مقاله مدل های فازی

تحقیق و پروژه و پایان نامه و مقاله دانشجویی

عنوان :

مقاله مدل های فازی

تعداد صفحات : ۳۰

نوع فایل : ورد و قابل ویرایش

چکیده

در این مقاله به مطالعه مدل فازی، نظریه مجموعه‌های فازی و منطق فازی می پردازیم.

X را فضایی از اشیاء و x را یک عنصر نوعی از x در نظر می گیریم. یک مجموعه ی کلاسیک A، ، بصورت مجموعه ای از عناصر یا اشیاء ، که هر عنصر (x)می تواند یا عضو مجموعه باشد یا نباشد، تعریف شده است. با تعریف یک «تابع مشخصه(یا عضویت)» برای هر عنصر ، می توانیم یک مجموعه کلاسیک A را به وسیله ی یک مجموعه از زوجهای مرتب  یا  که به ترتیب اشاره بر یا  دارند نمایش دهیم . بر خلاف مجموعه ی قراردادی فوق الذکر، یک مجموعه فازی درجه ای را که از آن یک عنصر متعلق به مجموعه است، بیان می کند. بنابراین تابع عضویت یک مجموعه فازی اجازه دارد مقادیر بین ۰ و ۱ را داشته باشد که درجه‌ی عضویت هر عنصر در داخل مجموعه را مشخص می‌کند.

تعریف ۱:(مجموعه فازی و توابع عضویت): اگر X ومجموعه ای از اشیاء باشد که بطور کلی با x مشخص می شوند ، در این صورت یک مجموعه ی فازی A داخل X بصورت مجموعه ای از زوجهای مرتب به شکل  تعریف می‌شود بطوریکه تابع عضویت (یا برای اختصار MF) برای مجموعه ی فازی A نامیده می‌شود. MF هر عنصر از X را تا یک «درجه ی عضویت» (یا «مقدار عضویت») بین ۰ و ۱ (شامل شده) ]به شکل نمودار[ ترسیم می‌کند.

به شکل آشکار ، تعریف مجموعه فازی یک تعمیم ساده از تعریف یک مجموعه ی کلاسیک است که در آن تابع مشخصه اجازه دارد هر مقداری بین ۰ و ۱ را اختیار کند. اگر مقدار تابع مشحصه به ۰ و ۱ محدود شود، A به یک مجموعه کلاسیک کاهش می‌یابد.

برای وضوح، به مجموعه های کلاسیک به عنوان مجموعه های متداول، مجموعه های crisp، مجموعه های غیر فازی یا فقط مجموعه ها نیز مراجعه خواهیم کرد. اغلب به X به عنوان «مجموعه جهانی » یا بطور ساده«جهان» رجوع می شود و ممکن است شامل اشیاء گسسته (مرتب یا نامرتب)[۱] بوده یا اینکه یک فضای پیوسته باشد. با مثالهای زیر این مسئله روشن خواهد شد.

 واژه های کلیدی: مدل فازی، نظریه مجموعه‌های فازی و منطق فازی

فهرست مطالب

سرمقاله : مدل های فازی – چه هستند وچرا ؟    ۱
«نظریه مجموعه‌های فازی»    ۹
«منطق فازی»    ۱۸
منابع    ۲۷

منابع

[۱] L.A. Zadeh, “Fuzzy Sets,” Information and Control, Vol. 8, pp. 338-352, 1965.

[۲] C.C. Lee, “Fuzzy Logic in Control Systems: Fuzzy Logic Controllers,” (parts I and II), IEEE Transactions on Systems, Man, and Cybernetics, Vol. 20, No. 2, pp. 404-435, 1990.

[۳] “The future is fuzzy,” Newsweek, May 1990.

[۴] E.H. Mamdani, “Applications of fuzzy algorithms for simple dynamic plant,” Proc. IEE, 121, pp. 1585-1588, 1974.

[۵] P.M. Larsen, “Industrial Applications of Fuzzy Logic Control,” International Journal of Man, machine Studies, Vol.12, No. 1, pp. 3-10, 1980.

[۶] T. Takagi, and M. Sugeno, “Fuzzy identification of Systems and its Applications to Modeling and Control,” IEEE Transactions on Systems, Man, and Cybernetics, Vol. 15, No. 1, January-February 1985.

[۷] F. Herrera, and J.L. Verdegay, “Fuzzy Sets and Operations Research: Perspectives,” Fuzzy Sets and Systems, Vol. 90, pp. 207-218, 1997.

مدل های فازی[۱] – چه هستند وچرا ؟

مجموعه های فازی درواقع تعمیمی برتئوری مجموعه های قراردادی[۱] می باشد که درسال ۱۹۶۵ به عنوان روشی ریاضی برای روشن کردن ابهامات درزندگی روزمره توسط زاده[۲] معرفی شد. [۱].

ایده اصلی مجموعه های فازی ساده است وبه راحتی می توان آن را دریافت. فرض کنید هنگامی که به چراغ قرمز می رسید باید توصیه ای به یک دانش آموز راننده درباره زمان ترمز کردن بکنید. شما می گویید « در۷۴ فوتی چهارراه ترمزکن » یا توصیه ی شما شبیه به این است « خیلی زود از ترمزها استفاده کن »؟ البته دومی ؛ دستورالعمل اول برای انجام دادن بسیار دقیق است. این نشان می دهد که دقت می تواند بی فایده باشد ، تا زمانی که راه های مبهم وغیر دقیق می توانند تفسیر وانجام گیرند. زبان روزمره مثال دیگری است از استفاده وانتشار ابهامات. بچه ها بسرعت تفسیر وانجام دستورالعمل های فازی را یاد می گیرند. (ساعت ۱۰ به رختخواب برو). همه ما اطلاعات فازی نتایج مبهم واطلاعات غیر دقیق را به خاطر می سپاریم وازآن ها استفاده می کنیم وبه خاطر همین مسئله قادر هستیم تا در موقعیت‌هایی که به یک عنصر تصادفی وابسته است تصمیم گیری کنیم. بنابراین مدل های محاسباتی از سیستم‌های حقیقی باید قادر باشند که عدم قطعیت های آماری وفازی را تشخیص دهند ، مشخص کنند ، تحت کنترل خود درآورند ، تفسیر کنند وازآن استفاده کنند.

تفسیر فازی ازاطلاعات یک راه بسیار طبیعی ، مستقیم و خوش‌ظاهر برای فرموله کردن وحل مسائل مختلف است. مجموعه های قراردادی شامل اشیایی است که برای عضویت در ویژگی‌های دقیقی صدق می کنند. مجموعه H که اعداد از۶ تا ۸ می باشد یک CRISP است ؛ ما می نویسیم   . به طور مشابه H توسط تابع عضویت (MF)[3]  که مطابق زیرتعریف می شود نیز توصیف می گردد.

مجموعه H ونمودار  درسمت چپ شکل ۱ نشان داده شده اند هرعدد حقیقی r یا درH است یا نیست از آنجا که  کلیه اعداد حقیقی  را به دو نقطه (۱،۰) می‌برد ، مجموعه Crisp معادل منطق دو مقداره است : هست یا نیست ، روشن یا خاموش ، سیاه یا سفید ، ۱ یا ۰ . درمنطق مقادیر  مقادیر حقیقت[۴] نامیده می شوند، با ارجاع به این پرسش « آیا r درH است؟ » جواب مثبت است اگروتنها اگر   ؛ درغیراین صورت نه.

مجموعه دیگرF ازاعداد حقیقی که نزدیک به ۷ هستند را درنظر بگیرید ازآنجا که ویژگی «نزدیک به ۷» نامعلوم است ، تابع عضویت یکتایی برای F وجود ندارد . به هرحال مدل کننده براساس پتانسیل کاربرد و ویژگی ها F باید تصمیم بگیرد که  چه باشد . ویژگی هایی که برای F به نظرخوب می رسد شامل این موارد است (I) حالت عادی یا طبیعی  (ii) یکنواختی (برای r نزدیکتر به۷ ،‌ به ۱ نزدیکتراست وبرعکس) و (iii) تقارن (اعدادی که فاصله مساوی از چپ وراست ۷ دارند باید عضویت یکسانی داشته باشند).

با توجه به این موارد ضروری هرکدام از توابع نشان داده شده درطرف راست شکل ۱ می‌تواند نمایش مناسبی برای F باشد.  گسسته است درحالی  پیوسته است ولی هموارنیست (نمودار مثلثی) یک نفر می تواند به راحتی یک MF برای F بسازد به نحوی که هرعدد عضویت مثبتی در F داشته باشد ولی انتظار نداریم برای اعداد « خیلی دوراز۷» برای مثال ۲۰۰۰۰۹۷ زیاد داشته باشیم! یکی از بزرگترین تفاوت ها بین مجموعه های Crisp ومجموعه‌های فازی این است که اولی همیشه MF یکتایی دارد درحالی که هرمجموعه فازی بی‌نهایت MF دارد که می توانند آن را نشان دهند. این درواقع هم ضعف است وهم قدرت ؛ یکتایی قربانی می شود ، ولی سود پیوسته ای که به خاطر انعطاف پذیری همراه خواهد داشت.

مدل فازی را قادر می سازد که با بیشترین سود دریک موقعیت داده شده تطبیق داده شود. درتئوری مجموعه های قراردادی ، مجموعه های اشیایی واقعی برای مثال اعداد در H معادلند و به صورت ایزومورفیک[۵] با یک تابع عضویت یکتا مانند  توصیف می شوند. ولی معادل مجموعه ای ، از اشیای واقعی  وجود ندارد. مجموعه های فازی همواره ( وفقط) توابعی هستند از «مجموعه جهانی[۶]» به نام X به [] . این مسئله درشکل ۲ نشان داده شده است که درواقع مشخص می سازد مجموعه فازی تابع   است از X به [] . همانطور که تعریف شده هرتابع [‌] یک مجموعه فازی است.

تازمانی که این در ریاضیات رسمی درست است ، بسیاری از توابع که دراین زمینه توصیف می‌شوند نمی توانند به طور مناسبی برای تصوریک مجموعه فازی تفسیر شوند . به عبارت دیگر، توابعی که X را به بازه واحد می برند ممکن است مجموعه های فازی باشند ولی تنها زمانی مجموعه فازی می شوند که یک سری ویژگی های غیر دقیق ولی ذاتی ، منطقی وتوصیفی را با اعضای X تطبیق دهند.

اولین سؤال و در واقع سؤالی که معمولا درمورد این طرح پرسیده می شود ، مربوط است به رابطه فازی واحتمال . آیا مجموعه های فازی یک مبدل هوشمند برای مدل های آماری است ؟ درواقع نه . شاید یک مثال کمک کند.

مثال ۱: مجموعه همه آب ها رابه عنوان مجموعه جهانی درنظر بگیرید وهمچنین مجموعه فازی { مایعات قابل آشامیدن }‌=‌L را داریم . فرض کنید شما یک هفته بدون مایعات درصحرا بوده اید وحالا دو بطری A وB دارید. به شما گفته می شود که عضویت (فازی) مایع درون A در L ، ۹/۰ وهمچنین احتمال اینکه مایع درون B متعلق به L باشد هم ۹/۰ است. به عبارت دیگر A شامل مایعی است که با درجه عضویت ۹/۰ قابل شرب است درحالی که B شامل مایعی است که به احتمال ۹/۰ قابل شرب است . با این جفت بطری مواجه می شوید وباید ازیکی که انتخاب کرده اید بنوشید ، اول کدام را برای نوشیدن انتخاب می کنید ؟ چرا؟ بعلاوه بعداز مشاهده درباره محتوای دو بطری مقدار (محتمل) برای عضویت واحتمال چه می‌باشد؟ [ پاسخ این معما درکلاس بحث می شود ] سؤتفاهم رایج دیگردرباره مدل های فازی این است که آن ها به عنوان جایگزین هایی برای مدل های Crisp (یا احتمالاتی) پیشنهاد می شدند. برای توضیح این مسئله نخست از شکل های ۱و۲ توجه کنید که هرمجموعه Crisp فازی است ولی نه برعکس . بسیاری از طرح ها که ازایده فازی استفاده می کنند آن را از طریق محاط کردن وجا دادن بکار می برند یعنی ما تلاش می کنیم تا ساختارقراردادی را حفظ کنیم وبه آن اجازه می دهیم تا درخروجی هرزمان که می‌تواند و هرزمان که باید برجسته شود.

مثال ۲ : وضع ریاضی‌دان اولیه را درنظر بگیرید ، او می دانند که سری تیلور برای تابع حقیقی (زنگی شکل)  در  واگرا است ولی نمی تواند بفهمد چرا ، مخصوصا که f دراین نقاط بی نهایت بار مشتقپذیر است. امروزه به عنوان دانش معمول هر دانش آموز ازتوابع مختلط تابع  دو قطب در  دارد. بنابراین تابع مختلط که محاط شده به وسیله صورت کسر است ، نمی تواند بسط سری توانی همگرا درنقطه ای روی مرز دایره به شعاع واحد درصفحه داشته باشد ؛ درحالت خاص در  ، یعنی درنقاط حقیقی   . این مثال یک اصل کلی در ریاضیات مدلی را نشان می دهد . یک مسئله حقیقی (ظاهراً لاینحل) را درنظر بگیرید ؛ فضا را گسترش بدهید وجواب را دراین فوق مجموعه[۱] خیالی جستجو کنید درنهایت جواب بدست آمده را به قیدهای حقیقی اولیه محدود کنید.

درمثال ۲ ما درمورد پیچیده سازی[۲] تابع f بوسیله محاط کردن یا درنظر گرفتن اعداد حقیقی درصفحه مختلط صحبت کردیم ، درادامه با عمل آسان سازی[۳] ازنتیجه کلی برای حل مسئله اصلی استفاده می کنیم . بسیاری از مدل‌های فازی از طرح مشابهی پیروی می‌کنند مسئله های واقعی که شامل عدم قطعیت های آماری نمی باشند ابتدا « فازی» می شوند سپس یک نوع آنالیز وتحلیل برروی مسئله بزرگترصورت می گیرد و درنهایت نتیجه برای حل مسئله اصلی خاص و ویژه می شود. درمثال ۲ بازگشت به خط حقیقی عمل آسان سازی نامیده می شود ؛ درمدل های فازی این بخش ازفرآیند به عنوان دقیق سازی[۴] شناخته می شود. این عمل معمولا ضروری است ، البته هرچند که ما به یک دانش آموز آموزش می دهیم تا « از ترمز خیلی زود استفاده کند» ولی درحقیقت پدال ترمز دریک لحظه باید درست وآماده عمل کند. به عبارت دیگرما نمی توانیم یک موتور را نصحت کنیم که « تند حرکت نکن » هرچند که این دستورالعمل از کنترل کننده فازی می آید ولی ما باید ولتاژومقدار آن را به مقدار مخصوص ومعینی تغییردهیم مثال ۲ نشان می دهد که این به سختی یک ایده یا داستان است ؛ درعوض باید به آن به عنوان روشی سودمند توجه کنیم.

مثال ۳:به عنوان آخرین وشاید واقعیترین مثال درمورد کاربرد مدل های فازی ، سیستمی که درشکل ۳ نشان داده شده را درنظر بگیرید که یک آونگ وارونه ساده را نشان می دهد . این آونگ برای چرخش درصفحه شکل وحول محور متصل به ماشین آزاداست. مسئله کنترل این است که با وارد کردن یک نیروی باز گرداننده F(t) درلحظه t ، درپاسخ به تغییرات خطی وزاویه ای موقعیت یا سرعت ، پاندول را درهمه زمان ها عمود نگه داریم . این مسئله می‌تواند به روش های مختلفی فرموله شود. دریکی از ساده ترین صورت ها از تئوری کنترل استفاده می شود . خطی سازی معادلات حرکت به یک مدل از سیستم منتهی می شود که ویژگی های ثبات واستحکام توسط امتحان بخش حقیقی مقادیر ویژه  ازماتریس  ثابت های سیستم مشخص می گردد. مسیر پایین در شکل ۳ این حالت را نشان می دهد . همانطور که در وسط مسیر پایین شکل ۳ نشان داده شده اگر  آنگاه پاندول ثابت وساکن خواهد ماند. این رویه درمهندسی کنترل بسیار پیش پا افتاده است تا آنجا که بسیار از طراحان اصلا درمورد استفاده ازاعداد موهومی درحل مسایل حقیقی فکرنمی کنند ، ولی واضح است که این روند دقیقا مانند مثال ۲ است – یک مسئله حقیقی با گذر موقت به یک مجموعه بزرگتر وخیالی ، تحلیل موقعیت درابرمجموعه ودرنهایت با خاص کردن[۵] نتیجه برای بدست آوردن جواب دلخواه حل می شود.



[۱]-Superset

[۲]-Complexifying

[۳]-decomplexification

[۴]-defuzzification

[۵]-Specializing

[۱]-Conventional

[۲]-Zade

[۳]-Membership Function

[۴]-truth

[۵]-isomorphic

[۶]-Universe Set

[۱]-Fuzzy

30,000 ریال – خرید

جهت دریافت و خرید متن کامل مقاله و تحقیق و پایان نامه مربوطه بر روی گزینه خرید انتهای هر تحقیق و پروژه کلیک نمائید و پس از وارد نمودن مشخصات خود به درگاه بانک متصل شده که از طریق کلیه کارت های عضو شتاب قادر به پرداخت می باشید و بلافاصله بعد از پرداخت آنلاین به صورت خودکار  لینک دنلود مقاله و پایان نامه مربوطه فعال گردیده که قادر به دنلود فایل کامل آن می باشد .

مطالب پیشنهادی:
  • مقاله ربات خط یاب با کنترل فازی
  • مقاله پیش بینی دما با استفاده از روش های هوشمند
  • برچسب ها : , , , , , , , ,
    برای ثبت نظر خود کلیک کنید ...

    به راهنمایی نیاز دارید؟ کلیک کنید

    جستجو پیشرفته

    پیوندها

    دسته‌ها

    آخرین بروز رسانی

      شنبه, ۸ اردیبهشت , ۱۴۰۳
    اولین پایگاه اینترنتی اشتراک و فروش فایلهای دیجیتال ایران
    wpdesign Group طراحی و پشتیبانی سایت توسط digitaliran.ir صورت گرفته است
    تمامی حقوق برایbankmaghaleh.irمحفوظ می باشد.