Newell en Simon hebben een computersimulatie gemaakt (de GPS, General Problem Solver) die via means-end analysis een oplossing voor een bepaald probleem probeert te vinden.

De overeenkomst met het difference reduction model is dat beide modellen naar het grootste verschil zoeken om als eerste te elimineren. Het grote verschil tussen de twee modellen is dat de GPS een bepaalde “geblokeerde” operator niet meteen zal laten vallen. In plaats daarvan zal het model een manier zoeken om de operator beschikbaar te maken voor gebruik, m.a.w., er wordt tijdelijk een sub-doel (operator subgoal) gedefinieerd om de operator beschikbaar te

maken (means wordt end). Zie op pag. 259 twee kleine flowcharts die duidelijk weergeven hoe de GPS werkt.

Een veel gebruikte methode om problemen in een onbekend domein op te lossen is om het verschil tussen de huidige staat en de eind staat zo klein mogelijk te maken. Dit wordt ook wel hill climbing genoemd, waarbij in de metafoor de top van de heuvel de oplossing is en elke stap die je onderneemt brengt je dichter bij de top. Het probleem met deze methode is echter dat het niet duidelijk is of ook het “grotere” doel wordt bereikt. In de termen van de metafoor: is best mogelijk dat je op een lagere top uitkomt (suboptimaal) van een heuvel, terwijl je juist op de hoogste heuveltop moet uikomen.

Een van de manieren waarop je nauwkeuriger de gelijkheid tussen de huidige staat en de eindstaat kan meten is door sequentie. (zie voor een voorbeeld pag. 254 par 2).

Een ander probleem van het diffirence reduction model is dat deze techniek de probleemoplosser soms juist verder weg van de oplossing brengt. Twee specifieke voorbeelden hiervan zijn in het boek te vinden op pagia 255 (Orcs, Hobbits en een bootje) en 256 (drie kannen met water). In deze puzzels moet men regelmatig een stap “terug” doen om

dichter bij de oplossing te kunnen komen, hetgeen totaal tegen het diffirence reduction model ingaat.

[dit gedeelte behandelt vraag 2 uit het begin van het hoofdstuk]

Er zijn 3 criteria op basis waarvan men een kiest voor een bepaalde operator. Deze zijn:

1. Backup avoidance: niet de operator kiezen die je terugbrengt in de vorige staat,

2. Diffirence reduction: men probeert de operator te selecteren die het grootste “verschil” tussen de huidige staat en de eindstaat wegneemt.

3. Means-ends analysis: er wordt een nieuwe doel (end) gedefinieerd om een bepaalde operator (means) te kunnen toepassen (bv. Sultan die een stok in elkaar zet (means) op bij de banaan te kunnen komen (end)).

Men heeft op verschillende manieren geprobeerd om een probleemoplossings-proces formeel vast te leggen. Een van deze theoretische constructies zijn de zgn. production systems, die uit productions bestaan, regels voor het oplossen van problemen. Schematisch ziet een production system er als volgt uit (lijkt veel op programmeren):

IF DOEL = [een omschrijving van het doel, bv appel schillen]

AND [voorwaarde 1: appelschilmesje in rechterhand]

AND [voorwaarde 2: appel in linkerhand]

AND [voorwaarde n: bla bla bla]

THEN [actie uitvoeren, dus appel schillen in dit voorbeeld]

Deze productieregels hebben 4 algemene eigenschappen:

1. Voorwaardelijkheid,

2. Modulariteit (opdelen van het probleem per operator/actie)

3. “Goal factoring” (elke regel is relevant voor het bereiken van doel)

4. Abstractheid (elke regel slaat op een klasse (verzameling) van situaties)

Zulke productie-regels worden ook wel “crystalized problem-solving operators” genoemd omdat zij de aard (nature) van de vaardigheid waarmee het probleem wordt opgelost kunnen reflecteren. Dus als je vaak een appel hebt geschild, dan reflecteert de manier waarop je de appel schilt (en dus de bovenstaande productieregels uitvoert) je vaardigheid in het schillen.