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>
|