究所);Leipzig University(莱比锡大学)
MatrixX是抽象论证框架的求解器。一个论证框架的进攻和防御属性以矩阵的形式表示。求解器系统地减少该矩阵的矩阵和列。这个过程是通过使用散列映射来实现的,以加快计算时间。MatrixX致力于稳定和完整的语义,并为ICCMA 2021竞赛而设计。
2021-09-29 cs.AI
claspfolio 2: Advances in Algorithm Selection for Answer Set Programming
University of British Columbia(不列颠哥伦比亚大学);University of Freiburg(弗莱堡大学);University of Potsdam(波茨坦大学)
出现在逻辑编程理论与实践(TPLP)中。在屡获殊荣的,基于投资组合的ASP求解器clasplem的基础上,我们提出了clasplem 2,一个模块化和开放的求解器架构,集成了几种不同的基于投资组合的算法选择方法和技术。clasple2求解器框架支持各种特征生成器、求解器选择方法、求解器组合以及基于求解器调度的预求解技术。clasp 2的默认配置依赖于ASP求解器clasp的轻量级版本来生成静态和动态实例特性。clasp 2灵活的开放式设计是一个区别于ASP的因素。因此,它提供了一个独特的框架,用于比较和组合现有的基于组合的算法选择方法和技术在一个单一的,统一的框架。利用这一点,我们进行了广泛的实验研究,以评估不同的功能集,选择方法和基本求解器组合的影响。除了获得对各种方法和技术的实用性的实质性见解之外,我们还确定了clasple2的默认配置,该配置不仅在clasp的默认配置和clasple2的早期版本上实现了实质性的性能增益,而且还超过了clasp的手动调整配置。
2014-05-07 cs.AI
Combining Answer Set Programming and Domain Heuristics for Solving Hard Industrial Problems (Application Paper)
University of Calabria(卡拉布里亚大学);Alpen-Adria-Universität Klagenfurt(阿尔卑斯-亚德里亚大学克拉根福分校)
答案集编程(ASP)是一种流行的逻辑编程范式,已被应用于解决各种复杂的问题。在ASP最具挑战性的实际应用中,有两个由西门子定义的工业问题:伙伴单元问题(PUP)和组合配置问题(CCP)。PUP和CCP的最困难的实例是最先进的ASP求解器无法达到的。实验表明,ASP求解器的性能可以显着提高嵌入特定领域的算法,但在现成的ASP实现这样的标准是不明显的一个适当的有效集成。本文研究了ASP与特定领域启发式算法的结合,目标是有效地解决PUP和CCP的现实问题实例。作为此活动的副产品,ASP求解器WASP扩展了一个接口,该接口可以轻松地在求解器中嵌入新的外部算法。评估结果表明,我们的领域启发式驱动的ASP求解器发现解决方案的所有现实世界的实例PUP和CCP曾经提供的西门子。本文件正在考虑被TPLP接受。
2016-08-02 cs.AI cs.LO cs.PL
aspps --- an implementation of answer-set programming with propositional schemata
我们提出了一个答案集编程范例的实现,称为aspps(答案集编程与命题模式的缩写)。系统aspps是为处理PS+理论而设计的。它包括两个基本模块。第一个模块psgrnd为PS+理论奠定了基础。第二个模块,称为aspps,是一个求解器。它计算地面PS+理论的模型。
2001-07-19 cs.AI cs.LO
Automated Aggregator -- Rewriting with the Counting Aggregate
University of Kentucky(肯塔基大学)
答案集编程是一种领先的声明式约束编程范式,广泛用于复杂的知识密集型应用程序。现代答案集程序设计语言支持许多等效的方法来对程序中的约束和规范进行建模。然而,到目前为止,答案集编程还没有开发出系统的方法来构建表示,这将统一地提供自动化处理。这表明,编码选择,以同样的方式选择算法和组合求解,可能是一个可行的方向,以提高性能的答案集求解。必要的先决条件是自动生成可能的替代编码的过程。在这里,我们提出了一个自动重写系统,自动聚合器或AAgg,给出了一个非地面逻辑程序,产生一个家庭的等效程序与互补的性能时,运行在现代的答案集编程求解器。我们通过实验分析证明了这种行为,并提出了该系统的使用自动答案集编程求解器选择工具。
2020-09-22 cs.AI cs.LO
FOLASP: FO(.) as Input Language for Answer Ser Solvers
KU Leuven(KU Leuven(鲁汶大学));Leuven.AI – KU Leuven Institute for AI(鲁汶人工智能研究所(KU Leuven人工智能研究所))
在过去的几十年里,答案集编程(ASP)已经成为声明式问题解决的一个重要范例。这一领域的技术进步是由于使用了共同标准,例如ASP-Core-2语言。虽然ASP的根源在于非单调推理,但人们也努力使ASP与经典的一阶逻辑(FO)相协调。这导致了FO(.)的发展,FO的一个富有表现力的扩展,它允许在纯粹的经典环境中解决类似ASP的问题。这种语言对于已经熟悉FO的领域专家来说可能更容易使用,并且可能更容易与基于经典逻辑的其他形式主义结合。它由IDP推理系统支持,该系统已成功地参加了许多ASP竞赛。然而,在这里,可用于FO(.)的系统数量有限阻碍了技术进步。在本文中,我们的目标是通过一个转换FO(.)的翻译工具来解决这个问题。规范,从而允许ASP-Core-2求解器用作FO(.)也我们目前的实验结果表明,我们的翻译与现成的ASP求解器的组合是有竞争力的IDP系统作为一种解决问题的方式制定FO(。)。正在考虑接受TPLP。
2021-08-09 cs.AI
eclingo: A solver for Epistemic Logic Programs
University of Corunna(拉科鲁尼亚大学);University of Potsdam(波茨坦大学)
我们描述eclingo,一个求解器的认知逻辑程序下Gelfond 1991年语义建立在回答集编程系统clingo。eclingo的输入语言使用clingo的语法扩展功能来定义主观文字,就像在认知逻辑程序中一样,允许在程序的所有或部分答案集中检查常规文字的真实性。eclingo解决过程遵循猜测和检查策略。它首先为主观文字生成潜在的真值,在第二步中,它检查所获得的结果与程序的谨慎和勇敢的后果。这个过程是使用clingo的多镜头功能来实现的。我们还实现了一些优化,旨在减少搜索空间,从而提高eclingo在某些情况下的效率。最后,我们比较了eclingo的效率与两个国家的最先进的求解器的认知逻辑程序对基准的情况下,表明eclingo一般优于他们得到的结果。正在考虑接受TPLP。
2020-08-05 cs.AI cs.LO
Strong Equivalence in Answer Set Programming with Constraints
University of Corunna(拉科鲁尼亚大学);University of Nebraska Omaha(内布拉斯加大学奥马哈分校);University of Potsdam(波茨坦大学);Potassco Solutions(Potassco解决方案公司)
本文研究带约束回答集编程中的强等价性,证明其可由带约束的 Here-and-There 逻辑等价性刻画,并给出从 clingo 类求解器语言到该逻辑的翻译,同时分析了判定强等价性的计算复杂度。
2025-02-06 cs.AI cs.LO
ASPeRiX, a First Order Forward Chaining Approach for Answer Set Computing
University of Angers(昂热大学)
在人工智能中使用回答集编程(ASP)来表示知识或解决组合问题的自然方式是精心设计具有默认否定的一阶逻辑程序。在第一步中,这个带有变量的程序被第一个工具翻译成一个等价的命题:地球仪。然后,命题程序被交给第二个工具:求解器。最后一个计算(如果存在)程序的一个或多个答案集(稳定模型),每个答案集编码初始问题的一个解。直到今天,几乎所有的ASP系统都采用这两步计算。在这篇文章中,ASPeRiX项目是作为一个一阶前向链接方法的答案集计算。这个项目是第一个引入答案集计算方法的项目之一,该方法通过将其集成到搜索过程中来避免规则实例化的初始阶段。该方法适用于一阶规则的前向链接,这些规则通过先前产生的原子在飞行中接地。该方法的理论基础,ASP求解器ASPeRiX的主要算法进行了详细说明,并提供了一些实验和与现有系统的比较。
2016-11-16 cs.AI cs.LO
Counting Answer Sets via Dynamic Programming
TU Wien(维也纳工业大学)
虽然近年来命题可满足性(#SAT)的解决方案计数问题重新受到关注,但这一研究趋势并没有影响其他AI解决范式,如答案集编程(ASP)。虽然ASP求解器被设计为枚举所有解决方案,因此计数可以很容易地完成,但所有解决方案的具体化是ASP(#ASP)计数问题的明显瓶颈。在本文中,我们提出了基于动态规划的#ASP算法,利用底层(地面)ASP程序的结构。一个原型实现的实验结果表明,与现有的求解器相比,承诺。
2016-12-22 cs.AI cs.CC cs.LO
A Solver-in-the-Loop Framework for Improving LLMs on Answer Set Programming for Logic Puzzle Solving
本文提出了一种求解器循环框架,通过引导求解器进行指令微调,提升LLM在Answer Set Programming中生成逻辑谜题解答的性能。
2025-12-18 cs.AI cs.CL
WSAT(cc) - a fast local-search ASP solver
我们描述WSAT(CC),本地搜索求解器计算模型的理论在语言的命题逻辑扩展的基数原子。WSAT(cc)是PS+逻辑的处理后端,PS+是最近提出的回答集编程的形式主义。
2003-10-31 cs.AI
Transition Systems for Model Generators - A Unifying Approach
University of Kentucky(肯塔基大学)
命题逻辑的一个基本任务是计算命题公式的模型。为此任务开发的程序称为可满足性求解器。我们表明,过渡系统引入Nieuwenhuis,Oliveras和Tinelli模型和分析可满足性求解器可以适应求解器开发的其他两个命题形式主义:逻辑编程下的答案集语义,和逻辑PC(ID)。我们表明,在每种情况下,计算模型的任务可以被看作是“可满足性模答案集编程”,其目标是找到一个模型的理论,也是一个答案集的某个程序。我们开发的统一的角度来看,特别是,求解器CLASP和MINISATID是密切相关的,尽管正在开发不同的形式主义,一个答案集编程和后者的逻辑PC(ID)。
2011-05-03 cs.AI
Making Use of Advances in Answer-Set Programming for Abstract Argumentation Systems
Institute of Information Systems(信息系统研究所);Vienna University of Technology(维也纳工业大学)
Dung著名的抽象论证框架代表了论证领域中许多问题和应用的核心形式主义,这些问题和应用在过去十年中得到了显著的发展。因此,该领域最近的工作集中在这些框架的实现上,其中一个主要方法是使用混合集编程(ASP)。虽然一些论证语义可以在ASP语言中很好地表达,但其他的则需要相当麻烦的编码技术。ASP系统的最新进展,特别是ASP包gringo/claspD的元ASP优化前端提供了直接命令来过滤满足某些子集最小(或最大)约束的答案集。与标准ASP语言相比,这允许更简单的编码。在本文中,我们实验比较原始的编码(为论证语义的基础上首选的,半稳定的,并分别,阶段扩展)与新的元ASP编码。此外,我们为最近推出的基于分辨率的接地语义提供了新的编码。我们的实验结果表明,元ASP方法在编码问题的复杂性充分反映在元ASP方法的情况下工作良好。
2011-08-24 cs.AI
Answer Sets for Logic Programs with Arbitrary Abstract Constraint Atoms
New Mexico State University(新墨西哥州立大学)
在本文中,我们提出了两种替代方法来定义答案集的逻辑程序与任意类型的抽象约束原子(C原子)。这些方法将普通逻辑程序的基于不动点和基于层次映射的回答集语义推广到具有任意类型C原子的逻辑程序的情况。结果是四个不同的答案集定义,当应用于正常的逻辑程序时是等价的。将逻辑程序基于不动点的标准语义推广到两个方向:归约回答集和求补回答集。这些定义在处理否定即失败(naf)原子时彼此不同,它们利用直接结果算子来执行答案集检查,其定义依赖于c原子w.r.t.条件满足的概念。一对诠释。另外两个定义,称为强良支模型和弱良支模型,是普通逻辑程序的良支模型的概念到具有c原子的程序的情况的推广。至于基于不动点的语义,这两个定义之间的差异源于对naf原子的处理。我们证明了通过reduce(resp.”(《易·系辞上》)“弱”者,“弱”也。强)良好支撑模型的程序,从而推广定理之间的对应关系的稳定模型和良好支撑模型的一个正常的逻辑程序类的程序与C-原子。我们表明,新定义的语义与以前介绍的语义与单调的C原子的逻辑程序,他们扩展了原来的答案集语义正常的逻辑程序。我们还研究了一些性质的回答集的程序与C-原子,并与我们的定义的几个语义逻辑程序与聚集在文献中提出的。
2011-10-10 cs.AI
Bound Founded Answer Set Programming
National ICT Australia(澳大利亚国家信息与通信技术公司);The University of Melbourne(墨尔本大学)
答案集编程(ASP)是一个强大的建模形式主义,是非常有效的解决组合问题。ASP求解器实现了稳定的模型语义,消除了逻辑程序的解决方案中布尔变量之间的循环推导。由于这一点,ASP求解器比命题可满足性(SAT)和约束编程(CP)求解器更适合解决一类特定的问题,其规范包括归纳定义,如图中的可达性。另一方面,ASP求解器由于无法对有限域变量进行建模而受到基础瓶颈的影响。此外,现有的稳定模型语义不足以禁止循环推理的数值变量的界限。需要这样做的一个例子是对图中节点之间的最短路径进行建模。正如可达性可以被编码为具有一个或多个基本情况和递归规则的归纳定义一样,节点之间的最短路径也可以用类似的基本情况和递归规则来建模。这种稳定模型语义的缺陷在ASP系统中引入了另一种类型的基础瓶颈,这种瓶颈不能通过简单地将ASP与CP求解器合并来消除,而是需要将语义从布尔和正常规则扩展到数值变量和更一般的规则。在这项工作中,我们提出了边界建立的答案集编程(BFASP),解决了这个问题,从而消除了ASP系统中固有的所有类型的接地瓶颈。
2014-05-14 cs.AI
Bounded Combinatorial Reconfiguration with Answer Set Programming
Nagoya University(名古屋大学);National Institute of Informatics(国立信息学研究所);Universität Potsdam(波茨坦大学)
本文提出基于回答集编程的有界组合重构方法,开发的recongo求解器在CoRe Challenge 2022单引擎赛道最短路径项夺冠,还给出了独立集重构问题的ASP编码及全算例实证分析。
2023-07-20 cs.AI
AS2 -- Attention-Based Soft Answer Sets: An End-to-End Differentiable Neuro-Soft-Symbolic Reasoning Architecture
Clemson University(克莱姆森大学)
AS2提出一种端到端可微的神经-软符号推理架构,通过软连续近似替代离散求解器,实现约束满足反馈的可微传递,提升在视觉数独和MNIST加法任务中的性能。
2026-11-05 cs.AI
Advanced Tools and Methods for Treewidth-Based Problem Solving -- Extended Abstract
TU Wien(维也纳工业大学)
用于求解著名的布尔可满足性问题(Sat)的计算机程序(所谓的求解器)已经改进了几十年。这些求解器如此快速的原因之一是在求解过程中隐式地使用了公式的结构属性。其中一个结构性指标是所谓的树宽,它试图衡量公式实例与简单(树状)的接近程度。这项工作的重点是基于逻辑的问题和基于树宽的方法和工具来解决这些问题。这些问题中的许多也与一般的知识表示和推理(KR)以及人工智能(AI)相关。本文提出了一种新的问题归约方法--分解引导法。这种约简类型形成了解决自2004年以来一直开放的有界树宽的量化布尔公式(QBF)问题的基础。这个问题的解决方案,然后产生了一个新的方法来证明精确的下限范围进一步形式主义的逻辑,KR和AI。尽管建立了下界,我们实现了一个算法,有效地解决扩展的SAT,直接使用树宽。我们的实现是基于找到实例的抽象,然后在过程中逐步细化。因此,我们的观察证实,树宽是一个重要的措施,应考虑在现代求解器的设计。
2022-08-24 cs.AI cs.CC cs.DB
Finding Similar/Diverse Solutions in Answer Set Programming
Vienna University of Technology(维也纳工业大学);Sabanci University(萨班哲大学)
对于某些计算问题(例如,产品配置、规划、诊断、查询应答、遗传学重构)计算一组相似/不同的解决方案对于更好的决策可能是期望的。基于这一动机,我们在答案集编程(ASP)的背景下研究了该问题的几个决策/优化版本,分析了它们的计算复杂性,并引入了离线/在线方法来计算给定距离函数下此类计算问题的相似/不同解.所有这些方法都依赖于通过为描述问题的ASP程序找到答案集来计算问题的解决方案的想法。离线方法使用ASP求解器(如Clasp)使用问题的ASP公式提前计算所有解决方案,然后使用聚类方法识别相似/不同的解决方案。在线方法计算类似/不同的解决方案以下三种方法之一:通过重新制定的ASP表示的问题,以计算类似/不同的解决方案一次使用ASP求解器;通过计算类似/不同的解决方案迭代(一个接一个)使用ASP求解器;通过修改搜索算法的ASP求解器计算类似/不同的解决方案增量。我们修改了Clasp来实现最后一个在线方法,并将其称为Clasp-NK。在前两种在线方法中,给定的距离函数用ASP表示;在最后一种方法中,它是用C++实现的。我们展示了这些方法在印欧语言相似/不同的同源性重建上的适用性和有效性,以及在Blocks World中的几个规划问题上的适用性和有效性。我们观察到,在计算效率方面,最后一个在线方法优于其他方法;当距离函数不能在ASP中表示时,它还允许我们计算类似/不同的解决方案。
2011-08-16 cs.AI cs.LO cs.PL
Translation-based Constraint Answer Set Solving
NICTA(国家信息与通信技术研究院);University of New South Wales(新南威尔士大学)
我们通过转换到回答集编程(ASP)来解决约束满足问题。我们的重新制定的属性,单位传播的ASP求解器实现定义良好的局部一致性属性,如弧,边界和范围的一致性。实验证明了这种方法的计算价值。
2011-04-20 cs.AI
Constraint Answer Set Programming: Integrational and Translational (or SMT-based) Approaches
University of Nebraska Omaha(内布拉斯加大学奥马哈分校)
约束回答集编程(英语:Constraint answer set programming,缩写为CASP)是一种自动推理的混合方法,它综合了回答集编程、约束处理和可满足性模理论等不同研究领域的进展。约束答案集编程展示了有希望的结果,包括开发了大量的求解器:acsolver,clingcon,ezcsp,idp,inca,dingo,mingo,aspmt,clingo[l,dl]和ezsmt。它为声明式编程应用程序(如解决复杂的训练调度问题)开辟了新的视野。系统的设计,以找到解决方案,约束答案集程序可以分组,根据他们的建设,我们称之为,整合或翻译的方法。本文的重点是一个概述的关键成分的设计约束答案集求解器之间的区别和平行的集成和翻译的方法。本文还提供了一个一瞥,其用户开发的程序,利用CASP编码的旅行推销员问题的说明。此外,我们把CASP技术在地图上的自动推理同行之间,以及讨论未来的可能性,CASP的发展。
2021-07-17 cs.AI
Planning with Incomplete Information in Quantified Answer Set Programming
New Mexico State University(新墨西哥州立大学);Omaha State University(奥马哈州立大学);University of Potsdam(波茨坦大学)
我们提出了一个通用的方法来规划与不完全信息的答案集编程(ASP)。更确切地说,我们考虑的问题,符合和条件规划与感知行动和假设。我们表示规划问题,使用一个简单的形式主义,其中逻辑程序描述的状态,初始状态和目标状态之间的过渡函数。为了解决规划问题,我们使用量化答案集编程(QASP),ASP的扩展与原子上的存在和通用量词类似于量化布尔公式(QBF)。我们定义了量化的逻辑程序的语言,并用它来表示符合和条件规划的不同变体的解决方案。在实践方面,我们提出了一个基于约束的QASP求解器,量化的逻辑程序转换成QBF,然后执行QBF求解器,我们实验评估的方法一致性和条件规划基准。正在考虑接受TPLP。
2021-08-13 cs.AI
A System for Explainable Answer Set Programming
University of Corunna(拉科鲁尼亚大学);University of Potsdam(波茨坦大学)
我们提出xclingo,一个工具,用于生成解释的ASP程序注释的文本和标签。这些注释允许跟踪规则的应用或由它们派生的原子。xclingo的输入是一种以ASP注释行形式编写的置标语言,因此以这种方式注释的程序仍然可以被标准ASP求解器接受。xclingo将注释转换为附加的谓词和规则,并使用ASP solver clingo来获得这些辅助谓词的扩展。这些信息随后用于构建包含文本解释的派生树。该语言允许选择解释哪些原子,并依次选择在这些解释中包含哪些原子或规则。我们通过文献中的一个诊断问题来说明其基本特征。
2020-09-22 cs.AI cs.PL
Fudge: A light-weight solver for abstract argumentation based on SAT reductions
University of Koblenz-Landau(科布伦茨-兰道大学);University of Brescia(布雷西亚大学);University of Huddersfield(哈德斯菲尔德大学)
我们提出了福吉,一个抽象的论证求解器,紧密结合可满足性求解技术来解决一系列抽象的论证问题。虽然福吉使用的大多数编码都来自标准的翻译方法,但福吉使用了全新的编码来解决怀疑推理问题。优选的语义和问题WRT。理想语义学
2021-09-07 cs.AI
Modular Constraint Solver Cooperation via Abstract Interpretation
University of Angers(昂热大学);University of Nantes(南特大学)
约束求解器之间的合作是困难的,因为不同的解决范式有不同的理论基础。最近的工作表明,抽象解释可以提供一个统一的理论,各种约束求解。特别是,它依赖于抽象域,将约束语言捕获为有序结构。本文的主要观点是将合作方案看作是抽象域的组合。我们提出了一个模块化的框架,求解器和合作计划可以无缝地添加和组合。这不同于诸如SMT的现有方法,其中协作方案通常是固定的(例如,Nelson-Oppen)。我们贡献了两个新的合作计划:(i)区间传播完成,允许抽象域交换约束,和(ii)延迟产品交换过近似的两个抽象域之间的约束。此外,延迟产品是基于逻辑编程的延迟目标,它表明抽象域也可以捕获约束求解的控制方面。最后,为了实现模块化,我们提出了共享产品结合抽象域和合作计划。我们的方法已经得到充分实施,我们提供了各种灵活的车间作业调度问题的例子。正在考虑接受TPLP。
2020-09-14 cs.AI
Answer-Set-Programming-based Abstractions for Reinforcement Learning
Siemens AG Österreich(西门子奥地利公司);TU Wien (Vienna University of Technology)(维也纳技术大学);Jönköping University(约翰·科平大学)
本文提出使用回答集编程(ASP)实现CARCASS框架中的抽象,以解决强化学习中状态空间巨大带来的挑战,并通过积木世界和Minigrid两个领域的案例验证了该方法的有效性。
2026-05-29 cs.AI cs.LO
Testing and Debugging Techniques for Answer Set Solver Development
Institute for Formal Models and Verification, Johannes Kepler University Linz(约翰内斯·开普勒大学林茨分校形式模型与验证研究所);Department of Computer Science, University of Helsinki(赫尔辛基大学计算机科学系)
本文开发了自动化测试和调试技术的答案集求解器的发展。我们描述了一个灵活的基于语法的黑盒ASP模糊测试工具,它能够揭示各种缺陷,如不健全和不完整的行为,即无效的答案集和无法找到现有的解决方案,在国家的最先进的答案集求解器的实现。此外,我们开发了增量调试技术,用于缩小故障诱导输入上的求解器表现出有缺陷的行为。特别是,我们开发了一个三角洲调试算法的背景下,答案集求解,并评估两种不同的消除策略的算法。
2010-07-19 cs.AI cs.SE
ASP-FZN: A Translation-based Constraint Answer Set Solver
本文提出基于翻译的约束回答集求解器asp-fzn,通过将CASP程序翻译为FlatZinc语言支持多种后端求解器,在纯ASP上具竞争力且部分CASP基准上优于clingcon。
2025-09-15 cs.AI
System ASPMT2SMT:Computing ASPMT Theories by SMT Solvers
School of Computing, Informatics, and Decision Systems Engineering(计算、信息与决策系统工程学院);Arizona State University(亚利桑那州立大学)
本研究提出实现ASPMT紧片段到SMT转换的编译器aspsmt2smt,结合gringo部分基化与z3求解变量,可有效处理实数计算以支持连续变化推理。
2025-06-12 cs.AI cs.LO
Athanor: Local Search over Abstract Constraint Specifications
University of St Andrews(圣安德鲁斯大学);University of Dundee(邓迪大学);University of York(约克大学)
本文提出Athanor局部搜索求解器,通过直接处理抽象约束规范语言Essence,自动生成高质量邻域,避免了在底层约束模型中识别结构的困难,在组合优化问题上展现出优异性能。
2025-01-02 cs.AI
Analyzing the Narration Gap in LLM-Solver Loops
Eindhoven University of Technology(埃因霍温理工大学)
研究LLM与SAT/SMT求解器混合推理中,将求解器输出转化为用户答案的叙述步骤存在的安全漏洞,通过形式化建模和实验评估发现证书门控可保证求解结果正确,但对抗攻击可反转结论。
2026-06-19 cs.AI cs.CR cs.LO
NormWorlds-CF: Solver-Verified Counterfactual Normative Reasoning with Metamorphic-Relation GRPO
Tsinghua University(清华大学)
介绍NormWorlds-CF用于可执行规则世界的反事实规范推理,其求解器能产生多种结果用于监督评估。通过实验对比不同奖励机制对任务的影响,显示验证的反事实结构可影响训练后表现。
2026-07-29 cs.AI cs.CL
Faster Symmetry Breaking Constraints for Abstract Structures
针对抽象结构对称破缺时现有方法生成约束多、求解慢的问题,提出一种利用结构表示的不完全对称破缺新方法,在不可区分对象对称场景下速度优于已有方法。
2025-11-14 cs.AI
Abstract Reasoning via Logic-guided Generation
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院);Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)(穆罕默德·本·扎耶德人工智能大学)
抽象推理,即,从给定的观察中推断复杂的模式,是人工智能的核心组成部分。虽然人类通过消除错误的候选人或首先构建答案来找到答案,但基于深度神经网络(DNN)的方法专注于前一种判别方法。本文旨在为后一种方法设计一个框架,并弥合人工智能和人类智能之间的差距。为此,我们提出了逻辑引导生成(Logic-guided generation,LoGe),这是一种新的生成式DNN框架,可以将抽象推理减少为命题逻辑中的优化问题。LoGe由三个步骤组成:从图像中提取命题变量,用逻辑层推理答案变量,并从变量重构答案图像。我们证明,在RAVEN基准测试下,LoGe优于黑盒DNN框架的生成抽象推理,即,基于从观察捕获各种属性的正确规则来重构答案。
2021-08-11 cs.AI cs.CV cs.LG
Beyond Verified Answers: Solver-Informed Self-Distillation for Bootstrapping Operations Research Language Models
Shanghai Jiao Tong University(上海交通大学);Fudan University(复旦大学)
针对运筹学语言模型训练中监督受限、信用分配粗糙和风格不匹配的问题,提出SOLID框架,利用求解器工件和自蒸馏实现无需验证答案的自我改进,提升解决方案准确性。
2026-09-11 cs.AI math.OC
Adaptive Constraint Partition based Optimization Framework for Large-scale Integer Linear Programming(Student Abstract)
Tsinghua University(清华大学);Sun Yat-sen University(中山大学);Meituan Inc.(美团公司)
由于整数规划问题的NP难性,特别是对于大规模的规划问题,其求解一直是一个难题。为了解决这种类型的IP,大邻域搜索(LNS)使用初始可行解,并通过搜索当前解周围的大邻域来迭代地改进它。然而,LNS很容易陷入局部最优,忽略了变量之间的相关性优化,导致性能受损。本文提出了一个通用的自适应约束划分为基础的优化框架(ACP)的大规模的IP,可以有效地使用任何现有的优化求解器作为一个子程序。具体地说,ACP首先随机分区的约束到块,其中的块的数量是自适应调整,以避免局部最优。然后,ACP使用子例程求解器来优化随机选择的约束块中的决策变量,以增强变量相关性。在四个IP和一个真实世界的IP上,将ACP与具有不同子程序求解器的LNS框架进行了比较。实验结果表明,在指定的挂钟时间内,ACP算法的性能优于SCIP算法和Guidelines算法。
2022-11-18 cs.AI math.OC
Accurate and Regret-aware Numerical Problem Solver for Tabular Question Answering
针对大语言模型处理表格问答中数值计算能力不足的问题,提出将LLMs作为规划器、Python解释器负责计算的TabLaP模型,还实现答案可信度量化方法,准确率较现有最优模型提升超5.7%和5.8%。
2025-06-15 cs.AI cs.CL
J-Zero: Unified Challenger--Solver--Judge Self-Evolution from Zero Data
KAIST(韩国科学技术院)
J-Zero是从零数据出发的统一挑战者-求解器-评判器协同进化框架,在可验证与不可验证领域均优于基线,且迭代10次后仍能持续改进。
2026-09-25 cs.AI cs.CL cs.LG