按键盘上方向键 ← 或 → 可快速上下翻页，按键盘上的 Enter 键可回到本书目录页，按键盘上方向键 ↑ 可回到本页顶部！
————未阅读完？加入书签已便下次继续阅读！
输入与附有一组7×29（=203）单元的比特是一致的，而输出则与26个其他单元有关的比特相一致。还有80 个附加单元帮助学习。这个图式用几组相互作用强度来描述，这儿的相互作用限制在输入单元作用在辅助单元上的效应，和辅助单元作用在输出单元的效应上。所有其他相互作用强度选定为零，恰恰只需保持过程易于管理就行了。
网络要被调试成可以利用1024 个单词组成的字符，伴以“教师”（这教师是对所有字符编码后的序列）给出教材上的正确的英语发音。在首次调试操作时，要把整个教材过一次，强度从任意值开始，然后当7 字母窗口的中心一个字母跟随一个字母地扫过整个教材，在这过程中改变强度（利用一种专门知识）。在每一步中，输入和强度必须馈入一个简单的公式，这公式可以指出试发语音的候选输出值。在正确发音和候选输出之间的差异就被减化到利用一个相关的简单公式来修正其强度。首次调试操作结束时的强度，被作为用同样1024 单词作第二次调试操作的初始强度。以后照此调试下去。
调试成功意味着在最类似正确发音值附近，强度只有小小的偏离，而不会有太大的涨落。如果1024 个单词在10 次调试操作后就能清晰地讲话，那么在50 次调试操作后，其发音的精确性估计可达95％的水平。在调试之后，最终的强度可以用于读其他一些教材，而且用不着再教。清晰地讲话，其精确程度已达到78％了。神经网络的复制程序还多得很，它们可以用来解决许许多多的问题，而且通常都取得相当的成功。这些图式常常用一组相互作用强度来描述，每一种描述都描述了一个单元作用于其他单元的效应。我的一位加州理工学院的同事霍普菲尔德（John Hop… field）在1982 年指出一种情形，如果人为地对这些强度施加影响，那就不仅允许明确界定的适应性，而且在学习过程中还会不断增加适应性。我们要求任意单元A 作用到另外一个单元B 的强度，与B 作用于A 的强度相同。这种情形对真正的大脑来说，几乎肯定是不现实的，并且也违背了许多成功的神经网络的情形，包括NET对话。但是，这种情形很有启发意义，的确在有些情形中，适应性既可明确界定又可不断增加，而在其他情形下不能如此。
如通常的情形一样，当明确界定适应性这个概念以后，学习过程就是在一个适应性景观中探索一个凹部的过程。如果适应性还在不断地增加，则高度不断降低，这样，就会常常出现这样的问题，适应性将落进深谷旁边的浅洼里，但是可以由引入噪音而得到改善。以上情形可以用轻微改变强度来实现，改变要经常随机地进行。当人们想寻求创造性思想时，这些在图式之内的随机变化类似于那些让人们慢慢走出思想常规的建议。如通常情形一样，这儿有一个噪音的最佳水平。作为一个复杂适应系统的遗传算法
既然神经网络是以大致上与较高级动物的学习类似的情形为基础，人们可能会问：以计算机为基础的复杂适应系统，能不能被看作是一种与生物进化的近似呢？密执安大学的霍兰德（JohnHolland）在这方面作了开拓性研究，他还是圣菲研究所的主要支持者。这个系统利用了“遗传算法”（genetic algorithm，这是一种特殊的“分类器系统”）软件和传统的计算机硬件。至今为止，这个系统大部分被用来解决那些适应性已被明确界定的问题，例如为西洋跳棋获胜制定策略，或为最便宜价格设置线路系统等等。不过，我们没有理由认为这些系统不能用于其他种类的问题。
对遗传算法软件可以用一种高度简化的描述。每一种图式对一个候选策略或方法，都是一个计算机程序。每一个这样的程序都是由许多计算机指令组成。图式的改变由这些指令的改变来完成，举例说，有两个指令像图20—1 所示，正经历一种交叠过程，这种过程在生物的有性繁殖中可以出现。这两个指令在某一点都可以分成一个开始或者一个结尾这样的两部分。交叠（crossing…over）则引起两个新指令的产生。其中一个新指令由第一个旧指令的开始部分和第二个旧指令的结尾部分组成；另一个新指令则由第二个旧指令的开始部分和第一个旧指令的结尾部分组成。用新指令代替一个或多个指令的办法修改一个计算机程序，有时可以改进指令的适应性，但有时也会削弱其适应性。要想判断每种修正的价值，只有将不同的程序在要解决的问题上进行实图20—1 计算机指令的交叠验才行。（所谓“信用测试”（credit assignment）就是要作出这种困难的判断。）约翰·霍兰德的分类器系统提供了一种市场，其中竞争指令是买和卖。那些可以记录改进程序性能系统，比起那些性能没有改进或更差一些的系统，其价格应该要高一些。在前者的情形下，系统具有有序指令表。新的指令不断地进入，而指令表底端的一些指令被删除，为新指令留下空地方。指令表顶部的一些指令用于修正了的程序，这些程序构成变化了的图式。
这仅仅是对于一个十分复杂的过程最粗略的草图。即使如此，十分清楚的是，程序逐渐成为一个结果，而适应性则在进化过程中有增加的趋势。一个程序的性能所具有的反馈不是一个刻板的规则，但是一般说均有受市场条件影响的趋势。因此，在系统中有足够的噪音允许逃离较小的适应域，于是附近的深度可以被查明。具有一般性的是，这系统探寻出一个巨大的可能方法或策略的空间，而并不达到一个稳定的状态——一种绝对的最佳状态。例如在下棋时，最佳策略至今仍未发现。但是，如果我们下的是三连棋，那么，机器将很快发现最佳下棋的路数，而探寻也就此结束。
虽然遗传算法一直主要用来探寻最优化问题，其中适应性（或“支付”（payoff））已被很好地界定，但它也可以用于其他情形，正如神经网可以用于两种情形一样。神经网和遗传算法两者都可给出以计算机为基础的复杂适应系统，它可以在没有人设计的情形下改变策略。人们自然会问，这两类技术是不是有任何特别之处？它们似乎与大脑和生物进化功能有些不太明确的相似之处。我们能不能发明另一类系统，其基础类似于哺乳动物的免疫系统？是不是在事实上有许多明确界定的以计算机为基础的复杂适应系统，其中包括那些已知的或假想的和许多其他的系统？我们能用实用的术语来描述这么多种的系统，以便让潜在的用户能通过各种可能的以计算机为基础的系统，发现适合于他或她的问题的系统？这些问题是研究以计算机为基础的复杂适应系统的学者们极力试图回答的问题之一。复杂适应系统的模拟
与复杂适应系统有关的计算机决不仅仅用来改进各种解决问题的硬件或软件，它的另一些广泛的应用是模拟复杂适应系统的行为。这些模拟的最令人惊讶的特性，是由一些简单的规则产生复杂的行为。这些规则意味着一般的规律性，但在个别案例实施的结果中，却呈现出另外一些特殊的规律性。这种情形有些类似整个宇宙，它由一些简单的规则支配，却允许无限多的剧情出现，每一种剧情都呈现出它自身的规律性，特别是在一给定的空间和时期。于是，随着时间的逝去，出现了越来越复杂的形式。
设计一种易于操纵的模拟的窍门是删掉一些规则，使规则显得更加简单；但在删减过程中要留下那些最令人感兴趣的突然出现的行为（emergentbehavier）。模拟设计者因此必须知道许多有关以下的情形，即按规则的变化却会有产生极不相同剧情行为的功效。有些设计者，例如密执安大学政治学的科学家罗伯特·艾克色诺德（Robert Axelrod）发现了一种敏锐的直觉，它可以帮助设计者们去猜想如何简化规则，但又不至于泼洗澡水时把小孩也泼出去了。显然，这种直觉的获得部分是基于先验的推论，部分是基于经验，这种经验的获得是由于经常摆弄规则并观察在规则修改后使特定的计算机运行发生什么改变。但是，简单模拟的设计带来许多有趣的结果，这更多的是在艺术方面而不在科学方面。
那么，这些规则的研究和研究的结果能够使模拟更科学化吗？除了对什么样的规则导致什么样的行为的鼓舞人心的经验猜测进行详细描述以外，还需要附加的经验。然后，对精确的定理作一些可能的推测，最后，这些定理中的一部分可能被证实，证实的人估计是数学家。
在上述情形下，一种科学的规则和结果可能会出现，在这过程中计算机运行发挥了实验的功能，而推测与证实定理则组成了理论的实体。事实上，随着迅速和功能更强的计算机的出现，越来越简单的模拟正在越来越多的课题上得到应用。对未来科学所必需的原始资料，已正在积累之中。最后，至关紧要的是模拟与它们模仿的真实世界之间的关系。模拟真能为真实情形提供有价值的直觉吗？它们关于真实情形的推测能为观测所证实？它们能够揭示以前没想到过的可能行为吗？它们能对已知现象指出新的可能的解释吗？
在大多数场合，模拟还仍然太不成熟，无法确切回答上述一些问题。尽管如此，令人惊奇的是在某些情形下，一些非常简单的规则可以洞察真实世界的一个复杂适应系统的运作。一种生物进化的模拟一个杰出的、现在非常著名的例子是TIERRA 程序，它是由德拉威尔大学（University ofDeL aware）和圣菲研究所的托玛斯·雷（Thomas Ray）制定的。他是一位生态学家，工作在哥斯达黎加低地雨林一个称为拉塞尔瓦（LaSelva）的生物研究站。生态学研究之所以吸引了他，是因为他想研究进化。不幸的是，在人的一生中