4. Применения размытых систем
В работах [1, 13, 20, 27, 31, 35, 38-40, 49, 52-59] рассматриваются некоторые применения теории размытых множеств и систем для нахождения
аутей решения различных задач теории управления.
3 работе [13] исследуется возможность использования аппарата теории размытых множеств для описания поведения функции вблизи максимума в задачах определения максимума многомодальных систем.
Обычное понятие максимальной величины функции для таких педеи не является достаточно информативным. Более полезным является понятие максимизирующего множества, так как оно дает информацию не только о точке или точках, в которых функция принимает максимальное1 значение, но также и о степени приближения функции к максимальному
значению в других точках на всем интервале ее изменения.
Максимизирующее множество М(1) для функции /(а;) есть размытое" множество на Х такое, что степень принадлежности х» множеству М(/) представляет собой степень, с которой /(а;о) аппроксимирует шах/(ж). Например, степень 'принадлежности р,м (а") может быть выбрана в виде *
(4.1) ^^(-!(з——\г \ шах/(ж) /
или для положительно определенной функции /(.с)
/н_
(4.2) ^м(ж)'
В работах [54, 35, 55] предлагается использовать методы теории размытых множеств при исследовании задач принятия решений. В [54] рассматривается процесс принятия решений, когда размытыми могут быть. цели или ограничения. Например, ограничение может быть сформулировано так: «цена, не должна существенно превышать Л^>, а цель так:' '• их должно быть вблизи некоторого заданного а'о». Размытые,цели и ограничения могут быть определены математически как размытые множества в пространстве альтернатив, а размытое решение может рассматриваться как пересечение заданных целей и ограничений, причем максимизации решения соответствует точка в пространстве альтернатив, в которой функция принадлежности размытого решения достигает максимальной величины. * ' Приводятся примеры, включающие многоэтапные процессы решения,'
в которых управляемые системы являются как детерминированными, так
* Выбор ^м(ж) называется калибровкой. В [13] изучаются свойства линейной калибровки. ;
78
'? стохастическими, а также примеры систем с неявно определенным вре-, менем окончания процесса.
В работах [29, 30] также указывается на возможность применения аппарата размытой логики в задачах принятия решений. Решение 5 принимается в случае, если истинностная функция (см. (1Л5)) удовлетворяет-условию Т(8) >Т{^), иначе Г(<5) ^0,5. Доказанная в [29] теорема позволяет определять нижнюю Гранину надежности принятых решений.
Значительный интерес представляет работа [I], где на основе вводимых авторами понятий размытой функции и размытого отображения предлагается новый метод построения, размытой системы управления с обратной связью. Для такой системы вводятся два взаимно связанных понятиях «четкость» (йпепезз) и «наблюдение». Степень точности нашего знания' представлена «четкостью» размытого множества или размытого отображения. Если наше знание улучшается, то размытое множество, представляющее состояние системы, или размытая функция, представляющая систему, становится «четче». Когда наше знание становится совершенно «четким»,. то размытое множество, представляющее состояние, становится одноэлементным (т. е. функция принадлежности становится равной 1 в одной;, точке и 0 во всех остальных), а размытая функция, представляющая систему, становится неразмытой.
Наблюдение представляется неким оператором наблюдения О. Так как;
наше знание состояния системы благодаря наблюдению улучшается, то. действие оператора наблюдения иа размытое множество заключается в том, что размытое множество делается более четким.
Размытая система управления с обратной связью в работе [1] представлена в виде упорядоченной шестерки
,3) 5 =<Х, У,/,(?,(?. тр.
Здесь Х =я {ж», я:2,..., Хт} — неразмытое множество, состояние же системы представляет собой размытое множество р на множество X; и е Е^,., •V = {щ, иг,..., ид} — множество допустимых управлений; /— размытое-отображение {'.ХХПХХ-^Х такое, что
^4,4) , ^•(^-М^,-^1); ,
О — оператор наблюдения — некий прибор или способ, выделяющий в результате применения операции наблюдения над состоянием системы, представленным размытым множеством р\ какое-либо его подмножества д е О ° р (операция о—операция композиции (1.11)), так что множество» всех возможных наблюдаемых состояний 0 = {у[с[ ^ О " р}; С — размытое «множество цели» на множестве X, некоторое заданное подмножество множества 0', т] — стратегия управления, которая осуществляет отображение наблюдаемого состояния С[ в управление и
Размытая система управления с обратной связью работает следующим образом:
1. Начальное состояние ^?1==^?(' при (=0.
2. Делается наблюдение; и состояние системы становится д°
3. Наблюдение отображается в управление ц° == г\ о д°.
4. Так как размытое отображение р./(ж", и0, ж4), характеризующее ^управляемую динамическую систему, задано, получаем функцию принад-С-дежности размытого множества р1
(v (а;')-^(<Л"°,.с1).
5. Состояние р' становится исходным, и шаги 2—4 повторяются при г,
увеличенном на 1.
Цель 6 называется достижимой, если существует стратегия г| такая, что ^^ ^ 0{1} для некоторого ( (заданного или нет).
Предполагается, что введение обратной связи в рассматриваемую модель управления позволит достичь цели и при довольно неточном наблюдении и управлении. Необходимо только, чтобы по мере приближения к цели наблюдение становилось более «четким» (иначе нельзя сказать, достигнута цель или нет).
В качестве примера приводится одномерная задача управления.
В ряде работ рассматриваются примеры применения аппарата теории размытых множеств при построении некоторых обучающихся систем автоматической классификации.
В работе [53] содержится постановка задачи классификации изображений, включающая также и более общий подход с позиций теории размытых множеств. Задача формулируется следующим образом. Пусть О — пространство изображений, А и В — два (возможно, больше) размытых множества на и, а {х1, д"2,..., Хг}, а-г ей— набор изображений. Каждому Хг приписаны значения степени принадлежности ^(ж,) и Цв(ж«) размытым множествам А и В соответственно.
Набор триад {(х„ (аа^), р-в^г))} (1== 1, 2, ..., п) называется набором
:выборок или наблюдением.
Под решением задачи классификации понимается определение характеристических функций р-А^и р,в (или построение их оценок) по выборкам и на основании априорной информации, включающей ограничения на эти •функции. Характеристические функции Цл и, рв позволяют определить степени принадлежности размытым множествам А ц В точек, отличных от предъявленного множества изображений {а"1, х^,..., Хп}'
В большинстве практических ситуаций априорная информация о свойствах характеристических функпий пазмытых мттпжаптв нйггпстаточна для построения определенных Функций^ которые бт-тли бт.т «птттимялт,нт.т» в т?а-ком-то смысле. Поэтому в большинстве случаев приходится прибегать к эвристическин^методамна^жденияэтих оункпий. причем единственный спосоо суждения о «качестве» функций закдючается_в-зксДЁДДментальнои проверке." В раб^те*^риводится одинизтакихэвристических методов для ^массюрикации неразмытых множеств и указано направление его обобщения для размытых ситуаций.
Примеры систем автоматической классификации и управления рассматриваются в работах [56, 38, 58, 20]. В работе [20] приводятся система обучения с учителем без наблюдения выхода и система автоматического управления с обучением. Системы являются вариантами обычных хорошо известных общих схем такого рода. Предлагаемый авторами алгоритм, включенный в блок принятия решений, осуществляется при помощи сложного размытого автомата. Система моделируется на ЭВМ для случая классификации изображений букв на два и на три класса.
В [27] на основе рассмотрения размытых симметричных и рефлексивных отношений (см. раздел 1) изучается классификация изображений с использованием субъективной информации. Приводится пример классификации портретов по семейному сходству. Предлагаемый метод классификации основан на процедуре нахождения степени Оринадлежности пути, связывающего два изображения, и сводится к возведению в степень (по правилам композиции) матрицы размытого бинарного отношения, полученной при помощи субъективных оценок, до стабилизации этой матрицы. Область | возможного применения такого метода — системы обучения классификации
без наблюдения. :
В работах [52, 57^ для многомодальных систем с неизвестными характеристиками предлагается оптимальное управление с использованием размытых автоматов, в которых размытыми являются только функции пере-ч
1
адов и выходов. Как отмечалось в разделе 3, размытый автомат при за" Изданном фиксированном входе Хц переходит из состояния (^ в ^^ по ветви, раепень принадлежности которой максимальна (аналогично для выходов). |9тот автомат работает в нестационарном режиме, так что степень принадлежности переходов и выходов меняется на каждом щаге или за несколько рдагов в зависимости от достигнутого успеха или неудачи (что можно на-Цйвать процессом обучения). Приводятся результаты моделирования на |ЭВМ системы такого рода с автономным размытым автоматом в случае, ^Когда в процессе обучения отыскивается оптимум при наличии локальных ^..максимумов.
| Следует отметить, что. размытые автоматы, рассмотренные в [52], по ^существу, совпадают с автоматами с переменной структурой.