Abstract
本文乃在提出一系統，名為RelGAs，來學習邏輯關係之概念。ReLGAs之輸 入為一些正例(postive examples)及負例 (negative examples)，而學習 之結果則為一邏輯定義 (在本系統為Prolog之程式) 。RelGAs採用基因演 算法 (Genetic Algorithms)作為學習之基本策略。基因演基法為一機器 習學習(Macheine Learning) 之方法，其靈感乃得自人類基因之交配與突 變，並藉由世代演進 (evolve generations)的過程，來產生新的搜尋空 間 (search sp- ace)，以達成學習之目的。 基因演算法有２個主要 的過程，一為評分(evaluati- on) ，一為基因運算子(Genetic Operators) 之運作。R- elGAs 嘗試使用符號性 (symbolic) 之基因，此 表示法不同於傳統基因演法中之位元串 (bit-string)，在 RelGAs中，此 符號性基因為- Prolog之子句(clause)。RelGAs使用子句堆疊(clause stack)及過濾夾層(filtering slab)的觀念來作評分 ，並加入分裂 (splitting) 及突變 (m- utation)等適合問題特性基因運算子，俾使基 因演算法之策略得以使用在邏輯程式之學習。傳統的歸納式邏輯程式學習 系統 (inductive logic programming learning system) 如FOIL， Forte，Rx 等，因受制於局部極大(local maximum) 的問題，往往無法將 學習對象的複雜度(complexity) 增高，更遑論及實用性。 FOIL 等系統 ，甚至連亦使用基因演算法的GA-SMART系統，均以對等的方式來處理正負 例。但在 RelGAs 中，正負例用途是不同的。在實驗結果的比較中， RelGAs 比 Forte具較高的能力可避免局部極大之問題。在此，我們的實 驗似乎提出了一問題，究竟局部極大起因於對正負例的看法，亦或如同 GA-SMART所言，是貪婪策略(greedy strategy ) 的使然，尚有待更進一 步實驗之觀察。 本文共分五章，第一章為基因演算法之復習，第二章 詳述RelGAs 系統之運作，包括過濾 (Filtering)，吸收( absorption)， 排斥 (exclusion)，競爭 (upward compe- tition)，穿透能力( penetration capability) 及基因過程等等，第三章為實驗過程及結果， 第四章為討論及結論最後的附錄為實驗所使用之正負例及背景知識( backgrou- nd knowledge)。