模糊推理及其应用

头歌题目

任务描述

本关任务：设计并实现洗衣机模糊推理系统。依次向系统输入油污与污渍，系统输出清洗时间的长短，具体描述见模糊推理的应用。

相关知识

为了完成本关任务，你需要掌握模糊推理。

模糊推理

说到推理，我们首先想到的就是知识表示，在进行模糊推理时，首先要进行的就是模糊知识表示。在前面的实训中，我们提到由于模糊不确定性，一般采用隶属度来刻画。隶属度是一个命题中所描述的事物的属性、状态和关系等的强度。例如我们用三元组(张三,体型,(胖,0.9))表示命题“张三比较胖”，其中的 0.9 就代替“比较”而刻画了张三“胖”的程度。这种隶属度表示法，一般是一种针对对象的表示法。模糊知识表示一般形式为(<对象>,<属性>,(<属性值>,<隶属度>))。 事实上，这种思想和方法还可广泛用于产生式规则、逻辑规则、谓词逻辑、框架、语义网络等多种表示方法，从而扩充它们的表示范围和能力。一般，人类思维判断的基本形式是

如果 （条件） → 则 （结论）

其中的条件和结论常常是模糊的。 例如，对下列模糊知识 如果 压力较高且温度在缓慢上升 则 阀门略开 其中的条件和结论常常是模糊的。 许多模糊规则实际上是一组多重条件语句，可以表示为从条件论域到结论论域的模糊关系矩阵R。通过条件模糊向量与模糊关系 R 的合成进行模糊推理，得到结论的模糊向量，然后采用清晰化的方法将模糊结论转化精确量。 对于 IF A THEN B 类型的模糊规则的推理，若已知A，则输出为B；若现在已知输出为A′，则输出B′。用合成规则求取B′=A′∘R，其中R为A到B的模糊关系。

模糊决策

由上述模糊推理得到的结论或者操作是一个模糊向量，不能直接应用，需要先转化为确定值。将模糊推理得到的模糊向量，转化为确定量的过程为“模糊决策”，或者“模糊判决”，“清晰化”，“反模糊化”等。下面介绍几种简单、实用的模糊决策的方法。

1.最大隶属度法

最大隶属度法是在模糊向量中，取隶属度最大的量作为推理结果。例如，当得到的模糊向量为： U’=0.1/2+0.4/3+0.7/4+1.0/5+0.7/6+0.3/7 由于推理结果隶属于等级5的隶属度为最大，所以取结论为U=5，如果有两个以上的元素均为最大（一般依次相邻），则可以取它们的平均值。例如： U’=0.5/−3+0.5/−2+0.5/−1+0.0/0+0.0/1+0.0/2+0.0/3 则U=3−3−2−1​=−2。这种方法的优点就是简单易行，缺点是完全排除了其他隶属度较小的量的影响和作用，没有充分利用推理过程取得的信息。

2.加权平均判决法

为了克服最大隶属度法的缺点，可以采用加权平均判决法，即

U=i=1∑n​μ(ui​)i=1∑n​μ(ui​)ui​​

例如：U’=0.1/2+0.6/3+0.5/4+0.4/5+0.2/6

则U=0.1+0.6+0.5+0.4+0.22×1+3×0.6+4×0.5+5×0.4+6×0.2​=4

3.中位数法

论域上把隶属函数曲线与横坐标围成的面积，分为两部分的元素称为模糊集的中位数。中位数法就是把模糊集的中位数作为系统控制量。当论域为有限离散点时，中位数u∗可以用下列公式求取

u1​∑u⋆​μ(ui​)=u⋆+1∑un​​μ(uj​)

例如，U’=0.1/−4+0.5/−3+0.1/−2+0.0/−1+0.1/0+0.2/1+0.4/2+0.5/3+0.1/4，由于u1​=4,u9​=4，则当u⋆=u6​时，u1​∑u6​​μ(ui​)=u7​∑u9​​μ(ui​)=1，所以中位数 u⋆=u6​=1，则U=1。如果该u⋆=u6​=1点在有限元素之间，可用插值的方法来求取。 例如，U’=0.1/−4+0.5/−3+0.3/−2+0.1/−1+0.1/0+0.4/1+0.5/2+0.1/3+0.2/4，显然u⋆在元素0和1之间。这时，可用线性插值处理，即令Δu=1.2/(1.1+1.2)=0.522，所以取u⋆=u5​+Δu=0.522。实际上，模糊推理不需要很精确，因此也可以不用插值方法，直接取u⋆=0或者u⋆=1。

与最大隶属度法相比，这种方法利用了更多的信息，但计算比较复杂，特别是在连续隶属度函数时，需要求解积分方程，因此应用场合要比加权平均法小。加权平均法比中位数法具有更佳的性能，而中位数法的模糊控制器类似于多级继电器控制，加权平均法则类似于 PI 控制器。一般情况下，都优于最大隶属法。

模糊推理的应用

至此，我们已经学习完了关于模糊推理的全部理论，接下来我们将这套理论应用到设计模糊逻辑推理系统中。要设计模糊逻辑推理系统，需要知道以下基本步骤： 1.确定输入/输出的模糊子集及其论域； 2.选择控制规则； 3.规则的关系运算（蕴含，合成）； 4.精确化过程。

接下来，我选择了一个模糊洗衣机控制系统的模拟。 1.确定输入/输出的模糊子集以及论域 该系统中，设计了一个衣服上的油污、污渍的参数，

污泥{ SD (污泥少), MD (中等污泥), LD (污泥多)} 油脂{ NG (无油脂), MG (中等油脂), LG (油脂多)}

控制对象是洗衣机的洗涤时间，论域：[0,60] 输入是被洗衣物的污泥和油脂，论域：[0,100]

输出的是洗衣机的洗涤时间： 洗涤时间{ VS (很短), S (短), M (中等), L (长), VL (很长)}

2.选择控制规则

3.规则的关系运算（蕴含，合成） 污泥、污渍以及洗涤时间的隶属度函数的解析表达式如下：

4.精确化过程 通过最大隶属度函数，来计算模糊控制输出的量化值。

编程要求

根据提示，本关的编程任务是补全右侧代码片段 Begin 至 End 中间的代码。

测试说明

平台将自动编译补全后的代码，并生成若干组测试数据，接着根据程序的输出判断程序是否正确。

以下是平台的测试样例：

测试输入： 20.0 20.0 预期输出： VS

测试输入： 20.0 30.0 预期输出： S

测试输入： 30.0 30.0 预期输出： M

OIL=100.0
Stain=100.0
def ruleMD(stain):
    if stain<0 or stain>100:
        return 0.0
    else:#当传入的参数在0-100之间时，该处有两种情况
        # 计算MD的结果，并且和同参数下的SD结果相比较，得出一个结果
        if stain>=0 and stain<=50:
            return stain/50.0
        else:
        # 同上的操fl作，得出结果和同参数下的LD相比较
         return (100-stain)/50.0
def ruleSD(stain):
    #SD部分的rule
    #当输入的参数0 <= x <= 50, 执行该方法
    result=(50-stain)/50.0
    returnMDresult=ruleMD(stain)
    #传参数到MD中，计算，并比较
    #1、相同，则返回结果为SD，2、SD的结果大，则返回SD，3、MD的结果大，则返回MD的返回值
    if result<returnMDresult:
        return 2.0
    else:
        return 1.0
def ruleLD(stain):
    #LD部分的rula
    #当输入的参数在50 - 100之间时，执行
    #同时将参数传入给MD，同时比较MD方法传回来的参数和该方法求出的值相比较，求出最后的最适合的预测值
    # ********** Begin **********#
    returnMDresult=ruleMD(stain)
    result=(stain-50)/50.0
    #比较后，得到预测值
    if result<returnMDresult:
        return 2.0
    else:
        return 3.0
    # ********** End **********#
def ruleMG(oil):
    #当传入的参数在0 - 100之间时，该处有两种情况
    if oil<0 or oil>100:
        return 0#当在论域之外时，直接返回无结果
    else:
        if oil>=0 and oil<=50:
            return oil/50.0#计算MD的结果，并且和同参数下的SD结果相比较，得出一个结果
        else:
            return (100 - oil) / 50#同上的操作，得出结果和同参数下的LD相比较
def ruleSG(oil):
    if oil<0 or oil>50:
        return 0.0
    else:
        #SG部分的rule
        #当输入的参数0<=x<=50,执行该方法
        result=(50-oil)/50.0
        returnMGresult=ruleMG(oil)
        #传参数到MD中，计算，并比较
        #1、相同，则返回结果为SD，2、SD的结果大，则返回SD，3、MD的结果大，则返回MD的返回值
        if result<returnMGresult:
            return 2.0
        else:
            return 1.0
def ruleLG(oil):
   # LD部分的rula
   #当输入的参数在50 - 100之间时，执行
   #同时将参数传入给MG，同时比较MG方法传回来的参数和该方法求出的值相比较，求出最后的最适合的预测值
   returnMGresult=ruleMG(oil)
   result=(oil-50)/50.0
   #比较后，得到预测值
   if result<returnMGresult:
       return 2.0
   else:
       return 3.0
#F函数，总的函数，从该函数中分流到rule的三个函数中
def Function(oil,stain):
    #VS: SD, SG
    #S: MD, SG
    #M: SD, MG     MD, MG     LD, SG
    #L: SD, LG     MD，LG     LD，MG
    #XL: LD, LG
    #根据规则输出最后的洗涤时间
    #需要客户的正确输入
    # ********** Begin **********#
    if oil<0 or oil>OIL or stain<0 or stain>Stain:
        return 0.0
    else:
        #根据参数的大小，分别传送给各个rula
        if oil>=0 and oil<=50:
            result_G=ruleSG(oil)
        else:
            result_G=ruleLG(oil)
        if stain>=0 and stain<=50:
            result_D=ruleSD(stain)
        else:
            result_D=ruleLD(stain)
    # ********** End **********#
        #比较最后的结果
        if result_D==1.0 and result_G==1.0:
            return 1 #return VS
        elif result_G==1.0 and result_D==2.0:
            return 2#return S
        elif (result_D==1.0 and result_G==2.0) or (result_G==2.0 and result_D==2.0) or (result_G==1.0 and result_D==3.0):
            return 3 #reutrn M
        elif (result_D==1.0 and result_G==3.0) or (result_D==2.0 and result_G==3.0) or (result_D==3.0 and result_G==2.0):
            return 4#return L
        elif result_G==3.0 and result_D==3.0:
            return 5#return VL