[論文レビュー] ACLP: Integrating Abduction and Constraint Solving

Antonis Kakas|ArXiv.org|Mar 7, 2000

Logic, Reasoning, and Knowledge参考文献 13被引用数 25

ひとこと要約

本論文では、帰納的論理プログラミングと制約論理プログラミングを統合することで、計画やスケジューリングなどの複雑なAI問題の高水準で柔軟なモデリングを可能にする、宣言的フレームワークであるACLPを提示する。帰納的仮説生成と制約解決を協調的にインタリーブすることで、計算効率を維持しながら動的変更や最小限の修正による再スケジューリングをサポートする。実験では、ジョブショップおよび航空機クルーのスケジューリングにおいて、サブ秒未満の再スケジューリング時間と低変更数を達成した。

ABSTRACT

ACLP is a system which combines abductive reasoning and constraint solving by integrating the frameworks of Abductive Logic Programming (ALP) and Constraint Logic Programming (CLP). It forms a general high-level knowledge representation environment for abductive problems in Artificial Intelligence and other areas. In ACLP, the task of abduction is supported and enhanced by its non-trivial integration with constraint solving facilitating its application to complex problems. The ACLP system is currently implemented on top of the CLP language of ECLiPSe as a meta-interpreter exploiting its underlying constraint solver for finite domains. It has been applied to the problems of planning and scheduling in order to test its computational effectiveness compared with the direct use of the (lower level) constraint solving framework of CLP on which it is built. These experiments provide evidence that the abductive framework of ACLP does not compromise significantly the computational efficiency of the solutions. Other experiments show the natural ability of ACLP to accommodate easily and in a robust way new or changing requirements of the original problem.

研究の動機と目的

• 複雑なAI問題における帰納的推論をサポートしつつ、計算効率を維持する高水準の宣言的フレームワークの開発。
• 制約解決を帰納的推論に統合し、探索効率の向上と段階的問題解決の支援を実現。
• 新たな制約やリソースの利用不能といった問題要件の動的変更に対しても、解の変更を最小限に抑えた強固な処理を可能にする。
• 変更する条件下での現実世界の問題、例えばジョブショップおよび航空機クルーのスケジューリングにおけるシステムの性能評価。
• 帰納的論理プログラミングと制約解決を組み合わせることで、スケーラブルで保守性の高いAIアプリケーションのモデリング環境としての実現可能性の探求。

提案手法

• ACLPは、ECLiPSeのCLP言語の上位に位置するメタインタプリタとして実装されており、その有限ドメイン制約ソルバを活用している。
• 帰納的仮説生成と制約充足の協調的インタリーブを採用し、制約が帰納的探索の枝刈りを導く。
• 帰納的還元により、高水準の目的が帰納可能な仮説と低水準の制約に段階的に変換され、制約充足によって整合性が検証される。
• 初期仮説のサポートにより、新たな制約下でも、以前の解を再利用することで段階的または修復ベースの計算が可能になる。
• 最小化のための制約述語（例：min_max/2 および minimize/2）を帰納後処理として用い、最適な具体解を求める。
• アーキテクチャは汎用的かつ拡張可能であり、ECLiPSeの有限ドメインソルバ以外の制約ソルバへの適応も可能である。

実験結果

リサーチクエスチョン

• RQ1 帰納的論理プログラミングを制約解決と効果的に統合することで、複雑なAI問題における計算効率を維持できるか？
• RQ2 リソースの利用不能などの新たな制約が導入された場合、ACLPは再スケジューリングの場面でどの程度の性能を示すか？
• RQ3 要件の変更に伴い、既存の解に対する変更をどの程度最小限に抑えられるか？
• RQ4 制約解決の統合が、現実世界の計画およびスケジューリングタスクにおける帰納的推論のスケーラビリティとロバストネスをどの程度向上させるか？
• RQ5 部分解が利用可能な場合に、ACLPは再計算を最小限に抑えつつ動的問題解決を可能にするか？

主な発見

• ACLPは、下位のCLPシステムと同等のオーダーの計算パフォーマンスを維持しており、100タスクのスケジューリング問題ですら2秒未塔の再スケジューリング時間を達成した。
• ジョブショップスケジューリングにおいて、新たなリソースの利用不能が発生した場合、既存の解に対する変更は1〜14件にとどまり、再スケジューリング時間は0.27〜1.95秒であった。
• 25タスクのスケジューリングにおいて、4件の変更を伴う再スケジューリングは0.27秒で完了したのに対し、完全な再実行は0.23秒であった。これにより、最小限のオーバーヘッドであることが示された。
• 新たな制約が導入された際、ACLPは完全な再実行と比較して、解の変更を最大80％まで削減できた。これは、効果的な最小限の修正能力を示している。
• 局所的な変更、例えばブロックワールド問題における移動制約の変更に対しても、システムは顕著なパフォーマンス劣化を示さず、ロバストネスを示した。
• 制約解決と帰納的推論の統合により、整合性のない帰納的経路の早期枝刈りが可能となり、探索効率が向上した。