进化逻辑：科学发展的动态模式，本文主要内容关键词为：逻辑论文,模式论文,科学论文,动态论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
〔中图分类号〕N03
〔文献标识码〕A
〔文章编号〕1002-8862(2002)02-0035-02
进化逻辑是在人工智能心理学派研究的推动下诞生的一种科学进步和发展的动态模式。计算机科学家和哲学家勃克斯(A.W.Burks)在这方面做出卓有成效的贡献。1988年，勃克斯提出了一个进化逻辑系统。（注：A.W.Burks,The Logic of Evolution,and the Reduction of Holistic-Coherent Systems to Hierarchical-Feed Back Systems,in W.L.Harper and B.Skyms(eds.),Causation in Decision,Belief Change,and Statistics,Ⅱ,135～191,1988,by Kluwer Academic Publishers.）进化的逻辑由三个部分组成：1.选择的逻辑或间接评价的逻辑；2.通过反复竞争而进行的学习；3.遗传发现的逻辑。
在选择逻辑中，其基本原则是按照其产品（或结论）的性质进行选择（或评价）。例如，有两个生物，它们有不同的基因型。生活在相同环境中，每个生物都以单性生殖的方式繁殖，对同一环境资源进行生存竞争。这个过程一直重复，直到多数生存下来的生物是原来其中一个生物的后代为止。因此，进化过程实质上是选择基因型的过程，哪个基因型更适应环境，就选择哪一个。
选择的逻辑是对生物的自然选择过程的模拟，这是从生物进化角度来说的；另一方面，从逻辑的角度看，选择的逻辑也是间接评价的逻辑。现代归纳逻辑中讨论的贝耶斯确认过程就是一例。假定装有不同比例红白弹子的两个弹子盒，已知其相应的假说有不同的概率。随机地选择一个弹子盒，进行返还的重复随机抽取。于是，用贝耶斯定理来计算和评价抽取结果的相对的概率，经过适当次数的抽取，就能选择一个假说，认为它可能为真。
由此可见，无论在自然界还是在思维领域，选择的逻辑都是适用的。现在我们来一般性地描述这种逻辑。
进化系统往往有两个或多个在一个环境中运作的生产者。生产者在这个环境中不断地生产出产品，在贝耶斯过程中，生产者是假说，环境是随机抽取的程序，产品是依次抽取出来的弹子。在生物进化中，生产者是基因型，环境是自然界的环境，产品是在这个环境中繁殖产生的生物。
进化逻辑的第二部分是反复竞争的学习。这里所说的“学习”不是记忆或回忆，而是指问题求解和探索。
进化逻辑的第三部分是遗传发现的逻辑。遗传发现的逻辑有一个遗传算法，它是一种生物自动机的逻辑。发现的逻辑是相对于证明的逻辑来说的。遗传发现的逻辑是一个十分复杂的等级层次反馈系统。它包括竞争、间接评价或选择、重复、根据旧指令创造新指令等。遗传发现的逻辑是要克服人类经验的局限，创造仅靠人的经验不能创造的程序和指令。因此，这种逻辑是极有魅力的，是科学发展的逻辑。
进化的逻辑的核心是一种学习和发现的算法。这种算法是由霍兰德提出的。他把这种逻辑系统称之为分类符系统。现在，我们先讨论基本分类符系统，然后讨论带有“组桶式”算法的分类器，最后讨论带有遗传发现算法和组桶式算法的分类器。
1.基本分类符系统。一个“分类符”是用于新型电子计算机中的一个形式条件式或虚拟式。这种逻辑系统是20世纪80年代提出来的，但是在哲学史上，这种逻辑系统的思想萌芽早已有了。
分类符程序可以在标准计算机上操作，但是，要实现分类符程序的快速计算，还需要有特定分类器。在这方面，勃克斯和霍兰德等人做了大量工作。一个分类符系统有两种基本单元：一是分类符，二是信息。一个分类符是一个假言陈述，其中包含一个前件（条件）和一个后件（结论）。如果信息满足分类符的条件，结论就产生新信息。分类符程序与标准计算机的程序之间有明显的相似性：分类符起到了指令的作用。信息起到了数据的作用。但两种程序之间也有显著的差异。在标准计算机程序中，指令通过地址与数据相联系，在每个处理机中，都是按一定顺序执行指令的。反之，基本分类符程序没有地址，因为每一分类符都可应用于现有信息清单中的每一信息，从而在每个大循环中，所有分类符都能同时被执行，或者以任何顺序执行。
由基本分类符系统实施的基本递归是一种重复性集合运算。在每一个大循环中，与旧信息相适应的分类符集将产生新信息。而对于下一个大循环来说，这种新信息也变成了旧信息。不过所有分类符并行地处理所有信息虽然在逻辑上是可能的，但是用现有技术构造这样一个大的逻辑开关是不可行的。因此，勃克斯主张串行地处理分类符，并把一个小循环定义为一个分类符处理所有信息所用的时间。因此，一个大循环包含有像分类符那样多的小循环，还要加上用来输入信息，把信息传送给输出设备，用新信息集代换旧信息集所需的时间。
不仅组桶式算法是这样，而且在组桶式算法中加入遗传算法时情况也大致相同。在这个扩充的分类符程序中，也要根据分类符的实力来进行选择。弱的或“贫穷的”分类符往往被淘汰，强的或“富有的”分类符则成为新分类符的遗传产品。这些新分类符取代了被淘汰的分类符，因而要用组桶式算法来检验那个修改了的分类符集合。新分类符通常包含新条件或新结论，因此，遗传算法既要创造新概念，也要创造新规则。
2.组桶式分类符系统。基本分类符系统类似于低效率的指令性经济，在那里，产品是不管要求和质量而定额生产的，在一个基本分类符系统中一个大循环产生的每一个信息全都遗留给下一个大循环，全不管那个信息的效用。相反，组桶式分类符系统借助竞争的市场去选择所生成信息的一个子集，并使其用于下一个大循环。这种竞争的市场对信息清单的长短作了限制。通过拍卖来决定哪一个信息应予保留，并按照拍卖所得来进行支付。
组桶式学习算法开始于初始分类符程序，由一个被赋予一定实力的分类符集合组成。在写出这个程序时，程序员将自己认为有助于问题求解的一切分类符包括其中，借助组桶式算法评价所有分类符，从而淘汰那些无用分类符。在这里，初始实力要么是任意指派，要么反映程序员对每一分类符的重要性所作的猜测。
在组桶式算法中，实力较弱的分类符用处不大，但它们却占用了宝贵的计算资源，又不能把它们消去，这是组桶式算法的一个局限。组桶式算法的另一局限是，它的学习能力受分类符集合的潜在能力的限制，而这种集合由计算机程序员所设计，因此，从根本上说，组桶式算法的学习能力要受人类的经验范围的限制。可喜的是，遗传算法能克服这些局限。它能消去弱的分类符。通过对强分类符做遗传型运算，产生新的分类符，以代替弱的分类符。然后，借助组桶式算法，在与旧分类符的竞争中检验这些新分类符。
3.遗传算法。遗传算法研究的是遗传发现的逻辑机制。因此，它又叫做遗传发现的逻辑。遗传算法实质上是用最有价值的分类符的后代取代贫乏和无用的分类符的一种方法。这些后代可以是某个分类符以一定概率变化的结果，也可以是一对分类符以一定概率形成的混合体。总之，这个发现或学习过程是一个示向性的试错过程。
一个分类符往往表达一条规则，它的条件和结论都是表达概念的项，而这些概念又可以表示一种属性。所以，遗传算法能创造新规则和新概念。此外，一个规则往往又是一个应用中的条件陈述，而这种规则与这种陈述的信息内容相同，这样一来，遗传算法也能发现新的陈述。由此可见，每一个分类符都是一个尝试性的假说，而遗传算法可以不断产生新的假说。
总的说来，分类符系统已被成功地用来描述和模拟有机体、动物和机器人的行为。尤其是学习行为。不过，这些系统只是一种反应系统，它仅仅使用十分简单的刺激反应规则。这是它的局限性。从以上论述，我们可以看出：
第一，“进化的逻辑”是认知科学、计算机科学和逻辑方法相结合的产物。它是科学知识进化的动态模式。它用一种独特的方式描述了知识增长的进程，它引进了优胜劣汰，适者生存的选择机制，提出了既有继承又有发展的遗传算法，为知识创新逻辑的发展开辟了新的方向。
第二，尽管勃克斯把进化的逻辑称之为“发现的逻辑”，但是我们认为，它不是传统意义上的发现逻辑，而是科学进步和科学发展的逻辑。进化的逻辑的最重要特征是把逻辑研究的重点从论证逻辑转移到动态的发展逻辑，使逻辑有可能反映知识增长的动态图景，这是很有创新意义的。因此，进化逻辑也是知识创新的逻辑。