(一)模糊控制的发展历史 1. 模糊集合理论
• 问题的提出:多变量大系统中复杂性和精确性的矛盾 • 借鉴:人具有总体粗略、局部精确的认识能力
• 计算机如何模仿:1965年美国California 大学L A Zadeh 提出模糊集合理论“Fuzzy
Sets ”,建立数学新分支
2. 模糊控制
• 1972: Zadeh 提出“A rationale for Fuzzy Control”
• 1974:英国伦敦大学E H Mamdani设计模糊控制器,用于锅炉和汽轮机的运行控制 • 1985:日本在家电实用化
• 目前:应用到复杂系统、智能系统、人类与社会系统、自然系统,出现专用芯片硬
件
(二) 模糊控制的总体思想
1. 基于专家知识和经验,模仿人类对于模糊现象进行不精确决策推理的能力,采用数学方法对系统实施控制 2. 主要特点:
1) 不依赖精确模型,适于复杂系统与模糊性现象(精确模型很难得到或无模型) 2) 智能性和自学习性:知识表示、规则、推理是基于专家知识或经验,并通过学习可更
新
3) 形式上利用规则进行推理,同时基于数学方法表示、处理知识→可用VLSI 实现硬件芯
片
3. 与专家控制的区别: 1) 针对模糊现象/精确量
2) 基于数学方法(模糊数学)/符号方法 处理知识
(三)模糊控制的数学基础-模糊集合理论 1. 模糊概念
1) “转速很高”等表示事物量的不确定性 2) 量 确定性————经典数学
不确定性、随机性——统计数学:概率、数理统计等
模糊性——模糊数学:Fuzzy Sets 3) 随机性与模糊性的区别:
a) 模糊性是人对客观事物认识的不确定性,事物本身确定,如“转速(确定)很高(不
确定)”
b) 随机性是客观事物本身的不确定性或发生的偶然性,个案偶然无意义,大量个案服从
统计规律,掷骰子 4) 模糊的必要性:
a) 日常人的智能常常是模糊的
b) 复杂大系统必须,用模糊性降低精确引起的复杂程度 2. 模糊概念的数学表示——模糊集合FS • •
概念的表示 内涵法:描述本质属性
外延法:本质属性确定的对象总和,集合法
如小于10的正整数 0,整数 {1,2,3,4,5,6,7,8,9}
• 集合的特点:研究的对象x 要么属于、要么不属于某集合A ,必居其一,集合的边界明
确、突变,x ∈A 或 x ∉A •
模糊集合FS :对象x 可以既属于又不属于集合A ,亦此亦彼,集合的边界模糊、渐变,x 无绝对的∈A 或∉A ,只有属于A 的程度—隶属度函数μA (x),取值[0,1] • FS 定义:给定论域X ,X 到[0,1]闭区间的任一映射μA : μA :X → [0,1] x → μA (x)
都确定X 的一个模糊子集A , μA 称为A 的隶属函数,μA (x)称为x 对于A 的隶属度,模糊子集A 也称为模糊集合 a)FS 的表示方法
• 序偶(成对出现且有次序的客体(x,y)≠(y,x))表示法: A={(x,μA (x))|x∈X}
例:论域{1,2,3,4,5,6,7,8,9}中,设A 表示模糊集合“几个”,各元素的隶属度依次为μA (x)={0,0,0.3,0.7,1,1,0.7,0.3,0},则
A={(1,0),(2,0),(3,0.3),(4,0.7),(5,1),(6,1),(7,0.7),(8,0.3),(9,0)}
• Zadeh 表示法: •
μ(x )
A= ⎰ A X 连续
X
x
μA (x i )
= ∑ X 离散
i =1
n
x i
上例A =0/1+0/2+0.3/3+0.7/4+1/5+1/6+0.7/7+0.3/8+0/9 b)FS 的基本运算
• 相等A=B μA (x)=μB (x)对所有x ∈X • 包含A ⊆B μA (x)≤ μB (x) • 空集A=Φ
• 并C =A ∪B μC (x)=∨(μA (x),μB (x))=max(μA (x),μB (x)) • 交C =A ∩B μC (x)=∧(μA (x),μB (x))=min(μA (x),μB (x)) • 补集B=A’ μB (x)=1-μA (x)对所有x ∈X • 直积A ×B c)FS 运算的基本性质
• 分配律,结合律,交换律,吸收律,幂等律,同一律等 • 普通集合中的排中律、矛盾律不成立,即 A ∪A ’ ≠X,A ∩A’ ≠ Φ
3. 模糊概念向多维空间推广——模糊关系 1) 例如:“Ud 与设定值差不多”,“A 与B 很象”
2) 定义:n 元模糊关系R 是定义在直积P1×P2ׄ×Pn 上的模糊集合,可表示为 R P1×P2×…×Pn ={((p1,p2, …,pn),μR (p1,p2, …,pn))| (p1,p2, …,pn)∈ P1×P2×…×Pn} =∫P1×P2×…×Pn μR (p1,p2, …,pn)/ (p1,p2, …,pn) 模糊集合 → 模糊关系
论域X P1×P2ׄ×Pn 的直积空间 元素x 多元序偶(p1,p2, …,pn) 模糊集合A 模糊关系R
隶属度μA (x) 隶属度μR (p1,p2, …,pn)表示p1,p2, …,pn具 有关系R 的程度 序偶(x, μA (x)) 复合序偶((p1,p2, …,pn),μR (p1,p2, …,pn)) 3) 常用的二元模糊关系表示—— 模糊矩阵
当X={x1,x2, …,xn), Y={y1,y2, …, yn}为有限集合时,定义在X×Y上的模糊关系R X×Y可表示为矩阵形式:
⎡μR (x 1, y 1) ⎢ μR (x 2, y 1) ⎢R =⎢
⎢
⎣μR (x n , y 1)
μR (x 1, y 2) μR (x 2, y 2)
μR (x n , y 2)
⎥⎥ ⎥
⎥
μR (x n , y m ) ⎦
μR (x 1, y m ) ⎤
μR (x 2, y m )
R 即为模糊矩阵,其元素为隶属度函数∈〔0,1〕 4) 模糊关系的合成
设X 、Y 、Z 为论域,R 是X 到Y 的一个模糊关系,S 是Y 到Z 的一个模糊关系,则R 对S 的合成T 是X 到Z 的一个模糊关系,记为T =R ○S ,其隶属度为
其中V 为并运算,对所有元素取极大值; *为二项积运算,可用交、代数积等运算。
最常用的合成形式——最大最小合成
μR S (x , z ) =∨(μR (x , y ) *μS (y , z ))
y ∈Y
V 为并运算, *为交运算,即
T =R S μR
S (x , z ) =∨(μR (x , y ) ∧μS (y , z ))
y ∈Y
4. 模糊规则的表示及运算——模糊蕴含关系 1) 语言变量
经典数学 模糊数学
转速nd 很高A1 →电压ud 大幅降低B1
nd=ni → ud=ui 转速nd 偏高A2 →电压ud 适当降低B2
变量 变量的值 语言变量 语言变量的值FS 值域:FS 的集合 2) 模糊蕴含关系
对于一条规则:“如果x 是A ,则y 是B”表示了A 与B 之间的模糊蕴含关系,表示为A →B
A →B的运算方法有:最小,积,最大最小等集合运算
其中模糊蕴含关系最小运算为:
R c =A →B =A ⨯B =⎰μA (x ) ∧μB (y ) /(x , y )
X ⨯Y
例:nd =A1=“转速很低”
=1/200+0.8/400+0.6/600+0.4/800+0.1/1000
ud=B1=大幅升高=0.2/5V+0.4/6V+0.6/7V+0.8/8V+1/9V
当X={x1,x2, …,xn), Y={y1,y2, …, yn}为有限集合时,定义在X×Y上的模糊关系R X×Y可表示为矩阵形式:
⎡1⎤⎢⎥0. 8⎢⎥
Rc =A ⨯B =⎢0. 6⎥∧[0. 2
⎢⎥0. 4⎢⎥⎢0. 2⎥⎣⎦⎡1∧0. 2
⎢
0. 8∧0. 2⎢
⎢0. 6∧0. 2⎢
⎢0. 4∧0. 2⎢⎣0. 2∧0. 2
1∧0. 40. 8∧0. 40. 6∧0. 40. 4∧0. 40. 2∧0. 4
0. 40. 60. 8
1]=
1∧0. 60. 8∧0. 60. 6∧0. 60. 4∧0. 60. 2∧0. 6
1∧0. 80. 8∧0. 80. 6∧0. 80. 4∧0. 80. 2∧0. 8
1∧1⎤⎡0. 2
⎥⎢
0. 8∧10. 2
⎥⎢
0. 6∧1⎥=⎢0. 2
⎥⎢
0. 4∧1⎥⎢0. 20. 2∧1⎥⎦⎢⎣0. 2
0. 40. 40. 40. 40. 2
0. 60. 60. 60. 40. 2
0. 80. 80. 60. 40. 2
1⎤
⎥0. 8
⎥0. 6⎥
⎥0. 4⎥0. 2⎥⎦
5. 模糊推理——关系的合成
1) 运用上面蕴含关系,前面例子可表示为
规 R1:如x 是A1则y 是B1 即 A1 → B1 则 R2:如x 是A2则y 是B2 A2 → B2 库 ┇ ┇
推理:输入x 是A ’,则输出y 是B ’ B ’=A ’○R 规则库R=∪
2) 模糊推理:由输入(模糊集合A ’)和模糊蕴含关系A → B的合成推出结论(模糊集合B’),
即
B ’= A ’○ (A → B)=A ’○R 3) 推理的2种方法: •
广义肯定式:如x 是Ai 则y 是Bi x 是A ’则y 是B ’
• • •
广义否定式:如x 是Ai 则y 是Bi y 是B ’则x 是A ’
对于每一种方法, ○与→运算符采用不同的运算,又可组合出多种推理运算方法 广义肯定式推理的最大最小合成、最小蕴含法: ○取最大最小法,→取最小运算法 例:A’=A1,R=Rc,则
B ' =A ' Rc =[1
0. 80. 60. 4
=[0. 2
0. 40. 60. 8
1]
⎡0. 2⎢⎢0. 20. 2] ⎢0. 2
⎢⎢0. 2⎢⎣0. 2
0. 40. 60. 40. 60. 40. 60. 40. 40. 2
0. 2
0. 81⎤
0. 80. 8
⎥⎥0. 60. 6⎥
0. 40. 4⎥⎥0. 2
0. 2⎥⎦
(一)模糊控制的发展历史 1. 模糊集合理论
• 问题的提出:多变量大系统中复杂性和精确性的矛盾 • 借鉴:人具有总体粗略、局部精确的认识能力
• 计算机如何模仿:1965年美国California 大学L A Zadeh 提出模糊集合理论“Fuzzy
Sets ”,建立数学新分支
2. 模糊控制
• 1972: Zadeh 提出“A rationale for Fuzzy Control”
• 1974:英国伦敦大学E H Mamdani设计模糊控制器,用于锅炉和汽轮机的运行控制 • 1985:日本在家电实用化
• 目前:应用到复杂系统、智能系统、人类与社会系统、自然系统,出现专用芯片硬
件
(二) 模糊控制的总体思想
1. 基于专家知识和经验,模仿人类对于模糊现象进行不精确决策推理的能力,采用数学方法对系统实施控制 2. 主要特点:
1) 不依赖精确模型,适于复杂系统与模糊性现象(精确模型很难得到或无模型) 2) 智能性和自学习性:知识表示、规则、推理是基于专家知识或经验,并通过学习可更
新
3) 形式上利用规则进行推理,同时基于数学方法表示、处理知识→可用VLSI 实现硬件芯
片
3. 与专家控制的区别: 1) 针对模糊现象/精确量
2) 基于数学方法(模糊数学)/符号方法 处理知识
(三)模糊控制的数学基础-模糊集合理论 1. 模糊概念
1) “转速很高”等表示事物量的不确定性 2) 量 确定性————经典数学
不确定性、随机性——统计数学:概率、数理统计等
模糊性——模糊数学:Fuzzy Sets 3) 随机性与模糊性的区别:
a) 模糊性是人对客观事物认识的不确定性,事物本身确定,如“转速(确定)很高(不
确定)”
b) 随机性是客观事物本身的不确定性或发生的偶然性,个案偶然无意义,大量个案服从
统计规律,掷骰子 4) 模糊的必要性:
a) 日常人的智能常常是模糊的
b) 复杂大系统必须,用模糊性降低精确引起的复杂程度 2. 模糊概念的数学表示——模糊集合FS • •
概念的表示 内涵法:描述本质属性
外延法:本质属性确定的对象总和,集合法
如小于10的正整数 0,整数 {1,2,3,4,5,6,7,8,9}
• 集合的特点:研究的对象x 要么属于、要么不属于某集合A ,必居其一,集合的边界明
确、突变,x ∈A 或 x ∉A •
模糊集合FS :对象x 可以既属于又不属于集合A ,亦此亦彼,集合的边界模糊、渐变,x 无绝对的∈A 或∉A ,只有属于A 的程度—隶属度函数μA (x),取值[0,1] • FS 定义:给定论域X ,X 到[0,1]闭区间的任一映射μA : μA :X → [0,1] x → μA (x)
都确定X 的一个模糊子集A , μA 称为A 的隶属函数,μA (x)称为x 对于A 的隶属度,模糊子集A 也称为模糊集合 a)FS 的表示方法
• 序偶(成对出现且有次序的客体(x,y)≠(y,x))表示法: A={(x,μA (x))|x∈X}
例:论域{1,2,3,4,5,6,7,8,9}中,设A 表示模糊集合“几个”,各元素的隶属度依次为μA (x)={0,0,0.3,0.7,1,1,0.7,0.3,0},则
A={(1,0),(2,0),(3,0.3),(4,0.7),(5,1),(6,1),(7,0.7),(8,0.3),(9,0)}
• Zadeh 表示法: •
μ(x )
A= ⎰ A X 连续
X
x
μA (x i )
= ∑ X 离散
i =1
n
x i
上例A =0/1+0/2+0.3/3+0.7/4+1/5+1/6+0.7/7+0.3/8+0/9 b)FS 的基本运算
• 相等A=B μA (x)=μB (x)对所有x ∈X • 包含A ⊆B μA (x)≤ μB (x) • 空集A=Φ
• 并C =A ∪B μC (x)=∨(μA (x),μB (x))=max(μA (x),μB (x)) • 交C =A ∩B μC (x)=∧(μA (x),μB (x))=min(μA (x),μB (x)) • 补集B=A’ μB (x)=1-μA (x)对所有x ∈X • 直积A ×B c)FS 运算的基本性质
• 分配律,结合律,交换律,吸收律,幂等律,同一律等 • 普通集合中的排中律、矛盾律不成立,即 A ∪A ’ ≠X,A ∩A’ ≠ Φ
3. 模糊概念向多维空间推广——模糊关系 1) 例如:“Ud 与设定值差不多”,“A 与B 很象”
2) 定义:n 元模糊关系R 是定义在直积P1×P2ׄ×Pn 上的模糊集合,可表示为 R P1×P2×…×Pn ={((p1,p2, …,pn),μR (p1,p2, …,pn))| (p1,p2, …,pn)∈ P1×P2×…×Pn} =∫P1×P2×…×Pn μR (p1,p2, …,pn)/ (p1,p2, …,pn) 模糊集合 → 模糊关系
论域X P1×P2ׄ×Pn 的直积空间 元素x 多元序偶(p1,p2, …,pn) 模糊集合A 模糊关系R
隶属度μA (x) 隶属度μR (p1,p2, …,pn)表示p1,p2, …,pn具 有关系R 的程度 序偶(x, μA (x)) 复合序偶((p1,p2, …,pn),μR (p1,p2, …,pn)) 3) 常用的二元模糊关系表示—— 模糊矩阵
当X={x1,x2, …,xn), Y={y1,y2, …, yn}为有限集合时,定义在X×Y上的模糊关系R X×Y可表示为矩阵形式:
⎡μR (x 1, y 1) ⎢ μR (x 2, y 1) ⎢R =⎢
⎢
⎣μR (x n , y 1)
μR (x 1, y 2) μR (x 2, y 2)
μR (x n , y 2)
⎥⎥ ⎥
⎥
μR (x n , y m ) ⎦
μR (x 1, y m ) ⎤
μR (x 2, y m )
R 即为模糊矩阵,其元素为隶属度函数∈〔0,1〕 4) 模糊关系的合成
设X 、Y 、Z 为论域,R 是X 到Y 的一个模糊关系,S 是Y 到Z 的一个模糊关系,则R 对S 的合成T 是X 到Z 的一个模糊关系,记为T =R ○S ,其隶属度为
其中V 为并运算,对所有元素取极大值; *为二项积运算,可用交、代数积等运算。
最常用的合成形式——最大最小合成
μR S (x , z ) =∨(μR (x , y ) *μS (y , z ))
y ∈Y
V 为并运算, *为交运算,即
T =R S μR
S (x , z ) =∨(μR (x , y ) ∧μS (y , z ))
y ∈Y
4. 模糊规则的表示及运算——模糊蕴含关系 1) 语言变量
经典数学 模糊数学
转速nd 很高A1 →电压ud 大幅降低B1
nd=ni → ud=ui 转速nd 偏高A2 →电压ud 适当降低B2
变量 变量的值 语言变量 语言变量的值FS 值域:FS 的集合 2) 模糊蕴含关系
对于一条规则:“如果x 是A ,则y 是B”表示了A 与B 之间的模糊蕴含关系,表示为A →B
A →B的运算方法有:最小,积,最大最小等集合运算
其中模糊蕴含关系最小运算为:
R c =A →B =A ⨯B =⎰μA (x ) ∧μB (y ) /(x , y )
X ⨯Y
例:nd =A1=“转速很低”
=1/200+0.8/400+0.6/600+0.4/800+0.1/1000
ud=B1=大幅升高=0.2/5V+0.4/6V+0.6/7V+0.8/8V+1/9V
当X={x1,x2, …,xn), Y={y1,y2, …, yn}为有限集合时,定义在X×Y上的模糊关系R X×Y可表示为矩阵形式:
⎡1⎤⎢⎥0. 8⎢⎥
Rc =A ⨯B =⎢0. 6⎥∧[0. 2
⎢⎥0. 4⎢⎥⎢0. 2⎥⎣⎦⎡1∧0. 2
⎢
0. 8∧0. 2⎢
⎢0. 6∧0. 2⎢
⎢0. 4∧0. 2⎢⎣0. 2∧0. 2
1∧0. 40. 8∧0. 40. 6∧0. 40. 4∧0. 40. 2∧0. 4
0. 40. 60. 8
1]=
1∧0. 60. 8∧0. 60. 6∧0. 60. 4∧0. 60. 2∧0. 6
1∧0. 80. 8∧0. 80. 6∧0. 80. 4∧0. 80. 2∧0. 8
1∧1⎤⎡0. 2
⎥⎢
0. 8∧10. 2
⎥⎢
0. 6∧1⎥=⎢0. 2
⎥⎢
0. 4∧1⎥⎢0. 20. 2∧1⎥⎦⎢⎣0. 2
0. 40. 40. 40. 40. 2
0. 60. 60. 60. 40. 2
0. 80. 80. 60. 40. 2
1⎤
⎥0. 8
⎥0. 6⎥
⎥0. 4⎥0. 2⎥⎦
5. 模糊推理——关系的合成
1) 运用上面蕴含关系,前面例子可表示为
规 R1:如x 是A1则y 是B1 即 A1 → B1 则 R2:如x 是A2则y 是B2 A2 → B2 库 ┇ ┇
推理:输入x 是A ’,则输出y 是B ’ B ’=A ’○R 规则库R=∪
2) 模糊推理:由输入(模糊集合A ’)和模糊蕴含关系A → B的合成推出结论(模糊集合B’),
即
B ’= A ’○ (A → B)=A ’○R 3) 推理的2种方法: •
广义肯定式:如x 是Ai 则y 是Bi x 是A ’则y 是B ’
• • •
广义否定式:如x 是Ai 则y 是Bi y 是B ’则x 是A ’
对于每一种方法, ○与→运算符采用不同的运算,又可组合出多种推理运算方法 广义肯定式推理的最大最小合成、最小蕴含法: ○取最大最小法,→取最小运算法 例:A’=A1,R=Rc,则
B ' =A ' Rc =[1
0. 80. 60. 4
=[0. 2
0. 40. 60. 8
1]
⎡0. 2⎢⎢0. 20. 2] ⎢0. 2
⎢⎢0. 2⎢⎣0. 2
0. 40. 60. 40. 60. 40. 60. 40. 40. 2
0. 2
0. 81⎤
0. 80. 8
⎥⎥0. 60. 6⎥
0. 40. 4⎥⎥0. 2
0. 2⎥⎦