首页 理论教育模糊算法:模拟人脑非精确信息处理能力

模糊算法:模拟人脑非精确信息处理能力

【摘要】:模糊算法以模糊集理论为基础,可以模拟人脑非精确、非线性的信息处理能力。人们通常用模糊算法笼统地代表诸如模糊推理、模糊逻辑、模糊系统等模糊应用领域中所涉及的计算方法及理论。而对于人工智能,这个世界非黑即白,完全不存在灰色地带,它们总是确定的,或者否定的,模糊算法可以让人工智能更好地理解人类的行为,或者让人工智能的行为更像人类。模糊算法目前已经进入实际应用,并且范围非常广泛。

模糊算法以模糊集理论为基础,可以模拟人脑非精确、非线性信息处理能力。人们通常用模糊算法笼统地代表诸如模糊推理、模糊逻辑、模糊系统等模糊应用领域中所涉及的计算方法及理论。在这些系统中,广泛地应用模糊集理论,并糅合了人工智能的其他手段,因此模糊计算常常与人工智能相联系。最常用到的是模糊推理系统,它的基本结构由四个重要部件组成:知识库、推理机制、模糊化输入接口与去模糊化输出接口。知识库又包含模糊if-then规则库和数据库。规则库中的模糊规则定义和体现与领域问题有关的专家经验或相关知识;数据库则定义模糊规则中用到的隶属函数。

由于模糊算法可以表现事物本身性质的内在不确定性,因此它可以模拟人脑认识客观世界的非精确、非线性的信息处理能力,亦此亦彼的模糊逻辑。这正是人工智能进化所需要的。进化虽然是优胜劣汰的过程,但过往历史表明,正是由于存在一些看似不和谐的存在,才帮助某个族群更好地适应环境。而对于人工智能,这个世界非黑即白,完全不存在灰色地带,它们总是确定的,或者否定的,模糊算法可以让人工智能更好地理解人类的行为,或者让人工智能的行为更像人类。

美国加州大学一博士于1965年发表关于模糊集的论文,首次提出表达事物模糊性的重要概念——隶属函数。这篇论文把元素对集的隶属度从原来的非0即1推广到可以取区间【0,1】的任何值,这样用隶属度定量地描述论域中元素符合论域概念的程度,就实现了对普通集合的扩展,从而可以用隶属函数表示模糊集。模糊集理论构成了模糊计算系统的基础,人们在此基础上把人工智能中关于知识表示和推理的方法引入进来,或者说把模糊集理论用到知识工程中去就形成了模糊逻辑和模糊推理。为了克服这些模糊系统知识获取的不足及学习能力低下的缺点,人们又把神经计算加到这些模糊系统中,形成模糊神经系统。这些研究都成为人工智能研究的热点,因为它们表现出许多领域专家才具有的能力。同时,这些模糊系统在计算形式上一般都以数值计算为主,也通常被人们归为软计算、智能计算的范畴。

模糊算法目前已经进入实际应用,并且范围非常广泛。它在家电产品中的应用已被人们所接受,例如模糊洗衣机、模糊冰箱、模糊相机等。另外,在专家系统、智能控制等许多系统中,模糊计算也都大显身手。究其原因,就在于它的工作方式与人类的认知过程是极为相似。