建模培训 第一讲 幻灯片.pptVIP

第一部分:模糊数学基本概念 处理现实对象的数学模型: 确定性数学模型:它的背景对象具有确定性或固定性,对象间具有必然的关系。 随机性数学模型:它的背景对象具有或然性或随机性。 模糊性数学模型:它的背景对象及其关系均具有模糊性。 模糊性的数学模型所描述的事物本身的含义是不确定的。 常见的模糊概念:“高个子”, “多云”, “黄昏”“四肢无力”, “性能良好”. 模糊集的运算 三、 隶属函数的确定 应用模糊数学方法建立数学模型的关键是建立符合实际的隶属函数。如何确定一个模糊集的隶属函数至今还是尚未解决的问题。这里仅仅介绍几种常用的确定隶属函数的方法。 1. 模糊统计方法 常用的隶属函数有Z函数（偏小型）、∏函数（中间型）、S函数（偏大型）. 偏小型一般适合于描述像“小，少，浅，淡，青年”等偏小程度的模糊现象。 偏大型一般适合于描述像“大，多，深，浓，老年”等偏大程度的模糊现象。 中间型一般适合于描述像“中，适中，不太多，不太浓，暖和，中年”等处于中间状态的模糊现象。 模糊聚类分析 * * 模糊数学 研究和处理模糊性现象的数学方法 经典数学是以精确性为特征的. 经典数学 与精确形相悖的模糊性并不完全是消极的、没有价值的. 甚至可以这样说，有时模糊性比精确性还要好. 例如,要你某时到某地去迎接一个“大胡子高个子长头发戴宽边黑色眼镜的中年男人”. 尽管这里只提供了一个精确信息――男人，而其他信息――大胡子、高个子、长头发、宽边黑色眼镜、中年等都是模糊概念，但是你只要将这些模糊概念经过头脑的综合分析判断，就可以接到这个人. 模糊数学在实际中的应用几乎涉及到国民经济的各个领域及部门，农业、林业、气象、环境、地质勘探、医学、经济管理等方面都有模糊数学的广泛而又成功的应用. 秃子悖论 在一个孤岛上唯一的一个理发师，其工作是“专门替那些不给自己刮胡子的人刮胡子”，现问理发师本人该不该给自己刮胡子？ U={全岛刮胡子的人}， A={不给自己刮胡子的人}，用特征函数刻画为 问题：显然理发师 ，那么理发师是否属于A？ 第一讲 模糊集合及其运算 一、经典集合与特征函数 集合：具有某种特定属性的对象集体。 通常用大写字母A、B、C等表示。 论域：对局限于一定范围内进行讨论的对象的全体。 通常用大写字母U、V、X、Y等表示。 论域U中的每个对象u称为U的元素。 在论域U中任意给定一个元素u及任意给定一个 经典集合A，则必有 或者 ，用函数表示为： 其中 函数 称为集合A的特征函数。 二、模糊集合及其运算 1、模糊子集 定义：设U是论域，称映射 确定了一个U上的模糊子集 。映射 称为 隶属函 数， 称为 对 的隶属程度，简称隶属度。 模糊子集 由隶属函数 唯一确定，故认为二者 是等同的。为简单见，通常用A来表示 和 。 例 设论域U = {x1 (140), x2 (150), x3 (160), x4 (170), x5 (180), x6 (190)}(单位：cm)表示人的身高，那么U上的一个模糊集“高个子”(A)的隶属函数A(x)可定义为 也可用Zadeh表示法： 例2 古代史的分期（指划分奴隶社会和封建社会的界限）是模糊的，可表示为模糊集 相等：A = B ? A(x) = B(x)； 包含：A?B ? A(x)≤B(x)； 并：A∪B的隶属函数为 (A∪B)(x)=A(x)∨B(x)；取大运算 交：A∩B的隶属函数为 (A∩B)(x)=A(x)∧B(x)；取小运算 余：Ac的隶属函数为Ac (x) = 1- A(x). X={1,2,3,4,5,6,7,8} (A)? = A?= {x | A(x) ≥ ? } ?-截集： 模糊集的?-截集A?是一个经典集合，由隶属度不小于?的成员构成. 例：论域U={u1, u2, u3, u4 , u5 , u6}(学生集)，他们的成绩依次为50,60,70,80,90,95，A=“学习成绩好的学生”的隶属度分别为0.5,0.6,0.7,0.8, 0.9,0.95，则 A0.9 (90分以上者) = {u5 , u6}, A0.6 (60分以上者) = {u2, u3, u4 , u5 , u6}. 与概率统计类似，但有区别：若把概率统计随机事件A是固定不变的，样本空间中样本点数十变动，而模糊统计试验中，x是固定不变的，而模糊集A*是可变的。 2. 指派方法 一种主观方法根据实践经验来确定，一般给出隶属函数的解析表达式。 3. 借用已有的“客