回答集程序设计(Answer Set Programming,ASP)是基于回答集语义的逻辑程序设计,它是一种新的知识表示和推理的工具,是近几十年来逻辑程序的研究热点,然而,根据回答集程序设计得到的回答集往往不是同等可选的。本课题使用逻辑程序设计这种描述性语言,对现实世界中的各种问题进行知识表示和推理,并对推理结果进行优化。在此基础上,研究了模糊情况下的推理以及推理结果的优化。　　 首先,本文对回答集程序设计和具有优先关系的逻辑程序进行了深入的研究,并将其应用于产品配置解的优化。主要是在用户的需求集逻辑程序的每一条规则上增加一个权值,该值表示配置问题的合理解不满足用户的需求时的代价,即用户的偏好。根据每一个合理解的代价确定一个偏序关系,找到最接近用户需求解决方案。　　 其次,现实世界中,不确定性信息和非精确性信息非常普遍,而且更多的是模糊信息。比如:在安排座位时,有些人是相互熟悉的(friends),可能就希望座位离得比较近(near)。其中的friends和near都是模糊信息,这类问题就是在模糊情况下,求解满足用户需求的最优回答集。为此,本文提出了一种模糊回答集优化的方法:借鉴模糊回答集程序设计(Fuzzy Answer Set Programming,FASP)和回答集优化程序(Answer Set Optimization,ASO),将模糊回答集程序设计和定性的优先关系结合起来,引入具有优先关系的模糊回答集程序设计,并给出了其语义。该设计解决了一类带有偏好的不确定性推理问题,在理论研究和实际应用中具有重要意义。　　 最后,回答集语义的计算要用到基例化操作和固定点语义,这给计算带来很大不便。同时,程序的回答集语义和相应的“程序的完成(program completion)”语义具有某种等价关系,这给我们计算回答集提供了一种好的方法。所以,文章的最后从“程序的完成”语义的角度,计算模糊优先回答集语义。这部分内容具有很好的研究前景,是在将来在高阶情况下从“程序的完成”语义的角度求解逻辑程序的语义的一个基础研究。