模糊逻辑 | 模糊推理 | 模糊控制

注：本文为 “模糊逻辑” 相关文章合辑。

图片清晰度限于引文原状。

如有内容异常，请看原文。

---

初学模糊逻辑控制（Fuzzy Logic Control）

ziqian__ 已于 2022-08-19 20:30:25 修改

一、前言

模糊逻辑控制（Fuzzy Logic Control）是基于模糊数学发展来的一类控制方法，由扎德（Zadeh）于 1965 年提出。在传统的 PID 控制中，被控量误差通过精确的比例 — 积分 — 微分运算得到精确的控制动作，作用于被控对象，达到被控量追踪其参考值的效果。而在模糊逻辑控制中，从被控量误差得到控制动作不再依赖具体的数学表达式，而是通过人类模糊的经验获得，以控制电机转速为例：如果电机转速稍大于参考速度，那么我们就稍微减小电机速度，而如果电机转速远大于目标转速，那么我们就显著减小电机速度。这里得稍大于、稍微减小、远大于和显著减小，都是一个比较抽象模糊的概念，而不是像比例 — 积分 — 微分运算那样精确。

模糊逻辑控制是一类更接近于人类思维习惯的控制策略，在生活中也有很多成功的应用，因此，有必要来了解一下其中蕴含的思想。

本文将以如下模糊控制系统为例，首先介绍模糊逻辑控制的一些基本概念，之后介绍一下其流程。

二、基本概念

1. 模糊集合（Fuzzy set）

对于一个变量，如温度，除了用具体的温度数值来表示，我们平时生活中，还习惯用 “温度高”、“温度低” 等模糊词语表示，这里的 “温度高”、“温度低” 就是模糊集合。

以 “温度高” 这个模糊集合为例，假设论域Ω={0℃，10℃，20℃，30℃，40℃}，即我们在 Ω 中讨论 “温度高” 这一概念，隶属度函数μ(a) 为：μ(0℃)=0，μ(10℃)=0，μ(20℃)=0.3，μ(30℃)=0.6，μ(40℃)=1，这里，隶属度函数代表论域中元素a 属于某模糊概念的可能性，显然，在 Ω 中，0℃显然不属于 “温度高” 这一模糊概念，所以 μ(0℃)=0。那么，“温度高” 对应的模糊集合 A={(0℃, 0)，(10℃, 0)，(20℃, 0.33)，(30℃, 0.6)，(40℃, 1) }，为了方便，可以记 A=0/0℃+0/10℃+0.3/20℃+0.6/30℃+1/40℃。

从上面的例子来看，模糊集合 A 是元素 a 与其隶属度函数 μ(a) 的序偶集合，即：

对于本文前言所用的模糊控制系统，对于变量 “误差 e” 和其 “导数 ec”，可以将其模糊化为 {负大，负中，负小，零，正小，正中，正大}，简记为 {NB，NM，NS，O，PS，PM，PB}，其中，负大、负中等均代表一个模糊集合。

2. 控制规则和模糊推理

在模糊控制中，我们需要根据实际生活中的经验去人为地设置一些控制规则。对于变量 “误差 e” 和 “控制量 u” 来说，两者论域均为 {1，2，3，4，5}，且 “误差小” 这一模糊集合 A 的隶属度函数为 μ_es=(1.0，0.8，0.3，0.1，0.0)，“控制量大” 这一模糊集合 B 的隶属度函数为 μ_ub=(0.0，0.2，0.4，0.7，1.0)。如果有类似这样的控制规则：“如果误差小，那么控制量大”，我们怎么根据两个隶属度函数推出两个模糊集合之间的模糊关系 R 呢？以下给出 R 的定义：

根据以上步骤，我们得到了模糊集合 A 到模糊集合 B 的模糊关系 R。但是，这个 R 的含义是什么，怎么去用它呢？这就需要介绍模糊推理了。

模糊推理就是用已有的规则，由输入近似推理输出。比如说，我们有规则 “变量 x 为 A，则变量 y 为 B”，且实际的变量 x 为 A‘，那么实际的变量 y’对应的 B‘是什么呢？这里就用到了模糊集合 A、B 之间的模糊关系 R，即：

仍以上述误差和控制量为例，我们已经求出了模糊集合 A 和 B 之间的关系 R，即式 (2)。如果已知实际变量 x’对应的模糊集合就是 A，则 μ_A’=(1.0，0.8，0.3，0.1，0.0)，那么 μ_B’可以由下式求得：

我们仔细观察一下，这个 μ_B’恰好是 μ_ub，，也就是 B‘对应 “控制量大” 这一模糊集合 B。从模糊推理这个例子来看，上述定义的 R 确实能够反映 “如果误差小，那么控制量大” 这一控制规则。

上述输入只有一个误差 e，如果输入变为误差 e 和其导数 ec 后，模糊关系 R 是什么样的呢？假设误差 e 的一个模糊集合为 E，对应隶属度函数为 μ_E=(0.8，0.2)，误差 ec 的一个模糊集合为 EC，对应隶属度函数为 μ_EC=(0.1，0.6，1.0)，控制量 u 的模糊集合为 U，对应隶属度函数为 μ_U=(0.3，0.7，1.0)。则 R 的求解如下：

注意，这里算出 R1 后，再算 R 时用的是 R1’，将矩阵变成了向量。推理的时候，用：

值得注意的是，这里算出来 E’×EC’后，也需要将矩阵转换成向量。

3. 多个控制规则时的模糊关系 R

对于每一条控制规则 “如果…，那么…”，都有一个 Ri 与之对应。而一个模糊控制器中不止一个控制规则，最终的模糊关系 R 由下式得到：

4. 解模糊

我们根据模糊推理，得到的是控制变量的模糊集合 U，或者说是其隶属度函数 μ_U，如何根据隶属度函数得到具体的控制变量值 u 呢？这里需要用到解模糊。解模糊的方式有很多种，有最大隶属度法、重心法、系数加权平均法等，这里只介绍最大隶属度法和重心法。

4.1 最大隶属度法

对于控制变量 u，假设其论域为 {1，2，3，4，5}，而求出来的模糊控制集合 U 的隶属度函数为（0.2，0.3，0.7，0.4，0.3）。那么，我们选取最大隶属度，即 0.7，对应的论域元素，即 3，作为控制变量 u 施加给执行器。

4.2 重心法

仍然假设对于控制变量 u，其论域为 {1，2，3，4，5}，而求出来的模糊控制集合 U 的隶属度函数为（0.2，0.3，0.7，0.4，0.3）。则 u=（0.21+0.32+0.73+0.44+0.3*5）/（0.2+0.3+0.7+0.4+0.3）=3.16。用公式表示为：

式 (7) 针对离散论域，式 (8) 针对连续论域。

三、利用 Matlab Fuzzy 工具箱实际模糊控制器

Matlab 中有自带的 Fuzzy 控制器设计工具，也可以很方便地在 Simulink 调用。本节以一个简单的问题为例，说明利用 Matlab 中的 Fuzzy 工具箱来控制系统的大体流程。

1. 控制问题

对于如下系统，设计一个模糊控制器，使其输出能够跟随输入。

2. 利用 Fuzzy 工具箱设计 Fuzzy 控制器

在 Matlab 的命令行窗口中输入 fuzzy，打开 Fuzzy 工具箱，如下图所示。

2.1 初识模糊控制器设计界面

从图中可以看出，模糊控制器设计界面分为 4 个部分：

第 1 部分是模糊控制器整体，包含输入，所设计控制器，及输出。值得注意的是，输入输出数量是可以改变的，具体通过菜单栏 >>Edit>>Add Variable 实现。

第 2 部分为模糊控制器类型，分为 mamdani 和 sugeno 型。前者是输出是模糊量，后者输出是精确量。两者区别可参考 Mamdani 模糊系统 、 Sugeno 模糊模型 和 Mamdani and Sugeno Fuzzy Inference Systems。本文中用的是 mamdani 型。

第 3 部分为模糊推理及解模糊相关设置。

以规则 “如果 input1 是 A并且 / 或input2 是 B，那么output 是 C” 为例。

该规则中，并且就是 3 中的 and，或就是 3 中的 or，选择不同的 and 和 or 操作，结果也会不同，一般情况 and 设置为 min 操作，or 设置为 max 操作即可。

implication指的是规则中的那么，是根据已知条件推理的过程，一般选为 min。

Aggregation是对多个控制规则得到的输出进行整合，得到最终的模糊输出。

Defuzzification指的是解模糊过程，将得到的模糊输出清晰化，是其能够直接用于系统控制。

关于第三部分各参数含义，以及模糊控制器工作过程，具体参考 Matlab 帮助说明 Fuzzy Inference Process，里面详细生动地给出了模糊控制器工作过程，对理解模糊控制很有帮助。

第 4 部分就是 1 中当前选中的内容一些信息。比如图中所展示的，1 中当前选中了 input1，则 input1 相关信息就在 4 中展示出来。

2.2 输入 / 输出模糊变量隶属度函数设置

双击 1 中的 input1/output1，可以进入相应的隶属度函数设置界面，如下图

第 1 部分展示了所有模糊变量的隶属度函数总体形状。

第 2 部分可以改变输入范围（Range），以及显示范围，即第一部分坐标轴横坐标（Display Range）。

第 3 部分相当重要，通过该部分，可以设置模糊变量名称（Name）及相应隶属度函数形状（Type，可以是三角形、梯形等），也可以通过改变 Params，来改变隶属度函数宽窄。

如果想要增加模糊变量个数，可以通过菜单栏 >>Edit>>Add MFs 实现。

至此，我们完成了对输入输出模糊变量隶属度函数的设置，接下来，需要我们设置规则，实现通过已知模糊输入，得到模糊输出。

2.3 模糊规则

通过菜单栏 >>Edit>>Rules，可以实现模糊规则的添加，如下图

第 1 部分为已经制定好的模糊规则。

第 2 部分为输出条件之间关系，并（and）/ 或（or）。

第 3 部分为该规则的权重，权重越大，该条规则优先级越大。

第 4 部分为删除 / 增加 / 改变规则。

2.4 保存所构建的模糊控制器

至此，我们设计了一个模糊控制器，通过菜单栏 >>File>>Export>>To workspace/file。前者将设计的模糊控制器导出到 workspace 中，后者将模糊控制器保存在电脑上。注意，仅保存到 workspace 中的模糊控制器在 matlab 关闭后随之消失。

3. 在 Simulink 中调用相关模糊控制器

在 Simulink 中搭建 1 中所例举系统并使用模糊控制器控制，如下图

第 1 部分为输入量限制，将输入量控制在输入论域范围。

第 2 部分为所构建的模糊控制器，先在 Simulink 中加入 Fuzzy Logic Controller 模块，双击将其中名称改为刚才设计的控制器名称即可。注意，运行仿真程序前，最好将刚才设计的模糊控制器导入到 workspace，这样 simulink 调用时不会出错。

第 3 部分为 1 中被控系统。

四、写在最后

至此，介绍了模糊控制的一些概念，利用 matlab 设计模糊控制并将其用于 simulink 中系统的控制。

希望对大家有所帮助。

---

一文搞懂什么是模糊逻辑【附应用举例】

报告，今天也有好好学习 于 2020-10-21 00:56:45 发布

模糊逻辑

著名的 “沙堆问题”

“从一个沙堆里拿走一粒沙子，这还是一个沙堆吗？”

如果有人正正经经地问你这个问题，那你毫无疑问是会回答 “是”。

但如果每拿一粒就问你这个问题，问题的答案会一直都是 “是” 吗？

如果每次都是拿走一粒，始终还是一个沙堆的话，那么到最后一粒沙都没有的沙堆也能成为沙堆咯。

这显然是违背我们认知的，那么这里的问题出在哪呢？

这里的问题就在于 “沙堆” 这个概念是模糊的，没有一个清晰的界限将 “沙堆” 与 “非沙堆” 分开。我们没有办法明确指出，在这个不断拿走沙子的过程中，什么时候 “沙堆” 不再是 “沙堆”。

与 “沙堆” 相似的模糊概念还有 “年轻人”、“小个子”、“大房子” 等。这种在生活中常见的模糊概念，在用传统数学方法处理时，往往会出现问题。

那么，如果尝试消除这些概念的模糊性，会怎样呢？

如果规定沙堆只能由 10000 粒以上的沙子组成，“沙堆” 这个概念的模糊性就消除了。10000 粒沙子组成的是沙堆，9999 粒沙子组成的不是沙堆：这在数学上没有任何问题。

然而，仅仅取走微不足道的一粒沙子，就将 “沙堆” 变为 “非沙堆”，这又不符合我们日常生活中的思维习惯。

在企图用数学处理生活中的问题时，精确的数学语言和模糊的思维习惯产生了矛盾。

传统的数学方法常常试图进行精确定义，而人关于真实世界中事物的概念往往是模糊的，没有精确的界限和定义。在处理一些问题时，精确性和有效性形成了矛盾，诉诸精确性的传统数学方法变得无效，而具有模糊性的人类思维却能轻易解决。例如人脸识别问题。

所以，模糊逻辑就是用来解决这一矛盾的工具之一。

1.1 模糊逻辑简介

经典二值逻辑中，通常以 0 表示 “假” 以 1 表示 “真”，一个命题非真即假 。

在模糊逻辑中，一个命题不再非真即假，它可以被认为是 “部分的真” 。

模糊逻辑取消二值之间非此即彼的对立，用隶属度表示二值间的过度状态 。

打个比方，身高一米 178 是高个子。这句话无论你认为是真还是否，其实都是不准确的。

然后结合上文我们提到的隶属度，可以认为身高 178 对 “高个子” 的隶属度为 0.7。

下文放一张模糊理论的发展历程图。

1.2 模糊集合与模糊逻辑

在介绍模糊集合之间，我们先来回忆一下我们之前学习过的古典集合。

古典集合：对于任意一个集合 A，论域中的任何一个元素 x，或者属于 A，或者不属于 A。集合 A 也可以由其特征函数定义：

$f_A(x)=\{\begin{array}{c}1,x\in A\\ 0,x\notin A\end{array}$

而模糊集合呢，则是论域上的元素可以 “部分地属于” 集合 A 。一个元素属于集合 A 的程度称为隶属度，模糊集合可用隶属度函数定义。

模糊集合的完整定义如下：

设存在一个普通集合 U，U 到 [0,1] 区间的任一映射 f 都可以确定 U 的一个模糊子集，称为 U 上的模糊集合 A。其中映射 f 叫做模糊集的隶属度函数，对于 U 上一个元素 u， f (u) 叫做 u 对于模糊集的隶属度，也可写作 A (u) 。

看不懂这句话就多看几遍，哈哈。然后还可以结合下文的内容，增进理解。

1.2.1 模糊集合与隶属度函数

隶属度表示程度，它的值越大，表明 u 属于 A 的程度越高，反之则表明 u 属于 A 的程度越低 。

古典集合可以看作一种退化的模糊集合，即论域中不属于该古典集合的元素隶属度为 0，其余元素隶属度为 1。

模糊集合的表示法

一共有两种表示方法，分别如下所示。

（1）Zadeh 表示法

当论域 U 为离散集合时，一个模糊集合可以表示为：

$\underset{\sim }{A}=\sum _{u\in U}\frac{{\mu }_{\underset{\sim }{A}}(u)}{u}$

当论域 U 为连续集合时，一个模糊集合可以表示为：

$\underset{\sim }{A}=\underset{u}{\int }\frac{{\mu }_{\underset{\sim }{A}}(u)}{u}$

需要注意的是，这里仅仅是借用了求和与积分的符号，并不表示求和与积分。

（2）序对表示法

对于一个模糊集合来说，如果给出了论域上所有的元素以及其对应的隶属度，就等于表示出了该集合。所以，序对表示法出现了。

$\underset{\sim }{A}=\{(u,{\mu }_A(u))|u\in U\}$

模糊集合表示法示例

简单总结一下就是，模糊集合可以让很多情况的分类不显得那么绝对，而显得相对。

至于上文提到的隶属度函数，显而易见的是，隶属度函数十分重要，而不同问题对应的隶属度函数也不同，并且往往需要专家提供专业知识。

1.2.2 模糊集合上的运算定律

没啥好说的，基本同古典集合的运算定律一致。除了在古典集合中成立的矛盾律和排中律在模糊集合上不成立外。

定义：当且仅当对论域上任意元素 u，都有

${\mu }_{\underset{\sim }{A}}(u)\le {\mu }_{\underset{\sim }{B}}(u)$

则称模糊集合 A 是模糊集合 B 的子集。

1.2.3 模糊逻辑

经典逻辑是二值逻辑，其中一个变元只有 “真” 和 “假”（1 和 0）两种取值，其间不存在任何第三值。

模糊逻辑也属于一种多值逻辑，在模糊逻辑中，变元的值可以是 [0,1] 区间上的任意实数。

设 P、Q 为两个变元，模糊逻辑的基本运算定义如下：

1.2.4 模糊关系及其合成运算

模糊关系也是模糊集合上的一种映射。像经典关系一样，模糊关系上也定义了映射特有的合成运算。

设 X，Y，Z 为论域，R 是 X×Y 上的模糊关系，S 是 Y×Z 上的模糊关系，T 是 R 到 S 的合成，记为 T=R◦S，其隶属度函数定义如下：

${\mu }_{R\cdot S}(x,z)=\underset{y\in Y}{V}({\mu }_R(x,y)\times {\mu }_S(y,$