本文讨论了现有答案集编程（ASP）在处理数值和复杂约束方面的局限性，提出了带约束的这里与那里逻辑（HT_c），为混合ASP提供了理论基础，增强了其表达能力。

本研究解决了动态问题建模中的灵活性和整合性不足，扩展了答案集编程（ASP），并整合了动态、时间和度量逻辑，提升了其在工业环境中的应用潜力。

本研究提出了一种模块化神经符号方法，将答案集编程与视觉和自然语言处理相结合，在新数据集上实现了73%的准确率，展示了其在复杂视觉问答中的潜力。

本研究探讨了答案集编程（ASP）中的答案集计数，提出了精确计数器sharpASP，利用紧凑编码提高效率，并在基准测试中优于现有方法。同时，开发了近似计数器ApproxASP，成功应用于网络可靠性评估。

本研究探讨了带约束的答案集编程中的强等价性，分析规则集并提出翻译方法，以提高推理效率，对理解强等价性及其计算复杂性具有重要意义。

研究提出了一种利用答案集编程（ASP）生成树集成学习模型解释规则的方法。通过分解法和模式挖掘提升模型的透明度和灵活性，适用于分类任务。研究展示了多种提取规则的方法，如inTrees框架和TE2Rules，增强了模型的可解释性。