[论文解读] 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 25

一句话总结

本文提出ACLP，一种将归纳逻辑编程与约束逻辑编程相结合的声明式框架，用于高效、灵活地建模复杂人工智能问题（如规划与调度）。通过协作式交错执行归纳假设生成与约束求解，ACLP在保持计算效率的同时支持动态更新与最小修复式重调度。实验表明，在作业车间调度与机组人员调度任务中，其重调度时间均低于1秒，且修改次数极少。

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.

研究动机与目标

• 开发一种高层级声明式框架，支持复杂AI问题的归纳推理，同时保持计算效率。
• 将约束求解集成到归纳推理中，以提升搜索效率并支持增量式问题求解。
• 实现对问题需求动态变化（如新增约束或资源不可用）的稳健处理，同时最小化解的修改。
• 在作业车间调度与机组人员调度等真实世界问题上评估系统在条件变化下的性能表现。
• 探索将归纳逻辑编程与约束求解结合，作为AI应用可扩展、可维护的建模环境的可行性。

提出的方法

• ACLP 实现为基于 ECLiPSe 的 CLP 语言之上的元解释器，利用其有限域约束求解器。
• 系统采用归纳假设生成与约束满足的协作式交错机制，其中约束用于引导归纳搜索剪枝。
• 归纳约化逐步将高层目标转化为可归因的假设与低层约束，约束满足用于验证一致性。
• 系统支持初始假设，通过在新约束下重用先前解，实现增量式或修复式计算。
• 在归纳之后使用约束谓词（如 min_max/2 和 minimize/2）以寻找最优的底层解。
• 该架构具有通用性与可扩展性，可适配 ECLiPSe 有限域求解器以外的其他约束求解器。

实验结果

研究问题

• RQ1 归纳逻辑编程能否与约束求解有效结合，以在复杂AI问题中保持计算效率？
• RQ2 当引入新约束（如资源不可用）时，ACLP在重调度场景下的表现如何？
• RQ3 当需求演化时，ACLP在多大程度上能最小化对已有解的修改？
• RQ4 约束求解的集成是否提升了归纳推理在真实世界规划与调度任务中的可扩展性与鲁棒性？
• RQ5 ACLP能否在部分解可用的情况下，以极少的重新计算支持动态问题求解？

主要发现

• ACLP 的计算性能与底层 CLP 系统处于同一数量级，即使在 100 个任务的调度问题中，重调度时间也低于 2 秒。
• 在作业车间调度中，因新增资源不可用而重调度时，仅需对原解进行 1 至 14 次修改，重调度时间为 0.27 至 1.95 秒。
• 对于 25 个任务的调度，4 次修改的重调度耗时 0.27 秒，与完整重新执行的 0.23 秒相比，仅产生极小开销。
• 当引入新约束时，与完整重新执行相比，系统将解的修改次数减少了高达 80%，充分体现了有效的最小修复能力。
• 系统对局部变化（如在积木世界问题中修改移动约束）表现出鲁棒性，未出现显著性能下降。
• 将约束求解与归纳推理结合，可提前剪枝不一致的归纳路径，显著提升搜索效率。