Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
1
În anul 2003 părintele mulŃimilor şi logicii fuzzy; Lotfi A. Zadeh, a primit titlul de Doctor
Honoris Causa al UniversităŃii „Aurel Vlaicu” din Arad
2
International Conference on Computers, Communications & Control (ICCCC),
http://www.iccc.univagora.ro
3
Autorul acestei cărŃi, fondatorul şi organizatorul ICCCC
Logica fuzzy 3
sunt bine precizate dar apariŃia lor este incertă din cauza lipsei de informaŃie.
Interesul privind calculul probabilităŃilor în sistemele expert a crescut mult după
succesul remarcabil obŃinut în sistemul MYCIN.
În cazul incertitudinii epistemice (subiective), probabilităŃile nu mai pot fi
aplicate din cauza lipsei de informaŃii. Prin urmare, s-a încercat dezvoltarea
altor teorii care să modeleze incertitudinea epistemică. Printre acestea se
numără şi teoria posibilităŃii şi teoria evidenŃei. O prima abordare a
incertitudinii epistemice o reprezintă teoria posibilităŃii, prezentată pentru prima
dată de Lotfi Zadeh, părintele mulŃimilor fuzzy. Unul dintre conceptele
principale ale teoriei posibilităŃii este distribuŃia acesteia. Punctul de plecare l-a
reprezentat noŃiunea de restricŃie fuzzy. Pentru a înŃelege ce este aceasta, să ne
imaginăm un geamantan cu pereŃi elastici şi unul inelastic. Pentru cel cu pereŃi
tari, volumul acestuia este o valoare unică, bine stabilită. Pentru cel cu pereŃi
elastici, volumul depinde de gradul de înghesuire al obiectelor în acesta. Acest
grad de înghesuire poate fi foarte bine reprezentat de o funcŃie similară funcŃiei
de apartenenŃă a unei mulŃimi fuzzy. Astfel distribuŃia posibilităŃii (va fi
numeric egală cu funcŃia de apartenenŃă a unei mulŃimi fuzzy (restricŃie fuzzy),
având însă o interpretare diferită.
Pentru a ilustra diferenŃa dintre distribuŃia posibilităŃii şi distribuŃia
probabilităŃii, Zadeh ne oferă un exemplu foarte concludent:
“Hans mănâncă x ouă la micul dejun. DistribuŃia posibilităŃii poate fi
interpretată ca o măsură a uşurinŃei cu care Hans mănâncă x ouă, în timp ce
distribuŃia probabilităŃii se obŃine în urma observării lui Hans la micul dejun,
într-o anumită perioadă de timp, în scopul surprinderii frecvenŃei cu care Hans
mănâncă x ouă”.
Prin proiectarea de instrumente care să faciliteze sau să facă mai eficientă
modelarea problemelor complexe cu ajutorul tehnologiei fuzzy, numărul şi
dimensiunea ariei de aplicabilitate a acestei tehnologii au crescut rapid.
Teoria mulŃimilor fuzzy se utilizează în următoarele scopuri:
• Modelarea incertitudinilor –incertitudinea poate fi modelată prin
diferite teorii, în funcŃie de cauzele incertitudinii, de tipul şi de cantitatea
informaŃiilor disponibile etc. Teoria mulŃimilor fuzzy este, în acest sens,
una dintre metodele care pot fi utilizate pentru a modela diferite tipuri
de incertitudini, în diferite circumstanŃe;
• Generalizare – modelele si metodele clasice sunt, în mod normal,
bazate pe logica bivalentă. Adesea, această abordare nu surprinde
adecvat realitatea. Teoria mulŃimilor fuzzy a fost utilizată cu precădere
în scopul relaxării sau al generalizării metodelor clasice, de caracterul
gradual;
• Simplificare – tehnologia fuzzy se utilizează în scopul reducerii
complexităŃii datelor la un grad acceptabil, fie prin variabile lingvistice
sau prin analiza fuzzy a datelor;
Logica fuzzy 5
MulŃimi crisp
MulŃimi fuzzy
A : X → [0;1] . (1.1)
µ A : X → P[0,1]
(1.2)
Valorile 0 şi 1 reprezintă cel mai mic şi respectiv cel mai mare grad de
apartenenŃă la A al unui element x ∈ X.
În sens Zadeh, o mulŃime pentru care o delimitare evidentă între extremele
aparŃine-nu aparŃine este exprimată gradual.
Oricare mulŃime caracterizată de o „frontieră” de separaŃie”vagă” reprezintă o
mulŃime fuzzy. Aşadar, µ A = [0;1] .
În cazul µ A = {0;1} mulŃimea fuzzy degenerează într-o mulŃime crisp:
Logica binară (Boole) este redată astfel: L2 = {0;1}
{ }
În logica trivalentă (Lukasievicz): L3 = 0; 1 ;1 este prezentă şi
2
apartenenŃa de
Logica fuzzy 7
1-foarte bine
SubmulŃimi fuzzy
a b c d e f g
A= 0 1 1 1 0 1 1
a b c d e f g
B= 0,4 0,6 0,2 0,8 0 1 0,9
Numere fuzzy
µ (x ) = 0 , x ≤ a1 ;
µ ( x ) = x − a1 , a1 ≤ x ≤ a 2 ;
a 2 − a1
(1.3)
µ (x ) = a3 − x , a 2 ≤ x ≤ a3
a3 − a 2
µ (x ) = 0 , x ≥ a3
µ (x ) = 0 , x ≤ a1 ;
µ ( x ) = x − a1 , a1 ≤ x ≤ a 2 ;
a 2 − a1
µ ( x ) = 1, a 2 ≤ x ≤ a3 (1.4)
a −x
µ (x ) = 4 , a3 ≤ x ≤ a 4
a 4 − a3
µ (x ) = 0 , x ≥ a4
Logica fuzzy utilizează frecvent numerele fuzzy triunghiulare.
Logica fuzzy 11
- total neconfortabil (− 5 C )
o
- practic neconfortabil (0 C )
o
- aproape neconfortabil (+ 5 C )o
- puŃin confortabil (+ 10 C ) o
Pentru NFT
- relativ confortabil (+ 15 C ) o
- confortabil (+ 20 C ) o
- foarte confortabil (+ 25 C ) o
- relativ confortabil (+ 30 C ) o
- foarte puŃin confortabil (+ 35 C ) o
- neconfortabil (+ 40 C ) o
2
x − a2
µ ( x ) = 1 − 4 (1.5)
a
3 − a 1
Exemplul 3:
a1 = 3
Se consideră: ⇒ a2 = 5
a3 = 7
2
4−5
Pentru x = 4 rezultă µ (4 ) = 1 − 4 ⇒ µ (4 ) = 0,75
7 −3
( x − a2 )2
−
µ (x ) = e 2 ( a3 − a1 )2
(1.6)
1
µ (x ) = , x ∈ [− 2;+2] (1.7)
1 + 10 x 2
µ ∅ (x ) = 0 ; x ∈ X (1.8)
m A ( x ) = 1, x ∈ X (1.9)
- două mulŃimi fuzzy sunt egale, dacă funcŃiile lor de apartenenŃă sunt
identice :
M = N ⇔ µM = µN ; (1.10)
M ⊆ N ⇔ µM ≤ µN (1.11)
- reuniune:
M ∪ N , cu µ M ∪ N (x ) = µ M ( x ) ∨ µ N ( x ) , x ∈ X (1.12)
Logica fuzzy 15
- intersecŃie:
M ∩ N , cu µ M ∩ N ( x) = µ M ( x) ∧ µ N ( x) , x ∈ X (1.13)
- complementara:
C M , cu µ CM ( x ) = µ ( x ) , x ∈ X . (1.14)
µ M ⋅N = µ M • µ N (1.15)
µM +N = µM + µ N − µM • µ N (1.16)
Exemplul 4:
Fie mulŃimile M1 şi M2 , respectiv variabilele R1 şi R2 ce aparŃin celor două
submulŃimi:
R1 ∈ M 1
R2 ∈ M 2
unde R1 semnifică, spre exemplu, nivelul de fiabilitate de etichetă “aproape
foarte bun”, constatat de un grup de experŃi cu ocazia efectuării unei expertize
la un echipament tehnic oarecare;
R2 evidenŃiază nivelul de fiabilitate, “practic foarte bun”, propus de un alt grup
de specialişti în urma participării la o contraexpertiză pentru aceeaşi instalaŃie.
S-au considerat următoarele valori ale funcŃiilor de apartenenŃă (valori ale
fiabilităŃii determinate statistic pe baza datelor de exploatare, în momente
diferite de timp):
µ (R1 ) = 0,95 ; µ (R2 ) = 0,92 .
În cazul analizat, implicaŃia fuzzy este următoarea:
DACĂ nivelul R1 este“aproape foarte bun”, ATUNCI R2 este “practic foarte
bun”.
DACĂ nivelul R1 este“aproape foarte bun” = PREMIZA
ATUNCI R2 este “practic foarte bun” = CONSECINłA
b) ImplicaŃia Boole,
c) ImplicaŃia Zadeh,
Rezultă,
a) µ M1 → M 2 (R1 , R2 ) = min (0,95;0,92 ) = 0,92
b) µ M1 → M 2 (R1 , R2 ) = max (1 − 0,95; 0,92 ) = 0,92
c) µ M1 → M 2 (R1 , R2 ) = min (1;1 − 0,95 + 0,92 ) = 0,97
ImplicaŃia în logica fuzzy reprezintă o operaŃie de compunere a
variabilelor fuzzy, în scopul corelării a două categorii de evenimente denumite
premisă, respectiv consecinŃă.
Acest exemplu evidenŃiază faptul că operaŃia de expertiză a fost confirmată –în
sens valoric fuzzy- de contraexpertiză.
µ A∧ B ( X , Y ) = min (µ ( x ), µ ( y ));
µ A∨ B ( X , Y ) = max (µ ( x ), µ ( y )); (1.21)
nonµ ( x ) : µ ( x ) = 1 − µ ( x )
Notă: În cazul unor entităŃi, spre exemplu, entităŃile α şi β , relaŃiile logice sunt:
α ∆β (α şi β )
α ∇β (α sau β )
Dezvoltarea impetuoasă a aplicaŃiilor practice în domeniul sistemelor fuzzy a
condus la găsirea altor operatori , similari celor utilizaŃi la combinarea
probabilităŃilor:
1
DIL µ ( x ) = µ (x ) sau µ AD (x ) = µ A2 (x )
1
2
(1.25)
- CONCENTRATOR
µ Ac ( x ) = µ ϕA ( x ) (1.26)
- DILATATOR
µ D
A (x ) = µ A (x )
ϕ
(1.27)
1
ϕ = 1+ (1.28)
1
1+
1
1+
1
1+
1 + ...
an
ϕ = lim ≅ 1,618034
n →∞ a
n −1
(1.29)
MulŃimi brute
Conceptul de mulŃime brută (introdus de Pawlak) are ca obiectiv abordarea
nediscernământului, neclarităŃii a cărui cauză o constituie un univers imprecis,
incert sau incomplet din punct de vedere informaŃional. O mulŃime brută este
definită prin două aproximări limită: aproximarea-limită inferioară şi
aproximarea-limită superioară.
Logica fuzzy 21
"∧": min im
"∨": max im (1.30)
"−": complement
(a1 ; [a 2 ; a3 ]; a 4 ), a1 ≤ a 2 ≤ a3 ≤ a 4 (1.32)
Tabelul 1.1.
SCALA LINIARĂ HEPTENARĂ
k Semantică Simbol Nivel Pas
α ∆α
1 Nesatisfăcător N 0 0
2 Aproape nesatisfăcător AN 1/6 1/6
3 PuŃin satisfăcător PS 2/6 1/6
4 Satisfăcător S 3/6 1/6
5 Bine B 4/6 1/6
6 Aproape foarte bine AFB 5/6 1/6
7 Foarte bine FB 1 1/6
Logica fuzzy 23
Tabelul 1.2.
SCALA LINIARĂ NONATENARĂ
k Semantică Simbol Nivel Pas
α ∆α
1 Nesatisfăcător N 0 0
2 Aproape nesatisfăcător AN 1/8 1/8
3 PuŃin satisfăcător PS 2/8 1/8
4 Aproape satisfăcător AS 3/8 1/8
5 Satisfăcător S 4/8 1/8
6 Aproape bine AB 5/8 1/8
7 Bine B 6/8 1/8
8 Aproape foarte bine AFB 7/8 1/8
9 Foarte bine FB 1 1/8
Tabelul 1.3.
SCALA LINIARĂ ENDECADENARĂ
k Semantică Simbol Nivel Pas
α ∆α
1 Nesatisfăcător N 0 0
2 Aproape nesatisfăcător AN 1/10 1/10
3 Destul de nesatisfăcător DN 2/10 1/10
4 PuŃin satisfăcător PS 3/10 1/10
5 Aproape satisfăcător AS 4/10 1/10
6 Satisfăcător S 5/10 1/10
7 Satisfăcător spre bine SB 6/10 1/10
8 Aproape bine AB 7/10 1/10
9 Bine B 8/10 1/10
10 Aproape foarte bine AFB 9/10 1/10
11 Foarte bine FB 1 1/10
24 Logica fuzzy
DistanŃa Hamming
Fie mulŃimile A şi B şi µ A ( X K ) , µ B ( X K ), k = 1, nt , nt fiind un număr finit, spre
exemplu, numărul de trepte al unei scale oarecare (liniară sau neliniară).
DistanŃa Hamming între cele două mulŃimi este obŃinută din relaŃia (1.34) :
d HA− B = ∑ µ A ( X k ) − µ B ( X k ) (1.34)
k
L
y= (1.35)
1 + a ⋅ e −bt
unde
L reprezintă nivelul asimptotic (adimensional),
a-mărime adimensională de poziŃie,
b-mărime ce determină panta graficului,
t-mărime variabilă, spre exemplu, timpul.
Mărimile L, a şi b se determină pe baza unui protocol de date statistice. Se
recomandă în acest sens metoda celor mai mici pătrate sau, în funcŃie de
condiŃii fenomenologice, restricŃii.
Logica fuzzy 25
1
α= (1.36)
1 + a ⋅ e −b⋅ k
în care,
a,b-au semnificaŃiile precizate,
α - exprimă nivelul unei aprecieri pe o anumită scală,
k – numărul corespunzător unei trepte a scalei, k = 1; nt
nt – numărul de trepte
Se consideră,
α = 0 , pentru k = 1
1
α = α = , pentru k ∈ (1; nt ) (1.37)
1 + a ⋅ e −b⋅ k
α = 1, pentru k = nt
( 2
[
α k ∈ conc(α kL ) ; conc(α kL ) ; conc(α kL ) ; α kL
ϕ ϕ
] ) (1.38)
- pentru α ∈ (0,5;1):
( )
conc α kL
2
( )
= C LP ; dil α kL
1
2
= D LP
(1.40)
conc(α ) L ϕ
dil (α )
1
k = C Lϕ ; L
k
ϕ
= D Lϕ
α − nivel
∆α − pas
C LP / DLP − graficele concentrat / dilatat de tip parabolic ale scalei
C Lϕ / DLϕ − graficele concentrat / dilatat de tip "ϕ " ale scalei liniare
Logica fuzzy 27
L
C LP D LP C Lϕ D Lϕ Nivel αk Pas ∆α k
1. Nesatisfăcător N 0 0 0 0 0 0 0
C LP D LP C Lϕ D Lϕ Nivel αk Pas ∆α k
L
1. Nesatisfăcător N 0 0 0 0 0 0 0
L
C LP D LP C Lϕ D Lϕ Nivel αk Pas ∆α k
1. Nesatisfăcător N 0 0 0 0 0 0 0
α − nivel ; ∆α − pas
C LP − graficul concentrat parabolic al scalei liniare;
D LP − graficul dilatat parabolic al scalei liniare;
C Lϕ − graficul concentrat "ϕ " al scalei liniare;
DLϕ − graficul dilatat "ϕ " al scalei liniare.
BIBLIOGRAFIE
[Moi72] Moisil Gr. C., Essais sur les logiques non-chrysippiennnes, Ed.
Academiei R.S.R., Bucharest, 1972.
[Moi75] Moisil Gr. C., Lec¸tii despre logica ra¸tionamentului nuan¸tat
(Lectures on the Logic of Fuzzy Reasoning), Ed. ¸ Stiin¸tific˘a ¸si
Enciclopedică, Bucharest, 1975.
[Mar06] Marcus S., Grigore C. Moisil: A life becoming a myth, International
Journal of Computers, Communications & Control, vol. 1 (2006),
no. 1, 73–79.
[OR+06] Osorio C. R., Romero J.A., Mario Peña C., López-Juárez I.,
Inteligent Line Follower Mini-Robot System, Int. J. of Computers
Communications & Control, Vol. I, No. 2, pp. 73-83, 2006
[Pău06] Păun G., One More Universality Result for P Systems with Objects
on Membranes, Int. J. of Computers Communications & Control,
Vol. I (2006), No. 1, pp. 25-32
[PoD06] Pop B., Dzitac I., On Choosing Proper Linguistic Description for
Fractional Functions in Fuzzy Optimization, Acta Univ. Apulensis,
Math. and Informatics, No. 12(2006), pp. 63-72, 2006
[PoD06a] Pop B., Dzitac I., Fuzzy Control Rules in Convex Optimization,
Studies in Informatics and Control, 16(4):363-366, 2006
[PoD06b] Pop B., Dzitac I, On a Fuzzy Approach to Solving Multiple Criteria
Fractional Programming Problem, Int. J. of Computers
Communications & Control , 1(supll.issue):381-385, 2006
[PoD07] Pop B., Dzitac I., Mixed Variables Fuzzy Programming Algorithm,
Studies in Informatics and Control, 17(2):185-190, 2007
[RuF06] Rudas I. J., Fodor J., Information Aggregation in Intelligent Systems
Using Generalized Operators, Int. J. of Computers
Communications & Control, Vol. I (2006), No. 1, pp. 47-57
[RuN02] Russel S., Norvig P.: Artificial Intelligence: A Modern Approach,
Prentice Hall, 2002
[Sâm97] Sâmbotin C.: Sisteme expert cu Prolog, Ed. Tehnică, Bucureşti,
1997
[Set01] Setzer V. W.: Data, Information, Knowledge and Competency,
http://www.ime.usp.br/~vwsetzer/data-info.html, 2001
[Sha48] Shannon C. E.: A Mathematical Theory of Communication, Bell
System Technical Journal, vol. 27, pp. 379-423 and 623-656, July
and October 1948, http://cm.bell-labs.com/cm/ms/
what/shannonday/shannon1948.pdf
[StB08] Stein S.J., Book H.E., EQ - ForŃa inteligentei emoŃionale, Ed. All,
2008
[Ste12] Stern W., The Psychological Methods of Intelligence Testing, 1912
36 Logica fuzzy
Webgrafie
http://www.psihodiagnostic.ro/lucrari-psihomil-iii/155/inteligenta-emotionala-
sau-inteligenta-sociala.html