【人工智能】模糊逻辑推理-洗衣机模糊推理系统

一、实验目的

    理解模糊逻辑推理的原理及特点，熟练应用模糊推理，并以此设计一个洗衣机模糊推理系统。

二、实验原理

    模糊推理即以模糊集合论为基础描述工具，对以一般集合论为基础描述工具的数理逻辑进行扩展，从而建立了模糊推理理论。是不确定推理的一种。在人工智能技术开发中有重大意义。

    整个模糊推理的过程就是由一组模糊规则出发。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”方法将模糊结论转换为精确量。

三、实验过程记录

    已知人的操作经验为：

“污泥越多，油脂越多，洗涤时间越长”；

“污泥适中，油脂适中，洗涤时间适中”；

“污泥越少，油脂越少，洗涤时间越短”

    可以得到以下模糊控制规则表

x

y

z

SD

NG

VS

SD

MG

M

SD

LG

L

MD

NG

S

MD

MG

M

MD

LG

L

LD

NG

M

LD

MG

L

LD

LG

VL

            其中SD（污泥少）、MD（污泥中）、LD（污泥多）、NG（油脂少）、MG（油脂中）、LG（油脂多）、VS（洗涤时间很短）、S（洗涤时间短）、M（洗涤时间中等）、L（洗涤时间长）、VL（洗涤时间很长）。

假设污泥、油脂、洗涤时间的论域分别为[0,100]、[0,100]、[0,120]，设计模糊推理系统如下：

    输入：待洗涤衣物的污泥和油脂

    控制对象：洗涤时间

    污泥隶属函数：

油脂隶属函数：

时间隶属函数：

    Python代码实现：

def Sludge(a):#污泥

    sludge=[0,0,0]#默认隶属度为0，依次对应SD,MD,LD

    if a<0 or a>100:

        return (print("输入值有误"))

    elif 0<=a<=50:

        sludge[0]=(50-a)/50

        sludge[1]=a/50

    elif 50<a<=100:

        sludge[1]=(100-a)/50

        sludge[2]=(a-50)/50

    return sludge

def Grease(a):#油脂

    grease=[0,0,0]#默认隶属度为0,依次对应NG,MG,LG

    if a<0 or a>100:

        return (print("输入值有误"))

    elif 0<=a<=50:

        grease[0]=(50-a)/50

        grease[1]=a/50

    elif 50<a<=100:

        grease[1]=(100-a)/50

        grease[2]=(a-50)/50

    return grease

def Rules(a,b):#a为污泥隶属度，b为油脂隶属度

    rules_value=[0,0,0,0,0,0,0,0,0]#依次对应9条规则结果VS,M,L,S,M,L,M,L,VL

    if a[0]!=0 and b[0]!=0:

        rules_value[0]=min(a[0],b[0])#返回规则下最小值

    if a[0]!=0 and b[1]!=0:

        rules_value[1]=min(a[0],b[1])

    if a[0]!=0 and b[2]!=0:

        rules_value[2]=min(a[0],b[2])

    if a[1]!=0 and b[0]!=0:

        rules_value[3]=min(a[1],b[0])

    if a[1]!=0 and b[1]!=0:

        rules_value[4]=min(a[1],b[1])

    if a[1]!=0 and b[2]!=0:

        rules_value[5]=min(a[1],b[2])

    if a[2]!=0 and b[0]!=0:

        rules_value[6]=min(a[2],b[0])

    if a[2]!=0 and b[1]!=0:

        rules_value[7]=min(a[2],b[1])

    if a[2]!=0 and b[2]!=0:

        rules_value[8]=min(a[2],b[2])

    return rules_value

#每条规则推理输出

def Inference(a):#a为9条规则下的结果隶属度

    time_level=[0,0,0,0,0]#默认时间隶属值为0，依次对应VS,S,M,L,VL

    time_level[0]=a[0]

    time_level[1]=a[3]

    if(a[1]!=0 or a[4]!=0 or a[6]!= 0):#去零值然后取剩下的最小值

        list_1=[a[1],a[4],a[6]]

        for i in range(len(list_1)-1,-1,-1):

            if list_1[i]==0:

                list_1.remove(0)

        time_level[2]=min(list_1)

    if(a[2]!=0 or a[5]!=0 or a[7]!= 0):

        list_2=[a[2],a[5],a[7]]

        for i in range(len(list_2)-1,-1,-1):

            if list_2[i]==0:

                list_2.remove(0)

        time_level[3]=min(list_2)

    time_level[4]=a[8]

    return time_level

def Area_gravity(a):#a为时间隶属度

    time=[0,0,0,0,0,0,0,0]#时间隶属函数八个区间分别对应的时间值

    time[0]=20-20*a[0]

    time[1]=20*a[1]

    time[2]=50-30*a[1]

    time[3]=30*a[2]+20

    time[4]=80-30*a[2]

    time[5]=30*a[3]+50

    time[6]=120-40*a[3]

    time[7]=40*a[4]+80

    sum_1=time[0]*a[0]+time[1]*a[1]+time[2]*a[1]+time[3]*a[2]+time[4]*a[2]+time[5]*a[3]+time[6]*a[3]+time[7]*a[4]

    sum_2=a[0]+2*a[1]+2*a[2]+2*a[3]+a[4]

    result=sum_1/sum_2

    return result#最后返回预测时间

def Maximum(a):#a为时间值

    if 0<=a<=20:

        u1=(20-a)/20

        u2=a/20

        if(u1>u2):

            time_level='VS'

        else:

            time_level='S'

    if 20<a<=50:

        u3=(50-a)/30

        u4=(a-20)/30

        if(u3>u4):

            time_level='S'

        else:

            time_level='M'

    if 50<a<=80:

        u5=(80-a)/30

        u6=(a-50)/30

        if(u5>u6):

            time_level='M'

        else:

            time_level='L'

    if 80<a<=120:

        u7=(120-a)/40

        u8=(a-80)/40

        if(u7>u8):

            time_level='L'

        else:

            time_level='VL'

    return time_level

if __name__ == '__main__':

    sludge =int(input("输入污泥值:"))

    grease =int(input("输入油脂值:"))

    rules_value=Rules(Sludge(sludge),Grease(grease))

    time_level=Inference(rules_value)#时间隶属度

    result_1=Area_gravity(time_level)#面积重心法求得的预测时间

    result_2=Maximum(result_1)#最大隶属度法求得的预测时间长短

    result_3={'VS':'很短','S':'短','M':'中等','L':'长','VL':'很长'}

    print("预测洗涤时间属于 {},预计洗涤时间{}".format(result_3[result_2],int(result_1+0.5)))

四、实验结果

    假设当前传感器测得的信息为污泥x=60，油脂y=70，采用模糊决策，给出结果。

    运行Python程序，输入污泥值值和油脂值，结果如下：

五、实验过程中存在的问题及解决方案

    最开始进行实验时，对课本上的数学推理过程不能很好的理解，导致变成速度比较慢。后期通过参考网上类似的代码和分析，逐渐明白了模糊逻辑推理的原理和具体Python实现方法，最终完成了实验。

六、实验总结

    在本次实验中，设计了一个洗衣机模糊推理系统，同时通过Python进行了具体的代码实现及应用。通过这次实验，我进一步理解了模糊逻辑推理的原理及特点，同时可以应用模糊推理理论到实际情境中来。

    目前，在人工智能领域的自动控制、模式识别、自然语言理解、机器人及专家系统研制等方面，模糊推理的应用取得了一定的成果。并且，在知识表示方面，模糊逻辑有着相当广阔的应用前景。