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。基因演算法為一機器習學習(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(evolvegenerations) 的過
程，來產生新的搜尋空間(search space)，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(evaluation)，一為基因運算子(Genetic
Operators)之運作。RelGAs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(mutation)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。