人工智能导论（第2版）微课：什么是模糊逻辑.pptx

;;模糊逻辑模仿人脑的不确定性概念判断和推理思维方式，对于模型未知或不能确定的描述系统等，应用模糊集合和模糊规则进行推理，表达过渡性界限或定性知识经验，实行模糊综合判断，推理解决常规方法难于对付的规则型

模糊信息问题。;昆虫有许多本能帮助其应对不同环境。它可能倾向于远离光线，隐藏在树叶和岩石下，这样不容易被捕食者发现。然而，它也会朝食物移动，否则就会饿死。如果我们要制作一个甲虫机器人，可以考虑赋予其如下规则：

如果光线亮度高于50%，食物质量低于

50%，那么远离，否则接近。

图3-2甲虫机器人;如果食物和光线所占百分比一致会怎么样？吃饱了的昆虫会为了安全藏匿在黑暗中，而饥饿的昆虫就会冒险去接近食物。光越亮，越危险；食物质量越高，昆虫越容易冒险。我们可以根据这一情况制定出更多规则，???如：

如果饥饿和光线高于75%，食物质量低于25%，那么远离，否则接近。

但是，这些规则都无法很好把握极值。如果光线为76%，食物质量为24%，机器人就会饿死，虽然这仅仅与所设置的规则相差1%。当然，也可以设置更多规则来应对极值和特殊情况，但这样很快就会把程序变成无法理解的一团乱麻。在不让其变复杂的前提下，怎么能够处理所有变数呢？;在一家婚姻介绍所。一个女客户的要求是高个子但不富有的男子。介绍所记录中有一名男子，身高1.78米，年收入是全国平均水平的两倍。应该将这名男子介绍给客户吗？如何判断什么是个子高？什么是富有？怎样对资料库中的男子进行打分来找到最符合的对象？身高和收入之间不能简单加减。

模糊逻辑的发明就是为了解决这类问题。在模糊逻辑中，每一个情况的真值可以是0到1中间的任何值。假定身高超过2米是绝对高个子，身高低于1.7米的为不高，那么1.78米高的客户可以算作0.55高，既不是特别高但是也不矮。因此，该男子是0.55高，0.45不高。同样可以对“矮”的范畴进行界定。;由此可以发现，“高”和“矮”的定义有一部分是重叠的，类似地，也可以说他是0.2富有，也就是0.8不富有。

女性客户的要求是“高AND（和）不富有”，所以计算“0.55AND0.8”，结果是0.44。通过检索所有各选项，找到得分最高者就可以介绍给客户了。

在模糊逻辑中进行“AND”与“OR”运算时计算方法不同，如何选择应当根据数字所起的作用决定。;更加复杂的专家系统可能用于决定银行是否应该向客户提供贷款，规则如下：

如果薪水高并且工作稳定性高，那么风险低。

如果薪水低或者工作稳定性低，那么风险中等。

如果信用评分低，那么风险高。

这一部分程序可能得出以下数据：

风险低=0.1 风险中等=0.3 风险高=0.7

通过数学算法，这三组数据可以转化为评估风险的单个数字，这一过程被称为去模糊化。从上述数据我们还是可以看出借贷的风险程度可能为中等偏上。;模糊逻辑的另一用途就是控制机械装置，例如控制供暖系统的部分规则如下：

如果温度高，那么停止供暖。

如果温度非常低，那么加强供暖。

如果温度低并且升温慢，那么加强供暖。

如果温度低并且升温快，那么中等供暖。

如果温度稍微偏低并且升温慢，那么中等供暖。

如果温度稍微偏低并且升温快，那么停止供暖。;运行所有这些规则后，我们可以得到应该停止供暖、中等供暖，以及加强供暖等的可能性。将这些可能性转化为单个数据后就可以相应地设置加热器了。

模糊控制系统管控设备状态，并生成控制信号不断调整以维持理想状态。在设备非线性的情况下，某种控制可能因设备状态产生不同影响，而模糊控制系统的优势在此时就能得以展现。;所谓模糊逻辑，是建立在多值逻辑基础上，运用模糊集合的方法来研究模糊性思维、语言形式及其规律的科学。模糊逻辑模仿人脑的不确定性概念判断、推理思维方式，对于模型未知或不能确定的描述系统等，应用模糊集合和模糊规则进行推理，表达过渡性界限或定性知识经验，实行模糊综合判断，推理解决常规方法难于对付的规则型模糊信息问题。模糊逻辑善于表达界限不清晰的定性知识与经验，它区分模糊集合，处理模糊关系，模拟人脑实施规则型推理，解决种种不确定问题。;模糊逻辑十分有趣的原因有两点。

首先，它运作良好，是将人类专长转化为自动化系统的有力途径。利用模糊逻辑建立的专家系统和控制程序能够解决利用数学计算和常规逻辑系统难以解决的问题。

其次，模糊逻辑与人类思维运作模式十分匹配。它能够成功吸收人类专长，因为专家们的表达方式恰好与其向程序注入信息的模式相符。模糊逻辑以重叠的模糊类别表达世界，这也正是我们思考的方式。;1965年，美国加利福尼亚大学自动控制理论专家查德在关于“模糊控制”的一系列论著中首先提出了模糊集合的概念，标志着模糊数学的诞生。模糊集合的引入，可将人的判断、思维过程用