(五)搜寻的目的
在绝大多数的空间搜寻过程中，某种程度的学习必然发生。扑面而来的信息，不断地冲击着在空间内活动的个体决策者，使其改变或修正某些空间行为的模型。作为最终结果，空间决策会逐步趋于优化，即在初始阶段带有某种试验性质，属于盲目或大量随机成分的空间行为；随着过程的进展，将能够逐步地出现一种趋势的、定型的、成为更具预见性的、比较主动自觉的和更加优化的固定空间行为范式。
为了较好地说明以上的论断，我们不妨举出一个例子：一个实施空间行为决策的个体，处于某种决策的状态中，这里用A表示。现在他正面对这样的情势，另外有两种决策状态B和C等待着他，要求他断定自己要么选择状态B，要么选择状态C，要么仍然保持原有状态A。这是我们常遇到的十分棘手的问题，并往往会使决策者陷于进退维谷的狼狈境地。该例子主要是为了讨论在任何时间里，这个决策者所在的位置以及他希望将来要做的事，并且给出每一种状态的某个确定的概率度(degreeofprobability)，如图14-12。
这个决策者想从状态A到达状态B，或者是到达C的状态之中，可以在该系统中表示成一个概率矩阵的形式。假如在时间开始时的t0，他位于状态A的位置，那么到了下一个时刻t1，设定有0.50即50％的概率，他仍然坚持采用状态A，而将有30％的机会
由状态A转移到状态B，当然还将会有20％的机会选择应用状态C。按照同样的方式，也可以叙述当该决策者处于系统中的非A状态位置时各自所取的概率值，这样就组成了完整的概率矩阵。它全面地评述了这个决策者的空间行为特征，同时对于决策者的行为变迁进行了定量的和可以预测的考察。
表14－3决策者状态选择的概率矩阵
按照表14—3所列的概率矩阵，假如决策者在时间t0的时候，他按照状态C的内容在执行，我们叙述他所在位置时带有这样的位置向量：
状态A 状态B 状态C
(0 0 l)
在该位置向量中的1，只是指明当时的决策处于位置C，而不是在状态A或状态B，属于一种诠叙性的说明，而不是决策者活动的动态反映。但是，由于我们已经知道所有必要的位置决策信息，因而可以对决策者的活动意向，实行一个很简单的概率模式决策。此时所拟定的概率矩阵(也称转移矩阵)，就象是一个具有动力源的引擎一样，驱动着该决策者以所确定的概率特征，选择自己将采取某种决策的空间位置。我们只须使用已经给定的位置向量，乘以确定的概率矩阵，即可得到在下一个时刻t1时，决策者对这3个状态可能采用的概率：
如果继续将t1时刻所得到的位置向量，乘以概率矩阵，即可得到在时间t2的位置向量：
由此可得出，在时间t1的情形下所得到的新位置向量，十分简单地符合于概率矩阵的最末一行，即决策人将会有40％的机会仍旧继续采用状态C的策略，有30％的机会转向状态B的策略和有30％的机会转向状态A的策略。
而在时间t2的情形下，决策者具有最大的机会选择状态A的策略(具有39％的概率)。
如果将上述所描写的过程继续进行下去，在经过不太多的阶步相乘之后，即可看出关于位置向量的概率值，最终稳定地变成这样一种方式：