Extensii.

Principiul extensiei
Capitolul 3
Doru Todinca
Departamentul Calculatoare
UPT

Cuprins

Extensii ale multimilor fuzzy si ale operatiilor cu multimi fuzzy

Extensii ale multimilor fuzzy
Extensii ale operatiilor cu multimi fuzzy
Criterii de alegere a operatorilor
Principiul extensiei
Introducere
Principiul extensiei
Aplicatii ale principiului extensiei
Operatii cu multimi fuzzy de ordinul 2

Cuprins

Extensii ale multimilor fuzzy si ale operatiilor cu multimi fuzzy

Extensii ale multimilor fuzzy
Extensii ale operatiilor cu multimi fuzzy
Criterii de alegere a operatorilor
Principiul extensiei
Introducere
Principiul extensiei
Aplicatii ale principiului extensiei
Operatii cu multimi fuzzy de ordinul 2

Cuprins

Extensii ale multimilor fuzzy si ale operatiilor cu multimi fuzzy

Extensii ale multimilor fuzzy
Extensii ale operatiilor cu multimi fuzzy
Criterii de alegere a operatorilor
Principiul extensiei
Introducere
Principiul extensiei
Aplicatii ale principiului extensiei
Operatii cu multimi fuzzy de ordinul 2

Extensii ale MF. MF de ordinul m

1. Multimi fuzzy de ordinul m, cu m 2

Definitia prezentata in capitolul anterior pentru multimi fuzzy

se refera la multimi fuzzy de ordinul 1
Definitie: se defineste o MF de ordinul 2 ca fiind o multime
fuzzy a carei functie de apartenenta este o multimie fuzzy de
ordinul 1.
Definitie: similar se defineste o multime fuzzy de ordinul m,
m 2, ca fiind o multime fuzzy a carei functie de apartenenta
este o multime fuzzy de ordinul m 1.
In practica nu se folosesc MF de ordin mai mare decit 2 sau 3.
Operatiile cu MF de ordin mai mare sau egal cu 2 se pot defini
folosind principiul extensiei.
Chiar si pt MF de ordinul 2, operatiile de reuniune, intersectie,
complement, etc, implica foarte multe calcule

Extensii ale MF
2. L-fuzzy sets: multimi fuzzy la care intervalul de numere reale
[0, 1] este extins la o multime L numita POS (partially
ordered set) -multime partial ordonata:

intervalul [0, 1] este o multime partial ordonata

3. B-fuzzy sets: similar cu L-fuzzy sets, dar B este o algebra

Boole
4. MF probabilistice (Probabilistic sets (Hirota))

Sunt MF avind functia de apartenenta A (x, )

Pentru un x fixat se obtine o variabila aleatoare, avind valoare
medie si dispersie
Valoarea medie a multimii fuzzy probabilistice este o multime
fuzzy obisnuita
Combinatia dintre probabilitati si fuzzy poate fi folosita de
exemplu pt calculul fiabilitatii unor sisteme foarte complexe
(gen instalatii nucleare, in aviatie, etc)
MF modeleaza mai bine comportamentul uman (de ex aparitia
de erori umane in operarea sistemului complex), iar
probabilitatile modeleaza defectarea echipamentelor

Extensii ale MF: IFS Intuitionistic Fuzzy Sets

5. Se defineste o multime fuzzy intuitionistica (IFS) in universul
discursului X ca fiind tripletul:
= {(x, (x), (x))|x X }
A
A
A
A (x), A (x) : X [0, 1], 0 A (x) + A (x) 1

A (x) se numeste gradul de apartenenta a lui x la A

A (x) se numeste gradul de neapartenenta a lui x la A

Pentru multimi fuzzy clasice are loc A (x) = 1 A (x)
Similar cu MF clasice, si IFS pot fi extinse la L IFS sau
B IFS !!
IFS au fost propuse de cercetatorii Atanasov si Stoeva
Pentru IFS se pot defini operatiile de reuniune, intersectie si
complement

Operatii cu MF intuitionistice
Prezentam operatiile cu IFS dupa [Ata86], [DBR01]
B
iff ()x X are loc (x) (x) si (x) (x)
1. A
A

=B
iff A
B
si B
A.

2. A
=B
iff ()x X are loc (x) = (x) si
Echivalent A
A
B
A (x) = B (x)
= {(x, (x), (x))|x X }
3. A
A
A
B
= {(x, max{ (x), (x)}, min{ (x), (x)})|x X }
4. A
A
B
A
B

5. A B = {(x, min{ (x), (x)}, max{ (x), (x)})|x X }

A

+B
=
6. A
{(x, A (x) + B (x) A (x) B (x), A (x) B (x))|x X }
B
= {(x, (x) (x), (x)+ (x) (x) (x))|x X }
7. A
A

Cuprins

Extensii ale multimilor fuzzy si ale operatiilor cu multimi fuzzy

Extensii ale multimilor fuzzy
Extensii ale operatiilor cu multimi fuzzy
Criterii de alegere a operatorilor
Principiul extensiei
Introducere
Principiul extensiei
Aplicatii ale principiului extensiei
Operatii cu multimi fuzzy de ordinul 2

Extensii ale operatiilor cu multimi fuzzy

1, . . . , A
n in
1. Produs cartezian: Fiind date multimile fuzzy A
universurile discursului X1 , . . . , Xn , produsul cartezian al
acestor multimi fuzzy este o multime fuzzy in spatiul produs
X1 . . . Xn avand functia de apartenenta
A 1 ...A n (x) = mini [A i (xi )]
, unde x = (x1 , . . . , xn ), xi Xi

Exemplu de produs cartezian pentru n = 2

in universul discursului
2. Puterea a m-a a unei mutlimi fuzzy A:
X este multimea fuzzy avind functia de apartenenta
A m (x) = [A (x)]m
, unde x X
3. Operatiile de intersectie si reuniune fuzzy sunt extinse de catre
t-norme si s-norme, numite si t-conorme.

t-norme: definitii
Definition
O t-norma este o functie de doua variabile t : [0, 1] [0, 1] [0, 1]
avind proprietatile:
1. t(0, 0) = 0,
t(1, A (x)) = t(A (x), 1) = A (x), () x X , adica
() A (x) [0, 1]
2. monotonie:
t(A (x), B (x)) t(C (x), D (x))
daca A (x) C (x) si B (x) D (x)
3. comutativitate:
t(A (x), B (x)) = t(B (x), A (x))
4. asociativitate:
t(A (x), t(B (x), C (x))) = t(t(A (x), B (x)), C (x))

s-norme: definitii
Definition
O s-norma (t-conorma) este o functie de doua variabile
s : [0, 1] [0, 1] [0, 1] avind proprietatile:
1. s(1, 1) = 1,
s(0, A (x)) = s(A (x), 0) = A (x), () x X , adica
() A (x) [0, 1]
2. monotonie:
s(A (x), B (x)) s(C (x), D (x))
daca A (x) C (x) si B (x) D (x)
3. comutativitate:
s(A (x), B (x)) = s(B (x), A (x))
4. asociativitate:
s(A (x), s(B (x), C (x))) = s(s(A (x), B (x)), C (x))

s-norme si t-norme

Relatia dintre t-norme si s-norme respecta legile lui De

Morgan, adica A B = A B:

t(A (x), B (x)) = 1 s(1 A (x), 1 B (x))

Pe baza acestei relatii se poate genera o t-norma pornind de

la o s-norma si reciproc

Vom da citeva exemple de perechi de t-norme si s-norme

Perechi de t-norme si s-norme

1. Produs drastic, suma
drastica:
1 (x) daca 2 (x) = 1

tw (1 (x), 2 (x)) = 2 (x) daca 1 (x) = 1

0, daca 0 1 (x), 2 (x) < 1

1 (x) daca 2 (x) = 0

sw (1 (x), 2 (x)) = 2 (x) daca 1 (x) = 0

1, daca 0 < 1 (x), 2 (x) 1

Echivalent, (
min(1 , 2 ) daca max(1 , 2 ) = 1
tw (1 , 2 ) =
0, in rest
(
max(1 , 2 ) daca min(1 , 2 ) = 0
sw (1 , 2 ) =
1, in rest

Perechi de t-norme si s-norme

2. diferenta si suma marginite (bounded difference, bounded
sum):
t1 (1 (x), 2 (x)) = max{0, 1 (x) + 2 (x) 1}
s1 (1 (x), 2 (x)) = min{1, 1 (x) + 2 (x)}
3. produs si suma Einstein (Einstein product, Einstein sum):
t1.5 (1 (x), 2 (x)) =

1 (x) 2 (x)
2 [1 (x) + 2 (x) 1 (x) 2 (x)]

s1.5 (1 (x), 2 (x)) =

1 (x) + 2 (x)
1 + 1 (x) 2 (x)

4. produs si suma algebrice (algebraic product and sum):

t2 (1 (x), 2 (x)) = 1 (x) 2 (x)
s2 (1 (x), 2 (x)) = 1 (x) + 2 (x) 1 (x) 2 (x)

Perechi de t-norme si s-norme

5. produs si suma Hamacher (Hamacher product and sum):

(
1 (x)2 (x)
1 (x)+2 (x)1 (x)2 (x) , daca 1 , 2 6= 0
t2.5 (1 (x), 2 (x)) =
0,
daca 1 = 2 = 0
1 (x)+2 (x)21 (x)2 (x)

s2.5 (1 (x), 2 (x)) =

11 (x)2 (x)

1,

6. minim si maxim:
t3 (1 (x), 2 (x)) = min{1 (x), 2 (x)}
s3 (1 (x), 2 (x)) = max{1 (x), 2 (x)}

, daca 1 , 2 6= 1
daca 1 = 2 = 1

t-norme si s-norme
Intre operatorii prezentati exista urmatoarea ordonare:
tw t1 t1.5 t2 t2.5 t3
s3 s2.5 s2 s1.5 s1 sw
Mai general, Dubois si Prade au aratat ca orice t-norma este
marginita inferior de produsul drastic si superior de minim si orice
s-norma este marginita inferior de maxim si superior de suma
drastica.
Adica, pentru orice t-norma t si orice s-norma s au loc relatiile:
tw (A (x), B (x)) t(A (x), B (x)) min{A (x), B (x)}, x X

max{A (x), B (x)} s(A (x), B (x)) sw (A (x), B (x)), x X

Operatori parametrizati de intersectie si reuniune: propusi

de Hamacher

Hamacher a propus urmatorii operatori pentru intersectie si

reuniune:
A
B
(x) =

A (x) B (x)
, 0
+ (1 ) (A (x) + B (x) A (x) B (x))

A
(x) =
B

( 1) A (x) B (x) + A (x) + B (x)

, 1
1 + A (x) B (x)

Pentru = 0 si = 1 se obtin produsul si suma Hamacher,

iar pentru = 1 si = 0 se obtin produsul si suma algebrica
Operatorii lui Hamacher satisfac un sistem de axiome usor
diferit de axiomele lui Bellman si Giertz

Operatori parametrizati de intersectie si reuniune: propusi

de Yager

Yager a propus urmatorii operatori cu parametru pentru

intersectia si reuniunea a doua MF:
p
p 1/p
A
}, p 1
(x) = 1min{1, [(1A
B
(x)) +(1B
(x)) ]
p
p 1/p
A
}, p 1
B
(x) = min{1, [(A
(x)) + (B
(x)) ]

Pentru p = 1 se obtin diferenta si suma marginite (bounded),

iar pentru p , operatorii lui Yager tind la minimum si
respectiv maximum

Operatorii lui Yager satisfac legile lui De Morgan, sunt

comutativi si asociativi pentru toate valorile lui p, momoton
nedescrescatori in (x) si includ cazurile clasice din logica
duala (clasica)

Cei doi operatori ai lui Yager nu sunt distributivi

Operatori combinati (averaging operators)

In teoria luarii deciziilor (decision making sau multi-criteria

decision theory) se doreste de multe ori sa se realizeze
compromisuri intre obiective contradictorii (conflicting goals)

Astfel, solutia obtinuta se situaeaza intre cea mai optimista

(lower bound) si cea mai pesimista (upper bound) valoare

Acesti operatori se numesc averaging operators (operatori

combinati sau mediati)

Exemple de astfel de operatori: fuzzy and si fuzzy or,

definiti astfel:
and
(x), B
(x)) =
g (A
min{A (x), B (x)} +
ore (A (x), B (x)) =
max{A (x), B (x)} +

(1)(A (x)+B (x))

,
2

x X , [0, 1]

(1)(A (x)+B (x))

,
2

x X , [0, 1]

Operatori combinati (averaging operators)

Operatorii fuzzy and si fuzzy or combina minimul,

respectiv maximul, cu media aritmetica

Astfel se realizeaza compensarea valorilor functiilor de

apartenenta pt multimi agregate

Zimmermann afirma ca acesti operatori dau rezultate bune

pentru anumite aplicatii (cu date empirice) ([Zim91], p 36)

Exista si alti operatori combinati (avergaing operators) !

Zimmermann a propus si un averaging operator parametrizat,

numit compensatory and, pentru m multimi fuzzy:
m
m
Y
Y
A i ,comp = ( i (x))(1) (1 (1 i (x)))
i =1

, x X,0 1

i =1

Operatori combinati (averaging operators)

si B
printr-o
Se poate realiza agregarea a doua MF, A
combinatie convexa de minim si maxim:
1 (A(x)
, B (x)) =

min{A (x), B (x)} + (1 ) max{A (x), B (x)},

[0, 1]

In loc de min ai max se pot folosi produs algebric si suma

algebrica

Zimmermann si Zysno sustin ca operatorul compensatory

and e mai potrivit decit alti operatori de acest gen in
probleme ce implica luarea deciziilor de catre oameni (human
decision making, [Zim91], p38)

Se pune atunci intrebarea: ce operatori sa utilizam ?

Prezentam criterii de alegere a operatorilor

Cuprins

Extensii ale multimilor fuzzy si ale operatiilor cu multimi fuzzy

Extensii ale multimilor fuzzy
Extensii ale operatiilor cu multimi fuzzy
Criterii de alegere a operatorilor
Principiul extensiei
Introducere
Principiul extensiei
Aplicatii ale principiului extensiei
Operatii cu multimi fuzzy de ordinul 2

Criterii de alegere a operatorilor

1. Putere axiomatica: daca toate celelalte caracteristici sunt la
fel, se prefera operatorul care satisface setul de axiome cel mai
putin limitativ
2. Potrivire empirica: e important ca operatorii alesi sa se
potriveasca domeniului unde sunt utilizati. Acest lucru se
poate verifica doar prin teste empirice.
3. Adaptabilitatea: daca se doreste ca un numar mic de operatori
sa poata fi utilizati in domenii sau circumstante diferite,
atunci se recomanda utilizarea operatorilor parametrizati
(Yager, Hamacher). Evident, acesti operatori nu sunt eficienti
dpdv computational (ei necesita de obicei calcule complexe)
4. Eficienta computationala: e evident ca operatorii max si min
implica mult mai putine calcule decit operatorii parametrizati.
Ei vor fi preferati daca se doreste o efiicenta de calcul ridicata.

Criterii de alegere a operatorilor

5. Compensare: Compensarea se defineste astfel:
fiind dat k [0, 1], daca t(A (x), B (x)) = k, operatorul t
are proprietatea de compensare daca modificind A (x), se
poate obtine t(A (xk ), B (xk )) = k pentru alt B (x).
Exemplu:
Daca A = 0.2 si B = 0.3, daca operatorul t este min, obtinem
t(A (x), B (x)) = min(0.2, 0.3) = 0.2 (deci k = 0.2)
Daca facem A = 0.1, indiferent cit ar fi B (x), nu putem obtine
min(A (x), B (x)) = 0.2 deoarece min(0.1, B (x)) 0.1, deci
operatorul min nu are proprietatea de compensare.
Daca operatorul t este produsul algebric, atunci obtinem:
0.2 0.3 = 0.06, deci k = 0.06 si daca facem A (x) = 0.1, avem
0.1 B (x) = 0.06 = B (x) = 0.06
0.1 = 0.6, deci operatorul
produs algebric are proprietatea de compensare.

Criterii de alegere a operatorilor

In general, daca avem o problema la care constringerile de

timp sunt importante, primeaza criteriul eficientei
computationale, deoarece dorim sa avem rezultatul operatiilor
fuzzy in timp real.

Daca, in schimb, rezolvam o problema complexa, de genul

unui sistem expert pentru diagnostic medical, atunci finetea
operatorului e mai importanta decit obtinerea rapida a
rezultatului.

Mai pot fi luate in considerare si alte criterii, in afara de cele

enumerate mai inainte, de ex potrivire tehnologica: daca
operatiile fuzzy se implementeaza in hardware, anumiti
operatori pot fi mai usor implementati in anumite tehnologii.

Cuprins

Extensii ale multimilor fuzzy si ale operatiilor cu multimi fuzzy

Extensii ale multimilor fuzzy
Extensii ale operatiilor cu multimi fuzzy
Criterii de alegere a operatorilor
Principiul extensiei
Introducere
Principiul extensiei
Aplicatii ale principiului extensiei
Operatii cu multimi fuzzy de ordinul 2

Cuprins

Extensii ale multimilor fuzzy si ale operatiilor cu multimi fuzzy

Extensii ale multimilor fuzzy
Extensii ale operatiilor cu multimi fuzzy
Criterii de alegere a operatorilor
Principiul extensiei
Introducere
Principiul extensiei
Aplicatii ale principiului extensiei
Operatii cu multimi fuzzy de ordinul 2

Importanta principiului extensiei

In forma sa generala a fost formulat de Zadeh in 1973

Are o importanta deosebita deoarece permite ca diferite teorii

sau domenii matematice si ne-matematice sa fie extinse prin
logica fuzzy (fuzzificate)

Astfel, exista numere fuzzy, aritmetica fuzzy, analiza

matematica fuzzy, dar si coduri fuzzy, automate fuzzy,
bistabile fuzzy, etc

Functii

Reamintim ca o functie f este o aplicatie f : X Y care

asociaza fiecarui x X un unic y Y .

Adica, ()x X () un unic y Y astfel incit y = f (x),

numit imaginea lui x prin functia f .

Aceasta inseamna ca:

1. Nici un x X nu are doua sau mai multe imagini, de exemplu
y1 si y2
2. Nici un x din X nu are 0 (zero) imagini prin functia f .

DESEN !!!!

Functii

O functie este injectiva, daca () x1 , x2 X cu x1 6= x2 , are

loc f (x1 ) 6= f (x2 ) (fiecare y din Y este imaginea cel mult a
unui x din X )
O functie este surjectiva, daca ()y Y ()x X astfel incit
y = f (x) (fiecare y din Y este imaginea cel putin a unui x din
X)
O functie este bijectiva daca si numai daca ea este atita
injectiva, cit si surjectiva (fiecare y din Y este imaginea unui
singur x din X )
Cu alte cuvinte, fiecarui x din X ii corespunde un unic y din
Y , sau intre multimile X si Y se poate stabili o
corespondenta unu la unu.
O functie este inversabila dsnd ea este este bijectiva.
Inversa unei functii f se noteaza cu f 1 : f 1 : Y X astfel
incit x = f 1 (y )
In cele ce urmeaza vom face un abuz de notatie, adica vom
nota x = f 1 (y ) chiar daca functia f nu este inversabila.

Cuprins

Extensii ale multimilor fuzzy si ale operatiilor cu multimi fuzzy

Extensii ale multimilor fuzzy
Extensii ale operatiilor cu multimi fuzzy
Criterii de alegere a operatorilor
Principiul extensiei
Introducere
Principiul extensiei
Aplicatii ale principiului extensiei
Operatii cu multimi fuzzy de ordinul 2

Principiul extensiei in forma restrinsa

X o multime
Definitie: Fie X , Y , universuri ale discursului, A
fuzzy in X si fie o functie f : X Y astfel incit y = f (x).
Y,
Principiul extensiei permite definirea unei multimi fuzzy B

B = {(y , B (y )) | y = f (x), x X } astfel:

sup A (x), daca () f 1 (y )

B (x) = xf 1 (y )

0,
in caz contrar

Explicatii
X si o functie f : X Y ,
Daca avem o multime fuzzy A
principiul extensiei ne spune cum se determina multimea fuzzy
Y care este imaginea multimii A
prin functia f . Apar
B
urmatoarele situatii:

Daca un element y Y este imaginea unui singur element

x X , atunci e normal sa consideram B (y ) = A (x)

Daca un element y Y nu este imaginea niciunui element

x X , atunci e normal sa consideram ca B (y ) = 0

Daca un element y Y este imaginea mai multor element

x X (de exemplu xi , xj , . . . , xk ), atunci gradul de
va fi valoarea maxima a gradelor de
apartenenta al lui y la B

apartenenta ale elementelor xi , xj , . . . , xk la A

In formula, prin x f 1 (y ) se noteaza acele elemente x din X a

caror imagine prin functia f este y din Y , adica y = f (x).

Principiul extensiei in forma generala

Definitie: Fie X = X1 X2 . . . Xn produsul cartezian al
i Xi multimi fuzzy
universurilor discursului Xi , i = 1, . . . , n, fie A
si fie o functie f : X Y astfel incit y = f (x1 , x2 , . . . , xn ), xi Xi ,
i = 1, . . . , n, iar Y este de asemenea un univers al discutsului.
Y,
Principiul extensiei permite definirea unei multimi fuzzy B

B = {(y , B (y )) | y = f (x1 , x2 , . . . , xn ), (x1 , x2 , . . . , xn ) X }

astfel:

B (x) =

sup

xf 1 (y )

min(A1 (x1 ), . . . , An (xn )),

0,

unde x = (x1 , x2 , . . . , xn )

daca () f 1 (y )
daca nu exista f 1 (y )

Explicatii

In forma generala, universul discursului X este produsul

cartezian al universurilor discursului X1 , X2 , . . . Xn , iar
este produsul cartezian al multimilor fuzzy
multimea fuzzy A

=A
1 A
2 . . . A
n
A1 , A2 , . . . , An , adica A

Conform formulei produsului cartezian, rezulta ca

A (x) = min(A 1 (x1 ), . . . , A n (xn )), unde x = (x1 , x2 , . . . , xn )

Evident, principiul extensiei in forma restrinsa se obtine din

forma generala pentru n = 1.

Cuprins

Extensii ale multimilor fuzzy si ale operatiilor cu multimi fuzzy

Extensii ale multimilor fuzzy
Extensii ale operatiilor cu multimi fuzzy
Criterii de alegere a operatorilor
Principiul extensiei
Introducere
Principiul extensiei
Aplicatii ale principiului extensiei
Operatii cu multimi fuzzy de ordinul 2

Aplicatii ale principiului extensiei in forma restrinsa

Z,
Fie X = Y = Z, multimea numerelor intregi, fie A

A = {(2, 0.3), (1, 0.5), (0, 0.8), (1, 1), (2, 0.7), (3, 0.1)} si fie
Z cu
functia f : Z Z, f (x) = x 2 . Se cere multimea fuzzy B

B = f (A) (adica B este imaginea multimii A prin functia f ).

B (0) = A (0) = 0.8 si B (9) = A (3) = 0.1

B (1) = supxf 1 (1) (A (x)) = sup(A (1), A (1))

= sup(0.5, 1) = 1

B (4) = supxf 1 (4) (A (x)) = sup(A (2), A (2))

= sup(0.3, 0.7) = 0.7
toate
Daca luam in considerare ca apartinind multimii B
numerele intregi intre 0 si 9, atunci avem: B (2) = B (3)
= B (5) = B (6) = B (7) = B (8) = 0 deoarece 2, 3, 5, 6, 7
prin functia f .
si 8 nu sunt imaginea niciunui element din A
= {(0, 0.8)(1, 1), (2, 0), (3, 0), (4, 0.7), (5, 0),
Deci, B
(6, 0), (7, 0), (8, 0), (9, 0.1)}

Aplicatii ale principiului extensiei: adunarea a doua numere

fuzzy discrete
1 X1 aproximativ 2
Fie X1 = X2 = Y = Z si fie multimile fuzzy A
2 X2 aproximativ 6 date de:
si A

A1 = {(1, 0.2), (2, 1), (3, 0.5), (4, 0.1)},

2 = {(5, 0.2), (6, 1), (7, 0.5), (8, 0.1)}.
A
2 , unde
Y data de B
=A
1 A
Se cere multimea fuzzy B
simbolul reprezinta adunarea numerelor fuzzy, care este definita
astfel:
B (y ) = sup (min(A 1 (x1 ), A 2 (x2 )))
y =x1 +x2

Raspuns:
= {(6, 0.2), (7, 0.2), (8, 1), (9, 0.5), (10, 0.5), (11, 0.1), (12, 0.1)}
B

Se observa ca se obtine numarul aproximativ 8, asa cum era

de asteptat, dar ca latimea sumei (gradul de imprecizie)
este mai mare decit gradul de imprecizie al termenilor.
Despre numere fuzzy in general se va discuta intr-un capitol
ulterior.

Adunarea a doua numere fuzzy discrete

Exemplu: calculul lui B (9):

Pornim de la y = x1 + x2 care, pt y = 9, devine:

9=1+8
9=2+7
9=3+6
9=4+5

Inlocuind in formula
B (y ) = supy =x1 +x2 {min(A 1 (x1 ), A 2 (x2 ))} obtinem:

B (9) =
sup9=x1 +x2 {min(A 1 (1), A 2 (8))), min(A 1 (2), A 2 (7))),
min(A 1 (3), A 2 (6))), min(A 1 (4), A 2 (5)))} =
sup{min(0.2, 0.1), min(1, 0.5), min(0.5, 1), min(0.1, 0.2)} =
sup(0.1, 0.5, 0.5, 0.1) = 0.5

Cuprins

Extensii ale multimilor fuzzy si ale operatiilor cu multimi fuzzy

Extensii ale multimilor fuzzy
Extensii ale operatiilor cu multimi fuzzy
Criterii de alegere a operatorilor
Principiul extensiei
Introducere
Principiul extensiei
Aplicatii ale principiului extensiei
Operatii cu multimi fuzzy de ordinul 2

Operatii cu multimi fuzzy de ordinul 2

Operatiile de reuniune, intersectie si complement pt MF de

ordinul 2 se pot defini doar folosind principiul extensiei !

Vom discuta doar cazul unor MF de ordinul 2 avand domenii

discrete

Fie doua multimi fuzzy de ordinul 2 definite prin:

= {(x, (x))} si B
= {(x, (x))}, unde:
A
A
B
A (x) = {(ui , ui (x)) | x X , ui , ui (x) [0, 1]}
B (x) = {(vj , vj (x)) | x X , vj , vj (x) [0, 1]}

Operatii cu multimi fuzzy de ordinul 2: Reuniune

Definition
Pentru multimile fuzzy de ordinul 2 definite anterior, functia de
apartenenta a reuniunii lor se defineste astfel:
A
B
(x) = A
(x) B
(x) =
= {(w , A
(w )) | w = max{ui , vj }, ui , vj [0, 1]}
B
unde
A
B
(w ) =

sup
w =max{ui ,vj }

min{ui (x), vj (x)}

Operatii cu multimi fuzzy de ordinul 2: Intersectie si

complement
Definition
Pentru multimile fuzzy de ordinul 2 definite anterior, functia de
apartenenta a intersectiei lor se defineste astfel:
A
B
(x) = A
(x) B
(x) =
= {(w , A
B
(w )) | w = min{ui , vj }, ui , vj [0, 1]}
unde
A
(w ) =
B

Definition

sup
w =min{ui ,vj }

min{ui (x), vj (x)}

se defineste prin:
Complementul lui A
CA (x) = {[(1 ui ), A (ui )]}

Operatii cu multimi fuzzy de ordinul 2: exemplu

Fie X = 1, 2, . . . , 10 universul discursului

= intregi mici (small integers) si B
=
si fie multimle fuzzy A
intregi apropiati de 4 (integers close to 4) definite prin:
= {(x, (x))}, B
= {(x, (x))}
A
A

unde, pentru x = 3 avem:

A (3) = {(ui , ui (3)) | i = 1, . . . , 3} =
{(.8, 1), (.7, .5), (.6, .4)}
B (3) = {(vj , vj (3)) | j = 1, . . . , 3} = {(1, 1), (.8, .5), (.7, .3)}

Sa se calculeze A
B
(3)

Operatii cu multimi fuzzy de ordinul 2: exemplu

ui

vj

w = min{ui , vj }

ui (3)

vj (3)

min{ui (3), vj (3)}

.8
.8
.8
.7
.7
.7
.6
.6
.6

1
.8
.7
1
.8
.7
1
.8
.7

.8
.8
.7
.7
.7
.7
.6
.6
.6

1
1
1
.5
.5
.5
.4
.4
.4

1
.5
.3
1
.5
.3
1
.5
.3

1
.5
.3
.5
.5
.3
.4
.4
.3

Tabelul 1 : Exemplu de intersectie de MF de ordinul 2

Operatii cu multimi fuzzy de ordinul 2: exemplu

Mai departe trebuie sa calculam supremum dintre toate gradele de
apartenenta ale tuturor perechilor (ui , vj ) care il au pe w ca minim:
sup

{1, .5} = 1

.8=min{ui ,vj }

sup

{.3, .5, .5, .3} = .5

.7=min{ui ,vj }

sup

{.4, .4, .3} = .4

.6=min{ui ,vj }

si B

Deci, functia de apartenenta a intersectiei multimilor fuzzy A

pt x = 3 este:
A
B
(3) = {(.8, 1), (.7, .5), (.6, .4)}

Krassimir T Atanassov.
Intuitionistic fuzzy sets.
Fuzzy sets and Systems, 20(1):8796, 1986.
Supriya Kumar De, Ranjit Biswas, and Akhil Ranjan Roy.
An application of intuitionistic fuzzy sets in medical diagnosis.
Fuzzy Sets and Systems, 117(2):209213, 2001.
H.-J. Zimmermann.
Fuzzy Set Theory and Its Applications, Second, Revised
Edition.
Kluwer Academic Publishers, 1991.