A Constraint Programming Approach for Solving a Queueing Control Problem
University of Toronto（多伦多大学）
在具有前室和后室操作的设施中，为了应对不断变化的客户需求，在房间之间切换工人是有用的。假设随机的客户到达和服务时间，我们寻求一个政策切换工人，使预期的客户等待时间最小化，而预期的后台工作人员是足够的，以执行所有的工作。提出了三种新的约束规划模型和几种模型的修整方法。实验结果表明，一个模型的基础上的封闭形式的表达式连同剃须程序的组合是最有效的。该模型能够在合理的运行时间内为许多问题实例找到并证明最优解。以前，唯一可用的方法是启发式算法。此外，一个混合的方法相结合的启发式和最好的约束规划方法的执行以及启发式的解决方案质量随着时间的推移，同时实现相同的性能，证明最优性作为纯约束规划模型。这是第一个工作，我们知道，解决这种基于约束编程的问题。
2011-10-31 cs.AI
Scenario-based Stochastic Constraint Programming
University of York（约克大学）；University College Cork（科克大学学院）
为了对涉及不确定性和概率的组合决策问题进行建模，我们沿着一些重要的维度（例如，多个机会约束和一系列新目标）扩展了[Walsh，2002]中提出的随机约束规划框架。我们还提供了一个新的（但等效的）语义场景的基础上。使用这种语义，我们可以编译随机约束程序到传统的（非随机）约束程序。这使我们能够充分利用现有的约束求解器。我们已经在随机OPL中实现了这个框架，用于在不确定性下进行决策，OPL是一种基于OPL约束建模语言的语言[Hentenryck等人，1999年]。为了说明这一框架的潜力，我们模拟了金融、农业和生产等领域的各种问题。
2009-05-22 cs.AI
Stochastic Constraint Programming: A Scenario-Based Approach
University College Cork（科克大学学院）；University of York（约克大学）；National ICT Australia（澳大利亚国家信息与通信技术研究院）；University of New South Wales（新南威尔士大学）
为了模拟涉及不确定性和概率的组合决策问题，我们引入了基于场景的随机约束规划。随机约束程序既包含我们可以设置的决策变量，也包含遵循离散概率分布的随机变量。我们提供了一个语义的随机约束程序的基础上的场景树。使用这种语义，我们可以将随机约束程序编译成常规（非随机）约束程序。这使我们能够充分利用现有的约束求解器。我们已经在随机OPL中实现了这个框架，用于在不确定性下进行决策，OPL是一种基于OPL约束建模语言的语言[Hentenryck等人，1999年]。为了说明这一框架的潜力，我们在投资组合多样化，农业规划和生产/库存管理等领域的各种问题。
2009-03-06 cs.AI
Learning Valid Dual Bounds in Constraint Programming: Boosted Lagrangian Decomposition with Self-Supervised Learning
Ecole Polytechnique（巴黎综合理工学院）
本文提出一种自监督学习方法，利用神经网络直接生成拉格朗日乘子以产生紧致对偶边界，显著减少次梯度优化步骤，提升约束编程求解器的剪枝效率与执行速度。
2024-08-22 cs.AI
Correlation Heuristics for Constraint Programming
School of Computing National University of Singapore（新加坡国立大学计算机学院）
有效的通用搜索策略是约束编程中的一个重要组成部分。我们引入了一个新的想法，即使用变量之间的相关性来指导搜索。变量相关性的测量和维护使用域的变化在约束传播。我们提出了两个变量的相关矩阵，crbs-sum和crbs-max的基础上。我们评估我们的相关算法与众所周知的算法，即DOM/WDEG，基于影响的搜索和基于活动的搜索。在大量基准测试集上的实验表明，我们的相关算法与其他算法相比具有竞争力，并且在许多系列上都是最快的。
2018-05-24 cs.AI
Augmenting Stream Constraint Programming with Eventuality Conditions
Brown University（布朗大学）；The Chinese University of Hong Kong（香港中文大学）
流约束编程是约束编程框架家族中的一个新成员，其中可变域是有限字母表上的无限流的集合。以前的工作表明，它的适用性，以现实世界的规划和控制问题的有前途的结果。在本文中，出于对规划应用程序建模的动机，我们通过引入1）“直到”约束（一种新的构造，来自线性时态逻辑）和2）流上的@运算符（一种语法糖，我们提供了一种更有效的求解算法）来提高框架的表达能力。对于这两个结构，我们提出了相应的新的解决算法，并证明其正确性。我们目前的传教士和食人族的逻辑难题和网格上的标准路径规划应用程序的竞争力的实验结果，通过比较与Apt和品牌的方法验证不测事件的条件，使用CP的方法。
2018-08-06 cs.AI
Constraint Programming viewed as Rule-based Programming
我们在这里研究一个自然的情况下，约束编程可以完全减少到基于规则的编程。为此，我们首先解释如何可以计算约束满足的问题，使用简单的一阶公式表示的规则。然后我们考虑基于预定义的、显式给定的约束的约束满足问题。为了解决这些问题，我们首先从这些明确给定的约束条件中推导出规则，并将计算过程限制为重复应用这些规则，并结合标记。第一种类型，我们称之为相等规则，导致了一个新的局部一致性概念，称为{ \em规则一致性}，对于任意arity的约束，它比弧一致性弱（在\cite{MS98b}中称为超弧一致性）。对于布尔约束，规则一致性与布尔约束的著名传播规则下的闭包一致。第二种类型的规则，我们称之为成员规则，产生基于规则的弧一致性的表征。为了表明这种基于规则的方法约束编程的可行性，我们将展示如何自动生成这两种类型的规则，作为\cite{fruhwirth-constraint-95}的{ \tt}规则。这就产生了一个实现这种方法来编程的约束逻辑编程的手段。我们说明了这种方法的有用性，约束编程讨论各种例子，包括布尔约束，两个典型的例子，许多值的逻辑，约束处理华尔兹的语言描述多面体的场景，和艾伦的定性方法时序逻辑。
2001-05-23 cs.AI cs.PL
A Proof Theoretic View of Constraint Programming
我们在这里提供了一个证明理论帐户的约束编程，试图捕捉这种编程风格的基本成分。我们通过提出区间域上线性约束的证明规则来证明它，并通过分析{ \tt SEND + MORE = MONEY}难题的约束传播过程来说明它们的使用。我们还展示了这种方法如何允许建立新的约束求解器。
1998-10-20 cs.AI cs.PL
The Inductive Constraint Programming Loop
CNRS（法国国家科学研究中心）；University of Montpellier（蒙彼利埃大学）；KU Leuven（鲁汶大学）；University College Cork（科克大学学院）；University of Pisa（比萨大学）
约束编程用于各种现实世界的优化问题，如规划，调度和资源分配问题。与此同时，人们不断收集有关这些问题的大量数据。当前的约束编程软件不利用这些数据来更新进度、资源和计划。我们提出了一个新的框架，我们称之为归纳约束编程循环。在这种方法中，系统地收集和分析数据，以便动态地修改和调整约束和优化标准。归纳约束编程的目的是弥合数据采掘和机器学习领域与约束编程领域之间的差距。
2015-10-12 cs.AI cs.LG
A Microkernel Architecture for Constraint Programming
University of Connecticut（康涅狄格大学）；National ICT Australia (NICTA)（澳大利亚国家信息与通信技术研究院（NICTA））；Australian National University（澳大利亚国立大学）
本文提出了一种微内核架构的约束编程组织周围的一些少数核心功能和最小的接口。该架构与许多实现的单片性质形成对比。实验结果表明，软件工程的好处与运行时效率并不矛盾。
2014-01-21 cs.AI cs.PL
Integration of Declarative and Constraint Programming
将一组现有的约束求解器组合成一个集成的协作求解器系统是解决混合约束问题的一个有用和经济的原则。在本文中，我们表明，这种方法也可以用来整合不同的语言范式到一个统一的框架。此外，我们研究的语法，语义和操作的影响，这一想法的合并声明和约束编程。
2006-01-14 cs.AI cs.PL
Unsatisfiable Cores and Lower Bounding for Constraint Programming
National ICT Australia（澳大利亚国家信息与通信技术研究院）；University of Melbourne（墨尔本大学）
约束编程（CP）求解器通常通过反复寻找问题的解决方案来解决优化问题，同时对解决方案的成本设置越来越严格的界限。这种方法有些幼稚，特别是对于软约束优化问题，其中软约束大多得到满足。在SAT中解决软约束问题的不可满足核方法（例如MAXSAT）强制所有软约束最初都是硬约束。当求解失败时，它们返回一个不可满足的核心，作为一组不能同时保持的软约束。这些将恢复为软，求解将继续。由于惰性子句生成求解器也可以返回不可满足的核心，我们可以将这种方法应用于约束编程。我们适应原来的MAXSAT不可满足的核心求解方法，可用于约束编程和定义了一些扩展。实验结果表明，我们的方法是有益的CP优化基准涉及软约束，基数或偏好的广泛类。
2015-08-25 cs.AI cs.LO
Soft Concurrent Constraint Programming
软约束扩展了经典约束，以表示多个一致性水平，从而提供了一种表达偏好，模糊性和不确定性的方法。虽然有许多软约束解决形式主义，甚至分布式的，到目前为止，似乎没有并发编程框架，软约束可以处理。在本文中，我们将展示如何经典的并发约束（CC）编程框架可以与软约束，我们还提出了一个扩展的CC语言，可以使用软约束修剪和直接搜索的解决方案。我们相信这种新的编程范例，称为软cc（scc），在许多与web相关的场景中也非常有用。事实上，语言级别允许Web代理表达他们的交互和协商协议，并根据偏好发布他们的请求，并且底层软约束求解器可以在代理之间找到协议，即使他们的请求不兼容。
2002-08-06 cs.AI cs.PL
Domain Views for Constraint Programming
NICTA（澳大利亚国家信息与通信技术研究院）；University of Connecticut（康涅狄格大学）
视图是约束编程中的标准抽象：它们可以实现每个约束的单个版本，同时避免创建会减慢传播的新变量和约束。传统的约束编程系统提供{ \em变量视图}的概念，其通过将变量$y$上的所有（域和约束）操作委托给变量$x$来实现类型$y = f(x)$的视图。本文提出了另一种概念{ \em域视图}，它只委托域操作。域视图保留了变量视图的优点，但简化了基于值的传播的实现。域视图也支持非内射视图，显著扩展了视图的范围。实验结果证明了域视图的实际好处。
2014-01-21 cs.AI cs.PL
Infinite Qualitative Simulations by Means of Constraint Programming
我们引入了一个基于约束的框架，研究无限的定性模拟关注的突发事件，如时间，空间，形状，大小，抽象成一个有限的定性关系。为了定义模拟，我们结合了约束，正式的背景知识与定性推理与适当的状态间的约束，制定使用线性时序逻辑。我们实现了这种方法在约束编程系统中的思想，从有界模型检验。由此产生的系统允许我们以一种简单的方式测试和修改问题规范，并结合各种知识方面。
2006-08-03 cs.AI cs.LO
Explaining Constraint Programming
我们在这里讨论约束规划（CP）使用证明理论的角度。为此，我们确定了三个层次的抽象。每个层次都揭示了CP的本质。特别是，最高级别允许我们把CP更接近计算作为演绎范式。在中间层，我们可以解释各种约束传播算法。最后，在最低层，我们可以解决自动生成和优化的约束传播算法的问题。
2006-02-07 cs.AI cs.PL
A global constraint for the capacitated single-item lot-sizing problem
Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔国立理工学院）；Universite Clermont Auvergne（克莱蒙奥弗涅大学）
本文的目标是建立一个约束规划框架来解决批量问题。更具体地说，我们考虑了一个单一的项目批量问题与时变的下限和上界的生产和库存。费用结构包括随时间变化的持有成本、单一生产成本和设置成本。我们建立了一个新的下界，这个问题通过使用一个微妙的时间分解。我们制定这个NP-难的问题作为一个全球性的约束，并表明，绑定的一致性可以实现在伪多项式时间，不包括成本时，在多项式时间。我们开发过滤规则的基础上，现有的动态规划算法，利用上述时间分解困难的情况下。在数值研究中，我们比较了几个公式的问题：混合整数线性规划，约束规划和动态规划。我们表明，我们的全球约束是能够找到解决方案，不像分解的约束规划模型和约束规划可以竞争，特别是当添加组合侧约束。
2019-07-04 cs.AI math.OC
A Constraint Programming Approach for Mining Sequential Patterns in a Sequence Database
University of Caen（卡昂大学）；University PARIS 13（巴黎第十三大学）
基于约束的模式发现是众多数据采掘任务的核心。模式是相对于一组给定的约束（频率，封闭性，大小等）提取的。在序列模式挖掘的背景下，已经开发了大量专门的技术来解决特定类别的约束。本文的目的是研究使用约束编程（CP）的建模和挖掘序列数据库中的序列模式。我们的CP方法提供了一种自然的方式，在同一个框架中同时结合了来自不同来源的大量约束。实验结果表明，我们的方法的可行性和利益。
2013-11-27 cs.AI cs.DB
A Variant of Concurrent Constraint Programming on GPU
Interdisciplinary Centre for Security, Reliability and Trust (SnT)（安全、可靠性与信任跨学科中心（SnT））；University of Luxembourg（卢森堡大学）
如今，图形计算单元（GPU）上的核心数量达到数千个，而处理器的时钟速度停滞不前。不幸的是，约束编程求解器还没有利用GPU并行性。一个原因是约束求解器主要是在顺序计算的心理框架内设计的。为了解决这个问题，我们退一步，并有助于一个简单的，本质上是并行的，无锁和形式上正确的程序设计语言的基础上并发约束编程。然后，我们重新审视并行约束求解的GPU在这种形式主义，并开发涡轮，一个简单的约束求解器完全在GPU上编程。Turbo验证了我们的方法的正确性，并积极比较基于CPU的并行求解器。
2022-07-18 cs.AI cs.DC cs.PL
Constraint and Mathematical Programming Models for Integrated Port Container Terminal Operations
University of Michigan（密歇根大学）；Yasar University（亚沙尔大学）
本文研究集装箱码头的岸桥分配、岸桥调度、堆场位置分配和车辆调度作业的集成问题。主要目标是尽量减少船舶周转时间和最大限度地提高码头吞吐量，这是码头运营的关键经济驱动因素。由于它们的计算复杂性，这些问题在现有的工作中没有联合优化。本文重新审视这一局限性，并提出了混合规划（MIP）和约束规划（CP）模型的综合问题，在一些现实的假设。实验结果表明，MIP配方只能解决小的情况下，而CP模型发现在合理的时间内从实际的集装箱码头操作的现实情况下，最佳的解决方案。
2017-12-14 cs.AI math.OC
Unsatisfiable Cores for Constraint Programming
National ICT Australia（澳大利亚国家信息与通信技术研究院）；University of Melbourne（墨尔本大学）
约束编程（CP）求解器通常通过反复寻找问题的解决方案来解决优化问题，同时对解决方案的成本设置越来越严格的界限。这种方法有些幼稚，特别是对于软约束优化问题，其中软约束大多得到满足。在布尔可满足性中解决软约束问题的不可满足核方法（例如MAXSAT）强制所有软约束保持初始状态。当求解失败时，它们返回一个不可满足的核心，作为一组不能同时保持的软约束。使用该信息，问题被放松以允许违反某些软约束，并且求解继续。由于懒惰子句生成（LCG）求解器也可以返回不可满足的核心，我们可以将MAXSAT不可满足的核心方法应用于CP。我们实现了原来的MAXSAT不可满足的核心求解算法WPM1，MSU3在一个国家的最先进的LCG求解器，并表明存在的问题，受益于这种混合的方法。
2013-05-08 cs.AI cs.LO
Genetic-based Constraint Programming for Resource Constrained Job Scheduling
RMIT University（皇家墨尔本理工大学）；Deakin University（迪肯大学）；La Trobe University（拉筹伯大学）；Victoria University of Wellington（惠灵顿维多利亚大学）
本文提出遗传规划算法自动发现约束规划的变量选择器，用于资源受限作业调度，显著提升求解效率与最优性证明能力。
2024-02-01 cs.AI cs.NE
Constraint Programming to Discover One-Flip Local Optima of Quadratic Unconstrained Binary Optimization Problems
Missouri Western State University（密苏里西部州立大学）
二次无约束二进制优化（QUBO）的广泛适用性构成了组合优化问题的通用建模框架，并且是门阵列和量子退火计算机所需的格式。QUBO退火机以及其他解决方案方法受益于从具有局部最优性的一组不同的解决方案开始的额外好处。本文提出了一种利用约束规划生成一组单翻转局部最优解的新方法。此外，如实验测试中所示，对解集的分析允许生成软约束以帮助指导优化过程。
2021-04-04 cs.AI cs.DM math.OC
CPBVP: A Constraint-Programming Framework for Bounded Program Verification
Université de Nice–Sophia Antipolis（尼斯大学-索菲亚安提波利斯大学）；Brown University（布朗大学）
研究了如何验证程序是否符合其规范，提出了一种新的约束编程有界程序验证框架（CPBPV）。CPBPV框架使用约束存储来表示规范和程序，并不确定地探索执行路径。如果这样产生的每个约束存储都隐含后置条件，则输入程序是部分正确的。CPBPV不会探索虚假的执行路径，因为它通过检测约束存储不一致来提前增量地修剪执行路径。CPBPV使用约束编程的丰富语言来表示约束库。最后，CPBPV是参数化的求解器，这些求解器按顺序尝试，从最便宜和不太通用的开始。实验结果往往产生数量级的改进，较早的方法，运行时间往往是独立的变量域。此外，CPBPV能够检测到一些程序中的细微错误，而其他基于模型检验的框架则失败了。
2008-07-15 cs.AI cs.LO cs.SE
Qualitative Modelling via Constraint Programming: Past, Present and Future
University of St Andrews（圣安德鲁斯大学）
定性建模是一种综合理论计算机科学、人工智能以及物理和生物科学领域的技术。其目的是能够模拟系统的行为，而无需估计参数值和固定精确的定量动态。传统的应用是研究物理和生物系统的动力学，其抽象水平高于通过估计固定定量模型的数值参数值获得的抽象水平。定性建模已被研究和实施不同程度的复杂Petri网，过程演算和约束编程。在本文中，我们反映了现有框架的优点和缺点，我们展示了如何利用约束编程的最新进展来产生高质量的定性模型，我们描述了理论和技术的进步，将需要使约束编程在最广泛的意义上的科学调查的最佳选择。
2012-09-18 cs.AI cs.CE math.DS
MCP-Solver: Integrating Language Models with Constraint Programming Systems
TU Wien（维也纳技术大学）
MCP-Solver通过MCP协议将大型语言模型与符号求解器集成，提供Minizinc、PySAT和Python Z3接口，并采用编辑与迭代验证方法确保模型一致性，从而弥补LLMs在形式化求解与推理上的缺陷。
2025-04-06 cs.AI cs.CL cs.LG
Confidence-based Reasoning in Stochastic Constraint Programming
University of Edinburgh（爱丁堡大学）；Taif University（塔伊夫大学）；Cankaya University（坎卡亚大学）；University College Cork（科克大学学院）
在这项工作中，我们介绍了一种新的方法，基于抽样，寻找分配，很可能是随机约束满足问题和约束优化问题的解决方案。我们的方法减少了原来的问题进行分析的大小，通过解决这个减少的问题，与一个给定的置信概率，我们得到的分配，满足机会约束在规定的误差容限阈值内的原始模型。为了实现这一点，我们混合随机约束规划和统计的概念。我们讨论我们的方法的精确和近似的变种。我们介绍的框架可以立即采用与现有的方法来解决随机约束程序。一个彻底的计算研究的一些随机组合优化问题证明了我们的方法的有效性。
2015-07-05 cs.AI math.CO math.OC
Stochastic Constraint Programming as Reinforcement Learning
Insight Centre for Data Analytics（数据分析洞察中心）；University College Cork（科克大学学院）；University of Edinburgh（爱丁堡大学）；Cankaya University（昌卡亚大学）
随机约束编程（SCP）是约束编程（CP）的扩展，用于建模和解决涉及约束和不确定性的问题。SCP继承了CP优秀的建模能力和滤波算法，但到目前为止，它还没有被应用到大型问题。强化学习（RL）将动态规划扩展到大型随机问题，但它是特定于问题的，没有通用的求解器。我们提出了一个混合的RL的可扩展性与CP的建模和约束过滤方法相结合。我们在CP系统中实现了一个原型，并证明了它对SCP问题的有用性。
2017-04-24 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
Soft Constraint Logic Programming for Electric Vehicle Travel Optimization
Università di Pisa（比萨大学）；Volkswagen AG（大众汽车集团）
软约束逻辑编程是一种自然而灵活的声明式编程形式主义，它允许建模和解决涉及不同类型约束的实际问题。在本文中，在提供了一个稍微更一般和优雅的框架介绍后，我们展示了如何将其应用于协调电动汽车的电动交通问题，以克服能量和时间的限制，从而降低其运行成本。特别是，我们专注于行程优化子问题，考虑从用户的预约到另一个的行程序列。解决方案在时间和能耗方面提供最佳替代方案，包括路线顺序和可能的充电事件。
2012-12-10 cs.AI
PDDL+ Planning via Constraint Answer Set Programming
Drexel University（德雷塞尔大学）；University of Genoa（热那亚大学）
PDDL+是PDDL的一个扩展，它可以用混合离散-连续动态来建模规划域。在本文中，我们提出了一种新的方法，PDDL+规划的基础上约束回答集编程（CASP），即ASP规则加数值约束。据我们所知，我们是第一次尝试连接PDDL+规划和逻辑编程。我们提供了一个编码的PDDL+模型到CASP问题。该编码可以处理非线性混合域，并为将逻辑编程应用于PDDL+规划奠定了坚实的基础。作为一个案例研究，我们考虑EZCSP CASP求解器，并获得了一组PDDL+基准问题有前途的结果。
2016-08-31 cs.AI
Logic Programming Approaches for Representing and Solving Constraint Satisfaction Problems: A Comparison
许多基于逻辑编程的方法可以用来描述和解决组合搜索问题。一方面，存在约束逻辑编程，其计算解作为对包含约束满足问题的变量的查询的答案替换。另一方面，也有基于稳定模型语义的系统，溯因系统和一阶逻辑模型生成器，它们将解计算为某些理论的模型。本文从知识表示（程序的声明性如何）和性能（它们在解决典型问题时的表现如何）的角度比较了这些不同的方法。
2000-11-21 cs.AI
A Constraint Logic Programming Approach for Computing Ordinal Conditional Functions
FernUniversität in Hagen（哈根远程大学）；TU Dortmund（多特蒙德工业大学）
为了给“如果A则通常为B”形式的定性条件赋予适当的语义，可以使用根据可能世界的似然程度对可能世界进行排名的有序条件函数（OCF）。接受知识库R的所有条件的OCF可以表征为约束满足问题的解。我们提出了一个高层次的，声明性的方法，使用约束逻辑编程技术来解决这个约束满足问题。特别是，这里开发的方法支持所有最小解的生成;这些最小解是特别感兴趣的，因为它们为基于模型的推理提供了基础。
2011-08-30 cs.AI
Learning Weak Constraints in Answer Set Programming
Imperial College London（帝国理工学院）
本文提出了一个新的学习框架，允许弱约束的学习答案集编程（ASP）的归纳逻辑程序设计领域的贡献。该框架，称为学习有序答案集，概括了我们以前的工作学习ASP程序没有弱约束，通过考虑一个新的概念的例子，有序对部分答案集，其中答案集的一个学习的假设（连同给定的背景知识）是首选其他。在这个新的学习任务中，归纳解决方案是在正常规则，选择规则，硬约束和弱约束的假设空间内搜索的。我们提出了一个新的算法，ILASP2，这是健全的和完整的关于我们的新的学习框架。我们调查其适用性，学习偏好的面试调度问题，也表明，当限制到学习ASP程序没有弱约束的任务，ILASP2可以比我们以前提出的系统更有效。
2015-07-23 cs.AI
Conflict-driven Inductive Logic Programming
ILASP Limited（ILASP有限公司）
归纳逻辑程序设计（ILP）的目标是学习一个解释一组示例的程序。直到最近，大多数关于ILP的研究都是针对学习Prolog程序的。ILASP系统学习答案集程序（ASP）。学习这种表达程序大大拓宽了ILP的适用性;例如，使偏好学习，学习常识知识，包括默认和异常，以及学习非确定性理论。ILASP的早期版本可以被认为是元级ILP方法，它将学习任务编码为逻辑程序，并将搜索委托给ASP求解器。最近，ILASP已经转向一种新的方法，受到冲突驱动的SAT和ASP求解器的启发。该方法的基本思想，称为迭代驱动的ILP（CDILP），是迭代交错搜索的假设与生成的约束，解释为什么当前的假设不包括一个特定的例子。这些覆盖范围限制允许ILASP不仅排除当前假设，而且排除不满足覆盖范围限制的整个假设类别。本文形式化的CDILP方法，并提出了ILASP 3和ILASP 4系统的CDILP，这被证明是更可扩展的比以前的ILASP系统，特别是在存在噪声。逻辑程序设计理论与实践（TPLP）
2022-01-14 cs.AI
DATALOG with constraints - an answer-set programming system
最近出现了一种可行的编程范例，它很好地适应了人工智能、约束满足和组合学中的搜索问题。可以说，命题逻辑是最简单的ASP系统，具有直观的语义，支持问题约束的直接建模。然而，对于某些应用程序，特别是那些需要计算传递闭包的应用程序，它需要额外的变量和大型理论的结果。因此，它可能不是一个实用的计算工具，这样的问题。另一方面，ASP系统基于非单调逻辑，如稳定的逻辑编程，可以有效地处理传递闭包计算，并在一般情况下，产生非常简洁的理论作为问题表示。然而，它们的语义更加复杂。寻找中间地带，本文介绍了一种新的非单调逻辑，DATALOG约束或DC。非正式地，DC理论包括命题子句（约束）和霍恩规则。语义是命题逻辑语义的简单而自然的扩展。然而，由于系统中存在Horn规则，传递闭包的建模变得简单。我们描述了DC的语法和语义，并研究了它的性质。我们讨论了DC的实施和目前的DC的有效性的实验研究结果，比较它与CSAT，可满足性检查和SMODELS实现稳定的逻辑编程。我们的研究结果表明，DC是有竞争力的其他两种方法，在许多搜索问题的情况下，往往会产生更有效的解决方案。
2000-03-24 cs.AI
The CIFF Proof Procedure for Abductive Logic Programming with Constraints: Theory, Implementation and Experiments
Università di Pisa（比萨大学）；Imperial College London（帝国理工学院）；University of Amsterdam（阿姆斯特丹大学）
给出了带约束的溯因逻辑程序设计的CIFF证明过程，并证明了其正确性。CIFF是溯因逻辑编程的IFF证明过程的扩展，放松了对变量量化（允许条件）的原始限制，并结合了约束求解器来处理约束逻辑编程中的数值约束。最后，我们描述了CIFF系统，将其与最先进的溯因系统和答案集求解器进行比较，并展示了如何使用它来编程一些应用程序。(To《逻辑程序设计理论与实践》（Theory and Practice of Logic Programming，TPLP）
2009-06-05 cs.AI cs.LO
Parallel Constraint-Driven Inductive Logic Programming
University of Oxford（牛津大学）；University of Cambridge（剑桥大学）
多核机器无处不在。然而，大多数归纳逻辑程序设计（ILP）方法仅使用单个核，这严重限制了它们的可扩展性。为了解决这个问题，我们引入了基于约束驱动的ILP并行技术，其目标是积累约束来限制假设空间。我们在两个领域（程序合成和归纳一般的游戏）的实验表明，（一）并行化可以大大减少学习时间，和（ii）工人的沟通（即共享约束）是很重要的良好的性能。
2021-09-15 cs.AI cs.LG
Logic and Constraint Logic Programming for Distributed Constraint Optimization
New Mexico State University（新墨西哥州立大学）
分布式约束优化问题（DCOPs）领域已经获得了发展势头，这要归功于其在捕获复杂问题（例如，多代理协调和资源分配问题），这些问题是自然分布的，并且不能以集中的方式现实地解决。解决DCOP的现有技术依赖于使用ad-hoc基础设施和ad-hoc约束求解过程。本文研究了一种完全基于逻辑编程技术的解决DCOPs的基础设施。特别是，本文探讨了使用一般的约束求解器（约束逻辑编程系统在这种情况下）来处理代理级约束求解。初步实验表明，逻辑编程在性能和可扩展性方面提供了优于最先进的DCOP系统的益处，为使用更先进的技术（例如，搜索策略和复杂约束）来求解DCOP。
2014-05-14 cs.AI cs.MA
Data-driven Sequential Monte Carlo in Probabilistic Programming
University of Oxford（牛津大学）
现有的概率规划系统中的大多数马尔可夫链蒙特卡罗（MCMC）和顺序蒙特卡罗（SMC）算法仅使用模型先验作为建议分布。在这项工作中，我们描述了一种训练判别模型，即一个神经网络的方法，以近似的最佳建议，通过使用后验估计从以前运行的推理。我们展示了一个例子，结合了数据驱动的建议，用于在英国圣公会概率编程系统的非参数模型。我们的研究结果表明，数据驱动的建议可以显着提高推理性能，因此需要相当少的粒子来执行良好的后验估计。
2016-05-16 cs.AI stat.AP stat.ML
Solving Distributed Constraint Optimization Problems Using Logic Programming
New Mexico State University（新墨西哥州立大学）
本文探讨了使用答案集编程（ASP）解决分布式约束优化问题（DCOPs）。本文的创新之处在于：（1）将DCOP表示为逻辑程序：（2）介绍了第一个基于逻辑程序设计的DCOP算法ASP-DPOP;（3）实验表明，ASP-DPOP比DPOP快两个数量级（它的命令式编程对应）以及解决一些问题，DPOP未能解决，由于内存限制;以及（4）它证明了ASP在目前被建模为DCOP的一系列多Agent问题中的适用性。逻辑程序设计理论与实践（TPLP）
2017-05-10 cs.AI cs.MA
ASP(AC): Answer Set Programming with Algebraic Constraints
Technical University Vienna（维也纳技术大学）
加权逻辑是一个强大的工具，规范的计算半环依赖于定性信息。使用一种新的组合加权逻辑和这里和那里（HT）的逻辑，这种依赖是基于直觉的理由，我们介绍了答案集编程与代数约束（ASP（AC）），其中规则可能包含的限制，比较半环值加权公式评估。这样的约束提供了对ASP中可用的多种构造（如聚合、选择约束和算术运算符）的流线型访问。他们扩展了其中的一些，并提供了一个通用的框架，用于定义程序与代数计算，这可以卓有成效地使用，例如，起源语义的数据库程序。虽然在一般情况下是不可判定的，但ASP（AC）的表达片段可以在一个丰富的框架中用于有效解决问题。本书正在考虑被《逻辑程序设计理论与实践》接受。
2020-08-10 cs.AI cs.LO
ChatLogo: A Large Language Model-Driven Hybrid Natural-Programming Language Interface for Agent-based Modeling and Programming
Northwestern University（西北大学）
本文提出 ChatLogo 混合自然语言-编程语言接口，通过智能指挥中心与对话界面支持初学者进行 ABM & P 建构主义学习，并避免过度依赖单一 LLM。
2023-08-16 cs.AI cs.HC cs.SE
SMT-based Constraint Answer Set Solver EZSMT+
University of Maryland, College Park（马里兰大学帕克分校）；University of Nebraska at Omaha（内布拉斯加大学奥马哈分校）
约束回答集编程将回答集编程与约束处理相结合。系统EZSMT+是一个约束答案集编程工具，利用可满足性模理论求解器进行搜索。它的理论基础是对Niemela关于逻辑程序的回答集的水平排序的刻画的推广。
2019-06-03 cs.AI cs.LO
Combining Constraint Programming Reasoning with Large Language Model Predictions
CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）
针对约束规划难以实现语义和机器学习难以处理结构约束的挑战，本文提出将大语言模型嵌入约束规划的方法GenCP，由LLM负责词汇生成与语义，CP管理结构约束，相比Beam Search速度更快且能确保满足所有约束。
2024-07-18 cs.AI cs.CL
Proceedings of the 12th International Colloquium on Implementation of Constraint and LOgic Programming Systems
Netherlands Cancer Institute（荷兰癌症研究所）；University of Parma（帕尔马大学）；BUGSENG srl（BUGSENG公司）；Declarativa（Declarativa公司）；Swedish Institute of Computer Science（瑞典计算机科学研究所）；University of Paris-I（巴黎第一大学）
本卷包含在CICLOPS'12：12 th International Colloquium on Implementation of Constraint and Logic Programming Systems上提交的论文，该国际学术讨论会于2012年9月4日星期二在布达佩斯举行。该计划包括1个特邀演讲，9个技术演示和一个关于Prolog开放标准（open.pl）的小组讨论。每份方案文件由3名审查员审查。CICLOPS'12延续了以前在布达佩斯（1993年）和伊萨卡（1994年）成功举办的逻辑编程系统实现讲习班的传统，在马德里举办的计算机网络实现和实现技术讲习班（1993年和1994年）、乌得勒支（1995年）和波恩（1996年），（约束）逻辑程序设计语言在杰斐逊港（1997），曼彻斯特（1998），拉斯克鲁塞斯（1999）和伦敦（2000）举行，以及最近在帕福斯（2001）举行的关于约束和逻辑编程系统实现的学术讨论会，哥本哈根（2002年）、孟买（2003年）、圣马洛（2004年）、锡切斯（2005年）、西雅图（2006年）、波尔图（2007年）、乌迪内（2008年）、帕萨迪纳（2009年）、爱丁堡（2010年）-连同WLPE、列克星敦（2011年）。我们要感谢所有的作者，Tom Schrijvers受邀演讲，计划委员会成员和ICLP 2012组织者。我们还要感谢arXiv…
2013-02-01 cs.AI cs.PL
Knowledge of Uncertain Worlds: Programming with Logical Constraints
Stony Brook University（石溪大学）
复杂应用程序的逻辑编程必须处理递归和否定，这两者一起在逻辑中产生了重大挑战，导致许多不同的，相互冲突的规则语义。本文描述了一种统一的语言，DA逻辑，设计和分析逻辑，统一的基础语义和约束语义的基础上，支持的权力和不同的意图语义编程的易用性。其关键思想是提供元约束，支持使用不确定信息的形式，无论是未定义的值或可能的组合值或两者兼而有之，并促进使用的知识单元，可以实例化的任何新的谓词，包括谓词与额外的参数。
2020-12-11 cs.AI cs.LO cs.PL
Tractable Answer-Set Programming with Weight Constraints: Bounded Treewidth is not Enough
Vienna University of Technology（维也纳技术大学）
基数约束，或者更一般地说，权重约束，被公认为是答案集编程的一个重要扩展。显然，所有与基数或权重约束相关的常见算法任务（如检查程序的一致性）都是难以处理的。在知识表示和推理领域中的许多棘手的问题已经被证明是线性时间可处理的，如果所考虑的程序或公式的树宽由某个常数限制。本文的目标是将树宽的概念应用到具有基数或权重约束的程序中，并识别易处理的片段。事实证明，直接将树宽应用于这类程序并不足以获得易处理性。然而，通过施加进一步的限制，可以实现易处理性。
2012-05-29 cs.AI cs.CC cs.LO
