منطق فازی چیست و چه کاربرد هایی دارد؟

منطق فازی و کاربرد های آن

در زندگی روزمره ، ممکن است با شرایطی روبرو شویم که قادر به تشخیص درست یا غلط بودن حالت نباشیم. فازی به چیزی نامشخص یا مبهم اشاره دارد. منطق فازی در هوش مصنوعی انعطاف پذیری ارزشمندی برای استدلال فراهم می کند. و در این مقاله ، به ترتیب زیر با این منطق و نحوه پیاده سازی آن در هوش مصنوعی آشنا خواهیم شد:

منطق فازی چیست؟

منطق فازی ( Fuzzy Logic ) روشی برای استدلال است که مشابه استدلال و نحوه تصمیم گیری انسان می باشد. و شامل تمام احتمالات بینابینی میان بله و خیر است.

منطق بولی و منطق فازی
منطق بولی و منطق فازی

بلوک منطقی متداول که کامپیوتر درک می کند ورودی دقیقی را می گیرد و خروجی مشخصی را به صورت TRUE یا FALSE تولید می کند که برابر با بله یا نه یک انسان است. منطق فازی توسط دکتر لطفعلی عسکرزاده که بیشتر به نام دکتر لطفی زاده شناخته می شود، اختراع شد که مشاهده کرد برخلاف رایانه ها ، انسان ها دارای طیف وسیعی از احتمالات بین YES و NO هستند ، مانند:

طیف های منطق فازی
طیف های منطق فازی

منطق فازی برای دستیابی به یک خروجی مشخص روی سطوح احتمالات مختلف ورودی کار می کند. بیایید در مورد نحوه اجرا این منطق صحبت کنیم :

  • می تواند در سیستم هایی با اندازه ها و قابلیت های مختلف مانند میکروکنترلر ها ، شبکه های بزرگ یا سیستم های مبتنی بر ایستگاه کاری پیاده سازی شود.
  • همچنین ، می تواند در سخت افزار ، نرم افزار یا ترکیبی از هر دو اجرا شود.

چرا ما از منطق فازی استفاده می کنیم؟

به طور کلی ، ما از سیستم منطق فازی برای اهداف تجاری و کاربردی مانند موارد زیر استفاده می کنیم:

  • این منطق می تواند ماشین ها و محصولات مصرفی را کنترل کند
  • اگر استدلال دقیق نباشد ، حداقل استدلال قابل قبولی را ارائه می دهد
  • این منطق در مقابله با عدم اطمینان در مهندسی کمک می کند

اکنون که از منطق فازی در هوش مصنوعی مطلع شدید و اینکه چرا ما واقعاً از آن استفاده می کنیم ، بیایید معماری این منطق را درک کنیم.

معماری منطق فازی

معماری منطق فازی از چهار قسمت اصلی تشکیل شده است :

سیستم منطق فازی
سیستم منطق فازی

قوانین ( Rules ) – شامل کلیه قوانین و شرایطی است که توسط کارشناسان برای کنترل سیستم تصمیم گیری ارائه می شود. به روزرسانی های اخیر در تئوری فازی ، روش های مختلف و متفاوتی را برای طراحی و تنظیم کنترل کننده های فازی فراهم می کند که معمولاً این تحولات تعداد قوانین فازی را کاهش می دهد.

فازی سازی ( Fuzzification ) – این مرحله ورودی ها یا اعداد قطعی ( Crisp ) را به مجموعه های فازی تبدیل می کند. می توانید ورودی های قطعی را توسط سنسور ها اندازه گیری کرده و برای پردازش بیشتر به سیستم کنترلی منتقل کنید. سیستم سیگنال ورودی را به پنج سطح تقسیم می کند. بدین صورت:

قوانین فازی کننده
قوانین فازی کننده

موتور استنتاج ( Inference Engine ) – میزان مطابقت ورودی فازی و قوانین را تعیین می کند. با توجه به بخش ورودی ، در مورد قوانینی که باید فعال شوند تصمیم گیری می شود. با ترکیب قوانین فعال شده ، اقدامات کنترلی را شکل می دهد.

برگرداندن از حالت فازی ( Defuzzification ) – فرآیند Defuzzification مجموعه های فازی را به یک مقدار قطعی تبدیل می کند. برای انجام این کار انواع مختلفی از تکنیک ها وجود دارد و شما باید بهترین و مناسب ترین آن ها را برای پیاده سازی یک سیستم خبره انتخاب کنید.

خب ، تا اینجا با معماری منطق فازی آشنا شدیم. حال ، بیایید تابع عضویت را بشناسیم.

تابع عضویت

تابع عضویت گرافی است که تعریف می کند چگونه هر نقطه از فضای ورودی به مقدار عضویت بین ۰ تا ۱ نگاشت می شود. به شما امکان می دهد اصطلاحات زبانی را کمی کنید و یک مجموعه فازی را به صورت گرافیکی نشان دهید. یک تابع عضویت برای یک مجموعه فازی A در جهان سخن ( Universe of Discourse ) X به عنوان  μA:X → [۰,۱] تعریف می شود

تابع عضویت درجه عضویت عنصر در X از مجموعه فازی A را به صورت کمی ارائه می کند.

  • محور x نشان دهنده جهان سخن است.
  • محور y نشان دهنده درجات عضویت در فاصله [۰ ، ۱] است.

ممکن است چند تابع عضویت وجود داشته باشد که یک مقدار عددی را مشخص کنند. به دلیل این که توابع پیچیده دقت خروجی را افزایش نمی دهند، از توابع عضویت ساده استفاده می شود. توابع عضویت در LP ، MP ، S ، MN و LN عبارتند از:

نمودار توابع عضویت
نمودار توابع عضویت

تابع عضویت مثلثی شکل در میان اشکال دیگر تابع عضویت دیگر رایج تر هستند. در این مثال ، ورودی ۵ سطح از -۱۰ ولت تا +۱۰ ولت متغیر است. از این رو خروجی مربوطه نیز تغییر می کند.

مقایسه منطق فازی و احتمال

منطق فازیاحتمال
در منطق فازی ، ما اساساً سعی می کنیم مفهوم اساسی مبهم بودن را به دست آوریم.احتمال با وقایع همراه است و نه واقعیت ها ، و آن وقایع یا رخ می دهند یا رخ نمی دهند (۰ یا ۱)
منطق فازی معنای حقیقت جزئی را به دست می آوردنظریه احتمال ، دانش جزئی را به دست می آورد
منطق فازی درجه های حقیقت را به عنوان مبنای ریاضی می گیرداحتمال ، الگوی ریاضی جهل است

بنابراین ، این ها برخی از تفاوت های منطق فازی در هوش مصنوعی و احتمال بود. حال ، بیایید نگاهی به برخی از کاربردهای این منطق بیندازیم.

کاربرد های منطق فازی

منطق فازی در زمینه های مختلفی مانند سیستم های خودرویی ، کالاهای خانگی ، کنترل محیط و غیره استفاده می شود. برخی از کاربرد های رایج آن عبارتند از:

  • برای کنترل ارتفاع فضاپیما و ماهواره از منطق فازی در زمینه هوافضا استفاده می شود.
  • سرعت و ترافیک را در سیستم های هدایت خودرو کنترل می کند.
  • برای تصمیم گیری سیستم های پشتیبانی و ارزیابی شخصی در کسب و کار شرکت های بزرگ استفاده می شود.
  • کنترل کننده فازی pH ، خشک کردن ، فرآیند تقطیر شیمیایی در صنایع شیمیایی را کنترل می کند.
  • منطق فازی در پردازش زبان طبیعی و کاربرد های مختلفی در هوش مصنوعی استفاده می شود.
  • به طور گسترده ای در سیستم های کنترل مدرن مانند سیستم های خبره استفاده می شود.
  • منطق فازی چگونگی تصمیم گیری انسان ها را تقلید می کند ، البته بسیار سریعتر. بنابراین ، می توانید از آن در کنار شبکه های عصبی استفاده کنید.

این ها برخی از کاربرد های رایج منطق فازی بود. حال ، بیایید نگاهی به مزایا و معایب استفاده از منطق فازی در هوش مصنوعی بیندازیم.

مزایا و معایب منطق فازی

منطق فازی استدلال ساده ای مشابه استدلال انسان را ارائه می دهد. استفاده از این منطق مزایای بیشتری دارد ، مانند:

  • ساختار سیستم های منطق فازی آسان و قابل درک است
  • منطق فازی به طور گسترده ای برای اهداف تجاری و عملی استفاده می شود
  • به شما کمک می کند ماشین آلات و محصولات مصرفی را کنترل کنید
  • به شما کمک می کند تا با عدم اطمینان در مهندسی کنار بیایید
  • معمولا این منطق مستحکم و بدون نیاز به ورودی دقیق است
  • اگر سنسور بازخورد متوقف شد ، می توانید آن را متناسب با شرایط برنامه ریزی کنید
  • برای بهبود یا تغییر عملکرد سیستم می توانید به راحتی آن را اصلاح کنید
  • می توان از سنسورهای ارزان قیمت استفاده کرد که به شما کمک می کند هزینه و پیچیدگی کلی سیستم را پایین نگه دارید

این ها مزایای مختلف منطق فازی بود. اما ، معایب نیز دارد:

  • منطق فازی همیشه دقیق نیست. بنابراین نتایج بر اساس فرضیات درک می شوند و ممکن است به طور کلی پذیرفته نشوند
  • نمی تواند الگوریتم های یادگیری ماشین را به خوبی الگو های نوع شبکه عصبی تشخیص دهد
  • اعتبارسنجی و تأیید یک سیستم بر مبنای دانش فازی نیاز به آزمایشات گسترده با سخت افزار دارد
  • تنظیم دقیق ، قوانین مبهم و توابع عضویت یک کار دشوار است
  • در بعضی مواقع ، منطق فازی با نظریه احتمال اشتباه گرفته می شود

بنابراین ، این ها برخی از مزایا و معایب استفاده از منطق فازی در هوش مصنوعی بود. حال ، بیایید یک مثال واقعی را بررسی کرده تا عملکرد این منطق را بهتر درک کنیم.

مثال منطق فازی در هوش مصنوعی

طراحی سیستم منطق فازی با مجموعه ای از توابع عضویت برای هر ورودی و مجموعه ای برای هر خروجی آغاز می شود. سپس مجموعه ای از قوانین برای توابع عضویت اعمال می شود تا مقدار خروجی قطعی حاصل شود. بیایید مثالی از کنترل فرآیند بزنیم و منطق فازی را درک کنیم.

مرحله ۱

در اینجا دما ورودی و سرعت فن خروجی است. شما باید برای هر ورودی ، مجموعه ای از توابع عضویت ایجاد کنید. تابع عضویت در تعریف ساده، نمایش گرافیکی مجموعه متغیرهای فازی است. برای این مثال ، ما از سه مجموعه فازی سرد ، ولرم و گرم استفاده خواهیم کرد. سپس یک تابع عضویت برای هر یک از سه مجموعه دما ایجاد خواهیم کرد:

مثال فازی مرحله اول

مرحله ۲

در مرحله بعدی ، ما از سه مجموعه فازی برای خروجی استفاده خواهیم کرد ، آهسته ، متوسط و سریع . مجموعه ای از توابع برای هر مجموعه خروجی درست مانند مجموعه ورودی ایجاد می شود.

مثال فازی مرحله دوم

مرحله ۳

اکنون که توابع عضویت خود را تعریف کردیم ، می توانیم قوانینی را ایجاد کنیم که نحوه اعمال توابع عضویت در سیستم نهایی را تعیین کند. ما سه قانون برای این سیستم ایجاد خواهیم کرد.

  • اگر داغ است پس سریع
  • اگر گرم پس متوسط
  • و اگر سرد باشد ، آهسته است
مثال فازی انطباق

این قوانین برای توابع عضویت برای تولید مقدار خروجی قطعی برای هدایت سیستم اعمال می شود. بنابراین ، برای مقدار ورودی ۴۸ درجه ، توابع عضویت را به صورت عمودی قطع می کنیم. در اینجا ، ما از دو قانون استفاده می کنیم زیرا تقاطع در هر دو عملکرد رخ می دهد. می توانید نقاط تقاطع را به توابع خروجی وصل کنید تا یک نقطه تلاقی ایجاد کند. سپس می توانید سطح زیر نمودار توابع خروجی را در ارتفاع نقاط تلاقی محاسبه کنید.

این یک توضیح بسیار ساده از نحوه کار سیستم های منطق فازی بود. در یک سیستم کاری واقعی ، ورودی های زیادی وجود دارد و امکان چندین خروجی وجود دارد. این امر منجر به مجموعه ای کاملاً پیچیده از توابع و قوانین دیگر می شود.

امیدوارم با مطالعه این مقاله متوجه شده باشید که منطق فازی چیست و چگونه کار می کند.

اگر در مورد این موضوع سوالی دارید می توانید در بخش نظرات مطرح کنید و ما به شما پاسخ خواهیم داد.

بیشتر بخوانید :

منبع Edureka

درباره‌ی احمدرضا جعفری

همچنین ببینید

وقت آن است که هوش مصنوعی از مغز انسان فراتر برود

هوش مصنوعی باید از مغز انسان نیز فراتر برود!

داستان هوش مصنوعی از جایی شروع شد که ریاضی دانان، مهندسان و روان شناسان، تلاش …

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *