Экспертная оценка выбора автомобиля

Министерство транспорта РФ Федеральное агентство морского и речного транспорта ФГОУ ВПО «Новосибирская государственная академия водного транспорта»

Кафедра: Информационные системы Пояснительная записка к курсовой работе по дисциплине «Системы компьютерного моделирования»

Экспертная оценка выбора автомобиля

Выполнил студент группы ИС-6

Лытысов Е.С.

Проверил: Жаров А.В.

Новосибирск 2012

1. Характеристика нечеткой системы

2. Задание нечетких переменных и их термов. Виды термов

3. Описание лингвистических переменных

4. Список правил для работы системы

5. Результаты анализа работы системы

6. Алгоритм Мамдани Вывод Заключение Список использованной литературы

Наверное, самым впечатляющим у человеческого интеллекта является способность принимать правильные решения в условиях неполной и нечеткой информации. Построение моделей приближенных размышлений человека и использование их в компьютерных системах представляет сегодня одну из важнейших проблем науки.

Основы нечеткой логики были заложены в конце 60-х лет в работах известного американского математика Латфи Заде. Исследования такого рода было вызвано возрастающим неудовольствием экспертными системами. Хваленый «искусственный интеллект», который легко справлялся с задачами управления сложными техническими комплексами, был беспомощным при простейших высказываниях повседневной жизни, типа «Если в машине перед тобой сидит неопытный водитель — держись от нее подальше». Для создания действительно интеллектуальных систем, способных адекватно взаимодействовать с человеком, был необходим новый математический аппарат, который переводит неоднозначные жизненные утверждения в язык четких и формальных математических формул. Первым серьезным шагом в этом направлении стала теория нечетких множеств, разработанная Лотфали Аскаром Заде. Его работа «Fuzzy Sets», опубликованная в 1965 году в журнале «Information and Control», заложила основы моделирования интеллектуальной деятельности человека и стала начальным толчком к развитию новой математической теории. Он же дал и название для новой области науки — «fuzzy logic» (fuzzy — нечеткий, размытый, мягкий).

Чтобы стать классиком, надо немного опередить свое время. Существует легенда о том, каким образом была создана теория «нечетких множеств». Один раз, Аскар Заде имел длинную дискуссию со своим другом относительно того, чья из жен более привлекательна. Термин «привлекательная» является неопределенным и в результате дискуссии они не смогли прийти к удовлетворительному итогу. Это заставило Аскара Заде сформулировать концепцию, которая выражает нечеткие понятия типа «привлекательная» в числовой форме.

Дальнейшие работы профессора Лотфали Аскара Заде и его последователей заложили фундамент новой теории и создали предпосылки для внедрения методов нечеткого управления в инженерную практику.

Аппарат теории нечетких множеств, продемонстрировав ряд многообещающих возможностей применения — от систем управления летательными аппаратами до прогнозирования итогов выборов, оказался вместе с тем сложным для воплощения. Учитывая имеющийся уровень технологии, нечеткая логика заняла свое место среди других специальных научных дисциплин — где-то посредине между экспертными системами и нейронными сетями.

Свое второе рождение теория нечеткой логики пережила в начале восьмидесятых годов, когда несколько групп исследователей (в основном в США и Японии) всерьез занялись созданием электронных систем различного применения, использующих нечеткие управляющие алгоритмы. Теоретические основы для этого были заложены в ранних работах Коско и других ученых.

Третий период начался с конца 80-х годов и до сих пор. Этот период характеризуется бумом практического применения теории нечеткой логики в разных сферах науки и техники. До 90-ого года появилось около 40 патентов, относящихся к нечеткой логике (30 — японских). Сорок восемь японских компаний создают лабораторию LIFE (Laboratory for International Fuzzy Engineering), японское правительство финансирует 5-летнюю программу по нечеткой логике, которая включает 19 разных проектов — от систем оценки глобального загрязнения атмосферы и предвидения землетрясений до АСУ заводских цехов. Результатом выполнения этой программы было появление целого ряда новых массовых микрочипов, базирующихся на нечеткой логике. Сегодня их можно найти в стиральных машинах и видеокамерах, цехах заводов и моторных отсеках автомобилей, в системах управления складскими роботами и боевыми вертолетами.

В США развитие нечеткой логики идет по пути создания систем для большого бизнеса и военных. Нечеткая логика применяется при анализе новых рынков, биржевой игре, оценки политических рейтингов, выборе оптимальной ценовой стратегии и т. п. Появились и коммерческие системы массового применения.

Смещение центра исследований нечетких систем в сторону практических применений привело к постановке целого ряда проблем, в частности:

· новые архитектуры компьютеров для нечетких вычислений;

· элементная база нечетких компьютеров и контроллеров;

· инструментальные средства разработки;

· инженерные методы расчета и разработки нечетких систем управления, и т. п.

1. Характеристика нечеткой системы

Рис. 1 — Общий вид экспертной системы выбора автомобиля Для выбора марки автомобиля (Форд, Тойота, Лада) в экспертной системе используется 4 параметра: цена, качество, экономичность и надежность. Перечень перечисленных выше параметров находится в таблице 1.

Для формирования оценки склонности к определенной марке автомобиля, используется процедура, в которой сопоставляются характеристики разных показателей. Система вычисляет характеристики автомобилей. В основу положена идея которая определяет марку автомобиля в соответствии с нужными для клиента характеристиками.

2. Задание нечетких переменных и их термов. Виды термов

Табл.1. — Переменные, термы и их значения

В данной системе будет использоваться косвенный метод значения функции принадлежности.

Значения функции принадлежности будем выбирать таким образом, чтобы удовлетворить заранее сформулированным условиям. Экспертная информация является только исходной информацией для дальнейшей обработки. К группе данных методов можно отнести такие методики построения функций принадлежности, как построение функций принадлежности на основе парных сравнений, с использованием статистических данных, на основе ранговых оценок и т. д. Также будем использовать треугольную функцию.

Треугольный вид функции принадлежности — самый часто используемый в практике анализа экспертной системы. При оценке параметров функций принадлежности известны интервальные ограничения и наиболее допустимые значения показателей, формирующий общественный показатель.

Для всех термов (цена, качество, экономичность, надежность), была выбрана треугольная функция принадлежности (trimf) в работе используется три вида оценки (Low, Medium, Hi). Это обосновывает выбор треугольной функции принадлежности.

3. Описание лингвистических переменных

· Цена: денежная стоимость выбранного автомобиля;

· Качество: показатель удобства и комфорта при езде на автомобиле;

· Экономичность: показатель расхода топлива, масла и прочих расходных материалов;

· Надежность: показатель эффективной стабильной работы автомобиля.

Для удобства и компактности составления лингвистических правил для переменных заменим названия лингвистических переменных на иные:

Табл. 2 — Замена названий переменных

4. Список правил для работы системы

1. If (Cost is low) and (Kachestvo is low) and (Econ is low) and (Nadegnost is low) then (Ford is Bad)(Toyota is Bad)(Lada is Bad) (1)

2. If (Cost is hi) or (Kachestvo is low) or (Econ is low) or (Nadegnost is low) then (Ford is Bad)(Toyota is Bad)(Lada is Bad) (1)

3. If (Cost is not hi) and (Kachestvo is medium) and (Econ is medium) and (Nadegnost is medium) then (Ford is Good)(Toyota is Good)(Lada is Good) (1)

4. If (Cost is not low) and (Kachestvo is medium) and (Econ is medium) and (Nadegnost is medium) then (Ford is Good)(Toyota is Good)(Lada is Bad) (1)

5. If (Cost is hi) and (Kachestvo is hi) and (Econ is medium) and (Nadegnost is medium) then (Ford is Good)(Toyota is Bad)(Lada is not Good) (1)

6. If (Cost is medium) and (Kachestvo is not low) and (Econ is not low) and (Nadegnost is hi) then (Ford is Bad)(Toyota is Good)(Lada is not Bad) (1)

7. If (Cost is low) and (Kachestvo is low) and (Econ is low) and (Nadegnost is not hi) then (Ford is not Good)(Toyota is not Good)(Lada is Bad) (1)

8. If (Cost is medium) and (Kachestvo is hi) and (Econ is not low) and (Nadegnost is not low) then (Ford is Good)(Toyota is not Bad)(Lada is Good) (1)

9. If (Cost is medium) or (Kachestvo is low) or (Econ is not medium) or (Nadegnost is medium) then (Ford is Bad)(Toyota is Bad)(Lada is Good) (1)

10. If (Cost is not hi) or (Kachestvo is low) or (Econ is not medium) or (Nadegnost is medium) then (Ford is Bad)(Toyota is Bad)(Lada is Good) (1)

11. If (Cost is not medium) and (Kachestvo is hi) and (Econ is low) and (Nadegnost is hi) then (Ford is Good)(Toyota is Bad)(Lada is Bad) (1)

12. If (Cost is low) and (Kachestvo is hi) and (Econ is hi) and (Nadegnost is not low) then (Ford is Good)(Toyota is Good)(Lada is Good) (1)

13. If (Cost is hi) and (Kachestvo is medium) and (Econ is medium) and (Nadegnost is not hi) then (Ford is Good)(Toyota is Bad)(Lada is Bad) (1)

14. If (Cost is medium) and (Kachestvo is medium) and (Econ is hi) and (Nadegnost is low) then (Ford is Good)(Toyota is Bad)(Lada is Good) (1)

15. If (Cost is medium) and (Kachestvo is hi) and (Econ is low) and (Nadegnost is hi) then (Ford is Bad)(Toyota is Good)(Lada is Bad) (1)

16. If (Cost is hi) or (Kachestvo is low) or (Econ is not medium) or (Nadegnost is not medium) then (Ford is Bad)(Toyota is Bad)(Lada is Bad) (1)

17. If (Cost is not hi) or (Kachestvo is not low) or (Econ is medium) or (Nadegnost is medium) then (Ford is Good)(Toyota is not Bad)(Lada is not Bad) (1)

18. If (Cost is low) and (Kachestvo is low) and (Econ is medium) and (Nadegnost is medium) then (Ford is not Good)(Toyota is Bad)(Lada is Good) (1)

19. If (Cost is low) and (Kachestvo is not hi) and (Econ is not hi) and (Nadegnost is not hi) then (Ford is Bad)(Toyota is not Good)(Lada is Good) (1)

20. If (Cost is hi) and (Kachestvo is medium) and (Econ is medium) and (Nadegnost is hi) then (Ford is Good)(Toyota is Good)(Lada is Bad) (1)

21. If (Cost is low) and (Kachestvo is low) and (Econ is low) and (Nadegnost is not hi) then (Ford is not Good)(Toyota is not Good)(Lada is Bad) (1)

22. If (Cost is medium) and (Kachestvo is hi) and (Econ is not low) and (Nadegnost is not low) then (Ford is Good)(Toyota is not Bad)(Lada is Good) (1)

23. If (Cost is medium) or (Kachestvo is low) or (Econ is not medium) or (Nadegnost is medium) then (Ford is Bad)(Toyota is Bad)(Lada is Good) (1)

24. If (Cost is not hi) or (Kachestvo is low) or (Econ is not medium) or (Nadegnost is medium) then (Ford is Bad)(Toyota is Bad)(Lada is Good) (1)

25. If (Cost is not medium) and (Kachestvo is hi) and (Econ is low) and (Nadegnost is hi) then (Ford is Good)(Toyota is Bad)(Lada is Bad) (1)

5. Результаты анализа работы системы

автомобиль экспертный нечеткий логика Рис. 2. — Диалоговое окно лингвистической переменной: управление ВК, задание параметров термов Рис. 3 — Диалоговое окно выхода, лингвистическая переменная Специальная, задание параметров термов Рис. 4 — Диалоговое окно результат работы системы Рис. 5 — Диалоговое окно результат работы системы Рис. 6 — Диалоговое окно результат работы системы Рис. 7 — Диалоговое окно результат работы системы Рис. 8 — Диалоговое окно результат работы системы Рис. 9 — Диалоговое окно результат работы системы Рис. 10 — Диалоговое окно результат работы системы

6. Алгоритм Мамдани

Является одним из первых алгоритмов, который нашел применение в системах нечеткой логики. Алгоритм предложен английским математиком Е. Мамдани в 1975 году.

Рассмотрим подробнее нечеткий вывод на примере алгоритма Мамдани (Mamdani). Это наиболее распространенный способ логического вывода в нечетких системах. В нем используется минимаксная композиция нечетких множеств. Данный механизм включает в себя следующую последовательность действий.

1. Процедура фазификации: определяются степени истинности, т. е. значения функций принадлежности для левых частей каждого правила (предпосылок). Для базы правил с m правилами обозначим степени истинности как A_ik(x_k), i=1.m, k=1.n.

2. Нечеткий вывод. Сначала определяются уровни «отсечения» для левой части каждого из правил:

Далее находятся «усеченные» функции принадлежности:

3. Композиция, или объединение полученных усеченных функций, для чего используется максимальная композиция нечетких множеств:

где MF (y) — функция принадлежности итогового нечеткого множества.

4. Дефазификация, или приведение к четкости. Существует несколько методов дефазификации. Например, метод среднего центра, или центроидный метод:

.

Геометрический смысл такого значения — центр тяжести для кривой MF (y). Рисунок графически показывает процесс нечеткого вывода по Мамдани для двух входных переменных и двух нечетких правил R1 и R2.

Рис. 11 — Схема нечеткого вывода по алгоритму Мамдани

Вывод

По результатам исследования можно сказать следующее: выбор марки автомобиля зависит от потребностей и условий эксплуатации, например для автомобилей Лада и Тойота, большинство перечисленных характеристик являются очень важными, т. е. при высокой стоимости необходимо присутствие высокой надежности, экономичности и качества. Автомобили этих марок подойдут клиентам с завышенными требованиями для характеристик автомобиля. А для автомобилей Форд, при средней стоимости, значение остальных показателей не так уж и принципиально важно, т. е. данная марка подойдет большинству клиентов.

Заключение

В ходе выполнения работы была разработана экспертная система оценки экспертная система автоматизированной системы безопасности. Система позволяет получить оценку склоняемости к той или иной марке автомобиля, в зависимости от нужных параметров по десяти бальной школе оценки от 1 до 10.

Разработанное программное обеспечение позволяет достаточно точно определить марку автомобиля по заданным.

Также были получены теоретические и практические навыки работы с нечеткими системами и системой Fuzzy в среде MATLAB.

Список использованной литературы

1. РД 78.36.003

2. ГОСТ Р 50 775

3. ГОСТ Р 50 776

4.ГОСТ Р 53 704−2009.

5. Zade L. A. The concept of a linguistic variable and its application to approximate reasoning. Part 1, 2, 3 // Information Sciences, n. 8 pp.199−249, pp.301−357; n. 9 pp. 43−80.

6. Прикладные нечеткие системы: Перевод с япон./ К. Асаи, Д. Ватада, С. Иваи и др.; под ред. Т. Тэрано, К. Асаи, М. Сугено. — М.: Мир, 1993.

7. Mamdani E. H. Applications of fuzzy algorithms for simple dynamic plant. Porc. IEE. vol. 121, n. 12, pp. 1585−1588, 1974.

8. Smidth F. L. Computing with a human face. New Scientist, 6 may, 1982.

9. Yagashita O., Itoh O., and Sugeno M. Application of fuzzy reasoning to the water purification process, in Industrial Applications of Fuzzy Control, Sugeno M, Ed. Amsterdam: North-Holand 1985, pp.19−40.

10. Yasunobu S., Miyamoto S., and Ihara H. Fuzzy control for automatic train operation system, in Proc. 4th. IFAC/IFIP/IFORS Int. Congress on Control in Transportation Systems, Baden-Baden, April, 1983.

11. Yasunobu S., and Hasegawa T. Predictive fuzzy control and its applications for automatic container crane operation system, in Proc. 2nd. IFSA Congress, Tokyo, Japan, Julie 1987.

12. F. Fujitec, FLEX-8800 series elevator group control system, Fujitec Co., Ltd., Osaka, Japan, 1988.

13. Watanabe H., and Dettloff. Reconfigurable fuzzy logic processor: A full custom digital VLCI, in Int. Workshop on Fuzzy Systems Applications, Iiruka, Japan, Aug. 1988, pp. 49−50.