知识推理是人工智能研究的关键领域，旨在探讨如何基于环境中已有的知识（如知识库和推理规则）推导出未知信息。智能体所处的环境往往具有不可观性和不确定性，因此知识库通常不仅包含确定性知识，还包括不确定性知识，为推理带来了巨大的挑战。

为了应对这一挑战，我们团队提出了一种知识Petri网概率独立剪枝算法。该算法的网络结构能够同时描述确定性知识规范和先验概率知识，通过这种方式，算法能够显著降低不确定性推理的计算复杂性，达到指数级的效率提升。基于该算法，我们团队开发了一种新型算法，能够将确定性知识和不确定性知识统一表示，实现两者的联合推理，并提升了推理的灵活性。

此外，我们团队还提出了一种基于Petri网的时序不确定知识推理方法，该方法可以在有限的时序知识Petri网中生成无限时间步对应的后验概率分布。这一创新为时序推理问题提供了新的解决思路，可以有效提升不确定环境下决策的效率。