- 2.
Мягкие вычисления
и нечеткая логика
Термин
"мягкие вычисления" введен Лофти
Заде в 1994 году. Это понятие объединяет
такие области как: нечеткая логика, нейронные
сети, вероятностные рассуждения, сети
доверия и эволюционные алгоритмы; которые
дополняют друг друга и используются в
различных комбинациях или самостоятельно
для создания гибридных интеллектуальных
систем. Поэтому создание систем работающих
с неопределенностью, надо понимать как
составную часть "мягких" вычислений.
По существу
в 1970 году Л.Заде был создан новый
метод вычислительной математики, который
был поддержан аппаратными средствами
(нечеткими процессорами) который
в ряде проблемных областей стал более
эффективным, чем классические методы.
Первоначально эти области входили
в проблематику искусственного интеллекта.
Постепенно круг этих областей существенно
расширился и сформировалось направление
"вычислительного интеллекта". В
это направление в настоящее время входят:
- нечеткая
логика и теория множеств;
- нечеткие
экспертные системы;
- системы
приближенных вычислений;
- теория
хаоса;
- фрактальный
анализ;
- нелинейные
динамические системы;
- гибридные
системы (нейронечеткие или нейрологические,
генетиконейронные, нечеткогенетические
или логикогенетические системы);
- системы,
управляемые данными (нейронные сети,
эволюционное вычисление).
- В течение
ряда прошедших лет наша способность понимать,
конструировать и развивать машины с высоким
КМИ значительно усилилась в результате
появления мягких вычислений. Мягкие вычисления
(SC) – это не какая-то отдельная методология.
Скорее, это консорциум вычислительных
методологий, которые коллективно обеспечивают
основы для понимания, конструирования
и развития интеллектуальных систем. В
этом объединении главными компонентами
SC являются нечеткая логика (FL), нейровычисления (NC),
генетические вычисления (GC) и вероятностные
вычисления (PC). Позднее в этот конгломерат
были включены рассуждений на базе свидетельств
(evidential reasoning), сети доверия (belief networks), хаотические
системы и разделы теории машинного обучения.
По сравнению с традиционными жесткими
вычислениями, мягкие вычисления более приспособлены
для работы с неточными, неопределенными
или частично истинными данными/ знаниями.
Руководящим принципом мягких вычислений
является: «терпимость к неточности, неопределенности
и частичной истинности для достижения
удобства манипулирования, робастности,
низкой стоимости решения и лучшего согласия
с реальностью».
- В мягких
вычислениях весьма важно то, что составляющие
их методологии являются в большей степени
синергетическими и взаимодополняющими,
чем соперничающими. Таким образом, во
многих случаях более высокого КМИ можно
достигнуть путем совместного использования FL,
NC, GC и PC, чем путем их применения по отдельности.
Более того, существует много проблем,
которые не могут быть решены только каким-то
одним средством: нечеткой логикой, нейровычислениями,
генетическими вычислениями или вероятностными
рассуждениями. Это подвергает сомнению
позиции тех, кто во всеуслышание заявляет,
что его любимый инструментарий, будь
то FL, NC, GC или PC, может решить все проблемы.
По мере распространения мягких вычислений
число приверженцев таких односторонних
точек зрения будет неуклонно сокращаться.
- Каждая из
составляющих методологий имеет много
возможностей для ее использования в рамках
мягких вычислений. Нечеткая логика лежит
в основе методов работы с неточностью,
зернистой структурой (гранулированной)
информацией, приближенных рассужденияй и,
что наиболее важно, вычислений со словами
(Computing with Words).Нейровычисления отражают
способность к обучению, адаптации и идентификации.
В случае генетических вычислений, речь
идет о возможности систематизировать
случайный поиск и достигать оптимального
значения характеристик. Вероятностные
вычисления обеспечивают базу для управления
неопределенностью и проведения рассуждений,
исходящих из свидетельств.
- Системы,
в которых FL, NC, GC и PC используются в некоторой
комбинации, называются гибридными системами.
Наиболее известными системами этого
типа являются так называемые нейро-нечеткие системы.
Мы начинаем также строить нечетко-генетические
системы, нейро-генетические системы и нейро-нечетко-генетические системы.
По моему мнению, в конечном итоге большинство
систем с высоким КМИ будут гибридными
системами. В будущем широкое распространение
интеллектуальных систем будет иметь
глубокое влияние на сами способы, с помощью
которых интеллектуальные системы конструируются,
производятся и взаимодействуют.
- Каково место
нечеткой логики в мягких вычислениях?
Прежде, чем ответить на этот вопрос, мне
хотелось бы прояснить общее недоразумение
относительно того, что такое нечеткая
логика и что она должна нам давать. Источником
путаницы является то, что термин нечеткая
логика используется в двух различных
смыслах. В узком смысле, нечеткая логика
– это логическая система, являющаяся
расширением многозначной логики. Однако,
даже для нечеткой логики в узком смысле,
список основных операций очень отличается
как по духу, так и по содержанию от списка
основных операций для систем многозначных
логик.
- В широком
смысле слова, который сегодня преобладает,
нечеткая логика равнозначна теории нечетких
множеств, т.е. классов с неточными, размытыми
границами [2]. Таким образом, нечеткая
логика, понимаемая в узком смысле, является
разделом нечеткой логики в широком смысле.
- Важной характеристикой
нечеткой логики является то, что любая
теория T может быть фаззифицирована (fuzzified)
и, следовательно, обобщена путем замены
понятия четкого множества в T понятием
нечеткого множества. Таким способом можно
прийти к нечеткой арифметике, нечеткой
топологии, нечеткой теории вероятностей,
нечеткому управлению, нечеткому анализу
решений… Выигрышем от фаззификации является
большая общность и лучшее соответствие
модели действительности. Однако с нечеткими
числами труднее оперировать, чем с четкими
числами. Более того, значения большинства
нечетких понятий зависят от контекста
и/или приложения. Это та цена, которую
необходимо заплатить за лучшее согласие
с реальностью.