[논문 리뷰] ACLP: Integrating Abduction and Constraint Solving

Antonis Kakas|ArXiv.org|2000. 03. 07.

Logic, Reasoning, and Knowledge참고 문헌 13인용 수 25

한 줄 요약

이 논문은 계획 및 스케줄링과 같은 복잡한 인공지능 문제의 고수준이고 민감한 모델링을 가능하게 하는 기능을 갖춘 기능적 프레임워크인 ACLP를 제시한다. 추론과 제약 조건 해결을 협동적으로 번갈아 적용함으로써, ACLP는 계산 효율성을 유지하면서도 동적 업데이트와 최소 복구 재스케줄링을 지원한다. 실험 결과, 작업장 스케줄링 및 항공기 승무원 스케줄링 문제에서 1초 미만의 재스케줄링 시간과 낮은 변경 수를 달성하였다.

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.

연구 동기 및 목표

• 복잡한 인공지능 문제에 대해 추론 기능을 지원하면서도 계산 효율성을 유지하는 고수준의 기능적 프레임워크를 개발하는 것.
• 제약 조건 해결을 추론에 통합하여 검색 효율성을 향상시키고 점진적인 문제 해결을 지원하는 것.
• 새로운 제약 조건이나 자원 이용 불가와 같은 문제 요구사항의 동적 변화에 대해, 기존 솔루션의 수정을 최소화하여 견고하게 처리할 수 있도록 하는 것.
• 실세계 문제, 예를 들어 변화하는 조건에서의 작업장 및 항공기 승무원 스케줄링 문제에 대해 시스템 성능을 평가하는 것.
• 추론 기반 논리 프로그래밍과 제약 조건 해결을 결합한 방식이 인공지능 응용 분야에서 확장 가능하고 유지보수 용이한 모델링 환경으로서의 가능성 여부를 탐색하는 것.

제안 방법

• ACLP는 ECLiPSe의 CLP 언어 위에 구축된 메타 인터프리터로, 유한 도메인 제약 조건 해결 기능을 활용한다.
• 시스템은 추론 기반 가설 생성과 제약 조건 만족를 협동적으로 번갈아 적용하며, 제약 조건이 추론 검색의 가지치기 과정을 이끈다.
• 추론 감소 과정을 통해 고수준 목표가 추론 가능한 가설과 하위 수준의 제약 조건으로 점진적으로 변환되며, 제약 조건 만족가 일관성을 검증한다.
• 기존 솔루션을 재사용함으로써 새로운 제약 조건 하에서 점진적 또는 수리 기반 계산이 가능하도록 초기 가설을 지원한다.
• 추론 이후에 min_max/2 및 minimize/2와 같은 제약 조건 예측자를 사용하여 최적의 구체적 해를 찾는다.
• 아키텍처는 일반적이고 확장 가능하여, ECLiPSe의 유한 도메인 해결기 외의 다른 제약 조건 해결기에도 적용 가능하다.

실험 결과

연구 질문

• RQ1 복잡한 인공지능 문제에서 계산 효율성을 유지하면서 추론 기반 논리 프로그래밍과 제약 조건 해결을 효과적으로 통합할 수 있는가?
• RQ2 자원 이용 불가와 같은 새로운 제약 조건이 도입되었을 때 ACLP는 재스케줄링 시나리오에서 어떻게 성능을 발휘하는가?
• RQ3 요구사항 변화가 있을 경우 ACLP는 기존 솔루션의 변경을 어느 정도 최소화할 수 있는가?
• RQ4 제약 조건 해결 기능의 통합이 실세계의 계획 및 스케줄링 작업에서 추론의 확장성과 견고성을 향상시키는가?
• RQ5 부분 솔루션이 제공될 경우, 특히 재계산를 최소화하면서도 동적 문제 해결을 지원할 수 있는가?

주요 결과

• ACLP는 기반 CLP 시스템과 비슷한 수준의 계산 성능을 유지하며, 100개 작업 스케줄링 문제에 대해서도 재스케줄링 시간이 2초 이내였다.
• 작업장 스케줄링 문제에서 새로운 자원 이용 불가 상황이 발생했을 때 기존 솔루션의 변경 수는 1~14건으로 제한되었으며, 재스케줄링 시간은 0.27~1.95초였다.
• 25개 작업 스케줄링 문제에서 4건의 변경이 발생했을 경우 재스케줄링 시간은 0.27초였고, 전체 재실행에 비해 0.23초로 거의 동일한 성능를 보였다. 이는 최소한의 오버헤드를 의미한다.
• 새로운 제약 조건이 도입되었을 때 전체 재실행 대비 솔루션 변경 수를 최대 80%까지 줄이는 데 성공하여, 효과적인 최소 복구 능력을 입증하였다.
• 지역적 변화, 예를 들어 블록 월드 문제에서 이동 제약 조건을 수정하는 경우에도 시스템은 성능 저하 없이 견고하게 작동하였다.
• 제약 조건 해결과 추론 기반 추론의 통합을 통해 일관성 없는 추론 경로를 조기에 가지치할 수 있었으며, 이는 검색 효율성을 향상시켰다.