Abstract-Band - Fakultät für Informatik, TU Wien - Technische ...
Abstract-Band - Fakultät für Informatik, TU Wien - Technische ...
Abstract-Band - Fakultät für Informatik, TU Wien - Technische ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Tri Kurniawan Wijaya<br />
Top Down Evaluation Techniques for Modular Nonmonotonic Logic Programs<br />
Studium: Masterstudium DDP Computational Logic (Erasmus-Mundus)<br />
Betreuer: O.Univ.Prof. Dr. Thomas Eiter<br />
Answer Set Programming (ASP) ist ein sehr nützliches Werkzeug <strong>für</strong> die<br />
Wissensrepräsentation und zum Lösen von deklarativen Problemstellungen.<br />
In letzter Zeit werden Modularitätsaspekte in ASP zunehmend interessant, bei<br />
dem es darum geht, (Sub-)Programme zu einem (kombinierten)<br />
Logikprogramm zusammenzusetzen. Modularität erlaubt nicht nur das<br />
gegebene Problem in seine Teilproblem zu zerlegen, sondern erleichtert auch<br />
die Wiederverwendbarkeit von logischen Programmen und bietet bessere<br />
Unterstützung <strong>für</strong> große Softwareprojekte. Zu den gegenwärtigen Ansätzen<br />
in diesem Bereich zählen Modular Nonmonotonic Logic Programs (MLP),<br />
welche einige Stärken aufweisen: Sie erlauben wechselseitige rekursive<br />
Aufrufe und nutzen Prädikatensymbole als Modul-Input, wodurch<br />
dynamischere Kodierungen der Probleme entstehen. MLPs sind sehr<br />
ausdrucksstark und haben eine hohe computationale Komplexität, deswegen<br />
ist es sehr anspruchsvoll, eine praktikable Implementierung <strong>für</strong> diesen<br />
Formalismus zu erstellen. In dieser Arbeit entwickeln wir TD-MLP, einen<br />
konkreten Algorithmus zur Berechnung von Modellen <strong>für</strong> MLPs. TD-MLP<br />
basiert auf Top-down-Auswertungstechniken, die nur relevante Modulaufrufe<br />
berücksichtigen. Wir integrieren eine Optimierungstechnik, die Modulinstanzen<br />
separiert und damit redundante Berechnungen vermieden werden. Wir<br />
haben diese Optimierungstechnik implementiert und Experimente auf<br />
Benchmark Instanzen zeigen vielversprechende Resultate. Darüber hinaus<br />
evaluieren wir auch unterschiedliche Kodierungen <strong>für</strong> Probleme, um<br />
modularen und mit einfachen logischen Programmen zu vergleichen.<br />
Experimente zeigen, dass in einigen Fällen die modulare Kodierung die<br />
gewöhnlichen Programme übertreffen können.<br />
Arbeitsbereich Database and Artificial Intelligence<br />
62<br />
Martin Kronegger<br />
Efficent Planning with QBF-Solvers<br />
Studium: Masterstudium Computational Intelligence<br />
Betreuer: Univ.Prof. Dr. Reinhard Pichler<br />
Für alltägliche Probleme haben wir gute Lösungsmethoden entwickelt. Wird<br />
das Problem komplexer, so erkennen wir, wie schwer dessen Planung ist.<br />
Automatisches Planen mithilfe von Computerunterstützung soll genau da<br />
ansetzen, wo durchschnittliche Personen keine guten Lösungen mehr finden.<br />
Planen ist eine der klassischen Gebiete der Künstlichen Intelligenz.<br />
Prominente Anwendungsgebiete reichen vom Remote Agent in der Deep