نقش منطق فازي در هوش مصنوعي

مقدمه

منطق فازي شايد بيشترين اميد به پيشرفت و شتاب در جامعه هوش مصنوعي در تاريخچه اخير آن باشد. اما چرا بعضي واژه هاي نامعلوم به درستي پشت واژه « فازي» قرار مي گيرند؟ چرا « فازي » موجب پيشرفت هوش مصنوعي مي شود؟
پاسخ اين سوالات در مقاله زير داده شده است.

تاريخچه منطق فازي

Fuzzy logic يک نوع منطق است که روش هاي متنوع نتيجه گيري در مغزبشر را جايگزين الگوهاي ساده تر ماشيني مي کند. مفهوم منطق فازي نخستين بار درجهان، توسط دانشمند برجسته ايراني، پروفسور لطفي زاده، پروفسور دانشگاه برکلي در کاليفرنيا در سال 1965 ارائه گرديد و نه تنها به عنوان يک متدولوژي کنترل در حوزه هوش مصنوعي ارائه شد، بلکه راهي براي پردازش داده ها، بر مبناي مجاز کردن عضويت گروهي کوچک، به جاي عضويت گروهي دسته اي، ارائه کرد.
به عبارتي پروفسورلطفي زاده اينطور استدلال کرد که مغز بشر به ورودي هاي اطلاعاتي دقيق نيازي ندارد، بلکه قادراست تا کنترل تطبيقي را به صورت بالايي انجام دهد و اين در مورد ماشين نيز صادق است.

منطق فازي چيست؟

ساده ترين تلقي براي تعريف منطق فازي اين است که " منطق فازي جواب يک سوال را به جاي تقسيم به دو بخش درست يا نادرست،در اصل به يک محدوده جواب در اين بين توسعه داده است". نمونه معمول آن،وجود رنگ خاکستري در طيف رنگي بين سياه و سفيد است.
اما دايره عمل منطق فازي،از اين هم گسترده تر است و مي توان با استفاده از قواعد منطق فازي ، جواب هاي فازي متناسب با پرسش را ارائه نمود. براي مثال، جمله " زماني که باران مي بارد، شما خيس مي شويد" جمله نامفهومي نمي باشد، اما جمله " زماني که مقداري باران مي بارد، شما مقداري خيس مي شويد" مي تواند از نظرمقدار بارش باران يا مقدار خيس شدن ، واژه هاي مختلفي را به جاي واژه " مقداري " بپذيرد.
واژگاني از قبيل { کم ، زياد، خيلي کم ، خيلي زياد، قدري و ... } اين واژه ها واژه هاي زبان شناختي نام دارند، يعني با مقادير رياضي نمي توان مقدار مشخصي را به آنها ربط داد.
اينجاست که منطق فازي وارد عمل مي شود و با استفاده از مجموعه هاي فازي،براي متغير ميزان بارش باران، مجموعه اي را به شکل زير صورت مي دهد:
ميزان بارش باران= { کم ، زياد، خيلي کم ، خيلي زياد، قدري و ... }
بايد پذيرفت قواعدي نظير اين زيبا هستند، زيرا اين ها قواعد بشري هستند. آنها نمونه خوبي هستند براي اينکه ما چطورفکر مي کنيم و چطور نتيجه مي گيريم. بياييد به سراغ نمونه ديگري برويم:
ازشما سوال مي شود" آيا شغلتان را دوست داريد؟" پاسخ شما لزوماً بله يا خير نمي باشد؛ بنابراين مجموعه جواب به صورت زير خواهد بود:
جواب= { تا حدي، نه خيلي، تقريباً، اصلاً ، کم و بيش، خيلي و... }
به هر يک از اين مقادير،مقداري به عنوان " درجه عضويت" نسبت داده مي شود، بدين معنا که مقدار مربوطه تا چه حد در اين مجموعه عضو مي باشد.

مجموعه هاي فازي و زبان طبيعي

لازم به ذکر است، در مجموعه هاي قطعي، يک شيء قطعاً ، يا عضو مجموعه، مي باشد يا نمي باشد:

اگر xعضو مجموعه A باشد
اگر X عضو مجموعه A نباشد

اما در مجموعه هاي فازي، يک شيء مي تواند تا حدودي به يک مجموعه متعلق باشد:

که در اين حالت تابع عضويت، يک عدد حقيقي است:

بدين معنا که شيء مورد نظر به طور نسبي در يک مجموعه وجود دارد. همچنين مقدار جزئي تابع عضويت، درجه عضويت ناميده مي شود.
از سوي ديگر در نظر داشته باشيد: مفاهيم ومجموعه هاي فازي ،عموماً در زبان طبيعي بکار مي روند نظير:
" جان قد بلند است."
" هوا گرم است."
کلمات مشخص شده، به اسامي مقداري و مجموعه هاي فازي اشاره دارند. به عبارتي ديگر گزاره فازي که شامل لغاتي نظير " بلند" و " گرم " است، نشان دهنده مجموعه فازي مربوطه است. براي روشن شدن مفهوم ، مجموعه فازي بلند مي تواند از تابع عضويت زير بهره بگيرد:

 

پايين	قدري	تقريباً
متوسط	کم	بين
بالا	زياد	به مقدار زياد
خيلي	بيشتر
اصلاً	بيشترين
کم و بيش	در حدود

دراين تئوري، عضويت اعضاي مجموعه از طريق تابع U ( X) مشخص مي شود که X نمايانگر يک عضو مشخص و U تابعي فازي است که درجه عضويت X در مجموعه مربوطه را تعيين مي کند و مقدار آن بين صفر و يک است:

همچنين به عنوان يک مجموعه متناهي از عناصر، براي عبارت بلند قد مي توان زير مجموعه فازي ذيل را تعريف کرد:
{ ( 8،1 )، ( 1، 705 )، ( 1، 7 )، (875،65 )، ( 05، 6 )،( 0125، 55 )،(0 ، 5 )}= بلند قد
در اين مجموعه فازي، علامت "، " درجه عضويت را از اعداد مربوطه به قد افراد جدا مي سازد.

متغيرهاي زباني

" متغيرهاي زباني، متغيرهايي هستند که مقاديرشان اعداد نيستند،بلکه لغات يا جملات يک زبان طبيعي يا ساختگي هستند."
به طورکلي، متغيرها به 2 دسته تقسيم مي شوند:
زباني: مانند کلمات و عبارات مربوطه به يک زبان طبيعي مي باشد.
عددي: که متغيرها داراي مقاديرعددي هستند.
يک متغير زباني در واقع، يک عبارت زبان طبيعي است که به يک مقدار کميت خاص اشاره دارد و اصطلاحاً مانند مترجم عمل مي کند و به کمک تابع عضويت ،نشان داده مي شود. مانند واژه " سرد" در جمله " هوا سرد است". در اينجا سردي خود متغيري است براي دماي هوا که مي تواند مقادير مختلفي به خود اختصاص دهد و در واقع يک تابع عضويت براي آن تعريف مي شود.
درعين حال متغيرهاي زباني مي توانند از الحاق تشکيل شوند که هر کدام از uiها، عباتي تجزيه ناپذير است. مانند " تا حدي سرد "، که در مجموع به 4 دسته زير تقسيم مي شود:
عبارات اصلي: که به عنوان برچسب هايي براي مجموعه هاي فازي در نظر گرفته مي شوند و مانند " سرد" در عبارات بالا، يا عباراتي از قبيل : کوتاه، بلند و ... که هر کدام تابع عضويت مخصوص خود را دارند.
حروف ربط: مانند و، يا...
پيراينده: که روي عبارات اوليه اعمال شده و اثر تشديد يا تضعيف در مفهوم آن عبارت را به همراه دارد. مانند تا حدي، اندکي ، بسيار و ...
حروف نشانه: مانند پرانتز و ...
بنابراين از مجموعه هاي فازي و متغيرهاي زباني، مي توان براي کميت بخشيدن به مفاهيم زبان طبيعي استفاده کرد.
چند متغير زباني و مقادير نوعي که ممکن است به آنها اختصاص يابد:

متغير زباني	متغير قابل پذيرش
ارتفاع قد تعداد مراحل زندگي رنگ روشني دسر	کوتوله، کوتاه، متوسط، بلند، خيلي بلند تقريباً، هيچ، چند تا، کمي ، تعداد زياد، نوزاد، نوپا، کودک، نوجوان، بالغ قرمز، آبي، سبز، زرد، نارنجي تاريک، تيره، معمولي، روشن، سير کلوچه، کيک ، بستني

اما چگونه منطق فازي به کار گرفته مي شود؟

منطق فازي معمولاً از قوانين " اگر و آنگاه" ( IF/THEN) استفاده مي کند، اما اين بررسي ،به صورت بررسي مقادير خشک منطق کلاسيک نمي باشد، بلکه اين بررسي توسط متغيرهاي معنايي صورت مي گيرد.اين قوانين معمولاً به شکل زير بيان مي شود:
اگر( متغير ) ( حالت ) است، آنگاه ( عملکرد ).
براي مثال ،يک دستگاه تنظيم کننده درجه حرارت را در نظر بگيريد که قانون منطق فازي را مي توان اينگونه برايش تعريف کرد:
? اگر ( درجه حرارات) ( بسيار سرد) است، آنگاه ( فن را متوقف کن ).
? اگر درجه حرارت سرد است، آنگاه سرعت فن را کم کن.
? اگر درجه حرارت متعادل است، آنگاه همين سرعت فن را حفظ کن.
به طورکلي روش کار منطق فازي را مي توان به شکل زير نشان داد:

منطق کلاسيک

کاربرد هوش مصنوعي

هدف هوش مصنوعي، نزديک نمودن رفتار و پاسخ يک سيستم کامپيوتري به الگوهايي است که انسان بر اساس آن ها رفتار مي کندو پاسخ مي دهد. در حقيقت گاه سيستم هاي طراحي مي شوند که قدرت تجزيه و تحليل آنها از انسان بيشتر است، ولي همچنان از الگوي ما استفاده مي کنند. بر همين مبنا، هوش مصنوعي، با سيستم فازي يا سيستمي که انسان بر طبق آن تصميم مي گيرد،رابطه تنگاتنگي دارد.

قاعده Soft Computing

اين قاعده کليدي، عبارت است از بهره گيري از خطاي مجاز به خاطر عدم دقت، نامعلومي، حقايق جزء به جزء براي دست يابي به قدرت و سهولت و يافتن راه حل با هزينه کم. البته ايده اساسي اين قاعده، با بسياري از توانايي هاي اوليه تئوري مجموعه هاي فازي، پيوند دارد.
همچنين هوش مصنوعي کلاسيک، بر روي دقت ارائه سيستم هاي مصنوعي متمرکز شده بود، اما با عملي کردن و رشد اين سيستم ها ، مشخص شد که نمي توان منطق محض را در کاربردها به کار بست.
در واقع بر همين مبناست که منطق فازي به خوبي نشان مي دهد که چرا منطق دو ارزشي < صفر و يک > در رياضيات کلاسيک، قادر به تبيين و توصيف مفاهيم نادقيقي همچون < گرما و سرما> که مبناي بسياري از تصميم گيري هاي هوشمند را تشکيل مي دهند ، نيست.
اين در حاليست که نحوه استنتاج سيستم هاي هوشمند با استفاده از منطق فازي، به سرعت باعث پيشرفت اين علم شد و باعث شد تا هوش مصنوعي ،حقيقتاً در جهشي فوق العاده ،به هوش انساني نزديک تر گردد.

زمينه هاي کاربرد منطق فازي درهوش مصنوعي

? هوش مصنوعي رويداد گرا: در اين نوع، سيستم بر اساس هر رويدادي که انجام مي شود، يک واکنش هوشمندانه انجام مي دهد. در اين حالت با استفاده از قواعد IF/THEN فازي، مي توان براي حالات و رويدادهاي جزء شده و طبقه بندي شده ،عکس العمل مناسبي تعيين کرد.
? هوش مصنوعي هدف گرا: اين نوع هوش مصنوعي،هدف با ارزش بيشتر را بر مي گزيند و آن را با تقسيم به زيرهدفهاي کوچکتر، پردازش مي کند.
در اين نوع هوش نيز با کمک منطق فازي مي توان با توجه به درجه عضويت، هدف مورد نظر را انتخاب کرد.

نمونه هايي از کاربرد عملي منطق فازي در هوش مصنوعي

جهت ملموس شدن بحث منطق فازي،دراين بخش به تعدادي از ادوات و ماشين هايي که بر اساس منطق فازي طراحي و به بازار عرضه شده اند اشاره مي شود. ناگفته نماند در حال حاضر در بازار، نمونه هايي از اين دستگاه ها، از نوع فاقد منطق فازي وجود دارد که به آنها صفت انواع عادي را اطلاق مي کنيم، ضمن اينکه در اينجا قطعاً بحث بر سرنمونه هاي داراي منطق فازي و نحوه عملکرد اين ماشين ها در طيف و محدوده اين منطق مي باشد.
? ماشين لباسشويي که استراتژي شستشو را براساس تشخيص ميزان چرک، نوع پارچه، اندازه بارگيري، و ميزان آب تنظيم مي کند.
? دستگاه هاي تهويه مطبوع
? سيستم تشخيص گلف که چوب گلف را براساس فيزيک بدني و ضربات گلف باز انتخاب مي کند .
? شبکه عصبي براي تنظيم علايق و چشايي کاربران.
? سيستم کنترل کامپيوتر از طريق مغز
? هوش مصنوعي بازي هاي تصويري و جلوه هاي ويژه سينمايي
? قطارهاي هوشمند
? ربات هاي هوشمند از جمله ربات ظرف شو

نتيجه

دريک کلام،منطق فازي معتقد است که ابهام هميشه و همواره در جوهره و ماهيت علم بوده و مي توان از آن بهره جست. برخلاف آنچه اکثراً معتقدند که بايد تقريب ها را دقيق تر کرد تا در نتيجه آن بهره وري افزايش يابد.ضمن اينکه در منطق فازي بايد به دنبال ساختن ماشين آلات و مدل هايي بود که ابهام را به عنوان بخشي از سيستم ،هضم نموده و مدل کند.
زيرا تنها در اين صورت است که مي توان در سيستم هاي مبتني بر هوش مصنوعي، رفتار و عکس العمل اين گونه سيستم ها را به رفتار انساني نزديک نموده و به نتيجه دلخواه دست يافت.
بر همين اساس کاربرد منطق فازي در حل مسائل هوش مصنوعي،بيش از پيش درحال گسترش است. البته بايد توجه داشت که مسائل بسياري وجود دارند که حل آنها جز با انجام محاسبات دقيق رياضي و پردازش حجم زيادي از داده ها ممکن نيست.
در نتيجه چنين به نظر مي رسد که تلفيق منطق " دو ارزشي و منطق فازي" بتواند توان عملياتي کامپيوترها و بسياري از تجهيزات و ادوات مورد استفاده بشر را، به ميزان چشمگيري افزايش دهد و سهم مهمي در پيشرفت هوش مصنوعي تا حد نزديک به هوش انسان ،داشته باشد.
منابع:
The Role of Fuzziness in Artifical Intelligence: by Mark Stosberg
Ho-co INFERENCE SYSTEMS: by chinen ATUTORIAL OF ADAPTIV EF UZZY
http://www.scienceclarified.com/scitech/Artificial-Intelligence/Mind-Versus-Metal.html
http://www.quadralay.com/www/Fuzzy/overview.html
منبع:نشريه دانش کامپيوتر ،شماره 87.
/خ