数学建模学习-模糊逻辑(Fuzzy Logic)教程(16)

FFMXjy

已于 2025-01-17 13:30:11 修改

阅读量836

点赞数 15

分类专栏：数学建模学习-传统算法、机器学习、深度学习系列课程文章标签：数学建模学习

于 2025-01-17 13:09:33 首次发布

本文链接：https://blog.youkuaiyun.com/FFMXjy/article/details/145205491

版权

数学建模学习-传统算法、机器学习、深度学习系列课程专栏收录该内容

49 篇文章

订阅专栏

数学建模学习-模糊逻辑(Fuzzy Logic)教程(16)

写在最前

注意本文的相关代码及例子为同学们提供参考，借鉴相关结构，在这里举一些通俗易懂的例子，方便同学们根据实际情况修改代码，很多同学私信反映能否添加一些可视化，这里每篇教程都尽可能增加一些可视化方便同学理解，但具体使用时，同学们要根据实际情况选择是否在论文中添加可视化图片。

系列教程计划持续更新，同学们可以免费订阅专栏，内容充足后专栏可能付费，提前订阅的同学可以免费阅读，同时相关代码获取可以关注博主评论或私信。

算法简介

模糊逻辑（Fuzzy Logic）是一种基于"模糊集合论"的数学方法，它可以处理现实世界中的不确定性和模糊性。与传统的布尔逻辑（非真即假）不同，模糊逻辑允许真值在0到1之间连续变化，这使得它能够更好地模拟人类的思维方式和决策过程。

模糊逻辑的核心思想是通过定义模糊集合和模糊规则，将不精确的输入转换为精确的输出。这种方法特别适用于控制系统、决策支持系统和模式识别等领域。

算法特点

处理不确定性：能够有效处理现实世界中的不精确、不确定和模糊信息。
语言变量：使用自然语言描述问题，如"热"、“冷”、“快”、"慢"等，使系统更易理解和设计。
非线性映射：通过模糊规则实现输入到输出的非线性映射，可以处理复杂的非线性问题。
专家知识集成：可以方便地将人类专家的经验和知识编码到系统中。
鲁棒性：对输入数据的噪声和扰动具有较强的抵抗能力。

环境准备

本教程使用Python实现模糊逻辑控制系统，需要安装以下依赖：

# requirements.txt
numpy==1.21.5
matplotlib==3.5.1
scikit-fuzzy==0.4.2

安装依赖：

pip install -r requirements.txt

基本概念

1. 模糊集合

模糊集合是经典集合论的扩展，它允许元素部分属于某个集合。例如，一个温度值可以同时部分属于"冷"和"适中"两个模糊集合，具体属于程度由隶属度函数决定。

2. 隶属度函数

隶属度函数定义了元素属于模糊集合的程度，取值范围为[0,1]。常用的隶属度函数包括：

三角形函数
梯形函数
高斯函数
S形函数

3. 模糊规则

模糊规则是一系列IF-THEN语句，用于描述输入和输出之间的关系。例如：

IF 温度高 AND 湿度高 THEN 风扇速度快
IF 温度适中 AND 湿度正常 THEN 风扇速度中等

代码实现

我们以一个智能风扇控制系统为例，演示模糊逻辑的应用。系统根据温度和湿度自动调节风扇速度。

1. 创建模糊控制变量

import numpy as np
import skfuzzy as fuzz
from skfuzzy import control as ctrl
import matplotlib.pyplot as plt

# 创建模糊控制变量
temperature = ctrl.Antecedent(np.arange(0, 41, 1), 'temperature')
humidity = ctrl.Antecedent(np.arange(0, 101, 1), 'humidity')
fan_speed = ctrl.Consequent(np.arange(0, 101, 1), 'fan_speed')

2. 定义模糊集合

# 定义模糊集合
temperature['cold'] = fuzz.trimf(temperature.universe, [0, 0, 20])
temperature['comfortable'] = fuzz.trimf(temperature.universe, [10, 20, 30])
temperature['hot'] = fuzz.trimf(temperature.universe, [20, 40, 40])

humidity['dry'] = fuzz.trimf(humidity.universe, [0, 0, 50])
humidity['normal'] = fuzz.trimf(humidity.universe, [30, 50, 70])
humidity['humid'] = fuzz.trimf(humidity.universe, [50, 100, 100])

fan_speed['low'] = fuzz.trimf(fan_speed.universe, [0, 0, 50])
fan_speed['medium'] = fuzz.trimf(fan_speed.universe, [25, 50, 75])
fan_speed['high'] = fuzz.trimf(fan_speed.universe, [50, 100, 100])

3. 定义模糊规则

# 定义模糊规则
rule1 = ctrl.Rule(temperature['hot'] | humidity['humid'], fan_speed['high'])
rule2 = ctrl.Rule(temperature['comfortable'] & humidity['normal'], fan_speed['medium'])
rule3 = ctrl.Rule(temperature['cold'] | humidity['dry'], fan_speed['low'])

# 创建控制系统
fan_ctrl = ctrl.ControlSystem([rule1, rule2, rule3])
fan_simulation = ctrl.ControlSystemSimulation(fan_ctrl)

4. 模拟测试

# 模拟不同输入条件下的风扇速度
test_conditions = [
    (25, 60),  # 舒适温度，正常湿度
    (35, 80),  # 高温，高湿
    (15, 30),  # 低温，干燥
]

results = []
for temp, hum in test_conditions:
    fan_simulation.input['temperature'] = temp
    fan_simulation.input['humidity'] = hum
    fan_simulation.compute()
    results.append((temp, hum, fan_simulation.output['fan_speed']))

结果分析

1. 模糊集合可视化

在这里插入图片描述

上图展示了温度的三个模糊集合：冷（cold）、舒适（comfortable）和热（hot）。可以看到，这些集合之间有重叠，表示一个温度值可以同时部分属于多个集合。

在这里插入图片描述

湿度同样被划分为干燥（dry）、正常（normal）和潮湿（humid）三个模糊集合。

在这里插入图片描述

风扇速度的输出被划分为低速（low）、中速（medium）和高速（high）三个模糊集合。

2. 控制曲面

在这里插入图片描述

3D控制曲面展示了温度和湿度对风扇速度的综合影响。从图中可以看出：

当温度和湿度都较高时，风扇速度最快
在适中的温度和湿度条件下，风扇保持中等速度
当温度和湿度较低时，风扇速度最慢

3. 测试结果

对三种不同条件的测试结果如下：

测试结果:
温度(°C) | 湿度(%) | 风扇速度(%)
-----------------------------------
    25.0 |    60.0 |      50.0
    35.0 |    80.0 |      83.3
    15.0 |    30.0 |      16.7

这些结果显示了模糊控制系统如何根据不同的温湿度条件自动调节风扇速度。