类推转换过程提供了一种灵活运用以往经验的方法，即它只要求新问题与

一个或几个已解决的问题在结构上是相似的，而不是相同的。因此只需存储

磨擦问题的解就形成了一种学习方式­­——因为它们可以作为类推更新问题

的基础。然而还存在着其它的学习方式，且这些方式显现出更令人兴奋的挑

战。如果某一类型的问题了生十分频繁，人类规划者住住是阐述一个一般化

规划来处理将来这类问题，而不是从一簇相似经验的某一特殊成员中进行类

推理。

    如果情景记忆扩展到除含有经验事件以及过去问题的解之处，还含有T－

空间问题求解踪迹，那么学习可在Ｔ－算子领域中进行。例如，考虑在T－

空间解的不成功的尝试中，出现极为频繁的一个Ｔ－算子。可想象，差表中

检索该Ｔ－算子的一个入口没有充分被限制住，这将辨别过程提出以下需

求：

   1.  将T－空间中该T－算子呈现于失败路径之中的解尝试与呈现于成功

路径中的解尝试比较。

   2.  若该Ｔ－算子在差值表中有多个入口，且其中某些入口仅与该算子的

失败例子相关，则删去这些入口，因为应用该算子去减小差值证明它对

减小的差值是无能为力的。

   3.  若某个入口所关联的失败例子比成功例子多得多，这可能是减少的差

的描述太一般化了，应当分解成更特殊差的析取集，以后的经验能有助

于分离些使Ｔ－算子能实际减少差值的子差值。于是更特殊的差取代原

来差值表中子减小而被抛弃。应该注意的是，把一任意的概念划分成若

干个子概念的析取集这个操作，一般来说并不是一个易处理的过程。然

而在给出一个层次记忆模型及一个非单调推理能力之后，大体正确地分

解还是可以做到的。

<下一页>               <返回主页>