Professional Documents
Culture Documents
Predavanje 9
Predavanje 9
Predavanje 9
Predavanje 9
(akademska godina 2015/16)
Predavanje 9
Fuzzy (neizrazita, nejasna, meka) logika
Fuzzy logika (engl. fuzzy logic) je, slino ternarnim logikama, vrsta vievrijednosne logike, koja je
znatno izraajnija od ternarnih logika. Ona predstavlja interesantno i veoma korisno proirenje klasine
logike. Mada engleska rije fuzzy znai neto nejasno, razmrljano, neodreeno, neprecizno, ne
radi se o tome da je fuzzy logika neka nejasna logika koja je nejasna sama po sebi, nego o tome da se ona
bavi prouavanjem iskaza nejasne ili neprecizne istinitosti, kao i iskaza ija je istinitost uvjetovana
subjektivnim doivljajima. Recimo, posmatrajmo iskaz poput Gospodin Peri je visok ovjek. Ukoliko
je gospodin Peri visok recimo 205 cm, ova izjava je neosporno tana, a ukoliko je visok recimo 150 cm,
ova izjava je neosporno netana. Meutim, ta rei o njenoj istinitosti ukoliko je gospodin Peri visok
175 cm? Odgovor oito ovisi o tome kakav je na subjektivni dojam ta smatramo visokim ovjekom.
Stoga bi u ovom sluaju vjerovatno najbolji odgovor bila nejasna tvrdnja da je iskaz prilino taan.
Fuzzy logika omoguava davanje strogog smisla upravo ovakvim nepreciznim tvrdnjama. U dananje
vrijeme, fuzzy logika dobija sve vei i vei znaaj, naroito u primjenama metoda vjetake inteligencije
i mekog raunarstva (engl. soft computing), s obzirom da se veina zakljuivanja u stvarnom ivotu
odvija u prisustvu nepotpunih ili neprecizno specificiranih informacija.
Postoji vie razliitih naina za zasnivanje fuzzy logike. Lotfi Zadeh , koji se smatra osnivaem
fuzzy logike (mada se osnovne ideje na kojima se zasniva fuzzy logika javljaju jo kod ukasiewicza),
nejasnim iskazima je pripisivao opisne (lingvistike) istinite vrijednosti poput veoma tano, sasvim
tano, prilino tano, donekle netano, itd. koje se dalje strogo modeliraju pomou tzv. neizrazitih
ili fuzzy skupova. Dakle, u izvornoj fuzzy logici, prvo se definiraju fuzzy skupovi, pa se oni koriste za
uvoenje fuzzy logike. Danas preovladava neto prirodniji pristup, u kojem se prvo definira neto
drugaija fuzzy logika (kao prirodna nadgradnja klasine logike), pomou koje se dalje na prirodan
nain definiraju fuzzy skupovi. Oni se dalje mogu koristiti i za definiranje fuzzy logike onakve kakvu je
izvorno definirao Zadeh, koja se danas ponekad naziva i fuzzy logika drugog reda. U nastavku emo
usvojiti ovaj pristup, s obzirom da se on logino nadovezuje na predhodno izloene pojmove.
U pristupu fuzzy logici koji emo ovdje izloiti, istinitosne vrijednosti pridruene iskazima mogu
uzimati ne samo dvije mogue razliite vrijednosti (poput tano i netano), niti vrijednosti iz ma
kakvog konanog skupa vrijednosti (kao u vievrijednosnim logikama poput ternarne logike), ve mogu
uzimati ma kakvu kontinualnu realnu vrijednost izmeu 0 i 1 ukljuivo, tj. vrijednost iz segmenta
[0 .. 1] = { | 0 1}. Pri tome iskazu koji je sigurno taan pridruujemo istinitosnu vrijednost 1,
iskazu koji je sigurno netaan pridruujemo istinitosnu vrijednost 0, dok iskazima ija je istinitost
neizvjesna pridruujemo realan broj izmeu 0 i 1, koji je tim vei to je vea naa subjektivna ubjeenost u
istinitost tog iskaza. Na primjer, iskazu Gospodin Peri je visok ovjek za sluaj kada je gospodin Peri
visok 175 cm moemo prirduiti istinitost od, recimo, 0.8 (ili 80 %). Ovdje se mora istai da je ovo
pridruivanje stvar iskljuivo subjektivne procjene, a ne nikakvih objektivnih kriterija.
Odmah na poetku treba istai da postoji velika razlika izmeu stepena istinitosti kojim se izraava
istinitost nekog iskaza u fuzzy logici (koji je stvar subjektivne procjene) i vjerovatnoe nekog dogaaja
o kojem se govori (koja je isto objektivna injenica). Na primjer, vjerovatnoa da padne grb pri
bacanju posve simetrinog novia iznosi 0.5 (odnosno 50 %), pri emu je to objektivna injenica, koja
ne ovisi ni od kakve subjektivne procjene. S druge strane, posmatrajmo iskaz poput Optueni je kriv,
kojem smo pridruili istinitost od, recimo, 0.7. Ova injenica se obino interpretira kao Vjerovatnoa
da je optueni kriv iznosi 70 %, mada se ovdje ne radi o vjerovatnoi u smislu teorije vjerovatnoe,
nego o naem vlastitom stepenu vjerovanja u krivicu optuenog. Zaista, optueni je ili kriv, ili nije kriv,
samo to mi ne znamo ta od toga dvoje vrijedi, i tu nema nikakve vjerovatnoe (o vjerovatnoi bismo
mogli govoriti jedino u reenicama poput 85 % svih optuenika na kraju budu krivi). Stoga bi bolja
interpretacija bila Na subjektivni stepen ubijeenosti u krivicu optuenog iznosi 70 %.
Formalno posmatrano, fuzzy logika prouava takve operacije i funkcije sa vrijednostima iz
segmenta [0 .. 1] koje kao rezultat primjene daju ponovo vrijednosti iz segmenta [0 .. 1]. Stoga bi se fuzzy
logika mogla posmatrati kao grana kontinualne a ne diskretne matematike (s obzirom da prouava
kontinualne a ne diskretne veliine). Meutim, zbog njene velike povezanosti i analogije sa klasinim
aparatom matematike logike i teorije skupova, ona se gotovo bez izuzetka smatra sastavnim dijelom
diskretne matematike, bez obzira to se ona ponekad poziva na neke operacije koje su tipine za
kontinualnu matematiku (npr. integraciju iz matematike analize).
Predavanje 9
(akademska godina 2015/16)
Prvi zadatak fuzzy logike je proiriti operacije klasine logike, poput konjunkcije, disjunkcije i
negacije na vrijednosti iz segmenta [0 .. 1], a da one zadre smisao koji imaju u klasinoj prekidakoj
algebri. Ovo se moe uraditi na beskonano mnogo razliitih naina, pri emu treba dati prednost onim
nainima koji imaju svoj jasan logiki smisao, a ne ii na to da se po svaku cijenu zadre svi zakoni
klasine prekidake algebre. Naime, bez obzira to je principijelno mogue definirati operacije
konjunkcije, disjunkcije i negacije tako da trojka ([0 .. 1], , ) bude Booleova algebra (to garantira
ouvanje svih zakona koji vae u prekidakoj logici), tako definiranim operacijama ne bi se mogla nai
nikakva logika interpretacija. To bismo mogli uraditi recimo ovako. Neka je f ma kakva bijekcija sa
segmenta [0 .. 1] na skup (). Takva bijekcija postoji, jer skupovi [0 .. 1] i () imaju isti kardinalni
broj. Ukoliko sada uvedemo definicije =
( ( ) ( )) i =
( ( ) ( )) pri emu su
i klasine operacije presjeka i unije, posve je lako pokazati da se dobija Booleova algebra sa
komplementom definiranim izrazom =
( () \ ). Meutim, bez obzira to razliitih bijekcija
izmeu skupova [0 .. 1] i () ima beskonano mnogo i to razliiti izbori bijekcija daju razliite
definicije konjunkcije i disjunkcije, niti jedan izbor bijekcije ne daje definicije konjunkcije i disjunkcije
koje bi se mogle logiki opravdati. Zbog toga je prirodno odustati od zahtjeva da fuzzy logika bude
Booleova algebra i traiti prirodnije (tj. logiki opravdanije) definicije konjunkcije i disjunkcije.
Postoji mnogo naina kako se u fuzzy logici mogu na logiki opravdan nain uvesti operacije
konjunkcije, disjunkcije i negacije. Danas je uobiajeno da se ove operacije definiraju na sljedei nain,
pa kada govorimo o fuzzy konjunkciji, fuzzy disjunkciji i fuzzy negaciji, mislimo upravo na ovako
definirane operacije:
= min { , } ,
= max { , } ,
=1
Neformalno reeno, konjunkcija dva nesigurna iskaza ima istinitost nesigurnijeg, dok njihova
disjunkcija ima istinitost sigurnijeg iskaza. Ne treba zaboraviti da sa ovako definiranim operacijama
konjunkcije i disjunkcije, trojka ([0 .. 1], , ) nije Booleova algebra. Preciznije, ovdje nije ispunjen uvjet
postojanja komplementarnog elementa onakvog kakav se zahtijeva u Booleovoj algebri. Stoga u fuzzy
logici, slino kao ni u ternarnim logikama, ne vrijede niti zakon neprotivrjenosti, niti zakon iskljuenja
treeg, o emu treba voditi rauna.
Bez obzira na opisana ogranienja, ovako definirana struktura ([0 .. 1], , ) dijeli dosta osobina
koje inae posjeduje Booleova algebra. Recimo, fuzzy konjunkcija i fuzzy disjunkcija su apsorptivne jedna
prema drugoj, odnosno vrijede zakoni apsorpcije ( ) = i ( ) = . Zapravo, fuzzy logika
opisana trojkom ([0 .. 1], , ) uz gore definirane operacije fuzzy konjunkcije i fuzzy disjunkcije
predstavlja primjer algebarske strukture koja se naziva mrea ili reetka (engl. lattice). Mrea je
algebarska struktura za ije se dvije operacije trai samo da su komutativne, asocijativne i apsorptivne
jedna prema drugoj. Jasno je da je svaka Booleova algebra mrea, dok je mrea Booleova algebra samo
ukoliko jo vrijede i zakoni distributivnosti i postojanja komplementarnog elementa. Moe se pokazati da
za operacije fuzzy konjunkcije i fuzzy disjunkcije vrijedi i distributivni zakon, tj. svaka od ove dvije
operacije je distributivna prema drugoj, to je korisno svojstvo.
Postoji jo mnogo operacija koje na razliite naine generaliziraju operacije konjunkcije i disjunkcije,
koje se zajedniki nazivaju -norme i -norme (ili -konorme). Sve se one svode na operacije konjunkcije
i disjunkcije u klasinoj logici u sluaju kada argumenti uzimaju iskljuivo vrijednosti 0 i 1. Pri tome,
-norme generaliziraju operaciju konjunkcije, a -norme (odnosno -konorme) operaciju disjunkcije.
Preciznije, neka operacija fuzzy logike je -norma ukoliko je komutativna, asocijativna, ima jedinicu
kao neutralni a nulu kao apsorbirajui element (tj. 1 = i 0 = 0) i monotono je rastua u smislu da
iz i slijedi . Za -normu (odnosno -konormu) vrijede isti zahtjevi, samo to
je nula neutralni a jedinica apsorbirajui element (tj. 0 = i 1 = 1). Jasno je da su fuzzy konjunkcija
i fuzzy disjunkcija jedan mogui primjer s-norme i t-norme. Ukoliko je t( , ) neka -norma, tada je njoj
odgovarajua (dualna) -norma definirana izrazom ( , ) = 1 (1 , 1 ). Obrnuto, iz neke -norme
( , ) njoj odgovarajuu (dualnu) -normu moemo dobiti pomou izraza ( , ) = 1 (1 , 1 ).
Ovo predstavlja generalizaciju De Morganovih teorema u fuzzy logici.
Razne -norme i -norme koje se koriste u praksi obino se obiljeavaju indeksiranim slovima i ,
pri emu koriteni indeksi asociraju na specifini naziv -norme odnosno -norme, ili na ime autora koji
je ili uveo tu -normu odnosno -normu u upotrebu, ili je na neki drugi nain imao zasluge za njihovo
uvoenje. U sljedeoj tablici navedene su najpoznatije -norme i -norme.
Predavanje 9
(akademska godina 2015/16)
-norma
-norma
( , ) = min { , }
( , ) = max { , }
( , )=
(x, y) = +
( , ) = max {0, + 1}
( , ) = min {1, + }
min { x , y }, za x 1 y 1
( , )=
0, u suprotnom
xy
( , )=
p (1 p)( x y x y )
xy
( , )=
1 (1 x )(1 y )
max { x , y }, za x 0 y 0
( , )=
1, u suprotnom
x y x y (1 p) x y
( , )=
1 (1 p) x y
x y
( , )=
1 x y
( p x 1)( p y 1)
( , ) = log p 1
p 1
( , ) = log p 1
( , ) = 1 min{1, ((1 ) + (1 ) )
( , ) = max {0, (
( , ) = 1
1)
( , ) = min {1, (
1 x p 1 y p 1/p 1
y
x
( , ) = max {0, (1 + )( + 1)
( , )=
( p 1 x 1)( p 1 y 1)
p 1
( , ) = 1 1
}
( , )=
}
+(1 )
1)
x p
y p 1/p 1
1 x
1 y
( , ) = min {1, +
xy
max { x , y , p}
x y x y min { x , y , 1 p}
max {1 x , 1 y , p}
Bez obzira to sve -norme odnosno -norme generaliziraju operacije konjunkcije i disjunkcije, za
njih se nikada ne koriste oznake i (osim za ve definiranu fuzzy konjunkciju i fuzzy disjunkciju) da
ne bi dolo do mijeanja sa operacijama fuzzy konjunkcije i fuzzy disjunkcije. Od svih navedenih -normi i
-normi, pored fuzzy konjunkcije i fuzzy disjunkcije u praksi se najvie koriste ( , ) i ( , ), koje se
nazivaju algebarski proizvod i algebarski zbir. Za njih se esto koriste i oznake i , tako da je
=
i = +
(ponekad ak i oznake i + ukoliko ne postoji opasnost da doe do
zabune). Ovako definirane operacije omoguavaju prilinu konzistenciju sa postupkom aritmetizacije
prekidakih funkcija, ali pri tom gubimo vaenje zakona apsorpcije i svih drugih zakona koji iz njega
slijede, poput zakona idempotencije (recimo, openito je i ).
-norme
i
nazivaju se ograniena razlika i drastini proizvod, dok se -norme
i
nazivaju ogranieni zbir i drastini zbir. Ogranienu razliku i ogranieni zbir uveo je ukasiewicz, i
one na izvjestan nain generaliziraju operacije jake konjunkcije i jake disjunkcije iz ukasiewiczeve
ternarne logike. Indeksi h, e, f , ya, s, do, w i du asociraju na imena autora Hamachera,
Einsteina, Franka, Yagera, Schweitzera, Dombija, Webera i Duboisa, a odgovarajue norme nazivaju
se Hamacherova suma odnosno Hamacherov proizvod, itd. Neke od razmatranih -normi i -normi
zavise od unaprijed fiksiranog parametra , pri emu je kod Hamacherovih normi 0, kod Frankovih,
Yagerovih, Schweitzerovih i Dombijevih normi je > 0, pri emu je kod Frankovih normi jo i 1, kod
Weberovih normi je 1, dok je kod Duboisovih normi 0 1. Za ove norme, uz fiksirano ,
vrijede odnosi
Predavanje 9
(akademska godina 2015/16)
Naziv
max {1 , }
min {1, 1 + }
ukasiewiczeva implikacija
1 +
1, za
max {1 ,
1, za
0, za
1, za
, za
1, za
min{1, /
}, za >
>
Reichenbachova implikacija
Fodorova implikacija
Rescherova (stroga) implikacija
Gdelova implikacija
>
=0
}, za > 0
Goguenova implikacija
Generalno, iz bilo koje -norme moemo dobiti neku operaciju implikacije pomou formule
x y = 1 ( , 1 ) (ili = (1 , ) gdje je ( , ) odgovarajua odnosno dualna -norma). Tako
dobijene implikacije nazivaju se S-implikacije. Tako su, na primjer, Kleene-Dienesova, ukasiewiczeva i
Reichenbachova implikacija S-implikacije izvedene redom iz fuzzy konjunkcije, ograniene razlike i
algebarskog proizvoda. Takoer, iz bilo koje -norme moemo neku operaciju implikacije dobiti i
pomou formule = sup { | ( , ) }. Tako izvedene implikacije nazivaju se rezidualne odnosno
R-implikacije. Na primjer, Gdelova i Goguenova implikacija su R-implikacije izvedene respektivno iz
fuzzy konjunkcije i algebarskog proizvoda.
Pored ovako izvedenih implikacija, u nekim aplikacijama se susreu i operacije koje se nazivaju
implikacijama, mada ne ispunjavaju sve zahtjeve koji se zahtijevaju od operacija implikacije. Tipian
primjer je Zadehova implikacija definirana kao = max {1 , min { , }}, koja se mnogo koristi u
praksi, a koja ne zadovoljava sve uvjete koji se postavljaju na implikaciju. Na primjer, ona ne zadovoljava
zahtjev da mora vrijediti 1 = 1.
Fuzzy skupovi
U prethodnom odjeljku su izloene osnovne operacije fuzzy logike u savremenom smislu. Meutim,
sama fuzzy logika tek je osnovni matematski aparat za zasnivanje teorije fuzzy skupova, zatim za teoriju
fuzzy rezonovanja, itd. Intuitivno, fuzzy skupovi su nain za formalizaciju koncepata skupova za koje
se ne moe precizno utvrditi da li im neki elementi pripadaju ili ne pripadaju, kao to su, na primjer,
skup visokih zgrada, skup potenih ljudi, skup hladnih predjela, itd. Naime, razmatramo li, na
primjer, pojam skup visokih zgrada, prvo se postavlja pitanje kako postaviti granicu koja je zgrada
visoka, a koja nije. ak i ukoliko postavimo neku konkretnu granicu, npr. visinu od 100 m, teko je rei
Predavanje 9
(akademska godina 2015/16)
da onda zgrada od 99 m nije visoka, a ona od 101 m jeste (ovdje imamo tzv. paradoks gomile: jedan
kamen nije gomila, dva kamena nisu gomila, 1000 kamenja jeste gomila, ali gdje je granica kada se
formira gomila?). U nastvku emo u kratkim crtama izloiti ta se podrazumijeva pod fuzzy skupovima.
Znamo da veinu klasinih skupova moemo zadavati specifikacijom kao { | P( )}, gdje je P( )
neki otvoreni uvjet (predikat). Neformalno, fuzzy skup dobijamo ukoliko predikat P zamijenimo nekom
funkcijom ije vrijednosti lee unutar segmenta [0 .. 1]. Tako, vrijednost ( ) = 0 znai da element
sigurno ne pripada skupu, vrijednost ( ) = 1 znai da element
sigurno pripada skupu, dok za
0 < < 1 imamo nejasnu pripadnost, pri emu vea vrijednost ( ) znai izvjesniju pripadnost. Stoga se
naziva funkcija pripadnosti, dok se vrijednost funkcije ( ) za neki konkretni element naziva
stepen pripadnosti tog elementa fuzzy skupu. S obzirom da funkcija mora imati svoj domen, fuzzy
skupovi uvijek se moraju graditi nad nekim univerzalnim skupom koji predstavlja domen funkcije . U
skladu sa tim, fuzzy skupove obino oznaavamo kao { | ( )}, ili samo { | ( )} ukoliko je skup
jasan iz konteksta. Recimo, ukoliko hoemo da definiramo skup visokih ljudi, za skup uzimamo skup
svih ljudi. Funkciju pripadnosti moemo definirati tako to emo uzeti da je ( ) = 0 za sve ljude koji su
nii od, recimo, 160 cm, ( ) = 1 za sve ljude vie od 200 cm, dok za ljude visoke izmeu 160 cm i
200 cm moemo uzeti da ( ) raste, recimo linearno, kao na sljedeoj slici:
( )
1
visina od u cm
160
200
Za fuzzy skupove se smatra da, za razliku od obinih skupova, nemaju otre (izrazite) granice,
nego su im granice nejasno odreene (razmrljane). Odatle se fuzzy skupovi nazivaju i neziraziti skupovi.
Slikovito, ukoliko univerzalni skup predstavimo pravougaonikom, njegov klasini podskup A i fuzzy
podskup B moemo predstaviti kao na sljedeoj slici:
A
Formalno bi se fuzzy skupovi mogli posmatrati kao obini skupovi ureenih parova u kojima prva
komponenta predstavlja element x, a druga komponenta njegov stepen pripadnosti ( x), odnosno kao
skupovi oblika {(x, (x)) | x }. Meutim, operacije sa fuzzy skupovima definiraju se posve drugaije
nego operacije sa obinim skupovima, tako da je fuzzy skupove bolje tretirati kao posebnu vrstu
objekata, razliitu od klasinih skupova (ovdje nailazimo na iste probleme kao pri pokuaju modeliranja
multiskupova pomou ureenih parova i obinih skupova). Naime, operacije sa fuzzy skupovima se
definiraju koristei operacije fuzzy logike, na analogan nain kako se operacije sa klasinim skupovima
uvode pomou operacija klasine logike. Recimo, fuzzy unija i fuzzy presjek fuzzy skupova A = { | ( )}
i B = { | ( ) } definirane su kao
A B = { | ( ) ( )} = { | max { ( ), ( )}}
A B = { | ( ) ( )} = { | min { ( ), ( )}}
Slino se uvodi i fuzzy komplement fuzzy skupa A = { | ( )} kao fuzzy skup A = { | ( )}
gdje je ( ) = 1 ( ). Meutim, treba imati na umu da ne vrijede zakoni komplementarnosti, odnosno
openito je A A i A A . Ovo zapravo uope nije nelogino. Uzmimo, na primjer, neka je A
skup visokih ljudi definiran kao u prethodnom primjeru. Njegov komplement A mogli bismo zvati
skupom ljudi koji nisu visoki (bolje nego skupom niskih ljudi, s obzirom da skup niskih ljudi moemo
definirati i nekom funkcijom pripadnosti koja ne mora imati nikakve veze sa funkcijom pripadnosti
skupa A). Tada bi presjek A A mogli zvati skupom ljudi koji i jesu i nisu visoki. Da skup A ima striktne
granice, ovaj skup bi, naravno, bio prazan. Meutim, s obzirom da je A fuzzy skup, ljudi osrednje visine
mogu se, sa izvjesnim stepenom pripadnosti, nai i u skupu A i u njegovom komplementu, tako da skup
Predavanje 9
(akademska godina 2015/16)
A A nee biti prazan. Takoer, uniju A A moemo zvati skupom ljudi koji su visoki ili nisu. Ponovo je
jasno da bi takav skup morao u potpunosti obuhvatiti sve ljude kada bi granice skupa A bile striktne.
Meutim, zbog neizrazitosti granica skupa A, ljudi osrednje visine se ne nalaze u potpunosti niti u
skupu A niti u njihovom komplementu, tako da se nee u potpunosti nai niti u njihovoj uniji. Ovo je
jasno vidljivo na sljedeoj slici koja prikazuje funkcije pripadnosti skupova A A i A A za fuzzy skup
A iz prethodnog primjera:
( )
( )
( )
160
( )
( )
( )
160
200
200
Ukoliko umjesto fuzzy disjunkcije i fuzzy konjunkcije uzmemo neku drugu -normu odnosno
t-normu, moemo dobiti brojne druge operacije sa fuzzy skupovima. Na primjer, uzmemo li umjesto
fuzzy disjunkcije algebarski zbir, a umjesto fuzzy konjunkcije algebarski proizvod, dobijamo algebarski
zbir odnosno algebarski proizvod fuzzy skupova. Ove operacije oznaavaju se sa A + B odnosno A B.
Od binarnih operacija sa fuzzy skupovima, bitno je jo definirati i Descartesov (ili Kartezijev)
proizvod fuzzy skupova. Descartesov proizvod dva fuzzy skupa A = { | ( )} i B = { | ( )}, u oznaci
A B, je fuzzy skup definiran kao A B = {( , ) | ( ) ( )}. Drugim rijeima, A B predstavlja
fuzzy skup ureenih parova ( , ) iz ija je funkcija pripadnosti ( , ) = ( ) ( ),
odnosno ( , ) = min { ( ), ( )}. Umjesto fuzzy konjunkcije mogue je uzeti i bilo koju drugu
t-normu i na taj nain definirati druge proizvode fuzzy skupova srodne Descartesovom proizvodu.
Za potrebe primjena fuzzy logike korisno je definirati i jo neke unarne operacije sa fuzzy
skupovima. Naroito se esto koriste operacije koncentracije i dilatacije fuzzy skupova. Koncentracija
i dilatacija fuzzy skupa A = { | ( )}, u oznakama con(A) i dil(A), definiraju se kao con(A) = { | ( ) }
odnosno dil(A) = { | ( ) }. Koncentracijom se umanjuje utjecaj onih elemenata fuzzy skupa koji
imaju mali stepen pripadnosti, ime se izotrava granica izmeu pripadnosti i nepripadnosti skupu. S
obzirom da su koncentracija i dilatacija meusobno inverzne operacije, dilatacijom se postie suprotan
efekat. U mnogim primjenama fuzzy logike, operacije koncentracije i diletacije mogu se tumaiti kao
modifikatori sa znaenjem izrazito odnosno donekle. Recimo, uz pogodno definiranu funkciju
pripadnosti, ukoliko je A skup visokih ljudi, skupove con(A) i dil(A) moemo tretirati kao skup izrazito
visokih ljudi odnosno skup donekle visokih ljudi. Ipak, takvu interpretacija se ne smije uzeti bezuvjetno,
ve samo uz dosta rezerve, to opet zavisi od konkretne primjene.
Za fuzzy skupove se takoer definira odnos inkluzije. Tako se za fuzzy skup A = { | ( )} kae da
je podskup fuzzy skupa B = { | ( )} ukoliko vrijedi ( ) ( ), odnosno pravi podskup ukoliko
je pri tome barem za jednu vrijednost domena ( ) ( ). Slino kao kod klasinih skupova, ove
odnose biljeimo kao A B odnosno A B. Dalje, klasini skupovi se mogu smatrati specijalnim
sluajevima klasinih skupova kod kojih funkcija pripadnosti moe uzimati samo vrijednosti 0 i 1, tako
da moemo govoriti o fuzzy podskupovima obinih skupova. Specijalno, svi fuzzy skupovi nad nekim
univerzalnim skupom su ujedno i fuzzy podskupovi skupa .
Za fuzzy skup A = { | ( )} kaemo da je normaliziran ukoliko je barem negdje ( ) = 1, tj.
ukoliko im barem jedan element u potpunosti pripada. U suprotnom, fuzzy skup je subnormalan. U
mnogim primjenama se zahtijeva da svi fuzzy skupovi sa kojima se radi budu normalizirani. Skup svih
vrijednosti x za koje je ( ) 0, u oznaci supp(A), naziva se nosa (engl. support) fuzzy skupa A, dok se
skup svih vrijednosti za koje je ( ) = 1, u oznaci core(A), naziva tolerancija (engl. core) fuzzy skupa
A. Dakle, skup je normaliziran ukoliko mu tolerancija nije prazna.
Zbog svoje vanosti u praksi, izvjesni fuzzy skupovi imaju i posebna imena. Tako se fuzzy skup
{ | ( )} kod kojeg je ( ) = 1 samo za jednu fiksnu brojanu vrijednost =
i kod kojeg ( )
monotono opada kada se udaljava od
naziva fuzzy broj. Fuzzy brojevi formaliziraju opise poput
priblino , otprilike , oko i sline. Fuzzy skup { | ( )} kod kojeg je ( ) = 1 unutar
nekog intervala ( .. ) i kod kojeg ( ) monotono opada kada se smanjuje ispod
odnosno
raste iznad naziva se fuzzy interval. Fuzzy intervali modeliraju intervale sa nestrogo specificiranim
granicama. Slino se mogu definirati i mnoge druge korisne analogije
Predavanje 9
(akademska godina 2015/16)
Radi potrebe razlikovanja fuzzy skupova od obinih skupova, za opisivanje fuzzy skupova se esto
koriste oznake koje dosta odudaraju od oznaka koji se koriste za opisivanje klasinih skupova. Tako,
prema konvenciji koju je predloio Zadeh, fuzzy skup koji sadri samo jedan element
sa stepenom
pripadnosti 0 obiljeava se sa / (upotrijebljena oznaka nema nikakve veze sa dijeljenjem odnosno
sa razlomakom crtom). Takav fuzzy skup naziva se singlton. Dalje, za oznaavanje fuzzy skupa koji
smo do sada oznaavali sa A = { | ( )} tipino se koristi jedna od sljedee dvije oznake, pri emu
se lijeva oznaka koristi ukoliko je univerzalni skup diskretan (tj. konaan ili najvie prebrojiv), dok se
desna oznaka koristi ukoliko je univerzalni skup kontinualan (tj. ukoliko ima kardinalni broj ):
A
( )
( ) d
Na primjer, fuzzy skup A koji sadri 3 elementa , i iji su stepeni pripadnosti respektivno 0.3, 1 i
0.75 (tj. ( ) = 0.3, ( ) = 1 i ( ) = 0.75), u teoriji fuzzy skupova obino zapisujemo ovako:
A
( )
0.3
+1
+ 0.75
Naravno, upotrijebljene oznake ni ovdje nemaju nikakve veze niti sa sabiranjem, niti sa integralom (u
najboljem sluaju, oznaka sume mogla bi se shvatiti kao fuzzy unija, s obzirom da se svaki fuzzy skup
nad diskretnim domenom moe posmatrati kao unija individualnih singltona). U pitanju je samo
simbolika. Mada upotrijebljena simbolika djeluje pomalo neprirodno, to nije prvi put u matematici (i
raunarskim naukama) da se isti simboli koriste za oznaavanje posve razliitih stvari.
Ovim smo izloili osnovne pomjmove fuzzy logike i teorije fuzzy skupova koji su potrebni za
upoznavanje sa primjenama fuzzy logike, o emu emo govoriti u nastavku. Vrijedi jo rei da, u svojoj
izvornoj verziji (onako kako je uveo Zadeh), fuzzy logika pripisuje iskazima istinitosne vrijednosti koje
su fuzzy skupovi nad univerzalnim skupom [0 .. 1], a ne realni brojevi iz segmenta [0 .. 1], kao to je
ovdje uinjeno (recimo, neki iskaz moe biti prilino taan, pri emu se znaenje pojma prilino
taan opisuje nekim fuzzy skupom sa odgovarajuom funkcijom pripadnosti nad domenom [0 .. 1]). Pri
tome se fuzzy skupovi uvode na isti nain kao i ovdje, samo uz direktno pozivanje na operacije poput
operacija min i max za definiranje presjeka i unije fuzzy skupova (tj. bez uvoenja pojmova poput
fuzzy konjunkcije i fuzzy disjunkcije). Nakon toga se fuzzy konjunkcija i fuzzy disjunkcija iskaza uvode
tako da konjunkcija odnosno disjunkcija dva iskaza ima istinitosnu vrijednost jednaku fuzzy presjeku
odnosno fuzzy uniji njihovih istinitosnih vrijednosti (koje su, da ne zaboravimo, fuzzy skupovi). Ovakav
pristup, koji se ponekad naziva i fuzzy logika drugog reda, danas se rijetko koristi, jer uvodi suvine
komplikacije bez nekih bitnijih prednosti u odnosu na ovdje opisani pristup (bez obzira to takav
pristup vie intuitivno odgovara osnovnoj zamisli ta fuzzy logika zapravo treba da opisuje).
Predavanje 9
(akademska godina 2015/16)
Intuitivno posmatrano, funkcija pripadnosti ( , , ..., ) definira stepen zadovoljenja relacije izmeu
elemenata , , ..., . Na primjer, binarnu fuzzy relaciju priblino jednako u nekom skupu A moemo
modelirati funkcijom pripadnosti ( , ) koja ima vrijednost 1 za = , dok je njena vrijednost tim
manja to je razlika | | vea. Pri tome, taan oblik funkcije ( , ) ovisi od subjektivnog poimanja
koliku razliku izmeu i moemo tolerirati da bismo brojeve i smatrali priblino jednakim, i u
kojoj mjeri. Recimo, moemo definirati ( , ) = 1 | | gdje je neka pogodno odabrana konstanta.
Na slian nain moemo modelirati i druge neprecizne relacije, poput mnogo manje, itd.
Kao jedan interesantan primjer, koji ilustrira neka svojstva aproksimativnog rezonovanja, neka su
dati skupovi X = {zelena, uta, crvena} i Y = {nezrela, poluzrela, zrela} koji respektivno opisuju mogue
boje neke voke, kao i mogua stanja njene zrelosti. Izmeu skupova X i Y mogue je uspostaviti fuzzy
relaciju koja povezuje boju voke sa njenim stanjem zrelosti. Jedan primjer takve relacije mogao bi
izgledati ovako (uz koritenje simbolike uobiajene u teoriji fuzzy skupova):
= 1/(zelena, nezrela) + 0.5/(zelena, poluzrela) + 0.25/(uta, nezrela) +
+ 1/(uta, poluzrela) + 0.25/(uta, zrela) + 0.5/(crvena, poluzrela) + 1/(crvena, zrela)
Razmotrimo malo ta ova relacija govori. Iz nje, recimo, moemo zakljuiti da ukoliko je voka
crvena, ona u potpunosti pripada kategoriji zrela, meutim ona istovremeno djelimino pripada i
kategoriji poluzrela (sa stepenom ispunjenja 0.5), ali nimalo ne pripada kategoriji zelena (naravno,
u skladu sa subjektivnom procjenom koju ova relacija opisuje). Upravo ovo mogue preklapanje
kategorija predstavlja bitno svojstvo kvalitativnih opisa koji se koriste prilikom fuzzy rezonovanja.
Drugim rijeima, pojedine kategorije se meusobno ne moraju iskljuivati. Takoer primijetimo da, za
razliku od slinih situacija u teoriji vjerovatnoe, suma pripadnosti pojedinim kategorijama ne mora biti
jednaka jedinici. Na primjer, uta voka pripada kategoriji poluzrela sa stepenom pripadnosti 1, a
kategorijama nezrela i zrela sa stepenom pripadnosti 0.25. Ovdje je suma 0.25 + 1 + 0.25 razliita
od 1. S druge strane, u teoriji vjerovatnoe bismo mogli imati tvrdnju poput ako je voka uta, tada je
ona nezrela sa vjerovatnoom , poluzrela sa vjerovatnoom i zrela sa vjerovatnoom . Pri takvoj
tvrdnji, mogua je samo jedna od tri situacije: voka je ili nezrela, ili poluzrela, ili zrela, samo to ne
znamo ta je od toga tano. Dakle, ove tri mogunosti se iskljuuju, pri emu jo mora vrijediti i
+ + = 1 (s obzirom da jedna od te tri mogunosti mora biti tana). Ovaj primjer jasno ilustrira
razliku izmeu fuzzy modeliranja i modeliranja pomou teorije vjerovatnoe.
Kao i u sluaju klasinih relacija, binarne fuzzy relacije izmeu konanih skupova pregledno se
opisuju pomou relacionih matrica, pri emu se tada u -ti red i -tu kolonu matrice prosto upisuje
stepen zadovoljenja relacije izmeu -tog elementa prvog skupa i -tog elementa drugog skupa. Na
primjer, relacija koja opisuje odnos izmeu boje voke i njene zrelosti iz prethodnog primjera moe se
pregledno opisati pomou sljedee relacione matrice:
M
nezrelo poluzrelo Zrelo
zeleno
1
0.5
0
uto
0.25
1
0.25
crveno
0
0.5
1
U sluaju kada je iz konteksta poznat neki redoslijed elemenata skupa, oznake elemenata moemo
izostaviti, to omoguava da relacionu matricu piemo kao klasinu matricu (bez oznaka redova i
kolona). Recimo, za fuzzy relaciju iz prethodnog primjera, uz gore definirani poredak elemenata, ovu
relaciju moemo prosto opisati matricom
1
0.5
0
M = 0.25 1 0.25
0
0.5
1
Za potrebe aproksimativnog rezonovanja potrebno je definirati i proizvod (produkt) odnosno
kompoziciju fuzzy relacija (govori se jo i o vezivanju fuzzy relacija), odnosno potrebno je uopiti pojam
proizvoda sa obinih na fuzzy relacije. Jasno je da se takva uopenja moraju svoditi na klasini proizvod
relacija kada se primijene na klasine relacije. Postoji vie takvih uopenja koja se koriste u praksi. Najvie
koriteno uopenje je tzv. max-min kompozicija (odnosno max-min vezivanje). Neka su i dvije fuzzy
relacije definirane na skupovima A B i B C respektivno, tj. neka je = {( , ) A B | ( , )} i
Predavanje 9
(akademska godina 2015/16)
= max {min {
} | = 1 .. }
Ukoliko elimo dobiti ostale kompozicije poput max-proizvod, max-prosjek ili openito max-zvijezda,
operaciju minimuma u prethodnoj formuli moemo zamijeniti operacijom obinog mnoenja, raunanja
srednje vrijednosti, ili nekom openitom -normom, i tako dobiti relacione matrice M M , M <+> M
odnosno M M koje odgovaraju redom kompozicijama , <+> odnosno .
Predavanje 9
(akademska godina 2015/16)
Primjer: Date su dvije fuzzy relacije i , ije su relacione matrice M i M prikazane ispod.
Odrediti relacione matrice M M , M M i M <+> M koje odgovaraju redom njihovim max-min,
max-proizvod i max-prosjek kompozicijama , i <+> .
0.
0.2
M = 0.8
0.
0
M =
0
1
0
0.2
1
0.3
0.8
0.7
0.3
0
,
0.
0
1
0
0.8
. Za sluaj matrice M M
} | = 1 .. 5} =
= max {min {0.1, 0.9}, min {0.2, 0.2}, min {0, 0.8}, min {1, 0.4}, min {0.7, 0}} =
= max {0.1, 0.2, 0, 0.4, 0} = 0.4
Za sluaj matrice M M imamo:
,
= max {
<+>
M imamo:
,
= max {(
)/2 | k = 1 .. 5} =
<+>
Moemo vidjeti da razliiti tipovi kompozicije daju razliite rezultate. Iskustvo pokazuje da su
rezultati koji se dobijaju pomou kompozicija max-min i max-proizvod obino dosta bliski, dok se
rezultati dobijeni pomou drugih vrsta kompozicije mogu dosta razlikovati.
U tijesnoj vezi sa kompozicijama fuzzy relacija je kompozicija fuzzy skupa i fuzzy relacije (govori se
jo i o slici fuzzy skupa pomou fuzzy relacije). Upravo ovakve kompozicije ine osnovu za zasnivanje
aproksimativnog rezonovanja, koje emo uskoro detaljno opisati. Neka je data neka fuzzy relacija na
skupu X Y sa funkcijom pripadnosti ( , ) i neka je A neki fuzzy podskup skupa X sa funkcijom
pripadnosti ( ). Tada je kompozicija fuzzy skupa i fuzzy relacije (odnosno slika fuzzy skupa A
pomou relacije ) novi fuzzy skup, u oznaci A , ija je funkcija pripadnosti ( ) data kao
( ) = max { ( ) ( , ) | X}
Odmah se moe primijetiti izrazita slinost sa definicijom kompozicije dvije fuzzy relacije. Ovdje se
zapravo radi o max-min kompoziciji, s obzirom da se operacija konjunkcije interpretira kao fuzzy
konjunkcija, odnosno operacija min (i ovdje se, za sluaj beskonanog skupa X, operacija max moe
zamijeniti operacijom supremuma, tako da dobijamo sup-min kompoziciju). Alternativno je umjesto
operacije min mogue koristiti neku drugu -normu i na taj nain dobijati druge vrste kompozicija,
poput max-proizvod kompozicije, itd. O tome neemo detaljnije govoriti, jer je situacija posve analogna
situaciji koju imamo kod kompozicija dvije fuzzy relacije.
Objasnimo sada u emu je zapravo smisao kompozicije fuzzy skupa i fuzzy relacije. Neka su data dva
univerzalna skupa X i Y i neka fuzzy relacija na X Y, koja uspostavlja neki (neprecizni) odnos izmeu
elemenata skupa X i Y. Neka smo sada iz skupa X izabrali neke elemente (sa odreenim stepenom
pripadnosti) i tako dobili neki fuzzy podskup A skupa X. Meutim, zbog povezanosti skupova X i Y
(putem relacije ), takav izbor nuno dovodi i do izbora nekih elemenata iz skupa Y. Postavlja se
10
Predavanje 9
(akademska godina 2015/16)
pitanje kojih elemenata i sa kojim stepenom pripadnosti. Odgovor na to pitanje daje upravo kompozicija
A . Drugim rijeima, izbor fuzzy podskupa A skupa X dovodi do izbora fuzzy podskupa B skupa Y
koji je dat kao B = A . Primjer koji slijedi ilustrira ovu injenicu.
Primjer: Neka je data fuzzy relacija koja uspostavlja vezu izmeu moguih boja i stanja zrelosti
neke voke, kakva je opisana ranije u ovom odjeljku. Neka sada imamo voku koja je arena, i za
koju subjektivna procjena kae da je zelena u iznosu 0.2, uta u iznosu 0.7 i crvena u iznosu 0.5
(primijetimo da je 0.2 + 0.7 + 0.5 1, ime je jo jednom istaknuta razlika izmeu stepena
pripadnosti i vjerovatnoa). ta na osnovu ove procjene i relacije moemo rei o stanju zrelosti
ove voke?
Boja ove voke oigledno se moe modelirati kao fuzzy podskup A skupa X = {zelena, crvena, uta}
dat kao
A = 0.2/zelena + 0.7/uta + 0.5/crvena
Odgovor na traeno pitanje dobiemo ako naemo fuzzy podskup B = A univerzalnog skupa
Y = {nezrela, poluzrela, zrela}. Primjenom formule za funkciju pripadnosti kompozicije A dobijamo:
(nezrela) = max {min { ( ), ( , nezrela)} | X} =
= max {min { (zelena), (zelena, nezrela)}, min { (uta), (uta, nezrela)},
min { (crvena), (crvena, nezrela)}} =
= max {min {0.2, 1}, min {0.7, 0.25}, min {0.5, 0}} = max {0.2, 0.25, 0} = 0.25
(poluzrela) = max {min { ( ), ( , poluzrela)} | X} =
= max {min { (zelena), (zelena, poluzrela)}, min { (uta), (uta, poluzrela)},
min { (crvena), (crvena, poluzrela)}} =
= max {min {0.2, 0.5}, min {0.7, 1}, min {0.5, 0.5}} = max {0.2, 0.7, 0.5} = 0.7
(zrela) = max {min { ( ), ( , zrela)} | X} =
= max {min { (zelena), (zelena, zrela)}, min { (uta), (uta, zrela)},
min { (crvena), (crvena, zrela)}} =
= max {min {0.2, 0}, min {0.7, 0.25}, min {0.5, 1}} = max {0, 0.25, 0.5} = 0.5
Konano, traeni fuzzy skup B glasi:
B = 0.25/nezrela + 0.7/poluzrela + 0.5/zrela
Dobijeni rezultat moemo tumaiti da je voka nezrela u iznosu 0.25, poluzrela u iznosu 0.7 i zrela u
iznosu 0.5. Neto slobodnije, ovaj rezultat moemo iskazati u formi da voka ima 25 % svojstava
nezrele voke, 70 % svojstava poluzrele voke i 50 % svojstava zrele voke.
U ovom primjeru, isti bismo rezultat dobili i pomou max-proizvod kompozicije, dok u opem
sluaju razliite vrste kompozicije daju razliite rezultate. Postavlja se pitanje koju vrstu kompozicije
koristiti, s obzirom da od upotrijebljene kompozicije moe zavisiti krajnji rezultat. Na ovo pitanje je
teko dati precizan odgovor, nego se prosto treba odluiti za jednu vrstu kompozicije i nju dosljedno
koristiti u radu (obino se uzima max-min ili max-proizvod kompozicija). Ova nejednoznanost krajnjeg
rezultata ne treba da udi, s obzirom da bilo kakav postupak zakljuivanja u prisustvu nepreciznih
odnosno subjektivnih informacija u krajnjem sluaju moe dati samo neprecizne zakljuke. Meutim, i
neprecizni zakljuci definitivno su bolji od nepostojanja nikakvih zakljuaka.
Za potrebe aproksimativnog rezonovanja korisno je jo definirati i kompoziciju fuzzy relacije i
fuzzy skupa (ovo nije isto to i kompozicija fuzzy skupa i fuzzy relacije), odnosno inverzne slike fuzzy
skupa pomou fuzzy relacije. Neka je data neka fuzzy relacija na skupu X Y sa funkcijom pripadnosti
( , ) i neka je B neki fuzzy podskup skupa Y sa funkcijom pripadnosti ( ). Tada je kompozicija
fuzzy relacije i fuzzy skupa B (odnosno inverzna slika fuzzy skupa B pomou relacije ) novi fuzzy
skup, u oznaci B, ija je funkcija pripadnosti ( ) data kao
( ) = max { ( , ) ( ) | Y}
11
Predavanje 9
(akademska godina 2015/16)
Za ovako definiranu kompoziciju fuzzy relacije i fuzzy skupa vrijede analogne primjedbe kao i za
ranije definiranu kompoziciju fuzzy skupa i fuzzy relacije.
12
Predavanje 9
(akademska godina 2015/16)
( ) = max { ( ) ( ( ) ( )) | X}
Slinost sa klasinim modus ponens pravilom po kojem je P (P Q) Q sada postaje jasno uoljiva.
Pristup aproksimativnog rezonovanja u kojem se kao implikacioni operator uzima neka od operacija
implikacije naziva se fuzzy logiko rezonovanje.
Kvalitet aproksimativnog rezonovanja osjetno raste ukoliko je poznato vie injenica (kao, uostalom,
i kvalitet bilo kojeg drugog oblika rezonovanja). Neka je sada umjesto jedne injenice oblika ako je A
onda je B poznato injenica oblika
ako je A onda je B
ako je A onda je B
...
ako je A onda je B
Ovaj skup injenica moemo shvatiti kao skup implikacija od kojih vrijede sve zajedno. Stoga, ako
imamo pretpostavku oblika je A , moemo pomou svakog od pravila izvesti zakljuke oblika je
B , je B , ... je B . Kako svi ovi zakljuci moraju vrijediti istovremeno, prirodno je kao konaan
zakljuak izvesti zakljuak oblika je B pri emu je B = B B ... B . Ovdje predstavlja
presjek fuzzy skupova. Drugim rijeima, funkcija pripadnosti ( ) fuzzy skupa B data je izrazom
( ) = min { ( ), ( ), ..., ( )}, gdje su ( ) funkcije pripadnosti fuzzy skupova B , = 1 .. .
Tako, primjena svakog novog pravila preiava tj. profinjuje zakljuke koji su dobijeni primjenom
ostalih pravila.
Razmotrimo jo i neto sloeniji sluaj u kojem pravila umjesto prostog oblika ako je A onda je B
imaju oblik ako je
A i ako je
A i ... i ako je
A , onda je B. Tada je neki zakljuak mogue
izvesti samo u prisustvu m injenica oblika je A , je A , ...,
je A . U tom sluaju se moe
smatrati da zadano pravilo uspostavlja fuzzy relaciju izmeu Kartezijevog proizvoda A A ... A i
fuzzy skupa B, odnosno m+1-arnu relaciju sa funkcijom pripadnosti
( ,
, ...,
, ) = ( ( ) ( ) ...
), ( ))
Alternativno se umjesto fuzzy konjunkcije moe upotrijebiti neka druga -norma, recimo algebarski
produkt. U svakom sluaju, fuzzy zakljuak je B izvodi se kompozicijom
B = (A A ... A )
odnosno, zakljuak je fuzzy skup B sa funkcijom pripadnosti
( ) = max {( ( ) ( ) ... ( )) ( ( ) ( ) ...
| X X ...
X }
), ( ))
gdje su X , X , ..., X univerzalni skupovi za fuzzy skupove A , A , ..., A , a takoer i za fuzzy skupove
A , A , ..., A . Naravno, i ovdje je mogue imati vie pravila prikazanog oblika. Konani zakljuak se i u
tom sluaju dobija nalaenjem fuzzy presjeka djeliminih zakljuaka dobijenih primjenom svih zadanih
individualnih pravila.
Veoma est sluaj u praksi je sluaj kada na osnovu precizne injenice poput = i nepreciznih
pravila poput ako je x A onda je y B treba izvesti neki zakljuak. injenicu = je takoer mogue
predstaviti kao fuzzy skup sa funkcijom pripadnosti ( ) za koju vrijedi ( ) = 1 za = i ( ) = 0 za
. Stoga je mogue primijeniti opisani princip i na ovakve sluajeve. Naravno, bez obzira to su
injenice precizne, zakljuak e i dalje biti neprecizan (iskazan fuzzy skupom), s obzirom da su pravila
neprecizna. Nije teko pokazati da se za ovaj specijalan sluaj, za funkciju pripadnosti ( ) skupa B iz
fuzzy zakljuka oblika je B dobija veoma jednostavan izraz
( ) = ( ( ), ( ))
Ukoliko imamo sloenija pravila oblika ako je A i ako je
A i ... i ako je
A onda je B i
precizne injenice oblika = , = , ..., = , za funkciju pripadnosti ( ) dobija se izraz
( ) = ( ( ) (
13
) ...
), ( ))
Predavanje 9
(akademska godina 2015/16)
, ,
( ,
, ...,
), ( ))
Bez obzira na logiku osnovanost fuzzy logikog rezonovanja, u ininjerskim primjenama se vie
koristi drugi tip aproksimativnog rezonovanja nazvan Mamdani rezonovanje, koji je pored toga i
historijski stariji. Da bismo uvidjeli razliku, posmatrajmo skupinu (preciznih) pravila oblika
ako je =
ako je =
ako je =
onda je =
onda je =
...
onda je =
Vidjeli smo da se fuzzy logiko rezonovanje oslanja na pretpostavci da se pravila ovog oblika mogu
shvatiti kao skupina implikacija od kojih sve vrijede istovremeno, odnosno kao sloeni iskaz oblika
( =
)( =
) ... ( =
Zaista, neka vrijedi = pri emu je neka od vrijednosti , , ..., . Tada su sve implikacije oblika
= = za tane (bezsadrano), zbog netanosti pretpostavke = , tako da tanost
itavog izraza zavisi od tanosti implikacije = = . Kako je pretpostavka = ove implikacije
tana, ona a samim tim i itav izraz mogu biti tani samo ukoliko je = . Dakle, iz pretpostavke
=
i tanosti itavog izraza nuno slijedi = . Meutim, istu skupinu pravila moemo tumaiti i
na posve drugi nain, kao tabelarno zadanu funkciju koja povezuje diskretne vrijednosti i . Drugim
rijeima, ovu skupinu pravila moemo posmatrati kao skupinu injenica oblika = = , ali od
kojih vrijedi samo jedna, odnosno kao sloeni iskaz oblika
( =
)( =
) ... ( =
14
Predavanje 9
(akademska godina 2015/16)
B i skupa injenica
) ( )
.,
(A ) ( ) =
(A , A , ..., A ) ( )
.,
(A )
Visina
Uz ovakvu konvenciju, mogue je formirati ukupno 25 pravila koja povezuju visinu i teinu osobe
sa njenim zdravstvenim stanjem, s obzirom da imamo po 5 moguih lingvistikih vrijednosti kako za
visinu, tako i za teinu. Umjesto da ispisujemo sva ova pravila, pregledno emo ih prikazati u vidu
sljedee tabele:
VN
N
OV
V
VV
VM
SZ
PZ
PN
SN
SN
M
PZ
SZ
SZ
PZ
PN
Teina
PT
PN
PZ
SZ
SZ
SZ
D
SN
PN
PN
PZ
PZ
VD
SN
SN
SN
SN
PN
Naravno, sva ova pravila rezultat su neije subjektivne procjene. Dalje je potrebno specificirati ta
znae pojmovi poput niska, veoma mrava, prilino zdrava, itd. Drugim rijeima, sve ove pojmove
potrebno je modelirati kao fuzzy skupove, sa odgovarajuim funkcijama pripadnosti (to je ponovo
stvar subjektivne procjene). Primjer takvog modeliranja prikazan je na sljedeoj slici, gdje funkcije
15
Predavanje 9
(akademska godina 2015/16)
pripadnosti (), (), (), () i () daju redom stepen pripadnosti visine neke osobe
lingvistikim kategorijama VN, N, OV, i VV u ovisnosti od njene stvarne visine h u centimetrima:
()
()
()
()
()
visina
u cm
130
140
150
160
170
180
190
200
210
220
Na slian nain emo modelirati i lingvistike vrijednosti teine, pri emu e funkcije pripadnosti
( ), ( ), ( ), ( ) i ( ) odgovarati redom stepenima pripadnosti teine neke osobe
lingvistikim kategorijama VM, M, PT, D i VD u ovisnosti od njene stvarne mase u kilogramima:
( )
( )
( )
( )
( )
masa
u kg
50
55
60
65
70
75
80
85
90
95
100
( )
( ) ( ) ( )
indeks
zdravlja
20
40
60
80
100
Ovim je kompletirano modeliranje nae baze znanja. Sada emo primijeniti aproksimativno
rezonovanje da vidimo ta moemo zakljuiti o zdravlju osobe ija je visina = 183 cm i masa = 56 kg.
Pogledajmo prvo ta nam ovi podaci govore iskazano u lingvistikim kategorijama. Za tu svrhu je sa
grafikona funkcija pripadnosti potrebno oitati njihove vrijednosti za = 183 i = 56. S obzirom da je
(183) = 0, (183) = 0, (183) = 0.7, (183) = 0.3 i (183) = 0, osoba pripada skupu ljudi
osrednje visine sa stepenom pripadnosti 0.7, i skupu visokih ljudi sa stepenom pripadnosti 0.3 (neto
slobodnije, moemo rei da osoba ima 70 % svojstava ljudi osrednje visine i 30 % svojstava visokih
ljudi). Dalje, kako je (56) = 0.8, (56) = 0.2, (56) = 0, (56) = 0 i (56) = 0, to osoba pripada
skupu vrlo mravih ljudi sa stepenom pripadnosi 0.8 i skupu mravih ljudi sa stepenom pripadnosi 0.2
(odnosno, osoba ima 80 % karakteristika vrlo mravih ljudi i 20 % karakteristika mravih ljudi).
Primijetimo da u ovom primjeru vrijedi da su sume pripadnosti jednake jedinici, odnosno imamo
0 + 0 + 0.7 + 0.3 + 0 = 1 i 0.8 + 0.2 + 0 + 0 + 0 = 1. Bitno je shvatiti da je ovo ista sluajnost, koja je
posljedica karakteristinog oblika usvojenih funkcija pripadnosti. Pri drugaije odabranim funkcijama
pripadnosti ovo ne bi moralo vrijediti, odnosno sasvim je mogue da se ispostavi da neka osoba ima,
recimo, 80 % svojstava osobe prosjene teine, 0 % svojstava mrave osobe, 5 % svojstava vrlo mrave
osobe i 15 % svojstava debele osobe. Ovo naglaavamo da bismo jo jednom istakli razliku izmeu fuzzy
rezonovanja i rezonovanja zasnovanog na teoriji vjerovatnoe, s obzirom da se ovi pristupi esto brkaju.
Da bismo na osnovu aproksimativnog rezonovanja donijeli zakljuke o zdravlju razmatrane osobe,
moramo prvo izraunati stepene paljenja za svako od 25 postojeih pravila. S obzirom da immo da je
16
Predavanje 9
(akademska godina 2015/16)
( )
0.7
0.3
0.2
( )
20
( ) ( )
40
60
80
100
Naalost, dobijeni zakljuak nije jednostavan za interpretaciju, s obzirom da je iskazan u formi fuzzy
skupa. Bolje bi bilo kada bismo umjesto fuzzy skupa mogli dobiti neki precizan kvantitativan pokazatelj
o zdravlju osobe, recimo koliko iznosi indeks zdravlja razmatrane osobe. U mnogim primjenama, to je
ne samo poeljno, nego i nuno. Na primjer, za potrebe fuzzy upravljanja, gdje se kao algoritam
upravljanja koristi aproksimativno rezonovanje, kao rezultat algoritma upravljanja moramo dobiti
neku konkretnu vrijednost upravljake veliine (npr. napona ili struje), a ne neku nepreciznu lingvistiku
vrijednost iskazanu fuzzy skupom. Kae se da moramo izvriti defuzzyfikaciju dobijenog zakljuka
iskazanog fuzzy skupom, to znai pretvoriti nepreciznu informaciju iskazanu u vidu fuzzy skupa u
neku konkretnu, precizno iskazanu vrijednost. Formalno reeno, defuzzyfikacija predstavlja operaciju
pomou koje se iz nekog fuzzy skupa izdvaja jedan njegov reprezentativni element, koji u nekom smislu
najbolje predstavlja itav fuzzy skup. Postoji vie razliitih metoda defuzzyfikacije, koje tipino daju
razliite rezultate.
Najprostiji, ali i najloiji metod defuzzyfikacije je metod poznat pod nazivom sredina maksimuma
ili MOM (Mean of Maximum) metod. Po ovom metodu, kao rezultat defuzzyfikacije se prosto uzima
onaj element fuzzy skupa koji ima najvei stepen pripadnosti, a ako takvih elemenata ima vie, uzima se
njihova srednja vrijednost. Recimo, po ovom metodu, za fuzzy skup iz prethodnog primjera, maksimalnu
pripadnost imaju svi elementi iz segmenta [34 .. 6], tako da se kao rezultat defuzzyfikacije moe uzeti
njihova srednja vrijednost
= 40. Dakle, po ovom metodu dobija se da razmatrana osoba ima
indeks zdravlja 0. Meutim, ve i sam pogled na sliku govori nam da bi kao reprezentativni element
skupa bolje posluio neki element neto vei od 0.
MOM metod je lo zbog injenice da potpuno ignorira sve elemente fuzzy skupa osim onih ija je
pripadnost maksimalna. Znatno je bolji metod teita (engl. centroid method) ili COA (Center of Area)
metod, gdje se kao rezultat defuzzyfikacije uzima apscisa teita lika omeenog funkcijom pripadnosti i
apscisnom osom. Naalost, odreivanje teita nije jednostavan zadatak, i trai primjenu integracije za
sluaj kad god je funkcija pripadnosti ( ) definirana nad kontinualnim domenom (a obino jeste).
17
Predavanje 9
(akademska godina 2015/16)
x ( x )
( x )
i
odnosno
x ( x) dx
( x) dx
Da bismo primijenili ovaj metod na prethodni primjer, morali bismo prvo funkciju ( ) izraziti
analitiki (to nije teko, s obzirom da se njen grafik sastoji samo od pravih linija, ali je svakako
naporno), a zatim izraunati navedene integrale (integral u nazivniku se zapravo moe izraunati isto
geometrijskim putem, s obzirom da on predstavlja iznos povrine omeene funkcijom ( ) i apscisnom
osom). Alternativno se oba integrala mogu priblino izraunati upotrebom neke od numerikih metoda.
U svakom sluaju, raunanje ovih integrala kao rezultat defuzzyfikacije za prethodni primjer daje
vrijednost . 1 to je, u skladu sa prethodnim rezonovanjem, razumniji rezultat.
Mada metod teita daje dobre rezultate, osnovna mana mu je sloenost. Stoga se u praksi esto
koristi modificirani metod teita odnosno metod centra suma ili COS (Center of Sums) metod. Ideja
ovog metoda je u injenici da je za likove jednostavnog oblika lako odrediti apscicu teita. Na primjer,
za sve likove koji posjeduju simetriju lijevo-desno, apscisa teita se nalazi tano na sredini izmeu
krajnje lijeve i krajnje desne granice lika. Stoga se po ovom metodu prvo izraunaju apscise teita
za sve djelimine zakljuke sa funkcijama pripadnosti ( ), kao i povrine P omeene funkcijama ( ) i
apscisnom osom. Ove veliine je obino lako nai, s obzirom da su funkcije ( ) obino jednostavne.
Nakon toga se defuzzyfikacija vri pomou sljedee formule, koja obino daje rezultat blizak apscisi
teita lika omeenog itavom funkcijom ( ) i apscicnom osom:
=
x P
P
ci i
i
( )
0.7
0.3
0.2
( )
20
( )
( )
60
80
40
18
100
Predavanje 9
(akademska godina 2015/16)
Bez obzira na injenicu da smo dobili neto drugaiji fuzzy skup nego pri primjeni Mamdani
implikacionog operatora, interesantno je da nakon defuzzyfikacije dobijamo gotovo identine
zakljuke. Recimo, primjena MOM metoda defuzzyfikacije oigledno daje vrijednost
= 40, kao u
prethodnom sluaju. Takoer, metod teita daje vrijednost
.085, to je ponovo blisko ranije
naenoj vrijednosti. U ovom sluaju je posebno jednostavan za primjenu modificirani metod teita, s
obzirom da sve funkcije pripadnosti djeliminih zakljuaka imaju oblik trougla, ije se povrine vrlo
lako raunaju (P = /2). Tako, primjenom ovog metoda, za sluaj iz prethodnog primjera, odmah
nalazimo
= 40,
= 80,
= 20 i
= 60, odnosno P = 14, P = 4, P = 6 i P = 4, tako da je
0 1 + 80 + 20 6 + 60
1 + +6+
.2
Vidimo da su, u svakom sluaju, u ovom primjeru razlike izmeu rezultata dobijenog primjenom
Mamdanijevog i Larsenovog implikacionog operatora minorne. Slino ponaanje moe se uoiti i u
mnogim drugim primjerima.
Interesantno je da se princip aproksimativnog rezonovanja moe primijeniti i u obrnutom smjeru,
odnosno na osnovu skupa pravila oblika ako je A onda je B i injenice oblika je B izvesti
nekakav zakljuak o tome kakav je . Za tu svrhu, nakon to se formira fuzzy relacija koja modelira
odnos izmeu A i B, zakljuak tipa je A dobijamo putem kompozicije fuzzy relacije i fuzzy skupa
B , odnosno A = B . Drugim rijeima, funkcija pripadnosti ( ) zakljuka izraenog u formi fuzzy
skupa A dobija se kao
( ) = max {( ( ), ( )) ( ) | Y}
gdje je Y univerzalni skup za skupove B i B . Ovdje se radi o generalizaciji principa modus tolens. Zaista,
princip modus tolens u klasinoj logici omoguava nam da iz tanosti implikacije P Q i izvjesne injenice
o iskazu Q (tj. injenice da je netaan) izvuemo odreeni zakljuak o iskazu P (da je on takoer netaan).
Na kraju, moe se postaviti pitanje kakva je korist od aproksimativnog rezonovanja ako se pomou
njega u najboljem sluaju mogu dobiti samo neprecizni odgovori. Meutim, injenica je da je u odsustvu
preciznih informacija i neprecizan odgovor bolji od nikakvog, a precizne informacije je u stvarnosti teko
posjedovati. Stoga nije na odmet navesti nekoliko citata poznatih nauniky: Svi precizni zakoni nemaju
veze sa stvarnou, a svi zakoni koji imaju veze sa stvarnou su neprecizni (A. Einstein), Kako sloenost
razmatrane pojave raste, precizne izjave gube smisao, a smislene izjave gube preciznost (L. Zadeh) i,
konano, Sve to je precizno, obino nije istinito (H. Matisse).
19