在科学和工程领域中，搜索优化问题是很多。长期以来，人工智能为搜索算法和旨在解决和建模搜索优化问题的宣言编程语言的发展做出了贡献。自动推理和知识表示是AI的子场，这些子场尤其归属这些发展。许多流行的自动推理范式为用户提供支持优化语句的语言。召回整数线性编程，MAXSAT，优化满意度模型理论和（约束）答案集编程。这些范式在其语言上以它们在计算解决方案上表达质量条件的方式差异很大。在这里，我们提出了一个所谓的扩展权重系统的统一框架，以消除范式之间的句法区别。它们使我们能够看到不同自动推理语言提供的优化语句之间的基本相似性和差异。我们还研究了提议的系统的形式属性，这些系统立即转化为可以在我们的框架内捕获的范式的形式属性。在逻辑编程（TPLP）的理论和实践中考虑的考虑因素。

在科学和工程领域中，搜索优化问题是很多。长期以来，人工智能为搜索算法和旨在解决和建模搜索优化问题的宣言编程语言的发展做出了贡献。自动推理和知识表示是AI的子场，这些子场尤其归属这些发展。许多受欢迎的自动推理范式为用户提供支持优化语句的语言：MAXSAT或答案集编程，仅举几例。这些范式的语言以及它们在计算解决方案上表达质量条件的方式差异很大。在这里，我们提出了一个所谓权重系统的统一框架，该框架消除了范式之间的句法区别，并使我们能够看到范式提供的优化语句之间的基本相似之处和差异。这种统一的前景在自动推理和知识表示的优化和模块化研究中具有重要的简化和解释潜力，从而为弥合不同的形式主义和开发翻译求解器提供了技术手段。在逻辑编程（TPLP）的理论和实践中考虑的考虑因素。

我们概述了在其知识表示和声明问题解决的应用中的视角下的时间逻辑编程。这些程序是将通常规则与时间模态运算符组合的结果，如线性时间时间逻辑（LTL）。我们专注于最近的非单调形式主义的结果​​称为时间平衡逻辑（电话），该逻辑（电话）为LTL的全语法定义，但是基于平衡逻辑执行模型选择标准，答案集编程的众所周知的逻辑表征（ASP ）。我们获得了稳定模型语义的适当延伸，以进行任意时间公式的一般情况。我们记得电话和单调基础的基本定义，这里的时间逻辑 - 和那里（THT），并研究无限和有限迹线之间的差异。我们还提供其他有用的结果，例如将转换成其他形式主义，如量化的平衡逻辑或二阶LTL，以及用于基于自动机计算的时间稳定模型的一些技术。在第二部分中，我们专注于实际方面，定义称为较近ASP的时间逻辑程序的句法片段，并解释如何在求解器Telingo的构建中被利用。

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。

我们在答案集编程（ASP）中，提供了全面的可变实例化或接地的理论基础。在ASP的建模语言的语义上构建，我们在（固定点）运营商方面介绍了接地算法的正式表征。专用良好的运营商扮演了一个主要作用，其相关模型提供了划定接地结果以及随机简化的语义指导。我们地址呈现出一种竞技级逻辑程序，该程序包含递归聚合，从而达到现有ASP建模语言的范围。这伴随着一个普通算法框架，详细说明递归聚集体的接地。给定的算法基本上对应于ASP接地器Gringo中使用的算法。

在过去几年的几十年中，致力于更新稳定模型语义（AKA答案设置程序）下更新逻辑计划的问题，或者换句话说，表现出培养结果的问题 - 当它描述更改时，遵守逻辑程序。而最先进的方法是在古典逻辑背景下的相同基本的直觉和愿望被指导，他们基于根本不同的原则和方法，这阻止了可以拥抱两个信念的统一框架规则更新。在本文中，我们将概述与答案设置的编程更新相关的一些主要方法和结果，同时指出本主题研究的一些主要挑战。

我们提出了一种使用绑架过程，在给定的答案集编程（ASP）规则集（ASP）规则集方面生成可能的查询证明，该过程仅根据输入规则自动构建了陈腐的空间。给定一组（可能是空的）用户提供的事实，我们的方法会渗透到需要查询的任何其他事实，然后输出这些额外的事实，而无需用户需要明确指定所有占有无误的空间。我们还提出了一种方法，以生成与查询的理由图相对应的一组定向边缘。此外，通过不同形式的隐式术语替换，我们的方法可以考虑用户提供的事实并适当修改绑架解决方案。过去的绑架工作主要基于目标定向方法。但是，这些方法可能导致并非真正声明的求解器。关于实现绑架的绑架者，例如Clingo ASP求解器，做出的工作要少得多。我们描述了可以直接在Clingo中运行的新型ASP程序，以产生绑架解决方案和定向边缘集，而无需修改基础求解引擎。

本文继续进行研究旨在研究逻辑程序与一阶理论之间的关系。我们将程序完成的定义扩展到具有输入和输出的程序的定义，以ASP接地器Gringo的输入语言的子集，研究稳定模型与在此背景下完成之间的关系，并使用两种软件工具（使用两个软件工具）来描述初步实验国歌和吸血鬼，以验证输入和输出的程序的正确性。定理的证明是基于将本文研究的程序语义与稳定模型的一阶公式模型相关联的引理。在TPLP中接受的考虑。

从建模和复杂性角度来看，跨不同范围领域的统计关系表示的行为已成为研究的焦点领域。 2018年，Jaeger和Schulte将分布家族作为关键特性提出了预测性，以确保边际推断与域大小无关。但是，Jaeger和Schulte认为该域仅以其大小为特征。这项贡献将投影率的概念从域大小索引的分布家族到从数据库中进行扩展数据的函数。这使得投影率可用于采用结构化输入的大量应用程序。我们将投影性分配家庭的已知吸引人属性转移到新环境中。此外，我们证明了对无限域的投影率与分布之间的对应关系，我们用来将其统一和推广到无限域中的统计关系表示。最后，我们使用扩展的投影率概念来定义进一步的加强，我们称之为$ \ sigma $ - 标题性，并允许在保留投影率的同时以不同的模式使用相同的表示。

我们从答案集编程的民间传说中占据了一个想法，即选择，完整性约束以及限制规则格式足以回答集编程。我们在这里的逻辑的背景下详细说明了这个想法的基础，并展示了如何通过定义从扩展的逻辑原则派生。然后，我们提供了一种AUSTERE形式的逻辑程序，可以用作类似于古典逻辑中的联合常规表的逻辑程序的正常形态。最后，我们采取关键的想法，并为ASP初学者提出建模方法，并说明如何使用它。

形状约束语言（SHACL）是通过验证图表上的某些形状来验证RDF数据的最新W3C推荐语言。先前的工作主要集中在验证问题上，并且仅针对SHACL的简化版本研究了对设计和优化目的至关重要的可满足性和遏制的标准决策问题。此外，SHACL规范不能定义递归定义的约束的语义，这导致文献中提出了几种替代性递归语义。尚未研究这些不同语义与重要决策问题之间的相互作用。在本文中，我们通过向新的一阶语言（称为SCL）的翻译提供了对SHACL的不同特征的全面研究，该语言精确地捕获了SHACL的语义。我们还提出了MSCL，这是SCL的二阶扩展，它使我们能够在单个形式的逻辑框架中定义SHACL的主要递归语义。在这种语言中，我们还提供了对过滤器约束的有效处理，这些滤镜经常在相关文献中被忽略。使用此逻辑，我们为不同的SHACL片段的可满足性和遏制决策问题提供了（联合）可决定性和复杂性结果的详细图。值得注意的是，我们证明这两个问题对于完整的语言都是不可避免的，但是即使面对递归，我们也提供了有趣的功能的可决定性组合。

我们提出Plingo，这是具有各种概率推理模式的ASP系统clingo的扩展。Plingo以Lp^mln为中心，Lp^mln是基于Markov Logic的权重方案的ASP的概率扩展。这种选择是由于可以将核心概率推理模式映射到优化问题的事实而动机，并且LP^mln可以用作与其他概率方法相关的中间地形式主义。结果，Plingo为Lp^mln，P-Log和Problog提供了三个替代前端。相应的输入语言和推理模式是通过Clingo的多拍和理论解决功能来实现的。pling脚的核心等于在现代ASP技术方面重新实现LP^mln，并以一种基于新方法以最佳顺序进行答案集枚举的近似技术扩展。我们通过将Plingo的性能与其他概率系统进行比较，从经验上评估。

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。

Approximation fixpoint theory (AFT) is an abstract and general algebraic framework for studying the semantics of nonmonotonic logics. It provides a unifying study of the semantics of different formalisms for nonmonotonic reasoning, such as logic programming, default logic and autoepistemic logic. In this paper, we extend AFT to dealing with non-deterministic constructs that allow to handle indefinite information, represented e.g. by disjunctive formulas. This is done by generalizing the main constructions and corresponding results of AFT to non-deterministic operators, whose ranges are sets of elements rather than single elements. The applicability and usefulness of this generalization is illustrated in the context of disjunctive logic programming.

我们从逻辑和公式大小方面概念化了解释性，在非常一般的环境中给出了许多相关的解释性定义。我们的主要兴趣是所谓的特殊解释问题，旨在解释输入模型中输入公式的真实价值。解释是一个最小尺寸的公式，（1）与输入模型上的输入公式一致，（2）将所涉及的真实价值传输到全球输入公式，即每个模型上。作为一个重要的例子，我们在这种情况下研究了命题逻辑，并表明在多项式层次结构的第二级中，特殊的解释性问题是完整的。我们还将在答案集编程中提供了此问题的实施，并研究了其与解释N-Queens和主导集合问题的答案有关的能力。

Two approaches to AI, neural networks and symbolic systems, have been proven very successful for an array of AI problems. However, neither has been able to achieve the general reasoning ability required for human-like intelligence. It has been argued that this is due to inherent weaknesses in each approach. Luckily, these weaknesses appear to be complementary, with symbolic systems being adept at the kinds of things neural networks have trouble with and vice-versa. The field of neural-symbolic AI attempts to exploit this asymmetry by combining neural networks and symbolic AI into integrated systems. Often this has been done by encoding symbolic knowledge into neural networks. Unfortunately, although many different methods for this have been proposed, there is no common definition of an encoding to compare them. We seek to rectify this problem by introducing a semantic framework for neural-symbolic AI, which is then shown to be general enough to account for a large family of neural-symbolic systems. We provide a number of examples and proofs of the application of the framework to the neural encoding of various forms of knowledge representation and neural network. These, at first sight disparate approaches, are all shown to fall within the framework's formal definition of what we call semantic encoding for neural-symbolic AI.

处理上下文依赖知识导致了上下文概念的不同形式化。其中包括上下文化的知识存储库（CKR）框架，它扎根于描述逻辑，而是强烈地与逻辑程序的关键联系，特别是逻辑程序和应答设置编程（ASP）。 CKR框架迎合了在上下文中具有缺陷的公理和例外的推理，这在覆盖范围（特异性）层级中的上下文中扩展到知识继承。然而，该方法仅支持这种单一类型的上下文关系，并且由于例外情况下的模型偏好的非普通问题而仅适用于受限制的层次结构。在本文中，我们克服了这些限制，并呈现了CKR层次的概括到多个上下文关系，以及他们对不可行的公理和偏好的解释。为了支持推理，我们使用带有代数措施的ASP，这是最近的ASP与加权公式的延伸，允许一个允许根据命题原子的真实值将数量与解释联系起来。值得注意的是，我们表明，对于具有多个上下文关系的CKR层次结构的相关片段，可以使用流行的ASPrin框架实现查询应答。代数措施方法更强大，并实现了例如。通过CKRS的认知查询推理，它打开了在其他应用中使用定量ASP扩展的有趣的视角。

忘记 - 或可变消除 - 是一种允许从知识库中删除中间变量的操作，不再被视为相关。近年来，已经提出了许多忘记答案编程的不同方法，以特定运营商或这些运营商的类别，通常遵循不同的原则并遵守不同的性质。开发了每个这样的方法，以解决忘记某些特定的观点，旨在遵守在这种观点中认为所希望的特定属性，但缺少所有现有运营商和属性的全面和统一概述。在本文中，我们彻底检查了现有的属性和（类别的）运营商忘记了答案集编程，绘制了这些遗忘运营商的景观的完整图片，其中包括许多新颖的属性和运营商之间关系的结果，包括考虑因素在混凝土运营商上，计算遗忘和计算复杂性的结果。我们的目标是提供指导，帮助用户选择运营商最适合其应用要求。

Posibilistic Logic是处理不确定和部分不一致信息的最扩展方法。关于正常形式，可能性推理的进步大多专注于字幕形式。然而，现实世界问题的编码通常导致非人（NC）公式和NC-To-Clausal翻译，产生严重的缺点，严重限制了字符串推理的实际表现。因此，通过计算其原始NC形式的公式，我们提出了几种贡献，表明可能在可能的非字词推理中也是可能的显着进展。 {\ em首先，我们定义了{\ em possibilistic over非词素知识库，}或$ \ mathcal {\ overline {h}} _ \ sigma $的类别，其中包括类：可能主义的喇叭和命题角 - NC。 $ \ mathcal {\ overline {h}} _ \ sigma $被显示为标准喇叭类的一种NC类似的。 {\ em hightly}，我们定义{\ em possibilistic非字词单元分辨率，}或$ \ mathcal {u} _ \ sigma $，并证明$ \ mathcal {u} _ \ sigma $正确计算不一致程度$ \ mathcal {\ overline {h}} _ \ sigma $成员。 $ \ Mathcal {Ur} _ \ \ Sigma $之前未提出，并以人为人的方式制定，这会让其理解，正式证明和未来延伸到非人类决议。 {\ em第三}，我们证明计算$ \ mathcal {\ overline {h}} _ \ sigma $成员的不一致程度是多项式时间。虽然可能存在于可能存在的逻辑中的贸易课程，但所有这些都是字符串，因此，$ \ mathcal {\ overline {h}} _ \ sigma $ of to是可能的主要推理中的第一个特征的多项式非锁友类。

归纳逻辑编程（ILP）是一种机器学习的形式。ILP的目标是诱导推广培训示例的假设（一组逻辑规则）。随着ILP转30，我们提供了对该领域的新介绍。我们介绍了必要的逻辑符号和主要学习环境;描述ILP系统的构建块;比较几个维度的几个系统;描述四个系统（Aleph，Tilde，Aspal和Metagol）;突出关键应用领域;最后，总结了未来研究的当前限制和方向。