System Predictor: Grounding Size Estimator for Logic Programs under Answer Set Semantics
University of Nebraska Omaha（内布拉斯加大学奥马哈分校）
答案集编程是一种面向解决困难的组合搜索问题的声明式逻辑编程范式。虽然不同的逻辑程序可以编码相同的问题，但它们的性能可能会有很大差异。识别程序的哪个版本性能最好并不总是容易的。我们提出了系统预测（及其算法后端）估计接地大小的程序，一个度量，可以影响系统处理程序的性能。我们评估预测的影响时，作为一个指导重写产生的答案集编程重写工具投影仪和LPopt。结果表明这种方法的潜力。
2023-03-29 cs.AI
Answer Set Programming Made Easy
University of Nebraska at Omaha（内布拉斯加大学奥马哈分校）；University of Potsdam（波茨坦大学）
我们从答案集编程的民间传说中汲取了一个想法，即选择，完整性约束以及受限规则格式对于答案集编程来说已经足够了。我们在这里和那里的逻辑的背景下详细阐述了这一想法的基础，并展示了它如何可以从逻辑原则的扩展定义。然后，我们提供了一个朴素的形式的逻辑程序，可以作为一个标准形式的逻辑程序类似于合取范式在经典逻辑。最后，我们采取的关键思想，并提出了一个建模方法，为ASP初学者，并说明它可以如何使用。
2021-11-24 cs.AI
The RatioLog Project: Rational Extensions of Logical Reasoning
Universität Koblenz-Landau（科布伦茨-兰道大学）；Harz University of Applied Sciences（哈尔茨应用技术大学）
高级认知包括逻辑推理和用常识回答问答的能力。RatioLog项目通过自动推理和认知计算的方法解决了深度问答中的理性推理问题。在第一阶段，我们结合了信息检索和机器学习的技术，从德语版的自由百科全书“维基百科”中的大量文本中找到合适的答案候选人。在第二阶段中，自动定理证明器尝试基于其逻辑表示来验证答案候选者。在第三阶段-因为知识可能是不完整和不一致的-我们考虑扩展逻辑推理，以改善结果。在这种情况下，我们的工作对人类推理技术的应用：我们采用可废止的推理比较的答案w.r.t.具体性，道义逻辑，规范推理和模型构建。此外，我们使用集成的基于案例的推理和机器学习技术的基础上的语义结构的问题和答案的候选人学习给出正确的答案。
2015-07-30 cs.AI
LogicRec: Recommendation with Users' Logical Requirements
University of Toronto（多伦多大学）；University of Notre Dame（圣母大学）
本文形式化定义 LogicRec 推荐问题并构建基准，提出结合 LQE 与多任务知识共享机制的方法，以处理知识图谱不完整和多答案集利用问题。
2023-04-23 cs.AI
A Compiler for Ordered Logic Programs
本文描述了一个在回答集语义下将有序逻辑程序编译成标准逻辑程序的系统PLP。在有序逻辑程序中，规则由唯一的术语命名，规则之间的偏好由一组专用原子给出。一个有序的逻辑程序被转换成第二个规则的扩展的逻辑程序，其中偏好被考虑，因为在转换的理论中获得的答案集与原始理论的优选答案集相对应。由于翻译的结果是一个扩展的逻辑程序，现有的逻辑编程系统可以用作底层的推理引擎。特别是，PLP被认为是逻辑编程系统dlv和models的前端。
2000-03-08 cs.AI
Logic Programming with Ordered Disjunction
具有有序析取的逻辑程序（LPOD）结合了定性选择逻辑（Brewka et al. KR 2002）和答案集编程的基本思想。在回答集语义下的逻辑程序设计中引入了一种新的连接词--有序析取。新的连接词允许我们在规则的头部表示问题解决方案的替代性、排名选项：A \times B直观地意味着：如果可能，A，但如果A不可能，那么至少B。具有有序析取的逻辑程序的语义是基于答案集上的偏好关系。LPOD对于设计和配置中的应用是有用的，并且可以作为定性决策的基础。
2002-07-11 cs.AI
Logical Stochastic Optimization
提出了一个基于概率答案集规划的随机优化问题的逻辑表示和推理框架。这是通过允许概率优化聚合来建立的，例如，最小值和最大值的概率答案集编程的语言，以允许最小化或最大化的概率环境下的一些期望的标准。我们提出的逻辑随机优化框架下的概率答案集规划的应用程序的两个阶段的随机优化问题的追索权。
2013-04-06 cs.AI
Conjunctive Query Answering for the Description Logic SHIQ
Oxford University Computing Laboratory（牛津大学计算实验室）；Dresden University of Technology（德累斯顿工业大学）；The University of Manchester（曼彻斯特大学）
合取查询作为描述逻辑的一种表达性查询语言，在描述逻辑中扮演着重要的角色。虽然现代DL通常提供传递性角色，但如果在查询中承认传递性角色，则仅对DL知识库上的合取查询应答知之甚少。在本文中，我们认为工会的合取查询的知识库制定的突出DL SHIQ，并允许在查询和知识库的传递角色。我们显示在此设置的查询回答的可判定性，并建立两个严格的复杂性界限：关于组合复杂性，我们证明了有一个确定性的算法，需要时间的KB的大小为单指数和查询的大小为双指数，这是最优的查询回答。关于数据的复杂性，我们证明了在co-NP遏制。
2011-10-31 cs.AI
onlineSPARC: a Programming Environment for Answer Set Programming
Tufts University（塔夫茨大学）；Texas Tech University（得克萨斯理工大学）
逻辑编程的最新进展（例如，答案集编程范例的发展）使得将其教授给普通大学生甚至初中/高中学生成为可能。鉴于这些学生接触计算机科学的机会有限，下载、安装和使用编写逻辑程序的工具的复杂性可能是逻辑编程接触更广泛受众的主要障碍。我们开发了一个在线的答案集编程环境，一个自包含的文件系统和一个简单的界面。它允许用户键入/编辑逻辑程序，并在程序上执行几项任务，包括对程序进行查询，获取程序的答案集，以及基于程序的答案集生成绘图/动画。
2018-09-21 cs.AI
Probabilistic Inductive Logic Programming Based on Answer Set Programming
National University of Ireland, Galway（爱尔兰国立大学戈尔韦）
提出了一种新的基于回答集编程（ASP）的概率知识表达形式语言。它允许注释一阶公式以及ASP规则和具有概率的事实，并从数据中学习这些权重（参数估计）。加权公式给出了一个语义方面的软，硬约束，决定了概率分布的答案集。在相关的方法相比，我们的方法推理可选地利用所谓的精简XOR约束，以减少计算的答案集的数量。我们的方法是原型实现。举例说明了引入的概念，并指出了未来研究的问题和主题。
2014-05-04 cs.AI
Neural-Symbolic Logic Query Answering in Non-Euclidean Space
Institute for Clarity in Documentation（清晰文档研究所）；Inria Paris-Rocquencourt（巴黎-罗克琴堡研究所）；Rajiv Gandhi University（拉朱·甘地大学）；Tsinghua University（清华大学）；Palmer Research Laboratories（帕勒尔研究实验室）
本文提出HYQNET模型，通过超几何空间提升逻辑查询推理能力，结合符号与神经方法，有效处理知识图谱中的缺失链接问题。
2026-02-25 cs.AI
Logical Fuzzy Preferences
我们提出了一个统一的逻辑框架表示和推理的定量和定性的偏好在模糊答案集编程，称为模糊答案集优化程序。拟议的框架至关重要，可以界定定量偏好，而不是定性偏好的可能结果。我们展示了模糊答案集优化程序在具有模糊偏好的排课问题中的应用。据我们所知，这一发展是第一次考虑一个逻辑框架，用于一般地推理数量偏好，特别是推理数量偏好和质量偏好。
2013-04-05 cs.AI
Query Answering in Resource-Based Answer Set Semantics
DISIM Università di L’Aquila（拉奎拉大学DISIM）；DMI Università di Perugia（佩鲁贾大学DMI）
在最近的工作中，我们定义了基于资源的回答集语义，这是一个扩展的回答集语义源于它与线性逻辑的关系的研究。事实上，新语义学的名称来自于这样一个事实，即在线性逻辑公式中，每个文字（包括否定的文字）都被认为是一个资源。在本文中，我们提出了一个查询-应答程序联想到Prolog的答案集程序在此扩展的语义作为一个扩展的XSB-决议的逻辑程序与否定。我们证明所提出的程序的形式属性。正在考虑接受TPLP。
2016-08-04 cs.AI
Reactive Answer Set Programming
Imperial College London（帝国理工学院）
逻辑产生式系统（Logic Production System，LPS）是一个基于逻辑的框架，用于对反应行为进行建模。基于溯因逻辑编程，它结合了反应规则与逻辑程序，数据库和因果理论，指定数据库的状态之间的转换。本文提出了一个系统的映射到一个答案集程序（ASP）的核心这个框架（称为KELPS）。为此目的，一个新的变种KELPS有限模型，称为$n$距离KELPS，介绍。给出了从这个$n$ -距离KELPS到ASP的映射的形式化定义，并证明了它的正确性和完整性。答案集编程范式允许捕捉KELPS基本反应的额外行为，特别是主动，先发制人和前瞻性行为。这些都是讨论和举例说明。然后提出了一个混合框架，集成KELPS和ASP，允许结合两种范式的优势。逻辑程序设计理论与实践（TPLP）
2021-09-22 cs.AI
Logical Probability Preferences
我们提出了一个统一的逻辑框架，表示和推理的概率定量和定性偏好的概率答案集编程，称为概率答案集优化程序。拟议的框架是至关重要的，允许定义概率定量偏好的可能结果的定性偏好。我们展示了概率答案集优化程序的一个变种的著名的护士恢复问题，称为护士恢复概率偏好问题的应用。据我们所知，这是第一次考虑一个逻辑框架的推理概率定量偏好，一般来说，推理概率定量和定性偏好特别。
2013-04-05 cs.AI
Fuzzy Aggregates in Fuzzy Answer Set Programming
模糊回答集编程是一个描述性的框架，用于表示和推理模糊环境中的知识。然而，在具有模糊答案集语义的选言模糊逻辑程序（DFLP）中，模糊集合的不可用性阻碍了许多有趣问题的自然和简洁的表示。在本文中，我们扩展DFLP允许任意模糊聚集。我们定义了DFLP的模糊答案集语义与任意模糊聚集，包括单调，反单调，和非单调模糊聚集。我们表明，建议的模糊答案集语义既包含了原始的模糊答案集语义DFLP和经典的析取逻辑程序与经典的聚集的经典答案集语义，从而包含了经典的析取逻辑程序的经典答案集语义。我们表明，建议的模糊答案集的DFLP与模糊聚集是最小的模糊模型，因此是不可比的，这是一个重要的属性为非单调模糊推理。
2013-04-05 cs.AI
Logic Programs with Compiled Preferences
我们描述了一种方法，编译成逻辑程序下的回答集语义的偏好。有序逻辑程序是一种扩展的逻辑程序，其中规则由唯一项命名，并且其中规则之间的偏好由一组专用原子给出。有序的逻辑程序被转换成第二个、规则的、扩展的逻辑程序，其中偏好被尊重，因为在转换后的理论中获得的答案集与原始理论的优选答案集相对应。我们的方法允许规范的静态排序（在大多数以前的工作中发现），其中的偏好是外部的一个逻辑程序，以及排序的规则集。在很大程度上，我们感兴趣的是描述一个通用的方法，统一纳入逻辑程序的偏好信息。由于我们的翻译结果是一个扩展的逻辑程序，我们可以利用现有的实现，如dlv和models。为此，我们开发了一个编译器，可在网络上，作为这些编程系统的前端。
2000-03-08 cs.AI
Determining ActionReversibility in STRIPS Using Answer Set and Epistemic Logic Programming
University of Klagenfurt（克拉根福大学）；Czech Technical University in Prague（捷克布拉格技术大学）
在关于行动和变化的规划与推理的上下文中，当一个行动的效果可以通过应用其他行动而恢复到原始状态时，我们称之为可逆的。对这一领域的重新关注已经在PDDL语言的上下文中产生了几个结果，PDDL语言广泛用于描述规划任务。在本文中，我们提出了几个解决方案的计算问题，决定可逆的行动。特别是，我们利用现有的翻译从PDDL到回答集编程（ASP），然后使用几种不同的编码来解决PDDL的PDPS片段的动作可逆性的问题。对于这些，我们使用ASP，以及认知逻辑编程（ELP），ASP与认知算子的扩展，并比较和对比它们的优点和缺点。正在考虑接受TPLP。
2021-08-11 cs.AI
Finite Query Answering in Expressive Description Logics with Transitive Roles
University of Warsaw（华沙大学）；TU Wien（维也纳工业大学）
我们研究有限本体介导的查询回答（FOMQA）的问题，OMQA的变种，其中所代表的世界被假定为有限的，因此只考虑有限的本体模型。我们采用最典型的设置与工会的合取查询和本体表示的描述逻辑（DL）。FOMQA的研究与非可控环境相关。这不仅适用于没有有限模型属性的DL，而且适用于那些允许传递角色声明的DL。当传递角色被允许时，评估查询是具有挑战性的：FOMQA对于SHOIF是不可判定的，并且只知道对于ALCIF的Horn片段是可判定的。我们展示了FOMQA对SOIF的三个适当片段：SOI，SOF和SIF的可判定性。我们的方法是建立相关的模型来决定有限的查询蕴涵。依赖于这些模型的一定规律性，我们开发了基于自动机的决策程序与最佳复杂性的界限。
2018-08-09 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
An Application of Proof-Theory in Answer Set Programming
University of Kentucky（肯塔基大学）；University of California（加利福尼亚大学）
我们将证明理论技术应用于答案集编程。主要结果包括：1.逻辑程序中Gelfond-Lifschitz算子连续性的一个刻画2.逻辑程序的稳定模型的一种命题表征（不涉及循环公式）。
2010-01-11 cs.AI
Logic-Guided Data Extraction with Answer Set Programming and Large Language Models
University of Calabria（卡拉布里亚大学）；University of Campania Luigi Vanvitelli（坎帕尼亚路易吉·万维泰利大学）
研究针对大语言模型用于语义数据提取时的不足，提出结合回答集编程与大语言模型的逻辑引导数据提取框架，通过交错调用与推导减少大语言模型调用次数，提高提取质量。
2026-07-23 cs.AI
Two results for proiritized logic programming
优先缺省推理在知识表示和推理中表现出了丰富的表达能力和灵活性。然而，优先缺省推理的许多重要方面还有待深入探讨。在本文中，我们研究两个性质的优先级逻辑程序的背景下，回答集语义。具体来说，我们揭示了一个密切的关系，相互可撤销性和唯一性的答案集的优先级逻辑程序。然后，我们探讨如何扩展逻辑程序的分裂技术可以扩展到优先级的逻辑程序。我们证明了分裂定理，可以用来简化在一定条件下的优先级逻辑程序的评价。
2002-03-05 cs.AI
Embedding Description Logic Programs into Default Logic
Guizhou University（贵州大学）；University of Alberta（阿尔伯塔大学）；Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；Technische Universität Wien（维也纳工业大学）
Eiter { \em et al.}被认为是一个突出的形式主义集成规则和本体知识库。一个令人感兴趣的问题是dl程序是否可以用非单调逻辑的一般形式来描述。本文研究了在缺省逻辑中嵌入dl程序的可能性。我们证明了强和弱答案集语义下的dl-程序可以通过结合两种翻译嵌入到缺省逻辑中，其中一种翻译从非单调dl-原子中消除了约束算子，另一种翻译将dl-程序转化为缺省理论。对于没有非单调dl原子但带有否定失败算子的dl程序，我们的嵌入是多项式的、忠实的和模块化的。此外，我们的默认逻辑编码可以以一种简单的方式扩展，以捕获最近提出的弱良好支持的答案集语义，为任意的dl程序。这些结果加强了默认逻辑可以作为一个富有成效的基础查询为基础的方法，整合本体和规则的论点。缺省逻辑以其简单的语法和直观的语义，加上可用的计算结果，可以被认为是一个有吸引力的方法集成的本体和规则。
2011-11-07 cs.AI
Open Answer Set Programming with Guarded Programs
开放答案集编程（Open answer set programming，OASP）是答案集编程的一个扩展，其中可以使用程序常量的任意超集来建立程序。我们定义了一个不动点逻辑（FPL）扩展克拉克的完成，使开放的答案集对应于模型的FPL公式，并确定一个语法子类的程序，称为（松散）守卫程序。而推理与一般程序在OASP是不可判定的，FPL翻译（松散）保护程序属于可判定（松散）保护的不动点逻辑（μ（L）GF）。此外，我们减少正常的封闭ASP松散的守护OASP，使第一次，一个答案集的语义由muLGF公式的表征。我们进一步扩展了开放的答案集语义的程序与广义文字。这样的广义程序（gP）具有有趣的性质，例如，表达无穷公理的能力。我们限制语法的gPs，使规则和广义文字都受到保护。通过转换到保护不动点逻辑，我们推导出了在这种保护gPs（GgPs）中可满足性检验的2-exptime-完全性。约束GGP是具有exptime完全可满足性检查的受限GGP，但仍具有足够的表达能力以最佳地模拟计算树逻辑（CTL）。我们将Datasheet lite程序翻译为GGP，在开放的答案集语义，无替代的muGF和Datasheet lite下建立GGP的等价性。
2007-02-25 cs.AI
Justifying Answer Sets using Argumentation
Department of Computing Imperial College London（伦敦帝国理工学院计算机系）
答案集是一个普通的文字集，它没有进一步的结构来解释为什么某些文字是它的一部分，为什么其他文字不是。我们展示了如何论证理论可以帮助解释为什么一个文字是或不包含在一个给定的答案集定义两种理由的方法，这两种方法都利用答案集之间的对应关系的逻辑程序和稳定的扩展的假设为基础的论证（ABA）框架构建从同一个逻辑程序。攻击树在论证理论术语中证明文字，即使用它们之间的参数和攻击，而基于ABA的答案集证明在逻辑编程术语中表达相同的证明结构，即使用文字及其关系。有趣的是，基于ABA的答案集证明对应于所讨论的答案集的可接受片段，而攻击树对应于与此答案集对应的稳定扩展的可接受片段。
2014-12-02 cs.AI
Answering Fuzzy Queries over Fuzzy DL-Lite Ontologies
University of Milano-Bicocca（米兰比可卡大学）
知识表示中的一个突出问题是如何回答查询，同时考虑表示领域知识的本体的隐含后果。虽然这个问题已经在描述逻辑本体论的领域内得到了广泛的研究，但令人惊讶的是，在模糊或不精确知识的背景下，特别是从数学模糊逻辑的角度来看，它被忽视了。在本文中，我们研究的问题，回答合取查询和阈值查询w.r.t.模糊DL-Lite中的本体。具体来说，我们通过重写的方法，阈值查询回答w.r.t.在数据复杂度方面，一致的本体保持在$AC_0$中，但是合取查询应答高度依赖于所选择的三角范数，这对底层语义有影响。对于幂等的哥德尔t-范数，我们提供了一个有效的方法的基础上减少到经典的情况。这篇论文是在逻辑程序设计理论与实践（TPLP）中考虑的。
2021-11-23 cs.AI
Applications of Intuitionistic Temporal Logic to Temporal Answer Set Programming
University of Corunna, Spain（科鲁纳大学）；University of Angers, France（昂热大学）；University of Barcelona, Spain（巴塞罗那大学）；University of Potsdam, Germany（波茨坦大学）
本文通过时态平衡逻辑探讨时态答案集编程的逻辑基础，将直觉逻辑与时态逻辑编程相结合，提出新的研究方向。
2026-03-16 cs.AI cs.LO
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
A Brief History of Updates of Answer-Set Programs
NOVA LINCS, Universidade Nova de Lisboa（NOVA LINCS，新里斯本大学）
在过去的几十年里，已经有相当多的努力致力于在稳定模型语义（a.k.a.）下更新逻辑程序的问题。答案集程序），或者换句话说，当一个逻辑程序所描述的世界发生变化时，如何表征它的结果。虽然最先进的方法是由相同的基本直觉和愿望作为信念更新在经典逻辑的背景下，他们建立在根本不同的原则和方法，这阻碍了一个统一的框架，可以包括信念和规则更新。在本文中，我们将概述一些与答案集编程更新相关的主要方法和结果，同时指出这一主题的研究所面临的一些主要挑战。
2022-02-19 cs.AI
Exploring the Paradigm Shift from Grounding to Skolemization for Complex Query Answering on Knowledge Graphs
School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院）；School of Data Science, Lingnan University（岭南大学数据科学学院）；School of Science and Technology, Hong Kong Metropolitan University（香港理工大学科技学院）；Department of Computing, The Hong Kong Polytechnic University（香港理工大学计算机系）
针对不完整知识图谱复杂查询回答中逻辑保真度与计算效率的权衡，提出逻辑约束向量符号架构（LVSA），通过统一可微分斯科伦化模块与神经否定器，在保证EFO₁查询通用性和逻辑一致性的同时，降低推理成本并提升性能。
2025-11-12 cs.AI
Probability Aggregates in Probability Answer Set Programming
概率答案集编程是一种声明式编程，已被证明可以有效地表示和推理各种概率推理任务。然而，在析取混合概率逻辑程序（DHPP）语言中，缺乏概率集合，例如{ \em期望值}，使得许多有趣的问题不能自然和简洁地表示。在本文中，我们扩展DHPP允许任意概率聚合。我们引入两种类型的概率聚合;一种类型计算经典聚合的期望值，例如，最小值的期望值，以及计算经典聚合的概率的类型，例如，值之和的概率。此外，我们定义了一个概率答案集语义的DHPP与任意概率聚合，包括单调，反单调，和非单调概率聚合。我们发现，建议的概率答案集语义的DHPP既包含了原来的概率答案集语义的DHPP和经典的析取逻辑程序与经典的聚集的经典答案集语义，从而包含了经典的答案集语义的原始析取逻辑程序。我们表明，建议的概率回答集的DHPP与概率聚集的最小概率模型，因此是不可比的，这是一个重要的属性为非单调概率推理。
2013-04-05 cs.AI
A General Framework for Equivalences in Answer-Set Programming by Countermodels in the Logic of Here-and-There
Technische Universität Wien（维也纳工业大学）
等价的不同概念，例如强等价和一致等价的突出概念，已经在嵌入集编程中进行了研究，主要是为了识别可以作为替代品而不改变语义的程序，例如在程序优化中。这种语义比较通常表现为在这里和那里（HT）逻辑中对模型的各种选择。然而，对于一致等价，HT模型的正确刻画只能针对有限的理论和程序来获得。在这篇文章中，我们表明，HT中的反模型的选择捕获一致等价的无限理论。这一结果被反模型，以及HT模型和反模型的混合（所谓的等价解释）转化为对不同等价概念的连贯表征。此外，我们推广所谓的概念相对化hyperequivalence的方案命题理论，并采用相同的方法，以获得一个语义表征，这是服从于无限的设置。这使得一个提升的结果，一阶理论下的一个非常一般的语义给出的量化版本的HT。因此，我们得到一个一般的框架下的回答集语义学的理论等价的各种概念的研究。此外，我们证明了一个权宜的属性，允许一个简化的处理扩展签名，并提供进一步的结果，非地面逻辑程序。特别是，一致等价符合下开放和普通的答案集语义，并为有限的非地面计划根据这些语义，也通常的表征一致等价的最大和总HT模型的接地是正确的，即使是无限域，当相应的地面程序是无限的。
2010-06-15 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
Towards Automated Integration of Guess and Check Programs in Answer Set Programming: A Meta-Interpreter and Applications
带有析取的回答集编程（ASP）为声明式表示和解决难题提供了一个强大的工具。许多NP完全问题可以以非常简洁和直观的方式编码在逻辑程序的答案集语义中，其中编码反映了NP问题的典型“猜测和检查”性质：该属性以多项式大小的证书对应于程序的稳定模型的方式编码。然而，全析取逻辑程序（DLP）的问题解决能力是超越NP，并捕获一类问题的多项式层次的第二层。虽然这些问题也有一个明确的“猜测和检查”结构，但在DLP中找到反映这种结构的编码有时可能是一个不明显的任务，特别是如果“检查”本身是一个coNP完全问题;通常，这样的问题是通过交错单独的猜测和检查程序来解决的，其中检查由检查程序的不一致性来表达。本文提出了基于元解释技术的无头循环（扩展）析取逻辑程序到分层正（扩展）析取逻辑程序的一般变换。原始程序和变换后的程序的答案集是简单对应的，而且，原始程序的不一致性由变换后的程序的指定答案集指示。我们的转换促进了独立的“猜测”和“检查”程序，这往往是很容易获得，自动集成到一个单一的析取逻辑程序。我们的研究结果补充了最近的结果元解释在ASP中，并扩展方法和技术的声明性的“猜测和检查”的问题解决范式，通过ASP。
2005-01-28 cs.AI
A Framework for Compiling Preferences in Logic Programs
我们介绍了一种方法和框架下的回答集语义表示一般偏好信息的逻辑编程。有序逻辑程序是一种扩展的逻辑程序，其中规则由唯一的术语命名，并且其中规则之间的偏好由形式s < t的一组原子给出，其中s和t是名称。一个有序的逻辑程序被转换成第二个规则的扩展逻辑程序，其中优先权被考虑，因为在转换后的程序中获得的答案集对应于原始程序的优先答案集。我们的方法允许规范的动态排序，其中偏好可以出现在一个程序中任意。静态排序（其中首选项在逻辑程序外部）是一般动态情况的一个微不足道的限制。首先，我们开发了一种特定的方法来推理的偏好，其中的偏好排序指定的规则被应用的顺序。然后，我们展示了我们的框架的广泛的适用性，通过展示如何其他方法，其中包括Brewka和Eiter，可以在我们的框架内捕获。由于这些转换的结果都是一个扩展的逻辑程序，我们可以利用现有的实现，如dlv和models。为此，我们已经开发了一个公开可用的编译器作为这些编程系统的前端。
2002-03-05 cs.AI
Interpolation in Equilibrium Logic and Answer Set Programming: the Propositional Case
King’s College London（伦敦国王学院）；Universidad Politécnica de Madrid（马德里理工大学）；Universidad de Málaga（马拉加大学）
插值是经典逻辑和许多非经典逻辑的重要性质，在计算机科学和人工智能中有着重要的应用。在这里，我们研究的插值性质的命题版本的非单调系统的平衡逻辑，建立较弱或较强的形式的插值依赖于推理关系的精确解释。这些结果也产生了一种形式的插值地面逻辑程序下的回答集语义。对于析取逻辑程序，我们还研究了与变量遗忘概念密切相关的一致插值的性质。
2010-12-17 cs.AI cs.LO
Preferred Answer Sets for Ordered Logic Programs
我们扩展答案集语义处理不一致的程序（包含经典否定），通过找到一个“最佳”的答案集。在不一致的程序中，规则的偏序是很自然的，表示满足某些规则的偏好，可能以违反不太重要的规则为代价。我们表明，这样的规则顺序诱导一个自然的顺序扩展的答案集，我们称之为首选答案集的最小元素。我们描述了所得到的语义的表达性，并表明它可以模拟否定失败，析取和其他一些形式主义，如逻辑程序有序析取。该方法被证明是有用的，在几个应用领域，例如修复数据库，其中最小的维修对应于首选的答案集。逻辑程序设计理论与实践（Theory and Practice of Logic Programming，TPLP）
2004-07-19 cs.AI cs.LO
Propositional satisfiability in answer-set programming
我们表明，命题逻辑及其扩展可以支持答案集编程的方式一样，稳定的逻辑编程和析取逻辑编程。为此，我们介绍了一个逻辑的基础上的逻辑命题图式和封闭世界假设的一个版本。我们称之为CWA（PS+，符号）命题图式的扩展逻辑。这种逻辑的一个重要特征是它支持对集合基数的约束进行显式建模。在本文中，我们刻画了一类问题，可以解决的有限PS+理论。我们实现了一个基于PS+逻辑的编程系统，并在PS+中设计和实现了一个处理理论的求解器。我们提出了令人鼓舞的性能结果，我们的方法-我们表明，它是有竞争力的模型，一个国家的最先进的答案集编程系统的基础上稳定的逻辑编程。
2001-07-19 cs.AI cs.LO
The Ditmarsch Tale of Wonders - The Dynamics of Lying
University of Seville（塞维利亚大学）
我们提出了一个动态的说谎逻辑，其中一个“说谎，φ”（其中φ是一个公式的逻辑）是一个动作的意义上的动态模态逻辑，这是解释为一个状态Transformer相对于公式φ。被转换的状态是指向的Kripke模型，编码了代理人对他们信念的不确定性。谎言可以是关于事实命题的，也可以是关于模态公式的，比如其他代理人的信念或其他代理人谎言的信念后果。我们区分（i）一个外部观察者对系统中建模的代理人撒谎，（ii）一个代理人对另一个代理人撒谎，并且两者都在系统中建模。对于这两种情况，我们进一步区分了（iii）相信它被告知的一切（即使以不一致为代价）的代理人，（iv）只相信它被告知的与其当前信念一致的代理人，以及（v）通过不断修改其当前信念来相信它被告知的一切的代理人。逻辑有完整的公理化，这可以通过它们嵌入到所谓的动作模型逻辑或该逻辑的扩展到信念修正中来最优雅地显示。
2012-03-21 cs.AI cs.LO
Interpolable Formulas in Equilibrium Logic and Answer Set Programming
Bar Ilan University（巴伊兰大学）；King’s College London（伦敦国王学院）；University of Luxembourg（卢森堡大学）
插值是经典和许多非经典逻辑的重要性质，在计算机科学和人工智能中有着重要的应用。本文研究了非单调平衡逻辑系统的插值性质，根据推理关系的精确解释，建立了较弱或较强的插值形式。这些结果也产生了一种形式的插值地面逻辑程序下的回答集语义。对于析取逻辑程序，我们还研究了与变量遗忘概念密切相关的一致插值的性质。平衡逻辑的一阶版本具有类似的插值性质，只要平衡模型的集合是（一阶）可定义的。由于这是所谓的安全程序和理论的情况，因此它适用于实际答案集编程中出现的常见情况。
2014-01-16 cs.AI cs.LO
Justifications for Logic Programs under Answer Set Semantics
New Mexico State University（新墨西哥州立大学）
本文介绍了应答集编程（ASP）中的离线调整的概念。理由提供了一个基于图形的解释原子w.r.t.的真值。给定的答案集。本文还扩展了这一概念，以提供合理的原子在计算的答案集（在线理由），并提出了一个集成的在线理由内的计算模型Smodels。离线和在线的理由提供了有用的工具，以加强对ASP的理解，他们提供了一个基本的数据结构，以支持方法和工具，调试答案集程序。已在ASP-PROGRAM中开发了一个初步实施方案。(To逻辑程序设计理论与实践（Theory and Practice of Logic Programming，TPLP）
2008-12-03 cs.AI cs.PL
Logic Embeddings for Complex Query Answering
IBM Research（IBM研究院）
在不完整的知识库上进行逻辑查询是具有挑战性的，因为：1）它要求隐式链接预测，以及2）存在一阶逻辑查询的蛮力应答在存在变量的数量上是指数的。近年来的查询嵌入方法提供了快速查询的能力，但大多数方法都是用封闭区域来建模集合逻辑，缺乏否定性。支持否定的查询嵌入使用的密度存在缺点：1）只能即兴发挥逻辑，2）使用昂贵的分布，3）对答案的不确定性建模不佳。在本文中，我们提出了逻辑嵌入，一种新的方法来嵌入复杂的查询，使用Skolemisation消除存在的变量进行有效的查询。它支持否定，但改进了密度方法：1）集成了研究良好的t-范数逻辑并直接评估可满足性，2）简化了真值建模，3）用真值界建模不确定性。逻辑嵌入在对大的、不完整的知识图谱的查询应答中具有竞争力的快速和准确性，在否定查询上优于否定查询，并且特别地，提供了对答案不确定性的改进的建模，如答案集大小和嵌入熵之间的优越相关性所证明的。
2021-02-28 cs.AI cs.DB cs.LG
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
An Unfolding-Based Semantics for Logic Programming with Aggregates
本文给出了具有聚集的逻辑程序的回答集的两个等价定义。这些定义建立在聚集体展开的概念上，它们旨在创建将具有聚集体的逻辑程序转换为正常逻辑程序或正程序的方法，其回答集语义可以用于定义原始程序的语义。第一个定义提供了另一种观点的语义逻辑编程与聚合描述Pelov等人。第二个定义是类似于传统的回答集定义正常的逻辑程序，在这一点上，给定一个逻辑程序与聚合和解释，展开过程产生一个积极的程序。本文展示了如何将这一定义扩展到考虑聚集在头部的规则。所提出的具有聚集的逻辑编程的观点是简单的，并且与最终稳定模型语义以及大类程序的其他语义表征（例如，具有单调聚集的程序和聚集分层的程序）。此外，它可以直接用于支持使用可用的答案集求解器的实现。本文描述了一个名为ASP^A的系统，该系统能够计算具有任意（例如，递归定义的）聚集。
2006-05-09 cs.AI cs.SE
Combining Answer Set Programming and POMDPs for Knowledge Representation and Reasoning on Mobile Robots
Texas Tech University（得克萨斯理工大学）
为了在具有部分可观察性、不确定性行为和不可预见变化的领域中广泛部署，机器人需要使传感、处理和与人类的交互适应手头的任务。虽然机器人通常无法处理所有传感器输入或在没有大量领域知识的情况下操作，但提供准确的领域知识是一个挑战，而人类可能没有时间和专业知识来提供详细和准确的反馈。本文描述的架构结合了声明式编程和概率推理来解决这些挑战，使机器人能够：（a）表示和推理不完整的领域知识，解决模糊性和修改现有的知识，使用传感器输入和最小的人类反馈;（b）概率模型的不确定性传感器输入处理和导航。具体来说，回答集编程（ASP），声明式编程范式，结合分层部分可观察马尔可夫决策过程（POMDPs），使用域知识来修改概率信念，并使用积极和消极的意见，可以不再追求的任务提前终止。所有的算法进行评估，在模拟和移动机器人定位目标对象在室内域。
2013-07-29 cs.AI cs.RO
Loop Formulas for Description Logic Programs
Guizhou University（贵州大学）；University of Alberta（阿尔伯塔大学）
Eiter等人提出的描述逻辑程序（DL-programs）为语义Web提供了一种简洁而强大的形式化方法，用于集成回答集编程和描述逻辑。本文将逻辑程序的完备化和循环公式的概念推广到描述逻辑程序，并证明了dl-程序的完备化和循环公式的模型可以精确地捕捉到dl-程序的回答集。此外，我们提出了一个新的，替代的语义DL-程序，称为{ \em规范答案集语义}，这是由模型定义的完成，满足所谓的规范循环公式。规范答案集的一个理想性质是它们没有循环论证。本文还探讨了规范答案集的一些性质。
2010-07-23 cs.AI cs.LO
Implementing Dynamic Answer Set Programming
University of Corunna（拉科鲁尼亚大学）；University of Pau（波城大学）；University of Potsdam（波茨坦大学）
我们介绍了一个扩展的答案集编程（ASP）与语言结构的动态（和时间）逻辑，提供了一个富有表现力的计算框架建模动态应用程序的实现。从有限线性迹上的动态和时态平衡逻辑所提供的逻辑基础出发，我们将动态公式转化为时态逻辑程序。这为我们提供了一个范式结果，建立了不同逻辑中公式的强等价性。我们的翻译依赖于辅助原子的引入，以保证多项式空间复杂度，并提供一个嵌入，这是注定不可能在同一种语言。最后，将动态公式简化为时态逻辑程序允许我们以统一的方式用这两种方法扩展ASP，并通过时态ASP求解器（如Telingo）实现这两种扩展
2020-02-19 cs.AI cs.LO
Reasoning about Actions with Temporal Answer Sets
Università del Piemonte Orientale（皮埃蒙特东方大学）；Università di Torino（都灵大学）
本文结合回答集编程（ASP）和动态线性时间时态逻辑（DLTL）定义了一种时态逻辑程序设计语言，用于推理复杂动作和无限计算。DLTL扩展了线性时间的命题时态逻辑，使用命题动态逻辑的正则程序来索引时态模态。动作语言允许在域描述中包含一般DLTL公式，以约束可能扩展的空间。我们引入了一个概念的时间回答集域描述，通常的概念的基础上的回答集。此外，我们提供了一个标准的ASP域描述的翻译，我们使用有限的模型检验技术的DLTL约束的验证。
2011-10-17 cs.AI cs.LO
Incremental Learning of Event Definitions with Inductive Logic Programming
National Center for Scientific Research “Demokritos”（“德谟克利特”国家科学研究中心）；National University of Athens（雅典国立大学）；University of Piraeus（比雷埃夫斯大学）
事件识别系统依赖于事件定义的适当设计的知识库来及时推断事件的发生。这种知识的手动开发是一项繁琐且容易出错的任务，因此基于事件的应用程序可以受益于自动化知识构建技术，例如归纳逻辑程序设计（ILP），其将机器学习与一阶逻辑的声明性和形式语义相结合。然而，学习时态逻辑形式主义，这通常是利用基于逻辑的事件识别系统是一个具有挑战性的任务，大多数ILP系统不能完全承担。此外，基于事件的数据通常是大量的，并且是在不同的时间和不同的情况下收集的。理想情况下，从时态数据中学习的系统应该能够以增量模式运行，也就是说，在面对新证据时修改先前构建的知识。大多数ILP系统都是批量学习者，在这个意义上，为了解释新的证据，他们别无选择，只能忘记过去的知识，从头开始学习。考虑到ILP固有的复杂性增加和现实生活中的时态数据量，这导致算法的可扩展性差。在这项工作中，我们提出了一个增量的方法，学习和修改基于事件的知识，在事件演算程序的形式。所提出的算法依赖于溯因-归纳学习，并包括一个可扩展的条款细化方法，基于压缩总结的条款覆盖的例子流。我们提出了一个实证评估我们的方法对真实的和合成数据从活动识别和城市交通应用。
2014-11-22 cs.AI cs.LG
Conjunctive Query Containment and Answering under Description Logics Constraints
查询包容和查询应答是数据库中两个重要的计算任务。虽然查询应答相当于计算数据库上的查询结果，但查询包含是检查对于每个数据库，一个查询的结果是否是另一个查询的结果的子集的问题。在本文中，我们处理联合查询，我们解决查询包含和查询回答下的描述逻辑约束。每一个这样的约束本质上是概念和关系之间的包含依赖关系，它们的表达能力是由于使用复杂表达式的可能性，例如，关系的交集和差，量化的特殊形式，二元关系上的正则表达式，依赖关系的规范。这些类型的约束捕获了各种各样的数据模型，包括关系模型、实体关系模型和面向对象模型，所有这些都扩展了各种形式的约束，并且还捕获了在语义Web上下文中使用的本体语言的基本特征。我们提出了以下结果的查询包含和查询回答。给出了描述逻辑约束下的查询包容方法，证明了该问题的可判定性，并分析了其计算复杂性。我们证明，查询包含是不可判定的情况下，我们允许在右手边的查询不等式，即使是非常简单的约束和查询。我们表明，查询回答描述逻辑约束下，可以减少到查询遏制，并说明这样的减少提供了上限结果的组合和数据的复杂性。
2005-07-28 cs.AI cs.DB
The informal semantics of Answer Set Programming: A Tarskian perspective
KU Leuven（鲁汶大学）；University of Nebraska at Omaha（内布拉斯加大学奥马哈分校）；University of Kentucky（肯塔基大学）
在知识表示中，知识工程师对他们编写的形式化表达式有很好的理解是至关重要的。在逻辑的非形式语义学理论中，研究了形式表达式直观地陈述了关于话语域的什么。在本文中，我们研究的回答集编程的非形式语义。答案集编程的根源在于扩展逻辑编程语言，它最初是作为默认和自动认知推理的认知逻辑引入的。1999年，关于答案集编程的开创性论文提出将这种逻辑用于不同的目的，即建模和解决搜索问题。目前，该语言主要用于这一新角色。然而，在这种新的语境中，原有的认识直觉失去了解释的意义。答案集程序如何连接到他们的模型的问题的规格是更容易解释的经典塔斯基语义，其中模型对应于可能的世界，而不是一个认知代理的信念状态。在本文中，我们开发了一个新的理论的非正式语义的答案集编程，这是制定在塔斯基设置和弗雷格的组合性原则的基础上。它与早期的非形式语义学的认知理论有很大的不同，它对连接词在回答集编程中的意义以及它与其他逻辑，特别是经典逻辑的关系提供了不同的观点。
2019-01-26 cs.AI cs.LO
Functional Answer Set Programming
University of Corunna（科鲁尼亚大学）
在本文中，我们提出了一个扩展的答案集编程（ASP），特别是其最一般的逻辑对应，量化平衡逻辑（QEL），以处理部分功能。虽然平等的治疗QEL可以建立在不同的方式，我们首先分析了选择可判定的平等与完整的功能和Herbrand模型，最近提出的文献。我们认为，这种选择产生一些违反直觉的效果，从逻辑编程和知识表示的观点。然后，我们提出了一个变种称为QELF的功能集被划分为部分和Herbrand功能（我们也称之为构造函数）。在本文的其余部分，我们展示了一个直接连接到斯科特的存在逻辑，并提出了一个实际的应用，提出了一个扩展的正常逻辑程序处理部分功能和平等，使他们可以被翻译成功能免费正常的程序，有可能以这种方式计算其答案集与任何标准的ASP求解器。
2010-06-18 cs.AI cs.LO
Automated verification of weak equivalence within the SMODELS system
在答案集编程（ASP）中，通过（i）编写其答案集对应于问题的解的逻辑程序，以及通过（ii）使用答案集求解器作为搜索引擎来计算程序的答案集，来解决手头的问题。通常，程序员在优化程序长度和特定求解器上的执行时间时，为特定问题创建一系列逐渐改进的逻辑程序。这将程序员引向确保程序是等效的元级问题，即，它们产生相同的答案集。为了在方法层面简化答案集编程，我们提出了一种基于翻译的方法来验证逻辑程序的等效性。其基本思想是将所考虑的逻辑程序P和Q转换为单个逻辑程序EQT（P，Q），其答案集（如果存在的话）产生P和Q等价的反例。该方法是在这里开发的一个稍微更一般的设置时，考虑到原子的可见性比较答案集。本文提出的基于推理的方法已被实现为一个翻译器，称为lpeq，使验证弱等价的模型系统内使用相同的搜索引擎的搜索模型。我们用lpeq和smodels进行的实验表明，在某些情况下，用这种方式建立逻辑程序的等价性比简单的交叉检查答案集要快得多。
2006-08-25 cs.AI cs.LO
