Нечеткая логика: достоинства и недостатки
Введение.
Часто бывает трудно найти оптимальные решения практических задач, основанные на классических математических методах. Причина кроется в проблеме правильного выбора приемлемого аналитического описания решаемой задачи. Даже в случае успешного выполнения аналитического описания задачи решение может потребовать непомерно больших временных и материальных затрат. Однако есть и другой подход к решению этой проблемы.
Дело в том, что человек может найти оптимальное решение, используя только абстрактную информацию и субъективные представления о поставленной задаче. В жизни надо всегда действовать с неточными знаниями и не формально определенными понятиями. Конечно, классическая математика в таких ситуациях неприменима. Эти обстоятельства привели к возникновению нового раздела математики — нечеткой логики, позволяющей приблизить математику к реальному миру.
Нечеткая логика — это надмножество классической булевой логики. Он расширяет возможности классической логики и позволяет применить понятие неопределенности к логическим рассуждениям. Термин «нечеткая логика» на самом деле означает непрерывную логику. Это связано с тем, что в этом случае используются значения «ложь» и «истина» вместе со значениями между ними.
Нечеткая логика: достоинства и недостатки.
Очевидной областью реализации алгоритмов нечеткой логики являются всевозможные экспертные системы, такие как:
нелинейное управление технологическим процессом (производство);
Самообучающиеся системы (или классификаторы) изучения опасных и критических ситуаций.
распознавание образов;
финансовый анализ (рынок ценных бумаг);
исследование данных (корпоративное хранилище);
Улучшение стратегий управления и координации действий, например, в сложном промышленном производстве.
Преимущества включают в себя:
— Возможность манипулировать нечеткими входными данными. Например, значения, которые постоянно изменяются во времени (динамические задачи), значения, которые нельзя задать явно (результаты статистических исследований, рекламных кампаний и т. д.).
— Возможность неоднозначной формализации критериев оценки и сравнения: работает с такими критериями, как «в основном», «вероятно», «в основном».
— Возможность проводить качественную оценку как входных данных, так и выходных результатов (манипулируя не только значениями данных, но и их достоверностью)
Недостатками нечетких систем являются:
— Стандартной методики построения нечетких систем не существует.
— невозможность математического анализа нечетких систем существующими методами;
— Использование нечеткого подхода по сравнению с вероятностным подходом не повышает точность расчетов.
Нечёткие экспертные системы.
Мир информации окружен неопределенностью и неточностями. Человеческий процесс рассуждения хорошо справляется с неточными, двусмысленными и двусмысленными понятиями. В принципе, он не может точно отражать процессы человеческого мышления, рассуждения и восприятия. Эти типы переживаний редко можно выразить или измерить с помощью статистической или вероятностной теории. Нечеткая логика обеспечивает основу для моделирования неопределенности, человеческого мышления, рассуждений и процессов восприятия. Нечеткие системы были впервые представлены Лотфи Заде, профессором Калифорнийского университета в Беркли, в его основополагающей работе, опубликованной в 1965 году. Нечеткая экспертная система — это экспертная система, которая использует набор нечетких функций и правил принадлежности вместо булевой логики для причины о данных.
Если A низкое и B высокое, то X = среднее
где A и B — входные переменные, а X — выходная переменная. где низкий, высокий и средний — нечеткие множества, определяемые A, B и X соответственно. условие правила описывает область, к которой применяется правило, а последовательные правила назначают функции принадлежности одной или нескольким выходным переменным.
Особенности нечетких систем.
- Возможность работы с неоднозначными входными данными: например, значениями, непрерывно изменяющимися во времени (динамические задачи), значениями, которые нельзя однозначно указать (результаты статистических исследований, рекламных кампаний и т. д.).
- Возможность неоднозначной формализации критериев оценки и сравнения: оперирование такими критериями, как «большинство», «вероятно», «в подавляющем большинстве».
- Способность делать качественные оценки как входных данных, так и выходных результатов: манипулировать не только значениями данных, но также уровнями достоверности и их распределениями.
- Возможность быстрого моделирования сложных динамических систем и их сравнительного анализа с заданной степенью точности. Во-первых, многие исследования были сосредоточены на поиске точных значений переменных с использованием принципов поведения системы, описываемых нечеткими методами. Вы можете написать выражение, скомпилировать его, а затем оценить различные параметры вывода, не теряя времени.
Основы нечеткой логики были заложены в конце 1960-х годов известным американским математиком Латфи Заде. Чтобы создать по-настоящему интеллектуальные системы, способные должным образом взаимодействовать с людьми, нам понадобился новый математический аппарат, переводящий расплывчатые описания жизни на четкий формальный язык математических формул.
Устройства теории нечетких множеств продемонстрировали множество многообещающих применений, от систем управления самолетами до прогнозирования результатов выборов, но также оказались сложными для реализации. Учитывая текущий уровень технологий, нечеткая логика находится где-то между экспертными системами и нейронными сетями среди других специальных научных областей. Теория нечеткой логики была разработана двумя его исследователями в начале 80-х годов, когда несколько групп исследователей (в основном в США и Японии) всерьез занялись созданием электронных систем различного назначения, использующих нечеткие алгоритмы управления.
Развитие экспертных систем.
Этапы процесса разработки экспертной системы включают в себя определение фактических потребностей, приобретение знаний, построение компонентов экспертной системы, внедрение результатов и разработку процедур обслуживания и анализа. Приобретение знаний является наиболее важным фактором в разработке экспертных систем. Знание приходит, задавая вопросы экспертам в этой области и учась на собственном опыте. Люди часто выражают свои знания на естественном языке (разговорном) в описательных или символических терминах.
Большинство экспертных систем разрабатываются с использованием специализированных программных средств, называемых оболочками. Эти оболочки оснащены механизмами вывода (обратный вывод, прямой вывод или оба) и требуют знания ввода в соответствии с указанным форматом. Одна из самых популярных оболочек CLIPS широко используется в правительстве, промышленности и научных кругах. CLIPS — это инструмент разработки экспертных систем, который обеспечивает полную среду для построения правил и объектно-ориентированных экспертных систем.
CLIPS предоставляет единый инструмент для обработки широкого круга знаний и поддерживает три различных парадигмы программирования: основанную на правилах, объектно-ориентированную и процедурную. CLIPS написан на C для переносимости и скорости и может быть установлен в различных операционных системах без изменения кода.
Теория экспертной системы.
Экспертная система — это компьютерная программа, которая работает в определенной области знаний, чтобы давать рекомендации или решать проблемы. Экспертные системы могут либо полностью брать на себя функции, требующие привлечения человеческого экспертного опыта, либо выступать помощниками лиц, принимающих решения. Технология экспертных систем — это одно из первых и наиболее передовых направлений исследований под названием «исследования в области искусственного интеллекта».
Все экспертные системы содержат как минимум три основных элемента: базу знаний, механизм логического вывода и пользовательский интерфейс. База знаний содержит информацию о том, что в настоящее время известно о конкретном предмете. Механизм логического вывода предоставляет приложение «известное в неизвестное». Пользовательский интерфейс облегчает взаимодействие между системой и пользователем. В целом, экспертные системы моделируют знания эксперта и способность их применять.
База знаний содержит известные факты, выраженные в виде сущностей, атрибутов и условий, а также выражения неопределенности, которые ограничивают достоверность фактов. Базы данных создаются консультантами, исследователями или на основе их работы. Жизненный опыт важнее высокого интеллекта при наполнении базы знаний. Эксперт с многолетним опытом наблюдения может создать более полезную базу знаний, чем хороший аналитик.
Главное в экспертной системе — механизм поиска по базе знаний, следуя правилам рациональной логики поиска решений.
Вывод
Экспертная система на основе правил
Многочисленные области применения. Ключевым преимуществом нечетких экспертных систем является то, что знания выражаются в удобном для использования формате.
Понимать формат лингвистических соглашений. Вывоз можно организовать
нечеткие данные экспертной системы с использованием нейронных обучающих сетей,
Эволюционные вычисления или другие адаптивные методы. Можно предположить, что использование этих технологий значительно увеличится.
будущее.
технология, основанная на
Я использую нечеткую логику. нечеткая логика
Значительно сократить систему поддержки принятия решений и расстояние
Между человеческим языком и компьютерным формальным языком.
Список источников:
- https://pnu.edu.ru/media/vestnik/articles-2013/914.pdf
- https://studfile.net/preview/7087160/page:24/
- https://obrazovanie-gid.ru/referaty/nechetkie-ekspertnye-sistemy-referat.html
- https://referatbank.ru/market/referat/i/203921/kursovaya-nechetkaya-logika.html
- https://vc.ru/loginom/201212-nechetkaya-logika-matematicheskie-osnovy