Нечеткая логика

r=addrule(r,list); 
  % связывание таблицы правил  
  % с созданной ранее нечеткой системой

tzel=evalfis([vrz y1 y2],r); 
  % запуск вычислений по нечеткому 
  % алгоритму и возвращение значения 
  % переменной tzel - изменение времени  
  % зеленого света светофора в следующем цикле.

Описание  автономного мобильного робота (АМР) MARGE

Данный автономный мобильный робот полностью автономен, не требует оператора, может наводиться и воздействовать на объекты (поиск объекта, поиск маркера, нанесенного на объект, стыковка с объектом), несмотря на присутствие во внешней среде непредвиденных помех (рис.17).

 
Рис.17. (Автономный мобильный робот MARGE)

Режимы работы АМР сделаны по образцу простейших насекомых. Поведения  таких животных есть результат взаимодействия так называемых стимулирующих и  реагирующих на различные проявления внешней среды действий. Эти действия подразумеваются как ответная реакция  организма и мотивационное состояние (голод, страх и т.п.). Таким образом, в случае АМР это применяется  следующим образом: когда необходимо избежать столкновений, включается режим  объезда помех, если же требуется  обнаружить цель, то включается режим  ее поиска.

Эти два вышеупомянутых режима запрограммированы с помощью нечеткой логики, которая позволяет провести быстрое преобразование информации от входа к выходу, минимально использовать так называемые "заложенные рекомендации", упростить систему. Существует несколько трудностей к использованию традиционных нечетких схем, а именно: добавление новых входов приводит к увеличению числа правил по экспоненциальному закону, что в свою очередь делает невозможным ручное описание системы, а, кроме того, работа системы в реальном масштабе времени требует специального "железа". Для решения этих проблем предлагается использовать первичную обработку информации: строится сеть, состоящая из нечетких узлов (переменных), в которой выход обработанного узла подается на вход другого. Таким образом, получается многоэтапный процесс, в отличии от традиционных схем, где все преобразования осуществляются за один шаг.

Режимы поиска цели и объезда  помех рассматриваются в двух аспектах: рулевое управление и управление скоростью АМР.

Управление скоростью ориентировано  на показания ультразвуковых датчиков, обеспечивающих левый и правый обзор, а также пространство перед АМР. Согласно заложенным нечетким правилам, робот едет с максимальной скоростью  к цели, если с трех сторон нет  преград, и тормозит при появлении  помехи с любой стороны.

Экспертные правила рулевого управления позволяют АМР двигаться по коридору практически параллельно стенам, объезжать небольшие помехи, выбираться из полузамкнутых преград, бесцельно "бродить" по местности (за счет введения случайного числа), наводиться на цель по показаниям системы технического зрения.

Решающие правила по каждому  управлению образуют нечеткий мультиплексор, который согласно показаниям датчиков выбирает либо режим наведения и  движения к цели, либо режим объезда  помех.

Программирование нечетких правил происходит в специально созданной  автором среде PCFuz. Данный пакет не требует специального "железа" и работает в таких операционных средах как OS-9, UNIX и MSDOS. PCFuz состоит из трех частей:

• файл начальных установок;
• переводчик;
• блок реального масштаба времени.

Файл начальных установок содержит константы, лингвистические нечеткие множества, нечеткие переменные и нечеткие правила, определенные программистом. Этот файл с помощью переводчика  преобразуется в таблицу правил. В режиме запуска программы активны  только эта таблица и блок реального  масштаба времени, реализованный на микропроцессоре Motorola 68040.

На АМР установлены различные типы датчиков (рис.18). 13 ультразвуковых с малым углом обзора и 6 с большим углом обзора; суммарное поле обзора составляет 240 градусов. Кроме того, в робот вмонтированы 2 камеры на основе ПЗС структур, которые составляют систему технического зрения АМР, и тактильные сенсоры для предотвращения столкновений в случае отказа нечеткой системы.

 
Рис.18. (Схема робота MARGE)

На АМР реализована многопроцессорная  структура. Система предотвращения столкновений по показаниям датчиков с большим углом обзора реализована  на базе процессора Z-80, а по показаниям датчиков с малым углом - на базе микроконтроллера Motorola 68HC11. Кроме того, в плату вмонтированы 3 контроллера Motorola 68040 и две видеокарты.

Данный робот может применяться  в океанских и космических  исследованиях, спасательных операциях  и в других опасных и рисковых ситуациях. Робот завоевал первое место  на проходившей в США в 1993 году 11-ой национальной конференции, посвященной  искусственному интеллекту.

 

 

 

 

 

 

 

 

 

 

 

 

 

Заключение

 

Итак, мы ознакомились с нечеткой логикой, изучили литературу по данной теме, рассмотрели исторические аспекты  нечеткой логики, определили плюсы  и минусы нечетких систем, рассмотрели  свойства и операции над нечеткими  множествами, а так же изучили  моделирование в Matlab и Fussytech.

Делая выводы, можно сказать, что  в отличие от традиционной математики, требующей на каждом шаге моделирования точных и однозначных формулировок закономерностей, нечеткая логика предлагает совершенно иной уровень мышления, благодаря которому творческий процесс моделирования происходит на наивысшем уровне абстракции, при котором постулируется лишь минимальный набор закономерностей.

Существует, однако, ряд задач, которые  не поддаются формальному описанию в силу того, что часть параметров представляют собой неточно или  качественно заданные величины, для  которых переход от «принадлежности  к классу» к «непринадлежности» непрерывен. Традиционные методы недостаточно пригодны для решения подобных задач  именно потому, что они не в состоянии  описать возникающую неопределенность.  
Подход на основе теории нечетких множеств является альтернативой общепринятым количественным методам анализа систем.

Он имеет следующие отличительные  черты: вместо или дополнение к числовым переменным используются нечеткие величины и лингвистические переменные, отношения между переменными описываются при помощи нечетких высказываний и алгоритмов. Такой подход дает приближенные, но в, то, же время эффективные способы описания поведения систем настолько сложных и плохо определенных, что они не поддаются точному математическому моделированию. Теоретические же основания данного подхода вполне точны и строги в математическом смысле и не являются сами по себе источником неопределенности. В каждом конкретном случае степень точности решения может быть согласована с требованиями задачи. Подобная гибкость составляет одну из важных черт рассматриваемого метода.

Нечеткие числа, получаемые в результате “не вполне точных измерений”, во многом аналогичны распределениям теории вероятностей, но свободны от присущих последним недостатков: малое количество пригодных к анализу функций  распределения, необходимость их принудительной нормализации, соблюдение требований аддитивности, трудность обоснования адекватности математической абстракции для описания поведения фактических величин. В пределе, при возрастании точности, нечеткая логика приходит к стандартной, Булевой. По сравнению с вероятностным методом, нечеткий метод позволяет резко сократить объем производимых вычислений, что, в свою очередь, приводит к увеличению быстродействия нечетких систем.

Таким образом, подводя итоги, можно сказать, что нечеткая логика в некоторых простейших случаях  позволяет улучшить качество управления объектами, причем решающую роль в оптимизации  показателей эффективности играют эксперты, которые определяют количество входных и выходных переменных, число  термов для каждой переменной, виды функций принадлежности, т.к. изменение  этих параметров приводит к улучшению  или ухудшению процесса управления объектом.

Важнейшим недостатком нечеткой логики является отсутствие единого  метода моделирования систем, т.е. для  каждого случая приходится заново проектировать  нечеткую подпрограмму, определяя шаг  за шагом все параметры и строя  свою таблицу решений.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Литература

 

1. М.Л.Кричевский «Интеллектуальный анализ данных в менеджменте», Санкт-Петербург, 2005 г.
2. А.Кофман «Введение в  теорию нечетких множеств», 1982 г.
3. Д.Рутковская, М.Пилиньский, Л.Рутковский «Нейронные сети, генетические алгоритмы и нечеткие системы», 2006 г.
4. «Интеллектуальные мехатронные системы», http://mehatronics.ru/2010/12/intellektualnye-mekhatronnye-sistem/
5. И.З.Батыршин «Основные операции нечеткой логики и их обобщения», Казань, 2001 г.
6. А.В.Макеева «Основы нечеткой логики», Нижний Новгород, 2009 г.
7. «Нечеткая логика в арсенале Toshiba», http://www.tora-centre.ru/library/fuzzy/infant.htm
8. «Введение в теорию нечетких множеств», http://fuzzyfly.chat.ru/vvedenie.htm
9. И.В.Костыркин  «Нечеткая логика: достоинства и недостатки», http://ito.edu.ru/2008/Kursk/V/V-0-7.html
10. «Нечеткая логика в Матлабе», http://fuzzyfly.chat.ru/matlab.htm
11. «Fuzzytech», http://fuzzyfly.chat.ru/