1. 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
2. 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. 3
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
4. 4
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
5. 5
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
6. 6
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 era 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
7. 7
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
Iașiul este un oraș destul de mare
Mașinile electrice nu sunt foarte rapide
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
8. 8
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
9. 9
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
12. 12
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
13. 13
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
20. 20
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
30. 30
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
32. 32
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
33. 33
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
34. 34
Puterea
Puterea („foarte foarte”) este o extensie a
concentrației
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
35. 35
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
36. 36
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
37. 37
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
38. 38
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
39. 39
Exemple
Există foarte multe familii de norme !
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
43. 43
Exemple Mulțimi cu doar două elemente
Nu este 0 / 0 + 0 / 1
În logica fuzzy nu se respectă nici principiul terțului exclus
(A ∪ AC = X) și nici cel al noncontradicției (A ∩ AC = Ø)
Nu este 1 / 0 + 1 / 1
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
44. 44
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
45. 45
Reguli fuzzy
Lotfi Zadeh (1973)
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
46. 46
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
54. 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. 55
Centrul de greutate
Numit și centroid
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
57. 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. 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. 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. 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
62. 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. 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. 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
68. 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. 69
Evaluarea de tip
Sugeno de ordin zero
k1 = 20
k2 = 50
k3 = 80
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
71. Mamdani vs. Sugeno
Metoda Mamdani
Utilizată pe scară largă
pentru reprezentarea
cunoștințelor expert
Permite descrierea mai
intuitivă a cunoștințelor
Are dezavantajul unui
efort de calcul mai
mare
Metoda Sugeno
Eficientă computațional
Mai potrivită pentru
probleme de control,
în special pentru
sisteme neliniare
dinamice
71Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
72. 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. 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. 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. 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
77. 77
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. 78
Întârzierea medie m
O întârziere mai mare nu este acceptabilă
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
79. 79
Numărul de angajați s
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
80. 80
Factorul de utilizare a
reparațiilor
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
81. 81
Numărul de piese de schimb n
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
82. 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. 83
Reprezentarea regulilor prin
memorii asociative fuzzy
m
s
M
RL
VL
S
RS
L
VS
S
M
VS S M
L
M
S
Valorile lui n
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
84. 84
1. If (utilisation_factor is L) then (number_of_spares is S)
2. If (utilisation_factor is M) then (number_of_spares is M)
3. If (utilisation_factor is H) then (number_of_spares is L)
4. If (mean_delay is VS) and (number_of_servers is S) then (number_of_spares is VL)
5. If (mean_delay is S) and (number_of_servers is S) then (number_of_spares is L)
6. If (mean_delay is M) and (number_of_servers is S) then (number_of_spares is M)
7. If (mean_delay is VS) and (number_of_servers is M) then (number_of_spares is RL)
8. If (mean_delay is S) and (number_of_servers is M) then (number_of_spares is RS)
9. If (mean_delay is M) and (number_of_servers is M) then (number_of_spares is S)
10.If (mean_delay is VS) and (number_of_servers is L) then (number_of_spares is M)
11.If (mean_delay is S) and (number_of_servers is L) then (number_of_spares is S)
12.If (mean_delay is M) and (number_of_servers is L) then (number_of_spares is VS)
Baza de reguli 1
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
85. 85
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
Baza de reguli 2: tabela de reguli
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
86. 86
VS VS VS
VS VS VS
VS VS VS
VL L M
HS
VS VS VS
VS VS VS
VS VS VSM
VS VS VS
VS VS VS
S S VSL
s
L
VS S M
m
M
H
VS VS VS
L
VS S M
S
m
VS VS VSM
S S VSL
s
S VS VS
M
VS S M
m
VS S M
m
S
RS S VSM
M RS SL
s
S
M M SM
RL M RSL
s
Baza de reguli 2: memoria asociativă fuzzy
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
87. 87
Implementarea sistemului
Folosind un instrument de dezvoltare
specializat
De exemplu: Matlab Fuzzy Toolbox,
Fuzzy Knowledge Builder etc.
Folosind un limbaj de programare
De exemplu: C#, Java, C++ etc.
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
88. 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. 89
Baza de reguli 1
0
0.2
0.4
0.6
0.8
1
0
0.2
0.4
0.6
0.2
0.3
0.4
0.5
0.6
number_of_serversmean_delay
number_of_spares
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
90. 90
Baza de reguli 1
0
0.2
0.4
0.6
0.8
1
0
0.2
0.4
0.6
0.2
0.3
0.4
0.5
0.6
utilisation_factormean_delay
number_of_spares
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
91. 91
Baza de reguli 2
0
0.2
0.4
0.6
0.8
1
0
0.2
0.4
0.6
0.15
0.2
0.25
0.3
0.35
number_of_serversmean_delay
number_of_spares
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
92. 92
Baza de reguli 2
0
0.2
0.4
0.6
0.8
1
0
0.2
0.4
0.6
0.2
0.3
0.4
utilisation_factormean_delay
number_of_spares
0.5
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
93. 93
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
95. 95
Baza de reguli 3: memoria asociativă fuzzy
VS VS VS
VS VS VS
VS VS VS
VS VS VS
VS VS VS
VS VS VS
VS VS VS
VS VS VS
VS VS VS
VS VS VS
VS VS VS
VS VS VS
VS VS VS
S S VS
S S VS
VL L M
VL RL RS
M M S
RL M RS
L M RS
HS
M
RL
L
RS
s
L
VS S M
m
M
H
VS VS VS
VS VS VS
VS VS VS
S S VS
S S VS
L
VS S M
S
M
RL
L
RS
m
s
S VS VS
S VS VS
RS S VS
M RS S
M RS S
M
VS S M
m
VS S M
m
S
M
RL
L
RS
s
S
M
RL
L
RS
s
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
96. 96
Baza de reguli 3
0
0.2
0.4
0.6
0.8
1
0
0.2
0.4
0.6
0.15
0.2
0.25
0.3
0.35
number_of_serversmean_delay
number_of_spares
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
97. 97
Baza de reguli 3
0
0.2
0.4
0.6
0.8
1
0
0.2
0.4
0.6
0.2
0.3
0.4
utilisation_factormean_delay
number_of_spares
0.5
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
98. 98
Rafinarea sistemelor fuzzy (I)
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. 99
Rafinarea sistemelor fuzzy (II)
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. 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. 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
105. Abordarea fuzzy
Mulțimea minimă de reguli pentru stabilizarea
pendulului inversat (Yamakawa, 1989)
105Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
106. θ = 1 (x1)
dθ/dt = -4 (x2)
Exemplu: fuzzificare
(cu o altă mulțime de reguli)
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
109. 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
112. 112
Mașinuța de golf
Pentru detalii,
vezi suportul de curs
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
113. 113
Alte aplicații din lumea reală
Subsisteme de autovehicule,
transmisie automată, ABS
Control automat al trenului
monorail din Tokyo
Aparate de aer condiționat
Motorul de animație Massive
Aparate de fotografiat
Prelucrarea imaginilor
(de ex. detecția muchiilor)
Recunoașterea modelelor
Lifturi
Mașini de spălat vase
Mașini de spălat, alte
electrocasnice
Filtre de limbaj pe forumuri
și camere de discuții
Jocuri video
Microcontrolere și
microprocesoare
(de ex. Freescale 68HC12)
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
114. 114
Mulțimile fuzzy și probabilitățile
Probabilitățile modelează situații care ar putea să
apară
Mulțimile fuzzy modelează situații care există sigur,
însă nu pot fi încadrate exact într-o categorie
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. 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