Introduction to the 26th International Conference on Logic Programming Special Issue
IMDEA Software Institute（IMDEA软件研究所）；U. Politécnica de Madrid (UPM)（马德里理工大学）；University of Potsdam（波茨坦大学）
这是第26届逻辑程序设计国际会议特刊的序言
2010-08-10 cs.AI cs.LO
Proceedings 40th International Conference on Logic Programming
University of Texas at Dallas（德克萨斯大学达拉斯分校）
该论文集收录第40届国际逻辑程序设计会议（ICLP）的技术内容，涵盖逻辑程序设计的语义、语言设计、程序分析及实现方法学等领域，展现该领域的最新研究成果。
2025-02-11 cs.AI cs.LO
Proceedings 37th International Conference on Logic Programming (Technical Communications)
ICLP是展示逻辑编程研究的首要国际活动。对ICLP 2021的贡献是在逻辑编程的所有领域，包括但不限于：基础：语义学，形式主义，非单调推理，知识表示。语文问题：并发，对象，协调，移动性，高阶，类型，模式，断言，模块，元编程，基于逻辑的特定领域语言，编程技术。编程支持：程序分析、转换、验证、验证、分析、测试、执行可视化。实施情况：编译、虚拟机、存储管理、并行和分布式执行、约束处理规则、制表、外部接口、用户界面。相关范例和协同作用：归纳和共归纳逻辑编程，约束逻辑编程，答案集编程，与SAT，SMT和CSP求解器的交互，定理证明，论证，概率编程，机器学习。应用领域：数据库、大数据、数据集成和联邦、软件工程、自然语言处理、Web和语义网、代理、人工智能、计算生命科学、网络安全、机器人技术、教育。
2021-09-15 cs.AI cs.LO
A note on the Declarative reading(s) of Logic Programming
本文分析了逻辑程序设计的说明性阅读。逻辑编程--以及作为失败的否定--没有唯一的声明性阅读。一个普遍的观点是，逻辑编程是默认推理的逻辑，默认逻辑或自动认知逻辑的子形式主义。在这种观点中，作为失败的否定是一个模态算子。在另一种观点中，逻辑程序被解释为定义。在这种观点中，作为失败的否定是经典的客观否定。从常识的角度来看，这两种观点肯定是有区别的。令人惊讶的是，这两种类型的声明性阅读都导致了相同的模型语义。本说明调查了这一情况的原因。
2000-03-13 cs.AI cs.LO
Stable models and an alternative logic programming paradigm
在本文中，我们重新审视的地方和作用的稳定模型语义在逻辑编程和对比，它与最少Herbrand模型的方法霍恩程序。我们证明了稳定模型语义的固有特征自然会导致一个逻辑编程系统，提供了一个有趣的替代更传统的逻辑编程风格的霍恩逻辑编程，分层逻辑编程和逻辑编程与良好的基础语义。所提出的方法是基于程序条款的约束的解释。在这种情况下，程序不描述一个单一的预期模型，而是一系列稳定的模型。这些稳定的模型编码解决方案的约束满足的问题所描述的程序。我们的方法对逻辑程序的语法施加了限制。特别是，函数符号被从语言中删除。我们认为，由此产生的逻辑编程系统是很好地协调NP类的问题，有一个定义明确的应用领域，和一个新兴的编程方法。我们指出，是什么使整个方法可行的算法来计算命题逻辑程序的稳定模型的实现的最新进展。
1998-09-18 cs.AI cs.LO
ALPprolog --- A New Logic Programming Method for Dynamic Domains
University of Oxford（牛津大学）；The University of New South Wales（新南威尔士大学）
逻辑编程是一个强大的编程范例自主智能体在动态领域，如Golog和Flux语言见证。在这项工作中，我们提出了ALPprolog，一个富有表现力的，但有效的，逻辑程序设计语言的代理，必须对不完整的信息和传感器动作的原因在线控制。
2011-07-26 cs.AI cs.LO
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
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
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
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
Learning Onto-Relational Rules with Inductive Logic Programming
规则补充和扩展了语义Web上的本体。我们将这些规则称为本体关系，因为它们结合了基于DL的本体语言和支持逻辑编程和演绎数据库传统内的关系数据模型的知识表示形式。规则编写是一项要求非常高的知识工程任务，可以通过应用机器学习算法来部分自动化。在这一章中，我们将展示归纳逻辑程序设计（ILP），诞生于机器学习和逻辑程序设计的交叉点，并被认为是关系学习的主要方法，可以适应本体关系学习。为了说明，我们提供了一个具体的本体关系学习解决方案的问题，学习基于规则的定义DL概念和角色与ILP的细节。
2012-10-29 cs.AI cs.DB cs.LG
Neuro-Symbolic Inductive Logic Programming with Logical Neural Networks
IBM Research（IBM研究院）
神经符号归纳逻辑程序设计的最新工作已经导致了有前途的方法，可以从嘈杂的，真实世界的数据中学习解释规则。虽然一些建议近似的逻辑运算符与可微运算符从模糊或实值逻辑是无参数的，从而减少了他们的能力，以适应数据，其他方法只是松散的逻辑，使其难以解释学习的“规则”。在本文中，我们提出了学习规则与最近提出的逻辑神经网络（LNN）。与其他神经网络相比，LNN提供了与经典布尔逻辑的强连接，从而允许精确解释学习的规则，同时包含可以使用基于梯度的优化来训练的参数，以有效地拟合数据。我们将LNN扩展到一阶逻辑中的归纳规则。我们对标准基准测试任务的实验证实，LNN规则具有高度的可解释性，并且由于其灵活的参数化，可以达到相当或更高的精度。
2021-12-06 cs.AI cs.LG cs.LO
Proceedings 35th International Conference on Logic Programming (Technical Communications)
自1982年在马赛举行第一次会议以来，ICLP一直是展示逻辑编程研究的首要国际活动。在逻辑编程的所有领域寻求贡献，包括但不限于：基础：语义学，形式主义，非单调推理，知识表示。语言：并发，对象，协调，移动性，高阶，类型，模式，断言，模块，元编程，基于逻辑的领域特定语言，编程技术。声明式编程：声明式程序开发，分析，类型和模式推理，部分求值，抽象解释，转换，验证，验证，编译，分析，测试，执行可视化实现：虚拟机，编译，存储管理，并行/分布式执行，约束处理规则，制表，外部接口，用户界面。相关范例和协同作用：归纳和协同归纳逻辑程序设计、约束逻辑程序设计、答案集程序设计、与SAT、SMT和CSP求解器的交互、类型推断和定理证明的逻辑程序设计技术、论证、概率逻辑程序设计、与面向对象和函数式程序设计的关系。应用领域：数据库、大数据、数据集成和联合、软件工程、自然语言处理、Web和语义网、代理、人工智能、计算生命科学、教育、网络安全和机器人技术。
2019-09-17 cs.AI cs.LO cs.PL
Proceedings 36th International Conference on Logic Programming (Technical Communications)
自1982年在马赛举行第一次会议以来，ICLP一直是展示逻辑编程研究的首要国际活动。在逻辑编程和相关领域的所有领域征求贡献，包括但不限于：-基础：语义学，形式主义，集合编程，非单调推理，知识表示。- 声明式编程：推理引擎，分析，类型和模式推理，部分求值，抽象解释，转换，验证，验证，建模，分析，测试，基于逻辑的领域特定语言，约束处理规则。- 相关范例和协同作用：归纳和协同归纳逻辑程序设计、约束逻辑程序设计、与SAT、SMT和CSP求解器的交互、用于类型推断和定理证明的逻辑编程技术、论证、概率逻辑程序设计、与面向对象和函数式编程的关系、描述逻辑、神经符号机器学习、混合深度学习和符号推理。- 实施情况：并发和分布，对象，协调，移动性，虚拟机，编译，高阶，类型系统，模块，约束处理规则，元编程，外部接口，用户界面。- 应用领域：数据库、大数据、数据集成和联合、软件工程、自然语言处理、Web和语义网、代理、人工智能、生物信息学、教育、计算生命科学、教育、网络安全和机器人技术。
2020-09-19 cs.AI cs.LO cs.PL
Symmetry breaking for inductive logic programming
本研究提出了一种在归纳逻辑编程中打破对称性的方法，通过答案集编程实现，显著提升了在视觉推理和游戏玩法等领域的求解效率。
2026-01-23 cs.AI cs.LG
Well-Founded Argumentation Semantics for Extended Logic Programming
本文定义了扩展逻辑程序设计的论证语义，并证明了它与具有显式否定的良基语义的等价性。我们建立了一个一般的框架，在这个框架中，我们广泛比较这种语义的其他论证语义，包括那些粪，Prakken和Sartor。我们提出了一个一般的辩证证明理论，这些论证语义。
2002-07-10 cs.AI cs.LO
On Quantified Modal Theorem Proving for Modeling Ethics
Rensselaer Polytechnic Institute（伦斯勒理工学院）
在过去的十年中，形式逻辑已被用来模拟广泛的伦理理论和原则，目标是在自治系统中使用这些模型。用于建模伦理理论的逻辑及其自动推理机的要求与用于其他目的的模态逻辑不同，例如用于时间推理。为了满足这些要求，需要研究新的自动化检验方法。特别是，一个量化的模态逻辑，道义认知事件演算（DCEC），已被用来模拟各种版本的学说的双重效果，akrasia和美德伦理。使用一个片段的DCEC，我们概述了这些不同的特点，并提出了一个草图的算法，可以帮助某些方面证明自动化DCEC。
2019-12-30 cs.AI cs.LO
Inductive logic programming at 30: a new introduction
University of Oxford（牛津大学）；TU Delft（代尔夫特理工大学）
归纳逻辑程序设计（ILP）是机器学习的一种形式。ILP的目标是归纳出一个假设（一组逻辑规则）来概括训练样本。随着ILP的30岁生日，我们为该领域提供了一个新的介绍。我们介绍了必要的逻辑符号和主要的学习设置;描述了ILP系统的构建模块;比较了几个系统的几个维度;描述了四个系统（Aleph，TILDE，ASPAL和Metagol）;突出重点应用领域;最后，总结了当前的限制和未来研究的方向。
2022-03-22 cs.AI cs.LG
Minimum Model Semantics for Extensional Higher-order Logic Programming with Negation
University of Athens（雅典大学）；University of Szeged（塞格德大学）
可拓高阶逻辑程序设计是经典逻辑程序设计的推广。这种范式的一个重要特征是它保留了传统逻辑编程的所有众所周知的属性。在本文中，我们考虑在新的范式的背景下，否定的语义。利用非单调不动点理论的一些最新结果，我们证明了每一个带否定的高阶逻辑程序都有唯一的最小无穷值模型。通过这种方式，我们获得了第一个纯粹的模型论语义的否定在可拓高阶逻辑编程。使用我们的方法，我们解决了一个老的悖论，介绍了W。W. Wadge，以证明高阶逻辑编程的语义困难。
2014-05-15 cs.AI cs.LO cs.PL
Inductive logic programming at 30
University of Oxford（牛津大学）；KU Leuven（鲁汶大学）；Imperial College London（伦敦帝国理工学院）
归纳逻辑程序设计（ILP）是一种基于逻辑的机器学习。目标是归纳出一个假设（一个逻辑程序），概括给定的训练样本。在ILP 30岁之际，我们回顾了过去十年的研究。我们专注于（i）新的元级搜索方法，（ii）学习递归程序的技术，（iii）谓词发明的新方法，以及（iv）使用不同的技术。最后，我们讨论了目前的ILP的局限性和未来的研究方向。
2021-09-22 cs.AI cs.LG
Inductive Logic Programming via Differentiable Deep Neural Logic Networks
Georgia Institute of Technology（佐治亚理工学院）
提出了一种新的范式，通过深度递归神经网络解决归纳逻辑程序设计（ILP）问题。这个建议的ILP求解器的设计基础上，通过正向链接的演绎微分实现。与以往的大多数方法不同，本文通过引入一种新的可微神经逻辑（dNL）网络，直接学习符号逻辑谓词规则，而不是使用一些限制性规则模板搜索可能的一阶逻辑规则空间。所提出的dNL网络能够以显式的方式有效地学习和表示布尔函数。我们表明，建议的dNL-ILP求解器支持理想的功能，如递归和谓词发明。此外，我们研究了所提出的ILP求解器在涉及基准关系数据集的分类任务中的性能。特别是，我们表明，我们提出的方法在Mutagenesis，Cora和IMDB数据集的分类任务中优于最先进的ILP求解器。
2019-06-08 cs.AI cs.LO
Turning 30: New Ideas in Inductive Logic Programming
University of Oxford（牛津大学）；KU Leuven（鲁汶大学）；Imperial College London（帝国理工学院）
对最先进的机器学习的常见批评包括泛化能力差、缺乏可解释性以及需要大量训练数据。我们调查最近的工作在归纳逻辑程序设计（ILP），一种形式的机器学习，诱导逻辑程序从数据，这表明在解决这些限制的承诺。我们专注于学习递归程序，概括从几个例子，从手工制作的背景知识，\emph{learning}背景知识的转变，并使用不同的技术，特别是答案集编程和神经网络的新方法。随着ILP接近30，我们还讨论了未来的研究方向。
2020-04-22 cs.AI cs.LG
Introduction to the 35th International Conference on Logic Programming Special Issue
Sabanci University（萨班哲大学）；Università di Perugia（佩鲁贾大学）；Universitat Politècnica de València（瓦伦西亚理工大学）；NVIDIA Corporation（英伟达公司）
我们很自豪地介绍这期特刊《逻辑编程理论与实践》（TPLP），专门介绍第35届逻辑编程国际会议（ICLP）接受的定期论文。ICLP会议于1982年在马赛开始，此后成为介绍和讨论逻辑编程领域工作的主要场所。正在考虑接受TPLP。
2019-08-10 cs.AI cs.LO cs.PL
Logic Programming for Finding Models in the Logics of Knowledge and its Applications: A Case Study
Arizona State Univ.（亚利桑那州立大学）；New Mexico State Univ.（新墨西哥州立大学）
知识逻辑是模态逻辑，已被证明是有效的表示和推理的知识在多代理领域。用于处理模型计算和知识逻辑中的有用转换的计算框架相对较少（例如，以支持具有知识动作和可见度的多代理规划）。本文探讨了使用逻辑编程（LP）编码有趣的形式的逻辑知识和计算Kripke模型。的LP建模扩展与有用的运营商Kripke结构，以支持多智能体规划中存在的世界改变和知识的行动。这将导致有史以来第一次实现这种类型的复杂的多智能体域的规划。
2010-07-21 cs.AI cs.LO
DeepStochLog: Neural Stochastic Logic Programming
KU Leuven（鲁汶大学）；Örebro University（厄勒布鲁大学）
神经符号学习的最新进展，如DeepProbLog，用神经谓词扩展了概率逻辑程序。像图形模型一样，这些概率逻辑程序定义了可能世界上的概率分布，对于这种概率分布，推理在计算上是困难的。我们提出了DeepStochLog，一个替代的神经符号框架的基础上随机确定子句语法，一种类型的随机逻辑程序，它定义了一个概率分布在可能的推导。更具体地说，我们将神经语法规则引入到随机定冠词语法中，以创建一个可以端到端训练的框架。我们发现，推理和学习神经随机逻辑编程规模远远优于神经概率逻辑程序。此外，实验评估表明，DeepStochLog在具有挑战性的神经符号学习任务上取得了最先进的结果。
2021-06-23 cs.AI cs.LO
Building Rules on Top of Ontologies for the Semantic Web with Inductive Logic Programming
Università degli Studi di Bari（巴里大学）
在本体之上构建规则是语义Web逻辑层的最终目标。为此，目前正在讨论一种用于这一层的特别标记语言。它的目的是遵循传统的混合知识表示和推理系统，如$\mathcal{AL}$ -日志，集成了描述逻辑$\mathcal{ALC}$和无函数霍恩子句语言\textsc{Datalog}。在本文中，我们考虑的问题，这些规则的语义Web的自动化收购。我们提出了一个通用的规则归纳框架，采用归纳逻辑程序设计的方法装置，并依赖于$\mathcal{AL}$ -log的表达和演绎能力。无论归纳的范围（描述与预测）如何，该框架都是有效的。然而，为了说明的目的，我们还讨论了一个实例化的框架，其目的是描述和原来是有用的本体精化。关键词：归纳逻辑程序设计，混合知识表示和推理系统，本体，语义网。逻辑程序设计理论与实践（Theory and Practice of Logic Programming，TPLP）
2007-11-12 cs.AI cs.LG
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
Propositional satisfiability in declarative programming
ASP范式是一种使用逻辑来解决搜索问题的方法。给定一个搜索问题，为了解决它，人们在逻辑中设计了一个理论，以便这个理论的模型代表问题的解决方案。要计算一个问题的解，需要计算相应理论的模型。在逻辑程序设计的基础上，利用稳定模型的语义，发展了几种答案集程序设计形式。在本文中，我们表明，谓词演算的逻辑也产生了有效的实现的ASP范式，类似的精神，逻辑编程与稳定的模型语义和类似的适用范围。具体来说，我们提出了两个逻辑的基础上谓词演算编码搜索问题的形式主义。我们表明，这些逻辑的表达能力是由类NP-搜索。我们演示了如何使用它们在编程和开发计算工具的模型发现。在逻辑的情况下，我们的技术减少问题的命题可满足性，并允许使用现成的可满足性求解器。另一种逻辑的语言具有更复杂的语法，并提供了明确的方法来建模一些高级约束。对于这种逻辑中的理论，我们设计了自己的求解器，它利用了扩展的语法。我们目前的实验结果表明计算的整体方法的有效性。
2002-11-25 cs.AI cs.LO
The Logic Programming Paradigm and Prolog
这是一个关于逻辑编程和Prolog的教程，适合于熟悉命令式编程的学生的程序设计语言课程。
2001-07-12 cs.AI cs.PL
Integrating Reasoning Systems for Trustworthy AI, Proceedings of the 4th Workshop on Logic and Practice of Programming (LPOP)
第4届编程逻辑与实践研讨会聚焦于可信人工智能的推理系统集成，将与第40届国际逻辑编程会议联合于2024年10月13日在美国达拉斯以混合形式举行，重点是集成不同编程模型与规则和约束。
2026-07-27 cs.AI cs.LO cs.PL
Extensional Higher-Order Logic Programming
University of Athens（雅典大学）；University of Victoria（维多利亚大学）
我们提出了一个纯粹的扩展语义高阶逻辑编程。在这个语义中，程序谓词表示有序元组的集合，两个谓词相等当且仅当它们作为集合相等。此外，每个程序都有唯一的最小Herbrand模型，它是程序所有Herbrand模型的最大下界，也是直接结果算子的最小不动点。我们还提出了一个SLD分辨率证明程序，这是证明的声音和完整的最小模型语义。换句话说，我们提供了一个纯粹的扩展的理论框架，高阶逻辑编程的经典（一阶）逻辑编程的熟悉的理论。
2011-06-17 cs.AI cs.LO cs.PL
Temporal Phylogenetic Networks and Logic Programming
时间系统发生网络的概念是一个自然语言家族进化的数学模型。它考虑到这样一个事实，即当语言社区接触时，语言可以相互交换它们的特征，而且只有当语言同时被使用时，接触才是可能的。我们展示了如何计算方法的答案集编程和约束逻辑编程可以用来生成似是而非的approachetures史前语言社区之间的接触，并说明我们的方法，将其应用到印欧语言的进化史。出现在逻辑编程理论与实践（TPLP）中。
2005-08-30 cs.AI cs.LO cs.PL
Expert Systems with Logic#. A Novel Modeling Framework for Logic Programming in an Object-Oriented Context of C#
IU International University of Applied Sciences（IU国际应用科学大学）
我们提出了一种新的方法如何逻辑编程的专家系统可以直接声明在一个面向对象的语言。
2022-05-16 cs.AI cs.PL
Logic Programming Semantics for Causal Processes
German University Of Digital Science Potsdam（德国波茨坦数字科学大学）
研究逻辑程序设计语义与因果过程最终状态的关系，指出正逻辑程序稳定模型对应特定过程最终状态，支持模型描述任意起点可达状态，为逻辑程序设计语义讨论提供新视角及时间维度。
2026-07-24 cs.AI cs.LO cs.PL
Are You the A-hole? A Fair, Multi-Perspective Ethical Reasoning Framework
本文提出一种结合神经语义提取与形式求解器的多视角伦理推理框架，通过MaxSAT解决高冲突领域中的逻辑一致性问题，实验显示其在Reddit论坛中生成的裁决在62%的情况下偏离流行标签，且与人类评估者一致率高达86%。
2026-04-30 cs.AI cs.CL cs.CY
Proceedings of the First International Workshop on Argumentation in Logic Programming and Non-Monotonic Reasoning (Arg-LPNMR 2016)
本卷包含Arg-LPNMR 2016上发表的论文：第一届逻辑编程和非单调推理论证国际研讨会，于2016年7月8日至10日在纽约州纽约市举行。
2016-11-08 cs.AI
Logic Programming with Satisfiability
本文提出了一个Prolog接口的MiniSat可满足性求解器。具有可满足性的逻辑程序- ming结合了两种范式的优势：一方面将搜索问题编码为可满足性的逻辑编程，另一方面有效地求解SAT。这两者之间的协同作用暴露了一个编程范式，我们在这里提出的逻辑编程珍珠。为了说明逻辑编程与SAT解决我们给出了一个例子Prolog程序解决部分MAXSAT的实例。
2007-02-13 cs.AI cs.PL
Proceedings 39th International Conference on Logic Programming
Imperial College London（伦敦帝国学院）
本卷为ICLP 2023会议的技术通讯集，涵盖主轨道、博士联盟、应用与系统/演示、近期发表研究、兴趣小组及逻辑程序设计与机器学习、可解释性、伦理和可信赖性等主题轨道。
2023-08-28 cs.AI cs.LO cs.PL
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
Probabilistic Logic Programming under Inheritance with Overriding
我们提出了概率逻辑编程下的继承覆盖。这种方法是基于新的概念蕴涵推理的条件约束，这是从经典的概念逻辑蕴涵通过添加继承与覆盖的原则。这是通过使用最近的方法概率默认推理与条件约束。我们分析了新蕴涵关系的语义特性。我们还提出了概率逻辑编程的算法继承覆盖，程序转换，以提高效率。
2013-01-10 cs.AI
Introduction to the 28th International Conference on Logic Programming Special Issue
Univ. di Udine（乌迪内大学）；CRACS（高级计算研究中心）；INESC-TEC（葡萄牙系统与计算机工程研究所-技术与科学）；Univ. do Porto（波尔图大学）
我们很自豪地介绍这期《逻辑编程理论与实践杂志》（TPLP）的特刊，致力于第28届逻辑编程国际会议（ICLP）的论文全文。ICLP会议于1982年在马赛开始，此后成为介绍和讨论逻辑编程领域工作的主要场所。
2012-10-15 cs.AI cs.PL
Towards Distributed Logic Programming based on Computability Logic
DongA University（东亚大学）
{ \em Computability logic}（CoL）是一个强大的计算模型，它将计算问题视为机器及其环境之间的博弈。在本文中，我们表明，CoL自然支持分布式控制的多智能体编程模型。具体地说，我们讨论了一个基于CoL的分布式逻辑编程模型（确切地说是CL 1），我们称之为CL 1 ^Ω。该模型的主要特点是支持Agent的$dynamic/evolving$知识库。事实证明，这种模型是实现通用AI和未来计算模型的一种有前途的方法。
2022-08-07 cs.AI cs.PL
Parallel Logic Programming: A Sequel
Università di Udine（乌迪内大学）；GNCS-INdAM（意大利国家高等数学研究院-国家科学计算小组）；University of Texas at Dallas（德克萨斯大学达拉斯分校）；IMDEA Software Institute（IMDEA 软件研究所）；Universidad Politécnica de Madrid（马德里理工大学）；New Mexico State University（新墨西哥州立大学）；CRACS/INESC TEC（CRACS/INESC TEC 研究所）；University of Porto（波尔图大学）
多核和高度连接的架构已经变得无处不在，这带来了新的兴趣，基于语言的方法来开发并行性。逻辑程序设计自诞生以来就被认为是一种具有巨大潜力的并行性自动开发的编程范式。2001年出版的对并行逻辑编程前二十年研究的全面调查，一直是研究人员和开发人员的基本参考。这些内容在今天是相当有效的，但与此同时，该领域在随后的几年中继续快速发展。这些成就和正在进行的研究中有许多是由技术创新的快速步伐推动的，这导致了诸如超大型集群、多核处理器的广泛普及、通用图形处理单元的游戏规则改变作用以及云计算的普遍采用等进步。这已经被逻辑编程中的重大进步所证实，例如制表、更强大的静态分析和验证、应答集编程的快速增长，以及一般来说，更成熟的实现和系统。本次调查提供了自2001年以来的并行逻辑编程研究的回顾，从而提供了前一次调查的自然延续。该调查的目标是不仅作为逻辑编程系统的研究人员和开发人员的参考，而且作为对逻辑感兴趣的任何人的引人入胜的阅读，并作为逻辑编程之外的并行系统研究人员的有用资源。逻辑程序设计理论与实践（TPLP）
2022-01-24 cs.AI cs.DC cs.LO
Non-Deterministic Approximation Fixpoint Theory and Its Application in Disjunctive Logic Programming
Open Universiteit（开放大学）；Tel-Aviv Academic College（特拉维夫学术学院）；Vrije Universiteit Brussel（布鲁塞尔自由大学）
近似不动点理论（AFT）是研究非单调逻辑语义的一个抽象而通用的代数框架。它提供了对非单调推理的不同形式主义的语义的统一研究，例如逻辑编程、默认逻辑和自认识逻辑。在本文中，我们将AFT扩展到处理非确定性结构，允许处理不确定的信息，例如由析取公式表示。这是通过将AFT的主要构造和相应结果推广到非确定性算子来完成的，其范围是元素的集合而不是单个元素。这种概括的适用性和有用性的上下文中说明的析取逻辑编程。
2022-12-01 cs.AI
AppLP: A Dialogue on Applications of Logic Programming
Stony Brook University（石溪大学）
本文介绍了2016年逻辑编程应用研讨会（AppLP）的贡献，该研讨会于10月17日举行，与纽约市法拉盛的逻辑编程国际会议（ICLP）有关。
2017-04-07 cs.AI cs.LO cs.PL
A Logic Programming Framework for Possibilistic Argumentation with Vague Knowledge
University of Lleida（莱里达大学）；Universidad Nacional del Sur（南方国立大学）；IIIA – CSIC（西班牙国家研究委员会人工智能研究所）
可废止的论证框架已经发展成为一个健全的设置，从不完整的和潜在的不一致的知识形式化常识，定性推理。可废止逻辑程序设计（DeLP）是一种基于逻辑程序设计扩展的可废止论证形式。虽然DeLP已经成功地集成在许多不同的现实世界的应用程序，DeLP不能处理明确的不确定性，也不与模糊的知识，因为可解除性是直接编码在对象语言。本文介绍了P-DeLP，一种新的逻辑程序设计语言，扩展了原来的DeLP定性推理的能力，将处理可能性的不确定性和模糊知识。这些功能将正式的基础上PGL，可能性逻辑的基础上哥德尔模糊逻辑。
2012-07-11 cs.AI
Programming in logic without logic programming
Imperial College London（伦敦帝国学院）
在以前的工作中，我们提出了一个基于逻辑的框架，其中计算是执行的行动，试图作出反应的规则的形式，如果前件，然后在一个规范模型的逻辑程序确定的初始状态，事件序列，以及随后的状态序列。在这种模型论语义中，反应规则是驱动力，而逻辑程序只起辅助作用。在规范模型中，状态、动作和其他事件用时间戳表示。但在操作语义中，为了效率起见，省略了时间戳，仅维护当前状态。状态转换是通过执行操作来反应性地执行的，以便在前件变为真时使规则的后件变为真。这种操作语义是合理的，但不完整。它不能通过阻止它们的前因变为真，或者在它们的前因变为真之前主动地使它们的后因变为真，来使反应性规则变为真。本文给出了反应式模型的概念，证明了操作语义可以生成所有且仅生成反应式模型。为了专注于主要问题，我们省略了框架的逻辑编程组件。
2016-01-05 cs.AI
Neural Probabilistic Logic Programming in DeepProbLog
KU Leuven（鲁汶大学）；Cardiff University（卡迪夫大学）；Ghent University - imec（根特大学-imec）
我们介绍DeepProbLog，这是一种神经概率逻辑程序设计语言，通过神经谓词结合了深度学习。我们将展示如何现有的推理和学习技术的基础概率逻辑程序设计语言ProbLog可以适应新的语言。我们从理论和实验上证明了DeepProbLog支持（i）符号和子符号表示和推理，（ii）程序归纳，（iii）概率（逻辑）编程，以及（iv）从示例中进行（深度）学习。据我们所知，这项工作是第一个提出一个框架，其中通用神经网络和表达概率逻辑建模和推理集成的方式，利用充分的表现力和两个世界的优势，可以训练端到端的基础上的例子。
2019-09-23 cs.AI
Lazy Explanation-Based Approximation for Probabilistic Logic Programming
我们介绍了一个懒惰的方法，基于推理的概率逻辑程序的近似。在搜索解释时，它只使用程序中最重要的部分。其结果是一个快速和随时近似推理算法，返回硬下限和上限的确切概率。我们的实验表明，这种方法优于国家的最先进的近似推理。
2015-07-10 cs.AI
DeepProbLog: Neural Probabilistic Logic Programming
KU Leuven（鲁汶大学）；Cardiff University（卡迪夫大学）；Ghent University - imec（根特大学-校际微电子中心）
我们介绍DeepProbLog，这是一种概率逻辑程序设计语言，通过神经谓词结合了深度学习。我们展示了如何现有的推理和学习技术可以适应新的语言。我们的实验表明，DeepProbLog支持符号和子符号表示和推理，1）程序归纳，2）概率（逻辑）编程，3）从示例中进行（深度）学习。据我们所知，这项工作是第一个提出一个框架，其中通用神经网络和表达概率逻辑建模和推理集成的方式，利用充分的表现力和两个世界的优势，可以训练端到端的基础上的例子。
2018-12-12 cs.AI
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
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
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
FLUX: A Logic Programming Method for Reasoning Agents
FLUX是一种用于设计代理的编程方法，该代理在存在不完整知识的情况下对它们的动作和传感器信息进行逻辑推理。FLUX的核心是一个约束处理规则系统，它使代理能够维护其环境的内部模型，并通过该模型控制自己的行为。流演算的一般动作表示形式为约束求解器提供了形式语义。FLUX表现出出色的计算行为，由于这两个仔细限制的表达和推理范式的进展。
2004-08-19 cs.AI
