Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
I sistemi fuzzy sfruttano la possibilità offerta dagli insiemi fuzzy e dalla logica Andrea Bonarini
fuzzy di rappresentare modelli in termini simbolici che abbiano uno stretto
legame con le realtà misurate. Sono, quindi, modelli di facile comprensione
e di progettazione relativamente immediata. Vengono sempre più spesso
adottati per applicazioni che spaziano dal controllo di impianti industriali al-
l’interpretazione delle immagini, dalla classificazione dei dati all’analisi del
segnale, dal controllo di elettrodomestici alle applicazioni spaziali. 3.6
3
M O N D O D I G I T A L E • n . 1 - m a r z o 2 0 0 3
0
1 Anziano
necessariamente booleano.
Nella figura 1, è riportato un esempio di alcu-
0.5 ne funzioni di appartenenza definite sulla va-
riabile età che caratterizza gli elementi dell’u-
niverso del discorso. Si noti la funzione che
definisce l’insieme delle persone giovani,
quella relativa alle persone anziane, e quella
0
0 0 50 Età
relativa all’insieme delle persone non molto
giovani che, come si vedrà, si può ricavare
dalla prima applicando opportuni operatori.
FIGURA 1 applicazioni, tutte in grado di rappresentare È possibile vedere che una persona di 50 an-
Alcune funzioni di concetti in modo analogo a quanto fanno gli ni, secondo le definizioni date da chi ha defi-
appartenenza esseri umani. nito queste funzioni di appartenenza, appar-
tiene sia all’insieme delle persone non molto
giovani, con un grado di appartenenza relati-
2. COS’È UN INSIEME FUZZY?
vamente elevato, sia all’insieme delle perso-
Per capire cos’è un insieme fuzzy si conside- ne giovani con grado basso, sia all’insieme
ri dapprima il concetto di insieme tradiziona- delle persone anziane, pure con grado basso.
le, che nel seguito verrà chiamato insieme L’appartenenza a entrambi questi ultimi due
crisp, per contraddistinguerlo dagli insiemi insiemi potrebbe sembrare una contraddizio-
fuzzy. Un insieme è composto da tutti gli ele- ne (come può una persona essere allo stesso
menti dell’universo del discorso (l’ambito tempo giovane e vecchia?), ma non lo è per la
che interessa al modellista) che soddisfano definizione che è stata data dei due insiemi,
una data funzione di appartenenza. Per un che hanno le funzioni di appartenenza par-
insieme crisp, la funzione di appartenenza è zialmente sovrapposte. Questa possibilità
booleana, cioè associa ad ogni elemento x permette di utilizzare insiemi fuzzy per rap-
dell’universo del discorso un valore “vero” o presentare concetti in ambienti in cui la rile-
“falso” a seconda che x appartenga o non vazione degli stessi può essere approssimata
appartenga all’insieme. La funzione di ap- o incerta, e dà un grande potere descrittivo.
partenenza definisce, quindi, l’insieme e La definizione di insieme fuzzy non è che
può avere diverse forme. Per esempio, l’in- un’estensione della definizione classica di in-
sieme dei laureati è definito da una funzione sieme. L’insieme fuzzy ha una frontiera che
di appartenenza che ritorna “vero” se e solo non è più una linea netta di demarcazione tra
se la persona x ha conseguito una laurea. gli elementi che appartengono all’insieme e
Esistono però concetti più qualitativi. Per quelli che non vi appartengono, ma un’area
esempio, a che età una persona è considera- in cui si trovano elementi classificabili come
bile come “giovane”? Fino a 20 anni? A 30? A appartenenti all’insieme con un certo grado.
50? Certamente, una persona di 20 anni è Per questo l’insieme è detto “fuzzy”, cioè
considerabile come “giovane” più di una “sfumato”. In figura 2, è possibile notare al-
persona di 40… Diviene, allora, importante cuni esempi di insiemi crisp e di insiemi fuzzy.
1 poter definire quanto un elemento dell’uni-
verso del discorso possegga una certa pro-
Si noti che in linea di principio insiemi crisp e
insiemi fuzzy si possono intersecare, in
prietà, o, in altri termini, quanto possa ap- quanto entrambi operano nello stesso uni-
4
M O N D O D I G I T A L E • n . 1 - m a r z o 2 0 0 3
0
FIGURA 2
Due insiemi crisp
e due insiemi fuzzy.
Maschi Anziani In linea di principio
insiemi crisp
e insiemi fuzzy
Ingegneri Giovani
si possono
intersecare,
in quanto entrambi 1
operano nello
Insiemi crisp Insiemi fuzzy stesso universo
del discorso
5
M O N D O D I G I T A L E • n . 1 - m a r z o 2 0 0 3
0
Per esempio, la negazione viene definita definito per quella variabile. Sono costituite
semplicemente come il complemento a 1 del- da un antecedente, da cui viene ricavato,
la funzione di appartenenza all’insieme com- per inferenza fuzzy, il valore di verità di un
plementare. Indicando con µA(x) la funzione conseguente. Anche se antecedenti e con-
di appartenenza di un elemento x all’insieme seguenti, in linea di principio, possono es-
fuzzy A e con Ā il complementare di A, si ha sere composti da una qualunque combina-
che µĀ (x)= 1 – ΩµA(x). zione di proposizioni fuzzy, nella stragrande
6
M O N D O D I G I T A L E • n . 1 - m a r z o 2 0 0 3
0
NL NM NS ZE PS PM PL NL NM NS ZE PS PM PL
NL NM NS
A
ZE PS PM PL
B
1
FIGURA 4
Le variabili nelle
X
regole fuzzy
dell’esempio
0
ria: il progettista può definire le forme che più
NL NM NS ZE PS PM PL
sono adatte a rappresentare i concetti coinvol-
ti e distribuirle a piacere sull’intervallo di defi-
nizione. Esistono anche molti strumenti di otti-
0,8
mizzazione o di apprendimento automatico
del numero, della forma e della distribuzione
delle funzioni di appartenenza, che si occupa- 0,2
no di ottenere prestazioni ottimali lavorando
sui dati a disposizione e sollevando il progetti-
27 A
sta da un compito altrimenti oneroso.
Nella figura 4, si ha anche un’altra variabile NL NM NS ZE PS PM PL
linguistica, usata per l’uscita, che assume va-
lori su un insieme di insiemi fuzzy con una
forma particolare. Si tratta di insiemi fuzzy 0,6
contenenti un solo elemento ciascuno, senza
ulteriori frontiere (“singleton” o “singoletti”).
L’uso di questo tipo di valori fuzzy per i con- 0,4
seguenti di regole fuzzy è pratica comune nel
controllo fuzzy e non inficia particolarmente
123,5 B
la qualità del modello, semplificandone, in-
vece, la computazione che, spesso, nel caso
del controllo, è fatta su microchip di bassissi- mini fuzzy, attivano le regole fuzzy che gene- FIGURA 5
mo costo e complessità. rano uscite fuzzy che vengono alla fine ripor- Passo 1:
Le regole che sono considerate nell’esempio tate in termini numerici per essere trasmesse fuzzyficazione
che segue sono: agli attuatori. In altri termini, il controllore
fuzzy mappa ingressi reali in uscite reali at-
R1: if (A is PL) and (B is PS) then (X is PM) traverso un modello linguistico.
7
M O N D O D I G I T A L E • n . 1 - m a r z o 2 0 0 3
0
FIGURA 6 R3: se (A is PM) e (B is PM) allora (X is PM) PASSO 4 COMBINAZIONE DEI VALORI DEI CONSEGUENTI
Passi 2 e 3: Come si può notare anche in questo semplice
combinazione 0,8 0,4 1 esempio, può darsi che ci siano diverse rego-
dei valori le che hanno lo stesso conseguente ma ante-
nell’antecedente 0,4 cedenti diversi. Questo può provocare il fatto
e trasmissione che i conseguenti siano associati a pesi di-
del valore 0,4 versi. Occorre aggregare i diversi pesi calco-
al conseguente lati ottenuti per ogni conseguente e questo
viene fatto con un operatore, nell’esempio, il
massimo. Il risultato finale dell’inferenza
NL NM NS ZE PS PM PL
fuzzy risulta così essere:
10 20 X PASSO 5 DEFUZZYFICAZIONE
Il processo inferenziale è terminato, ma ci si
può riportare a un valore numerico per la varia-
bile di uscita associata alla variabile linguistica
FIGURA 7 PASSO 2 COMBINAZIONE DEI VALORI NELL’ANTECEDENTE presente nel conseguente. Questo è quanto
Defuzzyficazione I valori delle diverse clausole nell’anteceden- fatto, ad esempio, nel controllo fuzzy. L’opera-
te vengono combinati con l’operatore “and” zione si chiama defuzzyficazione ed è effettua-
(congiunzione) per ottenere il valore comples- ta con un operatore scelto in una vasta classe.
sivo dell’antecedente, che indica in sostanza In questo esempio, viene scelta la semplice
quanto le condizioni di attivazione della rego- media pesata, o baricentro, ottenendo il valore
la sono ben rappresentative dei valori di in- riportato nella figura 7 e calcolato come:
gresso al sistema. L’operatore utilizzato è qui
il minimo e i risultati sono riportati in figura 6. (10 · 0,6 + 20 · 0,4)/(0,6 + 0,4) = 14
8
M O N D O D I G I T A L E • n . 1 - m a r z o 2 0 0 3
0
9
M O N D O D I G I T A L E • n . 1 - m a r z o 2 0 0 3
0
care un modello. Inoltre, dato che le condi- in condizione critica (come un impianto in
zioni sono fuzzy, è possibile combinare le fase di avviamento). È certamente preferi-
uscite dei modelli presenti nelle diverse re- bile ottenere una serie di possibili diagnosi
gole con gli operatori di combinazione visti pesate da un opportuno indicatore di plau-
sopra, ottenendo così una variazione gra- sibilità, piuttosto che una sola diagnosi che
duale (smooth) nell’intervallo tra l’applica- potrebbe non essere quella corretta a cau-
zione di un modello e l’applicazione di un sa di errori nelle rilevazioni.
10
M O N D O D I G I T A L E • n . 1 - m a r z o 2 0 0 3
0
segnale. Ad esempio, si può avere un siste- fuzzy. Il treno era in grado di frenare in ma-
ma di visione in cui vengono riconosciuti niera precisa e molto morbida qualunque
oggetti per il loro colore. Il colore è, general- fosse il carico di passeggeri. Ne risultò un
mente, rappresentato da una tripletta di va- maggior comfort per i passeggeri e un ri-
lori numerici. Anche qui, è possibile definire sparmio notevole di energia, rispetto alla
gli insiemi fuzzy su queste variabili che frenata realizzata da operatori umani.
identificano il colore desiderato. Altre carat- Un altro esempio è il controllo di un mini eli-
teristiche di segnali possono essere identi-
ficate in termini fuzzy per portare a una
cottero, effettuato da Sugeno sempre negli
anni ’80. L’elicottero era in grado di eseguire 1
classificazione degli stessi. Ad esempio, si comandi vocali con buona precisione, pur
potrebbe dire che “se la frequenza del se- sottoposto a raffiche di vento non costanti,
gnale è alta, e i picchi sono elevati, ma irre- che cambiavano di continuo le condizioni
golari, allora il segnale corrisponde a una si- operative.
tuazione non critica”.
Sistemi di previsione di serie storiche. In
questo caso, una delle modalità di applica-
7.2. Controllo di una lavabiancheria: con-
trollo efficace a basso costo su beni di
0
zione di sistemi fuzzy consiste nel rappresen- largo consumo
tare in termini fuzzy particolari caratteristi- Grazie alla possibilità di realizzare control-
che degli andamenti della serie storica (per lori fuzzy su chip a bassissimo costo e alla
esempio, l’andamento delle quotazioni di loro buona robustezza nei confronti di se-
mercato di un bene) e nell’associarvi dei mo- gnali di cattiva qualità provenienti da sen-
delli previsionali, magari ricavati con sistemi sori a basso costo, sistemi fuzzy sono stati
automatici quali reti neurali. usati per rendere più semplice l’utilizzo di
beni di consumo quali lavatrici, aspirapolve-
re, condizionatori, telecamere, automobili,
7. APPLICAZIONI FUZZY
frullini ecc. Così, si hanno sul mercato lava-
Vengono presentate, ora, più in dettaglio, al- trici (anche di produttori italiani, divenuti
cune applicazioni paradigmatiche che per- leader di questa tecnologia) in grado di ca-
metteranno di capire le potenzialità di que- pire autonomamente che tipo di panni stan-
sta tecnologia, non solo nel settore del con- no lavando e di adeguare di conseguenza il
trollo, ma anche in quello dell’information re- ciclo di lavaggio, tra l’altro sciacquando so-
trieval, dei sistemi di supporto alle decisioni lo finché è necessario, con notevoli risparmi
e nella modellistica in generale. di acqua ed energia. Si hanno aspirapolvere
in grado di ridurre la potenza del motore
7.1. Controllo della frenata di un treno di una quando sono puntate contro delle tende, e
metropolitana e del volo di un elicottero: aumentarla sul pavimento. Si hanno teleca-
un’azione di controllo per ogni situazione mere in grado di mantenere a fuoco oggetti
Esistono situazioni in cui il sistema da con- in movimento e di ridurre le accidentali vi-
trollare ha configurazioni e caratteristiche brazioni della mano.
diverse nel tempo. È, quindi, necessario de- A titolo d’esempio, si veda come una lavatri-
finire un sistema di controllo per ogni condi- ce, a un costo bassissimo e compatibile con
zione di esercizio. Se queste cambiano con- le esigenze di mercato, può capire che tipo
tinuamente e se il cambiamento non è diret- di panni deve lavare. Ogni lavatrice carica
tamente misurabile, è possibile definire un acqua finché un semplice interruttore pneu-
insieme di regole fuzzy, ognuna in grado di matico (pressostato) non viene attivato dal-
coprire una particolare situazione. La com- la pressione stessa dell’acqua nella vasca.
binazione delle regole fuzzy permette di Quando l’acqua entra nella vasca viene as-
avere un controllo che varia in continuità al
variare delle variabili di ingresso. Per questi
sorbita dai panni con un tempo di solito su-
periore a quello di attivazione del presso-
1
motivi, il controllo della frenata del treno stato, e diverso a seconda del tipo di tessu-
della metropolitana di Sendai, in Giappone,
fu realizzato negli anni ’80 con tecniche
to usato. Dopo un certo tempo, si ha, quin-
di, una diminuzione della quantità d’acqua 0
11
M O N D O D I G I T A L E • n . 1 - m a r z o 2 0 0 3
0
nella vasca a spese dell’acqua assorbita dal zio, laminatoi, forni ecc. In questi casi, in ge-
tessuto. Il pressostato scatta e l’acqua ri- nere, ci sono operatori umani in grado di go-
prende a entrare. Misurando i tempi e la vernare l’impianto manualmente utilizzan-
quantità di attivazioni del pressostato si do regole qualitative basate sull’esperien-
può ottenere, senza sensori aggiuntivi, una za. Il controllore fuzzy può sostituirli, o af-
caratterizzazione del tipo di panni immesso, fiancarli, catturandone e rendendone espli-
che viene usata per adattare il programma cita l’esperienza.
12
M O N D O D I G I T A L E • n . 1 - m a r z o 2 0 0 3
0
ogni tipo di carico e questo richiederebbe l’i- zione internazionale Robocup. Ogni robot si
dentificazione di parametri in linea di princi- costruisce un modello del mondo sulla base
pio difficili da identificare. dei dati sensoriali che riceve. Il sistema di
controllo comportamentale del robot è in
7.4. Sistema di controllo di qualità: dati grado di scegliere tra diversi comportamen-
rilevati da operatori in modo qualitativo ti (“porta la palla in porta”, “passa”, “chiudi
Nel controllo di qualità il prodotto viene sot- l’avversario” ecc.) basandosi su una valuta-
toposto a un’analisi per verificarne caratteri-
stiche salienti ed eventualmente intervenire
zione in termini di predicati fuzzy della si-
tuazione in cui si trova (“palla avanti”, “av- 1
sulla regolazione dell’impianto per ottenere versario lontano” ecc.). Anche il meccani-
il prodotto con la qualità desiderata. In molti smo di coordinamento della squadra e di
casi, le misure sono fatte da operatori che scelta delle strategie è basato su analoghi
danno delle valutazioni qualitative delle ca- strumenti, e può essere realizzato da strate-
ratteriste in gioco. Si pensi, ad esempio, alla ghi umani con relativa facilità. L’applicazio-
valutazione della birra (colore, tipo e quan-
tità di bolle, amarezza ecc.). Questi operatori
ne può sembrare ludica, ma è di notevolissi-
ma complessità, e l’adozione di modelli
0
possono fornire un’indicazione fuzzy a un si- fuzzy permette di affrontarla con regole di
stema esperto basato su regole fuzzy che buon senso.
possa suggerire il tipo di intervento da fare
sull’impianto.
8. COME SI FANNO I SISTEMI
In altri casi, giudizi qualitativi su aspetti spe- FUZZY?
cifici possono essere aggregati con operatori
fuzzy per fornire indicazioni globali in manie- La realizzazione di sistemi fuzzy è supportata
ra formalmente corretta. Per esempio, sono da strumenti a diversi livelli.
stati proposti dei sistemi di valutazione semi- Esistono numerosi sistemi di sviluppo per
automatica di siti web, in cui i criteri di valu- sistemi di controllo fuzzy, caratterizzati da
tazione si basano in parte su misure obietti- regole che classificano un ingresso numeri-
ve rilevate automaticamente (lunghezza del- co e forniscono un’uscita fuzzy tradotta poi
la pagina, numero di link ecc.) e in parte su in termini numerici. Il supporto consiste nel-
valutazioni fornite da operatori. Le caratteri- la possibilità di utilizzare forme predefinite
stiche considerate vengono poi composte e parametrizzate di funzioni di appartenen-
con operatori fuzzy e generano indicatori glo- za, nella definizione di regole e nella visua-
bali di valutazione. lizzazione dei valori ottenuti dal sistema
Un caso che rientra ancora in questa catego- fuzzy in tutto l’intervallo dei valori di ingres-
ria è quello del sistema di valutazione del so. Alcuni di questi sistemi di supporto for-
personale all’assunzione, sviluppato per una niscono anche un’interfaccia di ottimizza-
delle più grandi aziende italiane. Anche qui, zione che, tramite l’applicazione di reti neu-
le valutazioni qualitative vengono aggregate rali ai dati del problema, è in grado di sug-
con operatori fuzzy a informazioni numeriche gerire la posizione e il numero ottimale di
fuzzyficate. Uno dei maggiori ritorni rilevati funzioni di appartenenza, cioè di effettuare
con l’adozione di questo sistema è la possi- autonomamente la parametrizzazione del
bilità di rendere esplicito, uniforme e obietti- sistema.
vo il processo di valutazione. Controllori fuzzy vengono realizzati sia su
PC (Personal Computer), sia sui microcon-
7.5. Controllo di una squadra di robot au- trollori usati per applicazioni tradizionali,
tonomi: modello linguistico dell’ambiente sia su microcontrollori progettati e prodotti
ottenuto da dati sensoriali imprecisi e per ottimizzare le operazioni fuzzy necessa-
affetti da incertezza
In questo caso, si ha una squadra di robot
rie a ottenere l’uscita. Il costo di questi chip
è compatibile con i costi sopportabili per la
1
autonomi che deve svolgere un compito, ad loro adozione in prodotti normalmente con
esempio giocare una partita di calcio roboti-
co, come avviene, dal 1997, nella competi-
bassi margini di guadagno, quali i beni di
consumo. 0
13
M O N D O D I G I T A L E • n . 1 - m a r z o 2 0 0 3
0
Sistemi di supporto alle decisioni e modelli mero sempre maggiore di applicazioni vie-
più articolati possono essere invece realiz- ne affrontato, in un numero sempre più
zati con sistemi di sviluppo ad hoc, facil- grande di settori applicativi.
mente integrabili nei sistemi informativi in
cui devono operare.
Bibliografia
9. CONCLUSIONI
1 In conclusione, è possibile affermare che i
[1] Klir GJ, Yuan B: Fuzzy Sets and Fuzzy Logic.
Theory and Applications. Prentice Hall, Upper
sistemi fuzzy hanno ormai da tempo rag- Saddle River, N J, 1995.
giunto una maturità tale che li rende un otti- [2] Mamdani EH, Assilian S: An experiment in lin-
mo strumento per una larga quantità di ap- guistic synthesis with a fuzzy logic controller.
plicazioni. La loro diffusione è ancora, in International Journal of Man-machine Studies,
parte, ostacolata da una loro scarsa cono- Vol. 7, 1975, p. 1-13.
1
ANDREA BONARINI è professore associato presso il Politecnico di Milano e coordina dal 1984 il locale Laboratorio di
Intelligenza Artificiale e Robotica. I suoi interessi di ricerca riguardano: sistemi fuzzy, sistemi di apprendimento
0 per rinforzo e sviluppo di robot mobili autonomi di servizio, e di intrattenimento (Robocup – calcio robotico).
Andrea.Bonarini@polimi.it
14
M O N D O D I G I T A L E • n . 1 - m a r z o 2 0 0 3