https://stackoverflow.com/questions/399618
-
29-08-2019 - |
italiano
english
français
española
中国
日本の
العربية
Deutsch
한국어
Português
Russian题
我正与一对夫妇的艾算法在学校和我找到人们使用的词模糊逻辑的解释任何情况下，他们可以解决与一对夫妇的情况。当我回去的书我只是读取有关如何，而不是一个国家要从上到下一个斜线和东西可以在这两个国家，而是在不同的"水平"。
我读过百科条目和一对夫妇的教程和甚至编的东西，"使用模糊逻辑"(边缘探测器和一个1-轮的自我控制机器人)，仍然我发现它非常令人困惑的是要从理论到码...你，在较不复杂的定义，是什么模糊逻辑？
解决方案
模糊逻辑是其中成员的状态是，本质上，具有范围0..1而不是浮子逻辑一个int 0或1。你摆脱它的里程是之类的东西，例如，在你进行更改控制系统是有点自然更微调，比你用天真的二进制逻辑得到了什么。
一个例子可能是节流回系统活动基于活动的TCP连接的逻辑。假设你确定你的机器上“有点太多” TCP连接1000和“了很多太多”为2000。在任何时候，你的系统有一个从0“太多的TCP连接”状态（<= 1000）为1（> = 2000），其可以作为系数在施加任何限制的机制有可用使用。这是更为宽容和响应比只知道如何确定“太多”，完全扼杀，或“不太多”，而不是扼杀在所有天真的二进制逻辑系统的行为。
其他提示
我想添加到答案（已改装成向上）的是，以显现模糊逻辑的好方法是如下：
传统上，具有二进制逻辑你将有其隶属函数是真的还是假的曲线图，而在模糊逻辑系统中，隶属函数是不
1| | /\ | / \ | / \ 0|/ \ ------------ a b c d
假设用于第二，该函数是“喜欢花生”
a. kinda likes peanuts b. really likes peanuts c. kinda likes peanuts d. doesn't like peanuts
函数本身不必是三角形的并且通常不是（它只是更容易使用ASCII技术）。
一个模糊的系统将可能有许多的这些，有的甚至重叠（即使是对立）像这样：
1| A B | /\ /\ A = Likes Peanuts | / \/ \ B = Doesn't Like Peanuts | / /\ \ 0|/ / \ \ ------------ a b c d
所以现在c为“样喜欢花生，有点不喜欢花生”和d是“真的不喜欢花生”
和您可以据此计划基于这些信息。
希望这有助于为视觉学习者在那里。
模糊逻辑的最佳定义是由它的发明者给定的卢特菲查德：
“表示的方式问题计算机类似于的方式人类解决这些问题和模糊逻辑的本质是，一切都是程度的问题的模糊逻辑的装置。”
解决与计算机类似于的方式解决人可以很容易地从篮球比赛一个简单的例子说明问题的含义;如果一个球员想要来保护其他玩家首先他应该考虑他是多么的高，他的演奏技巧如何。简单地说，如果他想防守球员又高又相对很慢扮演他，然后他会用他的直觉判断来考虑，如果他应该警惕的是球员，因为对他来说是一个不确定性。在这个例子中，很重要的一点是属性是相对于球员，有一个度的高度和演奏技巧为对手的球员。模糊逻辑提供了这个不确定的状况以确定的方式。
有一些步骤来处理模糊逻辑（图-1）。这些步骤;首先模糊化，其中脆输入被转换到模糊输入其次这些输入得到与模糊规则处理以创建模糊输出，最后去模糊化，其与结果的程度结果如模糊逻辑可以有多于一个的结果有不同程度。
图1 - 模糊处理步骤（戴维M.布尔格第192页）
要举例说明模糊处理步骤中，可以使用先前的篮球比赛的情况。由于本例中提到对手的球员身材高大与1.87米这是相对于我们的球员非常高，可以用3米/秒，其相对于我们的球员运球速度慢。除了这些数据需要一些规则来考虑这是所谓的模糊规则如;
if player is short but not fast then guard,
if player is fast but not short then don’t guard
If player is tall then don’t guard
If player is average tall and average fast guard
图2 - 多高
图3-有多快
根据该规则和输出将被模糊系统，诸如创建的输入数据;度为后卫是0.7，度有时后卫是0.4，从不守护为0.2。
图4输出的模糊集合
在最后一步中， defuzzication 中，使用用于产生脆输出这是一个数，其可确定应该用游戏期间守卫玩家的能量。质量中心是创建输出的常用方法。在此阶段，计算平均点的权重是完全依赖于实现。在该应用中它被认为是给高权重看守或不后卫但考虑到有时后卫重量轻。 （戴维M.布尔格，2004）
图5-模糊输出（戴维M.布尔格第204页）
Output = [0.7 * (-10) + 0.4 * 1 + 0.2 * 10] / (0.7 + 0.4 + 0.2) ≈ -3.5
其结果是模糊逻辑是不确定条件下使用，以作出决定，并找出决定的程度。模糊逻辑的问题是如输入的数量增加的规则的数量增加的指数。
有关详细信息，并在游戏中应用的可能性我写了一个小文章检查了这一点
建立关的混乱'的答案，一个正式的逻辑，只不过是一个感应地界定地图集的句子到一个估价。至少，这是怎么一种模式的理论家认为的逻辑。在这种情况下的一个句子的布尔的逻辑：
(basis clause) For all A, v(A) in {0,1}
(iterative) For the following connectives,
v(!A) = 1 - v(A)
v(A & B) = min{v(A), v(B)}
v(A | B) = max{v(A), v(B)}
(closure) All sentences in a boolean sentential logic are evaluated per above.
一个模糊逻辑的变化将是感性的定义：
(basis clause) For all A, v(A) between [0,1]
(iterative) For the following connectives,
v(!A) = 1 - v(A)
v(A & B) = min{v(A), v(B)}
v(A | B) = max{v(A), v(B)}
(closure) All sentences in a fuzzy sentential logic are evaluated per above.
注意到只差异的基本逻辑是许可以评估一个句子作为具有"真值"的0.5.一个重要问题的一个模糊逻辑模型的阈值计数为真实的满意度。这是要问：对于估价v(A)为什么值D就是这种情况v(A)>D意味着，一个是满意的。
如果你真的想找到更多关于非典型的逻辑就像模糊逻辑的，我会的建议 介绍非典型的逻辑：如果是 或 可能性和矛盾
把我的编码顶帽子，我会小心使用的模糊逻辑在现实世界的节目，因为倾向于模糊逻辑是无法判定的。也许是太多了复杂性，为小的增加。例如supervaluational逻辑可以做的只是罚款，以帮助节目的模式含糊不清.或者，也许率将足够好。总之，我需要被说服的领域模型相吻合与一个模糊逻辑。
也许一个例子可以清楚地说明其好处：
假设您想要制作一个恒温器并且希望其温度为 24 度。
这是使用布尔逻辑实现它的方式：
- 规则1：低于21度时，充分动力加热。
- 规则2：当温暖比27度的温度时，以全功率冷却。
这样的系统只会偶尔出现24度，而且效率会非常低。
现在，使用模糊逻辑，它会像这样：
- 规则1：温度每比 24 度低一度，就把加热器调高一级（24 度为 0 度）。
- 规则2：气温每比 24 度高一度，就把温度调低一级（24 度时为 0 度）。
这个系统总是在 24 度左右，而且只会偶尔进行一次微小的调整。它还将更加节能。
一个很好的解释，具有一个帮助模糊逻辑洗衣机的。
我知道你的意思是它难以从概念到代码的东西。我正在写一个评分系统，着眼于SYSINFO和/ proc中对Linux系统的价值，并与0和10，10之间的数字是绝对最差上来。一个简单的例子：
您有（至少）三种可能的状态，良好，得到坏，坏3个平均负载（1，5,15分钟）的。扩大的是，你可以有平均每六个可能的状态，加上“即将”三个，我只是指出。然而，所有18种可能的结果只能从得分中扣除1。重复与消耗掉，实际VM分配（提交）内存和其他的东西..和你有面条条件的一个大碗里：）
它尽可能多的定义，因为它是一门艺术，如何实现决策过程总是比范式本身更有趣..而在布尔世界，其相当添油加醋。
这将是非常容易的，我说，如果装入1 <2扣除1，但不是很准确的。
如果你能教一个程序做你会评估某一组的情况时做什么，保持代码的可读性，你已经实现了模糊逻辑的一个很好的例子。
模糊逻辑是，适合于在系统从简单的，小型，嵌入式微控制器，以大，网络化，多通道PC或基于工作站的数据采集和控制系统实施一个解决问题的方法。它可以在硬件，软件，或两者的组合来实现。模糊逻辑提供了一个简单的方法来在基于模糊的，模棱两可的，不准确的，嘈杂的，或者缺失的输入信息的明确结论。模糊逻辑方法来控制问题模仿一个人怎么会做出决定，只有更快。
模糊逻辑已经被证明是在专家系统和其他人工智能应用中特别有用。它也可以用来在一些拼写检查建议的可能单词的列表，以取代拼错一个。
要了解详情，请查看： http://en.wikipedia.org/wiki/Fuzzy_logic
以下是排序的经验答案。
一个简单的（可能简单回答）是“模糊逻辑”是返回比其它值的任何逻辑直真/假，或1/0有很多有关此变化，并且它们往往是特定高度域
例如，在我以前的生活中，我做了搜索引擎使用“内容相似性搜索”，而不是再普通“布尔搜索”。我们的相似性系统中使用表示所述范围0..1查询和文档和产生的值加权属性矢量的余弦系数。用户将提供其用于查询矢量在期望的文件的方向偏移“相关性反馈”。这在某种程度上与在某些AI系统完成的训练，其中所述逻辑被“奖励”或“惩罚”用于试运行的结果。
现在的Netflix正在运行的竞争中找到他们公司一个更好的建议算法。请参见 http://www.netflixprize.com/ 。有效的所有的算法可以被描述为“模糊逻辑”
模糊逻辑是基于人类等的思维方式计算算法。当存在大量的输入变量是特别有用的。对于两个变量输入的一个在线模糊逻辑计算器被给出：
http://www.cirvirlab.com/simulation/fuzzy_logic_calculator.php
