22、进化计算前沿：基于案例推理与认知图式的进化探索

进化计算前沿：基于案例推理与认知图式的进化探索

抽象结构与复杂性

在许多领域，随着经验的积累，抽象结构不仅数量会增加，其结构和内容的复杂性也会提升。以国际象棋为例，初学者的图式可能只能解读少数几个棋位，而特级大师的图式则可能涉及众多解读、参考数百场实际比赛（尤其是大师级及更高级别的比赛）以及获胜策略。特级大师的图式还具有如纠结层次结构等有趣特性，这被 Mero 戏剧性地比作埃舍尔的画作和巴赫的赋格曲看似不可能的结构。

这表明存在量化的更高层次结构，且这些层次结构具有复杂性。在本文中，我们假设存在一个单一的更高层次，它可以索引或包含一组经验。

迈向基于记忆的推理

经验是最常见的知识形式，是在探索世界过程中遇到的事件。基于案例的推理（CBR）纯粹通过利用这些经验来解决问题。然而，专业知识的形成通常需要经验和类似图式结构的结合（可能在混沌领域除外，在那里所有知识都是基于经验的）。那么，抽象知识层次是如何形成的呢？

计算领域有一些归纳算法，如 ID3 和 C4.5，它们可以根据一组案例生成相应的规则。但我们关注的是尽可能忠实于认知连续性，即案例可能演变成图式，新案例又会在现有图式下被索引，这两个过程都会导致每个层次的渐进式修改。

在之前的讨论中，我们探索了 ECM 模型，该模型将案例记忆视为进化系统。我们看到各种过程如何作为选择压力，导致案例库的渐进式进化。然而，进化不应仅限于案例领域。密集的案例集可能需要更高层次的结构来提高可区分性，那么这样的结构是如何产生的呢？接下来，我们将探讨将图式创建视为基于案例的进化过程的想法，这一方法借鉴了遗传算法中不同的图式概念。

C - 图式作为构建块

<