公司的一个普遍问题是，产品订单的量有时可能超过生产能力。我们正式介绍了两个新的问题，该问题处理了一个问题，该问题要丢弃或推迟以实现某些（及时性）目标，并尝试通过基于模型的诊断来接触它们。在彻底的分析中，我们确定了诊断问题引入的问题的许多相似之处，但也揭示了关键的特质和概述处理或利用它们的方法。最后，对工业规模的问题实例的概念验证评估来自众所周知的调度基准套件，这表明，基于开箱即用的模型诊断工具可以很好地攻击两个形式化问题之一。

这项工作提出了用于诊断计算方法的分类法，该方法允许其标准化的评估，分类和比较。目的是（i）使研究人员和从业者对可用诊断技术的各种景观的印象，（ii）允许他们轻松地检索主要功能以及方法的优点和缺点，（iii）启用了轻松且易于根据其特征WRT的技术进行明确比较。重要且定义明确的属性的列表，以及（iv）促进为特定问题案例（例如，在实际诊断设置中，用于比较实验评估）或重用，修改，修改，修改，修改，扩展或研究过程中的改进。

各种基于模型的诊断方案需要计算最优选的故障解释。但是，现有的声音算法（即仅输出实际故障说明）并完成（即可以返回所有说明），但是，需要指数空间才能完成此任务。作为一种补救措施，为了在内存限制的设备上成功诊断和记忆密集型问题案例，我们提出了RBF-HS，这是一种基于KORF众所周知的RBFS算法的诊断搜索方法。 RBF-HS可以在线性空间范围内以最佳优先级的方式列举任意固定数量的故障解释，而无需牺牲理想的声音或完整性属性。使用现实世界诊断病例的评估表明，RBF-HS在计算最小心电图解释时，在大多数情况下，可以节省大量空间（最多98％），而仅需要比Reiter的HS-Tree（相比）更多或更少的时间，通常使用的，通常是适用的声音，完整，最好的诊断搜索。

当本体学达到一定的规模和复杂性时，几乎无法避免诸如不一致，不满意的课程或错误的课程等故障。找到导致这些故障的不正确的公理是一项艰巨且耗时的任务。在解决这个问题时，已经提出了几种针对本体学中半自动断层定位的技术。通常，这些方法涉及一个人类专家，该专家为有关预期（正确）本体的系统生成的问题提供答案，以减少可能的故障位置。为了提出尽可能多的信息性问题，现有的方法借鉴了各种算法优化以及启发式方法。但是，这些计算通常基于有关交互用户的某些假设。在这项工作中，我们表征和讨论不同的用户类型，并表明现有方法并不能为所有用户实现最佳效率。作为一种补救措施，我们建议一种新型的专家问题，旨在适合所有分析专家的答案行为。此外，我们提出了一种算法，以优化与现场使用的（尝试和测试的）启发式方法完全兼容的新查询类型。关于现实世界中错误的实验表明，新的查询方法的潜力是将专家咨询时间最小化，而与专家类型无关。此外，获得的见解可以为互动调试工具的设计提供信息，以更好地满足用户的需求。

为了代表，统计样本必须以随机和公正的方式从人群中获取。然而，在基于模型的诊断领域的常见做法是从（偏见）最佳先前样本进行估计。一个例子是计算有缺陷系统的一些最可能的故障解释，并使用这些解释来评估系统的哪个方面（如果测量）将带来最高的信息增益。在这项工作中，我们仔细检查了这些在统计学上没有得到充分的惯例，即诊断研究人员和从业人员已经遵守了数十年的认可，这确实是合理的。为此，我们通过经验分析了产生故障解释的各种抽样方法。我们研究了产生的样品的代表性，这些样本的估计以及它们指导诊断决策的指导程度以及我们研究样本量的影响，采样效率和有效性之间的最佳权衡以及如何比较采样技术的影响确切的。

给定故障系统，顺序诊断旨在确定在异常行为的系统组件方面识别失败的根本原因。由于最初的系统观察通常不足以确定性地固定系统的不当行为，因此其他系统测量可以帮助区分可能的解释。目的是限制解释的空间，直到只剩下一个（高度可能）的解释。为了通过一组最小成本的测量值来实现这一目标，已经提出了各种选择最佳下一个测量值的（主动学习）启发式方法。我们报告了广泛的正在进行的实验的初步结果，并在现实世界诊断病例上进行了一系列选择启发式方法。特别是，我们试图回答诸如“某些启发式词总是比其他所有人都优越？”之类的问题，“特定启发式方法的（相对）性能取决于哪些因素？”或“在哪些情况下我应该使用启发式方法？”

现实世界的语义或基于知识的系统，例如在生物医学领域，可能会变得大而复杂。因此，对此类系统知识库中故障的本地化和修复的工具支持对于它们的实际成功至关重要。相应地，近年来提出了许多知识库调试方法，尤其是基于本体的系统。基于查询的调试是一种相似的交互式方法，它通过向知识工程师提出一系列问题来定位观察到的问题的真正原因。存在这种方法的具体实现，例如本体论编辑器的OntodeBug插件prof \'eg \'e。为了验证新提出的方法比现有方法有利，研究人员通常依靠基于模拟的比较。但是，这种评估方法有一定的局限性，并且通常无法完全告知我们方法的真实性。因此，我们进行了不同的用户研究，以评估基于查询的本体调试的实际价值。研究的一个主要见解是，所考虑的交互方法确实比基于测试案例的替代算法调试更有效。我们还观察到，用户经常在此过程中犯错误，这突出了对用户需要回答的查询的仔细设计的重要性。

We deal with a challenging scheduling problem on parallel machines with sequence-dependent setup times and release dates from a real-world application of semiconductor work-shop production. There, jobs can only be processed by dedicated machines, thus few machines can determine the makespan almost regardless of how jobs are scheduled on the remaining ones. This causes problems when machines fail and jobs need to be rescheduled. Instead of optimising only the makespan, we put the individual machine spans in non-ascending order and lexicographically minimise the resulting tuples. This achieves that all machines complete as early as possible and increases the robustness of the schedule. We study the application of Answer-Set Programming (ASP) to solve this problem. While ASP eases modelling, the combination of timing constraints and the considered objective function challenges current solving technology. The former issue is addressed by using an extension of ASP by difference logic. For the latter, we devise different algorithms that use multi-shot solving. To tackle industrial-sized instances, we study different approximations and heuristics. Our experimental results show that ASP is indeed a promising KRR paradigm for this problem and is competitive with state-of-the-art CP and MIP solvers. Under consideration in Theory and Practice of Logic Programming (TPLP).

In this paper we deal with a complex real world scheduling problem closely related to the well-known Resource-Constrained Project Scheduling Problem (RCPSP). The problem concerns industrial test laboratories in which a large number of tests has to be performed by qualified personnel using specialised equipment, while respecting deadlines and other constraints. We present different constraint programming models and search strategies for this problem. Furthermore, we propose a Very Large Neighborhood Search approach based on our CP methods. Our models are evaluated using CP solvers and a MIP solver both on real-world test laboratory data and on a set of generated instances of different sizes based on the real-world data. Further, we compare the exact approaches with VLNS and a Simulated Annealing heuristic. We could find feasible solutions for all instances and several optimal solutions and we show that using VLNS we can improve upon the results of the other approaches.

算法配置（AC）与对参数化算法最合适的参数配置的自动搜索有关。目前，文献中提出了各种各样的交流问题变体和方法。现有评论没有考虑到AC问题的所有衍生物，也没有提供完整的分类计划。为此，我们引入分类法以分别描述配置方法的交流问题和特征。我们回顾了分类法的镜头中现有的AC文献，概述相关的配置方法的设计选择，对比方法和问题变体相互对立，并描述行业中的AC状态。最后，我们的评论为研究人员和从业人员提供了AC领域的未来研究方向。

回答集编程（ASP）已成为一种流行的和相当复杂的声明问题解决方法。这是由于其具有吸引力的地址解决方案的工作流程，这是可以轻松解决问题解决的方法，即使对于计算机科学外的守护者而言。与此不同，底层技术的高度复杂性使得ASP专家越来越难以将想法付诸实践。有关解决此问题，本教程旨在使用户能够构建自己的基于ASP的系统。更确切地说，我们展示了ASP系统Clingo如何用于扩展ASP和实现定制的专用系统。为此，我们提出了两个替代方案。我们从传统的AI技术开始，并展示元编程如何用于扩展ASP。这是一种相当轻的方法，依赖于Clingo的reation特征来使用ASP本身表达新功能。与此不同，本教程的主要部分使用传统的编程（在Python中）来通过其应用程序编程接口操纵Clingo。这种方法允许改变和控制ASP的整个模型 - 地面解决工作流程。 COMENT of Clingo的新应用程序课程使我们能够通过自定义类似于Clingo中的进程来绘制Clingo的基础架构。例如，我们可能会互动到程序的抽象语法树，控制各种形式的多射击求解，并为外国推论设置理论传播者。另一种横截面结构，跨越元以及应用程序编程是Clingo的中间格式，即指定底层接地器和求解器之间的界面。我们通过示例和几个非琐碎的案例研究说明了本教程的前述概念和技术。

组合优化是运营研究和计算机科学领域的一个公认领域。直到最近，它的方法一直集中在孤立地解决问题实例，而忽略了它们通常源于实践中的相关数据分布。但是，近年来，人们对使用机器学习，尤其是图形神经网络（GNN）的兴趣激增，作为组合任务的关键构件，直接作为求解器或通过增强确切的求解器。GNN的电感偏差有效地编码了组合和关系输入，因为它们对排列和对输入稀疏性的意识的不变性。本文介绍了对这个新兴领域的最新主要进步的概念回顾，旨在优化和机器学习研究人员。

In manufacturing, the production is often done on out-of-the-shelf manufacturing lines, whose underlying scheduling heuristics are not known due to the intellectual property. We consider such a setting with a black-box job-shop system and an unknown scheduling heuristic that, for a given permutation of jobs, schedules the jobs for the black-box job-shop with the goal of minimizing the makespan. Here, the jobs need to enter the job-shop in the given order of the permutation, but may take different paths within the job shop, which depends on the black-box heuristic. The performance of the black-box heuristic depends on the order of the jobs, and the natural problem for the manufacturer is to find an optimum ordering of the jobs. Facing a real-world scenario as described above, we engineer the Monte-Carlo tree-search for finding a close-to-optimum ordering of jobs. To cope with a large solutions-space in planning scenarios, a hierarchical Monte-Carlo tree search (H-MCTS) is proposed based on abstraction of jobs. On synthetic and real-life problems, H-MCTS with integrated abstraction significantly outperforms pure heuristic-based techniques as well as other Monte-Carlo search variants. We furthermore show that, by modifying the evaluation metric in H-MCTS, it is possible to achieve other optimization objectives than what the scheduling heuristics are designed for -- e.g., minimizing the total completion time instead of the makespan. Our experimental observations have been also validated in real-life cases, and our H-MCTS approach has been implemented in a production plant's controller.

This volume contains revised versions of the papers selected for the third volume of the Online Handbook of Argumentation for AI (OHAAI). Previously, formal theories of argument and argument interaction have been proposed and studied, and this has led to the more recent study of computational models of argument. Argumentation, as a field within artificial intelligence (AI), is highly relevant for researchers interested in symbolic representations of knowledge and defeasible reasoning. The purpose of this handbook is to provide an open access and curated anthology for the argumentation research community. OHAAI is designed to serve as a research hub to keep track of the latest and upcoming PhD-driven research on the theory and application of argumentation in all areas related to AI.

域特异性启发式方法是有效解决组合问题的必不可少的技术。当前将特定于域的启发式方法与答案集编程（ASP）集成的方法在处理基于部分分配的非单调指定的启发式方法时，这是不令人满意的。例如，在挑选尚未放入垃圾箱中的物品时，这种启发式方法经常发生。因此，我们介绍了ASP中域特异性启发式方法声明性规范的新颖语法和语义。我们的方法支持启发式陈述，依赖于解决过程中所维持的部分任务，这是不可能的。我们在Alpha中提供了一种实现，该实现使Alpha成为第一个支持声明指定的域特定启发式方法的懒惰的ASP系统。使用两个实际的示例域来证明我们的提议的好处。此外，我们使用我们的方法用A*实施知情}，该搜索首次在ASP中解决。 A*应用于两个进一步的搜索问题。实验证实，结合懒惰的ASP解决方案和我们的新型启发式方法对于解决工业大小的问题至关重要。

在本文档中，我们介绍了Pycsp $ 3 $，是一个Python库，它允许我们以声明方式编写组合受限问题的模型。目前，使用Pycsp $ 3 $，您可以编写约束满足和优化问题的模型。更具体地说，您可以构建CSP（约束满足问题）和COP（约束优化问题）模型。重要的是，建模和解决阶段之间存在完整的分离：您编写模型，您可以编译它（同时提供一些数据）以生成XCSP $ 3 $ instance（文件），并且您通过方法解决该问题实例约束求解器。您还可以直接在Pycsp $ 3 $中试驾解决程序，可能进行增量解决策略。在本文档中，您将找到您需要了解的所有关于Pycsp $ 3 $的所有信息，具有超过50个说明性型号。

机器学习（ML）管道中的组合优化（CO）层是解决数据驱动决策任务的强大工具，但它们面临两个主要挑战。首先，CO问题的解通常是其客观参数的分段常数函数。鉴于通常使用随机梯度下降对ML管道进行训练，因此缺乏斜率信息是非常有害的。其次，标准ML损失在组合设置中不能很好地工作。越来越多的研究通过各种方法解决了这些挑战。不幸的是，缺乏维护良好的实现会减慢采用CO层的速度。在本文的基础上，我们对CO层介绍了一种概率的观点，该观点自然而然地是近似分化和结构化损失的构建。我们从文献中恢复了许多特殊情况的方法，我们也得出了新方法。基于这个统一的观点，我们提出了inferpopt.jl，一个开源的朱莉娅软件包，1）允许将任何具有线性物镜的Co Oracle转换为可区分的层，以及2）定义足够的损失以训练包含此类层的管道。我们的图书馆使用任意优化算法，并且与朱莉娅的ML生态系统完全兼容。我们使用视频游戏地图上的探索问题来证明其能力。

社区检测是网络科学中最重要的方法领域之一，在过去的几十年里引起了大量关注的方法之一。该区域处理网络的自动部门到基础构建块中，目的是提供其大规模结构的概要。尽管它的重要性和广泛的采用普及，所谓的最先进和实际在各种领域实际使用的方法之间存在明显的差距。在这里，我们试图通过根据是否具有“描述性”或“推论”目标来划分现有方法来解决这种差异。虽然描述性方法在基于社区结构的直观概念的网络中找到模式的模式，但是推理方法阐述了精确的生成模型，并尝试将其符合数据。通过这种方式，他们能够为网络形成机制提供见解，并以统计证据支持的方式与随机性的单独结构。我们审查如何使用推论目标采用描述性方法被陷入困境和误导性答案，因此应该一般而言。我们认为推理方法更通常与更清晰的科学问题一致，产生更强大的结果，并且应该是一般的首选。我们试图消除一些神话和半真半假在实践中使用社区检测时，努力改善这些方法的使用以及对结果的解释。

制造公司通常使用复杂的生产计划系统优化生产步骤，通常提供近乎最佳的解决方案。作为交付近乎最佳时间表的缺点，计划系统具有很高的计算需求，导致计算数小时。在正常情况下，如果在执行时间表之前有足够的缓冲时间（例如第二天晚上）。但是，如果发生意外的干扰，例如延迟零件交货或缺陷制造商品，计划的时间表可能无效，而迅速的重新植入变得必要。由于计算要求，这种立即进行的重复不适合现有的最佳规划师。本文提出了一种新颖的解决方案，可以在使用现有计划的不同类型的破坏情况下有效，有效地进行重新设计。该方法是基于想法，以尽可能多地遵守现有时间表，并根据有限的本地变化进行调整。为此，已经设计了一种基于代理的调度机制，其中代理代表材料和生产地点，并使用局部优化技术和谈判来生成适应的（足够但非最佳）时间表。该方法已使用华为的真实生产数据进行了评估，表明有效的时间表是在短时间内生产的。该系统已被实施为概念证明，目前已重新实现并转移到基于Jadex代理平台的生产系统中。

这项工作解决了逆线优化，其中目标是推断线性程序的未知成本向量。具体地，我们考虑数据驱动的设置，其中可用数据是对应于线性程序的不同实例的最佳解决方案的嘈杂的观察。我们介绍了一个问题的新配方，与其他现有方法相比，允许恢复较少的限制性和一般更适当的可允许成本估算。可以表明，该逆优化问题产生有限数量的解决方案，并且我们开发了一个精确的两相算法来确定所有此类解决方案。此外，我们提出了一种有效的分解算法来解决问题的大实例。该算法自然地扩展到在线学习环境，可以用于提供成本估计的快速更新，因为新数据随着时间的推移可用。对于在线设置，我们进一步开发了一种有效的自适应采样策略，指导下一个样本的选择。所提出的方法的功效在涉及两种应用，客户偏好学习和生产计划的成本估算的计算实验中进行了证明。结果表明计算和采样努力的显着减少。