Documente Academic
Documente Profesional
Documente Cultură
Scurt istoric
Noţiunea de fuzzy, introdusă în ştiinţă de Lotfi A.Zadeh în 1965, în sens curent în limba engleză
înseamnă vag, estompat, nuanţat. Termenul fuzzy, nuanţat, cum va fi utilizat în limba română,
este asociat cu submulţimile dintr-un domeniu de existenţă, care, spre deosebire de cele definite
în matematica clasică şi care au frontiere nete, se caracterizează printr-o frontieră constituită
dintr-un domeniu în care amplitudinea elementelor se estompează gradual, până la dispariţie.
Lotfi A.Zadeh, în 1965, a avansat ideea că raţionamentele umane sunt superioare în conducerea
proceselor faţă de maşinile existente în ceea ce priveşte capabilitatea de a emite decizii pe baza
informaţiilor lingvistice imprecise. De aici rezultă posibilitatea de a îmbunătăţi performanţele
regulatoarelor electronice prin modelarea căilor prin care oamenii raţionează cu acest tip de
informaţie.
Contrar abordării tradiţionale, procesul inferenţial în logica fuzzy este descris la nivel semantic
(şi nu sintactic): în fapt, se urmăreşte codificarea cunoştinţelor exprimate lingvistic într-un
formalism semantic. Fac obiectul codificării nu doar cunoştinţele graduale, ci şi cele imprecise,
în sensul în care ele nu specifică în mod unic starea lumii subiacente.
Conceptul de Sistem Logic Fuzzy a fost introdus de către Mamdani în 1983 la conferinţa IEEE
despre sistemele fuzzy de la San Francisco, în care a demonstrat că spre deosebire de
regulatoarele tradiţionale convenţionale PID (Proporţional, Integral, Derivativ) la care sistemul
condus este modelat analitic prin ecuaţii diferenţiale, în cazul controler-ului fuzzy acesta este
bazat pe un model care reprezintă acţiunile pe care gândirea unui operator uman le poate efectua
în conducerea manuală a procesului tehnologic. Prin realizarea de sisteme de conducere utilizând
logica fuzzy se obţine un nou domeniu de activitate a Inteligenţei Artificiale pe lângă Sistemele
Expert şi Reţelele Neuronale Artificiale.
• a. Cunoştinţe obiective sunt acelea care sunt ultilizate în mod obişnuit în formulările
inginereşti, ca de exemplu: ecuaţia mişcării unui mobil, ecuaţiile mişcării unui robot,
modele convenţionale care descriu un canal de comunicaţii, reflecţia unui proces
seismologic, stabilirea a-priori a valorilor unui parametru dintr-un proces aleator. Aceste
cunoştinţe sunt exprimate prin relaţii funcţionale matematice între diferite mărimi care în
esenţă sunt numere, numite şi variabile concise.
• b. Cunoştinţe subiective sunt reprezentate prin informaţii lingvistice care sunt imposibil
de cuantificat prin metodele matematicii tradiţionale. Aceste cunoştinţe constau din
reguli, informaţii expert, clauze prin caietul de sarcini la anteproiect, succesiunea de
reguli pentru ţintirea unui obiectiv inamic, termeni inginereşti în caracterizarea
contextuală.
Mulţimi concise
O mulţime concisă A în domeniul de existenţă U (care furnizează setul de valori permise pentru
o variabilă) poate fi definită prin listarea tuturor elementelor conţinute sau prin identificarea
elementelor. Această a doua cale se poate efectua prin specificarea unei condiţii prin care şi în
acest caz A poate fi definit cu: A={x|x cunoaşte anumite condiţii}. O altă soluţie este de a
introduce o funcţie de apartenenţă zero-unu (denumită şi funcţie caracteristică, funcţie de
comunitate, funcţie discriminatorie sau funcţie indicatoare) pentru A, notată prin μA(x), astfel
încât A=>μA(x)=1 dacă şi μA(x)=0 dacă. Submulţimea A este matematic echivalentă cu funcţia sa
de apartenenţă, în sensul că, cunoscând pe μA(x) este echivalent cu a cunoaşte pe A însăşi.
Mulţimi nuanţate(fuzzy)
O mulţime nuanţată (fuzzy) F, definită într-un domeniu de existenţă U, este caracterizată printr-
o funcţie de apartenenţă μF(x) care ia valori în intervalul [0,1]. O mulţime nuanţată este o
generalizare a mulţimii ordinare, concise, descrisă în paragraful precedent, la care funcţia de
apartenenţă ia numai una din două valori, zero şi unu. Funcţia de apartenenţă furnizează o
masură a gradului de similaritate a unui element U din submulţimea nuanţată F. Spre deosebire
de mulţimile şi submulţimile concise caracterizate prin frontiere nete, frontierele mulţimilor şi
submulţimilor nuanţate sunt realizate din regiuni în care valorile funcţiilor de apartenenţă se
estompează gradual spre exterior, până la dispariţie. În plus,zonele de frontieră ale acestor
submulţimi nuanţate se pot întrepătrunde, în sensul că elementele din aceste zone pot aparţine la
două submulţimi alăturate, în acelaşi timp.
Funcţiile de aparteneţă μF(x), în aplicaţiile inginereşti, care utilizează logica mulţimilor nuanţate,
sunt asociate cu termenii sau mulţimile ce intervin în regulile fuzzy compuse din antecedenţi şi
consecvenţi. Dacă la acestea sunt formulate şi sunt precizate variabilele lingvistice u, pentru
fiecare termen se va aloca câte o funcţie de apartenenţă repartizată de-a lungul abscisei, pe care
este contată numeric variabila generică x. Porţiunea de pe abscisă pentru care funcţia de
apartenenţă îndeplineşte condiţia μF(x)>0 se numeşte suportul acesteia, iar punctul în care cele
două funcţii de apartenenţă se întretaie se numeşte punct de intersecţie sau de încrucişare, punct
caracterizat prin egalitatea funcţiilor de apartenenţă ale celor două mulţimi fuzzy învecinate.
Trebuie remarcat că valorile funcţiilor de apartenenţă, fiind cuprinse între 0 şi 1, sunt mărimi
raportate, ca urmare a diviziunii cu valoarea maximală sup(μF(x)) a valorilor reale ale acestor
funcţii de apartenenţă. Trebuie subliniat că alocarea submulţimilor nuanţate de-a lungul
variabilei generice x este arbitrară, subiectivă, depinzând de contextul procesului examinat.
În baza logicii mulţimilor nuanţate, iniţiată şi dezvoltată de Zadeh, s-au elaborat studii
teoretice aprofundate care au stat ulterior la baza aplicaţiilor, în special datorită şi
pragmatismului japonez, prin realizarea de sisteme de conducere pe baza logicii cu mulţimi
nuanţate, utilizând raţionamentul aproximativ. Aceste aplicaţii care au pornit de la automatizarea
unor modele de procese în laborator, s-au extins în mod surprinzător în numeroase domenii de
activitate, ca urmare a efectuării calculului paralel şi al utilizării pe lângă cunoştinţele obiective,
de factură numerică şi a cunoştinţelor subiective realizate prin informaţiile lingvistice. În prezent,
lista bibliografică a lucrărilor teoretice şi a aplicaţiilor sistemelor logice cu mulţimi nuanţate
depăşeşte cifră de 2000 şi este în curs de majorare. Trebuie subliniat că factorii care au condus la
un interes atât de mare în utilizarea tehnicii fuzzy l-au constituit: complexitatea ridicată a
proceselor, gradul de imprecizie al parametrilor acestora şi neliniaritatea relaţiei dintre
intrarea şi ieşirea sistemelor. Astfel sistemele logice fuzzy constituie a doua metodologie a
inteligenţei artificiale după sistemele expert, de la care a împrumutat baza de reguli şi inferenţa,
completate cu informaţiile lingvistice şi de raţionamentul aproximativ.
Al treilea domeniu al inteligenţei artificiale îl constituie reţelele neuronale artificiale care îşi
propune să simuleze sistemul nervos al creierului uman. În combinaţie cu reţelele neuronale
artificiale, sistemele logice fuzzy realizează sistemele neuronale fuzzy de inferenţă, prin care
parametrii procesului sunt identificaţi prin procedeul de propagare înapoi a reţelei neuronale.
Ca urmare a faptului că mulţimile nuanţate sunt caracterizate prin frontiere, care nu sunt nete,
fiind formate din zone în care valoarea mulţimii nuanţate scade gradual până la dispariţie,
raţionamentul clasic exprimat prin Modus Ponens, va fi modificat în mod corespunzător pentru
mulţimile nuanţate, noua frontieră fiind „Modus Ponens Generalizat”. Acest raţionament care
în esenţă stă la baza logicii fuzzy a determinat ca pentru denumirea acestei logici nuanţate sa fie
utilizată expresia de „raţionament aproximativ”.
μB(x) = 1-μB(x)
A+Ä ≠ U
A∩Ä ≠ ɸ
Trebuie subliniat că operatorii „max” şi „min” sunt singurii utilizaţi pentru definirea operaţiilor
de uniune şi intersecţie. L. A. Zadeh, în articolul său în care a iniţiat logica mulţimilor nuanţate, a
definit doi operatori speciali pentru aceste operaţii:
• a. Uniunea fuzzy, ca maximum şi sumă algebrică prin expresia:
μA∩B(x) = μA(x)*μB(x)
• c. Operatorul „normet”(t-norm):
• produs liniar (bounded product):
x*y = max(0,x+y-1)
x*y = x, dacă y = 1
x*y = y, dacă x = 0
x*y = 0, dacă
Aceste două relaţii permit să substituie operatorii „max” şi „min” între ei. Regulile „t-norm”,
„t-conorm” şi „complement”, sub aspect teoretic, furnizează o supraabundenţă de operaţii logice
care se pot utiliza în sistemele logice nuanţate. Zimmerman a elaborat opt criterii în selectarea
acestor operatori logici conectivi de factură teoretică, dar caracterul lor pronunţat subiectiv nu
permite utilizarea lor directă în aplicaţiile inginereşti.
Toţi aceşti operatori sunt utilizaţi pentru uniunea, intersecţia şi complementul, similare cu cele
furnizate de logica binară booleană, la care funcţiile de apartenenţă sunt restrânse la două valori:
0 şi 1, în timp ce funcţiile de apartenenţă aferente mulţimilor nuanţate sunt creditate cu valori
cuprinse între 0 şi 1, inclusiv limitele.
Implicaţiile şi regulile fuzzy exprimă de fapt o legatură de cauzalitate suplă între două variabile
U şi V, în sensul impunerii de restricţii asupra valorilor lui y, atunci când se ştie ca x verifică
anumite condiţii.
Exprimarea lingvistică a anumitor cunoştinţe sau raţionamente solicită cuantificarea regulilor
fuzzy. Aceasta se referă nu numai la situaţiile extreme reprezentate de cuantificatorii universal şi
existenţial, ci şi la situaţiile intermediare, reflectând o cardinalitate relativă.
Un cuantificator fuzzy este o mulţime fuzzy definită pe referenţialul R al numerelor reale, care
descrie un număr de cazuri, sau o propoziţie aproximativă, de tipul: „în general”, „în majoritatea
cazurilor”, „în anumite cazuri”. Atunci când cuantificarea nu este universală, regula fuzzy
presupune existenţa excepţiilor şi solicită implicit o procedură de tratare a acestora.
Fie Q un cuantificator fuzzy, având funcţia de apartenenţă μQ. O regulă fuzzy cuantificată este de
forma „Q DACĂ X este A ATUNCI Y este B” şi poate fi ilustrată prin următorul exemplu: „în
majoritatea cazurilor(Q), DACĂ provenienţa mărfii(X) este din import(A), ATUNCI preţul(Y)
este ridicat(B)”. Explicitarea regulilor de această natură se poate face astfel: posibilitatea ca
proporţia perechilor de elemente (u,v), cu şi , ce satisfac respectiv premiza A şi concluzia B, să
fie egală cu valoarea μQ (p).
În 1979, Zadeh a generalizat schema clasică de raţionament bazată pe modus ponens, într-o
manieră care îi asigură întreaga supleţe necesară pentru a opera cu reguli fuzzy şi a accepta fapte
ce nu corespund decît imperfect premizelor. Noua schemă, numită modus ponens generalizat se
poate reprezenta astfel:
Mulţimile fuzzy A, A', respectiv B, B' sunt definite pe referenţialele U, respectiv V. Informaţiile
disponibile pentru a determina concluzia B' sunt:
unde μR(u,v) = Φ(μΛ(u), μB(v)) = μΛ(u)* → μB(v), este o implicaţie fuzzy, interpretată la nivel
semantic ca o distribuţie de posibilităţi conditionată ΠY|X , iar T este o t-normă, numită operator
al lui modus ponens generalizat şi aleasă astfel încât să păstreze compatibilitatea cu modus
ponens ordinar(adică să se obţină μB, identic cu μB' de îndată ce μA este identic cu μA').
Teoria mulţimilor nuanţate, prin logica fuzzy, bazată pe raţionamentul aproximativ, şi prin
sistemele logice fuzzy, care admit imprecizia, poate rezolva problema fiabilităţii sistemelor
foarte complexe, fără a forţa precizia, care în fapt este imposibil de atins prin orice metodă.
La evaluarea fiabilităţii sistemelor complexe prin utilizarea logicii fuzzy, se recurge la concepte
noi ca: posibilitatea defectării, arbori de defectări, arbori de evenimente, securitatea şi riscul ca
măsură globală a fiabilităţii.
Tehnica logicii fuzzy este utilizată în prezent de firme prestigioase japoneze, ca Matsushita şi
Hitachi, în perfecţionarea maşinilor casnice de spălat. Eforturile acestor firme au fost îndreptate
spre realizarea unor performanţe ridicate, legate de conservarea apei, descreşterea zgomotului,
conservarea calităţii rufelor şi scurtarea timpului de spălare. La implementarea sistemului logic
fuzzy de conducere s-a apelat la beneficiul colectării experienţei de la gospodinele care au lucrat
cu maşinile de spălat conduse manual.
Alte aplicaţii
Bibliografie
1. Vasile Georgescu, Proiectarea sistemelor expert în logica fuzzy şi teoria
probabilităţilor, Ed. INTARF, Craiova, 1995
2. Ştefan Gârlaşu, Bazele teoretice ale logicii fuzzy, Ed. „Eftimie Murgu”, Reşiţa, 2000