分布式并行约束归纳逻辑程序设计研究

CILP是关系数据挖掘的主要技术之一。为提高CILP系统的效率,提出了一种基于C3模型,元学习技术和主从式静态负载平衡策略的分布式并行CILP算法,并实现了一个基于COW机群结构的分布式并行CILP原型系统。实验表明该算法是高效的,能获得较好的负载平衡,较高的加速比和并行效率。

归纳逻辑程序设计综述

归纳逻辑程序设计是由机器学习与逻辑程序设计交叉所形成的一个研究领域,是机器学习的前沿研究课题。该文首先从归纳逻辑程序设计的问题背景、类型划分和搜索程序子句三个方面介绍了归纳逻辑程序设计系统的概貌;然后结合实验室的相关研究工作,回顾了归纳逻辑程序设计研究的发展;之后介绍了归纳逻辑程序设计领域中需要深入研究的若干问题,并提出了新的解决思路;最后是总结,以引起读者对归纳逻辑程序设计领域研究的进一步关注。

遗传归纳逻辑程序设计的个体编码生长现象

遗传归纳逻辑程序设计 (GILP)的个体编码生长现象严重影响了算法的性能和规则的可读性 通过对变长编码的模式分析 ,解释了GILP的个体编码生长现象 并发现 ,若从初始种群开始添加长度惩罚项来解决个体编码生长问题 ,种群会出现退化现象 而采取在演化的初期不添加惩罚项 ,在种群的性状有了明显改善后再添加惩罚的策略 ,既可避免种群退化 ,又可有效解决个体编码生长问题 .

归纳程序综合系统NDIPS的设计

本文讨论了软件自动化归纳途径的现状、症结和解决方法,介绍了归纳程序综合系统NDIPS的设计思想和实现技术,强调了系统中自动归纳程序的关键技术。

归纳逻辑程序设计中的优化问题研究

归纳逻辑程序设计的核心问题是如何从背景知识中优选谓词构造满足约束的归纳假设．按Ｏｃａｍ准则，满足约束的最精简归纳假设为优，但迄今归纳逻辑程序设计中精简归纳假设构造的计算复杂性尚未解决．文中以扩张矩阵理论为工具证明了归纳假设构造中的一些主要最优化问题的计算复杂性是ＮＰ困难的，并给出了构造优假设的启发式算法，实验表明该算法产生的归纳假设在结构上具有明显的优越性．

基于位串编码的遗传归纳逻辑程序设计

归纳逻辑程序设计是基于一阶逻辑的数据挖掘新方法。一阶规则挖掘是目标谓词和背景知识谓词对应的各种原子的复杂组合优化问题。该文根据Occam’s razor原理提出原子的位串编码,设计相应的遗传算子,基于sequential covering策略提出采用遗传算法作为搜索策略的遗传归纳逻辑程序设计算法GILP。在连通图问题和gcd问题上验证算法的可行性。

遗传归纳逻辑程序设计中规则的位串表示法

为了利用ＧＡ来解决ＩＬＰ方法中的性能瓶颈问题，关键在于如何把ＩＬＰ的一阶规则编码为遗传算子可操作的位串形式．提出了一种新的用于遗传算法（ＧＡ）的一阶规则位串表示法．示例分析表明，这是一种结合ＧＡ算法和ＩＬＰ技术的有效的规则位串表示法．

约束归纳逻辑程序设计方法的研究

提出了一种新的约束归纳逻辑程序设计方法。该方法能够与自顶向下的归纳逻辑程序设计系统结合,通过在自顶向下归纳方法的一步特殊化操作中引入Fisher判别分析等方法,使得系统能够导出不受变量个数限制的多种形式的线性约束,在不需要用户诱导,不依赖约束求解器的情况下,学习出覆盖正例而排斥负例的含约束的Horn子句程序。

基于轨迹的归纳程序综合

本文讨论了NDIPS系统中基于轨迹的归纳程序综合方法。该方法对问题求解机制产生的或手工给出的程序执行轨迹,使用匹配识认算法找出其递归关系,进而生成目标程序,文章从理论和实现上对这种方法进行了探讨,用hanoi程序的归纳综合为例展示了方法的使用。

约束归纳逻辑程序设计系统

提出了一种新的约束归纳逻辑程序设计方法,并初步实现了一个自顶向下的约束归纳逻辑程序原型系统。该系统能够导出不受变量个数限制的多种形式的线性约束,得出覆盖正例而排斥负例的含约束的Horn子句程序。

基于问题求解的归纳程序综合

归纳程序综合是软件自动化的一种重要途径。本文把程序综合看作一种问题求解过程,通过归纳推理综合出能覆盖所给实例的一般程序。文章从方法、理论和实现上对这种途径作了探讨。

优先归纳逻辑程序的极限行为

虽然对归纳逻辑程序的极限行为至今并没有深入的研究,但是通常在分析正在执行的增量式或在线归纳学习算法时,必须考虑这种程序的极限行为.某些归纳学习算法如果不考虑极限行为可能运行到最后会发生错误.如果给定一个递增的例子集合序列,一个归纳逻辑程序会产生一个相应的具有集合论极限的Horn逻辑程序序列,则此归纳逻辑程序是收敛的,并且如果该Horn逻辑程序序列关于例子集合序列的极限是极限正确的,则此归纳逻辑程序是极限正确的,还说明GOLEM系统不是极限正确的.为了解决这个问题,提出了一个极限正确的称为优先GOLEM系统的归纳逻辑系统,并证明了在一定的限制下,优先GOLEM系统的算法是极限正确的.

选择策略对遗传归纳逻辑程序设计收敛性能的影响

采用遗传算法(GA)作为归纳逻辑程序设计(ILP)的搜索策略，可以提高ILP方法的鲁棒性和适应性。文章简要叙述了对作者提出的遗传归纳逻辑程序设计(GILP) 算法作的改进，测试了选择策略对GILP算法收敛性能的影响。采用不同的选择策略不会影响算法的最终收敛结果，但会产生不同的选择压力，导致算法具有不同的收敛速率。

模式推理在归纳程序综合中的应用

本文给出了利用模式推理技术检查归纳假设合理性的若干判定条件.由于这种检查属于语法范畴,故能由系统自动完成,从而降低了假设相容性测试的开销,提高了逻辑程序归纳综合的效率.

归纳程序在数学发现中的作用

数学是逻辑程序与归纳程序的辩证统一 .书面呈现的是演绎的逻辑程序 ,而实际的心理过程却是归纳的探究程序 .从信息加工角度分析了归纳的意义、数学发现的过程及归纳程序在数学发现中的作用 .

归纳逻辑程序设计方法综述

归纳逻辑程序设计是机器学习与逻辑程序设计交叉所形成的一个研究领域,克服了传统机器学习方法的两个主要限制:即知识表示的限制和背景知识利用的限制,成为机器学习的前沿研究课题。首先从归纳逻辑程序设计的产生背景、定义、应用领域及问题背景介绍了归纳逻辑程序设计系统的概貌,对归纳逻辑程序设计方法的研究现状进行了总结和分析,最后探讨了该领域的进一步的研究方向。

基于归纳逻辑程序设计的特异规则挖掘

从关系数据挖掘的角度提出了挖掘特异规则的方法,该方法通过面向属性的方法来识别特异数据.借鉴Chi2算法的思想实现了特异数据的离散,并定性地描述了数据的特异程度,结合经典的归纳逻辑程序设计系统FDIL,自然地挖掘出了特异规则,突破了传统命题级数据挖掘的框架.试验结果表明利用该方法能够发现被传统的关联规则挖掘算法所忽略的有价值的知识.

归纳逻辑程序设计综述

归纳逻辑程序设计(inductive logic programming,ILP)是以一阶逻辑归纳理论为基础,并以一阶逻辑为表达语言的符号规则学习方法.ILP学得的模型是易于理解的一阶逻辑符号规则,而非难以解释的黑箱模型;在学习中可以相对容易地显式利用以一阶逻辑描述的领域知识;学得模型能对领域中个体间的关系进行建模,而非仅仅对个体的标记进行预测.然而,由于潜在假设空间巨大,进行高效学习有相当的困难.综述了ILP领域的研究情况,从不同一阶逻辑归纳理论的角度对主流的ILP方法做出了梳理.还介绍了近年来ILP基于二阶诱导推理理论的扩展、基于概率的扩展和引入可微构件的扩展.最后,介绍了ILP在实际任务中的代表性应用,探讨了ILP方法目前所遇到的挑战,并对其未来发展进行了展望.

归纳逻辑程序设计综述

归纳逻辑程序设计是逻辑程序设计和机器学习的一个交叉研究领域。先概述了归纳逻辑程序设计的历史及发展现状;对归纳逻辑程序设计学习器进行了分类和形式化定义,并给出了学习器的质量标准;按划分的类型分别讨论了归纳逻辑程序设计学习器的主要求解算法;进一步指出了归纳逻辑程序设计未来的发展前景,提出了归纳逻辑程序设计领域需要深入研究的若干问题。

约束归纳逻辑程序设计的研究

提出并讨论了从正负例和背景知识学习含有约束的一阶谓词公式的约束归纳逻辑程序设计方法．该方法以国际上具有代表性的ＩＬＰ系统Ｐｒｏｇｏｌ为基础，加入我们自己的学习约束的新方法，在不需要用户诱导的情况下，经过对正负例的比较与推导，学习出覆盖正例而排斥负例的含约束的Ｈｏｒｎ子句程序，同时介绍了这个ＩＬＰ系统的实现算法和应用实例．