Sunteți pe pagina 1din 116

Inteligență artificială

9. Logica vagă (fuzzy)

Florin Leon

Universitatea Tehnică „Gheorghe Asachi” din Iași


Facultatea de Automatică și Calculatoare

http://florinleon.byethost24.com/curs_ia.htm
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
Logica vagă (fuzzy)
1. Logica clasică și logica fuzzy
2. Operații cu mulțimi fuzzy
3. Tipuri de inferență
4. Sistem expert fuzzy
5. Controlere fuzzy
6. Concluzii

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 2


Logica vagă (fuzzy)
1. Logica clasică și logica fuzzy
2. Operații cu mulțimi fuzzy
3. Tipuri de inferență
4. Sistem expert fuzzy
5. Controlere fuzzy
6. Concluzii

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 3


Incompletitudinea
 Logica clasică consideră valoarea de adevăr a
propozițiilor în termeni de adevărat sau fals
 Legea terțului exclus
 Viața de zi cu zi: „cerul este albastru”
 Câțiva nori?
 Oamenii gândesc mai flexibil, în condiții de
incompletitudine

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 4


Incertitudine și imprecizie
 Incompletitudinea unei informații se exprimă
pe două scări:
 Scara incertitudinii
 Încrederea care i se acordă informației
 Informație certă sau nu
 Scara impreciziei
 Conținutul informațional
 Informație precisă, cu o singură valoare, sau nu

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 5


Exemplu: opinii despre rezultatele
recensământului din 2011
 „Institutul Național de Statistică a precizat că la 20 octombrie
2011, populația stabilă a României era de 20.121.641 locuitori.”
 Știre sigură și precisă (completă)
 „Populația României este în mod sigur sub 21 milioane de
locuitori.”
 Informație certă, dar imprecisă (valoarea aparține intervalului
0 – 21.000.000)
 „Cred că populația României este de 20.000.000 locuitori.”
 Informație incertă, dar precisă (chiar dacă este incorectă)
 „Am impresia că rezultatul este în jur de 20 de milioane.”
 Informație incertă și imprecisă
 „N-am nici cea mai vagă idee.”
 Non-informație, toate valorile sunt egal probabile
 Grad maxim de incertitudine și imprecizie

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 6


Logica clasică și „bunul simț”
 Logica clasică – praguri stricte
 Limită de înălțime 1,80 m
 Ion are 1,81 m ⇒ este înalt
 Vasile are 1,79 m ⇒ nu este înalt
 Nuanțe lingvistice – greu de reprezentat
 Chiar dacă transformatorul este ușor supraîncărcat,
mai putem menține puțin această încărcare
 Iașul este un oraș destul de mare
 Mașinile electrice nu sunt foarte rapide

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 7


Limitări ale logicii clasice
 Filosoful cretan spune că toți cretanii mint
 Frizerul satului îi tunde pe toți cei care nu se tund
singuri

 În logica clasică acestea sunt paradoxuri sau


contradicții
 Ar putea fi considerate însă parțial adevărate

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 8


Scurt istoric
 Jan Łukasiewicz (1930): teoria posibilității
 Posibilitatea ca o propoziție să fie adevărată sau falsă
 De exemplu, posibilitatea ca un om de 1,81 m să fie înalt este 0,86
 Max Black (1937): imprecizia ca o formă de probabilitate
 Când un scaun nu mai este considerat scaun ci buturugă
 Procentul de persoane care ar denumi obiectul „scaun”
 Definirea unor mulțimi vagi simple și a unor operații
 Lotfi Zadeh (1965): Fuzzy Sets (Mulțimi vagi)
 Sistem formal de logică matematică
 Includerea termenilor din limbajul natural
 Fuzzy se pronunță [fá-zi]

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 9


Exemplu
Degree of Membership
Name Height, cm
Crisp Fuzzy
Chris 208 1 1.00
Mark 205 1 1.00
John 198 1 0.98
Tom 181 1 0.82
David 179 0 0.78
Mike 172 0 0.24
Bob 167 0 0.15
Steven 158 0 0.06
Bill 155 0 0.01
Peter 152 0 0.00
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 10
Comparație

0 0 0 1 1 1 0 0 0.2 0.4 0.6 0.8 1 1


(a) Boolean Logic. (b) Multi-valued Logic.

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 11


Logica vagă (fuzzy)
1. Logica clasică și logica fuzzy
2. Operații cu mulțimi fuzzy
3. Tipuri de inferență
4. Sistem expert fuzzy
5. Controlere fuzzy
6. Concluzii

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 12


Noțiuni de bază
 Universul de discurs
 Axa X: domeniul tuturor valorilor posibile
aplicabile unei variabile
 În exemplul anterior: înălțimea
 Gradul de apartenență
 Axa Y
 Valori în intervalul [0, 1]

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 13


Formalizare

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 14


Mulțimi multiple
Degree of
Crisp Sets
Membership
1.0

0.8 Short Average Short


Tall
Tall Men
0.6

0.4

0.2

0.0
150 160 170 180 190 200 210
Height, cm
Degree of
Fuzzy Sets
Membership
1.0

0.8

0.6 Short Average Tall

0.4

0.2 Tall

0.0
150 160 170 180 190 200 210
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 15
Suport

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 16


Înălțimea

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 17


Nucleu

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 18


Incluziuni. Egalitate

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 19


Numere fuzzy
 De multe ori, oamenii nu pot caracteriza precis
informațiile numerice, folosind formulări precum
„aproape 0”, „în jur de 100” etc.
 În teoria mulțimilor fuzzy, aceste numere pot fi
reprezentate ca submulțimi fuzzy ale mulțimii
numerelor reale
 Un număr fuzzy A este o submulțime fuzzy a mulțimii
numerelor reale, cu o funcție de apartenență convexă
și continuă și suport mărginit

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 20


Număr fuzzy triunghiular

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 21


Număr fuzzy triunghiular

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 22


Număr fuzzy trapezoidal

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 23


Număr fuzzy trapezoidal

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 24


Funcția gaussiană

cvasi-număr fuzzy
(suportul nu este mărginit)

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 25


Funcția Bell generalizată

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 26


Funcția S

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 27


Funcția Π simetrică

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 28


Funcția Π asimetrică

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 29


Tăietura α

Asupra a două numere fuzzy cu forme arbitrare se pot aplica


operații aritmetice prin „tăierea” numerelor în mai multe intervale,
aplicarea operațiilor asupra intervalelor și recompunerea rezultatului

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 30


Operații aritmetice cu numere fuzzy
 Pentru două numere interval fuzzy [a, b] și [d, e]
 Adunarea
 [a,b] + [d,e] = [a+d, b+e]
 Scăderea
 [a,b] - [d,e] = [a-e, b-d]
 Înmulțirea
 [a,b] · [d,e] = [min(a·d,a·e,b·d,b·e), max(a·d,a·e,b·d,b·e)]
 Împărțirea
 [a,b] / [c,d] = [a,b] · [1/d, 1/c] =
[min(a/c, a/d, b/c, b/d), max(a/c, a/d, b/c, b/d)]

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 31


Modificatori
 Mulțimile fuzzy pot reprezenta în mod cantitativ
termeni lingvistici vagi
 În vorbirea curentă, oamenii folosesc o serie de
adverbe pentru nuanțarea acestora, precum „foarte”,
„aproape”, „oarecum” etc.
 Teoria mulțimilor fuzzy face posibilă reprezentarea lor
cu ajutorul unor modificatori (sau restrictori, engl.
“hedges”, hedge = gard viu) care modifică matematic
funcția de apartenență a mulțimii fuzzy considerate

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 32


Concentrarea
 Concentrarea („foarte”) are ca efect
reducerea gradelor de apartenență ale
elementelor cu grade de apartenență mici

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 33


Puterea
 Puterea („foarte foarte”) este o extensie a
concentrației

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 34


Dilatarea
 Dilatarea („oarecum”) mărește gradele de
apartenență ale elementelor cu grade de
apartenență mici

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 35


Intensificarea
 Intensificarea („într-adevăr”) are ca efect
mărirea gradelor de apartenență de peste 0,5
și micșorarea celor sub 0,5

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 36


Operații cu mulțimi fuzzy
 Operațiile cu mulțimi fuzzy sunt o extensie
a celor din logica clasică
 Dacă mulțimile fuzzy implicate au grade de
apartenență 0 și 1, semnificația operațiilor
este aceeași ca în teoria clasică a mulțimilor,
de aceea și simbolurile utilizate sunt aceleași

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 37


Norme triunghiulare
 Aceste operații pot fi definite cu ajutorul unor funcții numite
t-normă (T ) și t-conormă (S)

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 38


Exemple

Există foarte multe familii de norme !

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 39


Intersecția

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 40


Reuniunea

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 41


Complementul

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 42


Exemple Mulțimi cu doar două elemente

Nu este 0 / 0 + 0 / 1

Nu este 1 / 0 + 1 / 1

 În logica fuzzy nu se respectă nici principiul terțului exclus


(A ∪ AC = X) și nici cel al noncontradicției (A ∩ AC = Ø)

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 43


Logica vagă (fuzzy)
1. Logica clasică și logica fuzzy
2. Operații cu mulțimi fuzzy
3. Tipuri de inferență
4. Sistem expert fuzzy
5. Controlere fuzzy
6. Concluzii

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 44


Reguli fuzzy
 Reprezentarea cunoștințelor umane sub
formă de reguli fuzzy

 DACĂ x este A ATUNCI y este B


 x și y sunt variabile lingvistice
 A și B sunt valori lingvistice determinate de
mulțimile fuzzy în universurile de discurs X și Y

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 45


Exemplu
 Regula 1
 DACĂ viteza este rapidă
ATUNCI distanța-de-oprire este mare
 Regula 2
 DACĂ viteza este înceată
ATUNCI distanța-de-oprire este mică
 Universuri de discurs
 Viteza (în km/h)
 Distanța-de-oprire (în m)
 Mulțimi fuzzy
 Viteză înceată, viteză rapidă
 Distanță mică, distanță mare

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 46


Antecedenți și consecvenți
multipli

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 47


Modus Ponens generalizat

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 48


Tipuri de implicație

AB

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 49


Inferența Mamdani (max-min)

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 50


Inferența Mamdani

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 51


Inferența Larsen (max-produs)

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 52


r ține de regula de implicație, de exemplu, Mamdani sau Larsen
max(min) ține de t-norma și t-conorma folosite

Inferența Larsen

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 53


Inferența Larsen
 Spre deosebire de inferența Mamdani,
inferența Larsen păstrează informațiile
privind formele mulțimilor fuzzy

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 54


Defuzzificarea
 Reprezintă obținerea unei valori stricte dintr-o
mulțime fuzzy, ca valoare reprezentativă

 Există mai multe metode:


 Centrul de greutate
 Media maximului
 Cel mai mic maxim
 Cel mai mare maxim

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 55


Centrul de greutate
 Numit și centroid

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 56


Rezultatul defuzzificării în
exemplele anterioare

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 57


Inferența Mamdani cu
reguli multiple
 Inferența presupune patru pași:
 Fuzzificarea variabilelor de intrare
 Evaluarea regulilor
 Agregarea ieșirilor regulilor
 Defuzzificarea

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 58


Exemplu
 O problemă cu 2 intrări și 1 ieșire, 3 reguli

Regula 1 Regula 1
IF x is A3 IF project-funding is adequate
OR y is B1 OR project-staffing is small
THEN z is C1 THEN risk is low

Regula 2 Regula 2
IF x is A2 IF project-funding is marginal
AND y is B2 AND project-staffing is large
THEN z is C2 THEN risk is normal

Regula 3 Regula 3
IF x is A1 IF project-funding is inadequate
THEN z is C3 THEN risk is high
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 59
Pasul 1. Fuzzificarea
 Pentru intrările stricte date x1 și y1 (project funding și
project staffing) se determină gradele de apartenență
în mulțimile corespunzătoare

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 60


Pasul 2. Evaluarea regulilor
 Intrările fuzzificate se aplică antecedenților
(premiselor) regulilor
 Dacă o regulă are antecedenți multipli, se
aplică operatorii fuzzy de intersecție sau
reuniune

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 61


Inferența Mamdani

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 62


Pasul 3. Agregarea ieșirilor
 Agregarea presupune reunirea ieșirilor tuturor
regulilor, rezultând câte o mulțime fuzzy
pentru fiecare variabilă de ieșire

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 63


Pasul 4. Defuzzificarea
 Mulțimile fuzzy agregate sunt transformate în
valori stricte după o metodă de defuzzificare
(de exemplu, metoda centrului de greutate)

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 64


Inferența TSK
 Inferențele de tip Mamdani sau Larsen presupun
integrarea funcțiilor de apartenență pentru
defuzzificare, ceea ce nu este foarte eficient din
punct de vedere computațional
 Inferența de tip Takagi-Sugeno-Kang este de forma:
 DACĂ x este A ȘI y este B ATUNCI z este f(x,y)
 f este o funcție matematică

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 65


Inferența Sugeno

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 66


Exemplu

se presupun niște funcții


de apartenență arbitrare
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 67
Exemplu

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 68


Modelul de ordin zero
 Cel mai utilizat model de inferență TSK este
modelul Sugeno de ordin zero, în care ieșirea
fiecărei reguli fuzzy este o constantă
 DACĂ x este A ȘI y este B ATUNCI z este k

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 69


Evaluarea de tip k1 = 20
k2 = 50

Sugeno de ordin zero k3 = 80

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 70


Agregarea ieșirilor și k1 = 20
k2 = 50

defuzzificarea k3 = 80

media ponderată
(weighted average)

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 71


Mamdani vs. Sugeno
 Metoda Mamdani  Metoda Sugeno
 Utilizată pe scară largă  Eficientă computațional
pentru reprezentarea  Mai potrivită pentru
cunoștințelor expert probleme de control,
 Permite descrierea mai în special pentru
intuitivă a cunoștințelor sisteme neliniare
 Are dezavantajul unui dinamice
efort de calcul mai
mare

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 72


Logica vagă (fuzzy)
1. Logica clasică și logica fuzzy
2. Operații cu mulțimi fuzzy
3. Tipuri de inferență
4. Sistem expert fuzzy
5. Controlere fuzzy
6. Concluzii

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 73


Studiu de caz
 Un centru de service păstrează componente de
schimb și repară componente defecte
 Clienții aduc o componentă defectă și primesc o
piesă de schimb de același tip
 Componentele defecte sunt reparate și repuse în
circuit
 Obiectivul sistemului expert este de a ajuta
managerul în luarea deciziilor astfel încât clienții
să rămână mulțumiți

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 74


Procesul de dezvoltare al unui
sistem expert fuzzy
 Specificarea problemei și definirea variabilelor
lingvistice
 Determinarea mulțimilor fuzzy
 Construirea regulilor fuzzy
 Codarea mulțimilor, regulilor și procedurilor
de inferență
 Evaluarea și rafinarea sistemului

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 75


Specificarea problemei și
definirea variabilelor lingvistice
 Există 4 variabile lingvistice:
 Timpul mediu de așteptare (întârzierea medie) m
 Factorul de utilizare a reparațiilor 
  = număr clienți veniți / număr clienți plecați

 Numărul de angajați s
 Numărul inițial de piese de schimb n
 Aceasta este ieșirea sistemului
 Trebuie determinat: n = f(m, , s)

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 76


77
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
Determinarea mulțimilor fuzzy
 De obicei, se utilizează numere fuzzy
triunghiulare sau trapezoidale pentru
cunoștințele expert
 În general, acestea sunt reprezentări adecvate și
suficiente pentru cunoștințe
 Se simplifică și procesul de calcul: formule simple
pentru determinarea gradelor de apartenență

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 78


Întârzierea medie m

O întârziere mai mare nu este acceptabilă

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 79


Numărul de angajați s

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 80


Factorul de utilizare a
reparațiilor 

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 81


Numărul de piese de schimb n

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 82


Construirea regulilor fuzzy
 Expertul trebuie să furnizeze cunoștințele
privind regulile
 „Expertul” poate fi orice sursă de cunoaștere:
cărți, baze de date, scheme logice,
comportamente umane observate etc.

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 83


Reprezentarea regulilor prin
memorii asociative fuzzy
s valorile lui n

m
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 84
Baza de reguli 1

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 85


Baza de reguli 2: tabela de reguli
Rule m s  n Rule m s  n Rule m s  n
1 VS S L VS 10 VS S M S 19 VS S H VL
2 S S L VS 11 S S M VS 20 S S H L
3 M S L VS 12 M S M VS 21 M S H M
4 VS M L VS 13 VS M M RS 22 VS M H M
5 S M L VS 14 S M M S 23 S M H M
6 M M L VS 15 M M M VS 24 M M H S
7 VS L L S 16 VS L M M 25 VS L H RL
8 S L L S 17 S L M RS 26 S L H M
9 M L L VS 18 M L M S 27 M L H RS

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 86


Baza de reguli 2: memoria asociativă fuzzy
s
s

 

s
m
m

s
m

m
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 87
Implementarea sistemului
 Folosind un instrument de dezvoltare
specializat
 De exemplu: Matlab Fuzzy Toolbox,
FisPro (FIS = Fuzzy Inference Systems),
FuzzyNet (Fuzzy Logic Library for Microsoft .NET)
etc.
 Cu un program dezvoltat special pentru
sistemul fuzzy considerat, scris în orice limbaj
de programare

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 88


Evaluare și rafinare
 Este cea mai laborioasă fază
 Reprezintă validarea sistemului în raport
cu cerințele specificate
 Unele instrumente pot genera suprafețe
de decizie care ajută la analizarea
performanțelor sistemului

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 89


Baza de reguli 1

90
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
Baza de reguli 1

91
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
Baza de reguli 2

92
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
Baza de reguli 2

93
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
Rafinarea
 Dacă performanțele nu sunt satisfăcătoare,
se pot include în model mulțimi suplimentare
 De exemplu, RatherSmall și RatherLarge pe
universul de discurs al numărului de angajați s
 Se extinde și baza de reguli

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 94


Mulțimile modificate pentru s

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 95


Baza de reguli 3: memoria asociativă fuzzy
s
s

s
 

m
m

m 96
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
Baza de reguli 3

97
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
Baza de reguli 3

98
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
Rafinarea sistemelor fuzzy
 Se analizează variabilele de intrare și ieșire și dacă
este nevoie se redefinesc domeniile de definiție
 Se analizează mulțimile fuzzy și dacă este nevoie
se adaugă mulțimi suplimentare pe universul de
discurs
 Mulțimile „mari” conduc la un comportament nenuanțat al
sistemului
 Trebuie să existe o suprapunere suficientă în
mulțimile vecine
 Se recomandă o suprapunere de 25%-50% din baze
(pentru numerele triunghiulare și trapezoidale)

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 99


Rafinarea sistemelor fuzzy
 Se analizează regulile existente și dacă este nevoie
se adaugă noi reguli în baza de reguli
 Se examinează baza de reguli în vederea aplicării de
modificatori pentru anumite cazuri
 Se pot modifica formele unor mulțimi
 Însă de obicei sistemele fuzzy sunt tolerante la aproximările
de formă

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 100


Logica vagă (fuzzy)
1. Logica clasică și logica fuzzy
2. Operații cu mulțimi fuzzy
3. Tipuri de inferență
4. Sistem expert fuzzy
5. Controlere fuzzy
6. Concluzii

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 101


Exemple
 Sistem de control fuzzy pentru stabilizarea
pendulului inversat
 Sistem de control fuzzy pentru simularea
funcționării unei macarale
 Sistem de control fuzzy pentru conducerea
unei mașinuțe de golf

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 102


Pendulul inversat

Pentru detalii,
vezi suportul de curs

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 103


Pendulul inversat
 Intrări
 Unghiul θ
 Viteza unghiulară dθ / dt
 Ieșire
 Viteza bazei u

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm


Mulțimile fuzzy

θ dθ / dt

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm


Abordarea fuzzy
 Mulțimea minimă de reguli pentru stabilizarea
pendulului inversat

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 106


Exemplu: fuzzificare
(cu o altă mulțime de reguli)

 θ = 1 (x1)
 dθ / dt = - 4 (x2)

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 107


Consecvenții fuzzy și
reuniunea lor

Centroidul reuniunii (- 2)
este ieșirea strictă
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
108
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 109
Alt exemplu de implementare

http://www.erudit.de/erudit/demos/cartball/index.htm
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 110
Macaraua

http://www.intelligent-systems.info/neural_fuzzy/loadsway/LoadSway.htm
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 111
Macaraua - reguli

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 112


Mașinuța de golf

Pentru detalii,
vezi suportul de curs

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 113


Alte aplicații din lumea reală
 Subsisteme de autovehicule,  Lifturi
transmisie automată, ABS  Mașini de spălat vase
 Control automat al trenului  Mașini de spălat, alte
monorail din Tokyo electrocasnice
 Aparate de aer condiționat
 Filtre de limbaj pe forumuri
 Motorul de animație Massive și camere de discuții
 Aparate de fotografiat  Jocuri video
 Prelucrarea imaginilor  Microcontrolere și
(de ex. detecția muchiilor) microprocesoare
(de ex. Freescale 68HC12)
 Recunoașterea modelelor

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 114


Mulțimile fuzzy și probabilitățile
 Mulțimile fuzzy modelează situații care există sigur,
însă nu pot fi încadrate exact într-o categorie
 Probabilitățile modelează situații care ar putea să
apară

 O sticlă conține o otravă mortală cu probabilitatea 10%


 Altă sticlă are otravă cu o concentrație de 10%
 Concentrația maximă admisă de otravă, care poate fi
băută fără probleme, este de 20%
 Din care sticlă ați bea?

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 115


Concluzii
 Logica fuzzy oferă posibilitatea de a reprezenta și
raționa cu cunoștințe comune, formulate în mod
obișnuit și de aceea și-a găsit aplicabilitatea în
numeroase domenii
 Logica fuzzy are o valoare deosebită și în aplicațiile
de control automat unde este dificil sau imposibil de
dezvoltat un sistem de control tradițional
 Dificultățile apar la determinarea funcțiilor de
apartenență și la reglarea parametrilor

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm 116

S-ar putea să vă placă și