동적 영역을 위한 새로운 논리 프로그래밍 방법 ALP프로로그

초록

ALP프로로그는 Golog과 Flux의 장점을 결합한 논리 프로그래밍 언어로, 완전한 명제 논리를 이용해 에이전트의 상태를 표현하고, 행동 실행 시 상태를 진행(progress)시키는 방식을 채택한다. 불완전 정보와 센싱 행동을 효율적으로 다루며, 기존 Prolog 엔진을 활용한 증명 계산과 별도의 행동 이론 추론기로 구성된다.

상세 분석

ALP프로로그는 기존 에이전트 프로그래밍 언어인 Golog과 Flux의 핵심 아이디어를 통합한다. Golog이 상황 계산을 기반으로 초기 상태만을 고정하고 질의를 재작성하는 방식으로 성능 저하를 겪는 반면, Flux는 Fluent Calculus와 진행 원리를 사용해 상태를 지속적으로 업데이트한다. ALP프로로그는 Golog의 전제인 전제 논리(prime implicates) 로 상태를 완전한 명제 형태로 표현하면서, Flux의 진행(progress) 메커니즘을 도입해 행동 수행 후 상태를 즉시 갱신한다. 이는 에이전트가 온라인으로 행동을 선택하고 실행할 때, 매번 전체 질의를 재작성할 필요 없이 최신 상태에 직접 접근할 수 있게 한다.

핵심 기술은 Agent Logic Programs (ALPs) 라는 선언적 전략 언어와 Unifying Action Calculus (UAC) 라는 범용 행동 이론 프레임워크의 결합이다. ALP는 do(α)와 ?(ϕ)라는 두 특수 프레디케이트만을 추가한 순수 Prolog 프로그램으로, do는 행동 실행 가능성을, ?는 현재 상태에서의 속성 검증을 의미한다. 이러한 특수 원자들은 매크로 확장을 통해 시간 변수 s₁, s₂와 결합된 Poss(α, s₁, s₂)와 Holds(ϕ, s₁) 형태로 변환된다. 따라서 ALP 프로그램 자체는 전통적인 논리 프로그램과 동일하게 SLD‑resolution을 적용할 수 있으며, 특수 원자의 의미는 별도의 행동 이론 추론기가 제공한다.

UAC는 Situation Calculus와 Fluent Calculus를 모두 포괄하는 다중 정렬 1차 논리 체계이며, 특히 Fluent Calculus를 명제 수준으로 단순화한 버전을 사용한다. 여기서는 플루언트를 Holds(f, s) 로 표현하고, 행동 전제와 효과를 Poss와 논리적 함의로 기술한다. 효과 공리에서는 긍정·부정 플루언트를 조건부로 업데이트하는 case‑selection 방식을 채택해, 불완전 정보와 비결정적 효과를 자연스럽게 모델링한다.

ALP프로로그의 구현은 두 부분으로 나뉜다. 첫 번째는 기존 Prolog 시스템을 그대로 이용해 SLD‑resolution 엔진을 구동하는 것이며, 두 번째는 선택된 행동 이론(예: Fluent Calculus) 전용 추론기를 연결하는 플러그인 구조다. 이 설계는 불필요한 재구현을 피하면서도, 필요에 따라 이분적 치환(disjunctive substitution) 이 등장하는 경우에만 추가적인 논리 엔진을 도입하도록 허용한다.

성능 평가에서는 대규모 지면(ground) 상태를 프라임 임플리케이트 형태로 저장하고, 행동 진행 시 차등 업데이트를 수행함으로써 메모리와 시간 복잡도를 크게 감소시켰다. 실험 결과, Golog이 초기 상태만을 고정하고 매번 질의를 재작성하는 방식에 비해, ALP프로로그는 실행 단계가 증가해도 선형에 가까운 응답 시간을 유지한다. 또한, 센싱 행동을 포함한 시나리오에서도 일관된 상태 관리와 빠른 추론이 가능함을 보였다.

이러한 설계는 불완전 정보와 센싱을 자연스럽게 다루면서도, 전통적인 논리 프로그래밍의 단순함과 효율성을 유지한다는 점에서 의미가 크다. 특히, ALP프레임워크가 행동 이론에 파라미터화되어 있기 때문에, 상황 계산, 이벤트 계산, 혹은 도메인 특화된 Description Logic 기반 이론 등 다양한 백그라운드 이론을 손쉽게 교체·확장할 수 있다. 이는 에이전트 시스템이 새로운 도메인에 적응하거나, 복합적인 제약을 추가해야 할 때 큰 장점으로 작용한다.