منطق فازی چیست؟
4 آپریل 2023
منطق فازی یک رویکرد در شناخت متغیرها است که محاسبه چندین مقدار حقیقی را از طریق یک متغیر ممکن میسازد. منطق فازی تلاش میکند تا نتایج دقیقی از استدلالهای نامعین و نامحدود از دادههای اکتشافی را به دست آورد.
منطق فازی برای حل مسائل طراحی شده است تا با در نظر گرفتن تمام اطلاعات موجود و با توجه به ورودیها، بهترین تصمیم ممکن را اتخاذ نماید.
این رویکرد برای استفاده از مفهومی جزئی از درستی، طراحی شده است. به طوری که مقدار صحیح میتواند هر مقداری بین کاملا درست و کاملا غلط باشد. واژه فازی به مفهوم غیردقیق، مبهم و ناواضح است.
نکات کلیدی
1- منطق فازی یک رویکرد اکتشافی [1] است که امکان پردازش پیشرفتهتر درخت تصمیمگیری و یکپارچگی بهتر آن با برنامهنویسی قاعدهمند را فراهم میکند.
2- منطق فازی یک تعمیم از منطق استاندارد که در آن مقدار منطقی متغیرها صفر یا یک است. در این رویکرد به عنوان مثال مقدار متغیر میتواند برابر با عدد حقیقی 0.9 یا 0.5 است.
3- از لحاظ نظری این رویکرد فرصتهای بیشتری برای شبیهسازی شرایط واقعی زندگی را فراهم میکند. که درست یا غلط مطلق به ندرت در آن یافت میشود.
4- تحلیلگران کمی [2] امکان دارد برای بهبود اجرای الگوریتمهایشان از منطق فازی استفاده کنند.
5- 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.
درک منطق فازی
منطق فازی از مطالعه ریاضی منطق چند ارزشی [3] نشات میگیرد. این در حالیست که منطق عادی با عبارات حقیقت مطلق مانند «این شیء سبز است؟» سر و کار دارد. در واقع این منطق با تعاریف ذهنی یا نسبی مجموعهها مانند بلند، بزرگ یا زیبا در ارتباط است. این منطق سعی دارد روش تحلیل مسائل و تصمیمگیری انسانها را شبیهسازی کند. به نحوی که بجای حقیقت یا دروغ مطلق، بر مقادیر مبهم یا نادقیق توجه دارد.
در عمل تمام این ساختارها مقادیر جزئی شرط «حقیقی» را مجاز میکنند. به جای اینکه مطابق با نظر منطق کلاسیک تمام عبارات مطلقا درست یا نادرست باشند، مقادیر حقیقی در منطق فازی میتوانند هر مقداری بین 0 و 1 باشند. از این رو الگوریتمها به جای یک نقطهی داده گسسته، میتوانند تصمیمات خود را بر اساس دامنهی وسیعتری از دادهها اتخاذ کنند.
امروزه منطق فازی در صنایع و علوم مختلف کاربرد بسیار وسیعی دارد. از جمله این کاربردها میتوان به مهندسی هوافضا، کنترل ترافیک شهری، تصمیمگیریهای تجاری، فرآیندهای صنعتی، هوش مصنوعی و یادگیری ماشین اشاره کرد.
نکتهی مهم
در منطق استاندارد، هر عبارت باید مقداری مطلق داشته باشد، صحیح یا غلط. در منطق فازی مقادیر حقیقی با مقادیری از ۰ تا ۱ جایگزین میشوند. ۱ به معنای حقیقت مطلق و ۰ به معنای غلط مطلق است.
تاریخچهی منطق فازی
منطق فازی اولین بار سال 1965 در یک مقاله در مجلهی اطلاعات و کنترل توسط لطفیزاده [4] پیشنهاد شد.لطفیزاده در مقالهاش از عنوان «مجموعههای فازی» استفاده کرد. پروفسور لطفی برای نشاندادن نوعی از داده که در پردازش اطلاعات استفاده میشود تلاش کرد و اجزای قواعد منطقی برای این نوع از مجموعهها را بدست آورد.
لطفیزاده توضیح میدهد: «در بیشتر موارد، برای اشیایی که در دنیای واقعی با آنها مواجه میشویم دستهبندی و حدود تعریفشدهی دقیقی نداریم، با این حال، این حقیقت وجود دارد که تعاریف نادقیق دستهها، نقش مهمی در تفکر انسان، بهخصوص در حوزه تشخیص الگوها، ارتباط اطلاعات و برداشت بازی میکنند.»
از آن زمان، منطق فازی با موفقیت در سیستمهای کنترل ماشین، پردازش تصویر [5]، هوش مصنوعی [6] و زمینههای دیگر که بر تفسیر سیگنالهای مبهم تکیه دارند استفاده شده است.
منطق فازی و درخت تصمیمگیری
منطق فازی در تعاریف اولیه خود توسط تحلیلهای با مدل درخت تصمیمگیری [7] توسعه یافته است. در نتیجه، در مقیاس وسیعتر، اساس سیستمهای هوش مصنوعی است که توسط استنتاج قاعدهمند برنامهنویسی شدهاند.
بهطورکلی، عبارت فازی به تعداد زیادی سناریو اشاره میکند که میتوانند توسط یک سیستم مشابه درخت تصمیمگیری توسعه پیدا کنند. توسعه پروتکلهای منطق فازی میتواند نیازمند برنامهنویسی قاعدهمند باشد. این قواعد برنامهنویسی میتوانند به مجموعههای فازی که بهصورت گسسته از مدلهای جامع توسعه یافتهاند اشاره کنند.
مجموعههای فازی ممکن است پیچیدهتر هم باشند. در قیاسهای برنامهنویسیهای پیچیدهتر، برنامهنویسان ممکن است ظرفیت گستردهتر کردن قوانین را برای دربرگرفتن یا حذف متغیرها داشته باشند. این میتواند به گزینههای بیشتری با دقت کمتر استنتاج قاعدهمند منتج شود.
نکته
منطق فازی میتواند در نرمافزارهای معاملاتی برای تجزیهوتحلیل دادههای بازار برای اعلام سیگنال خرید یا فروش استفاده شود.
مفاهیم فازی در هوش مصنوعی
مفهوم منطق فازی و معناشناسی فازی مولفه اصلی برنامهنویسی راهکارهای هوش مصنوعی است. راهکارهای هوش مصنوعی و ابزارهای آن در سراسر صنایع مختلف اقتصاد در حال گسترش میباشند. همانطور که ظرفیتهای برنامهنویسی منطق فازی در حال گسترش است.
یکی از سیستمهای به خوبی شناخته شده هوش مصنوعی که از انواع مختلف منطق فازی و معناشناسی فازی استفاده میکند سیستم واتسون آی بی ام [8] است. منطق فازی، بهخصوص در خدمات مالی در یادگیری ماشین [9] و فناوری سیستمهای پشتیبانیکننده خروجی و نتایج سرمایهگذاری هوشمند در حال استفاده است.
در بعضی از مدلهای معاملاتی پیشرفته، یکپارچهسازی ریاضیات منطق فازی میتواند برای کمک به تحلیل سیگنالدهی خرید و فروش خودکار استفاده شود. این سیستمها به سرمایهگذاران کمک میکنند تا به تغییر متغیرهای بازار در دامنه وسیعتری که سرمایهگذاریهایشان را تحت تاثیر قرار میدهد واکنش نشان دهند.
مثالهایی از منطق فازی
در مدلهای پیشرفته نرمافزارهای معاملاتی، سیستمها میتوانند از مجموعههای فازی قابل برنامهریزی برای تحلیل هزاران ورقه بهادار به صورت آنی استفاده کنند و بهترین فرصت ممکن را به سرمایهگذار پیشنهاد دهند.
منطق فازی معمولا زمانی استفاده میشود که یک معاملهگر سعی میکند از چندین عامل برای بررسی استفاده کند. این شیوه میتواند منجر به کاهش میزان تحلیل و صرف زمان برای تصمیمات معاملاتی شود. معاملهگران همچنین توانایی برنامهریزی مجموعههای متنوعی از قوانین برای اجرای معاملات را دارند. در زیر دو مثال متناسب با این موضوع ارائه شده است:
1- قانون اول: اگر میانگین متحرک [10] و شاخص قدرت نسبی (RSI) [11] کم بودند در نتیجه فروش استقراضی انجام بده.
2- قانون دوم: اگر میانگین متحرک و شاخص قدرت نسبی (RSI) زیاد بودند در نتیجه خرید انجام بده.
منطق فازی به یک معاملهگر اجازه میدهد تا نتیجهگیریهای ذهنی شخصی خود را درباره کم و زیاد بودن میانگین متحرک و قدرت نسبی برنامهریزی کند تا به سیگنالهای خودکار معاملهگری خود دست یابد.
مزایا و معایب منطق فازی
به طور کلی از منطق فازی در کنترلکنندههای ماشین و هوش مصنوعی استفاده میشود. همچنین میتواند در نرمافزارهای معاملاتی نیز بهکار رود. با وجود کاربردهای گسترده منطق فازی، اما محدودیتهای اساسی نیز دارد.
از آنجا که منطق فازی از تصمیمگیری انسان تقلید میکند، برای مدلسازی مسائل پیچیده با ورودیهای مبهم یا تحریفشده بسیار مفید است. به دلیل شباهت با زبان طبیعی (زبان انسان)، الگوریتمهای منطق فازی نسبت به الگوریتمهای استاندارد برنامهنویسی راحتتری و نیاز به دستورالعملهای کمتری دارند، از این رو حافظه کمتری اشغال میکنند.
در کنار این مزایا، منطق فازی به دلیل ماهیت نامعینی که دارد با معایبی نیز همراه است. از آنجا که این سیستمها برای دادهها و ورودیهای نادقیق طراحی میشوند، باید امتحان و اعتبارسنجی انجام شود تا از انتشار نتایج نادقیق جلوگیری شود.
| مزایا | معایب |
| منطق فازی بیشتر از منطق کلاسیک منعکسکننده مسائل دنیای واقعی است | الگوریتمهای فازی نیاز به اعتبارسنجی و تایید گسترده دارند |
| الگوریتمهای منطق فازی نسبت به منطق کلاسیک صفر و یک یا بولین، به سختافزار کمتری نیاز دارند | سیستمهای کنترل فازی کاملا وابسته به تخصص و دانش انسانی هستند |
| الگوریتمهای فازی میتوانند نتایج دقیقی را با دادههای نادقیق و ناکافی تولید کنند |
کاربرد منطق فازی در دادهکاوی چیست؟
دادهکاوی فرآیند شناسایی روابط مهم در مجموعههای بزرگ داده است که در آن وجه اشتراکهای زیادی با آمار، یادگیری ماشین و علوم کامپیوتر [12] دارد. منطق فازی مجموعهای از قوانین است که میتوان از آن برای استنتاج منطقی از مجموعههای فازی داده استفاده کرد.
از آنجا که عمل دادهکاوی بر روی اندازهگیریهای نادقیق اعمال میشود، منطق فازی میتواند یک روش مفید برای تعیین روابط این نوع دادهها باشد.
شباهت منطق فازی و یادگیری ماشین
به طور معمول منطق فازی در کنار یادگیری ماشین قرار میگیرد، اما نباید آنها را یکی دانست. یادگیری ماشینی به سیستمهای محاسباتی اطلاق میشود که با تقلید شناخت انسانی به روش تطبیق مکرر الگوریتمها برای حل مسائل پیچیده استفاده میکنند.
این در حالیست که منطق فازی یک مجموعه از قوانین و توابع است که بر روی مجموعههای دادههای نادقیق عمل میکند. اگرچه همچنان الگوریتمها باید توسط انسانها برنامهنویسی شوند. هر دو حوزه کاربردهای موثری در هوش مصنوعی و حل مسائل پیچیده دارند.
تفاوت بین منطق فازی و شبکه عصبی
شبکههای عصبی مصنوعی سیستمهای محاسباتی هستند که برای تقلید از روشهای حل مسئله یک سیستم عصبی مشابه با انسان طراحی شدهاند. این مبحث با منطق فازی که مجموعهای از قوانین طراحیشده برای نتیجهگیری از دادههای نادقیق است کاملا متفاوت است. منطق فازی و شبکه عصبی در علوم کامپیوتر کاربردهای بسیار مهمی دارند، اما در حوزههای کاملا جداگانه و متفاوتی استفاده میشوند.
اجزای منطق فازی
منطق فازی به چهار جزء اصلی تقسیم میشود:
1- فازیسازی: فازیسازی فرآیند تبدیل مقادیر ورودی مشخص به درجه عضویت در مجموعههای فازی بر اساس میزان تطابق آنها است.
2- قوانین فازی/پایگاه دانش: این قوانین اگر-آنگاه هستند که میبایست در فازیسازی از آنها پیروی شود. این قوانین غالبا طبق نظرات کارشناسان یا از طریق رویکردهای کمی ناشی میشوند.
3- روش استنتاج: استنتاج روشی برای به دست آوردن نتیجه نهایی فازی بر اساس درجه عضویت متغیرهای ورودی در مجموعههای فازی و قوانین فازی دقیق است.
4- فازیزدایی: فرآیند تبدیل نتیجههای فازی به مقادیر خروجی جزئی و دقیق است.
جمعبندی
منطق فازی در حقیقت توسعهیافته منطق کلاسیک است که شامل عدم قطعیتهای لحاظشده در تصمیمگیری انسانی میشود. از این منطق برای حل مسائل پیچیده که تمامی پارامترها ممکن است نامعلوم یا نادقیق باشند استفاده میشود.
همچنین منطق فازی در نرمافزارهای سرمایهگذاری با کاربرد تفسیر سیگنالهای معاملاتی مبهم یا نامعلوم را انجام دهد استفاده میشود.
