模糊控制理论基础知识.docx
《模糊控制理论基础知识.docx》由会员分享,可在线阅读,更多相关《模糊控制理论基础知识.docx(34页珍藏版)》请在冰豆网上搜索。
模糊控制理论基础知识
第二章模糊控制理论基础知识
2.1模糊关系
一、模糊关系
所谓关系R,实际上是A和B两集合的直积A×B的一个子集。
现在把它扩展到模糊集合中来,定义如下:
所谓A,B两集合的直积
A×B={(a,b)|a∈A,b∈B}
中的一个模糊关系
,是指以A×B为论域的一个模糊子集,其序偶(a,b)的隶属度为
,可见
是二元模糊关系。
若论域为n个集合的直积,则
A1×A2×A3×……An
称为n元模糊关系
,它的隶属函数是n个变量的函数。
例如,要求列出集合X={1,5,7,9,20}“序偶”上的“前元比后元大得多”的关系
。
因为直积空间R=X×X中有20个“序偶”,序偶(20,1)中的前元比后元大得多,可以认为它的隶属度为1,同理认为序偶(9,5)的隶属于“大得多”的程度为0.3,于是我们可以确定“大得多”的关系
为
=0.5/(5,1)+0.7/(7,1)+0.8/(9,1)+1/(20,1)+0.1/(7,5)+0.3/(9,5)+0.95/(20,5)+0.1/(9,7)+0.9/(20,7)+0.85/(20,9)
综上所述,只要给出直积空间A×B中的模糊集
的隶属函数
,集合A到集合B的模糊关系
也就确定了。
由于模糊关系,
实际上是一个模糊子集,因此它们的运算完全服从第一章所述的Fuzzy子集的运算规则,这里不一一赘述了。
一个模糊关系
,若对
x∈X,必有
=1,即每个元素X与自身隶属于模糊关系
的隶属度为1。
称这样的
为具有自返性的模糊关系。
一个模糊
,若对
x,y∈X,均有
=
即(x,y)隶属于Fuzzy关系
和(y,x)隶属于Fuzzy关系
的隶属度相同,则称
为具有对称性的Fuzzy关系。
一个模糊关系
,若对
x,y,z∈X,均
>min[
]
则称
为具有传递性的Fuzzy关系。
论域A×B为有限集时,模糊关系
可以用模糊矩阵
表示。
二、模糊矩阵
例如有一组学生组成集合x
x={王二,张三,李四}
规定他们可以选学英、日、德、法四种外语中的任意几门,设这四门外语课组成的集合为y
y={英,日,德,法}
且他们三个的期终考试成绩如表2-1所示:
姓名
语种
成绩
王二
王二
张三
李四
李四
英
法
德
日
英
80
85
95
65
78
如果把他们的考试成绩除以100,则可以认为他们和考试成绩之间构成的X×Y上的一个Fuzzy关系
如表2-2所示:
英
日
德
法
王二
张三
李四
0.8
0
0.78
0
0
0.65
0
0.95
0
0.85
0
0
把上述
写矩阵形式,即得:
=
称此矩阵为“模糊矩阵”。
其中每一个元素是在[0,1]闭区间取值。
这是普通关系矩阵的扩展。
设A={a1,a2,……an},B={b1,b2,……bn},则模糊矩阵可写成
=(rij)=
式中0rij表示集合A中第i个元素和集合B中第j个元素组成的序偶隶属于Fuzzy关系
的程度。
2.2模糊矩阵
一、模糊关系矩阵的运算
定义1:
设Fuzzy矩阵
=[aij]和
=[bij],若有
Cij=∨[aij,bij]=aij∨bij,则
=[Cij]
为Fuzzy矩阵的并
和
,记作
=
∪
定义2:
设Fuzzy矩阵
=[aij]和
=[bij],若有
Cij=∧[aij,bij]=aij∧bij,则称Cij=[cij]为Fuzzy矩阵
和
的交,记作
=
∩
例1:
已知:
=
,
=
求
∪
及
∩
。
解:
∪
=
=
∩
=
=
定义3:
设Fuzzy矩阵
=[aij],则[1-aij]称为
的补矩阵,记作
。
例2:
已知
=
,求
。
解:
=
=
定义4:
若有Fuzzy矩阵
∩
,且
=[aij],
=[bij],
令
=
·
且
中的元素为
Cij=
则称
为Fuzzy矩阵
和
的积。
例3:
已知
=
,
=
,求
·
。
解
·
=
=
工理
·
=
可见,一般地说,
·
≠
·
。
二、模糊关系的应用
例1:
某家中子女与父母的长像相似的关系
为
父母
子
女
0.80.2
0.10.6
用模糊矩阵表示为
=
该家中父母与祖父母的长像相似的关系
为
用Fuzzy矩阵表示为
=
而Fuzzy矩阵的积
·
为
·
=
=
把
·
Fuzzy矩阵改写Fuzzy关系为
·
祖父祖母
子
女
0.50.7
0.10.1
这一例子说明,Fuzzy矩阵相乘时先取小后取大有实际中的现实意义。
2.3模糊逻辑
在本世纪三十年代末期,数理逻辑已开始用于开关电路设计。
四十年代末,数理逻辑和布尔代数已成为电子计算机科学的基础理论之一,这是因为电子计算机具有二值逻辑的特点。
在二值逻辑中,一个可以判断真假的句子称为命题,如果命题为真,其真值为“1”;否则,若命题为假,其真值为“0”。
然而,在现实生活中存在着大量的模糊判断,如“甲个子很高”,“乙很年轻”等。
随着科学技术的进步,人们在研究复杂大系统时,由于其结构复杂,且要涉及大量的参数与变量,这些都具有模糊性特点,所以二值逻辑在这些系统中就不够用了。
为此人们开始研究多值逻辑和连续值逻辑。
模糊逻辑是多值逻辑的发展,又是模糊推理的基础。
一、二值逻辑
在二值逻辑中,一个命题只能是“真”或“假”,两者必居其一。
例如“北京在中国”是真;“二加三等于六”是假。
如果把两个或两个以上的单命题联合起来,就构成一个复命题,设P,Q为两个单命题,则复命题的构成方式有下列几种。
(1)并:
表示为P∨Q,用以表示“或”的关系。
(2)交:
表示为P∧Q,用以表示“与”、“及”、“且”的关系。
P、Q两命题结合后得到的真值表如表2-3所示:
表2-3
命题
P
Q
P∨Q
P∧Q
真值
1
1
0
0
1
0
1
0
1
1
1
0
1
0
0
0
(3)否定:
命题P的否定记作
(
)。
(4)蕴涵:
蕴涵是用来表示“若…,则…”。
即命题P的成立,即可推出命题Q也成立,以P→Q表示。
(5)等价:
它表示两个命题的真假相同,以←→表示。
二、连续值逻辑和模糊逻辑
在多值逻辑中,如N值逻辑,逻辑值可以取0,1,2,…,N-1个。
我们规定,Fuzzy命题P的逻辑值V(P)=X是在[0,1]连续闭区间内任意取值。
因此,将研究Fuzzy命题的逻辑称为连续性逻辑。
由于它主要用来研究Fuzzy集的隶属函数,所以也称为Fuzzy逻辑。
连续逻辑运算规则如下:
逻辑并:
X∨Y=max(X,Y)
逻辑交:
X∧Y=min(X,Y)
否定:
=1-X
限界差:
X
Y=0∨(X-Y)
界限和:
X
Y=1∧(X+Y)
界限积:
X⊙Y=0∨(X+Y-1)
蕴涵:
X→Y=1∧(1-X+Y)
等价:
X←Y=(1-X+Y)∧(1-Y+X)
通常,一个模糊逻辑公式常称为Fuzzy函数,由于Fuzzy函数是在[0,1]区间任意取值,所以在处理Fuzzy函数中,以解析法为处理手段,与二值逻辑处理方法相比较,难度较大。
最恰当的办法是在[0,1]闭区间上把Fuzzy函数变量x分成有限个等级,采用多值逻辑的方法来处理Fuzzy的逻辑问题。
例如,将[0,1]闭区间分为n个等级如下:
第一级a1第二级a2……
第n级0其中0在讨论现实问题时,我们常把闭区间分成十个相等等分,让隶属函数
在集合
μ=(0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1)
上取值。
这样,Fuzzy变量的逻辑值也对应有11种,我们可以用处理多值逻辑的办法来处理Fuzzy集X和Y的隶属函数的逻辑运算。
例如x∧y,
∧y,x∨y的逻辑运算,其真值表如表2-4、2-5、表2-6所示
表2-4
y
x∧y
x
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0
0
0
0
0
0
0
0
0
0
0
0
0.1
0
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.2
0
0.1
0.2
0.2
0.2
0.2
0.2
0.2
0.2
0.2
0.2
0.3
0
0.1
0.2
0.3
0.3
0.3
0.3
0.3
0.3
0.3
0.3
0.4
0
0.1
0.2
0.3
0.4
0.4
0.4
0.4
0.4
0.4
0.4
0.5
0
0.1
0.2
0.3
0.4
0.5
0.5
0.5
0.5
0.5
0.5
0.6
0
0.1
0.2
0.3
0.4
0.5
0.6
0.6
0.6
0.6
0.6
0.7
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.7
0.7
0.7
0.8
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.8
0.8
0.9
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.9
1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
表2-5
y
∧y
x
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.9
0.2
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.8
0.8
0.3
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.7
0.7
0.7
0.4
0
0.1
0.2
0.3
0.4
0.5
0.6
0.6
0.6
0.6
0.6
0.5
0
0.1
0.2
0.3
0.4
0.5
0.5
0.5
0.5
0.5
0.5
0.6
0
0.1
0.2
0.3
0.4
0.4
0.4
0.4
0.4
0.4
0.4
0.7
0
0.1
0.2
0.3
0.3
0.3
0.3
0.3
0.3
0.3
0.3
0.8
0
0.1
0.2
0.2
0.2
0.2
0.2
0.2
0.2
0.2
0.2
0.9
0
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
1
0
0
0
0
0
0
0
0
0
0
0