در زندگی روزمره، ممکن است با موقعیت‌هایی مواجه شویم که نتوانیم درست یا نادرست بودن آن را تشخیص دهیم. فازی/Fuzzy به چیزی اشاره دارد که نامشخص یا مبهم است. منطق فازی در هوش مصنوعی انعطاف پذیری ارزشمندی را برای استدلال فراهم می کند. و در این مقاله به ترتیب زیر با این منطق و پیاده سازی آن در هوش مصنوعی آشنا می شویم:

• منطق فازی چیست؟
• چرا از منطق فازی استفاده می کنیم؟
• معماری
• تابع عضویت
• منطق فازی در مقابل احتمال
• کاربردهای منطق فازی
• مزایا و معایب
• منطق فازی در هوش مصنوعی: مثال

منطق فازی (FL) روشی برای استدلال است که شبیه استدلال انسان است. این رویکرد شبیه نحوه تصمیم گیری انسان ها است، و تمام احتمالات میانی بین بله و خیر را شامل می شود.

بلوک منطقی متعارفی که کامپیوتر درک می‌کند، ورودی دقیقی را دریافت می‌کند و خروجی مشخصی را به صورت TRUE یا FALSE تولید می‌کند که معادل بله یا خیر یک انسان است. منطق فازی توسط لطفی زاده ابداع شد و دریافت که بر خلاف کامپیوترها، انسان ها دارای طیف متفاوتی از امکانات بین بله و خیر هستند، مانند:
o قطعا بله
o احتمالا بله
o نمیشه گفت
o احتمالا نه
o قطعا نه

منطق فازی بر روی سطوح احتمالات ورودی برای دستیابی به خروجی مشخص کار می کند. اکنون در مورد اجرای این منطق صحبت می کنیم:
• می توان آن را در سیستم هایی با اندازه ها و قابلیت های مختلف مانند میکروکنترل‌گر ها، سیستم های شبکه ای بزرگ یا مبتنی بر ایستگاه کاری پیاده سازی کرد.
• همچنین می توان آن را در سخت افزار، نرم افزار یا ترکیبی از هر دو پیاده سازی کرد.

به طور کلی، ما از سیستم منطق فازی برای اهداف تجاری و عملی مانند این موارد استفاده می‌کنیم:
o ماشین آلات و محصولات مصرفی را کنترل می کند.
o اگر استدلال دقیق نباشد، حداقل استدلال قابل قبولی ارائه می دهد.
o به مقابله با عدم قطعیت در مهندسی کمک می کند.
بنابراین، اکنون که در مورد منطق فازی در هوش مصنوعی و اینکه چرا واقعاً از آن استفاده می‌کنیم، اطلاع پیدا کردیم، بیایید به جلو برویم و با معماری این منطق آشنا شویم.

معماری منطق فازی از چهار بخش اصلی تشکیل شده است:

۱- قوانین: شامل کلیه قوانین و شرایط احتمالی ارائه شده توسط کارشناسان برای کنترل سیستم تصمیم گیری است. به روز رسانی اخیر در تئوری فازی روش های موثر متفاوتی را برای طراحی و تنظیم کنترل کننده های فازی ارائه می دهد. معمولاً این پیشرفت ها تعداد قوانین فازی را کاهش می دهد.
۲- فازی‌سازی: این مرحله ورودی ها یا اعداد واضح را به مجموعه های فازی تبدیل می کند. می‌توانید ورودی‌های واضح را توسط حسگرها اندازه‌گیری کنید و آنها را برای پردازش بیشتر به سیستم کنترل منتقل کنید. سیگنال ورودی را به پنج مرحله تقسیم می‌کند: مثبت بزرگ/ مثبت متوسط/ کم اهمیت/ منفی متوسط/ منفی بزرگ

۳- موتور نتیجه‌گیری: درجه تطابق بین ورودی فازی و قوانین را تعیین می کند. با توجه به فیلد ورودی، قوانینی که قرار است اخراج شوند را تعیین می کند. با ترکیب قوانین اخراج‌شده، اقدامات کنترلی را تشکیل می‌دهد.
۴- فازی‌زدایی: فرآیند فازی‌زدایی مجموعه‌های فازی را به یک مقدار واضح تبدیل می‌کند. انواع مختلفی از تکنیک ها وجود دارد و شما باید بهترین روش را با یک سیستم حرفه‌ای انتخاب کنید.
این موارد در مورد معماری منطق فازی در هوش مصنوعی بود. اکنون، بیایید با تابع عضویت آشنا شویم.

تابع عضویت نموداری است که نحوه نگاشت هر نقطه در فضای ورودی را با مقدار عضویت بین ۰ و ۱ مشخص می کند. به شما این امکان را می‌دهد که اصطلاحات زبانی را بررسی کنید و یک مجموعه فازی را به صورت گرافیکی نشان دهید. یک تابع عضویت برای مجموعه فازی A در جهان گفتمان X به صورت μA:X → [0,1] تعریف می‌شود.
درجه عضویت عنصر در X به مجموعه فازی A را کمی می کند.
• محور x نشان دهنده جهان گفتمان است.
• محور y نشان دهنده درجات عضویت در بازه [0، 1] است.
چندین تابع عضویت می تواند برای فازی کردن یک مقدار عددی قابل اجرا باشد. به این دلیل از توابع عضویت ساده استفاده می شود زیرا توابع پیچیده دقتی در خروجی اضافه نمی کنند. توابع عضویت برای LP ،MP ،S ،MN و LN عبارتند از:

اشکال تابع عضویت مثلثی در میان اشکال تابع عضویت دیگر رایج‌تر است. در اینجا، ورودی فازی‌فایر ۵ سطحی از ۱۰- ولت تا ۱۰+ ولت متغیر است. بنابراین خروجی مربوطه نیز تغییر می کند.

بنابراین، اینها برخی از تفاوت‌های منطق فازی در هوش مصنوعی و احتمال بودند. حال، بیایید نگاهی به برخی از کاربردهای این منطق بیندازیم.

منطق فازی در زمینه های مختلفی مانند سیستم های خودرو، کالاهای خانگی، کنترل محیط و غیره استفاده می شود. برخی از کاربردهای رایج عبارتند از:
• در زمینه هوافضا برای کنترل ارتفاع فضاپیماها و ماهواره ها استفاده می شود.
• سرعت و ترافیک در سیستم های خودرو را کنترل می کند.
• برای سیستم های پشتیبانی تصمیم گیری و ارزیابی شخصی در تجارت شرکت های بزرگ استفاده می شود.
• همچنین pH، خشک کردن، فرآیند تقطیر شیمیایی در صنایع شیمیایی را کنترل می کند.
• منطق فازی در پردازش زبان طبیعی و کاربردهای فشرده مختلف در هوش مصنوعی استفاده می شود.
• به طور گسترده در سیستم های کنترل مدرن مانند سیستم های تخصصی استفاده می شود.
• منطق فازی نحوه تصمیم‌گیری یک شخص را تقلید می کند، اما خیلی سریعتر. بنابراین، می توانید از آن با شبکه های عصبی استفاده کنید.
اینها برخی از کاربردهای رایج منطق فازی بودند. حال، بیایید به مزایا و معایب استفاده از منطق فازی در هوش مصنوعی نگاهی بیندازیم. منطق فازی استدلال ساده ای شبیه به استدلال انسان 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 برای اهداف تجاری و عملی استفاده می شود.
• به شما کمک می کند تا ماشین ها و محصولات مصرفی را کنترل کنید.
• به شما کمک می کند تا با عدم قطعیت در مهندسی کنار بیایید.
• قدرتمند؛ به دلیل عدم نیاز به ورودی دقیق
• اگر حسگر بازخورد از کار افتاد، می توانید آن را در همان وضعیت برنامه ریزی کنید.
• به راحتی می توانید آن را برای بهبود یا تغییر عملکرد سیستم تغییر دهید.
• می توان از سنسورهای ارزان قیمت استفاده کرد؛ که به شما کمک می کند هزینه و پیچیدگی کلی سیستم را پایین نگه دارید.

اینها مزایای مختلف منطق فازی بود. اما، معایبی نیز دارد:
o منطق فازی همیشه دقیق نیست. بنابراین نتایج بر اساس فرضیات درک می شوند و ممکن است به طور گسترده مورد پذیرش قرار نگیرند.
o نمی تواند یادگیری ماشین و همچنین الگوهای نوع شبکه عصبی را تشخیص دهد.
o اعتبار سنجی و تأیید یک سیستم مبتنی بر دانش فازی نیاز به آزمایش گسترده با سخت افزار دارد.
o تنظیم قوانین دقیق و فازی و توابع عضویت کار دشواری است.
o گاهی اوقات، منطق فازی با نظریه احتمال اشتباه گرفته می شود.
بنابراین، اینها برخی از مزایا و معایب استفاده از منطق فازی در هوش مصنوعی بود. حال، بیایید یک مثال در دنیای واقعی بیاوریم و عملکرد این منطق را درک کنیم.

طراحی یک سیستم منطق فازی با مجموعه ای از توابع عضویت برای هر ورودی و مجموعه ای برای هر خروجی شروع می شود. سپس مجموعه ای از قوانین برای توابع عضویت اعمال می شود تا یک مقدار خروجی واضح به دست آید. بیایید با یک مثال از کنترل فرآیند و منطق فازی آشنا شویم. در اینجا دما، ورودی و سرعت فن، خروجی است. شما باید برای هر ورودی مجموعه ای از توابع عضویت ایجاد کنید. تابع عضویت صرفا یک نمایش گرافیکی از مجموعه متغیرهای فازی است. برای این مثال از سه مجموعه فازی سرد، گرم و داغ استفاده خواهیم کرد. سپس یک تابع عضویت برای هر یک از سه مجموعه دما ایجاد می کنیم:

در مرحله بعد از سه مجموعه فازی برای خروجی آهسته، متوسط، و سریع استفاده می کنیم. درست مانند مجموعه های ورودی، مجموعه ای از توابع برای هر مجموعه خروجی ایجاد می شود.

اکنون که توابع عضویت خود را تعریف کرده ایم، می توانیم قوانینی را ایجاد کنیم که نحوه اعمال توابع عضویت در سیستم نهایی را مشخص می کند. ما سه قانون برای این سیستم ایجاد خواهیم کرد.
• اگر داغ بود، سریع است.
• اگر گرم بود، متوسط است.
• اگر سرد بود، آهسته است.

این قوانین برای توابع عضویت اعمال می شود تا مقدار خروجی واضح را برای هدایت سیستم تولید کند. بنابراین، برای مقدار ورودی ۵۲ درجه، توابع عضویت را قطع می کنیم. در اینجا، ما دو قانون را اعمال می کنیم زیرا تقاطع در هر دو تابع رخ می دهد. می توانید نقاط تقاطع را به توابع خروجی گسترش دهید تا یک نقطه متقاطع ایجاد کنید. سپس می توانید توابع خروجی را در ارتفاع نقاط متقاطع کوتاه کنید.

این توضیح بسیار ساده ای از نحوه عملکرد سیستم های منطق فازی بود. در یک سیستم کار واقعی، ورودی های زیادی وجود خواهد داشت و امکان چندین خروجی وجود دارد. این منجر به مجموعه ای نسبتاً پیچیده از توابع و قوانین بسیار بیشتر می شود.
ما به پایان مقاله منطق فازی خود در هوش مصنوعی رسیدیم. امیدوارم متوجه شده باشید که منطق فازی چیست و چگونه کار می کند.

شرکت فناوران اینترنت اشیاء هیوا از سال ۱۳۹۷ با بهره‌گیری از دانش، تخصص و تجربه افراد توانمند در زمینه منطق فازی در هوش مصنوعی فعالیت می کند.

سایت مرجع: edureka.co