Extras din curs
1.1 Introducere în teoria multimilor fuzzy
Una dintre metodele apartinând conceptului de inteligenta artificiala (engl. Artificial
Intelligence) AI, cu larga aplicabilitate în conducerea automata, care s-a impus tot mai mult
în ultimii ani, este conducerea fuzzy (Fuzzy Logic Control - FLC sau Fuzzy Control - FC),
bazata pe utilizarea teoriei multimilor fuzzy MF (engl. Fuzzy Sets) si a logicii fuzzy LF (engl.
Fuzzy Logic). MF pot fi aplicate si în alte scopuri, cum ar fi modelarea unor sisteme
caracterizate de incertitudine, luarea unor decizii pe baza unor informatii incerte, etc.
Sistemele care includ MF si LF se numesc sisteme fuzzy SF.
Printre precursorii SF se numara si matematicianul român Grigore Moisil. Aplicarea
conceptelor de MF si LF în domeniul sistemelor de conducere automata a fost initiata în
1965 de Lotfi A. Zadeh, profesor de origine iraniana de la Universitatea Berkeley (California).
Fundamentarea matematica a acestor concepte a fost realizata în anii urmatori, unele nume
de referinta fiind J. A. Goguen, R. Giles, S. Gottwald, etc. Câteva dintre lucrarile de mare
importanta sau de sinteza privind aplicarea conceptelor fuzzy în automatizari sunt datorate
lui M. Sugeno, E.H. Mamdani, M.M. Gupta, B. Gaines, H.J. Zimmerman, D. Dubois si H.
Prade, A. Kaufman, C.V. Negoita, V. Novak, W. Pedricz, L. Foulloy si S. Galichet, E.
Roventa, etc.
Dintre caracteristicile esentiale ale SF cele mai importante sunt urmatoarele:
f Functionarea lor se bazeaza pe un set de reguli de conducere RC de tipul celor utilizate în
sistemele expert SE:
daca < premiza > atunci < concluzie >
f Cunostintele despre sistem se modeleaza cu ajutorul variabilelor lingvistice VL, de exemplu:
temperatura mare, debit mediu, presiune scazuta etc. Aceasta reprezentare a variabilelor
sistemului este foarte familiara modului de gândire uman si permite abordarea unor sisteme
foarte complexe sau greu de definit în termeni matematici precisi.
Prin utilizarea VL si a LF, SF dobândesc o încarcatura simbolica care le fac perfect
compatibile cu modul de gândire propriu speciei Homo Sapiens Sapiens: operarea cu simboluri,
analizate si sintetizate calitativ. Pot fi astfel valorificate în tehnica abordarile euristice
(bazate pe modul de gândire uman), care daca nu reprezinta de obicei rezolvari optimale, au
în schimb o eficienta deosebita. Prin urmare SF pot fi incluse în categoria sistemelor “inteligente”
fiind compatibile cu alte metode provenite din acest domeniu. Este deja binecunoscuta
afinitatea dintre SF si retelele neuronale RN, având ca rezultate imediate automatizarea
elaborarii RC si adaptabilitatea on line.
Prin apelarea la SF elaborarea legilor de reglare devine extrem de flexibila si de versatila.
Se pot obtine cu usurinta legi de conducere performante chiar si în cazul sistemelor
neliniare sau a sistemelor care nu pot fi modelate matematic intr-un mod satisfacator. La stabilirea
legii de reglare pot participa operatori umani sau experti care au experienta în cazul
procesului care se doreste a fi condus, fara însa a fi necesar ca ei sa detina cunostinte referitoare
la automatizari sau la sistemele fuzzy. Se pot include în baza de reguli de conducere
reguli cu obiective diferite, cum ar fi optimizarea unor indicatori referitori la precizia reglari, la
comportarea dinamica, la economicitatea, la siguranta sistemului, etc. Durata proiectarii si
validarii unui SF este în general mai mica decât în cazul altor metode de conducere.
Desigur, pe lânga aspectele de mai sus pot fi mentionate si unele dezavantaje:
2
f Comportarea unui FLC este de obicei mai putin precisa si riguroasa decât cea a sistemelor
bazate pe algoritmi clasici cum ar fi sistemele PID. Acest dezavantaj este însa compensat
în multe aplicatii de comportarea mai buna a FLC din punct de vedere dinamic si al indicatorilor
globali de calitate ai sistemului.
f Aprecierea performantelor si validarea unui sistem FLC pot fi obtinute de obicei numai
dupa realizare efectiva a sistemului si încercari, sau în cel mai bun caz, prin simulare pe calculator.
Madan M. Gupta caracterizeaza esenta notiunii de MF cu referire la cele doua clase
principale în care poate fi împartita incertitudinea: incertitudinea de clasa unu, provenita din
comportarea aleatorie a sistemelor fizice, respectiv incertitudinea de clasa doi, provenita din
însasi gândirea, rationamentele, cunostintele si perceptia umana:
"Multimile fuzzy opereaza cu multimi, obiecte, sau fenomene care sunt vagi si nu au
delimitari precise. Calculul multimilor fuzzy este un instrument foarte promitator pentru tratarea
incertitudinii de clasa doi (asa cum teoria probabilitatilor opereaza cu incertitudine de
clasa unu)... Logica booleana este neputincioasa în modelarea proceselor cognitive si a gândirii
umane. De aceea nimeni nu mai este astazi indiferent fata de logica multimilor fuzzy.”
1.2 Multimi fuzzy - notiuni de baza
În teoria clasica a multimilor, o multime C este definita ca si o colectie de n
elemente, xi, cu i = 1 ... n, definite într-un domeniu de definitie X. Fiecarui element i se poate
atasa o functie de apartenenta FA, notata ¼(xn), având valoarea:
0 , daca xn C
¼(xn) = (2.1)
1 , daca xn C
O astfel de multime poate fi denumita “ferma” (engl. crisp), deoarece gradul de apartenenta
respecta principiul tertului exclus din algebra booleana, fiind posibile numai doua
situatii: apartenenta sau non-apartenenta, sau în termeni logici, adevar sau fals.
MF accepta pentru FA orice valoare apartinând intervalului [0 ... 1]. Valorile 0 si 1 au
aceeasi semnificatie ca si în cazul multimilor ferme, adica non-apartenenta respectiv apartenenta
totala a elementului la MF. Valorile intermediare indica masura în care elementul x
apartine categoriei descrisa de multime. Un grad de apartenenta de 0,9 indica o legatura
puternica a elementului cu multimea în timp ce 0,5 arata ca elementul poate la fel de bine sa
fie inclus sau exclus din multime.
O MF A definita pe domeniul X va fi caracterizata de functia de apartenenta
¼A (x) : X ’ [0 ... 1] (2.2)
xX
Se defineste înaltimea multimii A, hgt(A), valoarea maxima a functiei de apartenenta:
hgt(A) = sup ¼A(x) (2.3)
Daca hgt(A) = 1 multimea fuzzy A se va numi normala. Daca hgt(A) < 1, atunci A se
va numi subnormala.
Suportul (baza, latimea) multimii A este format din multimea elementelor xX pentru
care ¼A(x) ` 0:
supp(A) = { xX Ð ¼A(x) > 0 } (2.4)
Toleranta multimii A este format din multimea elementelor xX pentru care ¼A(x)= 1:
3
tol(A) = { xX Ð ¼A(x) = 1 } (2.5)
Definirea notiunii de temperatura confortabila în termeni fermi si fuzzy este prezen
Preview document
Conținut arhivă zip
- Cap1.PDF
- Cap2.PDF
- Cap3.pdf
- Cap4.pdf
- Cap5.pdf