منطق فازی چیست؟ + تعریف، معنا، مثال و تاریخچه

چکیده مقاله :
منطق فازی رویکردی برای محاسبات مبتنی بر «درجات صدق» به جای منطق معمولی «درست یا نادرست» (1 یا 0) بولی است که رایانه مدرن بر آن استوار است. ایده منطق فازی اولین بار توسط لطفی زاده از دانشگاه کالیفرنیا در برکلی در دهه 1960 مطرح شد. لطفی زاده روی مشکل درک کامپیوتری زبان طبیعی کار می کرد. زبان طبیعی – مانند بسیاری از فعالیت‌های دیگر در زندگی و در واقع جهان – به راحتی به اعداد مطلق 0 و 1 ترجمه نمی‌شود. ممکن است بخواهیم رایانه ای را تغذیه کنیم که در وضعیتی در این بین قرار دارد و اغلب نتایج محاسبات به همین ترتیب است. fuzzy logic را به‌عنوان روشی که استدلال واقعاً کار می‌کند در نظر می گیریم و منطق باینری یا بولی یک مورد خاص از آن است. در این محتوا به بررسی کامل سوال منطق فازی چیست همراه با مثال می پردازیم.

1- منطق فازی چیست؟

منطق فازی رویکردی برای پردازش متغیر است که امکان پردازش چندین مقدار صدق ممکن را از طریق یک متغیر فراهم می‌کند. منطق فازی تلاش می کند تا مسائل را با یک طیف باز و نادقیق از داده ها و اکتشافی حل کند که به دست آوردن مجموعه ای از نتایج دقیق را ممکن می سازد.

منطق فازی برای حل مسائل با در نظر گرفتن تمام اطلاعات موجود و گرفتن بهترین تصمیم ممکن با توجه به ورودی طراحی شده است.

مفاهیم کلیدی

• منطق فازی یک رویکرد اکتشافی است که امکان پردازش درخت تصمیم پیشرفته تر و ادغام بهتر با برنامه نویسی مبتنی بر قوانین را فراهم می کند.
• منطق فازی یک تعمیم از منطق استاندارد است که در آن تمام عبارات دارای مقدار صدق یک یا صفر هستند. در منطق فازی، عبارات می توانند مقدار صدق جزئی مانند 0.9 یا 0.5 داشته باشند.
• از نظر تئوری، این به رویکرد فرصت بیشتری برای تقلید از شرایط زندگی واقعی می دهد، جایی که اظهارات صدق یا دروغ مطلق نادر است.
• fuzzy logic ممکن است توسط تحلیلگران کمی برای بهبود اجرای الگوریتم هایشان استفاده شود.
• الگوریتم‌های فازی به دلیل شباهت‌هایی که با زبان معمولی دارند، کدنویسی نسبتاً ساده‌ای دارند، اما ممکن است نیاز به تأیید و آزمایش کامل داشته باشند.

2- مفهوم منطق فازی

fuzzy logic از مطالعه ریاضی منطق چند ارزشی سرچشمه می گیرد. در حالی که منطق معمولی با گزاره های حقیقت مطلق سر و کار دارد (مانند «آیا این شی سبز است؟»)، منطق فازی به مجموعه هایی با تعاریف ذهنی یا نسبی، مانند «بلند»، «بزرگ» یا «زیبا» می پردازد و تلاش می‌کند تا از روشی که انسان‌ها مشکلات را تجزیه و تحلیل می‌کنند و تصمیم‌گیری می‌کنند، تقلید کند، به‌گونه‌ای که بر ارزش‌های مبهم یا نادقیق تکیه می‌کند تا حقیقت یا دروغ مطلق.

در عمل، این ساختارها همگی مقادیر جزئی شرط «واقعی» را مجاز می‌کنند. به جای الزام همه گزاره ها به طور مطلق درست یا مطلقا نادرست، مانند منطق کلاسیک، مقادیر صدق در منطق فازی می تواند هر مقداری بین صفر و یک باشد. این فرصتی را برای الگوریتم‌ها ایجاد می‌کند تا بر اساس گستره‌ای از داده‌ها در مقابل یک نقطه داده گسسته تصمیم بگیرند.

امروزه منطق فازی در طیف وسیعی از کاربردها از جمله: مهندسی هوافضا، کنترل ترافیک خودرو، تصمیم‌گیری تجاری، فرآیندهای صنعتی، هوش مصنوعی و یادگیری ماشین استفاده می‌شود.

تفاوت یادگیری ماشین و داده کاوی

در منطق استاندارد، هر عبارت باید یک مقدار مطلق داشته باشد: درست یا نادرست. در منطق فازی، مقادیر صدق با درجاتی از «عضویت» از 0 تا 1 جایگزین می‌شوند، جایی که 1 کاملاً درست و 0 مطلقاً نادرست است.

3- تاریخچه منطق فازی

fuzzy logic اولین بار توسط لطفی زاده در مقاله ای در سال 1965 برای مجله اطلاعات و کنترل ارائه شد. لطفی زاده در مقاله خود با عنوان “مجموعه های فازی” تلاش کرد تا نوع داده های مورد استفاده در پردازش اطلاعات را منعکس کند و قواعد منطقی عنصری را برای این نوع مجموعه استخراج کند.

لطفی زاده توضیح داد: «در اغلب موارد، طبقات اشیایی که در دنیای فیزیکی واقعی با آنها مواجه می‌شوند، معیارهای دقیق عضویت ندارند. با این حال، این واقعیت باقی می‌ماند که چنین «طبقه‌هایی» که به طور دقیق تعریف نشده‌اند، نقش مهمی در تفکر انسان دارند، به‌ویژه در حوزه‌های تشخیص الگو، ارتباط اطلاعات و انتزاع.

از آن زمان، منطق فازی با موفقیت در سیستم‌های کنترل ماشین، پردازش تصویر، هوش مصنوعی و سایر زمینه‌هایی که بر سیگنال‌هایی با تفسیر مبهم متکی هستند، استفاده شده است.

4- منطق فازی و درختان تصمیم

منطق فازی در ابتدایی ترین معنای آن از طریق تحلیل نوع درخت تصمیم توسعه می یابد. بنابراین، در مقیاس وسیع‌تر، مبنایی برای سیستم‌های هوش مصنوعی است که از طریق استنتاج‌های مبتنی بر قوانین برنامه‌ریزی شده‌اند.

درخت تصمیم چیست؟

به طور کلی، اصطلاح فازی به تعداد زیادی از سناریوها اشاره دارد که می توانند در یک سیستم درخت تصمیم توسعه یابند. توسعه پروتکل‌های fuzzy logic می‌تواند نیازمند ادغام برنامه‌نویسی مبتنی بر قانون باشد. این قوانین برنامه نویسی ممکن است به عنوان مجموعه های فازی نامیده شوند زیرا به صلاحدید مدل های جامع توسعه یافته اند.

مجموعه های فازی نیز ممکن است پیچیده تر باشند. در قیاس های برنامه نویسی پیچیده تر، برنامه نویسان ممکن است این قابلیت را داشته باشند که قوانین مورد استفاده برای تعیین گنجاندن و حذف متغیرها را گسترش دهند. این می تواند منجر به طیف وسیع تری از گزینه ها با استدلال مبتنی بر قوانین دقیق تر شود.

fuzzy logic را می توان در نرم افزار معاملاتی استفاده کرد، جایی که از آن برای تجزیه و تحلیل داده های بازار برای سیگنال های خرید و فروش استفاده می شود.

تحلیل آماری چیست؟

5- معناشناسی فازی در هوش مصنوعی

مفهوم منطق فازی و معناشناسی فازی جزء اصلی برنامه نویسی راه حل های هوش مصنوعی است. راه حل ها و ابزارهای هوش مصنوعی همچنان در اقتصاد در طیف وسیعی از بخش ها گسترش می یابند زیرا قابلیت های برنامه نویسی منطق فازی نیز گسترش می یابد.

واتسون IBM یکی از شناخته‌شده‌ترین سیستم‌های هوش مصنوعی است که از تغییرات منطق فازی و معناشناسی فازی استفاده می‌کند. به طور خاص در خدمات مالی، منطق فازی در یادگیری ماشین و سیستم‌های فناوری که از خروجی‌های هوش سرمایه‌گذاری پشتیبانی می‌کنند، استفاده می‌شود.

در برخی از مدل‌های معاملاتی پیشرفته، از ادغام ریاضیات منطق فازی نیز می‌توان برای کمک به تحلیلگران برای ایجاد سیگنال‌های خرید و فروش خودکار استفاده کرد. این سیستم‌ها به سرمایه‌گذاران کمک می‌کنند تا به طیف وسیعی از متغیرهای بازار در حال تغییر که بر سرمایه‌گذاری‌های آنها تأثیر می‌گذارد، واکنش نشان دهند.

6- نمونه هایی از منطق فازی

در مدل‌های معاملاتی نرم‌افزاری پیشرفته، سیستم‌ها می‌توانند از مجموعه‌های فازی قابل برنامه‌ریزی برای تجزیه و تحلیل هزاران اوراق بهادار در زمان واقعی استفاده کنند و بهترین فرصت موجود را در اختیار سرمایه‌گذار قرار دهند. fuzzy logic اغلب زمانی استفاده می شود که یک معامله گر به دنبال استفاده از چندین عامل برای بررسی است. این می تواند منجر به تحلیل محدود برای تصمیمات معاملاتی شود. معامله گران همچنین ممکن است توانایی برنامه ریزی قوانین مختلفی را برای اعمال معاملات داشته باشند. دو نمونه شامل موارد زیر است:

• قانون 1: اگر میانگین متحرک پایین و شاخص قدرت نسبی (RSI) پایین است، بفروشید.
• قانون 2: اگر میانگین متحرک بالا و شاخص قدرت نسبی (RSI) بالا است، خرید کنید.

fuzzy logic به یک معامله گر اجازه می دهد تا استنتاج ذهنی خود را بر روی کم و زیاد در این مثال های اساسی برنامه ریزی کند تا به سیگنال های معاملاتی خودکار خود برسد.

7- مزایا و معایب منطق فازی

منطق فازی اغلب در کنترل‌کننده‌های ماشین و هوش مصنوعی استفاده می‌شود و همچنین می‌تواند در نرم‌افزار معاملاتی نیز اعمال شود. اگرچه کاربردهای گسترده ای دارد، اما محدودیت های قابل توجهی نیز دارد.

از آنجایی که fuzzy logic تصمیم گیری انسانی را تقلید می کند، برای مدل سازی مسائل پیچیده با ورودی های مبهم یا تحریف شده بسیار مفید است. با توجه به شباهت‌های با زبان طبیعی، کدگذاری الگوریتم‌های منطق فازی آسان‌تر از برنامه‌نویسی منطقی استاندارد است و به دستورالعمل‌های کمتری نیاز دارد، در نتیجه در ذخیره‌سازی حافظه صرفه‌جویی می‌شود.

این مزایا به دلیل ماهیت نادقیق منطق فازی، دارای معایبی نیز هستند. از آنجایی که سیستم ها برای داده ها و ورودی های نادرست طراحی شده اند، برای جلوگیری از نتایج نادرست باید آزمایش و اعتبارسنجی شوند.

مزایای منطق فازی

• منطق فازی بیشتر از منطق کلاسیک منعکس کننده مسائل دنیای واقعی است.
• الگوریتم های fuzzy logic نسبت به منطق بولی کلاسیک نیازمند سخت افزار کمتری هستند.
• الگوریتم های فازی می توانند نتایج دقیقی را با داده های نادرست یا نادرست تولید کنند.

معایب منطق فازی

• الگوریتم های فازی نیاز به اعتبارسنجی و تأیید گسترده دارند.
• سیستم های کنترل فازی به تخصص و دانش انسان وابسته هستند.

8- منطق فازی در داده کاوی چیست؟

داده کاوی فرآیند شناسایی روابط مهم در مجموعه های بزرگ داده است، زمینه ای که با آمار، یادگیری ماشین و علوم کامپیوتر همپوشانی دارد. fuzzy logic مجموعه ای از قوانین است که می تواند برای رسیدن به نتایج منطقی از مجموعه داده های فازی استفاده شود. از آنجایی که داده‌کاوی اغلب برای اندازه‌گیری‌های غیردقیق اعمال می‌شود، منطق فازی روشی مفید برای تعیین روابط مرتبط از این نوع داده‌ها است.

داده کاوی چیست؟

9- آیا منطق فازی همان یادگیری ماشینی است؟

fuzzy logic اغلب با یادگیری ماشین گروه بندی می شود، اما آنها یک چیز نیستند. یادگیری ماشینی به سیستم‌های محاسباتی اطلاق می‌شود که با تطبیق مکرر الگوریتم‌ها برای حل مسائل پیچیده، شناخت انسان را تقلید می‌کنند. منطق فازی مجموعه ای از قوانین و توابع است که می تواند بر روی مجموعه داده های نادرست عمل کند، اما الگوریتم ها هنوز باید توسط انسان کدگذاری شوند. هر دو حوزه در هوش مصنوعی و حل مسائل پیچیده کاربرد دارند.

10- تفاوت بین منطق فازی و شبکه های عصبی چیست؟

شبکه عصبی مصنوعی یک سیستم محاسباتی است که برای تقلید از روش‌های حل مسئله یک سیستم عصبی شبیه انسان طراحی شده است. این از fuzzy logic متمایز است، مجموعه‌ای از قوانین طراحی شده برای رسیدن به نتیجه‌گیری از داده‌های نادقیق. هر دو در علوم کامپیوتر کاربرد دارند، اما رشته های مجزا هستند.

11- اجزای منطق فازی چیست؟

منطق فازی معمولاً دارای چهار جزء است:

• فازی شدن فرآیند تبدیل مقادیر ورودی خاص به درجاتی از عضویت مجموعه های فازی بر اساس میزان تناسب آنها.
• قوانین فازی / پایگاه دانش. اینها قوانین If-Then هستند که باید از آنها پیروی کرد، که اغلب از نظرات متخصصان یا از طریق رویکردهای کمی بیشتر ناشی می شوند.
• روش استنباط. نحوه به دست آوردن نتیجه نهایی فازی با توجه به میزان عضویت متغیرهای ورودی به مجموعه های فازی و قوانین دقیق فازی
• فاززدایی فرآیند تبدیل نتایج فازی به مقادیر خروجی دقیق.

جمع بندی

منطق فازی توسعه ای از منطق کلاسیک است که عدم قطعیت هایی را که در تصمیم گیری های انسانی نقش دارند را در بر می گیرد. اغلب برای حل مسائل پیچیده استفاده می شود، جایی که پارامترها ممکن است نامشخص یا نادقیق باشند. fuzzy logic همچنین در نرم افزارهای سرمایه گذاری استفاده می شود، جایی که می توان از آن برای تفسیر سیگنال های مبهم یا مبهم معاملاتی استفاده کرد.