Нечеткое множество - ключевое понятие нечеткой логики. Пусть Е — универсальное множество, х — элемент Е, a R — некоторое свойство. Обычное (четкое) подмножество А универ-сального множества Е, элементы которого удовлетворяют свойству R, определяется как множество упорядоченных пар

А = { μ A (x ) / x },

где μ А (х) —характеристическая функция, принимающая значе-ние 1, если х удовлетворяет свойству R, и 0 - в противном случае.

Нечеткое подмножество отличается от обычного тем, что для элементов х из Е нет однозначного ответа «да-нет» относительно свойства R. В связи с этим нечеткое подмножество А универсаль-ного множества Е определяется как множество упорядоченных пар

А = { μ A (x ) / x },

где μ А (х) — характеристическая функция принадлежности (или просто функция принадлежности) , принимающая значения в некотором вполне упорядоченном множестве М (например, М = ).

Функция принадлежности указывает степень (или уровень) принадлежности элемента х подмножеству А. Множество М назы-вают множеством принадлежностей. Если М = {0, 1}, то нечеткое подмножество А может рассматриваться как обычное или четкое множество.

Примеры записи нечеткого множества

Пусть Е = {x 1 , x 2 , х з, x 4 , x 5 }, М = ; А — нечеткое множество, для которого μ A (x 1 )= 0,3; μ A (х 2 )= 0; μ A (х 3) = 1; μ A (x 4) = 0,5; μ A (х 5 )= 0,9.

Тогда А можно представить в виде

А = {0,3/x 1 ; 0/х 2 ; 1/х 3 ; 0,5/х 4 ; 0,9/х 5 },

или

А ={0,3/x 1 +0/х 2 +1/х 3 +0,5/х 4 +0,9/х 5 },

или

Замечание . Здесь знак «+» не является обозначением операции сложения, а имеет смысл объединения.

Основные характеристики нечетких множеств

Пусть М = и А — нечеткое множество с элементами из универсаль-ного множества Е и множеством принадлежностей М.

Величина называется высотой нечеткого множества А. Нечеткое множество А нормально, если его высота рав-на 1,т.е. верхняя граница его функции принадлежности равна 1 (= 1). При < 1нечеткое множество называется субнормальным.

Нечеткое множество пусто, если ∀x ϵ E μ A (x ) = 0. Непу-стое субнормальное множество можно нормализовать по формуле

Нечеткое множество унимодально, если μ A (x ) = 1 только на одном х из Е.

. Носителем нечеткого множества А является обычное под-множество со свойством μ A (x )>0, т.е. носитель А = {x /x ϵ E, μ A (x )>0}.

Элементы x ϵ E , для которых μ A (x ) = 0,5 , называются точками перехода множества А.

Примеры нечетких множеств

1. Пусть Е = {0, 1, 2, . . ., 10}, М = . Нечеткое множество «Несколько» можно определить следующим образом:

«Несколько» = 0,5/3 + 0,8/4 + 1/5 + 1/6 + 0,8/7 + 0,5/8; его характеристики: высота = 1, носитель = {3, 4, 5, 6, 7, 8}, точки перехода — {3, 8}.

2. Пусть Е = {0, 1, 2, 3,…, n ,… }. Нечеткое множество «Малый» можно определить:

3. Пусть Е = {1, 2, 3, . . ., 100} и соответствует понятию «Возраст», тогда нечеткое множество «Молодой» может быть определено с помощью


Нечеткое множество «Молодой» на универсальном множестве Е" = {ИВАНОВ, ПЕТРОВ, СИДОРОВ,...} задается с помощью функции при-надлежности μ Молодой (x ) на Е = {1, 2, 3, . . ., 100} (возраст), называемой по отношению к Е" функцией совместимости, при этом:

где х — возраст СИДОРОВА.

4. Пусть Е = {ЗАПОРОЖЕЦ, ЖИГУЛИ, МЕРСЕДЕС,… } - множе-ство марок автомобилей, а Е" = — универсальное множество «Сто-имость», тогда на Е" мы можем определить нечеткие множества типа:


Рис. 1.1. Примеры функций принадлежности

«Для бедных», «Для среднего класса», «Престижные», с функциями при-надлежности вида рис. 1.1.

Имея эти функции и зная стоимости автомобилей из Е в данный момент времени, мы тем самым определим на Е" нечеткие множества с этими же названиями.

Так, например, нечеткое множество «Для бедных», заданное на уни-версальном множестве Е = { ЗАПОРОЖЕЦ, ЖИГУЛИ, МЕРСЕДЕС,...}, выглядит так, как показано на рис. 1.2.


Рис. 1.2. Пример задания нечеткого множества

Аналогично можно определить нечеткое множество «Скоростные», «Средние», «Тихоходные» и т. д.

5. Пусть Е — множество целых чисел:

Е = {-8, -5, -3, 0, 1, 2, 4, 6, 9}.

Тогда нечеткое подмножество чисел, по абсолютной величине близких к нулю, можно определить, например, так:

А = {0/-8 + 0,5/-5 + 0,6/-3 +1/0 + 0,9/1 + 0,8/2 + 0,6/4 + 0,3/6 + 0/9}.

О методах построения функций принадлежности нечет-ких множеств

В приведенных выше примерах использованы пря-мые методы, когда эксперт либо просто задает для каждого х ϵ Е значение μ А (х), либо определяет функцию совместимости. Как правило, прямые методы задания функции принадлежности ис-пользуются для измеримых понятий, таких как скорость, время, расстояние, давление, температура и т.д., или когда выделяются полярные значения.

Во многих задачах при характеристике объекта можно выде-лить набор признаков и для каждого из них определить полярные значения, соответствующие значениям функции принадлежности, 0 или 1.

Например, в задаче распознавания лиц можно выделить шкалы, приведенные в табл. 1.1.

Таблица 1.1. Шкалы в задаче распознавания лиц

x 1

высота лба

x 2

профиль носа

курносый

горбатый

длина носа

короткий

x 4

разрез глаз

цвет глаз

форма подбородка

остроконечный

квадратный

x 7

толщина губ

цвет лица

очертание лица

овальное

квадратное

Для конкретного лица А эксперт, исходя из приведенной шка-лы, задает μ A (х) ϵ , формируя векторную функцию принад-лежности { μ A (х 1 ) , μ A (х 2 ),…, μ A (х 9) }.

При прямых методах используются также групповые прямые методы, когда, например, группе экспертов предъявляют конкрет-ное лицо и каждый должен дать один из двух ответов: «этот че-ловек лысый» или «этот человек не лысый», тогда количество утвердительных ответов, деленное на общее число экспертов, дает значение μ лысый (данного лица). (В этом примере можно действо-вать через функцию совместимости, но тогда придется считать число волосинок на голове у каждого из предъявленных эксперту лиц.)

Косвенные методы определения значений функции принад-лежности используются в случаях, когда нет элементарных из-меримых свойств, через которые определяется интересующее нас нечеткое множество. Как правило, это методы попарных сравне-ний. Если бы значения функций принадлежности были нам из-вестны, например, μ A (х- i ) = ω i , i = 1, 2, ..., n ,то попарные срав-нения можно представить матрицей отношений А = { a ij }, где a ij = ω i / ω j (операция деления).

На практике эксперт сам формирует матрицу А , при этом пред-полагается, что диагональные элементы равны 1, а для элемен-тов симметричных относительно диагонали a ij = 1/a ij , т.е. если один элемент оценивается в α раз сильнее, чем другой, то этот по-следний должен быть в 1/α раз сильнее, чем первый. В общем случае задача сводится к поиску вектора ω, удовлетворяющего уравнению вида Aw = λ max w , где λ max — наибольшее собствен-ное значение матрицы А . Поскольку матрица А положительна по построению, решение данной задачи существует и является поло-жительным.

Можно отметить еще два подхода:

  • использование типовых форм кривых для задания функций принадлежности (в форме (L-R)-Типа - см. ниже) с уточнением их параметров в соответствии с данными эксперимента;
  • использование относительных частот по данным экспе-римента в качестве значений принадлежности.

Определение

Под нечётким множеством понимается совокупность , где X - универсальное множество, а - функция принадлежности (характеристическая функция), характеризующая степень принадлежности элемента X нечёткому множеству A.

Функция принимает значения в некотором линейно упорядоченном множестве М. Множество М называют множеством принадлежностей, часто в качестве выбирается отрезок {0,1}. Если, то нечёткое множество может рассматриваться как обычное, чёткое множество. M={0,1}.

Примеры записи нечеткого множества

Пусть E = {x1, x2, x3, x4, x5 }, M = ; A - нечеткое множество, для которого

Тогда A можно представить в виде:

A = {0,3/x1; 0/x2; 1/x3; 0,5/x4; 0,9/x5 } или

A = 0,3/x1 + 0/x2 + 1/x3 + 0,5/x4 + 0,9/x5, или

А= x1x2x3x4x5
0,3 0 1 0,5 0,9

Замечание . Здесь знак "+" не является обозначением операции

сложения, а имеет смысл объединения.

Характеристическая функция обычного множества - это функция, устанавливающая принадлежность элемента к множеству. Особенность: носит бинарный характер.

f(x)={1, x принадлежит М; 0, x не принадлежит М.

Функция принадлежности - функция, которая позволяет вычислить степень принадлежности производного элемента универсального множества к нечеткому множеству.

Степень принадлежности - это любое число из диапазона Z (например, Z=).

Чем выше степень принадлежности, тем в большей мере элемент универсального множества соответствует свойствам нечеткого множества.

Множество Z называют множеством принадлежностей. Если Z={0,1}, то нечеткое множество F может рассматриваться как обычное (четкое) множество.

2. Какие нечеткие числа называют нормальными, унимодальными и выпуклыми?

Носителем (суппортом) нечёткого множества называется множество

Supp(F)={x|f(x)>0}, для любого x принадлежащего Е.

Нечеткое множество называется пустым, если его носитель тоже пустое множество.

F=пустое множество <=> supp (F)=пустое множество, то есть f(x)=0 для любого x от Е.

Нечеткое множество является унимодальным , если mA(x)=1 лишь для одного x из E.

Элементы x из Е для которых f(x)=0,5 называются точками перехода множества F.

Высотой нечеткого множества F называется верхняя граница его функции принадлежности hgt (F) = sup x из E f(x).

Нечеткое множество F называется нормальным , если его высота равна единицы. В противном случае оно называется субнормальным.

Нормализация - это преображение субнормального нечеткого множества F в нормальное F определяется так:


F=norm (F) <=> f(x)=f(x)/hgt(F), для любого x из Е.

3. Дайте определение Нечеткие числа (L-R)-типа.

Нечеткие числа (L-R)-типа - это разновидность нечетких чисел специального вида, т.е. задаваемых по определенным правилам с целью снижения объема вычислений при операциях над ними.

Нечеткие числа и интервалы, которые наиболее часто используются для представления нечетких множеств в нечетком моделировании, являются нормальными. Однако данные выше определения нечеткого числа и нечеткого интервала слишком общие, что затрудняет их практическое использование. С вычислительной точки зрения удобно использовать более конкретные определения нечетких чисел и интервалов в форме аналитической аппроксима-ции с помощью так называемых (L-R )-функций. Получаемые в результате нечеткие числа и интервалы в форме (L-R) -функций позволяют охватить достаточно широкий класс конкрет-ных функций принадлежности. Определение 6.14. Функция L-muna (а также и R-muna), в общем случае определяется как произвольная функция L: R → и R: /R →, заданная на множестве действительных чисел, невозрастающая на подмножестве неотрицательных чисел R+ и удовлетворяющая следующим дополнительным условиям: L(-x)= L(x), R(-x)=R(x) - условие четности; (6.7) L (0)=R (0) = 1 -условие нормирования. (6.8) Примечание: Иногда в литературе можно встретить еще одно условие, которому долж-ны, по мнению некоторых авторов, удовлетворять функции (L-R )-типа: L (1) = R (1) = 0. По-скольку с одной стороны это условие существенно ограничивает класс функций (L-R )-типа, а с другой стороны, рассматриваемые ниже треугольные нечеткие числа и трапециевидные не-четкие интервалы согласуются с выполнением этого свойства, мы не будем его включать в определение функций (L-R )-типа.

Функция принадлежности μ A (x) ∈ ставит в соответствие каждому числу

x ∈ X число из интервала , характеризующее степень принадлежности решения к подмножеству А.

Т.е. это некоторая не вероятностная субъективная мера нечеткости, определяемая в результате опроса экспертов о степени соответствия элемента x понятию, формализуемому нечетким множеством A. В отличие от вероятностной меры, которая является оценкой стохастической неопределенности, имеющей дело с неоднозначностью наступления некоторого события в различные моменты времени, нечеткая мера является численной оценкой лингвистической неопределенности, связанной с неоднозначностью и расплывчатостью категорий человеческого мышления. При построении функции принадлежности μ A (x) с каждым нечетким множеством A ассоциируется некоторое свойство, признак или атрибут, который характеризует некоторую совокупность объектов X. Чем в большей степени конкретный объект x ∈ X обладает этим свойством, тем более близко к 1 соответствующее значение μ A (x). Если элемент x ∈ X определенно обладает этим свойством, то μ A (x)=1, если же x ∈ X определенно не обладает этим свойством, то μ A (x)=0.

Основные виды функций принадлежности

На практике удобно использовать те функции принадлежности, которые допускают аналитическое представление в виде некоторой простой математической функции.

1. Кусочно-линейные,

использующиеся для задания неопределенностей типа: «приблизительно равно», «среднее значение», «расположен в интервале», «подобен объекту», «похож на предмет» и т.п.

Треугольная trimf

Трапецеидальная trapmf

2. S-образные,

использующиеся для задания неопределенностей типа: «большое количество», «большое значение», «значительная величина», «высокий уровень» и т.п.

Квадратичный S-сплайн smf

3. Z -образные,

использующиеся для задания неопределенностей типа «малое количество», «небольшое значении е», «незначительная величина», «низкий уровень» и т.п.

Квадратичный Z -сплайн z mf

4. П-образные,

использующиеся для задания неопределенностей типа: «приблизительно в пределах от и до», «примерно равно», «около» и т.п.

К данному типу функций принадлежности можно отнести целый класс кривых, которые по своей форме напоминают колокол, сглаженную трапецию или букву "П".

Колоколообразная gbellmf

a - коэффициент концентрации функции принадлежности; b – коэффициент крутизны функции принадлежности; c – координата максимума функции принадлежности.

Гауссовская gaussmf

a – координата максимума функции принадлежности; b – коэффициент концентрации функции принадлежности.

Методы построения функций принадлежности

Прямые и косвенные

В зависимости от числа привлеченных к опросу экспертов как прямые, так и косвенные методы делятся на одиночные и групповые .

Прямые

В прямых методах эксперт либо группа экспертов просто задают для каждого

x ∈ X значение функции принадлежности μ A (x).

Как правило, прямые методы построения функций принадлежности используются для таких свойств, которые могут быть измерены в некоторой количественной шкале. Например, такие физические величины, как скорость, время, расстояние, давление, температура и другие имеют соответствующие единицы и эталоны для своего измерения.

При прямом построении функций принадлежности следует учитывать, что теория нечетких множеств не требует абсолютно точного задания функций принадлежности. Зачастую бывает достаточно зафиксировать лишь наиболее характерные значения и вид функции принадлежности.

Так, например, если необходимо построить нечеткое множество, которое представляет свойство "скорость движения автомобиля примерно 50 км/ч", на начальном этапе может оказаться достаточным представить соответствующее нечеткое множество треугольной функцией принадлежности с параметрами а = 40 км/ч, b = 60 км/ч и с = 50 км/ч. В последующем функция принадлежности может быть уточнена опытным путем на основе анализа результатов решения конкретных задач.

Процесс построения или задания нечеткого множества на основе некоторого известного заранее количественного значения измеримого признака получил даже специальное название - фаззификация или приведение к нечеткости. Речь идет о том, что хотя иногда нам бывает известно некоторое значение измеримой величины, мы признаем тот факт, что это значение известно неточно, возможно с погрешностью или случайной ошибкой. При этом, чем меньше мы уверены в точности измерения признака, тем большим будет интервал носителя соответствующего нечеткого множества. Следует помнить, что в большинстве практических случаев абсолютная точность измерения является лишь удобной абстракцией для построения математических моделей. Именно по этой причине фаззификация позволяет более адекватно представить объективно присутствующую неточность результатов физических измерений.

Метод относительных частот (прямой групповой)

Пусть имеется m экспертов, n 1 из которых на вопрос о принадлежности элемента x ∈ X нечеткому множеству A отвечают положительно. Другая часть экспертов n 2 = m – n 1 отвечает на этот вопрос отрицательно. Тогда принимается μ A (x) = n 1 / (n 1 + n 2) = n 1 / m.

Пример. Рассмотрим нечеткое множество A, соответствующее понятию «скорость изменения температуры положительная средняя». Объект x – скорость изменения температуры. Экспертам предъявляются различные значения скорости изменения температуры x, и каждому из них задается вопрос: считает ли эксперт, что данная скорость изменения температуры x положительная средняя. Результаты опроса сведены в табл.

В качестве непрерывного представления данной нечеткой переменной можно использовать гауссовскую ФП gaussmf с максимумом функции принадлежности а=5 и коэффициентом концентрации функции принадлежности b=1.7:

μ(x) = exp [ – (x–5) 2 / 2*1.7 2 ]

Косвенные

Используются при решении задач, для которых свойства физических величин не могут быть измерены. Наибольшее распространение среди косвенных методов получил метод парных сравнений.

Метод парных сравнений

Интенсивность принадлежности определяют, исходя из попарных сравнений рассматриваемых элементов.

Для каждой пары элементов универсального множества эксперт оценивает преимущество одного элемента над другим по отношению к свойству нечеткого множества. Парные сравнения удобно представлять следующей матрицей:

,

где - уровень преимущество элементанад(), определяемый по девятибальной шкале Саати:

1 - если отсутствует преимущество элемента над элементом;

3 - если имеется слабое преимущество над;

5 - если имеется существенное преимущество над;

7 - если имеется явное преимущество над;

9 - если имеется абсолютное преимущество над;

2, 4, 6, 8 - промежуточные сравнительные оценки.

Пример. Построить функцию принадлежности нечеткого множества "высокий мужчина" на универсальном множестве {170, 175, 180, 185, 190, 195}, если известны такие экспертные парные сравнения:

    абсолютное преимущество 195 над 170;

    явное преимущество 195 над 175;

    существенное преимущество 195 над 180;

    слабое преимущество 195 над 185;

    отсутствует преимущество 195 над 190.

Приведенным экспертным высказываниям соответствует такая матрица парных сравнений:

При согласованных мнениях эксперта матрица парных сравнений обладает следующими свойствами:

    она диагональная‚ т. е. a ii =1 ‚ i=1..n ;

    она обратно симметрична‚ т. е. элементы‚ симметричные относительно главной диагонали‚ связаны зависимостью a ij =1/a ji , i,j=1..n ;

    она транзитивна‚ т. е. a ik a kj =a ij , i,j,k=1..n .

Наличие этих свойств позволяет определить все элементы матрицы парных сравнений:

После определения всех элементов матрицы парных сравнений, степени принадлежности нечеткого множества вычисляются по формуле:

Для нормализации нечеткого множества разделим все степени принадлежности на максимальное значение, т.е. на 0.3588.

μ высокий мужчина (u i) (субнормальное нечеткое множество)

μ высокий мужчина (u i) ((нормальное нечеткое множество)

Введенное определение нечеткого множества (2.1) не накладывает ограничений на выбор функции принадлежности. Однако, на практике целесообразно использовать аналитическое представление функции принадлежности μ A x нечеткого множества A с элементами x , нечетко обладающими определяющим множество свойством R. Типизация функций принадлежности в контексте решаемой технической задачи существенно упрощает соответствующие аналитические и численные расчеты при применении методов теории нечетких множеств. Выделяют следующие типовые функции принадлежности , .

Треугольные функции принадлежности, использующиеся для задания неопределенностей типа: «приблизительно равно», «среднее значение», «расположен в интервале», «подобен объекту», «похож на предмет» и т.п.:

  • треугольная и трапецеидальная функции

    • Trimf x,a,b,c = 0 , x ≤ a ; x - a b - a , a ≤ x ≤ b ; c - x c - b , b ≤ x ≤ c ; 0 , c ≤ x ; trapmf x,a,b,c,d = 0 , x ≤ a ; x - a b - a , a ≤ x ≤ b ; 1 , b ≤ x ≤ c ; d - x d - c , c ≤ x ≤ d ; 0 , d ≤ x ;

    Z-образные функции принадлежности, использующиеся для задания неопределенностей типа: «малое количество», «небольшое значение», «незначительная величина», «низкий уровень» и т.п.:

  • квадратичный и гармонический Z-сплайны

    • Zm f 1 x,a,b = 1 , x ≤ a ; 1 - 2 x - a b - a 2 , a < x ≤ a + b 2 ; 2 b - x b - a 2 , a + b 2 < x < b ; 0 , b ≤ x ; zm f 2 x,a,b = 1 , x < a ; 1 2 + 1 2 cos x - a b - a ; a ≤ x ≤ b ; 0 , x > b ;

  • Z-сигмоидальная и Z-линейная функции

    • Sigmf x,a,b = 1 1 + exp - a x - b , a < 0 ; zlinemf x,c,d = 1 , - ∞ < x ≤ c ; d - x b - c , c < x ≤ d ; 0 , x > d ;

    S-образные функции принадлежности, использующиеся для задания неопределенностей типа: «большое количество», «большое значение», «значительная величина», «высокий уровень» и т.п.:

  • квадратичный и гармонический S-сплайны

    • Sm f 1 x,a,b = 0 , x ≤ a ; 2 x - a b - a 2 , a < x ≤ a + b 2 ; 1 - 2 b - x b - a 2 , a + b 2 < x < b ; 1 , b ≤ x ; sm f 2 x,a,b = 0 , x < a; 1 2 + 1 2 cos x - b b - a ; a ≤ x ≤ b ; 1 , x > b ;

  • S-сигмоидальная и S-линейная функции

    • Sigmf x,a,b = 1 1 + exp - a x - b , a > 0 ; slinemf x,a,b = 0 , x ≤ a ; x - a b - a , a < x ≤ b ; 1 , x > b ;

    П-образные функции принадлежности, использующиеся для задания неопределенностей типа: «приблизительно в пределах от и до», «примерно равно», «около» и т.п.:

  • колоколообразная и гауссова функции

    • Gbellmf x,a,b,c = 1 1 + x - c a 2b ; gaussmf x,σ,c = exp - x - c 2 2σ 2

Существует множество других функций принадлежности нечетких множеств, заданных как композиции вышеупомянутых базовых функций (двойная гауссова, двойная сигмоидальная и т.п.), либо как комбинации по участкам возрастания и убывания (сигмоидально-гауссова, сплайн-треугольная и т.п.).

Функция принадлежности μ A x – это некоторая не вероятностная субъективная мера нечеткости, определяемая в результате опроса экспертов о степени соответствия элемента x понятию, формализуемому нечетким множеством A . В отличие от вероятностной меры, которая является оценкой стохастической неопределенности, имеющей дело с неоднозначностью наступления некоторого события в различные моменты времени, нечеткая мера является численной оценкой лингвистической неопределенности, связанной с неоднозначностью и расплывчатостью категорий человеческого мышления. При построении функции принадлежности μ A x с каждым нечетким множеством A ассоциируется некоторое свойство, признак или атрибут R , который характеризует некоторую совокупность объектов X . Чем в большей степени конкретный объект x ∈ X обладает этим свойством R , тем более близко к соответствующее значение μ A x . Если элемент x ∈ X определенно обладает этим свойством R , то μ A x = 1 , если же x ∈ X определенно не обладает этим свойством R , то μ A x = 0 . Существуют прямые и косвенные методы построения функций принадлежности - .

Прямые методы (наиболее известны методы относительных частот, параметрический, интервальный ) целесообразно использовать для измеримых свойств, признаков и атрибутов, таких как скорость, время, температура, давление и т.п. При использовании прямых методов зачастую не требуется абсолютно точного поточечного задания μ A x . Как правило, бывает достаточно зафиксировать вид функции принадлежности и характерные точки, по которым дискретное представление функции принадлежности аппроксимируется непрерывным аналогом – наиболее подходящей типовой функцией принадлежности.

Косвенные методы (наиболее известен метод парных сравнений ) используются в тех случаях, когда отсутствуют измеримые свойства объектов в рассматриваемой предметной области. В силу специфики рассматриваемых задач при построении нечетких систем автоматического управления, как правило, применяются прямые методы. В свою очередь, в зависимости от числа привлеченных к опросу экспертов как прямые, так и косвенные методы делятся на одиночные и групповые. Наиболее грубую оценку характеристических точек функции принадлежности можно получить путем опроса одного эксперта, который просто задает для каждого значения x ∈ X соответствующее значение μ A x .

Пример. Рассмотрим нечеткое множество A , соответствующее понятию «расход теплоносителя небольшой». Объект x – расход теплоносителя, X 0; x max – множество физически возможных значений скорости изменения температуры. Эксперту предъявляются различные значения расхода теплоносителя x и задается вопрос: с какой степенью уверенности 0 ≤ μ A x ≤ 1 эксперт считает, что данный расход теплоносителя x небольшой. При μ A x = 0 – эксперт абсолютно уверен, что расход теплоносителя x небольшой. При μ A x = 1 – эксперт абсолютно уверен, что расход теплоносителя x нельзя классифицировать как небольшой.

Метод относительных частот. Пусть имеется m экспертов, n 1 из которых на вопрос о принадлежности элемента x ∈ X нечеткому множеству A отвечают положительно. Другая часть экспертов n 2 = m - n 1 отвечает на этот вопрос отрицательно. Тогда принимается μ A x = n 1 n 1 + n 2 = n 1 m .

Пример. Рассмотрим нечеткое множество A , соответствующее понятию «скорость изменения температуры положительная средняя». Объект x – скорость изменения температуры, X - x max ; x max – множество физически возможных значений скорости изменения температуры. Экспертам предъявляются различные значения скорости изменения температуры x и каждому из них задается вопрос: считает ли эксперт, что данная скорость изменения температуры x положительная средняя. Результаты опроса сведены в табл.2.1.

Для непрерывного представления нечеткой переменной используем какую нибудь из П-образных функций принадлежности, например, Гауссову. Из множества гауссовых функций gaussmf x,σ,c = exp - x - c 2 2 σ 2 через характерные точки функции принадлежности: точку перехода μ A 3 = 0,5 и максимум μ A 5 = 1 ; проходит функция с параметрами σ = 1,7 , c = 5 . В качестве альтернативного метода перехода от дискретного ряда точек к непрерывному заданию функции принадлежности можно предложить поиск параметров Гауссовой функции принадлежности, максимально близко аппроксимирующей дискретный ряд по критерию СКО (рис.2.4).

Рис.2.4. Аппроксимация дискретного ряда () непрерывной Гауссовой функцией принадлежности (– по характерным точкам, – – по СКО)

При этом, выполняются следующие соотношения

Чтобы с помощью можно было сравнивать нечеткие множества , имеющие различные носители, надо нормировать , потребовав, чтобы для любого множества мера нечеткости не превышала какой-то определенный порог, например, 1. Нормированное расстояние между нечетким множеством и ближайшим к нему обычным множеством называют индексом нечеткости и обозначают .

В таблице 6.3 приведены основные формулы вычисления индекса нечеткости. - обычное множество, ближайшее к нечеткому множеству , – характеристическая функция множества , вычисляемая по формуле (6.7) .

Основные формулы вычисления индексов нечеткости множеств

Таблица 6.3.
Вид метрики Вид множества
– дискретное множество, число его элементов - непрерывное множество
Линейное расстояние Хемминга
Евклидово расстояние

Пример 6.9

Для множеств и примера 6.1 рассчитаем в MathCad индексы нечеткости, , используя метрику Евклида и по метрике Хемминга..

Индексы нечеткости по Евклиду и по Хеммингу для множеств и :

6.7 Экспертные оценки методом нечетких множеств

В процессе принятия решений по вопросам управления организациями достаточно часто прибегают к методу экспертных оценок. Суть метода состоит в следующем: эксперты анализируют проблему, давая количественную оценку характеристикам объектов, в дальнейшем полученные результаты обрабатываются, и на основании анализа мнений группы экспертов принимается решение проблемы.

В такой процедуре возникает, по крайней мере, две проблемы, связанные между собой.

Первая - при оценке объектов эксперты обычно расходятся во мнениях по решаемой проблеме. В связи с этим возникает необходимость оценить степень согласия экспертов количественно. Получение количественной меры согласованности позволяет более обосновано интерпретировать причины расхождений. Вторая - выбор лучшей альтернативы из имеющихся на основе агрегации результатов или, как говорят, свертки с учетом веса мнения эксперта или весомости критерия. Для получения более адекватных оценок в данном анализе можно использовать аппарат теории нечетких множеств. Автором Назаровым Д.М. разработана методика для решения таких задач.

Методика Назарова

Если имеется универсальное множество U, элементы которого имеют неоднозначную составляющую, можно построить нечеткое подмножество множества и рассмотреть его характеристическую функцию . Если близко к значению 1 или 0, то вклад элемента в нечеткость множества мал. И наоборот, если близко к значению 0,5 (значительно отличается как от 1, так и от 0), то его вклад в нечеткость будет значителен. Таким образом, вклад в нечеткость каждого элемента множества определяется близостью или отдаленностью значения функции принадлежности на этом элементе к числам 1 и 0, а мера нечеткости всего множества определяется как сумма вкладов каждого его элемента. Чтобы сравнивать нечеткие множества , имеющие различные носители, надо их нормировать. Представляя имеющиеся данные в виде нормированных нечетких множеств, можно анализировать их с использованием индексов нечеткости. Для вычисления индекса нечеткости , надо построить ближайшее к нечеткому множество с функцией принадлежности (см. 6.6) и рассчитать нормированное расстояние по Хэммингу (см. 6.7).

Таким образом, чтобы ответить на вопрос: "Какое из двух множеств "более нечетко"?", надо вычислить и сравнить индексы нечеткости этих множеств. "Более нечетким" является то множество, которое имеет больший индекс нечеткости.

Рассмотрим предложенную методику на примере задачи.

Задача 6.1

Пусть имеются данные экспертных оценок по ряду вопросов. Были поставлены 10 вопросов, 30 экспертов давали оценки по 10- бальной системе. Требуется обработать результаты анкетирования на предмет согласованности оценок. По каким вопросам были даны наиболее согласованные оценки. С другой стороны, какие эксперты были более определенны в своих оценках. Для решения используем методику Назарова.

Постановка задачи

Неоднозначность оценок вызвана с одной стороны, может быть, нечеткой постановкой вопросов, с другой, стороны, у каждого эксперта свое видение проблемы. Учитывая неоднозначность оценок экспертов, будем рассматривать массив данных как множество , для которого построим нечеткое подмножество с характеристической функцией . Проведем анализ нечеткого множества по методике Назарова. Для этого рассчитаем индексы нечеткости множеств оценок экспертов и сравним их. При этом, задача распадается на две:

Задача 6.1.1

Определить индексы нечеткости множеств оценок всех экспертов по каждому вопросу и, тем самым, выявить самые неоднозначные вопросы, при ответе на которые мнения экспертов максимально расходились.

Задача 6.1.2

Определить индексы нечеткости множеств оценок по всем вопросам каждого эксперта и выявить, какой эксперт давал наиболее неоднозначные ответы,

Решение задачи 6.1.1.

Представим решение в системе MathCad. Используем матричное представление данных .

    Представляем множество оценок в виде матрицы . Имеем массив оценок по 10- бальной системе: по 10 вопросам (столбцы) 30 экспертов (строки).

    Оценки 30 экспертов:

    Построим функцию принадлежности . нечеткого множества оценок при ответах экспертов на каждый вопрос следующим образом:

    • Подсчитаем частоту различных оценок при ответе на каждый вопрос:

      Матрица частоты оценок :

      Подсчитаем доли различных оценок при ответе на каждый вопрос. Таким образом, мы выявим степени принадлежности каждой оценки к множеству оценок по рассматриваемому вопросу. Для этого значения каждой ячейки предыдущей таблицы разделим на 30 – по количеству экспертов (Рис.6.14).

      Нечеткое множество экспертных оценок :

      Нормируем значения предыдущей таблицы, разделим их на максимальное значение по каждому столбцу. При этом максимальное значение степени принадлежности каждой оценки нечеткому множеству оценок при ответе экспертов на каждый вопрос станет равным единице, и мы получим значения функции принадлежности оценок.

      Нормированное нечеткое множество экспертных оценок :

    Нами получено нечеткое множество оценок экспертов по каждому вопросу Построим четкое множество, ближайшее к рассматриваемому нечеткому множеству - = . Применим условную функцию .

    Множество , ближайшее к рассматриваемому нечеткому множеству:

    Рассчитаем индекс нечеткости по линейной метрике (расстояние по Хэммингу) по формуле: .

    Для этого:

    Отклонения – расстрояние по Хэмингу