|
EBKAS的另一个重要部分是学习概括规则。在获取不同初始状态下的各种求解控制步骤后，系统以这些步骤及其相应的初始状态为例子集，进行归纳学习，从中提取出该领域中一般原理性控制知识。EBKAS的概括学习方法比文献中介绍的方法有较好的通用性。学习概括规则有下列几步。
(1)收集例子
为建立例子集，系统变换出不同的初始状态，经过多次解释学习，获取不同的求解步骤。先把它们存在临时学习库中，经过归纳学习后才正式放入知识库。
例如对猴子香蕉问题，选择了有代表性的六种初始状态，由此得到由六个例子组成的例子集。
(2)提取有用信息
上面得到的例子集中的信息一般太笼统，不能确切反映猴子m、梯子1和香蕉b三者之间的实质性关系。因此在这一步先对它们进行分析整理，提取有用信息。有用信息包括m、1、b相互间的位置关系，b是否在天花板上，m是在地板上还是在某物体上。提取出与这些信息有关的五个特征，例子集就成为：
 |
|
(3)归纳学习
在这一步，对例子空间应用因果联系归纳法，根据特征与规则序列间的逻辑规律，推出一般性规则。这就是通过比较分析，找出不同初态产生不同求解步骤的关键因素。把这些因素收集起来形成规则，就可获得一般性的控制知识。
第一步是抽取共同特征。
定义两个函数TR和SUB。函数TR(d)表示具有d特征的所有例子的集，SUB(E)表示例子集E中各例子的公共特征的集合。
例如在d=climb时，
TR(climb)=(e1,e2,e3,e4,e5,e6)
SUB(e1,e2,e3,e4,e5,e6)=(b on ceiling)
这表明，有climb特征的是全部6个例子，而且6个例子公共特征是b on ceiling。于是可得到一条一般性规则。
R1：if(b on ceiling) then (climb)
又如在d＝carry时，
TR(carry)＝(e1，e5，e6)
SUB(e1，e5，e6)＝(m≠b，l≠b)
这表明carry规则的条件应考虑m≠b和l≠b。这一步的映射过程突出了各个关键因素，可以缩小下一步学习的搜索范围。
第二步是比较不同部分和抽取关键特征。
从上面抽取的共同特征出发，比较不同部分，确定在形成规则时用的关键特征。以carry规则为例，前面初步确定了carry规则的前提条件是(m≠b，l≠b)。但是这还要确认。确认方法是这些前提与不含carry的例子比较。把m≠b、l≠b放在例子e2，e3，e4中比较，发现e2、e3也含有特征m≠b，而l≠b未在e2、e3、e4中出现。于是以l≠b为carry的前提，去掉条件m≠b，得到一条一般性控制规则。
R2：if(l≠b) then add(carry)
类似可以得到另外两条一般性规则。
R3：if (m≠l) then add(walk)
R4：if(H1＝body) then add(jump)
与常量转成变量的归纳方法比较，这种方法比较安全、可靠。但是如果例子数目少，也容易出错。
4.使用所获得的控制知识
用上述方法学到的控制知识，是和领域规则分别存放的。在以后求解类似问题时，按下列步骤取出应用。
(1)直接使用问题求解步骤
在给定初始状态和目标后，先查找全局问题求解步骤的知识库，如果库中有相应的初始状态和目标，则直接使用保存的求解步骤。否则转下一步。
(2)使用一般性控制规则
先分析给定的初始状态，抽取有关特征。再对比一般性控制规则。如果符合条件，则选用相应的一般性控制规则。
例如初始状态为
((b on ceiling at C)(l at A)(m on box at A))
则抽取出特征
(b on ceiling,m＝l，l≠b，m≠b，H1＝box)
对比一般性规则，由(b on ceiling )特征选用了climb规则，由(b≠1)特征选用了carry规则，由(H1=box)特征选用了jump规则。这三条规则加上所有初始状态下都要有的grab动作，就构成所需的规则集。然后转下一步。
(3)使用局部控制chunks
在缩小的规则集中，可直接使用已经获取的chunks来求解问题。