LPMLN推理的并行化方法研究.pdf

摘 要 摘 要 马尔科夫回答集逻辑程序(Logic Programming with Markov Logic Networks, LPMLN ) 通过赋予规则权重的方式扩展了回答集逻辑程序(Answer Set Prolog, ASP)，并引入了马 尔科夫逻辑网(Markov Logic Networks, MLN) 中的方式来处理知识表示与推理中的不确 定性和不一致性。因其表现能力较强，LPMLN 可以用于解决多种实际问题。当前LPMLN 推理的主要问题是：LPMLN 推理基于LPMLN 程序的求解，而LPMLN 程序求解的复杂度 较高，且已有的求解器主要用于理论验证，求解效率低，难以支撑进一步的应用。当前 的LPMLN 求解器基于转化求解法，将LPMLN 程序转化为ASP 或者MLN 程序求解，这 样间接求解效率较低；并行化可以提高LPMLN 的求解效率，但是当前的LPMLN 并行化 求解方法还有待优化与完善，难以支撑并行求解器的实现。针对上述问题，本文一方面 提出LPMLN 直接求解方法，另一方面对LPMLN 并行化求解方法进行优化与完善。因此， 本文的主要工作包括： 1. 研究LPMLN 的直接求解方法，包括：提出了基于转化的LPMLN 实例化方法；提出 了LPMLN 的完备化和环公式，为直接求解提供理论基础；提出了冲突驱动的LPMLN 程 序求解方法，为LPMLN 的直接求解提供支持。 2. 对已有的并行化方法进行优化与完善，包括：提出了基于传播的增强子集拆分方 法，以优化基于增强子集的并行化方法；提出了分割集的计算方法，以完善基于分割集 的并行化方法；结合任意分割理论，进一步完善了基于分割集的并行化方法；提出了独 立子程序的计算方法，以完善基于独立可分的并行化方法；提出了LPMLN 并行化求解方 法的组合方法。 3. 基于上述方法实现了LPMLN 求解器，并通过实验对方法的有效性进行了验证。 关键词： 马尔科夫回答集逻辑程序，稳定模型，并行化 I Abstract Abstract LPMLN (Logic Programming with Markov Logic Networks) extends the language of An- swer Set Programming (ASP) by assigning a weight degree to each rule so that its stable models do not have to satisfy all LPMLN rules, which is rooted in the manner of Markov Logic Net- works (MLN) to handle the uncertainties and inconsistencies in knowledge representation and reasoning. Due to its expressibility, LPMLN can be employed in several real world applica- tions. However, an LPMLN program is much harder to solve than its unweighted counterpart (an ASP program), and only some preliminary solvers have been implemented so far, which is preventing further studies in both theoretical and practical sides. By using native