模糊集合及逻辑.docVIP

模糊集合及邏輯 一、概述 日常的用語之中，充滿了模糊的概念(語詞)。例如：高、矮、寬、窄…。這些語詞雖不精準，但在許多場合下，卻是有效的(足以解決問題，無須過於精準)。 一般人較易以模糊概念陳述其問題。例如：「溫度多少?」(物理量)較不易回答；「熱不熱?」(心理量)較容易回答。 Zadeh(1965)提出「模糊集合理論」(fuzzy set theory)，讓電腦也可以處理模糊的概念。將使用者心理量轉換成物理量，經過運算處理後，再轉換回心理量，告知使用者。 二、定義 傳統的一般集合： S = {a, b, c, d,…} 或 S = {x | x是正整數} 模糊集合(fuzzy set) μX = { (v, u) | u是v對X的隸屬度，u的值域為[0,1]} 「高」是一個模糊概念(主觀的心理量)。「身高」是一個可以度量的客觀物理量。二者之間有一個「隸屬度」(degree of membership)。例如： μ高 = { (150,0.0), (160,0.0), (165, 0.25), (170, 0.5), (180,1.0), (200,1.0)} 表示150公分和160公分的人均不能稱之為「高」(隸屬度為0.0)；180公分和200公分絕對可以稱之為「高」(隸屬度為1.0)；而身高165公分和170公分的人屬於「高」的程度，分別為0.25和0.5。此一概念可進一步用下圖表述。橫軸為身高(物理量)，縱軸是各身高高度對此一模糊概念的「隸屬度」，其值由0到1。準此，吾人可以定義出「高」的「隸屬函數」(membership function) f(h) = 0, 當h≦160 = (h-160)/20, 當160≦h≦180 = 1, 當h≧180 同樣的，吾人可以繪出「矮」的隸屬函數。 隸屬函數可以看成是物理量和心理量之間的一種轉換關係。 如何決定隸屬函數是一個重要的基本課題。但是，實務上，為了簡便，經常予以簡化成三角形、梯形。 「語言(模糊)變數」(LINGUISTIC VARIABLES)有數個「模糊值」，分別以隸屬度對應到絕對量。例如下圖，模糊變數「危險度」有高、中、低三個模糊值。每一模糊值復與(火災)發生頻率值有不同的隸屬度。 練習：試繪出模糊變數「身高」之「高、矮」二值的隸屬度對應關係。 模糊集合和機率的值域均是[0,1]。然，二者不同，不可相混。 多高才算高?這是一個「模糊集合」的問題；每一班會有多少個高個子? 這是「機率」的問題。 三、運算 聯集Union (logical OR)- (A OR B) = max(f(A), f(B))e.g., (tall OR small) = max(f(tall), f(small)) 交集Intersection (logical AND)- (A AND B) = min(f(A), f(B)) e.g., (tall AND small) = min(f(tall), f(small)) 差集Complement (logical NOT)- (NOT A) = 1 - f(A)e.g., (NOT tall) = (1 - f(tall)) 注意：「不高」不等於「矮」。「不高不矮」是一句有意義的話，因為存在隸屬函數。 修飾詞運算(fuzzy modifiers or `hedges ) 語言之中的形容詞(修飾詞)可以視為一種運算。例如：很、十分、極、非常、多多少少、差不多、… 例如：「很」高的隸屬函數g(h)可以定義成 g(h) = f(h-20) 如果吾人將「極高」定義成w(h) = (g(h))2，它的隸屬函數會是如何? 不同語言文化，會有不同的「修飾詞運算」。 語言學、心理學、數學之間存在著微妙的關係。即使吾人很嚴謹的定義了基本概念的模糊函數。經過運算之後，其數學結果可能無法符合其語意。此仍為目前亟待克服之困難。 四、模糊邏輯 傳統邏輯僅有T(1)和F(0)二值。模糊邏輯將之擴充為[0,1]。 專業者較容易以模糊語句表達邏輯關係。 可用較簡易之概念，描述複雜之系統。 吾人日常的推理充滿了「模糊」的詞彙。例如： (R1) IF 距聚集點近 THEN 商店數多 (R2) IF 距聚集點不遠不近 THEN 會有一些商店 (R3) IF 距聚集點遠 THEN 商店數少 【問】今某地距車站75公尺，主要商業中心90公尺，商店數多少? 距離 距車站 距商業中心 LHS RHS 家數/公頃 R1 近 0.5 0.1 0.1 多 11 R2 中 0.5 0.9 0.5 中 3, 13 R3 遠 0.0 0.0 0.0 少