Fuzzy Logic

Нечёткая логика — это разновидность многозначной логики, в которой утверждение может быть частично истинным: степень истинности принимает любое значение от 0 до 1, а не только «истина» или «ложь». Она берёт начало в статье Лотфи Заде 1965 года о нечётких множествах, опубликованной в Калифорнийском университете в Беркли, и позволяет компьютерам использовать расплывчатые человеческие понятия, такие как «тёплый», «близко» или «быстрый», в точных вычислениях. Нечёткая система кодирует экспертные знания в виде обычных правил «если — то» и объединяет правила, которые подходят отчасти, поэтому её выход плавно меняется вместе со входными данными. Это свойство сделало нечёткую логику основным инструментом инженерных систем управления — от торможения поездов до стиральных машин. Она также остаётся частью систем искусственного интеллекта (AI), которым нужны интерпретируемые правила, настраиваемые вручную.

Нечёткие множества и функции принадлежности#

В классической теории множеств элемент либо принадлежит множеству, либо нет. Нечёткое множество присваивает каждому элементу степень принадлежности от 0 до 1 с помощью функции принадлежности, обычно треугольной, трапециевидной или гауссовой кривой на диапазоне входных значений. Соседние множества перекрываются: например, комната с температурой 24 °C может быть одновременно «тёплой» со степенью 0.6 и «жаркой» со степенью 0.2. Поэтому метка меняется постепенно, а не скачком на пороговом значении. Логические операторы тоже распространяются на степени: в исходных определениях Заде для AND берётся минимум двух степеней, для OR — максимум, а для NOT — единица минус степень. Другие варианты, например произведение для AND, относятся к семейству, называемому t-нормами.

Как работает система нечёткого вывода#

Нечёткий регулятор преобразует точные показания датчиков в точную управляющую команду за четыре этапа:

1. Фаззификация: Сопоставь каждому входному значению степень его принадлежности каждому нечёткому множеству, например определи, насколько препятствие «близко», «на среднем расстоянии» или «далеко».
2. Вычисление правил: Выполни каждое правило «если — то», например «если расстояние небольшое, торможение интенсивное», в той степени, в которой выполняется его условие.
3. Агрегация: Ограничь выходное множество каждого правила уровнем его срабатывания и объедини полученные множества, обычно с помощью максимума.
4. Дефаззификация: Сведи объединённое множество к одному числу, чаще всего к его центроиду.

Эта схема называется методом Мамдани — в честь Эбраима Мамдани, который в 1975 году вместе с Седраком Ассилианом использовал её для управления лабораторной паровой машиной. В системах Такаги — Сугено выходные множества заменены формулами от входных данных; их усреднение требует меньше вычислений и упрощает настройку по данным. В этом примере реализован регулятор Мамдани с тремя правилами, который задаёт силу торможения в зависимости от расстояния до препятствия:

import numpy as np

# Output fuzzy sets over braking force (0-100%)
force = np.linspace(0, 100, 501)
gentle = np.interp(force, [0, 40], [1, 0])
firm = np.interp(force, [20, 50, 80], [0, 1, 0])
hard = np.interp(force, [60, 100], [0, 1])

for distance in [8, 15, 22, 35]:
    # Fuzzification: how near, medium, and far the obstacle is (meters)
    near = np.interp(distance, [5, 20], [1, 0])
    medium = np.interp(distance, [10, 20, 30], [0, 1, 0])
    far = np.interp(distance, [20, 40], [0, 1])

    # Rules: near -> hard, medium -> firm, far -> gentle; clip each set (min), combine (max)
    combined = np.maximum.reduce([np.minimum(near, hard), np.minimum(medium, firm), np.minimum(far, gentle)])

    # Defuzzification: the centroid of the combined set is the crisp braking command
    print(f"{distance:>2} m -> brake {np.sum(force * combined) / np.sum(combined):.0f}%")

Скрипт выводит силу торможения 86%, 60%, 47% и 14% для расстояний 8, 15, 22 и 35 метров. При расстоянии 15 метров препятствие принадлежит множеству «близко» со степенью 0.33 и множеству «среднее расстояние» со степенью 0.5, поэтому правила сильного и умеренного торможения срабатывают частично, а их сочетание даёт 60%. Три правила формируют плавную кривую торможения без порогового значения, при котором команда резко меняется.

Применение#

• Системы управления: Система автоматического управления поездом Hitachi использовала нечёткую логику для контроля ускорения и торможения на линии Намбоку метрополитена Сэндая, открывшейся в 1987 году. Благодаря этому поездки стали более плавными, а остановки — точнее. Нечёткие регуляторы также управляют бытовыми приборами, такими как стиральные машины, рисоварки и кондиционеры, используя неточные показания датчиков.
• Сегментация изображений: Нечёткий метод c-средних — мягкий вариант кластеризации k-средних, который присваивает каждому пикселю степень принадлежности каждому кластеру. Его широко используют при анализе медицинских изображений, например для разделения типов мозговой ткани на снимках МРТ, где пиксель на границе может содержать ткани обоих типов.
• Решения на основе компьютерного зрения: Решение Ultralytics для оценки скорости отслеживает транспортные средства с помощью модели YOLO26 и сообщает скорость каждого в км/ч. Это точное входное значение можно классифицировать правилами нечёткой логики как низкую, умеренную или высокую скорость, прежде чем задать уровень предупреждения или время работы сигнала.
• Нейро-нечёткие системы: Адаптивная система нечёткого вывода на основе нейронной сети (ANFIS), представленная Джих-Шингом Роджером Джангом в 1993 году, обучает функции принадлежности и параметры правил на данных методами обучения нейронных сетей, сохраняя правила понятными для человека.

Нечёткая логика, вероятность и символьный ИИ#

Нечёткая логика и вероятность используют числа от 0 до 1, но описывают разные виды неопределённости. Вероятность, с которой работают байесовские сети, выражает вероятность чётко определённого события — например, дождь завтра с вероятностью 30%. Нечёткая степень принадлежности показывает, насколько расплывчатое описание подходит известному состоянию: например, кофе с температурой 50 °C может быть «тёплым» со степенью 0.7. По сравнению с классическим символьным ИИ, нечёткие базы правил сохраняют понятную форму экспертных систем «если — то», заменяя при этом бинарное условие каждого правила степенью истинности. Благодаря этому несколько правил могут одновременно влиять на одно решение.