МИНОБРНАУКИ РОССИИ

Федеральное государственное бюджетное образовательное учреждение

высшего образования
«МИРЭА – Российский технологический университет»
РТУ МИРЭА

ЛЕКЦИОННЫЕ МАТЕРИАЛЫ

Компьютерное моделирование процессов и систем

(наименование дисциплины (модуля) в соответствии с учебным планом)
Уровень магистратура
(бакалавриат, магистратура, специалитет)
Форма
обучения очная
(очная, очно-заочная, заочная)
Направление(-я)
подготовки 09.04.01 «Информатика и вычислительная техника»
(код(-ы) и наименование(-я))
Институт кибернетики
(полное и краткое наименование)
Кафедра проблем управления
(полное и краткое наименование кафедры, реализующей дисциплину (модуль))
Лектор к.т.н., доцент, Чижиков Валерий Иванович
(сокращенно – ученая степень, ученое звание; полностью – ФИО)

Используются в данной редакции с учебного года 2020/2021

(учебный год цифрами)
Проверено и согласовано «____» ________20___г. М.П. Романов
(подпись директора Института/Филиала
с расшифровкой)

Москва 2021 г.
 Дисциплина читается в 3 семестре

По дисциплине учебным планом предусмотрено:

лекции  16 академических часов;

лабораторные работы  16 академических часов;

практические занятия  16 академических часов;

самостоятельная работа студентов  96 академических часов

 АННОТАЦИЯ

Конспект включает в себя 7 лекций на 74 страницы, а также примеры

решения задач на базе нечёткой логики с использованием программного
комплекса SimInTech на 35 страницах.
Лекция 1 включает в себя классификацию моделей и методов
моделирования систем.
Лекция 2 включает в себя моделирование и принятие решений в условиях
неопределенности, а также классы аналитических задач принятия решения и
основные виды неопределенности на этапах моделирования.
Лекция 3 включает в себя эффективность систем принятия решений,
использующих методы нечеткой логики, а также основные характеристики
нечетких множеств, методы построения функций принадлежности нечетких
множеств и операции над нечеткими множествами.
Лекция 4 включает в себя нечеткие и лингвистические переменные, а
также нечёткие числа, операции над нечёткими числами и нечеткие числа (L-
R)-Tипа.
Лекция 5 включает в себя нечеткие отношения и операции над нечеткими
отношениями.
Лекция 6 включает в себя нечеткие выводы, а также алгоритм Mamdani,
алгоритм Tsukamoto, алгоритм Sugeno, алгоритм Larsen, упрощенный алгоритм
нечеткого вывода и методы приведения к четкости.
Лекция 7 включает в себя принятие решений на основе нечётких выводов
и описание нечеткого регулятора.
Приведены примеры составления нечётких моделей управления
различными техническими объектами (5 различных объектов) с
использованием программного комплекса SimInTech.

СОДЕРЖАНИ
 Е

Лекция 1......................................................................................................................8

Классификация моделей и методов моделирования систем...............................8

Системы массового обслуживания. Абстрактные автоматы. Сети Петри.

Марковские цепи.....................................................................................................8

Системы массового обслуживания........................................................................8

Абстрактные автоматы...........................................................................................9

Сети Петри.............................................................................................................11

Марковские цепи...................................................................................................13

Лекция 2....................................................................................................................15

Моделирование и принятие решений в условиях неопределенности..............15

2.1.Классы аналитических задач принятия решения.........................................17

2.2.Основные виды неопределенности на этапах моделирования...................20

Моделирование методом планирования эксперимента.....................................21

Возможности основных комплексов математического моделирования

динамических систем............................................................................................22

Лекция 3....................................................................................................................23

Эффективность систем принятия решений, использующих методы нечеткой

логики.....................................................................................................................23

Введение.................................................................................................................23

Примеры записи нечеткого множества...............................................................26

3.1.Основные характеристики нечетких множеств............................................26

Примеры нечетких множеств...............................................................................27

3.2. О методах построения функций принадлежности нечетких множеств....29

3.3.Операции над нечеткими множествами........................................................31

 Логические операции............................................................................................32

Лекция 4....................................................................................................................41

Нечеткая и лингвистическая переменные...........................................................41

4.1.Нечеткие числа. Операции над нечеткими числами....................................43

4.2.Нечеткие числа (L-R)-Tипа............................................................................45

Лекция 5....................................................................................................................49

Нечеткие отношения.............................................................................................49

Лекция 6....................................................................................................................55

Нечеткие выводы...................................................................................................55

6.1.Алгоритм Mamdani..........................................................................................59

6.2.Алгоритм Tsukamoto.......................................................................................60

6.3.Алгоритм Sugeno.............................................................................................61

6.4.Алгоритм Larsen..............................................................................................62

6.5.Упрощенный алгоритм нечеткого вывода....................................................63

6.6.Методы приведения к четкости.....................................................................65

Нисходящие нечеткие выводы.............................................................................66

Лекция 7....................................................................................................................69

Принятие решений на основе нечётких выводов...............................................69

7.1.Нечеткий регулятор.........................................................................................71

Список литературы....................................................................................................74
 ЛЕКЦИЯ 1

Классификация моделей и методов моделирования систем

Системы массового обслуживания. Абстрактные автоматы.

Сети Петри. Марковские цепи

Для моделирования производственных процессов широко применяют

имитационные модели. Имитационные модели применяют, когда необходимо
обеспечить наблюдение за ходом процесса в течение определенного
временного периода (или, когда невозможно применить аналитические модели
математического программирования к решению задач управления). При
построении имитационных моделей выбирают некоторые базовые единицы
модели – объекты, или сущности. Это могу различные физические объекты,
например, производственный участок, единица оборудования, деталь, узел и
т.д. Объектам присваивают атрибуты. Фиксированные атрибуты описывают
природу и характеристики объекта, переменные – состояние объекта.
Состояние моделируемой системы описывается состояниями всех
характеризующих ее объектов. Связи между объектами задаются атрибутами.
Фиксированные атрибуты описывают статические, переменные – динамические
связи. В зависимости от характера изменения атрибутов различают
непрерывные и дискретные модели. В моделях дискретных событий выделяют
набор работ. Такими работами, например, могут быть технологические
операции по обработке деталей. Построение модели в этом случае состоит в
логико-математическом описании соответствующих работ, событий и
процессов.

Системы массового обслуживания

Системы массового обслуживания (СМО) представляют собой системы

специального вида, реализующие многократное выполнение однотипных задач.
Модели СМО применяются во многих областях экономики, финансов,
производства и быта, для изучения режимов функционирования
обслуживающих систем, и исследование явлений, возникающих в процессе
обслуживания.
Системы массового обслуживания — это системы, которые определяются
наличием потока клиентов и обслуживающих устройств. На входе модели -
набор параметры системы (характер потока заявок, число каналов и их
производительности и правила работы СМО). Выход - показатели качества
обслуживания (время ожидания, вероятность отказа, длина очереди и др.).
Модели СМО позволяют оптимизировать эти процессы обслуживания, т.е.
достигать определенного уровня обслуживания (максимального сокращения
очереди или потерь требований) при минимальных затратах, связанных с
простоем обслуживающих устройств.
Методами теории массового обслуживания могут быть решены многие
задачи из области маркетинга. В организации торговли эти методы позволяют
определить оптимальное количество торговых точек данного профиля,
численность продавцов, частоту завоза товаров и другие параметры. Другим
характерным примером систем массового обслуживания могу служить
склады или базы снабженческо-сбытовых организаций. Для таких
организационных систем задача сводится к тому, чтобы установить
оптимальное соотношение между числом поступающих на базу требований на
обслуживание и числом обслуживающих устройств, при котором суммарные
расходы на обслуживание и убытки от простоя транспорта были бы
минимальными. Теория массового обслуживания может найти применение при
расчете площади складских помещений, при этом складская площадь
рассматривается как обслуживающее устройство, а прибытие транспортных
средств под выгрузку – как требование.
 Абстрактные автоматы

Абстрактные автоматы используют для описания объектов АСУ, для

которых характерно наличие дискретных состояний и дискретный характер
работы во времени. К числу таких объектов относятся элементы и узлы ЭВМ,
устройства контроля и регулирования, системы коммутации, программы и
операционные системы.
Абстрактный автомат можно представить видом:

, где
 - конечное множество входных сигналов (входной алфавит автомата);
- конечное множество выходных сигналов (выходной алфавит
автомата);
- выходное множество состояний автомата;
- начальное состояние автомата;
 - функция переходов автомата,
 - функция выходов или сдвинутая функция выходов.
Функции   и   задают однозначное отображение
множества  , где   и   в множества X и Y. Автомат, заданный
функцией выходов, называется автоматом первого рода, автомат, заданный
сдвинутой функцией выходов, - автоматом второго рода.
Абстрактный автомат функционирует в дискретном времени,
принимающем целые неотрицательные значения   В каждый
момент   времени автомат имеет определенное состояние   из множества Z
состояний автомата, причём в начальный момент времени  автомат всегда

находится в начальном состоянии  , т.е.  . В каждый момент

времени  , отличный от начального, автомат способен воспринимать входной
сигнал   - и выдавать соответствующий выходной сигнал. Закон
функционирования абстрактного автомата первого рода задаётся

уравнениями  ;

,
для автомата второго рода – уравнениями

Сети Петри.

В абстрактном автомате рассматриваются последовательные переходы

состояния. Поэтому такая модель неприменима для объектов, способных
выполнять свои функции параллельно. Для моделирования таких объектов
используют сети Петри. Сети Петри – это инструмент описания и исследования
мультипрограммных, асинхронных, распределенных, параллельных,
недетерминированных и/или стохастических систем обработки информации.
В качестве графического средства сети Петри могут использоваться для
наглядного представления моделируемой системы, подобно блок-схемам,
структурным схемам и сетевым графикам. Вводимое в этих сетях понятие
фишек позволяет моделировать динамику функционирования систем и
параллельные процессы. В качестве математического средства аналитическое
представление сети Петри позволяет составлять уравнения состояния,
алгебраические уравнения и другие математические соотношения,
описывающие динамику систем.
Моделирование в сетях Петри осуществляется на событийном уровне.
Определяются, какие действия происходят в системе, какие состояние
предшествовали этим действиям и какие состояния примет система после
выполнения действия. Выполнения событийной модели в сетях Петри
описывает поведение системы. Анализ результатов выполнения может сказать
о том, в каких состояниях пребывала или не пребывала система, какие
состояния в принципе не достижимы. Однако такой анализ не дает числовых
характеристик, определяющих состояние системы.
Простая Сеть Петри из трех элементов: множество мест, множество
переходов и отношение инцидентности. Сети Петри имеют удобную
графическую форму представления в виде графа, в котором места
изображаются кружками, а переходы прямоугольниками. Места и переходы
соединяются направленными дугами, каждой дуге сопоставляется некоторое
натуральное число. Это число называется кратностью дуги, которое графически
изображается рядом с дугой. Дуги, имеющие единичную кратность,
обозначаются без приписывания единицы. На рис.1.1 приведён пример
маркированной СП, представленной позициями и переходами.
Само по себе понятие сети имеет статическую природу. Для задания
динамических характеристик используется понятие маркировки сети.
Графически маркировка изображается в виде точек, называемых метками
(tokens), и располагающихся в кружках, соответствующих местам сети.
Отсутствие меток в некотором месте говорит о нулевой маркировке этого
места.

Рис.1.1– маркированная сеть

Петри
Сети Петри могут применяться:
 1) Для моделирования бизнес-процессов. Функциональные диаграммы в
нотации IDEF3 могут быть преобразованы в сеть Петри. Каждой работе на
диаграмме соответствует переход сети Петри. Позиции соответствуют
стрелкам, соединяющим работы напрямую и перекресткам. Метки
соответствуют продукции, документов и т.д. Причем в зависимости от перехода
интерпретация метки может отличаться.
2) Для моделирования параллельных вычислений и устройств. Если
представить себе переход как процедуру, то она корректно выполняется при
наличии значений всех своих аргументов и вырабатывает значения всех
выходных переменных. В таком случае входные позиции перехода
соответствуют аргументам, выходные – возвращаемым значениям. В другой
интерпретации переход может представлять некоторое устройство. Устройство
может (но не должно) сработать, если выполнились все входные условия.
3) Для моделирования процесса обучения. Тогда позиция соответствует
некоторому состоянию процесса обучения, метка сопоставляется обучаемому,
переход ассоциируется с изучением какой-либо темы обучаемым.

Марковские цепи

Метод моделирования на основе Марковских цепей широко применяют в

таких областях, как автоматизация проектирования и организации в
автоматизированных системах научных исследований, в системах исследования
и проектирования, в системах массового обслуживания, при анализе различных
сторон деятельности человека, в автоматизированном управлении
производственными и другими процессами. Модели на основе Марковских
цепей используется на этапах проектирования, создания, внедрения,
эксплуатации систем, а также на различных уровнях их изучения, начиная от
анализа работы элементов и кончая исследованием системы в целом при их
взаимодействии с окружающей средой.
 Цепи Маркова предназначены, главным образом, для полного описания
как долговременного, так и локального поведения процесса. Марковские
процессы (процессы без последействия) играют огромную роль в
моделировании систем массового обслуживания (СМО), а также в
моделировании и выборе стратегии управления социально-экономическими
процессами, происходящими в обществе, в частности, применяются
управляемые цепи Маркова.
Марковские процессы являются частным видом случайных процессов.
Различают следующие виды Марковских случайных процессов:
 с дискретными состояниями и дискретным временем (цепь Маркова);
 с непрерывными состояниями и дискретным временем (Марковские
последовательности);
 с дискретными состояниями и непрерывным временем (непрерывная цепь
Маркова);
 с непрерывным состоянием и непрерывным временем.
Марковские процессы с дискретными состояниями представляют в графа

состояний, где кружками обозначены состояния   системы  , а

стрелками – возможные переходы из состояния в состояние. Возможные
задержки в прежнем состоянии изображают «петлей». Число состояний
системы может быть как конечным, так и бесконечным (но счетным).
Под управляемыми Марковскими цепями понимают такие цепи, в
которых имеется возможность управлять значениями переходных
вероятностей. На рис.1.2 показан пример марковской цепи в стационарном
(установившемся) режиме. Основой описания любой аналитической модели
СМО являются уравнения Колмогорова.
Рис. 1.2 – Граф состояний системы  .
ЛЕКЦИЯ 2

Моделирование и принятие решений в условиях

неопределенности

 Рис.2.1.
 Воздействие на технические объекты осуществляется на основе принятых
осознанных решений. Процесс появления решений проходит три основных
стадии, показанных на схеме:
 

Информационно-аналитическая подготовка состоит из:

1.Постановки задачи
2.Поиска, накопления и предварительной обработки информации для ПР;
3.Выявление и оценка текущей ситуации с учетом возникшей проблемы;
4. Выдвижение гипотез, вариантов, альтернатив и сценариев;
Решение представляет собой главный системообразующий результат,
который вырабатывается в процессе ПР и реализуется в рамках некоторой
системы принятия решений (СПР).
 
 
 

 
  2.1.Классы аналитических задач принятия решения

Объект воздействия, для аналитических задач СПР может быть

формально описан следующими параметрами:
1. Пространство состояний объектов;
2. Множество характеристик, признаков, описывающих состояние
объекта управления и принимающих свои значения в любом множестве;
3.Пространство управления (решений, проектов, планов и.д.);
4.Время (дискретное или непрерывное);
5. Пространство выходных значений (наблюдаемых проявлений и
оценок);
6. Отображение динамики изменения состояния объекта, реакции
динамической системы на управляющие воздействия;
7. Выходное отображение, описывающее процесс наблюдения объекта
управления (получение оценок, мнений);
8. Внешние неуправляемые факторы, оказывающие влияние на динамику
объекта управления.
Для любого технического объекта аналитические задачи, необходимые
для принятия решений, могут быть разбиты на три основных класса
аналитических задач.
 
  
 Для решения аналитических задач в СПР, возникающих в процессе
моделирования систем управления сложными объектами,
используются различные подходы.
 
 
 

 
 2.2.Основные виды неопределенности на этапах
моделирования

     

   

 
На сегодняшний день можно выделить ряд математических теорий,
предназначенных для формализации неопределенной информации (данных):
1. Многозначная логика;
 2. Теория вероятности;
3. Теория ошибок;
4. Теория средних интервалов;
5. Теория субъективных вероятностей;
6. Теория нечетких множеств;
7.Теория нечетких мер и интегралов.
 
Результаты сравнения математических теорий, с точки зрения их
применимости для решения аналитических моделирующих задач СПР в
условиях неопределенности.

  Моделирование методом планирования эксперимента

 После создания математической модели и её программной реализации

важным этапом является постановка вычислительного эксперимента. В теории
планирования эксперимента исследуемый объект рассматривается как черный
ящик, имеющий входы X и выходы Y.

Переменные Х называются факторами, которые в эксперименте могут

быть – качественными и количественными. Качественным факторам
присваиваются числовые обозначения, тем самым осуществляется переход к
количественным значениям. Переменные Х можно геометрически сопоставить
с факторным пространством, координатные оси которого соответствуют
значениям факторов. Совокупность значений факторов во всех точках плана
эксперимента образует матрицу плана ПФЭ для n=4:
Обрабатывая вектор результатов Р методом наименьших квадратов

определяем вектор коэффициентов модели 

 Модель в общем виде для четырех факторов на двух уровнях имеет вид

 Полученные коэффициенты будут характеризовать вес каждого фактора

 Возможности основных комплексов математического

моделирования динамических систем

 Весь процесс математического моделирования невозможен без

математических вычислений. Поэтому, математическое ядро каждого
моделирующего динамические процессы комплекса имеет ряд возможностей
для выполнения различных математических вычислений.
 
 ЛЕКЦИЯ 3

Эффективность систем принятия решений, использующих

методы нечеткой логики

Введение

Пожалуй, наиболее поразительным свойством человеческого интеллекта

является способность принимать правильные решения в обстановке неполной и
нечеткой информации. Построение моделей приближенных рассуждений
человека и использование их в компьютерных системах будущих поколений
представляет сегодня одну из важнейших проблем науки.
Значительное продвижение в этом направлении сделано 30 лет тому назад
профессором Калифорнийского университета (Беркли) Лотфи А. Заде (Lotfi A.
Zadeh). Его работа «Fuzzy Sets», появившаяся в 1965 г. в журнале Information
and Control, N-8, заложила основы моделирования интеллектуальной
деятельности человека и явилась начальным толчком к развитию новой
математической теории.
Л. Заде расширил классическое канторовское понятие множества,
допустив, что характеристическая функция (функция принадлежности элемента
множеству) может принимать любые значения в интервале [0; 1], а не только
значения 0 либо 1. Такие множества были названы им нечеткими (fuzzy). Он
определил также ряд операций над нечеткими множествами и предложил
обобщение известных методов логического вывода modus ponens и modus
tollens.
Введя затем понятие лингвистической переменной и допустив, что в
качестве ее значений (термов) выступают нечеткие множества, Л. Заде создал
аппарат для описания процессов интеллектуальной деятельности, включая
нечеткость и неопределенность выражений.
 Дальнейшие работы профессора Л. Заде и его последователей заложили
прочный фундамент новой теории и создали предпосылки для внедрения
методов нечеткого управления в инженерную практику.
Уже к 1990 г. по этой проблематике опубликовано свыше 10000 работ, а
число исследователей достигло 10000, причем в США,
Европе и СССР по 200-300 человек, около 1000 — в Японии, 2000 3000 —
в Индии и около 5000 исследователей в Китае.
В последние 5-7 лет началось использование новых методов и моделей в
промышленности и в военном деле. Спектр приложений их широк: от
управления процессом отправления и остановки поезда метрополитена,
управления грузовыми лифтами и доменной печью до стиральных машин,
пылесосов и СВЧ-печей. При этом нечеткие системы позволяют повысить
качество продукции при уменьшении ресурсо- и энергозатрат и обеспечивают
более высокую устойчивость к воздействию мешающих факторов по
сравнению с традиционными системами автоматического управления.
Другими словами, новые подходы позволяют расширить сферу
приложения систем автоматизации за пределы применимости классической
теории. В этом плане любопытна точка зрения Л. Заде: «Я считаю, что
излишнее стремление к точности стало оказывать действие, сводящее на нет
теорию управления и теорию систем, так как оно приводит к тому, что
исследования в этой области сосредоточиваются на тех и только тех проблемах,
которые поддаются точному решению. В результате многие классы важных
проблем, в которых данные, цели и ограничения являются слишком сложными
или плохо определенными для того, чтобы допустить точный математический
анализ, оставались и остаются в стороне по той причине, что они не поддаются
математической трактовке. Для того чтобы сказать что-либо существенное для
проблем подобного рода, мы должны отказаться от наших требований точности
и допустить результаты, которые являются несколько размытыми или
неопределенными».
 Смещение центра исследований нечетких систем в сторону практических
приложений привело к постановке целого ряда проблем, таких как новые
архитектуры компьютеров для нечетких вычислений, элементная база нечетких
компьютеров и контроллеров, инструментальные средства разработки,
инженерные методы расчета и разработки нечетких систем управления и
многое другое.
Математическая теория нечетких множеств позволяет описывать
нечеткие понятия и знания, оперировать этими знаниями и делать нечеткие
выводы.
Нечеткое управление оказывается особенно полезным, когда
технологические процессы являются слишком сложными для анализа с
помощью общепринятых количественных методов или когда доступные
источники информации интерпретируются качественно, неточно или
неопределенно. Нечеткая логика, на которой основано нечеткое управление,
ближе по духу к человеческому мышлению и естественным языкам, чем
традиционные логические системы. Нечеткая логика, в основном, обеспечивает
эффективные средства отображения неопределенностей и неточностей
реального мира. Наличие математических средств отражения нечеткости
исходной информации позволяет построить модель, адекватную реальности.
Нечеткое множество- ключевое понятие нечеткой логики. Пусть Е —
универсальное множество, х — элемент Е, a R — некоторое свойство. Обычное
(четкое) подмножество А универсального множества Е, элементы которого
удовлетворяют свойству R, определяется как множество упорядоченных пар
А = { μA(x) / x },
где μА(х) —характеристическая функция, принимающая значение 1,
если х удовлетворяет свойству R, и 0 – в противном случае.
Нечеткое подмножество отличается от обычного тем, что для
элементов х из Е нет однозначного ответа «да-нет» относительно свойства R. В
связи с этим нечеткое подмножество А универсального
множества Е определяется как множество упорядоченных пар
 А = { μA(x) / x},
где μА(х) — характеристическая функция принадлежности (или
просто функция принадлежности), принимающая значения в некотором вполне
упорядоченном множестве М (например, М = [0, 1]).
Функция принадлежности указывает степень (или уровень)
принадлежности элемента х подмножеству А.Множество М называют
множеством принадлежностей. Если М = {0, 1}, то нечеткое
подмножество А может рассматриваться как обычное или четкое множество.

Примеры записи нечеткого множества

Пусть Е = {x1, x2, хз, x4,x5}, М = [0, 1]; А — нечеткое множество, для

которого μA(x1)=0,3; μA(х2)= 0; μA(х3) = 1; μA(x4) = 0,5; μA(х5)=0,9.
Тогда А можно представить в виде
А ={0,3/x1; 0/х2; 1/х3; 0,5/х4; 0,9/х5},
или
А={0,3/x1 +0/х2+1/х3+0,5/х4+0,9/х5},
или

Замечание. Здесь знак «+» не является обозначением операции сложения,

а имеет смысл объединения.
 

3.1.Основные характеристики нечетких множеств

Пусть М = [0, 1] и А — нечеткое множество с элементами из универсаль-

ного множества Е и множеством принадлежностей М.

•        Величина   называется высотой нечеткого
множества А. Нечеткое множество А нормально, если его высота равна 1,т.е.
верхняя граница его функции принадлежности равна 1 (  = 1). При
< 1нечеткое множество называется субнормальным.
•          Нечеткое множество пусто, если ∀x ϵ E  μA(x) = 0. Непустое
субнормальное множество можно нормализовать по формуле

•          Нечеткое множество унимодально, если μA(x) = 1 только на

одном х из Е.
•          Носителем нечеткого множества А является обычное под-
множество со свойством μA(x)>0, т.е. носитель А= {x/x ϵ E, μA(x)>0}.
•          Элементы x ϵ E, для которых μA(x) = 0,5, называются точками
перехода множества А.

Примеры нечетких множеств

1. Пусть Е = {0, 1, 2, . . ., 10}, М = [0, 1]. Нечеткое

множество «Несколько» можно определить следующим образом:
«Несколько» = 0,5/3 + 0,8/4 + 1/5 + 1/6 + 0,8/7 + 0,5/8; его
характеристики: высота = 1, носитель = {3, 4, 5, 6, 7, 8}, точки перехода — {3,
8}.
2. Пусть Е = {0, 1, 2, 3,…, n,…}. Нечеткое множество «Малый» можно
определить:

3. Пусть Е = {1, 2, 3, . . ., 100} и соответствует понятию «Возраст», тогда

нечеткое множество «Молодой» может быть определено с помощью
 Нечеткое множество «Молодой» на универсальном множестве Е' =
{ИВАНОВ, ПЕТРОВ, СИДОРОВ,...} задается с помощью функции при-
надлежности μМолодой (x) на Е = {1, 2, 3, . . ., 100} (возраст), называемой по
отношению к Е'функцией совместимости, при этом:

где х — возраст СИДОРОВА.

4.  Пусть Е = {ЗАПОРОЖЕЦ, ЖИГУЛИ, МЕРСЕДЕС,… } – множество
марок автомобилей, а Е' = [0, ∞] — универсальное множество «Стоимость»,
тогда на Е' мы можем определить нечеткие множества типа:

Рис. 3.1. Примеры функций принадлежности

 
«Для бедных», «Для среднего класса», «Престижные», с функциями при-
надлежности вида рис. 1.1.
Имея эти функции и зная стоимости автомобилей из Е в данный момент
времени, мы тем самым определим на Е'нечеткие множества с этими же
названиями.
Так, например, нечеткое множество «Для бедных», заданное на уни-
версальном множестве Е = { ЗАПОРОЖЕЦ, ЖИГУЛИ, МЕРСЕДЕС,...},
выглядит так, как показано на рис. 1.2.
 Рис. 3.2. Пример задания нечеткого множества
 
Аналогично можно определить нечеткое множество «Скоростные»,
«Средние», «Тихоходные» и т. д.
5.  Пусть Е — множество целых чисел:
Е= {-8, -5, -3, 0, 1, 2, 4, 6, 9}.
Тогда нечеткое подмножество чисел, по абсолютной величине близких к
нулю, можно определить, например, так:
А ={0/-8 + 0,5/-5 + 0,6/-3 +1/0 + 0,9/1 + 0,8/2 + 0,6/4 + 0,3/6 + 0/9}.
 

3.2. О методах построения функций принадлежности нечет-

ких множеств

В приведенных выше примерах использованы прямые методы, когда

эксперт либо просто задает для каждого х ϵ Е значение μА(х), либо определяет
функцию совместимости. Как правило, прямые методы задания функции
принадлежности используются для измеримых понятий, таких как скорость,
время, расстояние, давление, температура и т.д., или когда выделяются
полярные значения.
Во многих задачах при характеристике объекта можно выделить набор
признаков и для каждого из них определить полярные значения,
соответствующие значениям функции принадлежности, 0 или 1.
 Например, в задаче распознавания лиц можно выделить шкалы,
приведенные в табл. 1.1.

Таблица 1.1. Шкалы в задаче распознавания лиц

    0 1
x1 высота лба низкий высокий
x2 профиль носа курносый горбатый
x3 длина носа короткий длинный
x4 разрез глаз узкие широкие
x5 цвет глаз светлые темные
x6 форма подбородка  остроконечныйквадратный
x7 толщина губ тонкие толстые
x8 цвет лица темный светлый
x9 очертание лица овальное квадратное
 
Для конкретного лица А эксперт, исходя из приведенной шкалы,
задает μA(х) ϵ [0, 1], формируя векторную функцию принадлежности { μA(х1),
μA(х2),…, μA(х9) }.
При прямых методах используются также групповые прямые методы,
когда, например, группе экспертов предъявляют конкретное лицо и каждый
должен дать один из двух ответов: «этот человек лысый» или «этот человек не
лысый», тогда количество утвердительных ответов, деленное на общее число
экспертов, дает значение μлысый (данного лица). (В этом примере можно действо-
вать через функцию совместимости, но тогда придется считать число
волосинок на голове у каждого из предъявленных эксперту лиц.)
Косвенные методы определения значений функции принадлежности
используются в случаях, когда нет элементарных измеримых свойств, через
которые определяется интересующее нас нечеткое множество. Как правило, это
методы попарных сравнений. Если бы значения функций принадлежности были
нам известны, например, μA(хi) = ωi, i= 1, 2, ..., n, то попарные сравнения можно
представить матрицей отношений А = { aij}, где aij= ωi/ωj  (операция деления).
На практике эксперт сам формирует матрицу А, при этом предполагается,
что диагональные элементы равны 1, а для элементов симметричных
относительно диагонали aij= 1/aij, т.е. если один элемент оценивается в α раз
сильнее, чем другой, то этот последний должен быть в 1/α раз сильнее, чем
первый. В общем случае задача сводится к поиску вектора ω,
удовлетворяющего уравнению вида Aw= λmaxw, где λmax— наибольшее собствен-
ное значение матрицы А. Поскольку матрица А положительна по построению,
решение данной задачи существует и является положительным.
Можно отметить еще два подхода:
 использование типовых форм кривых для задания функций
принадлежности (в форме (L-R)-Типа – см. ниже) с уточнением их
параметров в соответствии с данными эксперимента;
 использование относительных частотпо данным эксперимента в
качестве значений принадлежности.

3.3.Операции над нечеткими множествами

 Логические операции

Включение.Пусть А и В — нечеткие множества на универсальном

множестве Е. Говорят, что А содержится в В,если 

Обозначение: А ⊂ В.
Иногда используют термин доминирование, т.е. в случае, ко-
гда А ⊂ В,говорят, что В доминирует А.

Равенство.А и В равны, если 

Обозначение: А = В.
Дополнение.Пусть М = [0, 1], А и В – нечеткие множества, заданные на Е.

А и В дополняют друг друга, если 

Обозначение: 

Очевидно, что   (дополнение определено для М = [0, 1], но

очевидно, что его можно определить для любого упорядоченного М).
Пересечение. А ⋂ В— наибольшее нечеткое подмножество,
содержащееся одновременно в А и В:

Объединение. A∪В — наименьшее нечеткое подмножество, включающее

как А, так и В, с функцией принадлежности:

Разность.   с функцией принадлежности:

 Дизъюнктивная сумма
 А ⊕ В = (A - B) ∪ (B - A) = (A ⋂  ̅B) ∪ (  ̅A ⋂ B)
 
с функцией принадлежности:

Примеры. Пусть

Здесь:
1)          А ⊂ В, т. е. А содержится в Bили Bдоминирует А;
С несравнимо ни с A, ни с В, т.е. пары {А, С} и {А, С} — пары недоминируемых
нечетких множеств.
2)          A≠ B ≠ C
3)          ̅A = 0,6/x1 + 0,8/x2 + 1/x3 + 0/x4; ̅B = 0,3/x1 + 0,1/x2 + 0,9/x3 +0/x4.
4)          А ⋂ В = 0,4/x1+ 0,2/x2+ 0/x3+ 1/х4.
5)          A ∪ В = 0,7/x1+ 0,9/x2+ 0,1/x3+ 1/x4.
6)          А - В = А ⋂ ̅В =0,3/x1+ 0,l/x2+ 0/x3+ 0/x4;
  В - А= ̅А ⋂ В =0,6/x1+ 0,8/x2+ 0,l/x3+ 0/x4.
7)          А ⊕ В = 0,6/x1+ 0,8/x2+ 0,1/x3+ 0/x4.
Наглядное представление логических операций над нечеткими
множествами. Для нечетких множеств можно строить визуальное
представление. Рассмотрим прямоугольную систему координат, на оси ординат
которой откладываются значения μА(х), на оси абсцисс в произвольном порядке
расположены элементы Е (мы уже использовали такое представление в
примерах нечетких множеств). Если Е по своей природе упорядочено, то этот
порядок желательно сохранить в расположении элементов на оси абсцисс.
Такое представление делает наглядными простые логические операции над
нечеткими множествами (см. рис. 1.3).

Рис. 1.3. Графическая интерпретация логических операций: α— нечеткое множество А;

б — нечеткое множество̅А, в — А ⋂ ̅А; г— A ∪ ̅А
 
На рис. 1.3α заштрихованная часть соответствует нечеткому
множеству А и, если говорить точно, изображает область значений А и всех
нечетких множеств, содержащихся в А. На рис. 1.3б, в, г даны ̅А, А ⋂  ̅A, A U  ̅А.
Свойства операций ∪ и ⋂
Пусть А, В, С — нечеткие множества, тогда выполняются следующие
свойства:
 В отличие от четких множеств, для нечетких множеств в общем
случае:
A ⋂ ̅A ≠ ∅, A ∪ ̅A ≠ E
 (что, в частности, проиллюстрировано выше в примере наглядного
представления нечетких множеств).
Замечание. Введенные выше операции над нечеткими множествами
основаны на использовании операций maxи min. В теории нечетких множеств
разрабатываются вопросы построения обобщенных, параметризованных
операторов пересечения, объединения и дополнения, позволяющих учесть
разнообразные смысловые оттенки соответствующих им связок «и», «или»,
«не».
Один из подходов к операторам пересечения и объединения заключается
в их определении в классе треугольных норм и конорм.
Треугольной нормой(t-нормой) называется двуместная действительная
функция T: [0, 1] x[0, 1] → [0, 1], удовлетворяющая следующим условиям:
 Примеры треугольных норм
min(μA, μB)
произведение μA· μB
max(0, μA+ μB  - 1).
Треугольной конормой(t-конормой) называется двуместная
действительная функция S: [0, 1] x[0, 1] → [0, 1] со свойствами:

Примеры t-конорм
max(μA, μB)
μA+ μB- μA· μB
min(1, μA+ μB).
 
Алгебраические операции над нечеткими множествами
Алгебраическое произведение А и В обозначается A·В и определяется так:

 Алгебраическая суммаэтих множеств обозначается А+ В и определяется

так: 

Для операций {-, +} выполняются свойства:

 Не выполняются:

Замечание.При совместном использовании операций { U, ⋂, + , • }

выполняются свойства:

На основе операции алгебраического произведения определяется

операция возведения в степень α нечеткого множества А, где α—
положительное число. Нечеткое множество Аα определяется функцией
принадлежности μαA= μαA(x). Частным случаем возведения в степень являются:
1)          CON(А) = А2 — операция концентрирования (уплотнения);
2)          DIL(А) = А0,5 — операция растяжения,
 которые используются при работе с лингвистическими неопреде-
ленностями (рис. 1.4).

Рис. 3.4. Иллюстрация к понятию операций концентрирования (уплотнения) и

растяжения
Умножение на число. Если α — положительное число, такое,

что  , то нечеткое множество αА имеет функцию

принадлежности:
μαА(х) = αμA(x).
Выпуклая комбинация нечетких множеств.Пусть A1, А2,..., Аn— нечеткие
множества универсального множества Е, aω1, ω2, …, ωn— неотрицательные
числа, сумма которых равна 1.
Выпуклой комбинацией A1, А2, ..., Аnназывается нечеткое множество А с
функцией принадлежности:

Декартово(прямое) произведение нечетких множеств. Пусть A1, А2, ..., Аn

— нечеткие подмножества универсальных множеств Е1, Е2,
…, Еnсоответственно. Декартово, или прямое произведение А = А1 x А2  x...
x Аn  является нечетким подмножеством множества Е = Е1 x Е2  x... x Еn  с
функцией принадлежности:
 Оператор увеличения нечеткости используется для преобразования
четких множеств в нечеткие и для увеличения нечеткости нечеткого множества.
Пусть А — нечеткое множество, Е— универсальное множество и для
всех хϵЕ определены нечеткие множества К(х).Совокупность
всех К(х)называется ядром оператора увеличения нечеткости Ф. Результатом
действия оператора Ф на нечеткое множество А является нечеткое множество

вида

где μА(х)К(х) — произведение числа на нечеткое множество.

Пример. Пусть
Е = {1,2,3,4};  А = 0,8/1+ 0,6/2+ 0/3+ 0/4; К(1)=1/1 + 0,4/2;
К(2) = 1/2 + 0,4/1 + 0,4/3; К(3) = 1/3 + 0,5/4; К(4)= 1/4.
Тогда

Четкое множество α-уровня (или уровня α). Множеством α-уровня

нечеткого множества А универсального множества Е на-
зывается четкое подмножество Аα универсального множества Е, определяемое
в виде
Аα = { x/μA(x) ≥ α },
где α ≤ 1.
 Пример. Пусть А = 0,2/x1+ 0/x2+ 0,5/x3+ 1/x4,
тогда A0,3= { x3, x4  }, A0,7 = { х4  }.
Достаточно очевидное свойство: если α1 ≥ 2, то Аα1  ≤ Аα2.
 ЛЕКЦИЯ 4.

Нечеткая и лингвистическая переменные

Понятие нечеткой и лингвистической переменных используется при

описании объектов и явлений с помощью нечетких множеств.
Нечеткая переменная характеризуется тройкой (α, X, А), где
α — наименование переменной;
X — универсальное множество (область определения α);
А — нечеткое множество на X, описывающее ограничения (т.е. μA(x))на
значения нечеткой переменной α.
Лингвистическойпеременной (ЛП) называется набор (β, Т, X, G, М), где
β — наименование лингвистической переменной;
Т — множество ее значений (терм-множество), представляющих собой
наименования нечетких переменных, областью определения каждой из которых
является множество X. Множество Т называется базовым терм-
множеством лингвистической переменной;
G — синтаксическая процедура, позволяющая оперировать элементами
терм-множества T, в частности, генерировать новые термы (значения).
Множество T∪G(T), где G(T) — множество сгенерированных термов,
называется расширенным терм-множеством лингвистической переменной;
М — семантическая процедура, позволяющая превратить каждое новое
значение лингвистической переменной, образуемое процедурой G, в нечеткую
переменную, т.е. сформировать соответствующее нечеткое множество.
Замечание. Чтобы избежать большого количества символов:
1) символ β используют как для названия самой переменной, так и для
всех ее значений;
2) пользуются одним и тем же символом для обозначения нечеткого
множества и его названия, например терм «Молодой», являющийся значением
лингвистической переменной β= «возраст», одновременно есть и нечеткое
множество М («Молодой»).
Присвоение нескольких значений символам предполагает, что контекст
позволяет разрешить возможные неопределенности.
Пример. Пусть эксперт определяет толщину выпускаемого изделия с
помощью понятий «Малая толщина», «Средняя толщина» и «Большая
толщина», при этом минимальная толщина равна 10 мм, а максимальная – 80
мм.
Формализация такого описания может быть проведена с помощью
следующей лингвистической переменной (β, Т, X, G, М), где
β — толщина изделия;
Т — {«Малая толщина», «Средняя толщина», «Большая толщина»};
X — [10, 80];
G — процедура образования новых термов с помощью связок «и», «или»
и модификаторов типа «очень», «не», «слегка» и т.п. Например: «Малая или
средняя толщина», «Очень малая толщина» и т.д.;
М — процедура задания на X = [10, 80] нечетких подмножеств А1  =
«Малая толщина», А2= «Средняя толщина», A3  = «Большая толщина», а также
нечетких множеств для термов из G(Т)в соответствии с правилами трансляции
нечетких связок и модификаторов «и», «или», «не», «очень», «слегка» и других
операций над нечеткими множествами вида: А⋂В, A∪В,  ̅A,CONА = A2, DILА =
А0,5и т. п.
Замечание. Наряду с рассмотренными выше базовыми значениями
лингвистической переменной «Толщина» (Т = {«Малая толщина», «Средняя
толщина», «Большая толщина»}) возможны значения, зависящие от области
определения X. В данном случае значения лингвистической переменной
«Толщина изделия» могут быть определены как «около 20 мм», «около 50 мм»,
«около 70 мм», т.е. в виде нечетких чисел.
 Терм-множество и расширенное терм-множество в условиях примера
можно характеризовать функциями принадлежности, приведенными на рис. 1.5
и 1.6.

Рис. 1.5. Функции принадлежности нечетких множеств: «Малая

толщина» = А1, «Средняя толщина» = А2, «Большая толщина» = А3
 

Рис. 1.6. Функция принадлежности нечеткого множества «Малая или средняя

толщина» = A1∪ А2
 

4.1.Нечеткие числа. Операции над нечеткими числами

Нечеткие числа— нечеткие переменные, определенные на числовой оси,

т.е. нечеткое число определяется как нечеткое множество А на множестве
действительных чисел ℝс функцией принадлежности μА(х) ϵ [0, 1], где х —
действительное число, т.е. х ϵ ℝ.
Нечеткое число А нормально, если тах μА(x) = 1; выпуклое, если для
любых х ≤ у ≤ z выполняется
μА(х) ≥ μА(у) ˄ μA(z).
 Множество α-уровня нечеткого числа А определяется как
Аα= {x/μα(x) ≥ α}.
Подмножество SA⊂ ℝ называется носителем нечеткого числа А, если
SA= { x/μA(x)> 0 }.
Нечеткое число А унимодально, если условие μА(х) = 1 справедливо только
для одной точки действительной оси.
Выпуклое нечеткое число А называется нечетким нулем, если
μА(0) = sup (μA(x)).
Нечеткое число А положительно, если ∀x ϵ SA, х> 0 и отрицательно, если
∀х ϵ SA, х< 0. 
Расширенные бинарные арифметические операции (сложение, умножение
и пр.) для нечетких чисел определяются через соответствующие операции для
четких чисел с использованием принципа обобщения следующим образом.

Пусть А и В – нечеткие числа, и    – нечеткая операция, соот-

ветствующая произвольной алгебраической операции * над обычными

числами. Тогда (используя здесь и в дальнейшем обозначения   

вместо   вместо  ) можно записать

Отсюда
  

4.2.Нечеткие числа (L-R)-Tипа

Нечеткие числа (L-R)-типа — это разновидность нечетких чисел

специального вида, т.е. задаваемых по определенным правилам с целью
снижения объема вычислений при операциях над ними.
Функции принадлежности нечетких чисел (L-R)-типa задаются с
помощью невозрастающих на множестве неотрицательных действительных
чисел функций действительного переменного L(x) и R(x), удовлетворяющих
свойствам:
а)      L(-x) = L(x), R(-x) = R(x);
б)      L(0) = R(0).
Очевидно, что к классу (L-R)-функций относятся функции, графики
которых имеют вид, приведенный на рис. 1.7.
 Рис. 1.7. Возможный вид (L-R)-функций
Примерами аналитического задания (L-R)-функций могут быть

и т. д.
Пусть L(у)и R(у)— функции (L-R)-типа (конкретные). Унимодальное
нечеткое число А с модой а (т. е. μА(а) = 1) с помощью L(у)и R(у) задается
следующим образом:

где а — мода; α > 0, β > 0 — левый и правый коэффициенты нечеткости.

Таким образом, при заданных L(у)и R(у) нечеткое число (унимодальное)
задается тройкой А = (а, α, β).
Толерантное нечеткое число задается, соответственно, четверкой
параметров А = (a1, а2, α,β), где а1 иа2 — границы толерантности, т.е. в
промежутке [a1, а2] значение функции принадлежности равно 1.
 Примеры графиков функций принадлежности нечетких чисел (L-R)-типа
приведены на рис. 1.8.

Рис. 1.8. Примеры графиков функций принадлежности нечетких чисел (L-R)-типа

 
Отметим, что в конкретных ситуациях функции L(у), R(у),а также
параметры а, β нечетких чисел (а, α, β) и (a1, а2, α, β) должны подбираться
таким образом, чтобы результат операции (сложения, вычитания, деления и
т.д.) был точно или приблизительно равен нечеткому числу с теми же L(у)и
R(у),а параметры α' и β' результата не выходили за рамки ограничений на эти
параметры для исходных нечетких чисел, особенно если результат в
дальнейшем будет участвовать в операциях.
Замечание. Решение задач математического моделирования сложных
систем с применением аппарата нечетких множеств требует выполнения
большого объема операций над разного рода лингвистическими и другими
нечеткими переменными. Для удобства исполнения операций, а также для
ввода-вывода и хранения данных, желательно работать с функциями
принадлежности стандартного вида.
Нечеткие множества, которыми приходится оперировать в большинстве
задач, являются, как правило, унимодальными и нормальными. Одним из
возможных методов аппроксимации унимодальных нечетких множеств
является аппроксимация с помощью функций (L-R)-типа.
Примеры (L-R)-представлений некоторых лингвистических переменных
приведены в табл. 1.2.
 ЛЕКЦИЯ 5.

Нечеткие отношения

Нечеткие отношения
Операции над нечеткими отношениями, произведение двух отношений,
пересечение двух отношений, сумма двух отношений...
Пусть Е = Е1  × Е2 × ... × Еп — прямое произведение универсальных
множеств и М — некоторое множество принадлежностей (например, М = [0,
1]). Нечеткое n-ное отношение определяется как нечеткое
подмножество R на Е, принимающее свои значения в М. В случае n= 2 и М = [0,
1] нечетким отношением R между множествами X = Е1 и Y = Е2 будет
называться функция R:(X, Y) → [0, 1], которая ставит в соответствие каждой
паре элементов (x, у) ϵ X × Y величину μR(x, у) ϵ [0, 1].
Обозначение: нечеткое отношение на X × Y запишется в виде
х ϵ X, у ϵ Y: xRy.
 В случае, когда X = У, т.е. X и Y совпадают, нечеткое отно-
шение R:X× X → [0, 1] называется нечетким отношением на множестве X.
Примеры
1)          Пусть X = {х1,х2, х3}, Y= {y1, у2, у3, y4}, М = [0, 1]. Нечеткое
отношение R= XRY может быть задано, к примеру, табл. 1.3.
Таблица 1.3. Задание нечеткого отношения

2)          Пусть X = Y=(-∞, ∞), т.е. множество всех действительных чисел.

Отношение х >> у (х много больше у) можно задать функцией
принадлежности:

3)          Отношение R, для которого μR(х, у)= е-k·(x-y)·(x-y), при достаточно

больших k можно интерпретировать так: «х и у близкие друг к другу числа».
5.1.Операции над нечеткими отношениями
Объединение двух отношений R1 и R2. Объединение двух отношений
обозначается R1 ∪ R2 и определяется выражением

Пересечение двух отношений. Пересечение двух

отношений R1  и R2 обозначается R1  ⋂ R2 и определяется выражением
 Алгебраическое произведение двух отношений. Алгебраическое
произведение двух отношений R1 и R2 обозначается R1· R2 и определяется
выражением

Алгебраическая сумма двух отношений. Алгебраическая сумма двух

отношений R1 и R2 обозначается   и определяется выражением

Для введенных операций справедливы следующие свойства дис-

трибутивности:

Дополнение отношения. Дополнение отношения R обозначается ̅R и

определяется функцией принадлежности:

Дизъюнктивная сумма двух отношений. Дизъюнктивная сумма двух

отношений R1 и R2 обозначается R1⊕ R2 и определяется выражением
 Обычное отношение, ближайшее к нечеткому. Пусть R — нечеткое
отношение с функцией принадлежности μR(x, у).Обычное отношение,
ближайшее к нечеткому, обозначается R и определяется выражением

По договоренности принимают μR(x, у)= 0 при μR(x, у)=

0,5. Композиция (свертка) двух нечетких отношений. Пусть R1 — нечеткое
отношение R1:(X × У) → [0, 1] между X и Y, и R2 — нечеткое
отношение R2 — (Y× Z) → [0, 1] между Y и Z. Нечеткое отношение между X
и Z, обозначаемое R2 ᵒ R1, определенное через R2 и R1 выражением

называется (max-min)-композицией ((max-min)-сверткой) отно-

шений R1 и R2
Пример. Пусть

Тогда
 При этом

Замечание. В данном примере вначале использован «аналитический»

способ композиции отношений R1 и R2, т.е. i-ястрока R1 «умножается» на j-й
столбец R2 с использованием операции ˄, полученный результат «свертывается»
с использованием операции ˅ в μ(xi, zj).

Свойства(max-min)-композиции. Операция (max-min)-композиции
ассоциативна, т.е.
R3 ᵒ (R2 ᵒ R1)= (R3 ᵒ R2) ᵒ R1,
дистрибутивна относительно объединения, но недистрибутивна от-
носительно пересечения:
R3 ᵒ (R2 ∪ R1) = (R3 ᵒ R2) ∪ (R3 ᵒ R1),
R3 ᵒ (R2 ⋂ R1) ≠ (R3 ᵒ R2) ⋂ (R3 ᵒ R1).
Кроме того, для (max-min)-композиции выполняется следующее важное
свойство: если R1⊂ R2 ,то R ᵒ R1⊂ R ᵒ R2.
max-композиция.В выражении
 для (max-min)-композиции отношений R1 и R2 операцию ˄ можно
заменить любой другой, для которой выполняются те же ограничения, что и для
˄: ассоциативность и монотонность (в смысле неубывания) по каждому
аргументу. Тогда

В частности, операция ˄ может быть заменена алгебраическим

умножением, тогда говорят о (max-prod)-композиции.
 ЛЕКЦИЯ 6.

Нечеткие выводы

Понятие нечеткого вывода занимает важнейшее место в нечеткой

логике Алгоритм Mamdani, Алгоритм Tsukamoto, Алгоритм Sugeno, Алгоритм
Larsen, Упрощенный алгоритм нечеткого вывода, Методы приведения к
четкости.
Используемый в различные рода экспертных и управляющих системах
механизм нечетких выводов в своей основе имеет базу знаний, формируемую
специалистами предметной области в виде совокупности нечетких
предикатных правил вида:
П1: если хесть A1, тогда уесть B1,
П2: если хесть А2, тогда уесть В2,
·················································
Пn: если хесть Аn,тогда уесть Вn, где х— входная переменная (имя для
известных значений данных), у — переменная вывода (имя для значения
данных, которое будет вычислено); А и В — функции принадлежности,
определенные соответственно на xи у.
Пример подобного правила
Если х — низко, то у — высоко.
Приведем более детальное пояснение. Знание эксперта А → В отражает
нечеткое причинное отношение предпосылки и заключения, поэтому его можно
назвать нечетким отношением и обозначить через R:
R = А → В,
где «→» называют нечеткой импликацией.
Отношение Rможно рассматривать как нечеткое подмножество прямого
произведения Х×У полного множества предпосылок X и заключений Y.Таким
образом, процесс получения (нечеткого) результата вывода В' с использованием
данного наблюдения А' и знания А → В можно представить в виде формулы
 В' = А' ᵒ R= А' ᵒ (А → В),
где «о» — введенная выше операция свертки.
Как операцию композиции, так и операцию импликации в алгебре
нечетких множеств можно реализовывать по-разному (при этом, естественно,
будет разниться и итоговый получаемый результат), но в любом случае общий
логический вывод осуществляется за следующие четыре этапа.
1.          Нечеткость (введение нечеткости, фазификация, fuzzification).
Функции принадлежности, определенные на входных переменных
применяются к их фактическим значениям для определения степени
истинности каждой предпосылки каждого правила.
2.          Логический вывод. Вычисленное значение истинности для
предпосылок каждого правила применяется к заключениям каждого правила.
Это приводит к одному нечеткому подмножеству, которое будет назначено
каждой переменной вывода для каждого правила. В качестве правил
логического вывода обычно используются только операции min(МИНИМУМ)
или prod(УМНОЖЕНИЕ). В логическом выводе МИНИМУМА функция
принадлежности вывода «отсекается» по высоте, соответствующей вычислен-
ной степени истинности предпосылки правила (нечеткая логика «И»). В
логическом выводе УМНОЖЕНИЯ функция принадлежности вывода
масштабируется при помощи вычисленной степени истинности предпосылки
правила.
3.        Композиция. Все нечеткие подмножества, назначенные к каждой
переменной вывода (во всех правилах), объединяются вместе, чтобы
формировать одно нечеткое подмножество для каждой переменной вывода.
При подобном объединении обычно используются операции
max(МАКСИМУМ) или sum(СУММА). При композиции МАКСИМУМА
комбинированный вывод нечеткого подмножества конструируется как
поточечный максимум по всем нечетким подмножествам (нечеткая логика
«ИЛИ»). При композиции СУММЫ комбинированный вывод нечеткого
подмножества конструируется как поточечная сумма по всем нечетким
подмножествам, назначенным переменной вывода правилами логического
вывода.
4.          В заключение (дополнительно) — приведение к
четкости (дефазификация, defuzzification), которое используется, когда по-
лезно преобразовать нечеткий набор выводов в четкое число. Имеется большое
количество методов приведения к четкости, некоторые из которых рассмотрены
ниже.
Пример.Пусть некоторая система описывается следующими нечеткими
правилами:
П1: если хесть А, тогда ω есть D,
П2: если уесть В, тогда ω есть Е,
П3: если zесть С, тогда ω есть F, где х, у и z— имена входных
переменных, ω — имя переменной вывода, а А, В, С, D, Е, F— заданные
функции принадлежности (треугольной формы).
Процедура получения логического вывода иллюстрируется рис. 1.9.
Предполагается, что входные переменные приняли некоторые кон-
кретные (четкие) значения — хо, yо  и zо.
В соответствии с приведенными этапами, на этапе 1 для данных значений
и исходя из функций принадлежности А, В, С, находятся степени
истинности α(хо), α(уо)и α(zo)для предпосылок каждого из трех приведенных
правил (см. рис. 1.9).
На этапе 2 происходит «отсекание» функций принадлежности за-
ключений правил (т.е. D, Е, F) на уровнях α(хо), α(уо) и α(zo).
На этапе 3 рассматриваются усеченные на втором этапе функции при-
надлежности и производится их объединение с использованием операции max,
в результате чего получается комбинированное нечеткое подмножество,
описываемое функцией принадлежности μ∑(ω) и соответствующее логическому
выводу для выходной переменной ω.
Наконец, на 4-м этапе — при необходимости — находится четкое
значение выходной переменной, например, с применением центроидного
метода: четкое значение выходной переменной определяется как центр тяжести
для кривой μ∑(ω), т.е.

Рассмотрим следующие наиболее часто используемые модификации

алгоритма нечеткого вывода, полагая, для простоты, что базу знаний
организуют два нечетких правила вида:
П1: если х есть A1 и у есть B1, тогда zесть C1,
П2: если х есть А2 и у есть В2, тогда zесть С2, где x и у — имена входных
переменных, z — имя переменной вывода, A1, А2, B1, В2, C1, С2 — некоторые
заданные функции принадлежности, при этом четкое значение z0 необходимо
определить на основе приведенной информации и четких значений x0 и у0.
 Рис. 1.9. Иллюстрация к процедуре логического вывода
 

6.1.Алгоритм Mamdani

Данный алгоритм соответствует рассмотренному примеру и рис. 1.9. В

рассматриваемой ситуации он математически может быть описан следующим
образом.
1.          Нечеткость: находятся степени истинности для предпосылок
каждого правила: А1(x0), А2(x0), B1(y0), В2(y0).
 2.          Нечеткий вывод: находятся уровни «отсечения» для предпосылок
каждого из правил (с использованием операции МИНИМУМ)
α1= A1(x0) ˄ B1(y0)
α2 = A2(x0) ˄ B2(y0)
где через «˄» обозначена операция логического минимума (min), затем
находятся «усеченные» функции принадлежности

3.          Композиция: с использование операции МАКСИМУМ (max,

далее обозначаемой как «˅») производится объединение найденных усеченных
функций, что приводит к получению итогового нечеткого подмножества для
переменной выхода с функцией принадлежности

4.          Наконец, приведение к четкости (для нахождения z0) проводится,

например, центроидным методом.

 6.2.Алгоритм Tsukamoto

 Исходные посылки — как у предыдущего алгоритма, но в данном случае

предполагается, что функции C1(z), С2(z) являются монотонными.
1.          Первый этап — такой же, как в алгоритме Mamdani.
2.          На втором этапе сначала находятся (как в алгоритме Mamdani)
уровни «отсечения» α1 и α2, а затем — посредством решения уравнений
α1 = C1(z1), α2 = C2(z2)
— четкие значения (z1  и z2  )для каждого из исходных правил.
3.          Определяется четкое значение переменной вывода (как взве-
шенное среднее z1  и z2):

в общем случае (дискретный вариант центроидного метода)

 Пример. Пусть имеем A1(x0) = 0,7, A2(x0) = 0,6, B1(y0) = 0,3, В2(y0) = 0,8,
соответствующие уровни отсечения
a1 =min (A1(x0), B1(y0)) = min(0,7; 0,3) = 0,3,
a2 =min (А2(x0), В2(y0)) = min (0,6; 0,8) = 0,6
и значения z1  = 8 и z2 = 4, найденные в результате решения уравнений
C1(z1) = 0,3 , C2(z2) = 0,6.

Рис. 1.10. Иллюстрации к алгоритму Tsukamoto

 
При этом четкое значение переменной вывода (см. рис. 1.10)
z0 = (8·0,3 + 4·0,6) / (0,3 + 0,6) = 6.

6.3.Алгоритм Sugeno

Sugeno и Takagi использовали набор правил в следующей форме (как и

раньше, приводим пример двух правил):
 П1: если х есть A1 и у есть B1, тогда z1= а1х + b1у,
П2: если х есть A2 и у есть В2, тогда z2= a2x+ b2y.
Представление алгоритма
1.          Первый этап — как в алгоритме Mamdani.
2.          На втором этапе находятся α1= A1(x0) ˄ B1(y0), α2 = А2(x0) ˄ В2(у0) и
индивидуальные выходы правил:

З.      На третьем этапе определяется четкое значение переменной вывода:

Иллюстрирует алгоритм рис. 1.11.

Рис. 1.11. Иллюстрация к алгоритму Sugeno

 

6.4.Алгоритм Larsen

В алгоритме Larsen нечеткая импликация моделируется с использованием

оператора умножения.
 Описание алгоритма
1.          Первый этап — как в алгоритме Mamdani.
2.          На втором этапе, как в алгоритме Mamdani вначале находятся
значения
α1= A1(x0) ˄ B1(y0),
α2 = А2(x0) ˄ В2(y0),
а затем — частные нечеткие подмножества
α1C1(z), a2C2(z).
3.          Находится итоговое нечеткое подмножество с функцией при-
надлежности
μs(z)= С(z)= (a1C1(z)) ˅ (a2C2(z))
(в общем случае n правил ).
4.          При необходимости производится приведение к четкости (как в
ранее рассмотренных алгоритмах).
Алгоритм Larsen иллюстрируется рис. 1.12.

Рис. 1.12. Иллюстрация алгоритма Larsen

6.5.Упрощенный алгоритм нечеткого вывода

Исходные правила в данном случае задаются в виде:

 П1: если х есть A1 и у есть B1, тогда z1 = c1,
П2: если х есть А2 и у есть В2, тогда z2 = с2, где c1 и с2 — некоторые
обычные (четкие) числа.
Описание алгоритма
1.          Первый этап — как в алгоритме Mamdani.
2.          На втором этапе находятся числа α1 = A1(x0) ˄ B1(y0), α2= A2(x0) ˄
B2(y0).
3.          На третьем этапе находится четкое значение выходной пе-
ременной по формуле

или — в общем случае наличия n правил — по формуле

Иллюстрация алгоритма приведена на рис. 1.13.

Рис. 1.13. Иллюстрация упрощенного алгоритма нечеткого вывода

 6.6.Методы приведения к четкости

1.           Выше уже был рассмотрен один из данных методов — троидный.

Приведем соответствующие формулы еще раз.
Для непрерывного варианта:

для дискретного варианта:

2.          Первый максимум (First-of-Maxima). Четкая величина переменной

вывода находится как наименьшее значение, при котором достигается
максимум итогового нечеткого множества, т.е. (см. рис. 1.14а)

Рис. 1.14. Иллюстрация к методам приведения к четкости: α — первый максимум; б —

средний максимум

3.          Средний максимум (Middle-of-Maxima). Четкое значение

находится по формуле
 где G — подмножество элементов, максимизирующих С (см. рис. 1.14 б).
Дискретный вариант (если С — дискретно):

4.          Критерий максимума (Max-Criterion). Четкое значение выбирается

произвольно среди множества элементов, доставляющих максимум С, т. е.

5.          Высотная дефазификация (Heightdefuzzification). Элементы

области определения Ω для которых значения функции принадлежности
меньше, чем некоторый уровень α в расчет не принимаются, и четкое значение
рассчитывается по формуле

где Сα — нечеткое множество α-уровня (см. выше).

 Нисходящие нечеткие выводы

Рассмотренные до сих пор нечеткие выводы представляют собой

восходящие выводы от предпосылок к заключению. В последние годы в
диагностических нечетких системах начинают применяться нисходящие
выводы. Рассмотрим механизм подобного вывода на примере.
Возьмем упрощенную модель диагностики неисправности автомобиля с
именами переменных:
х1— неисправность аккумулятора;
x2— отработка машинного масла;
y1— затруднения при запуске;
y2— ухудшение цвета выхлопных газов;
y3— недостаток мощности.
 Между xiи yjсуществуют нечеткие причинные
отношения rij  = xi→ yj,которые можно представить в виде некоторой ма-
трицы R с элементами rij  ϵ [0, 1]. Конкретные входы (предпосылки) и выходы
(заключения) можно рассматривать как нечеткие множества А и На
пространствах X и Y.Отношения этих множеств можно обозначить как
В = А ᵒ R,
где, как и раньше, знак «о» обозначает правило композиции нечетких
выводов.
В данном случае направление выводов является обратным к направлению
выводов для правил, т.е. в случае диагностики имеется (задана)
матрица R (знания эксперта), наблюдаются выходы В (или симптомы) и
определяются входы А (или факторы).
Пусть знания эксперта-автомеханика имеют вид

а в результате осмотра автомобиля его состояние можно оценить как

В= 0,9/y1+ 0,1/у2 + 0,2/у3.
Требуется определить причину такого состояния:
А = a1/x1+ a2/x2.
Отношение введенных нечетких множеств можно представить в виде

либо, транспонируя, в виде нечетких векторов-столбцов:

При использовании (max-mix)-композиции последнее соотношение

преобразуется к виду
0,9 = (0,9 ˄ α1) ˅ (0,6 ˄ α2),
 0,1 = (0,1 ˄ α1) ˅ (0,5 ˄ α2),
0,2 = (0,2 ˄ α1) ˅ (0,5 ˄ α2).
При решении данной системы заметим прежде всего, что в первом
уравнении второй член правой части не влияет на правую часть, поэтому
0,9 = 0,9 ˄ α1, α1 ≥ 0,9.
Из второго уравнения получим:
0,1 ≥ 0,5 ˄ α2, α2 ≤ 0,1.
Полученное решение удовлетворяет третьему уравнению, таким образом
имеем:
0,9 ≤ α1≤ 1,0,     0 ≤ α2 ≤ 0,1,
т.е. лучше заменить аккумулятор (α1 — параметр неисправности
аккумулятора, α2 — параметр отработки машинного масла).
На практике в задачах, подобных рассмотренной, количество переменных
может быть существенным, могут одновременно использоваться различные
композиции нечетких выводов, сама схема выводов может быть
многокаскадной. Общих методов решения подобных задач в настоящее время,
по-видимому, не существует.
 ЛЕКЦИЯ 7

Принятие решений на основе нечётких выводов

Возможность использования нечеткой логики, использование нечеткой

логики, логический контроллер Маmdani, недостатки систем с нечеткой
логикой
Возможность использования аппарата нечеткой логики базируется на
следующих результатах.
1.          В 1992 г. Wangпоказал, что нечеткая система, использующая
набор правил
П1: если xi  есть Аiи уi  есть Вi, тогда zi  есть Сi, i=1,2, ..., n, при:
1)          гауссовских функциях принадлежности

2)          композиции в виде произведения

(Аi(x) and Вi(у)) = Аi(x) Вi(у);
3)          импликации в форме (Larsen)
(Аi(x) and Вi(у)) Ci(z)= Аi(x) Вi(у) Ci(z);
4)          центроидном методе приведения к четкости

где αi  – центры Ci; является универсальным аппроксиматором, т.е. может

аппроксимировать любую непрерывную функцию на компакте U с
произвольной точностью (естественно, при n → ∞).
 Иначе говоря, Wangдоказал теорему: для каждой вещественной
непрерывной функции д, заданной на компакте U, и для произвольного ε >
0 существует нечеткая экспертная система, формирующая выходную
функцию f(x) такую, что

где || • || — символ принятого расстояния между функциями.

 
2.  В 1995 г. Castro показал, что логический контроллер Маmdani при:
1) симметричных треугольных функциях принадлежности:

2) композиции с использованием операции min:

(Аi(x) and Вi(у)) = min( Аi(x) Вi(у) );
3) импликации в форме Mamdani и центроидного метода приведения к
четкости:

где ci  — центры Сi; также является универсальным аппроксиматором.

Вообще говоря, системы с нечеткой логикой целесообразно применять
для сложных процессов, когда нет простой математической модели; если
экспертные знания об объекте или о процессе можно сформулировать только в
лингвистической форме.
Данные системы применять нецелесообразно, когда требуемый результат
может быть получен каким-либо другим (стандартным) путем, или когда для
объекта или процесса уже найдена адекватная и легко исследуемая
математическая модель.
Отметим, что основные недостатки систем с нечеткой логикой связаны с
тем, что:
•             исходный набор постулируемых нечетких правил формулируется
экспертом-человеком и может оказаться неполным или противоречивым;
•             вид и параметры функций принадлежности, описывающих
входные и выходные переменные системы, выбираются субъективно и могут
оказаться не вполне отражающими реальную действительность.

7.1.Нечеткий регулятор

Задача управления, нечеткий регулятор, пример регулятора с нечеткой

логикой
Приведем еще один пример использования аппарата нечеткой логики,
на этот раз — в задаче управления. Рассмотрим замкнутую систему
регулирования, представленную на рис. 1.15, где через О обозначен объект
управления, через Р — регулятор, а через
и, у,е, х — соответственно, входной сигнал системы, ее выходной сигнал,
сигнал ошибки (рассогласования), поступающий на вход регулятора, и
выходной сигнал регулятора.
В рассматриваемой системы регулятор вырабатывает управляющий
сигнал х в соответствии с выбранным алгоритмом регулирования, например,
пропорционально сигналу ошибки, либо ее
 Рис. 1.15. Структура замкнутой системы управления
интегралу и т. п. Покажем, что в данном случае для выработки такого
сигнала применимы рассмотренные выше методы аппарата нечеткой логики.
Предположим, что функции регулятора выполняет микроконтроллер, при
этом аналоговый сигнал е ограничен диапазоном [-1, 1] и преобразуется в
цифровую форму аналого-цифровым преобразователем (АЦП) с дискретностью
0,25, а выходной сигнал регулятора х формируется с помощью
цифроаналогового преобразователя и имеет всего 5 уровней: -1, -0,5, 0, 0,5, 1.
Принимая во внимание данные уровни, введем лингвистические
переменные:
A1: большой положительный,
А2: малый положительный,
A3: нулевой,
А4: малый отрицательный,
А5: большой отрицательный,
и на дискретном множестве возможных значений сигнала рассо-
гласования е определим функции принадлежности так, как это приведено в
табл. 1.4.
Предположим, далее, что функционирование регулятора определяется
следующими правилами (надо сказать, типичными для задача управления):
П1: если е = A3и        Δе = А3, то         х = 0,
П2: если е = А2 и        Δе = А2, то         х = –0,5,
П3: если е = А4 и        Δе = А4, то         х = 1,
П4: если е = А1 и        Δе = A1, то         х = –1,
 где Δе — первая разность сигнала ошибки в текущий дискретный момент
времени.

Таблица 1.4.  Значения функций принадлежности

Заметим, что набор правил может быть, вообще говоря, и каким-то

другим. Если, например, используется упрощенный алгоритм нечеткого
вывода, то при значениях, скажем, е = 0,25 и Δе = 0,5 имеем:

и выход регулятора

Аналогичным образом значения выходного сигнала регулятора

рассчитываются при других значениях е и Δе.
Отметим, что при проектировании подобных («нечетких») регуляторов
основным (и не формализуемым) этапом является задание набора нечетких
правил. Другие аспекты: выбор формы функций принадлежности, алгоритма
приведения к четкости и т. п. представляются задачами более простыми.
 СПИСОК ЛИТЕРАТУРЫ

а) основная литература:
1. Основы теории систем и системного анализа: Учеб. пособие для
вузов / В. В. Качала. — М.: Горячая линия-Телеком, 2017. — 216 с.: ил. —
Библиогр.: в конце гл. На абонементе 28 экз., в читальном зале 2 экз.
2. Моделирование систем и процессов. (Практикум). П/р
В.Н.Волкова.Электронный ресурс biblio-online.ru. M «Юрайт» 2018. —
Библиогр. ,с. 294
б) дополнительная литература:
1. Теория систем и системный анализ: учебник для вузов / В. В.
Качала. — М.: Академия, 2013. — 272 с.: ил. — (Бакалавриат). — Библиогр.: с.
256-260 (78 назв.). На абонементе 3 экз., в читальном зале 2 экз.
2. Теория систем и системный анализ в управлении организациями:
Справочник: Учеб. пособие для вузов / В. А. Баринов [и др.]; под ред. В. Н.
Волковой, А. А. Емельянова. — М.: Финансы и статистика, 2009. — 846 с.: ил.
На абонементе 3 экз., в читальном зале 2 экз.
3. Теория систем и системный анализ: Учебник для вузов / В. Н.
Волкова, А. А. Денисов. — М.: Юрайт, 2010. — 679 с.: ил. — (Университеты
России). — Библиогр.: с. 673-679. На абонементе 4 экз., в читальном зале 2 экз.
 1 Примеры решения задач с использованием нечеткой логики
на базе программного комплекса SimInTech

Лабораторные работы.
Практические занятия (задачи 1-5).
Нечёткая логика  — раздел математики, являющийся обобщением
классической логики и теории множеств, базирующийся на понятии нечёткого
множества, впервые введённого Лютфи Заде в 1965 году как объекта
с функцией принадлежности элемента к множеству, принимающей любые
значения в интервале [0,1], а не только 0 или 1. На основе этого понятия
вводятся различные логические операции над нечёткими множествами и
формулируется понятие лингвистической переменной, в качестве значений
которой выступают нечёткие множества.
Базовая конфигурация системы нечеткой логики с фаззификатором и
дефаззификатором представлена на Рисунке 1.

Рис.1

Фаззификатор отображает «четкую» точку (или значение

переменной ) из Х в нечеткие множества из Х. Дефаззификатор
отображает нечеткие множества из Y в четкое значение выхода. Базис
нечетких правил и механизм нечеткого вывода остаются такими же, как в
простых системах нечеткой логики.
 Системы нечеткой логики с фаззификатором и дефаззификатором имеют
несколько привлекательных черт:

1. они пригодны для использования в технических системах, так как их

входные и выходные переменные принимают реальные значения;
2. они предоставляют возможность естественного перехода от заключений
эксперта к нечетким IF-THEN-правилам;
3. они предоставляют большую свободу в выборе фаззификатора,
механизма нечеткого вывода и дефаззификатора, т.е. можно подобрать
систему нечеткой логики, наиболее подходящую для решения
конкретной задачи;
4. могут быть разработаны различные алгоритмы настройки таких систем
нечеткой логики, что позволяет эффективно объединять численную и
лингвистическую информацию.

Базис нечетких правил. Базис нечетких правил состоит из набора

нечетких IF-THEN-правил вида (1). Без потери общности можно рассматривать
многовходовую систему нечеткой логики с одним выходом (МISO-систему),
т.к. система со многими выходами (MIMO - система) может быть представлена
как композиция группы систем, имеющих один выход. Базис нечетких правил
является основной частью системы нечеткой логики в том смысле, что
остальные ее компоненты используются для интерпретации этих правил и их
применения при решении конкретных задач. Практика показывает, что
нечеткие IF-THEN-правила в форме (1) предоставляют удобный механизм
человеку-эксперту для выражения своих знаний.

База правил
1.1 Символическо 1.2 Англоязычна 1.3 Русскоязычная
е обозначение я нотация нотация

1.4 NB 1.5 Negative Big 1.6 Отрицательно

больше

1.7 NM 1.8 Negative 1.9 Отрицательно

Middle среднее

1.10 NS 1.11 Negative 1.12 Отрицательно

Small мало

1.13 ZN 1.14 Zero 1.15 Отрицательно

Negative близкое к нулю

1.16 Z 1.17 Zero 1.18 Нуль

1.19 ZP 1.20 Zero 1.21 Положительно
Positive е близкое к нулю

1.22 PS 1.23 Positive 1.24 Положительно

Small е малое

1.25 PM 1.26 Positive 1.27 Положительно

Middle е среднее

1.28 PB 1.29 Positive Big 1.30 Положительно

е большое
 Рис.2

Преимущества нечетких систем

Коротко перечислим преимущества fuzzy-систем по сравнению с

другими:

1. возможность оперировать нечеткими входными данными: например,

непрерывно изменяющиеся во времени значения (динамические задачи),
значения, которые невозможно задать однозначно (результаты
статистических опросов, рекламные компании и т.д.);
2. возможность нечеткой формализации критериев оценки и сравнения:
оперирование критериями "большинство", "возможно",
преимущественно" и т.д.;
3. возможность проведения качественных оценок как входных данных, так
и выходных результатов: вы оперируете не только значениями данных,
но и их степенью достоверности и ее распределением;
4. возможность проведения быстрого моделирования сложных
динамических систем и их сравнительный анализ с заданной степенью
точности: оперируя принципами поведения системы, описанными fuzzy-
 методами, вы во-первых, не тратите много времени на выяснение точных
значений переменных и составление описывающих уравнений, во-
вторых, можете оценить разные варианты выходных значений.

Практические занятия (задачи 1-5).

Задача 1.
Нечеткая модель управления смесителем воды при принятии душа.
Постановка задачи:

При принятии душа на вход смесителя подается холодная и горячая вода по

соответствующим магистральным трубопроводам. Наиболее комфортные
условия для душа создаются при наличии на выходе смесителя теплой воды
постоянной температуры. Поскольку во время принятия душа может
наблюдаться неравномерный расход воды, температура воды на выходе из
смесителя будет колебаться, приводя к необходимости ручного изменения
подачи холодной или горячей воды. Задача состоит в том, чтобы сделать
регулировку температуры воды автоматической, обеспечивая постоянную
температуру воды на выходе смесителя. Рис 3.
 Рис 3.
Опыт принятия душа позволяет сформировать несколько эвристических
правил:
1.Если вода горячая, то следует повернуть вентиль крана горячей воды на
большой угол вправо.
2. Если вода не очень горячая, то следует повернуть вентиль крана
горячей воды на небольшой угол вправо.
3. Если вода теплая, то следует ставить вентиль крана горячей воды без
воздействия.
4. Если вода прохладная, то следует повернуть вентиль крана горячей
воды на небольшой угол влево.
5. Если вода холодная, то следует повернуть вентиль крана горячей воды
на большой угол влево.

Построение базы нечетких лингвистических переменных.

Таблица 1

1.31 1.32 Вода 1.33 1.34 Повернуть

горячая вправо на большой
N=PM угол(NM)

1.35 1.36 Вода 1.37 1.38 Повернуть

не очень горячая вправо на небольшой
N=PS угол(NS)

1.39 Если 1.40 Вода 1.41 ТО 1.42 Оставить(Z

теплая )
N=Z

1.43 1.44 Вода 1.45 1.46 Повернуть

прохладная влево на небольшой
N=NS угол(PS)

1.47 1.48 Вода 1.49 1.50 Повернуть

холодная влево на большой
N=NM угол(PM)

Построение программы средствами SimInTech.

Рис 4.

Задаем входные параметры 55 градусов.

 Программа в работе.

Рис.5
Треугльный Фаззификатор

Рис.6
Параметры.

Рис.7
Выход из дефаззификатора.
 Рис.8.
На выходе дефаззификатора мы видим, что у нас получилось
значение 17 градусов.

Задача 2.
Нечеткая модель управления кондиционером воздуха в
помещении.
 Постановка задачи.
В помещении установлен бытовой кондиционер, который позволяет охлаждать
и нагревать воздух в помещении. Наиболее комфортные условия в помещении
создаются при некоторой стабильной температуре воздуха.

Рис.9

Процесс управления кондиционером можно сформировать

несколько эвристических правил:
1. Если температура воздуха в помещении очень теплая, а скорость
изменения температуры положительная, то следует включить режим
“холод”, повернуть регулятор кондиционера на очень большой угол
влево.
2. Если температура воздуха в помещении очень теплая, а скорость
изменения температуры отрицательная, то следует включить режим
 “холод”, повернуть регулятор кондиционера на очень небольшой угол
влево.
3. Если температура воздуха в помещении теплая, а скорость изменения
температуры положительная, то следует включить режим “холод”,
повернуть регулятор кондиционера на очень большой угол влево.
4. Если температура воздуха в помещении очень теплая, а скорость
изменения температуры отрицательная, то следует выключить .
5. Если температура воздуха в помещении холодная, а скорость изменения
температуры отрицательная, то следует включить режим “тепло”,
повернуть регулятор кондиционера на очень большой угол вправо.
6. Если температура воздуха в помещении очень холодная, а скорость
изменения температуры положительная, то следует включить режим
“тепло”, повернуть регулятор кондиционера на небольшой угол вправо.
7. Если температура воздуха в помещении холодная, а скорость изменения
температуры отрицательная, то следует включить режим “тепло”,
повернуть регулятор кондиционера на большой угол вправо.
8. Если температура воздуха в помещении холодная, а скорость изменения
температуры положительная, то следует выключить.
9. Если температура воздуха в помещении очень теплая, а скорость
изменения температуры равна нулю, то следует включить режим “холод”,
повернуть регулятор кондиционера на очень большой угол влево.
10.Если температура воздуха в помещении теплая, а скорость изменения
температуры равна нулю, то следует включить режим “холод”, повернуть
регулятор кондиционера на небольшой угол влево.
11.Если температура воздуха в помещении очень холодная, а скорость
изменения температуры равна нулю, то следует включить режим “тепло”,
повернуть регулятор кондиционера на большой угол вправо.
12.Если температура воздуха в помещении очень холодная, а скорость
изменения температуры равна нулю, то следует включить режим “тепло”,
повернуть регулятор кондиционера на небольшой угол вправо.
13.Если температура воздуха в помещении в пределах нормы, а скорость
изменения температуры положительная, то следует включить режим
“холод”, повернуть регулятор кондиционера на небольшой угол влево.
14.Если температура воздуха в помещении в пределах нормы, а скорость
изменения температуры отрицательная, то следует включить режим
“тепло”, повернуть регулятор кондиционера на небольшой угол вправо.
15.Если температура воздуха в помещении в пределах нормы, а скорость
изменения температуры равна нулю, то следует выключить.

Таблица 2.
1.51 1.52 Y1=P 1.53 1.54 F=NB
B и Y2=PS

1.55 1.56 Y1=P 1.57 1.58 F=NS

B и Y2=NS

1.59 1.60 Y1=PS 1.61 1.62 F=NM

и Y2=PS

1.63 1.64 Y1=PS 1.65 1.66 F=Z

и Y2=NS

1.67 1.68 Y1=N 1.69 1.70 N=PB

B и Y2=PS

1.71 1.72 Y1=N 1.73 1.74 N=PS

B и Y2=PS

1.75 Если 1.76 Y1=N 1.77 То 1.78 F=PM

S и Y2=NS

1.79 1.80 Y1=N 1.81 1.82 F=Z

S и Y2=PS

1.83 1.84 Y1=P 1.85 1.86 F=NM

B и Y=Z

1.87 1.88 Y=PS 1.89 1.90 F=NS

и Y=Z

1.91 1.92 Y=NB 1.93 1.94 F=PM

и Y2=Z

1.95 1.96 Y=NS 1.97 1.98 F=PS

и Y2=Z

1.99 1.100 Y=Z 1.101 1.102 F=N

и Y2=PS S
1.103 1.104 Y1= 1.105 1.106 F=P
Z и Y2=NS S

1.107 1.108 Y1= 1.109 1.110 F=Z

Z и Y2=Z
Построение программы средствами SimInTech.

Рис. 10

Работающая программа

Рис. 11
Фаззификатор “температура”
 Рис.12

Фаззификатор “Скорости изменения температуры”

Рис.13
График Дефаззификатора

Рис.14
 Задача 3.
Нечеткая модель управления контейнерным краном.
Постановка задачи.
Контейнерные краны используются при выполнении погрузочно-
разгрузочных работ в портах. Они соединяются с моноблочным контейнером
гибким тросом и поднимают контейнер к кабине крана. Кабина крана вместе с
контейнером может перемещаться в горизонтальном направлении по
направляющим типа рельсов. Когда контейнер поднимается к кабине, а кран
приходит в движение, контейнер раскачиваться и отклоняться от строго
вертикального положения под кабиной крана. Эта ситуакция иллюстрируется
на рис нижу.

Рис 15.

Проблема заключается в том, что пока контейнер раскачивается в ходе своей

транспортировки и отклоняется от вертикали, он не может быть опущен на
основание цели перемещения, в качестве которой используются
железнодорожные платформы и другие транспортные средства. Были
подобранны эвристические правила.
 Эвристические правила:
1. Начинать движение следует со средней мощностью.
2. Если движение уже началось и кабина находятся далеко от цели,
отрегулировать мощность двигателя таким образом, чтобы контейнер оказался
несколько впереди кабины крана.
3. Если кабина находится близко над целью, уменьшить скорость таким
образом, чтобы контейнер находился несколько впереди кабины крана.
4. Когда контейнер находится очень близко от позиции цели, следует
выключить мощность двигателя.
5. Когда контейнер находится прямо над позицией цели, следует остановить
двигатель.
Формирование Базы правил.
Таблица 3.
 1.111 1.112 Расстоян 1.114 1.115 Мощнос
ие далекое и Угол ть положительная
равен нулю средняя
1.113 R=PB 1.116 F=PM
and Y=Z

1.117 1.118 Расстоян 1.120 1.121 Мощнос

ие далекое и Угол ть положительная
отрицательно малый большая
1.119 R=PB 1.122 F=PB
and Y=NS

1.123 Ес 1.124 Расстоян 1.126 Т 1.127 Мощнос

ли ие далекое и Угол о ть положительная
отрицательно средняя
большой 1.128 F=PM
1.125 R=PB
and Y=NB

1.129 1.130 Расстоян 1.133 1.134 Мощнос

ие среднее и Угол ть отрицательно
отрицательно малый средняя
1.131 R= PM 1.135 F=NM
and Y=NS
1.132

1.136 1.137 Расстоян 1.139 1.140 Мощнос

ие близкое и Угол ть положительно
положительно малый средняя
1.138 R=PS 1.141 F=PM
and Y=PS

1.142 1.143 Расстоян 1.145 1.146 Мощнос

ие ноль и Угол равен ть равна нулю
нулю 1.147 F=Z
1.144 R=Z and
Y=Z

Построение программы средствами SimInTech.(рис. 16)

Программа в работе (рис. 17)
Фаззификатор “Расстояния”:

Рис.18
Параметры

Рис. 19
Фаззификатор “Угла”:

Рис.20
Параметры

Рис.21
Деффазификатор
 Рис.22
Параметры

Рис.23
 Задача 4
Моделирования структуры блока нечёткого регулятора системы
управления антропоморфным схватом.
Для захвата предмета был собран в программе SimInTech нечеткий
регулятор для управления схватом.
Построение базы правил.
Таблица 4.
 1.149 φ = NL и ω
= NM 1.154 F =
1.150 Δx = NM NL
1.151 φ =NL
1.156 φ = NM и
ω = NS
1.157 φ = NS и ω 1.160 F =
= NM NM
1.158 φ = Z и ω 1.152
1.148 Есл
= NM 1.153 т
и
1.162 ω = NS и φ о
1.165 F =
= NS
NS
1.163 Δx = NS
1.167 φ = PM и
ω = NM
1.168 φ = Z и ω 1.171 F =
=Z Z
1.169 φ = NM и
ω = PM

1.172 1.173 1.174 1.175

1.177 φ = PS и ω 1.179 1.180 F =
= PS PS
1.178 Δx = PS
 1.182 φ = PM и
ω = PS
1.183 φ = PS и ω 1.186 F =
= PM PM
1.184 φ = Z и ω
= PM

1.188 φ = PM и
ω = PM 1.192 F =
1.189 Δx = PM PL
1.190 φ =PL
Базу разработанных правил можно представить в виде следующих семи
текстовых выражений:
1. Если (угловая ошибка имеет значение отрицательно среднее И
скорость вращения имеет значение отрицательно среднее) ИЛИ ошибка по
положению имеет значение отрицательно среднее ИЛИ угловая ошибка имеет
значение отрицательно большое ТО сила имеет значение отрицательно
большое.
2. Если (угловая ошибка имеет значение отрицательно среднее И
скорость вращения имеет значение отрицательно малое) ИЛИ (угловая
ошибка имеет значение отрицательно малое И скорость вращения имеет
значение отрицательно среднее) ИЛИ (угловая ошибка имеет значение
нормальное И скорость вращения имеет значение отрицательно среднее) ТО
сила имеет значение отрицательно среднее.
3. Если ошибка по положению имеет значение отрицательно малое ИЛИ
(угловая ошибка имеет значение отрицательно малое И скорость вращения
имеет значение отрицательно малое) ТО сила имеет значение отрицательно
малое.
4. Если (угловая ошибка имеет значение положительно среднее И
скорость вращения имеет значение отрицательно среднее) ИЛИ (угловая
ошибка имеет значение нормальное И скорость вращения имеет значение
нормальное) ИЛИ (угловая ошибка имеет значение отрицательно среднее И
скорость вращения имеет значение положительно среднее) ТО сила имеет
значение нормальное.
5. Если ошибка по положению имеет значение положительно малое ИЛИ
(угловая ошибка имеет значение положительно малое И скорость вращения
имеет значение положительно малое) ТО сила имеет значение положительно
малое.
6. Если (угловая ошибка имеет значение положительно среднее И
скорость вращения имеет значение положительно малое) ИЛИ (угловая
ошибка имеет значение положительно малое И скорость вращения имеет
значение положительно среднее) ИЛИ (угловая ошибка имеет значение
нормальное И скорость вращения имеет значение положительно среднее) ТО
сила имеет значение положительно среднее.
7. Если (угловая ошибка имеет значение положительно среднее И скорость
вращения имеет значение положительно среднее) ИЛИ ошибка по положению
имеет значение положительно среднее ИЛИ угловая ошибка имеет значение
положительно большое ТО сила имеет значение положительно большое.

Построение схемы в SimInTech

 Рис.25
Блок фаззификации.

Рис.26
Параметры фаззификации.
 Рис.27
Блок дефаззификации.

Рис.28
Параметры.
Рис.29
 Задача 5.
Дырявый бак, управляемый нечеткой логикой.
Подачу воды в бак можно регулировать, больше или меньше открывая
кран. Расход воды является неконтролируемым и зависит от диаметра
выходной трубы (он фиксирован) и от текущего уровня воды в баке. Если
понимать под выходной (регулируемой) переменной уровень воды, а под
регулирующим элементом – кран, то можно отметить, что подобный объект
регулирования с точки зрения его математического описания является
динамическим и существенно нелинейным.
Формирование базы правил.
1.ЕСЛИ уровень = высокий TO команда клапана = закрывать быстро;
2. ЕСЛИ уровень = нормальный TO команда клапана = не изменять;
3. ЕСЛИ уровень = низкий ТО команда клапана = открывать быстро;
4. ЕСЛИ уровень = нормальный И изменение уровня = уменьшается ТО
команда клапана = открывать медленно;
5. ЕСЛИ уровень = нормальный И изменение уровня = увеличивается ТО
команда клапана = закрывать медленно;
Таблица 5.
 1.193 1.194 Y=P 1.195 1.196 F=P
B B
1.197

1.198 1.199 Y=P 1.201 1.202 F=Z

M
1.200

1.203 Если 1.204 Y=PS 1.206 То 1.207 F=N

1.205 B

1.208 1.209 Y=P 1.211 1.212 F=P

M and B=NS S
1.210

1.213 1.214 Y=P 1.216 1.217 F=N

M and B=PS S
1.215

Сборка схемы нечеткого регулятора в программе SimInTech

Рис.30
Т.к для этой задачки нужно полная схема работающего
дырявого бака с водой собираем полную схему.
 Рис.31
Клапан состоит из

Рис.32
Бак состоит из

Рис.33
Т.к у нас нет блока под утечку, мы создаем его сами, применяя
формулу.
{Расчет утечки из бака пропорционально давлению}
input h;
g = 9.8;
rate = sqrt(2*g*h)*outarea;
output rate;
Теперь бак готов.
 Теперь можно запускать программу,и смотреть на графики.
График 1.

Рис.34
График 2.

Рис.35
Они показывают как только из бака выливается вода, он
заполняется снова, и так по циклу.
Конец работы.
 Литература.
http://arch.simintech.ru/download/doc/labwork8.pdf
Выход расход воды.
Условия для полива огурцов..
Поливать после 18.
Поливать теплой водой.
Не поливать если прошел сильный дождь. (уровень влажности)
Поливать если был мелкий дождь и прошло больше или равно 1
час. (по уровню влажности почвы, не по времени)
Если была жарища то поливать в 2 раза больше. (уровень
влажности)
Если была пасмурная погода, то поливать стандартом. (уровень
влажности)
Если почва мокрая, то поливать не нужно. (уже было с дождем)
Нормальные условия : Влажность почвы 30%,Температура
окружающей среды 20-25 градусов, Температура воды 25-30
градусов, время полива 18 часов.0.5 литра в минуту.
Условия выхода-расход воды.
Насос
Расход в минуту

задача капельного полива

Информационная измерительную система.