Ευφυής Έλεγχος, Θεωρία και Εφαρμογές

Save this PDF as:
 WORD  PNG  TXT  JPG

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "Ευφυής Έλεγχος, Θεωρία και Εφαρμογές"

Transcript

1 Ευφυής Έλεγχος, Θεωρία και Εφαρμογές Διδακτικές Σημειώσεις Τμήματος Πληροφορικής και Επικοινωνιών Τομέας Αρχιτεκτονικής Υπολογιστικών και Βιομηχανικών εφαρμογών Δρ. Βολογιαννίδης Σταύρος

2 Ευφυής Έλεγχος, Θεωρία και Εφαρμογές Δρ. Βολογιαννίδης Σταύρος, 3 Σεπτεμβρίου 29

3 Περιεχόμενα Εισαγωγή. Ευφυής έλεγχος Ασαφής έλεγχος 4 2. Ασαφή σύνολα - Βασικοί ορισμοί Πράξεις ασαφών συνόλων Σχέσεις μεταξύ ασαφών συνόλων Ασαφείς αριθμοί Πρόσθεση Αφαίρεση Πολλαπλασιασμός Διαίρεση Υπόλοιπες πράξεις Συνεπαγωγές Προσεγγιστικός συλλογισμός Ασαφείς ελεγκτές Ασαφοποίηση εισόδων Μηχανισμός συμπερασμού Αποασαφοποίηση εξόδων Γνωστοί μηχανισμοί ασαφών ελεγκτών Πραγματικά προβλήματα ελέγχου Ασαφής έλεγχος ανάστροφου εκκρεμούς Έλεγχος στάθμης υγρών Ανάλυση κανόνων Πληρότητα Συνέπεια Πλεονασμός Αλληλεπίδραση Νευρωνικός έλεγχος Νευρωνικά δίκτυα Εκπαίδευση Βιβλιογραφία 64 Ευρετήριο 66 Άδεια χρήσης 66 i

4 Κεφάλαιο Εισαγωγή Η κλασσική θεωρία συστημάτων αυτομάτου ελέγχου, συνέβαλε αποφασιστικά στην ανάπτυξη και υλοποίηση πολλών αγαθών την λειτουργία των οποίων τώρα θεωρούμε δεδομένη, όπως τα τηλέφωνα, ο αυτόματος πιλότος ενός αεροπλάνου κλπ. Παρόλη όμως την συνεχόμενη αυτή πρόοδο, το χάσμα μεταξύ θεωρίας και πράξης κυρίως στην βιομηχανία γίνεται όλο και μεγαλύτερο. Η μεγάλη ανάγκη της βιομηχανίας για ανάπτυξη μιας καινούριας θεωρίας ελέγχου που θα ανταποκρίνεται στις ανάγκες της, οδήγησε πολλούς επιστήμονες στην έρευνα νέων μη συμβατικών τεχνικών αυτομάτου ελέγχου, κάποιες από τις οποίες περιγράφονται από τον όρο Ευφυής Έλεγχος. Η εφαρμογή τεχνικών της συμβατικής θεωρίας ελέγχου για τον έλεγχο ενός συστήματος ή μιας διαδικασίας προϋποθέτει την ύπαρξη ενός πλήρους αναλυτικού μοντέλου του ελεγχόμενου συστήματος. Κάτι τέτοιο είναι συχνά αδύνατο λόγω της πολυπλοκότητας των βιομηχανικών διεργασιών ή και της αδυναμίας μετρήσεων. Αν υπάρχει ένα τέτοιο μοντέλο τότε η συνηθέστερος τύπος ελεγκτή που χρησιμοποιείται είναι αυτός των τριών όρων (PID) με υλοποίηση σε Programmable Logic Controllers (PLC). Η θεωρία του μη συμβατικού ελέγχου, αντί να προσπαθεί να μοντελοποιήσει το ελεγχόμενο σύστημα, ψάχνει να βρει ένα σύνολο λεκτικών προτάσεων που να περιγράφουν τις αντιδράσεις ενός επιτυχημένου ανθρώπου χειριστή του συστήματος, τις οποίες και προσπαθεί να περιγράψει με διάφορες τεχνικές όπως την ασαφή λογική και τα νευρωνικά δίκτυα.. Ευφυής έλεγχος Το πρόβλημα ελέγχου ενός συστήματος ή διεργασίας περιγράφεται από το ακόλουθο σχήμα. Διεργασία Προδιαγραφές Ελεγκτής Στο συμβατικό έλεγχο η διεργασία και ο ελεγκτής θεωρούνται γνωστά και μάλιστα γραμμικά με την έννοια ότι υπάρχουν γραμμικά μαθηματικά μοντέλα διαφορικών εξισώσεων

5 ΚΕΦΑΛΑΙΟ. ΕΙΣΑΓΩΓΗ 2 που τα περιγράφουν. Οι προδιαγραφές είναι ένα σύνολο κριτηρίων όπως ευστάθεια, ταχύτητα απόκρισης, υπερύψωσης κλπ που αν πληρούνται ο ελεγκτής θεωρείται επιτυχημένος. Ο όρος Ευφυής Έλεγχος αντλεί τεχνικές από διάφορες επιστήμες όπως η νευρολογία, η ψυχολογία τα μαθηματικά κλπ. Ο στόχος ενός ευφυούς ελεγκτή είναι να λειτουργεί όπως ένας επιτυχημένος άνθρωπος ελεγκτής με τους ίδιους κανόνες χωρίς όμως τα μειονεκτήματά του. Το πλεονέκτημα των ανθρώπων σαν ελεγκτές μιας διεργασίας είναι ότι μπορούν να ανταπεξέλθουν και να πάρουν αποφάσεις κάτω από συνθήκες αβεβαιότητας και να αντιδράσουν άμεσα σε απρόβλεπτες καταστάσεις. Ένας καλά σχεδιασμένος ευφυής ελεγκτής πρέπει να μπορεί να μιμηθεί τον καλύτερο άνθρωπο ελεγκτή της συγκεκριμένης διαδικασίας. Έτσι ένα πρώτο πρόβλημα που πρέπει να απαντηθεί από τον σχεδιαστή ενός ευφυούς ελεγκτή είναι η καταγραφή των κανόνων με βάση τους οποίους λειτουργεί ένας επιτυχημένος άνθρωπος ελεγκτής της διεργασίας. Η εξόρυξη αυτής της γνώσης (data mining) γίνεται είτε με συνέντευξη του χειριστή είτε με τεχνικές pattern association, γενετικών αλγορίθμων κλπ. Δεύτερο βήμα είναι η αποθήκευση αυτής των κανόνων σε μια βάση γνώσης χρησιμοποιώντας είτε συμβολική μορφή (LISP, C++, κλπ) είτε αριθμητική μορφή (ασαφής λογική, νευρωνικά δίκτυα). Έπειτα ακολουθεί η επιλογή και υλοποίηση ενός μηχανισμού συμπερασμού ο οποίος παίρνοντας σαν είσοδο κάποιες μετρήσεις από την ελεγχόμενη διαδικασία και χρησιμοποιώντας την βάση γνώσης που έχει δημιουργηθεί, βγάζει κάποια έξοδο που ανατροφοδοτείται στην ελεγχόμενη διαδικασία. Τα παραπάνω βήματα φαίνονται στο σχήμα..ο ευφυής έλεγχος συνήθως χρησιμοποιείται σε Εμπειρογνώμονες Διασύνδεση ανθρώπου μηχανής Σύστημα απόκτησης γνώσης Σύστημα αναπαράστασης και επεξήγησης Βάση γνώσης Μηχανισμός συμπερασμού Σχήμα.: Διαδικασία σχεδίασης ευφυούς ελεγκτή. εφαρμογές μεγάλης κλίμακας και πολυπλοκότητας, μια και τότε είναι πρακτικά αδύνατη η εφαρμογή συμβατικών τεχνικών. Η βασικές αρχές πάνω στις οποίες σχεδιάζεται ένας ευφυής ελεγκτής είναι οι ακόλουθες. Ορθότητα: Η ικανότητα εκτέλεσης των λειτουργικών απαιτήσεων του συστήματος με ασφάλεια. Ευρωστία: Η ικανότητα του συστήματος να παραμένει λειτουργικό κάτω από μη αναμενόμενες συνθήκες.

6 ΚΕΦΑΛΑΙΟ. ΕΙΣΑΓΩΓΗ 3 Επεκτασιμότητα: Η δυνατότητα επέκτασης του υλικού και του λογισμικού χωρίς επανασχεδίαση του συστήματος από την αρχή. Σε αυτό το μάθημα θα ασχοληθούμε με τον ασαφή και νευρωνικό έλεγχο. Στα ασαφή συστήματα η αναπαράσταση της γνώσης γίνεται μέσω ασαφών συνόλων και ασαφούς λογικής ενώ στον νευρωνικό έλεγχο μέσω μη γραμμικών σχέσεων.

7 Κεφάλαιο 2 Ασαφής έλεγχος Στα μέσα του 96 ο Lotfi A. Zadeh του πανεπιστημίου Berkeley της Καλιφόρνια εφήυρε την θεωρία των ασαφών συνόλων, η οποία λέει ότι συνήθως στον κόσμο που ζούμε τα αντικείμενα γύρω μας ανήκουν σε διάφορα σύνολα με διαφορετικούς βαθμούς συμμετοχής. Πχ. η κλάση των ψηλών ανθρώπων δεν έχει αυστηρό κριτήριο συμμετοχής. Ο ασαφής ορισμός κλάσεων παίζει πολύ μεγάλο ρόλο στην ανθρώπινη επικοινωνία. Το 965 ο Zadeh θεμελίωσε πλήρως την θεωρία των ασαφών συνόλων και της ασαφής λογικής ολοκληρώνοντας την δουλειά αρκετών άλλων μαθηματικών μέχρι τότε. Η θεωρία του Zadeh δέχθηκε μεγάλη αμφισβήτηση κυρίως στην Αμερική. Την δεκαετία του 97 ο Ebrahim H. Mamdani, μηχανικός στο πανεπιστήμιο Queen Mary του Λονδίνου δοκίμασε για πρώτη φορά την ασαφή λογική για την ανάπτυξη ενός ελεγκτή ατμομηχανής. Η επιτυχία τους οδήγησε στην αναγνώριση της ασαφούς λογικής σαν ένα σημαντικό εργαλείο αυτομάτου ελέγχου κάτι που φαίνεται και από την πληθώρα επιστημονικών δημοσιεύσεων πάνω στο θέμα. Η ελληνική βιβλιογραφία πάνω στο ασαφή έλεγχο είναι μηδαμινή. Για την συγγραφή αυτών των σημειώσεων πολύτιμα φάνηκαν τα βιβλία [3], []. 2. Ασαφή σύνολα - Βασικοί ορισμοί Η θεωρία συνόλων αρχικά αναπτύχθηκε από τον Cantor (845-98). Η θεωρία του δέχθηκε μεγάλη αμφισβήτηση και τελικά πέθανε το 98 σε ψυχιατρική κλινική. Σύνολο είναι οποιαδήποτε συλλογή - ομάδα ομοειδών πραγμάτων (πραγμάτων που έχουν ή ικανοποιούν μία συγκεκριμένη ιδιότητα). Τα μέλη της ομάδας αυτής καλούνται στοιχεία του συνόλου. Το πλήθος των στοιχείων ενός συνόλου καλείται πληθικός αριθμός του συνόλου (συμβολίζεται συνήθως με N). Υπάρχουν πεπερασμένα και άπειρα σύνολα, ανάλογα με το αν ο πληθικός τους αριθμός είναι πεπερασμένος ή άπειρος. Ορισμός 2. Έστω X ένα μη μηδενικό σύνολο. Ένα ασαφές σύνολο A του X χαρακτηρίζεται από την συνάρτηση συμμετοχής του µ A : X [, ] όπου µ A (x) είναι ο βαθμός συμμετοχής του στοιχείου x X στο ασαφές σύνολο A. Το ασαφές σύνολο A χαρακτηρίζεται πλήρως από το σύνολο των ζευγαριών A = {(x, µ A (x)) όπου x X}. Αν X = {x, x 2,..., x n } ένα πεπερασμένο σύνολο και A ένα ασαφές σύνολο του X τότε χρησιμοποιούμε τον συμβολισμό A = µ /x µ n /x n 4

8 Degree of membership ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 5 όπου µ i /x i συμβολίζει ότι µ i είναι ο βαθμός συμμετοχής του x i στο A και το + συμβολίζει την ένωση. Είναι προφανές ότι όσο μεγαλύτερο βαθμό συμμετοχής έχει ένα στοιχείο τόσο περισσότερο ανήκει στο σύνολο. Παράδειγμα 2.2 Έστω ότι έχουμε το πεπερασμένο σύνολο X = {, 5, 3, 45, 6, 75} όπου τα στοιχεία του X είναι ανθρώπινες ηλικίες σε χρόνια. Έστω επίσης ότι θέλουμε να ορίσουμε το σύνολο των νέων ανθρώπων πάνω στο σύνολο X. Η παραπάνω έννοια μπορεί να εκφραστεί από το ακόλουθο ασαφές σύνολο και γραφικά από το ακόλουθο A = / +.8/5 +.5/3 +.3/45 +./6 + / Προφανώς οι τιμές συμμετοχής του κάθε στοιχείου του X είναι υποκειμενικές. Αντίστοιχα και ίσως πιο βολικά το ασαφές σύνολο θα μπορούσαμε να το παρουσιάσουμε σε μορφή δύο πινάκων X = µ A (X) = Αν τώρα σαν X έχω το σύνολο των πραγματικών αριθμών από το μέχρι το 5 δηλαδή X = [, 5] τότε το ασαφές σύνολο των νέων ανθρώπων θα μπορούσε να οριστεί μέσω της { µ A (x) = 6 x +, x 6, 6 < x 5 η οποία γραφικά φαίνεται στο επόμενο σχήμα Young people

9 Degree of membership ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 6 Το ίδιο σύνολο θα μπορούσε να οριστεί αν σαν συνάρτηση συμμετοχής έχω την παρακάτω συνάρτηση του Gauss. Young people Όταν το σύνολο X είναι συνεχές τότε και η συνάρτηση συμμετοχής που αντιστοιχεί σε ένα ασαφές σύνολο A είναι και αυτή με τη σειρά της συνεχής. Υπάρχουν συγκεκριμένοι τύποι συναρτήσεων που χρησιμοποιούμε. Τριγωνική (Σχήμα 2.). Έχει σαν παραμέτρους τρεις πραγματικούς αριθμούς a, b, c., x a x a µ A (x) = b a, a x b c x c b, b x c, x c Στο MATLAB παράγεται από τις ακόλουθες εντολές trimf, P=[3 6 8] Σχήμα 2.: Τριγωνική συνάρτηση συμμετοχής. x = :. : ; y= t r i m f ( x, [ ] ) ; p l o t ( x, y ) x l a b e l ( t r i m f, P=[3 6 8] )

10 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 7 Τραπεζοειδής (Σχήμα 2.2). Έχει τέσσερις πραγματικούς αριθμούς σαν παραμέτρους a, b, c, d., x a x a b a, a x b µ A (x) = b x c d x d c, c x d, x d tra pmf, P=[ 5 7 8] Σχήμα 2.2: Τραπεζοειδής συνάρτηση συμμετοχής x = :. : ; y=trapmf ( x, [ ] ) ; p l o t ( x, y ) x l a b e l ( trapmf, P=[ 5 7 8] ) Καμπανοειδής (Σχήμα 2.3). Έχει σαν παραμέτρους τρεις πραγματικούς αριθμούς a, b, c. µ A (x) = + x c 2b a Η παράμετρος c δείχνει το κέντρο της καμπύλης, η b το σημείο που έχει σαν τιμή.5 και η a το σημείο που από γίνεται αυστηρά θετική. x = :. : ; y= g b e l l m f ( x, [ ] ) ; p l o t ( x, y ) x l a b e l ( gbellmf, P=[2 4 6] ) Συμμετρική συνάρτηση του Gauss (Σχήμα 2.4). Έχει σαν παραμέτρους δύο πραγματικούς αριθμούς a, c. µ A (x) = e (x c) 2 2a 2 Η c δείχνει το κέντρο της καμπύλης.

11 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ gbellmf, P=[2 4 6] Σχήμα 2.3: Καμπανοειδής συνάρτηση συμμετοχής gauss mf, P=[2 5] Σχήμα 2.4: Συνάρτηση συμμετοχής του Gauss. x = :. : ; y=gaussmf ( x, [ 2 5 ] ) ; p l o t ( x, y ) x l a b e l ( gaussmf, P=[2 5] ) Σιγμοειδής (Σχήμα 2.5). Έχει σαν παραμέτρους δύο πραγματικούς αριθμούς a, c. µ A (x) = + e a(x c) x = :. : ; y= sigmf ( x, [ 2 4 ] ) ; p l o t ( x, y ) x l a b e l ( sigmf, P=[2 4] )

12 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ sigmf, P=[2 4] Σχήμα 2.5: Σιγμοειδής συνάρτηση συμμετοχής. Z συνάρτηση (Σχήμα 2.6). Έχει σαν παραμέτρους δύο πραγματικούς αριθμούς a, b., x a ( ) 2 x a 2 b a, a x a+b 2 µ A (x) = ( ) 2 2 b x b a, a+b 2 x b, x b Τα a, b δείχνουν τα άκρα της καμπύλης zmf, P=[3 7 ] Σχήμα 2.6: Συνάρτηση συμμετοχής. x = :. : ; y=zmf ( x, [ 3 7 ] ) ; p l o t ( x, y ) x l a b e l ( zmf, P=[3 7] ) Θα συνεχίσουμε με κάποιους ορισμούς πάνω στα ασαφή σύνολα. Ορισμός 2.3 Έστω A ένα ασαφές σύνολο του X. Τότε υποστήριξη του A (sup p(a)) είναι ένα κλασσικό υποσύνολο του X του οποίου όλα τα στοιχεία έχουν μη μηδενικούς βαθμούς συμμετοχής στο A.

13 Degree of membership ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ Ορισμός 2.4 Κανονικό ασαφές σύνολο ονομάζεται το ασαφές σύνολο στο οποίο υπάρχει τουλάχιστον ένα στοιχείο με βαθμό συμμετοχής. Ορισμός 2.5 Έστω A και B δύο ασαφή σύνολα ενός συνόλου X. Τότε θα λέμε ότι το A είναι υποσύνολο του B (A B) αν µ A (x) µ B (x) για κάθε x X. Το παρακάτω γράφημα μας δείχνει τις συναρτήσεις συμμετοχής δύο ασαφών συνόλων A και B του X = [, ]. Προφανώς το A είναι υποσύνολο του B. B A A subset of B Παράδειγμα 2.6 Έστω ότι έχουμε το πεπερασμένο σύνολο X = {, 2, 4, 6, 8, } και δύο ασαφή σύνολα A και B του X ορισμένα ως εξής: Είναι εύκολο να ελεγχθεί ότι B A. X = µ A (X) = µ B (X) = Ορισμός 2.7 Το κενό ασαφές σύνολο του X που θα συμβολίζεται με είναι το σύνολο με συνάρτηση συμμετοχής µ (x) = για κάθε x X. Προφανώς για κάθε ασαφές σύνολο A του X ισχύει A. Ορισμός 2.8 Καθολικό ασαφές σύνολο X του X είναι το σύνολο με συνάρτηση συμμετοχής µ X (x) = για κάθε x X. Προφανώς για κάθε ασαφές σύνολο A του X ισχύει A X. Ορισμός 2.9 Ασαφές σημείο x ή singleton θα ονομάζεται το ασαφές σύνολο που ορίζεται από την ακόλουθη συνάρτηση συμμετοχής {, x = x µ x (x) = (2.), x x 2.2 Πράξεις ασαφών συνόλων Ορισμός 2. Ας θεωρήσουμε δύο ασαφή σύνολα A και B ορισμένα πάνω στο ίδιο κλασσικό σύνολο X. Τότε η τομή A B αυτών των δύο συνόλων είναι και αυτή ένα ασαφές σύνολο του X με συνάρτηση συμμετοχής µ A B (x) := µ A (x) µ B (x)

14 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ όπου είναι ο τελεστής ελαχίστου του Mamdani ή o τελεστής γινομένου του Larsen µ A B (x) = min {µ A (x), µ B (x), για κάθε x X} (2.2) µ A B (x) = µ A (x)µ B (x) (2.3) Αντίστοιχα η ένωση A B είναι ένα ασαφές σύνολο του X με συνάρτηση συμμετοχής όπου ο τελεστής μεγίστου του Mamdani ή ο τελεστής probor µ A B (x) := µ A (x) µ B (x). µ A B (x) = max {µ A (x), µ B (x), για κάθε x X} (2.4) µ A B (x) = µ A (x) + µ B (x) µ A (x)µ B (x) (2.5) Ορισμός 2. Το συμπλήρωμα A ενός ασαφούς συνόλου A είναι ένα ασαφές σύνολο του X με συνάρτηση συμμετοχής µ A (x) = µ A (x). Παρατήρηση 2.2 Η τομή δύο συνόλων αντιστοιχεί στο λεκτικό ΚΑΙ (AND) ενώ η ένωση στο λεκτικό Ή (OR). Το συμπλήρωμα αντιστοιχεί στην άρνηση μιας πρότασης. Αξίζει να σημειωθεί ότι οι πράξεις όπως ορίστηκαν πριν είναι ορισμένες και για συνεχή και για διακριτά ασαφή σύνολα. Επειδή τα συνεχή ασαφή σύνολα προϋποθέτουν πράξεις με συνεχείς συναρτήσεις, κάτι που είναι αρκετά πολύπλοκο, στα επόμενα παραδείγματα θα επικεντρωθούμε στην διακριτή περίπτωση. Παράδειγμα 2.3 Μια τετραμελής οικογένεια θέλει να αγοράσει ένα σπίτι. Έστω X = {, 2, 3, 4, 5, 6, 7, 8, 9, } το σύνολο των διαθέσιμων για αγορά σπιτιών χαρακτηρισμένα από τον αριθμό των δωματίων τους. Η οικογένεια έχει δύο κριτήρια για το καλύτερο σπίτι. Το πρώτο είναι το να είναι βολικό και το δεύτερο να είναι μεγάλο. Έστω το ασαφές σύνολο A που περιγράφει την έννοια βολικό και B αυτό που περιγράφει την έννοια μεγάλο. Οι συναρτήσεις συμμετοχής των συνόλων αυτών συμπληρώνονται μετά από συνέντευξη με την οικογένεια ως εξής. X = µ A (X) = µ B (X) = Το σύνολο που περιγράφεται από την πρόταση βολικό ΚΑΙ μεγάλο είναι σύμφωνα με τα παραπάνω η τομή των A και B η οποία με τον τελεστή min δίνεται από τον ακόλουθο πίνακα. µ A B (X) = Άρα η καλύτερη επιλογή για την οικογένεια που ψάχνει σπίτι βολικό ΚΑΙ μεγάλο είναι το σπίτι που έχει το μεγαλύτερο βαθμό συμμετοχής στο A B δηλαδή αυτό με τα 5 δωμάτια (µ A B (5) =.6).

15 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 2 Αντίστοιχα αν η οικογένεια έψαχνε σπίτι βολικό Ή μεγάλο θα δημιουργούσαμε την ένωση µ A B (X) διαλέγοντας π.χ. τον τελεστή min. µ A B (X) = Αντίστοιχα με τον τελεστή probor θα είχαμε µ A B (X) = Αν τέλος η οικογένεια ήθελε για οικονομικούς λόγους σπίτι βολικό ΚΑΙ ΟΧΙ μεγάλο όπου το ΚΑΙ αντιστοιχεί στο τελεστή min τότε το ασαφές σύνολο C που αντιστοιχεί είναι το C = A ( B). Έτσι έχουμε µ B (X) = µ A (X) = µ C (X) = και σε αυτή την περίπτωση η βέλτιστη απόφαση θα ήταν να αγοράσουν το σπίτι με τα 3 δωμάτια. Παράδειγμα 2.4 Έστω δύο ασαφή σύνολα A και B ορισμένα πάνω στο ίδιο μη πεπερασμένο σύνολο X. Οι συναρτήσεις συμμετοχής τους φαίνονται στο παρακάτω γράφημα Β Ε Η Ο Α Δ Γ Ζ όπου η συνάρτηση συμμετοχής του A είναι αυτή που σχηματίζεται από τα ευθύγραμμα τμήματα ΟΑΒΓΖ και του B από τα ΟΔΕΖ. Η τομή A B θα έχει συνάρτηση συμμετοχής την ΟΔΗΓΖ ενώ η ένωση A B την ΟΑΒΗΕΖ. Παράδειγμα 2.5 Έστω δύο ασαφή σύνολα A και B ορισμένα πάνω στο ίδιο συνεχές σύνολο X = [, ]. Οι συναρτήσεις συμμετοχής των είναι αυτές των σχημάτων 2.5 και 2.6 δηλαδή η µ A (X) είναι σιγμοειδής με a = 2, c = 4 και η µ B (X) Ζ συνάρτηση με a = 3, b = 7. Για την τομή A B χρησιμοποιούμε τον τελεστή του ελαχίστου (2.2). x = :. : ; y= sigmf ( x, [ 2 4 ] ) ; y2=zmf ( x, [ 3 7 ] ) ; y=min ( y, y2 ) ; p l o t ( x, y ) x l a b e l ( I n t e r s e c t i o n of A and B )

16 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ Intersection of A and B A B με τον τελεστή του ελαχίστου. Παράδειγμα 2.6 Με τον τελεστή γινομένου (2.3) έχουμε: x = :. : ; y= sigmf ( x, [ 2 4 ] ) ; y2=zmf ( x, [ 3 7 ] ) ; y=y*y2 ; p l o t ( x, y ) x l a b e l ( prod i n t e r s e c t i o n of A and B ) prod intersection of A and B A B με τον τελεστή του γινομένου. Παράδειγμα 2.7 Αντίστοιχα η ένωση A B με τον τελεστή max (2.4) θα έχει σαν συνάρτηση συμμετοχής το μέγιστο των µ A (X) και µ B (X). x = :. : ; y= sigmf ( x, [ 2 4 ] ) ; y2=zmf ( x, [ 3 7 ] ) ; y=max ( y, y2 ) ; p l o t ( x, y ) x l a b e l ( Union of A and B )

17 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ Union of A and B A B με τον τελεστή max. Παράδειγμα 2.8 ενώ με τον τελεστή probor (2.5) έχουμε x = :. : ; y= sigmf ( x, [ 2 4 ] ) ; y2=zmf ( x, [ 3 7 ] ) ; y=probor ( [ y ; y2 ] ) ; p l o t ( x, y ) x l a b e l ( p r o b o r union of A and B ) probor union of A and B A B με τον τελεστή probor. Παράδειγμα 2.9 Παρατηρούμε ότι τα αποτελέσματα του max με τον probor μοιάζουν πολύ όπως και αυτά του min με τον prod με την διαφορά ότι οι δεύτεροι τελεστές κάνουν τις καμπύλες πιο ομαλές. Εκτός από τις παραπάνω βασικές πράξεις που ορίστηκαν, υπάρχουν και κάποιες πράξεις που χρησιμοποιούμε συχνά για να περιγράψουμε κάποιες έννοιες. Ορισμός 2.2 Λεκτικός μετατροπέας ονομάζεται μια πράξη πάνω σε ένα ασαφές σύνολο που μετατρέπει την λεκτική έννοια αυτού του συνόλου. Χαρακτηριστικό παράδειγμα ενός λεκτικού μετατροπέα είναι το ΠΟΛΥ. Έτσι συνεχίζοντας το προηγούμενο παράδειγμα το ασαφές σύνολο ΠΟΛΥ μεγάλο που θα συμβολίζεται B 2 ορίζεται από την συνάρτηση συμμετοχής µ B 2(x) = (µ B (x)) 2. Αντίστοιχα

18 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 5 ο λεκτικός μετατροπέας ΠΕΡΙΠΟΥ ή ΣΧΕΔΟΝ αν τον εφαρμόσουμε στο ασαφές σύνολο B, θα συμβολίζεται B /2 ορίζεται από την συνάρτηση συμμετοχής µ B /2(x) = µb (x) µ B (X) = µ B 2(X) = µ B /2(X) = Παράδειγμα 2.2 Συνεχίζοντας το παράδειγμα 2.5 θα βρούμε με τη βοήθεια του MATLAB την συνάρτηση συμμετοχής του A ( B 2 ). x = :. : ; y= sigmf ( x, [ 2 4 ] ) ; y2=zmf ( x, [ 3 7 ] ) ; y2d= y2. ^ 2 ; y=min ( y, y2d ) ; p l o t ( x, y ) Παράδειγμα 2.22 Συνάρτηση συμμετοχής του A ( B 2 ). Πιο κάτω αναφέρονται κάποιες βασικές ιδιότητες της ένωσης και της τομής ασαφών συνόλων. Μεταβατική ιδιότητα Προσεταιριστική ιδιότητα Επιμεριστική ιδιότητα A B = B A A B = B A (A B) C = A (B C) (A B) C = A (B C) A (B C) = (A B) (B C) A (B C) = (A B) (B C)

19 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 6 Ιδιότητα του De Morgan (A B) = A B (A B) = A B Απορροφητική ιδιότητα (A B) A = A (A B) A = A Τέλος ισχύει A A = A A A = A Αξίζει να σημειωθεί ότι A ( A) X και A ( A). 2.3 Σχέσεις μεταξύ ασαφών συνόλων Στον ασαφή έλεγχο η σχέσεις μεταξύ αντικειμένων παίζουν σημαντικό ρόλο. Μερικές σχέσεις αφορούν στοιχεία μέσα στο ίδιο σύνολο, πχ μια μέτρηση είναι μεγαλύτερη από κάποια άλλη. Άλλες σχέσεις ορίζονται μεταξύ διαφόρων συνόλων, πχ μια μέτρηση έχει μεγάλη τιμή και ταχύτητα μεταβολής της είναι θετική κλπ. Ένα απλό παράδειγμα μιας ασαφούς σχέσης είναι η ομοιότητα δύο ανθρώπων. Πχ ο Τάσος μοιάζει με τον Κώστα με βαθμό.7 ενώ ο Κώστας με τον Θανάση σε βαθμό.3. Το παραπάνω παράδειγμα είναι μια σχέση μεταξύ δύο στοιχείων αλλά γενικά είναι δυνατόν να ορίσουμε σχέσεις με περισσότερα από δύο στοιχεία. Ορισμός 2.23 Έστω X και Y δύο μη κενά σύνολα. Μια ασαφής σχέση R μεταξύ αυτών των δύο συνόλων είναι ένα ασαφές σύνολο του καρτεσιανού γινομένου X Y. Αν x X και y Y τότε με R(x, y) θα συμβολίζεται ο βαθμός συμμετοχής του διατεταγμένου ζεύγους (x, y) στην σχέση R. Παράδειγμα 2.24 Έστω X = {Τάσος, Γιώργος, Βασίλης} και Y = {Διονυσία, Δέσποινα}. Αν ορίσουμε μια σχέση R ανάμεσα σε αυτά τα δύο σύνολα προσπαθώντας να εκφράσουμε τον βαθμό συμπάθειας μεταξύ των στοιχείων του X και του Y τότε θα πρέπει να βρούμε το βαθμό συμμετοχής στη σχέση καθενός από τα διατεταγμένα ζεύγη (x, y) όπου x X και y Y. Έστω ότι R (Τάσος, Διονυσία) =.4, R (Γιώργος, Διονυσία) =.8, R (Βασίλης, Διονυσία) =.5, R (Τάσος, Δέσποινα) =.7, R (Γιώργος, Δέσποινα) =.5, R (Βασίλης, Δέσποινα) =.8. Κάτι τέτοιο είναι απλό να το εκφραστεί με ένα πίνακα της παρακάτω μορφής R Διονυσία Δέσποινα Τάσος.4.7 Γιώργος.8.5 Βασίλης.5.8

20 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 7 Πράξεις μεταξύ ασαφών σχέσεων Ορισμός 2.25 Τομή μεταξύ δύο ασαφών σχέσεων R και R 2 ορισμένων πάνω σε δύο μη κενά σύνολα X και Y ορίζεται η σχέση R R 2 με συνάρτηση συμμετοχής την όπου το είναι είτε το ελάχιστο (2.2) είτε το γινόμενο (2.3) (R R 2 ) (x, y) = R (x, y) R 2 (x, y) (R R 2 ) (x, y) = min {R (x, y), R 2 (x, y)} (R R 2 ) (x, y) = R (x, y)r 2 (x, y) Ορισμός 2.26 Ένωση μεταξύ δύο ασαφών σχέσεων R και R 2 ορισμένων πάνω σε δύο μη κενά σύνολα X και Y ορίζεται η σχέση R R 2 με συνάρτηση συμμετοχής την όπου είναι είτε το μέγιστο είτε το probor (R R 2 ) (x, y) = R (x, y) R 2 (x, y) (R R 2 ) (x, y) = max {R (x, y), R 2 (x, y)} (R R 2 ) (x, y) = R (x, y) + R 2 (x, y) R (x, y)r 2 (x, y). Συνεχίζοντας το παράδειγμα 2.24 ας ορίσουμε και μια δεύτερη σχέση R 2 που εκφράζει τον βαθμό συμβατότητας των χαρακτήρων των X και Y. R 2 Διονυσία Δέσποινα Τάσος.4.6 Γιώργος.3.6 Βασίλης.5.5 Αν θέλουμε να βρούμε την σχέση που λεκτικά εκφράζεται από το Ο x συμπαθεί τον y ΚΑΙ ο x είναι συμβατός με τον y, χρειάζεται να υπολογίσουμε την τομή των δύο σχέσεων. R R 2 Διονυσία Δέσποινα Τάσος.4.6 Γιώργος.3.5 Βασίλης.5.5 Αντίστοιχα η ένωση R R 2 ερμηνεύεται ως Ο x συμπαθεί τον y Ή ο x είναι συμβατός με τον y R R 2 Διονυσία Δέσποινα Τάσος.4.7 Γιώργος.8.6 Βασίλης.5.8 Ορισμός 2.27 Καρτεσιανό γινόμενο A B μεταξύ δυο ασαφών συνόλων A και B ορίζεται ως η ασαφής σχέση με συνάρτηση συμμετοχής για όλα τα x A και y B. (A B) (x, y) = min {µ A (x), µ B (y)}

21 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 8 Ορισμός 2.28 Sup min ή αλλιώς max min σύνθεση A R ενός ασαφούς συνόλου A του X με μια σχέση R ορισμένης πάνω σε δύο μη κενά σύνολα X και Y είναι ένα ασαφές σύνολο ορισμένο στο Y με συνάρτηση συμμετοχής για κάθε y Y. µ A R (y) = sup min {µ A (x), R(x, y)} (2.6) x X Αντίστοιχα με την sup min σύνθεση ορίζεται η max prod σύνθεση και η max average σύνθεση. Ορισμός 2.29 max prod σύνθεση A R ενός ασαφούς συνόλου A του X με μια σχέση R ορισμένης πάνω σε δύο μη κενά σύνολα X και Y είναι ένα ασαφές σύνολο ορισμένο στο Y με συνάρτηση συμμετοχής για κάθε y Y. µ A R (y) = max x X {µ A(x) R(x, y)} (2.7) Ορισμός 2.3 max average σύνθεση A < + > R ενός ασαφούς συνόλου A του X με μια σχέση R ορισμένης πάνω σε δύο μη κενά σύνολα X και Y είναι ένα ασαφές σύνολο ορισμένο στο Y με συνάρτηση συμμετοχής για κάθε y Y. µ A R (y) = max x X { 2 (µ A(x) + R(x, y)) } (2.8) Παράδειγμα 2.3 Έστω X = {, 25, 5, 75} και Y = {4, 7, 42, 8} δύο σύνολα. Ας ορίσουμε το ασαφές σύνολο A στο X ως μεγάλοι θετικοί αριθμοί με συνάρτηση συμμετοχής µ A (x) = / +.34/25 +.7/5 + /75. Έστω επιπλέον η σχέση R(x, y) = x y 8 ορισμένη πάνω στα X και Y που δηλώνει πόσο κοντά είναι οι αριθμοί x και y μεταξύ τους. R Τότε με βάση τον ορισμό της sup min σύνθεσης ασαφούς συνόλου με σχέση έχουμε A R = (/ +.34/25 +.7/5 + /75) και το αποτέλεσμα είναι A R = SUP X R min{.95,} min{.7875,} min{.475,} min{,} min{.7375,.34} min{.9,.34} min{.7875,.34} min{.325,.34} min{.425,.7} min{.5875,.7} min{.9,.7} min{.625,.7} min{.25,} min{.275,} min{.5875,} min{.9375,} =

22 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 9 και άρα = SUP X A R =.425/ /7 +.7/ /8. (2.9) Αντίστοιχα η max prod σύνθεση δίνεται από A R = MAX X = MAX X A R =.2975/ /7 +.63/ /8 = To A R (ή αντίστοιχα το A R) είναι ένα ασαφές σύνολο ορισμένο στο Y και λεκτικά θα μπορούσε να μας ορίζει τους μεγάλους θετικούς αριθμούς στο Y. Έτσι το 4 βγαίνει ότι ανήκει κατά.425 στο ασαφές σύνολο των μεγάλων θετικών αριθμών ενώ πχ το 8 κατά Ένας απλός τρόπος για να κάνουμε την sup min σύνθεση είναι να την προσομοιώσουμε με πολλαπλασιασμό των πινάκων A R = [.34.7 ] όπου ο πολλαπλασιασμός είναι η πράξη min ενώ η πρόσθεση το max. Έτσι θα έχω ότι A R = [ α β γ δ ] όπου α = ( ) (.34.34) (.7.425) (.25) =.425 β = ( ) (.34.34) ( ) (.275) =.5875 γ = ( ) (.34.34) (.7.7) (.5875) =.7 δ = ( ) ( ) (.7.625) (.9375) =.9375 καταλήγοντας έτσι στο ίδιο αποτέλεσμα με την (2.9). Αντίστοιχα μπορεί να γίνουν και οι άλλες δύο συνθέσεις. Ας συνεχίσουμε με την σύνθεση δύο σχέσεων. Από εδώ και πέρα με το συμβολισμό R F (X Y ) θα εννοούμε ότι R είναι μια σχέση ορισμένη στα σύνολα X και Y με αυτή τη σειρά.

23 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 2 Ορισμός 2.32 Έστω δύο σχέσεις R F (X Y ) και R 2 F (Y Z). Τότε η sup-min σύνθεση R R 2 F (X Z) ορίζεται ως η σχέση με συνάρτηση συμμετοχής (R R 2 ) (x, z) = sup min {R (x, y), R 2 (y, z)}. y Y Τελείως ανάλογα ορίζονται η max prod και η max average συνθέσεις σχέσεων. Παράδειγμα 2.33 Έστω X = {Τάσος, Γιώργος, Βασίλης}, Y = {Κώστας, Δημήτρης}, Z = {Γρηγόρης, Αντώνης}. Ας θεωρήσουμε την σχέση ομοιότητας (κατά πόσο ο x μοιάζει εμφανισιακά με τον y) R μεταξύ των X και Y και μια αντίστοιχη σχέση R μεταξύ Y και Z. R Κώστας Δημήτρης Τάσος.3.7 Γιώργος.7.2 Βασίλης.4.5 R 2 Γρηγόρης Αντώνης Κώστας.8.2 Δημήτρης.4.7 Η σύνθεση R R 2 των παραπάνω σχέσεων μας παράγει μια σχέση μεταξύ των X και Z. R R 2 = R R 2 Γρηγόρης Αντώνης Τάσος.4.7 Γιώργος.7.2 Βασίλης Ασαφείς αριθμοί Οι ασαφείς αριθμοί χρησιμοποιούνται σε εφαρμογές όπου είναι επιθυμητή η αναπαράσταση της αβεβαιότητας των αριθμητικών δεδομένων. Ένας εύκολος τρόπος να φανταστούμε ένα ασαφή αριθμό είναι η έκφραση περίπου 7. Ένας πιο αυστηρός ορισμός των ασαφών αριθμών είναι ο ακόλουθος. Ορισμός 2.34 Ένας ασαφής αριθμός A είναι ένα ασαφές σύνολο ορισμένο πάνω στους πραγματικούς αριθμούς με μια κανονική, κυρτή και συνεχή συνάρτηση συμμετοχής με πεπερασμένη υποστήριξη. Αντίστοιχα μπορεί να οριστεί ένας ασαφής ορισμός σε διακριτά απειροσύνολα όπως οι ακέραιοι αριθμοί. Όλες οι πράξεις ασαφών συνόλων που έχουμε ορίσει πιο πριν ισχύουν προφανώς και για τους ασαφείς αριθμούς. Ένας άλλος τρόπος για να συμβολίζουμε τους ασαφείς αριθμούς πχ τον 7 είναι με 7. Επίσης ανάλογα με την εφαρμογή, ο καθένας μπορεί να διαλέξει διαφορετικές συναρτήσεις συμμετοχής για τον ίδιο ασαφή αριθμό.

24 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ Ο ασαφής αριθμός 7. Άλλος ένας τρόπος ορισμού του ασαφούς αριθμού 7 όταν τον ορίσουμε πάνω στους ακέραιους αριθμούς είναι ο ακόλουθος 7 =/ + /2 + /3 +.2/4 +.4/5 +.7/6 + /7 +.7/8 +.4/9 +.2/ Ας συνεχίσουμε ορίζοντας τις a-τομές ενός ασαφούς συνόλου. Ορισμός 2.35 a-τομή ενός ασαφούς συνόλου A (και κατά συνέπεια ενός ασαφούς αριθμού A) όπου α [, ], είναι ένα υποσύνολο A α του συνόλου αναφοράς τέτοιο ώστε A α = [α (a), α(a) 2 ] = {x µ A(x) α} Έστω ένα ασαφές σύνολο που παριστάνει τον ασαφή αριθμό 7 και φαίνεται στο επόμενο σχήμα. Τότε A.5 = [4, 6].9 A τομή του ασαφούς αριθμού 7. Αντίστοιχα A = [7] ή για να ακολουθείται ο ίδιος συμβολισμός A = [7, 7]. Ένας τρόπος να περιγράψουμε ένα διακριτό ασαφές σύνολο είναι μέσα ένα σύνολο τέτοιων a-τομών. Στα ακόλουθα θα ασχοληθούμε με διακριτούς ασαφής αριθμούς.

25 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ Πρόσθεση Ορισμός 2.36 Πρόσθεση δύο ασαφών αριθμών A και B που περιγράφονται με a-τομές είναι το ασαφές σύνολο C = A + B που περιγράφεται από C α = A α + B α = [α (a), α(a) 2 ] + [b(a), b(a) 2 ] = = [α (a) + b (a), α(a) 2 + b (a) 2 ], α [, ] Ένας άλλος ισοδύναμος τρόπος να κάνουμε πρόσθεση ασαφών αριθμών είναι μέσω του ακόλουθου τύπου Παράδειγμα 2.37 Έστω ο ασαφής αριθμός µ A+B (z) = z=x+y [µ A(x) µ B (y)]. 7 = A = /+/2+/3+/4+.2/5+.6/6+/7+.6/8+.2/9+/+/+... και ο 3 = B =.3/ +.7/2 + /3 +.7/4 +.3/5 + /6 + /7 + / Ας υπολογίσουμε τον ασαφή αριθμό (7 + 3) = C. Ένας τρόπος αναπαράστασης των αριθμών είναι και ο ακόλουθος: : :

26 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 23 Σύμφωνα με τον ορισμό της πρόσθεσης έχουμε C. = A. + B. = [, 5] + [5, 9] = [6, 4] C.2 = A.2 + B.2 = [, 5] + [5, 9] = [6, 4] C.3 = A.3 + B.3 = [, 5] + [6, 8] = [7, 3] Συνεχίζοντας ανάλογα παρατηρούμε ότι C.4 = C.5 = C.6 = [8, 2] C.7 = [9, ] και C.8 = C.9 = C = [] Άρα : ή αλλιώς =/ /5 +.2/6 +.6/7 +.6/8 +.7/9+ + / +.7/ +.6/2 +.6/3 +.2/4 + / Αφαίρεση Ορισμός 2.38 Αφαίρεση δύο ασαφών αριθμών A και B που περιγράφονται με a-τομές είναι το ασαφές σύνολο C = A B που περιγράφεται από C α = A α + B α = [α (a), α(a) 2 ] [b(a), b(a) 2 ] = Έτσι η πράξη 7 3 = B A γίνεται ως εξής: Αντίστοιχα = [α (a) b (a) 2, α(a) 2 b (a) ], α [, ] C. = A. + B. = [5, 9] [, 5] = [5 5, 9 ] = [, 8] C.2 = C.

27 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 24 και Άρα C.3 = [6, 8] [, 5] = [, 7] C.4 = C.5 = C.6 = [6, 8] [2, 4] = [2, 6] C.7 = [7, 7] [2, 4] = [3, 5] C.8 = C.9 = C = [4]. 7 3 =.2/+.3/+.6/2+.7/3+/4+.7/5+.6/6+.3/7+.2/8+/9+... ή αλλιώς 7 3 : Στο επόμενο σχήμα φαίνεται η αφαίρεση 8 5 αν τα ασαφή σύνολα είναι συνεχή Πολλαπλασιασμός Αφαίρεση ασαφών αριθμών, 8 5 Όπως και στην αφαίρεση θα ορίσουμε τον πολλαπλασιασμό δύο ασαφών αριθμών μέσω των α-τομών.

28 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 25 Ορισμός 2.39 Πολλαπλασιασμός δύο ασαφών αριθμών A και B που περιγράφονται με a-τομές είναι το ασαφές σύνολο C = A B που περιγράφεται από C α = A α B α = [α (a), α(a) 2 ] [b(a), b(a) 2 ] = = [α (a) b (a), α(a) 2 b (a) 2 ], α [, ] Αντίστοιχα ορίζεται και ο πολλαπλασιασμός μεταξύ ασαφούς αριθμού A και ενός κανονικού αριθμού k ως εξής C = k A := [k, k] [α (a), α(a) 2 ] = [kα(a), kα(a) 2 ]. Σαν παράδειγμα και χωρίς παραπάνω εξηγήσεις φαίνεται πιο κάτω ο πολλαπλασιασμός δύο συνεχών ασαφών αριθμών του 8 και του 2..9 B A.8.7 C=AB Διαίρεση Πολλαπλασιασμός ασαφών αριθμών Ορισμός 2.4 Διαίρεση δύο ασαφών αριθμών A και B που περιγράφονται με a-τομές είναι το ασαφές σύνολο C = A/B που περιγράφεται από C α = A α /B α = [α (a), α(a) 2 ]/[b(a), b(a) 2 ] = = [ α (a) b (a) 2 ], α(a) 2, α [, ] b (a) Υπόλοιπες πράξεις Αντίστοιχα μέσω των a-τομών ορίζονται και υπόλοιπες πράξεις μεταξύ ασαφών αριθμών όπως η εύρεση μεγίστου ή ελαχίστου κλπ. 2.5 Συνεπαγωγές Έστω οι προτάσεις p = x ανήκει στο σύνολο A και q = y ανήκει στο σύνολο B όπου A και B είναι κλασσικά σύνολα. Η πρόταση p συνεπάγεται q που θα συμβολίζεται R : p q, ερμηνεύεται ως (p q) δηλαδή ότι δεν μπορεί να αληθεύει το p και να

29 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 26 μην αληθεύει το q. Η πλήρης ερμηνεία της συνεπαγωγής είναι ότι ο βαθμός αλήθειας της p q καθορίζει κατά πόσο το q αληθεύει τουλάχιστον κατά τον ίδιο βαθμό όσο το p δηλαδή R : p q αληθές τ(p) τ(q) ή αλλιώς R : p q = {, τ(p) τ(q), τ(p) > τ(q) όπου τ(p) = ή, ο βαθμός αλήθειας της πρότασης p. Παρατηρείστε ότι (p q) = p q. Το αριστερό τμήμα της συνεπαγωγής ονομάζεται το τμήμα της υπόθεσης ενώ το δεξί το τμήμα του συμπεράσματος. Έστω τώρα όλοι οι δυνατοί συνδιασμοί αλήθειας των προτάσεων p και q. τ(p) τ(q) Τότε σύμφωνα με την κλασσική λογική ο πίνακας αλήθειας της φυσικής συνεπαγωγής είναι ο ακόλουθος τ(p) τ(q) τ(p q) Ένας άλλος τρόπος για να γραφεί το παραπάνω είναι μέσω του ακόλουθου πίνακα:. τ(p q) = p\q Μια επέκταση της φυσικής συνεπαγωγής R : p q χρησιμοποιώντας ασαφή σύνολα A και B ορισμένα πάνω στα X και Y αντίστοιχα είναι η σχέση R μεταξύ των A και B µ R (x, y) = {, µa (x) µ B (y), µ A (x) > µ B (y) (2.) που ονομάζεται αυστηρή συνεπαγωγή. Άλλη μια επέκταση της φυσικής συνεπαγωγής είναι η συνεπαγωγή Gödel όπου {, µ µ R (x, y) = A (x) µ B (y) (2.) µ B (y), µ A (x) > µ B (y) και η συνεπαγωγή Larsen όπου µ R (x, y) = µ A (x)µ B (y). (2.2) Ο πιο διαδεδομένος τελεστής συνεπαγωγής στα ασαφή σύνολα είναι αυτός του Mamdani που ορίζεται από την ακόλουθη σχέση µ R (x, y) = min{µ A (x), µ B (y)}. (2.3)

30 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 27 Ένας από τους λόγους για την ευρεία διάδοσή του είναι ότι είναι γρήγορος υπολογιστικά. Ας θεωρήσουμε τώρα τα διακριτά ασαφή σύνολα A = / +.8/ +.5/2 και B =.2/ +.8/. Τότε ο πίνακας αλήθειας της συνεπαγωγής R : p q χρησιμοποιώντας τον τελεστή συνεπαγωγής του Mamdani είναι ο ακόλουθος R = R : x\y min{,.2} min{,.8} min{.8,.2} min{.8,.8} 2 min{.5,.2} min{.5,.8} ή μετά από απλές πράξεις R = R : x\y Αντίστοιχα χρησιμοποιώντας τον τελεστή συνεπαγωγής του Larsen έχουμε R = R : x\y = R : x\y.2.8, Παρατηρούμε ότι ο πίνακας αλήθειας της συνεπαγωγής έχει στοιχεία κοντά στο ένα (αληθή) στις περιπτώσεις για τις οποίες φαίνεται να μιλάει ο κανόνας. Έτσι στο παραπάνω παράδειγμα το αίτιο του κανόνα ασχολείται κυρίως με τα στοιχεία και του X ενώ το συμπέρασμα με το. Γι αυτό και στον R οι αντίστοιχες θέσεις είναι κοντά στο. Αν τώρα έχουμε n το πλήθος ασαφείς συνεπαγωγές R : p q... R n : p n q n τότε εννοείτε ότι συνδέονται μεταξύ τους με το λεκτικό Ή, δηλαδή ο συνολικός πίνακας αλήθειας προκύπτει από την ένωση των επιμέρους πινάκων με την προϋπόθεση πάντα ότι εμπλέκονται τα ίδια σύνολα κλασσικά σύνολα X και Y. Έστω τώρα ότι στο τμήμα της υπόθεσης υπάρχουν παραπάνω από μία μεταβλητές δηλαδή έχουμε μια συνεπαγωγή της μορφής R : ΑΝ x είναι A ΚΑΙ x 2 είναι A 2 ΤΟΤΕ y είναι B όπου x X, x 2 X 2, y Y. Τότε η σύνθετη υπόθεση ΑΝ x είναι A ΚΑΙ x 2 είναι A 2 ερμηνεύεται ως ένα ασαφές σύνολο A ορισμένο στο X X 2 και με συνάρτηση συμμετοχής µ A (x, x 2 ) = µ A (x ) µ A2 (x 2 ) όπου ο τελεστής της τομής (Mamdani ή Larsen). Αν είχα το λεκτικό Ή, τότε θα χρησιμοποιούσα τον τελεστή της ένωσης δηλαδή µ A (x, x 2 ) = µ A (x ) µ A2 (x 2 ). Τότε ο πίνακας αλήθειας της συνεπαγωγής υπολογίζεται από µ R (x, x 2, y) = µ R (µ A (x, x 2 ), µ B (y)) (2.4)

31 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 28 Παράδειγμα 2.4 Ας θεωρήσουμε τα διακριτά ασαφή σύνολα A = /+.8/+.5/2, A 2 = / +.3/ και B =.2/ +.8/2. Έστω επίσης η συνεπαγωγή R : ΑΝ x είναι A ΚΑΙ x 2 είναι A 2 ΤΟΤΕ y είναι B. Θα υπολογίσω τον πίνακα αλήθειας της συνεπαγωγής, ο οποίος θα έχει τρεις διαστάσεις, χρησιμοποιώντας τελεστή τομής και συνεπαγωγής αυτόν του Mamdani. Υπολογίζω πρώτα τα βαθμούς αλήθειας της υπόθεσης µ A (x, x 2 ) = µ A (x ) µ A2 (x 2 ) = min{µ A (x ), µ A2 (x 2 )}. Άρα πέρνοντας όλους τους συνδυασμούς των στοιχείων του X και του X 2 έχω µ A (, ) = = µ A (, ) =.3 =.3 µ A (, ) =.8 =.8 µ A (, ) =.8.3 =.3 µ A (2, ) =.5 =.5 µ A (2, ) =.5.3 =.3 Έτσι ο πίνακας αλήθειας υπολογίζεται από τον τύπο (2.4) και μπορεί να γραφεί ως εξής R = R : (x, x 2 )\y 2 (, ) min{,.2} min{,.8} (, ) min{.3,.2} min{.3,.8} (, ) min{.8,.2} min{.8,.8} (, ) min{.3,.2} min{.3,.8} (2, ) min{.5,.2} min{.5,.8} (2, ) min{.3,.2} min{.3,.8} R = R : (x, x 2 )\y 2 (, ).2.8 (, ).2.3 (, ).2.8 (, ).2.3 (2, ).2.5 (2, ).2.3 Έστω τώρα ότι εκτός του παραπάνω κανόνα υπάρχει και ένας δεύτερος της μορφής με πίνακα αλήθειας R 2 : ΑΝ x είναι C ΚΑΙ x 2 είναι C 2 ΤΟΤΕ y είναι D. R 2 = R 2 : (x, x 2 )\y 2 (, )..9 (, ).6.2 (, ).2.8 (, ).3 (2, ).8 (2, ).3

32 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 29 Τότε ο συνολικός πίνακας συνεπαγωγής θα δίνεται από την ένωση των δύο ασαφών σχέσεων R R 2. Δηλαδή αν χρησιμοποιήσω τελεστή ένωσης το max έχω: R R 2 = R R 2 : (x, x 2 )\y 2 (, ).2.9 (, ).6.3 (, ).2.8 (, ).2.3 (2, ).2.8 (2, ) Προσεγγιστικός συλλογισμός Στην συμπερασματική συλλογιστική, δεδομένων αληθών προτάσεων το συμπέρασμα που βγαίνει δεν μπορεί να είναι ψευδές. Κλασσικό παράδειγμα συμπερασματικής συλλογιστικής είναι το ακόλουθο: Πρόταση Όλοι οι άνθρωποι είναι θνητοί Γεγονός Ο Σωκράτης είναι άνθρωπος Συμπέρασμα Ο Σωκράτης είναι θνητός Ο έλεγχος διαδικασιών ή συστημάτων με ασαφείς ελεγκτές προϋποθέτει την ύπαρξη κάποιων λεκτικών κανόνων που περιγράφουν τις αντιδράσεις ενός ανθρώπου χειριστή. Αυτοί οι κανόνες περιγράφονται από ένα σύνολο προτάσεων της μορφής ΑΝ Α τότε Β. Είναι προφανές ότι σε πολύπλοκες διαδικασίες δεν είναι γνωστοί όλοι οι κανόνες εκ των προτέρων. Άρα ζητείτε ένας μηχανισμός που μπορεί να παίρνει αποφάσεις με ελλιπή στοιχεία, κάτι που η ασαφής λογική αποδεικνύεται ότι μπορεί να κάνει. Ας δούμε το παραπάνω πρόβλημα σε πλαίσια ασαφούς λογικής. Έστω x X και y Y δύο αριθμητικές μεταβλητές όπου x πίεση και y όγκος. Έστω ότι ορίζουμε τα παρακάτω ασαφή σύνολα. A το ασαφές σύνολο που λεκτικά περιγράφεται ως υψηλή πίεση, A 2 χαμηλή πίεση, B μεγάλος όγκος, B 2 μικρός όγκος. Επίσης είναι γνωστή οι σχέσεις μεταξύ των ασαφών συνόλων δηλαδή R : ΑΝ x είναι A ΤΟΤΕ y είναι B R 2 : ΑΝ x είναι A 2 ΤΟΤΕ y είναι B 2 Το ζητούμενο είναι αν μας δίνεται ένα γεγονός ότι πχ x είναι A όπου A ένα νέο ασαφές σύνολο, να συμπεράνουμε το ποσοστό συμμετοχής του αποτελέσματος ότι π.χ. το y θα ανήκει κατά.3 σε ένα καινούριο ασαφές σύνολο B. Θα δούμε τρόπους για να υπολογίζουμε το νέο ασαφές σύνολο B που αντιστοιχεί στο συμπέρασμα. Στον προσεγγιστικό συλλογισμό και την ασαφή λογική ο σημαντικότερος κανόνας συνεπαγωγής είναι ο Generalized Modus Ponens (GMP) για τον οποίο ισχύει Πρόταση R : ΑΝ x είναι A ΤΟΤΕ y είναι B Γεγονός x είναι A Συμπέρασμα y είναι B Στόχος είναι η εύρεση ενός συμπεράσματος έχοντας σαν δεδομένα τα αίτια. Το συμπέρασμα B προκύπτει από την σύνθεση του A και του πίνακα αλήθειας της συνεπαγωγής. Η σύνθεση όπως έχουμε ήδη πει μπορεί να οριστεί με διάφορους τελεστές. Αν χρησιμοποιούμε τον τελεστή σύνθεσης max min του Mamdani (2.6), έχουμε B = A (A B) (2.5) όπου η sup min ή αλλιώς max min σύνθεση ενός ασαφούς συνόλου A με μια σχέση R, την συνεπαγωγή (A B), δηλαδή η συνάρτηση συμμετοχής του νέου ασαφούς

33 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 3 συνόλου B είναι µ B (y) = sup min {µ A (x), R(x, y)}. (2.6) x X Αν χρησιμοποιήσουμε τον τελεστή συνεπαγωγής max prod του Larsen (2.7) έχουμε ότι µ B (y) = A (A B) = sup µ A (x)r(x, y). (2.7) x X ενώ με τον τελεστή max average (2.8) έχουμε [ ] µ B (y) = A < + > (A B) = sup x X 2 (µ A (x) + R(x, y)). (2.8) Παράδειγμα 2.42 Έστω ο κανόνας R : ΑΝ x είναι υψηλή πίεση ΤΟΤΕ y είναι χαμηλός όγκος όπου τα ασαφή σύνολα υψηλή πίεση και χαμηλός όγκος ορίζονται αντίστοιχα από τα ασαφή σύνολα A = / +.3/2 +.6/4 +.9/6 + /8 και B = / +.8/ +.6/2 +.3/3 + /4. Αν χρησιμοποιήσουμε τον τελεστή συνεπαγωγής του Mamdani έχουμε σύμφωνα με την 2.3 ότι ο πίνακας αλήθειας της συνεπαγωγής είναι R = A B όπου = min{, } δηλαδή R = A B Αν έχουμε σαν γεγονός ότι x είναι πολύ υψηλή πίεση όπου υψηλή πίεση το A = / +.9/2 +.36/4 +.8/6 + /8, τότε το συμπέρασμα σύμφωνα με την (2.5) είναι B = A R και η συνάρτηση συμμετοχής της παράγεται από την (2.6). B = (/ +.9/2 +.36/4 +.8/6 + /8) Σύμφωνα με τον ορισμό της max min σύνθεσης έχουμε: B = SUP X R R (2.9)

34 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 3 και άρα B = SUP X R Τέλος υπολογίζουμε το max σε κάθε στήλη του πίνακα και έχουμε ότι B =.8/ +.8/ +.6/2 +.3/3 + /4. Αν αντί για τον τελεστή συνεπαγωγής του Mamdani χρησιμοποιούσαμε αυτόν του Larsen τότε η σχέση (2.9) γίνεται SUP X R SUP X R B =.729/ +.648/ +.486/ /3 + /4. Ενδιαφέρον παρουσιάζει η περίπτωση όπου το γεγονός A είναι ασαφές στοιχείο (singleton) όπως ορίστηκε στην σχέση (2.). Συνεχίζοντας το προηγούμενο παράδειγμα, θεωρούμε ότι το γεγονός είναι ένα ασαφές στοιχείο, δηλαδή A = / + /2 + /4 + /6 + /8. Τότε ο βαθμός εκπλήρωσης του κανόνα είναι ο αριθμός α α = max (µ A (x) µ A (x), για κάθε x X) όταν έχω max min σύνθεση. Άρα αν είναι ο τελεστής ελαχίστου, έχουμε ότι και άρα µ A (x) µ A (x) = / + /2 + /4 +.9/6 + /8 α = max(,,,.9, ) =.9. Η παραπάνω διαδικασία φαίνεται εύκολα στο επόμενο σχήμα.

35 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ α= Το B τώρα παράγεται από το ελάχιστο μεταξύ των ποσοστών συμμετοχής κάθε στοιχείου με το α =.9 µ B (y) = min {.9, µ B (x)} (2.2) και έτσι έχω.9 α= δηλαδή B =.9/ +.8/ +.6/2 +.3/3 + /4. Ακριβώς το ίδιο αποτέλεσμα θα είχαμε κάνοντας κανονικά την σύνθεση B = A R. Η διαδικασία αυτή για max min σύνθεση, δύο κανόνες της μορφής εισόδους τα ακόλουθα singletons ΑΝ x είναι A ΚΑΙ y είναι B z είναι C ΑΝ x είναι A ΚΑΙ y είναι B z είναι C A = B = {, x = 5.5, x 5.5 {, y = 2, y 2

36 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 33 A B C.5.5 µ B (y )= A 2 µ A (x )=.6 B 2 µ B 2(y )= α =.6 C ' 5 C 2.5 µ A 2(x )= α 2 =.5 C ' 2 5 x =5.5 y =2 min 5 C '.5 5 Σχήμα 2.7: Βαθμός εκπλήρωσης κανόνων με max-min σύνθεση. όπου οι μεταβλητές εισόδου ορίζονται στα X = [, ], X 2 = [, ] και εξόδου στο Y = [, ], φαίνεται στο σχήμα 2.7.Ο βαθμός εκπλήρωσης του πρώτου κανόνα είναι a = min{µ A (5.5), µ B (2)} =.6 a 2 = min{µ A2 (5.5), µ B2 (2)} =.5 Επιλέχθηκε το ελάχιστο εξαιτίας του ΚΑΙ μεταξύ των κανόνων. Η έξοδος του κάθε κανόνα θα παράγεται από τα C = min{a, µ C (z)} C 2 = min{a 2, µ C2 (z)} όπου το min γίνεται γιατί έχουμε max min σύνθεση. Τελικά το αποτέλεσμα των δύο κανόνων υπολογίζεται από C = C C 2 χρησιμοποιώντας το μέγιστο δηλαδή µ C (z) = max{µ C (z), µ C (z)}. 2 Αντίστοιχα αν χρησιμοποιηθεί η max prod σύνθεση το αποτέλεσμα φαίνεται στο σχήμα 2.8.Το μόνο που άλλαξε είναι ότι η αντίστοιχη της σχέσης (2.2) έγινε γινόμενο κάτι που

37 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ Σχήμα 2.8: Βαθμός εκπλήρωσης κανόνων με max prod σύνθεση. φαίνεται από τα δεξιά μέρη του παραπάνω σχήματος. To ψαλίδισμα της συνάρτησης συμμετοχής εξαρτάται από το τελεστή συνεπαγωγής Mamdani που διαλέξαμε (2.2). Θυμίζουμε ότι αν έχουμε παραπάνω από μία συνεπαγωγές R, R 2,..., R n τότε ο συνδυασμός αυτών των σχέσεων γίνεται με OR συνήθως χρησιμοποιώντας τον τελεστή max. Αν έχουμε παραπάνω από ένα αίτιο δηλαδή αν έχω τον κανόνα R : ΑΝ x είναι υψηλή πίεση ΚΑΙ x 2 είναι χαμηλή θερμοκρασία ΤΟΤΕ y είναι χαμηλός όγκος όπου τα x, x 2 ανήκουν στα ασαφή σύνολα A και A 2 αντίστοιχα και y στο B, τότε υπολογίζω πρώτα το A = A A και μετά συνεχίζω όπως και παραπάνω (βλ. παράδειγμα 2.4). 2.7 Ασαφείς ελεγκτές Ας θυμηθούμε έναν ορισμό ενός συστήματος αυτομάτου ελέγχου. Ένα τέτοιο σύστημα αντιστοιχεί στην διασύνδεση διαφόρων στοιχείων που συνθέτουν μια συγκεκριμένη διάταξη που μας παρέχει μια γνωστή εκ των προτέρων επιθυμητή απόκριση. Επειδή συνήθως η επιθυμητή απόκριση είναι διαφορετική από την πραγματική απόκριση, παράγεται ένα σήμα ελέγχου το οποίο αντιστοιχεί στο σφάλμα που εμφανίζεται ανάμεσα στις δύο αποκρίσεις. Η χρήση του σήματος αυτού για τον έλεγχο μιας συγκεκριμένης διεργασίας, έχει ως αποτέλεσμα την δημιουργία μιας ακολουθίας λειτουργιών μέσα σε ένα κλειστό βρόγχο που καλείται γενικά σύστημα ελέγχου με ανάδραση ή αλλιώς σύστημα ελέγχου κλειστού βρόγχου (Σχήμα 2.9). Ένα σύστημα ανοιχτού βρόγχου λειτουργεί χωρίς ανάδραση και παράγει απευθείας το αντίστοιχο σήμα εξόδου ως απόκριση του συστήματος σε συγκεκριμένο σήμα εισό-

38 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 35 Ελεγκτής Διεργασία Έξοδος Σύγκριση Μέτρηση Σχήμα 2.9: Σύστημα ελέγχου με ανάδραση. δου. Αντίθετα σε ένα σύστημα κλειστού βρόγχου (με ανάδραση) λαμβάνεται συνεχώς μια μέτρηση του σήματος εξόδου το οποίο και συγκρίνεται με την επιθυμητή έξοδο του συστήματος (σήμα εισόδου) έτσι ώστε να παράγεται ένα σήμα διαφοράς που εφαρμόζεται στην διαδικασία. Ένα κλασσικό παράδειγμα αυτομάτου ελέγχου είναι το ανάστροφο εκκρεμές. Έστω ένα καρότσι με ένα ανάστροφο εκκρεμές όπως στο παρακάτω σχήμα m,i θ M F x Ανάστροφο εκκρεμές. Το σύστημα έχει μια είσοδο, την οριζόντια δύναμη που εφαρμόζεται πάνω στο καρότσι και τέσσερις εξόδους, την θέση του καροτσιού, την γωνία που σχηματίζει η ράβδος με την κατακόρυφο και τις παραγώγους των, δηλαδή την ταχύτητα του καροτσιού και την γωνιακή ταχύτητα της ράβδου. Ο στόχος του ελέγχου είναι να σταματήσει όσο το δυνατόν πιο γρήγορα το καρότσι σε μια επιθυμητή θέση, έχοντας την ράβδο σε ισορροπία στην κατακόρυφο. Το παραπάνω μπορεί να γίνει με την ακόλουθη διάταξη ανάδρασης.

39 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 36 Target Position Cart & Pole Dynamics Mux Fuzzy Logic Controller Ανάστροφο εκκρεμές με ανάδραση Παρατηρούμε ότι η είσοδος στο κλειστό σύστημα είναι ένα σήμα που εκφράζει την επιθυμητή θέση του καροτσιού, ο (ασαφής) ελεγκτής παίρνει σαν εισόδους την ταχύτητα του καροτσιού, την γωνία και την ταχύτητα της ράβδου και την απόσταση που έχει το καρότσι από την επιθυμητή σχέση. Η έξοδος του ελεγκτή είναι η δύναμη που πρέπει να εφαρμοστεί στο καρότσι και αποτελεί την είσοδο στο σύστημα του ανάστροφου εκκρεμούς. Τα βασικά στοιχεία ενός ασαφούς ελεγκτή είναι τα ακόλουθα: Βάση γνώσης. Σε αυτήν είναι αποθηκευμένοι οι κανόνες ελέγχου για το έλεγχο της διαδικασίας. Ασαφή σύνολα. Έχοντας ορίσει τα ασαφή σύνολα είναι δυνατή η μετάφραση των λεκτικών κανόνων της βάσης γνώσης σε μαθηματικούς κανόνες. Ασαφοποιητής. Αναλαμβάνει την μετατροπή των πραγματικών τιμών των μεταβλητών εισόδου του ελεγκτή σε ασαφή σύνολα. Μηχανισμός συμπερασμού. Εκεί παράγονται μέσω συνεπαγωγών τα ασαφή σύνολα των συμπερασμάτων. Αποασαφοποιητής. Τα ασαφή σύνολα των συμπερασμάτων μετατρέπονται σε πραγματικούς αριθμούς έτσι ώστε να είναι δυνατή η μετάδοση της δράσης ελέγχου στην διαδικασία Ασαφοποίηση εισόδων Όπως είδαμε και στο προηγούμενο παράδειγμα με το ανάστροφο εκκρεμές, οι είσοδοι σε έναν ασαφή ελεγκτή είναι σήματα άρα σαφείς μεταβλητές, γι αυτό και απαιτείται σαν πρώτο βήμα η ασαφοποίησή των. Έστω ένας ελεγκτής με δύο εισόδους x (t),..., x n (t) και μία έξοδο y(t). Θεωρούμε ότι στην χρονική στιγμή t έρχονται σαν είσοδος πραγματικές τιμές x,..., x n. Ο στόχος είναι να παράγουμε με βάση αυτούς τους αριθμούς ασαφή σύνολα A,..., A n. Ένας τρόπος να παραχθούν οι ασαφοποιημένες είσοδοι είναι να ορίσουμε τα A i σαν ασαφή σημεία (2.) με την ακόλουθη συνάρτηση συμμετοχής µ A (x i (t)) = i {, xi (t) = x i x i (t) x i Ένας δεύτερος τρόπος ασαφοποίησης είναι το να λάβουμε υπόψη μας την αβεβαιότητα στα σήματα εισόδου θεωρώντας ότι έχουμε σαν είσοδο έναν ασαφή αριθμό.

40 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ Μηχανισμός συμπερασμού Έστω n το πλήθος κανόνες που αντιστοιχούν στον ελεγκτή της μορφής ΑΝ x ΕΙΝΑΙ A i ΚΑΙ x 2 ΕΙΝΑΙ A i 2 ΤΟΤΕ y ΕΙΝΑΙ Bi. Μεταξύ των κανόνων υπονοείται το συνδετικό επίσης που ερμηνεύεται σαν διάζευξη (OR). Οι κανόνες αυτοί αντιστοιχούν σε ασαφείς συνεπαγωγές R i. Ο μηχανισμός συμπερασμού για να οριστεί πλήρως χρειάζεται να οριστεί ο τελεστής συνεπαγωγής, ο τελεστής σύνθεσης που χρησιμοποιείται, το συνδετικό μεταξύ των n κανόνων, και ο τελεστής ΚΑΙ που ενώνει τις προϋποθέσεις των κανόνων. Τελεστής Η Τελεστής ΚΑΙ Τελεστής συνεπαγωγής Τελεστής σύνθεσης Mamdani (max) (2.4) Mamdani (min) (2.2) Αυστηρή (2.) Mamdani (max min) (2.6) probor (2.5) Larsen (prod) (2.3) Gödel (2.) Larsen (max prod) (2.7) Larsen (prod) (2.2) max average (2.8) Mamdani (min) (2.3) Ο στόχος είναι να παραχθεί ένα ασαφές σύνολο σαν απόφαση του ελεγκτή με την βοήθεια τεχνικών που αναπτύχθηκαν στο εδάφιο Αποασαφοποίηση εξόδων Για να προκύψει τελικά μια σαφής ενέργεια ελέγχου πρέπει στο ασαφές σύνολο C να εφαρμοστεί μια από τις παρακάτω τεχνικές αποασαφοποίησης. Κέντρου βάρους (Center of area - Centroid). Η έξοδος υπολογίζεται από τον τύπο yi µ z = C (y i ) µc (y i ) στην διακριτή και z = yµc (y) µc (y) στην συνεχή περίπτωση. Πιο κάτω ακολουθεί ένα παράδειγμα αποασαφοποίησης του ασαφούς συνόλου mf με την εντολή defuzz. x = :. : ; mf = trapmf ( x,[ ] ) ; mf2 = trapmf ( x,[ ] ) ; mf3 = trapmf ( x, [ ] ) ; mf = max (. 5 * mf2, max (. 9 * mf,. * mf3 ) ) ; p l o t ( x, mf, LineWidth, 3 ) ; s e t ( gca, YLim,[ ], YTick, [. 5 ] ) x = d e f u z z ( x, mf, c e n t r o i d ) h = l i n e ( [ x x ],[.2. 2 ], Color, k ) ; t = t e x t ( x,.2, c e n t r o i d, FontWeight, bold ) ; Αποασαφοποίηση μικρότερου των μεγίστων (Smallest of maxima - SOM). Είναι το μικρότερο σε απόλυτη τιμή από τα y i που έχουν την μέγιστη τιμή συμμετοχής στο C. x4 = d e f u z z ( x, mf, som ) h4 = l i n e ( [ x4 x4 ],[.8. 2 ], Color, k ) ; t 4 = t e x t ( x4,.8, SOM, FontWeight, bold ) ;

41 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 38 Αποασαφοποίηση μεγαλύτερου των μεγίστων (Largest of maxima - LOM). Είναι το μεγαλύτερο σε απόλυτη τιμή από τα y i που έχουν την μέγιστη τιμή συμμετοχής στο C. x5 = d e f u z z ( x, mf, lom ) h5 = l i n e ( [ x5 x5 ],[.6. 2 ], Color, k ) ; t 5 = t e x t ( x5,.6, LOM, FontWeight, bold ) ; Αποασαφοποίηση μέσου των μεγίστων (Middle of maxima - MOM). Είναι ο μέσος όρος όλων των στοιχείων y i i =,..., N που παίρνουν την μέγιστη τιμή στο C. z = N N i= y i x3 = d e f u z z ( x, mf, mom ) h3 = l i n e ( [ x3 x3 ],[.7. 2 ], Color, k ) ; t 3 = t e x t ( x3,.7, MOM, FontWeight, bold ) ;.5 centroid LOM MOM SOM 5 5 Διαφορετικές μέθοδοι αποασαφοποίησης Γνωστοί μηχανισμοί ασαφών ελεγκτών Στην βιβλιογραφία υπάρχουν μερικοί γνωστοί μηχανισμοί ασαφών ελεγκτών μερικοί από τους οποίους συμπεριλαμβάνονται σε αυτά που έχουμε πει μέχρι στιγμής. Για απλότητα υποθέτουμε ότι έχουμε δύο κανόνες της μορφής: R : ΑΝ x είναι A ΚΑΙ y είναι B ΤΟΤΕ z είναι C R 2 : ΑΝ x είναι A 2 ΚΑΙ y είναι B 2 ΤΟΤΕ z είναι C 2 Επίσης θεωρούμε ότι έχουμε σαν εισόδους στον ελεγκτή x = x και y = y. O στόχος είναι να βρεθεί η αριθμητική έξοδος z. Mamdani Ασαφοποίηση Τελεστής ΚΑΙ Τελεστής OR Τελεστής συνεπαγωγής Τελεστής σύνθεσης Αποασαφοποίηση ασαφές σημείο min max Mamdami (min) max min Οτιδήποτε

42 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 39 Μια και έχω σαν είσοδο αριθμητικές τιμές οι οποίες μετά την ασαφοποίηση γίνονται ασαφή σημεία μπορώ να χρησιμοποιήσω τον τρόπο υπολογισμού της εξόδου με τα επίπεδα ενεργοποίησης. Μια και έχουμε τελεστή ΚΑΙ το min, τα επίπεδα ενεργοποίησης των κανόνων υπολογίζονται ως εξής: Οι έξοδος του κάθε κανόνα κανόνα είναι α = µ A (x ) µ B (y ) α = µ A2 (x ) µ B2 (y ). µ C (z) = α µ C (z) (z) = α 2 µ C2 (z). µ C 2 Τότε η συνολική έξοδος του ελεγκτή θα είναι µ C (z) = µ C (z) µ C (z) 2 Η παραπάνω διαδικασία φαίνεται στο σχήμα 2., το οποίο παράγεται από τον ακόλουθο A B C.5.5 µ B (y )= A 2 µ A (x )=.6 B 2 µ B 2(y )= α =.6 C ' 5 C 2.5 µ A 2(x )= α 2 =.5 C ' 2 5 x =5.5 y =2 min 5 C '.5 5 Σχήμα 2.: Ελεγκτής Mamdani. κώδικα x = 5. 5 ; y=2 x = :. : ; A= t r i m f ( x, [, 3, 6 ] ) ; A2= t r i m f ( x, [ 4, 7, ] )

43 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 4 y = :.:;B=trapmf ( y,[, 6,,4]) ; B2=trapmf ( y, [ 4,, 6, ] ) ; z = :. : ; C=trapmf ( z, [, 2, 4, 6 ] ) ; C2=trapmf ( z, [ 4, 6, 8, ] ) ; energ =min (A( f i n d ( x==x ) ), B ( f i n d ( y==y ) ) ) energ2 =min (A2( f i n d ( x==x ) ), B2 ( f i n d ( y==y ) ) ) Cdot=min ( energ, C ) ; C2dot=min ( energ2, C2 ) ; Cdot=max ( Cdot, C2dot ) ; s u b p l o t ( 3, 3, ) ; p l o t ( x, A) s u b p l o t ( 3, 3, 2 ) ; p l o t ( y, B ) s u b p l o t ( 3, 3, 3 ) ; p l o t ( z, C, z, Cdot ) s u b p l o t ( 3, 3, 4 ) ; p l o t ( x, A2) s u b p l o t ( 3, 3, 5 ) ; p l o t ( y, B2 ) s u b p l o t ( 3, 3, 6 ) ; p l o t ( z, C2, z, C2dot ) s u b p l o t ( 3, 3, 6 ) ; p l o t ( z, C2, z, C2dot ) s u b p l o t ( 3, 3, 9 ) ; area ( z, Cdot ) ; a x i s ( [,,, ] ) Αν τώρα αλλάξουμε τα δύο ασαφή σύνολα C και C 2 από τραπέζια σε Gauss προκύπτει το γράφημα 2.:Η αποασαφοποίηση γίνεται εύκολα μέσω της εντολής out = defuzz(z,cdot, type ) όπου type ένας από τους τρόπους αποασαφοποίησης που έχουμε δει. Έτσι σαν τελική έξοδο έχουμε: Αποασαφοποίηση MATLAB type Έξοδος Κέντρου βάρους centroid z = 56.8 Μικρότερου των μεγίστων som z = 58.3 Μεγαλύτερου των μεγίστων lom z = 8.7 Μέσου των μεγίστων mom z = 7 Για να γίνουν πιο σαφή τα παραπάνω για το διακριτό χρόνο ακολουθεί ένα αντίστοιχο παράδειγμα όπου τα ασαφή σύνολα δίνονται από τον ακόλουθο πίνακα. x,,5,,5 2, 2,5 3, 3,5 4, 4,5 5, 5,5 6, 6,5 7, 7,5 8, 8,5 9, 9,5, a,,7,33,5,67,83,,83,67,5,33,7,,,,,,,,, a2,,,,,,,,,,7,33,5,67,83,,83,67,5,33,7, y, 9, 8, 7, 6, 5, 4, 3, 2,,,, 2, 3, 4, 5, 6, 7, 8, 9,, b,,25,5,75,,,,,,,,75,5,25,,,,,,, b2,,,,,,,,25,5,75,,,,,,,,75,5,25, z,, 2, 3, 4, 5, 6, 7, 8, 9,, c,,5,,,,5,,,,, c2,,,,,,5,,,,5, Τότε χρησιμοποιώντας τον ελεγκτή Mamdani, προκύπτει το σχήμα 2.2. Larsen Ασαφοποίηση Τελεστής ΚΑΙ Τελεστής OR Τελεστής συνεπαγωγής Τελεστής σύνθεσης Αποασαφοποίηση ασαφές σημείο min max Larsen (γινόμενο) max min Οτιδήποτε

44 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 4 A B C.5.5 µ B (y )=.5.5 µ A (x )=.6 5 α =.6 C ' 5 A 2 B 2 C 2 µ B 2(y )=.5 µ A 2(x )= α 2 =.5 C ' 2 5 x =5.5 y =2 min 5 C ' Σχήμα 2.: Ελεγκτής Mamdani. Μια και έχω σαν είσοδο αριθμητικές τιμές οι οποίες μετά την ασαφοποίηση γίνονται ασαφή σημεία μπορώ να χρησιμοποιήσω τον τρόπο υπολογισμού της εξόδου με τα επίπεδα ενεργοποίησης. Μια και έχουμε τελεστή ΚΑΙ το min, τα επίπεδα ενεργοποίησης των κανόνων υπολογίζονται ως εξής: Οι έξοδος του κάθε κανόνα κανόνα είναι α = µ A (x ) µ B (y ) α = µ A2 (x ) µ B2 (y ). µ C (z) = α µ C (z) (z) = α 2 µ C2 (z). µ C 2 Τότε η συνολική έξοδος του ελεγκτή θα είναι µ C (z) = µ C (z) µ C (z) 2 Η παραπάνω διαδικασία φαίνεται στο σχήμα 2.3

45 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 42 A B C A 2 B 2 C x = 5:5 5 5 y = 2 5,5,7 5 Σχήμα 2.2: Ελεγκτής Mamdani με διακριτά ασαφή σύνολα. Το μόνο που αλλάζει στον κώδικα που δώσαμε στην περίπτωση του ελεγκτή Mamdani είναι η σειρά που υπολογίζει τα C και C 2 η οποία και γίνεται Cdot=energ*C;C2dot=energ2*C2; Η έξοδος του ελεγκτή θα είναι Αποασαφοποίηση MATLAB type Έξοδος Κέντρου βάρους centroid z = 57.8 Μικρότερου των μεγίστων som z = 7 Μεγαλύτερου των μεγίστων lom z = 7 Μέσου των μεγίστων mom z = 7 Αντίστοιχα για τα διακριτά σύνολα προκύπτει το σχήμα 2.4. Tsukamoto Ο ελεγκτής του Tsukamoto θεωρεί σαν προϋπόθεση ότι όλα τα ασαφή σύνολα έχουν μονοτονικές συναρτήσεις συμμετοχής, δηλαδή να είναι είτε αύξουσες είτε φθίνουσες. Τα επίπεδα ενεργοποίησης των κανόνων υπολογίζονται όπως και πριν α = µ A (x ) µ B (y ) α = µ A2 (x ) µ B2 (y ).

46 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 43 A B C.5.5 µ B (y )=.5.5 µ A (x )=.6 5 α =.6 C ' 5 A 2 B 2 C 2 µ B 2(y )=.5 µ A 2(x )= α 2 =.5 C ' 2 5 x =5.5 y =2 min 5 C ' Σχήμα 2.3: Ελεγκτής Larsen. Σε αυτή τη μέθοδο ελέγχου κάθε κανόνας παράγει μια αριθμητική έξοδο z i η οποία υπολογίζεται από τις εξισώσεις µ C (z ) = α (2.2) µ C (z 2 ) = α 2. Από τις (2.2) βλέπουμε ότι τα z i είναι οι τιμές που έχουν ποσοστό συμμετοχής στα ασαφή σύνολα C i της εξόδου ίσο με α i. Η τελική έξοδος υπολογίζεται από z = α z + α 2 z 2 α + α 2. Στο σχήμα 2.5 φαίνεται ένα παράδειγμα ελεγκτή με δύο κανόνες και δύο ασαφή σύνολα να συμμετέχουν στην δεξιά πλευρά των κανόνων. Στο παραπάνω παράδειγμα θα είναι z = = x = 5. 5 ; y =2; x = :. : ; A=gaussmf ( x, [ 2. 3 ] ) ; A2=gaussmf ( x, [ 2. 3 ] ) y = :.:;B=trapmf ( y, [ ] ) ; B2=trapmf ( y, [ ] ) ;

47 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 44 A B C A 2 B 2 C 2.5.5,5, x = 5:5 y = Σχήμα 2.4: Ελεγκτής Larsen με διακριτά σύνολα. z = :. : ; C=gaussmf ( z, [26 ] ) ; C2=gaussmf ( z, [26 ] ) ; energ =min (A( f i n d ( x==x ) ), B ( f i n d ( y==y ) ) ) energ2 =min (A2( f i n d ( x==x ) ), B2 ( f i n d ( y==y ) ) ) z=z ( f i n d ( C< e n erg +. & C> energ.,) ) z2=z ( f i n d ( C2< e n erg2 +. & C2> energ2.,) ) s u b p l o t ( 2, 3, ) ; p l o t ( x, A) s u b p l o t ( 2, 3, 2 ) ; p l o t ( y, B ) s u b p l o t ( 2, 3, 3 ) ; p l o t ( z, C ) s u b p l o t ( 2, 3, 4 ) ; p l o t ( x, A2) s u b p l o t ( 2, 3, 5 ) ; p l o t ( y, B2 ) s u b p l o t ( 2, 3, 6 ) ; p l o t ( z, C2 ) Απλοποιημένος Sugeno-Takagi Στην περίπτωση του απλοποιημένου Sugeno-Takagi η έξοδος του κάθε κανόνα είναι όχι ασαφές σύνολο αλλά πραγματικός αριθμός, δηλαδή C, C 2 R. Τα επίπεδα ενεργοποίησης υπολογίζονται όπως και πριν δηλαδή α = µ A (x ) µ B (y ) α = µ A2 (x ) µ B2 (y ).

48 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 45 A B C µ )=.5 A (x 5.2 µ B (y )=..2 α =.5 5 z =37.7 A 2 B 2 C µ B 2(y )= µ A 2(x )= α 2 =.4 5 x =5.5 y =2 5 min z 2 =5.8 Σχήμα 2.5: Ελεγκτής Tsukamoto. Η συνολική έξοδος δίνεται από τον ακόλουθο τύπο z = α C + α 2 C 2 α + α 2 ή γενικότερα αν έχω n το πλήθος κανόνες έχω z = n α i C i i=. n α i i= Στο σχήμα?? δίνεται ένα παράδειγμα ελεγκτή με δύο κανόνες και δύο ασαφή σύνολα να συμμετέχουν στην δεξιά πλευρά των κανόνων.

49 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 46 A B.5.5 µ B (y )= A 2 µ A (x )=.6 µ B 2(y )= 5 α =.6 B 2 C =25.5 µ A 2(x )= α 2 =.5 5 x =5.5 y =2 min 5 C =75 2 C '.5 5 z =α c +α 2 c 2 =62.5 Σχήμα 2.6: Απλοποιημένος Sugeno-Takagi ελεγκτής. 2.8 Πραγματικά προβλήματα ελέγχου 2.8. Ασαφής έλεγχος ανάστροφου εκκρεμούς Ας αρχίσουμε την μελέτη του ανάστροφου εκκρεμούς όπως παρουσιάστηκε πιο πάνω. Ένα μαθηματικό μοντέλο του εκκρεμούς είναι το ακόλουθο { ÿ(t) = mg sin θ(t) cos θ(t) mlθ2 (t) sin θ(t) f(t) m cos 2 θ(t) (M+m) θ(t) = (M+m)g sin θ(t)+mlθ 2 (t) sin θ(t) cos θ(t)+f cos θ(t) ml cos 2 θ(t) (M+m)L όπου L το μήκος της ράβδου, M η μάζα του καροτσιού, m η μάζα της ράβδου, g η επιτάχυνση της βαρύτητας, f(t) η οριζόντια δύναμη που εφαρμόζεται στο καρότσι, θ(t) η γωνία του εκκρεμούς και y(t) η θέση του βαγονιού. Θέτουμε L =

50 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 47 m =. M = και g = 9.8. Το παραπάνω μοντέλο αν εισαχθεί στο SIMULINK έχει την ακόλουθη μορφή Σαν είσοδο στο σύστημα θεωρούμε την δύναμη που εφαρμόζεται στο καρότσι και εξόδους διαλέγουμε τις θ(t), θ(t) και y(t), ẏ(t). Ο στόχος είναι να βάζουμε εμείς μια νέα είσοδο r(t) στο σύστημα που να δείχνει την επιθυμητή θέση του ανάστροφου εκκρεμούς και το καρότσι να σταματάει σε αυτή τη θέση όσο το δυνατόν πιο γρήγορα κρατώντας σε ισορροπία την ράβδο. Κάτι τέτοιο μπορεί να γίνει εφαρμόζοντας ανάδραση της μορφής Target Position Cart & Pole Dynamics Mux Fuzzy Logic Controller Ανάστροφο εκκρεμές με ανάδραση και ένα ασαφή ελεγκτή που έχει σαν εισόδους τις θ(t), θ(t), y(t) r(t), ẏ(t) και σαν είσοδο την δύναμη f(t). Θα προχωρήσουμε στον σχεδιασμό του ασαφούς ελεγκτή.

51 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 48 Το πρώτο πράγμα που πρέπει να αποφασίσουμε είναι τα διαστήματα στα οποία παίρνουν τιμές οι μεταβλητές μας. Από την σχεδίαση του συστήματος μας δίνεται ότι θ(t) [.3,.3] θ(t) [, ] y(t) r(t) [ 3, 3] ẏ(t) [ 3, 3] f(t) [ 3, 3]. Με την εντολή fuzzy του MATLAB ανοίγουμε τον FIS Editor που μας επιτρέπει να σχεδιάσουμε έναν ασαφή ελεγκτή. Προσθέτουμε τέσσερις εισόδους και μια έξοδο, μέθοδο συμπερασμού αυτή του Mamdani, αποσαφοποιητή κέντρου βάρους (Defuzzification -> centroid) και ονομάζουμε κατάλληλα τις μεταβλητές μας. Έπειτα κάνοντας διπλό κλικ πάνω σε μια μεταβλητή ανοίγει ο Membership function editor. Προσθέτουμε σε κάθε μεταβλητή εισόδου τα κατάλληλα ασαφή σύνολα, πχ ΑΡΝΗΤΙΚΟ, ΜΗΔΕΝ και ΘΕΤΙΚΟ διαλέγοντας τις αντίστοιχες συναρτήσεις συμμετοχής. Πιο κάτω φαίνονται οι συναρτήσεις συμμετοχής της γωνιακής ταχύτητας όπως σχεδιάστηκαν στο MATLAB.

52 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 49 Όσον αφορά την έξοδο, δοκιμάζουμε να ορίσουμε πέντε ασαφή σύνολα, τα ΠΟΛΥ ΑΡ- ΝΗΤΙΚΟ, ΑΡΝΗΤΙΚΟ, ΜΗΔΕΝ, ΘΕΤΙΚΟ, ΠΟΛΥ ΘΕΤΙΚΟ. Αφού οριστούν όλα τα σύνολα επόμενο βήμα, είναι ο ορισμός των λεκτικών κανόνων με βάση τους οποίους θα λειτουργεί ο ελεγκτής. Ας δοκιμάσουμε αρχικά να σχεδιάσουμε έναν ελεγκτή που λαμβάνει υπόψη του μόνο την γωνία της ράβδου και την θέση του καροτσιού. Οι κανόνες που θα εφαρμοστούν είναι της μορφής ΑΝ ΓΩΝΙΑ ΘΕΤΙΚΗ ΚΑΙ ΓΩΝΙΑΚΗ ΤΑΧΥΤΗΤΑ ΘΕΤΙΚΗ ΚΑΙ ΘΕΣΗ ΑΡΝΗ- ΤΙΚΗ ΚΑΙ ΤΑΧΥΤΗΤΑ ΑΡΝΗΤΙΚΗ ΤΟΤΕ ΔΥΝΑΜΗ ΠΟΛΥ ΘΕΤΙΚΗ Όλοι οι κανόνες της παραπάνω μορφής που μπορούν να οριστούν είναι 3 4 = 8. Βλέπουμε ότι το πρόβλημα είναι αρκετά πολύπλοκο. Αφού σχεδιάσουμε πλήρως τον ελεγκτή, τον κάνουμε εξαγωγή στο MATLAB από το File->Export->To Workspace με ένα όνομα, έστω contr. Έπειτα δηλώνουμε στο SIMULINK κάνοντας διπλό κλικ πάνω στο Fuzzy Logic Controller with Ruleviewer ότι ο ελεγκτής είναι ο contr. Ένας ολοκληρωμένος τέτοιος ελεγκτής υπάρχει σαν demo στο MATLAB τρέχοντας την εντολή slcp.

53 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ Έλεγχος στάθμης υγρών Έστω μια δεξαμενή με δύο σωλήνες, ένας που παρέχει υγρό στην δεξαμενή και την παροχή του οποίου μπορούμε να την ελέγξουμε με μια βαλβίδα αποτελεί εξωτερική είσοδο στο σύστημα και ο άλλος που αδειάζει την με σταθερό ρυθμό δεξαμενή. Ο στόχος είναι να καταφέρουμε ανοιγοκλείνοντας την βαλβίδα να κρατήσουμε την στάθμη του υγρού σε επιθυμητά επίπεδα. PID Constant Signal Generator Sum error Mux Mux PID Controller const Fuzzy Controller with Ruleviewer Switch VALVE Subsystem.5 tank max inflow WATER TANK tank 2 Scope2 Mux Mux2 Scope4 animtank S Function Scope change scope Try the demo "sltank2" change du/dt Derivative Simulink μοντέλο ελέγχου στάθμης υγρών. Το σύστημα αυτό υπάρχει έτοιμο στο MATLAB και τρέχει με την εντολή sltankrule. Ο ασαφής ελεγκτής έχει σαν εισόδους την στάθμη του νερού και τον ρυθμό μεταβολής της και σαν έξοδο τον ρυθμό με τον οποίο η βαλβίδα ανοίγει ή κλείνει. Η στάθμη παίρνει τιμές στο [, ] ενώ ο ρυθμός μεταβολής της στο [.,.], ενώ η έξοδος στο [, ]. Δοκιμάζουμε αρχικά με τους τρεις επόμενους κανόνες I f ( l e v e l i s okay ) t h e n ( v a l v e i s nochange ) ( ) I f ( l e v e l i s low ) t h e n ( v a l v e i s o p e n f a s t ) ( ) I f ( l e v e l i s high ) t h e n ( v a l v e i s c l o s e f a s t ) ( ) Παρατηρούμε ότι η στάθμη του υγρού κάνει ταλαντώσεις γύρω από την επιθυμητή στάθμη. Στο επόμενο σχήμα οι τετραγωνικοί παλμοί είναι η επιθυμητή στάθμη του υγρού ενώ οι σκούρα καμπύλη είναι η πραγματική στάθμη του υγρού

54 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 5 Προσθέτοντας και τους επόμενους δύο κανόνες I f ( l e v e l i s good ) and ( r a t e i s n e g a t i v e ), t h e n ( v a l v e i s c l o s e s l o w ) ( ) I f ( l e v e l i s good ) and ( r a t e i s p o s i t i v e ), t h e n ( v a l v e i s openslow ) ( ) έχουμε το γράφημα Παρατηρούμε ότι τώρα οι αντιδράσεις του ελεγκτή είναι σαφέστατα καλύτερες. Το παρακάτω γράφημα απεικονίζει την δράση ελέγχου σε σχέση με τις δύο μεταβλητές εισόδου.

55 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 52 Ο μηχανισμός συμπερασμού που επιλέγεται είναι αυτός του Mamdani, όπου όπως είπαμε και πριν ο βαθμός εκπλήρωσης του κάθε κανόνα είναι το ελάχιστο α i = µ A i (x ) µ A i 2 (x 2 ) και το ασαφές σύνολο που παράγεται σαν έξοδος είναι το µ C (y) = (α µ B (y)) (α 2 µ B 2(y))... (α 5 µ B 5(y)). Διαλέγοντας αποασαφοποιητή κέντρου βάρους παράγεται η δράση ελέγχου. Το αντίστοιχο σχήμα με μηχανισμό συμπερασμού Larsen είναι το ακόλουθο.

56 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ Ανάλυση κανόνων Η σχεδίαση ενός ασαφούς ελεγκτή εντοπίζεται κυρίως στην εύρεση κατάλληλων κανόνων, έτσι ώστε το κλειστό σύστημα να ικανοποιεί κάποιες δεδομένες προϋποθέσεις. Δυστυχώς στην θεωρία των ασαφών ελεγκτών δεν υπάρχουν συγκεκριμένες διαδικασίες έτσι ώστε να σχεδιαστεί ένας τέτοιος ελεγκτής, σε αντίθεση με την γραμμική θεωρία αυτομάτου ελέγχου όπου υπάρχουν τεχνικές όπως ο γεωμετρικός τόπος ριζών, τα διαγράμματα Nyquist κλπ. Το πρόβλημα είναι ότι η σχέση εισόδου εξόδου του ελεγκτή είναι μη γραμμική και πολύ δύσκολη να περιγραφθεί μαθηματικά. Παρόλα αυτά δημιουργήθηκαν κάποια test με σκοπό να δείχνουν αν μια βάση κανόνων πληροί κάποια βασικά κριτήρια, όπως αν είναι πλήρης κλπ. Τα βασικά κριτήρια για την ανάλυση των κανόνων είναι τα ακόλουθα. Πληρότητα - Είναι αρκετοί οι κανόνες που δημιουργήθηκαν; Συνέπεια - Μήπως οι κανόνες αλληλοσυγκρούονται; Πλεονασμός - Μήπως υπάρχουν στη βάση κανόνων κάποιοι περιττοί κανόνες; Αλληλεπίδραση - Υπάρχουν κάποιοι κανόνες που αλληλεπιδρούν μεταξύ τους; Τα παραπάνω κριτήρια φαίνονται απολύτως λογικά. Στις επόμενες σελίδες θα προσπαθήσουμε να τα ορίσουμε μαθηματικά. Θα επικεντρωθούμε σε διακριτούς ασαφείς ελεγκτές, αξίζει όμως να σημειωθεί ότι τα κριτήρια γενικεύονται και σε συνεχείς ελεγκτές Πληρότητα Σε μια πλήρης βάση κανόνων οποιαδήποτε τιμή εισόδου παράγει κάποιο μη μηδενικό ασαφές σύνολο σαν έξοδο. Μια βάση κανόνων είναι μη πλήρης αν υπάρχει κάποιος συνδυασμός τιμών των εισόδων ο οποίος παράγει πριν της αποασαφοποίησης μηδενικό ασαφές σύνολο, δηλαδή ένα ασαφές σύνολο όπου όλα τα στοιχεία του έχουν συμμετοχή. Κάτι τέτοιο μπορεί να συμβεί αν Ένας ή περισσότεροι κανόνες λείπουν. Οι ασαφείς συναρτήσεις συμμετοχής που ορίζονται στα ίδια σύνολα δεν επικαλύπτονται.

57 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 54 Ενώ η δεύτερη περίπτωση είναι εύκολο να ελεγχθεί, η πρώτη είναι αρκετά δύσκολη, ειδικά αν η βάση κανόνων είναι μεγάλη και πολύπλοκη. Έστω ότι η βάση κανόνων είναι μη πλήρης και σαν αποασαφοποιητής έχει επιλεχθεί ο αποασαφοποιητής κέντρου βάρους. Τότε για συγκεκριμένους συνδυασμούς εισόδων το αποτέλεσμα θα είναι ένα μηδενικό ασαφές σύνολο B. Ο αποασαφοποιητής κέντρου βάρους για ένα ασαφές σύνολο θα έχει παρονομαστή το άθροισμα των συμμετοχών του B δηλαδή το, και κατά συνέπεια το πρόγραμμα θα βγάλει λάθος διαίρεση με το. Για κάθε συνδυασμό εισόδων πρέπει να υπάρχει τουλάχιστον ένας κανόνας με τιμή ενεργοποίησης a > ε όπου ε (, ). Το ε επιλέγεται κάθε φορά ανάλογα με την εφαρμογή. Ας ορίσουμε τώρα το σύνολο I των εισόδων στον ασαφή ελεγκτή. Αν ο ελεγκτής έχει n των αριθμό εισόδου τότε το I είναι το καρτεσιανό γινόμενο όλων των εισόδων, δηλαδή όλοι οι συνδυασμοί των εισόδων που παράγουν έναν n διάστατο πίνακα. Έστω ο ακόλουθος κανόνας R :ΑΝ e ΑΡΝΗΤΙΚΟΣ ΚΑΙ ce ΘΕΤΙΚΟΣ ΤΟΤΕ u ΜΗΔΕΝΙΚΟΣ όπου το ασαφές σύνολο αρνητικός είναι το A = / +.95/ 5 +.5/ + /5+/, το θετικός το B = / +/ 5+.5/+.95/5+/ και το μηδενικός το C = / +.6/ 5 + / +.6/5 + /. Να ελεγχθεί η βάση κανόνων ως προς την πληρότητά της. Ο χώρος των εισόδων δίνεται από όλους τους συνδυασμούς με τελεστή των εισόδων e και ce. Σε μορφή πίνακα όπου οι στήλες αντιστοιχούν στο e και οι γραμμές στο ce είναι ο ακόλουθος I = Για να είναι η βάση κανόνων πλήρης πρέπει όλα τα στοιχεία του πίνακα I να είναι μεγαλύτερα του ε, κάτι που προφανώς σε αυτή την περίπτωση δεν συμβαίνει. Αν στο παραπάνω παράδειγμα υπήρχαν n το πλήθος κανόνες τότε θα είχαμε n το πλήθος πίνακες I,..., I n. Το επόμενο βήμα θα ήταν να υπολογίσουμε το ( I i ) και να ελέγξουμε ότι τα στοιχεία του πίνακα που προκύπτει είναι όλα μεγαλύτερα του ε Συνέπεια Αν το ασαφές σύνολο που προκύπτει πριν την αποασαφοποίηση έχει πολλές κορυφές τότε η βάση κανόνων είναι ασυνεπής. Αυτό σημαίνει ότι οι κανόνες δείχνουν σε διαφορετικές πλευρές του σήματος εξόδου ταυτόχρονα. Τέτοιες αντιφάσεις συμβαίνουν στον έλεγχο γιατί μερικές φορές οι περιορισμοί στην σχεδίαση είναι οι ίδιοι αντιφατικοί. Ένα θετικό σημείο του ασαφούς ελέγχου είναι ότι μπορεί να αντιμετωπίσει επιτυχώς τέτοιες καταστάσεις, αλλά γενικά είναι επιθυμητό αν υπάρχει τέτοια ασυνέπεια στους κανόνες είναι καλό να ανακαλύπτεται. Δύο κανόνες θα λέμε ότι είναι σε αντίφαση αν οι αριστερές τους πλευρές μοιάζουν και ταυτόχρονα οι δεξιές τους πλευρές διαφέρουν. Ή ισοδύναμα δυο κανόνες είναι συνεπείς μεταξύ τους αν μια μικρή διαφορά ανάμεσα στα δεξιά μέρη των κανόνων υποδηλώνει μικρή διαφορά μεταξύ των αριστερών τους πλευρών. Ένα μέτρο για την συνέπεια δύο κανόνων R i και R j είναι το ακόλουθο m ij = (I i similar_to I j ) AND NOT(U i similar_to U j ).

58 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 55 Δύο κανόνες είναι ασυνεπείς μεταξύ τους αν το m ij είναι σχετικά μεγάλο. Ένα απλό μέτρο ομοιότητας είναι το µa (x i ) µ B (x i ). n Έστω η ακόλουθη βάση κανόνων R : ΑΝ e ΑΡΝΗΤΙΚΟΣ ΤΟΤΕ u ΑΡΝΗΤΙΚΟΣ R 2 : ΑΝ e ΜΗΔΕΝΙΚΟΣ ΤΟΤΕ u ΜΗΔΕΝΙΚΟΣ R 3 : ΑΝ e ΠΟΛΥ ΑΡΝΗΤΙΚΟΣ ΤΟΤΕ u ΘΕΤΙΚΟΣ όπου τα ασαφή σύνολα έχουν οριστεί στο προηγούμενο παράδειγμα. Να ελεγχθεί αν η βάση κανόνων είναι συνεπής. Προφανώς περιμένουμε ο πρώτος με τον τρίτο κανόνα να έρχονται σε αντίφαση. Ας υπολογίσουμε πρώτα το ασαφές σύνολο ΠΟΛΥ ΑΡΝΗΤΙΚΟΣ το οποίο θα είναι το D = / +.925/ / + /5 + /. Ας αρχίσουμε πρώτα με τους κανόνες R και R 2. Υπολογίζουμε το κατά πόσο τα αριστερά μέρη των κανόνων μοιάζουν, δηλαδή αν το ασαφές σύνολο A ΑΡΝΗΤΙΚΟΣ μοιάζει με το C ΜΗΔΕΝΙΚΟΣ. Έχω A similar_to C = = ( ) 5 =.42 (2.22) Ακριβώς το ίδιο κάνουμε και για τα δεξιά μέρη, που σε αυτή την περίπτωση είναι πάλι τα ίδια. Άρα έχω m 2 =.42 AND NOT(.42) = = =.42. Αν επαναλάβουμε την ίδια ακριβώς διαδικασία για όλους τους συνδυασμούς των κανόνων προκύπτει ο ακόλουθος πίνακας Παρατηρούμε ότι η διαγώνιος είναι μια και κανένας κανόνας δεν είναι ασυνεπής με τον εαυτό του. Επίσης ο πίνακας είναι συμμετρικός ως προς την διαγώνιό του καθώς m ij = m ji. Όντως παρατηρούμε ότι οι κανόνες και 3 είναι σε αντίφαση καθώς m 3 = m 3 =.78. Παρατηρούμε ότι και ο 2ος κανόνας είναι κατά.42 ασυνεπής με τον τρίτο κάτι που όμως δεν θεωρείται ανησυχητικό. Το κατά πόσο πετυχημένο είναι ένα μέτρο της ασυνέπειας μεταξύ δύο κανόνων εξαρτάται από τον τελεστή ομοιότητας δύο ασαφών συνόλων που χρησιμοποιούμε (similar_to). Στην βιβλιογραφία υπάρχουν και άλλοι τελεστές ομοιότητας που δίνουν καλύτερα αποτελέσματα από τον Πλεονασμός Ένας κανόνας θα λέμε ότι είναι πλεονάζων αν η πληροφορία που περιέχει συμπεριλαμβάνεται στους άλλους κανόνες της βάσης. Π.χ. πλεονασμός στη βάση των κανόνων υπάρχει αν βάλεις τον ίδιο κανόνα δύο φορές, ή αν τα ασαφή σύνολα ενός κανόνα, είναι υποσύνολα των ασαφών συνόλων ενός άλλου κανόνα. Γενικά θέλουμε να μην υπάρχει πλεονασμός, πρώτα για λόγους οικονομίας μνήμης και υπολογιστικής ισχύς όσο και για λόγους συνοχής.

59 ΚΕΦΑΛΑΙΟ 2. ΑΣΑΦΗΣ ΕΛΕΓΧΟΣ 56 Αν R i είναι οι πίνακες αλήθειας των κανόνων τότε ο i κανόνας είναι πλεονάζων αν και μόνο αν όλα τα στοιχεία του R i είναι μικρότερα από αυτά του πίνακα που προκύπτει από την ένωση των πινάκων αλήθειας όλων των υπόλοιπων κανόνων. Έστω οι ακόλουθοι κανόνες R : ΑΝ e ΑΡΝΗΤΙΚΟΣ ΤΟΤΕ u ΑΡΝΗΤΙΚΟΣ R 2 : ΑΝ e ΜΗΔΕΝΙΚΟΣ ΤΟΤΕ u ΜΗΔΕΝΙΚΟΣ R 3 : ΑΝ e ΠΟΛΥ ΑΡΝΗΤΙΚΟΣ ΤΟΤΕ u ΠΟΛΥ ΑΡΝΗΤΙΚΟΣ Να ελεγχθεί αν ο τρίτος κανόνας είναι πλεονάζων. Με πρώτη ματιά φαίνεται ότι όντως ο τρίτος κανόνας περιέχεται στο πρώτο. Υπολογίζουμε τους πίνακες αλήθειας των κανόνων με τελεστή αλήθειας τον min R = και R 3 = R 2 = Δημιουργούμε τον πίνακα αλήθειας της βάσης κανόνων χωρίς των κανόνα R 3 με τον τελεστή OR (max) δηλαδή τον R R 2 = Παρατηρούμε ότι κάθε στοιχείο του R 3 είναι μικρότερο ή ίσο από τα αντίστοιχα του R R 2 και άρα συμπεραίνουμε ότι ο τρίτος κανόνας είναι πλεονάζων (άχρηστος). Για να ελέγξουμε για το αν υπάρχει κάποιος κανόνας στη βάση ο οποίος είναι πλεονάζων θα πρέπει να κάνουμε την παραπάνω διαδικασία για όλους τους συνδυασμούς των κανόνων Αλληλεπίδραση Η ουσία της αλληλεπίδρασης είναι όταν ο βαθμός ενεργοποίησης ενός κανόνα είναι αλλά το ασαφές σύνολο που προκύπτει είναι διαφορετικό από αυτό της εξόδου του κανόνα εξαιτίας της επίδρασης των άλλων κανόνων στο αποτέλεσμα. Η αλληλεπίδραση όπως αυτή ορίστηκε πιο πάνω, συμβαίνει εξαιτίας της επικάλυψης των ασαφών συνόλων στην αριστερή πλευρά των κανόνων. Αν όλα τα ασαφή σύνολα είναι ξένα μεταξύ τους τότε δεν υπάρχει καθόλου αλληλεπίδραση μεταξύ των κανόνων.

60 Κεφάλαιο 3 Νευρωνικός έλεγχος 3. Νευρωνικά δίκτυα Η μελέτη υπολογιστικών συστημάτων που βασίζονται σε πρότυπα του ανθρώπινου εγκεφάλου έκανε τα πρώτα της βήματα το 943 από τους McCulloch και Pitts οι οποίοι σχεδίασαν το πρώτο νευρωνικό δίκτυο. Η πολυπλοκότητα του ανθρώπινου εγκεφάλου είναι τέτοια έτσι ώστε απαγορεύει την πλήρη κατανόησή του. Ακόμα και η κατανόηση της λειτουργίας ενός νευρώνα του ανθρώπινου εγκεφάλου είναι φοβερά πολύπλοκη. Ο ανθρώπινος εγκέφαλος αποτελείται από νευρώνες, με κάθε νευρώνα να έχει αρκετές χιλιάδες συνδέσεις. Βασικά χαρακτηριστικά του ανθρώπινου εγκεφάλου είναι η αναγνώριση προτύπων (pattern recognition), ο συνειρμός, η πολυπλοκότητα και η ανεκτικότητα στο θόρυβο. synapse nucleus axon cell cell body dendrites Νευρώνας Ένας νευρώνας ενεργοποιείται όταν το σήμα εισόδου του γίνεται μεγαλύτερο από μία τιμή. Οι συνάψεις (συνδέσεις νευρώνων) μπορεί να είναι είτε διεγερτικές είτε ανασταλτικές. Ο νευρώνας έχει ένα κυτταρικό σώμα, μια δενδρική δομή εισόδων τους δενδρίτες και δενδρική δομή εξόδων τους άξονες. Οι άξονες συνδέονται με δενδρίτες άλλων νευρώνων μέσω των συνάψεων. Τα ηλεκτροχημικά σήματα εισόδων διαδίδονται από τους δενδρίτες στο κυτταρικό σώμα και έπειτα μέσω των αξόνων σε άλλους νευρώνες. Αντίστοιχες δομές ακολουθούνται και στα τεχνητά νευρωνικά δίκτυα. 57

61 ΚΕΦΑΛΑΙΟ 3. ΝΕΥΡΩΝΙΚΟΣ ΕΛΕΓΧΟΣ Εκπαίδευση Βιολογικός και τεχνητός νευρώνας Έστω ένας νευρώνας με n εισόδους x,..., x n όπου κάθε σύναψη έχει και ένα (συναπτικό) βάρος w,..., w n. Η είσοδος x είναι πάντα και το αντίστοιχο συναπτικό βάρος w είναι το επίπεδο ενεργοποίησης του νευρώνα ή αλλιώς το επίπεδο κατωφλίου (threshold). Με O συμβολίζουμε την έξοδο του νευρώνα. Συνήθως για ευκολία στο συμβολισμό με w συμβολίζουμε το διάνυσμα [ ] [ ] w... w n και με x το x... x n. Ένας πολύ συνηθισμένος τρόπος υπολογισμού της εξόδου είναι η γραμμική συνάρτηση κατωφλίου n, w i x i > O(w, x) = i=, αλλιώς Επίσης υπάρχει και η συνάρτηση προσήμου όπου n, w i x i O(w, x) = i=, αλλιώς x x 2. x n w 2 w n w x = w Σ n Σ w i x i i= o Νευρώνας. Παρατηρούμε ότι ο νευρώνας ενεργοποιείται θετικά αν n w i x i > w για αυτό και το w = θ ονομάζεται επίπεδο ενεργοποίησης. Αν θ = τότε η είσοδος x παραλείπεται. i=

62 ΚΕΦΑΛΑΙΟ 3. ΝΕΥΡΩΝΙΚΟΣ ΕΛΕΓΧΟΣ 59 Το πρόβλημα εκπαίδευσης ενός νευρώνα είναι να βρεθούν κατάλληλα συναπτικά βάρη έτσι ώστε για συγκεκριμένες εισόδους το νευρωνικό δίκτυο να παράγει συγκεκριμένες επιθυμητές εξόδους. Έστω το ακόλουθο σύνολο εισόδων εξόδων x x 2 y και ένας νευρώνας με δύο εισόδους και μια έξοδο η οποία υπολογίζεται μέσω της γραμμικής συνάρτησης κατωφλίου. Αναζητούμε τα βάρη w, w 2, και το επίπεδο ενεργοποίησης w = θ. Πράγματι για το πρώτο ζεύγος εισόδων εξόδων έχουμε O(w, [ ] ) = w + w + w 2 >. Αντίστοιχα για τα επόμενα τρία ζευγάρια έχουμε O(w, [ ] ) = w + w O(w, [ ] ) = w + w 2 O(w, [ ] ) = w Συναληθεύοντας τις παρακάτω ανισώσεις μπορούμε να διαλέξουμε μια λύση πχ την w = w 2 = 2 θ = w =.6 Και όντως με αυτές τις τιμές ο νευρώνας παράγει τις επιθυμητές εξόδους. Έτσι τελειώνει επιτυχώς η διαδικασία της εκπαίδευσης. Ο παραπάνω νευρώνας προφανώς παράγει να εξόδους και για άλλες εισόδους, πχ για x =.4 και x 2 = η έξοδός του είναι O = γιατί ( ).6 =.9. Με το προηγούμενο παράδειγμα καταφέραμε να εκπαιδεύσουμε ένα νευρώνα έτσι ώστε να παράγει την επιθυμητή έξοδο για συγκεκριμένες εισόδους. Η παραπάνω δομή νευρώνα μπορεί να λύσει προβλήματα που είναι γραμμικώς διαχωρίσιμα, δηλαδή όταν υπάρχει ευθεία γραμμή τέτοια ώστε να διαχωρίζει τις εισόδους που παράγουν έξοδο από αυτές που παράγουν έξοδο. + + x x Γραμμικώς διαχωρίσιμο πρόβλημα εκπαίδευσης.

63 ΚΕΦΑΛΑΙΟ 3. ΝΕΥΡΩΝΙΚΟΣ ΕΛΕΓΧΟΣ 6 Έστω το ακόλουθο σύνολο εισόδων εξόδων x x 2 y ένας νευρώνας με δύο εισόδους και μια έξοδο η οποία υπολογίζεται μέσω της γραμμικής συνάρτησης κατωφλίου. Τα παραπάνω ζευγάρια είναι πρακτικά η έξοδος της συνάρτησης XOR. Αν προσπαθήσουμε να εκπαιδεύσουμε τον νευρώνα καταλήγουμε στις εξής ανισώσεις w + w + w 2 w + w > w + w 2 > w οι οποίες δεν έχουν λύση. Αυτό συμβαίνει γιατί το πρόβλημα δεν είναι γραμμικώς διαχωρίσιμο. X2 X Μη γραμμικώς διαχωρίσιμο πρόβλημα εκπαίδευσης. Εκτός από νευρωνικά δίκτυα με ένα νευρώνα υπάρχουν και τα αντίστοιχα πολυεπίπεδα. Πολυεπίπεδο νευρωνικό δίκτυο.

Ευφυής Έλεγχος, Θεωρία και Εφαρμογές. Δρ. Βολογιαννίδης Σταύρος,

Ευφυής Έλεγχος, Θεωρία και Εφαρμογές. Δρ. Βολογιαννίδης Σταύρος, Ευφυής Έλεγχος, Θεωρία και Εφαρμογές Δρ. Βολογιαννίδης Σταύρος, (svol@teicm.gr) 9 Νοεμβρίου 24 Περιεχόμενα Εισαγωγή. Ευφυής έλεγχος......................... 2 Ασαφής έλεγχος 4 2. Ασαφή σύνολα - Βασικοί

Διαβάστε περισσότερα

Ασαφής Λογική (Fuzzy Logic)

Ασαφής Λογική (Fuzzy Logic) Ασαφής Λογική (Fuzzy Logic) Ασάφεια: έννοια που σχετίζεται με την ποσοτικοποίηση της πληροφορίας και οφείλεται κυρίως σε μη-ακριβή (imprecise) δεδομένα. Π.χ. "Ο Νίκος είναι ψηλός": δεν προσδιορίζεται με

Διαβάστε περισσότερα

ΑΣΑΦΗΣ ΛΟΓΙΚΗ. Οικονόμου Παναγιώτης Δρ. Ε. Παπαγεωργίου 1

ΑΣΑΦΗΣ ΛΟΓΙΚΗ. Οικονόμου Παναγιώτης Δρ. Ε. Παπαγεωργίου 1 ΑΣΑΦΗΣ ΛΟΓΙΚΗ Ασαφή Σύνολα Συναρτήσεις Συμμετοχής Λεκτικοί Κανόνες Πράξεις Ασαφών Συνόλων Ασαφής Συνεπαγωγές Αποασαφοποίηση Παραδείγματα Ασαφών Συστημάτων Οικονόμου Παναγιώτης 1 Ασάφεια Έννοια που σχετίζεται

Διαβάστε περισσότερα

ΕΓΧΕΙΡΙΔΙΟ ΧΡΗΣΗΣ ΤΟΥ ΠΡΟΓΡΑΜΜΑΤΟΣ MATLAB / FUZZY LOGIC TOOLBOX

ΕΓΧΕΙΡΙΔΙΟ ΧΡΗΣΗΣ ΤΟΥ ΠΡΟΓΡΑΜΜΑΤΟΣ MATLAB / FUZZY LOGIC TOOLBOX ΕΓΧΕΙΡΙΔΙΟ ΧΡΗΣΗΣ ΤΟΥ ΠΡΟΓΡΑΜΜΑΤΟΣ MATLAB / FUZZY LOGIC TOOLBOX Σε αυτό το εγχειρίδιο θα περιγράψουμε αναλυτικά τη χρήση του προγράμματος MATLAB στη λύση ασαφών συστημάτων (FIS: FUZZY INFERENCE SYSTEM

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή raniah@hua.gr 1 Ασάφεια (Fuzziness) Ποσοτικοποίηση της ποιοτικής πληροφορίας Οφείλεται κυρίως

Διαβάστε περισσότερα

ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #3: Αρχή της Επέκτασης - Ασαφείς Σχέσεις. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε.

ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #3: Αρχή της Επέκτασης - Ασαφείς Σχέσεις. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ Ενότητα #3: Αρχή της Επέκτασης - Ασαφείς Σχέσεις Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. Άδειες Χρήσης

Διαβάστε περισσότερα

Βασικές Έννοιες Ασαφών Συνόλων

Βασικές Έννοιες Ασαφών Συνόλων Ασάφεια (Fuzziness) Έννοια που σχετίζεται με την ποσοτικοποίηση της πληροφορίας και οφείλεται κυρίως σε μη-ακριβή (imprecise) δεδομένα. "Ο Νίκος είναι ψηλός Το πρόβλημα οφείλεται στην αντίληψη που έχει

Διαβάστε περισσότερα

K15 Ψηφιακή Λογική Σχεδίαση 3: Προτασιακή Λογική / Θεωρία Συνόλων

K15 Ψηφιακή Λογική Σχεδίαση 3: Προτασιακή Λογική / Θεωρία Συνόλων K15 Ψηφιακή Λογική Σχεδίαση 3: Προτασιακή Λογική / Θεωρία Συνόλων Γιάννης Λιαπέρδος TEI Πελοποννήσου Σχολή Τεχνολογικών Εφαρμογών Τμήμα Μηχανικών Πληροφορικής ΤΕ Στοιχεία προτασιακής λογικής Περιεχόμενα

Διαβάστε περισσότερα

Δύο λόγια από τη συγγραφέα

Δύο λόγια από τη συγγραφέα Δύο λόγια από τη συγγραφέα Τα μαθηματικά ή τα λατρεύεις ή τα μισείς! Για να λατρέψεις κάτι πρέπει να το κατανοήσεις, για τη δεύτερη περίπτωση τα πράγματα μάλλον είναι λίγο πιο απλά. Στόχος αυτού του βιβλίου

Διαβάστε περισσότερα

Προβλήματα, αλγόριθμοι, ψευδοκώδικας

Προβλήματα, αλγόριθμοι, ψευδοκώδικας Προβλήματα, αλγόριθμοι, ψευδοκώδικας October 11, 2011 Στο μάθημα Αλγοριθμική και Δομές Δεδομένων θα ασχοληθούμε με ένα μέρος της διαδικασίας επίλυσης υπολογιστικών προβλημάτων. Συγκεκριμένα θα δούμε τι

Διαβάστε περισσότερα

1 Αριθμητική κινητής υποδιαστολής και σφάλματα στρογγύλευσης

1 Αριθμητική κινητής υποδιαστολής και σφάλματα στρογγύλευσης 1 Αριθμητική κινητής υποδιαστολής και σφάλματα στρογγύλευσης Στη συγκεκριμένη ενότητα εξετάζουμε θέματα σχετικά με την αριθμητική πεπερασμένης ακρίβειας που χρησιμοποιούν οι σημερινοί υπολογιστές και τα

Διαβάστε περισσότερα

Μελέτη αναρτήσεων με μεταβαλλόμενη σταθερά ελατηρίου με έλεγχο ασαφούς λογικής

Μελέτη αναρτήσεων με μεταβαλλόμενη σταθερά ελατηρίου με έλεγχο ασαφούς λογικής ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ ΠΑΡΑΓΩΓΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ Μελέτη αναρτήσεων με μεταβαλλόμενη σταθερά ελατηρίου με έλεγχο ασαφούς λογικής Διπλωματική Εργασία Βασιλόπουλος Γεώργιος Επιβλέπων Καθηγητής:

Διαβάστε περισσότερα

Θεωρία Υπολογισμού Άρτιοι ΑΜ. Διδάσκων: Σταύρος Κολλιόπουλος. eclass.di.uoa.gr. Περιγραφή μαθήματος

Θεωρία Υπολογισμού Άρτιοι ΑΜ. Διδάσκων: Σταύρος Κολλιόπουλος. eclass.di.uoa.gr. Περιγραφή μαθήματος Περιγραφή μαθήματος Θεωρία Υπολογισμού Άρτιοι ΑΜ Σκοπός του μαθήματος είναι η εισαγωγή στη Θεωρία Υπολογισμού και στη Θεωρία Υπολογιστικής Πολυπλοκότητας (Θεωρία Αλγορίθμων). Διδάσκων: Σταύρος Κολλιόπουλος

Διαβάστε περισσότερα

Θεωρία Υπολογισμού Αρτιοι ΑΜ Διδάσκων: Σταύρος Κολλιόπουλος eclass.di.uoa.gr

Θεωρία Υπολογισμού Αρτιοι ΑΜ Διδάσκων: Σταύρος Κολλιόπουλος eclass.di.uoa.gr Θεωρία Υπολογισμού Άρτιοι ΑΜ Διδάσκων: Σταύρος Κολλιόπουλος eclass.di.uoa.gr Περιγραφή μαθήματος Σκοπός του μαθήματος είναι η εισαγωγή στη Θεωρία Υπολογισμού και στη Θεωρία Υπολογιστικής Πολυπλοκότητας

Διαβάστε περισσότερα

K15 Ψηφιακή Λογική Σχεδίαση 7-8: Ανάλυση και σύνθεση συνδυαστικών λογικών κυκλωμάτων

K15 Ψηφιακή Λογική Σχεδίαση 7-8: Ανάλυση και σύνθεση συνδυαστικών λογικών κυκλωμάτων K15 Ψηφιακή Λογική Σχεδίαση 7-8: Ανάλυση και σύνθεση συνδυαστικών λογικών κυκλωμάτων Γιάννης Λιαπέρδος TEI Πελοποννήσου Σχολή Τεχνολογικών Εφαρμογών Τμήμα Μηχανικών Πληροφορικής ΤΕ Η έννοια του συνδυαστικού

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 1. Ασαφή Συστήματα. 1.1 Ασαφή Σύνολα. x A. 1, x

ΚΕΦΑΛΑΙΟ 1. Ασαφή Συστήματα. 1.1 Ασαφή Σύνολα. x A. 1, x ΚΕΦΑΛΑΙΟ 1 Ασαφή Συστήματα Η τεχνολογική πρόοδος των τελευταίων ετών επέβαλλε τη δημιουργία συστημάτων ικανών να εκτελέσουν προσεγγιστικούς συλλογισμούς, παρόμοιους με αυτούς του ανθρώπινου εγκέφαλου.

Διαβάστε περισσότερα

Μελέτη ενεργών αναρτήσεων με συστήματα ελέγχου ασαφούς λογικής

Μελέτη ενεργών αναρτήσεων με συστήματα ελέγχου ασαφούς λογικής 9 ` Μελέτη ενεργών αναρτήσεων με συστήματα ελέγχου ασαφούς λογικής Μαρακάκης Κων/νος Τμήμα Μηχανικών Παραγωγής & Διοίκησης Πολυτεχνείο Κρήτης 4//8 Επιβλέπων : Σταυρουλάκης Γιώργος Πίνακας περιεχοµένων

Διαβάστε περισσότερα

ΑΝΑΛΥΣΗ 1 ΕΝΑΤΟ ΜΑΘΗΜΑ, Μ. Παπαδημητράκης.

ΑΝΑΛΥΣΗ 1 ΕΝΑΤΟ ΜΑΘΗΜΑ, Μ. Παπαδημητράκης. ΑΝΑΛΥΣΗ 1 ΕΝΑΤΟ ΜΑΘΗΜΑ, 5-10-13 Μ. Παπαδημητράκης. 1 Τώρα θα μιλήσουμε για την έννοια της περιοχής, η οποία έχει κεντρικό ρόλο στη μελέτη της έννοιας του ορίου (ακολουθίας και συνάρτησης). Αν > 0, ονομάζουμε

Διαβάστε περισσότερα

3.1 Αριθμητικοί και Λογικοί Τελεστές, Μετατροπές Τύπου (Casting)

3.1 Αριθμητικοί και Λογικοί Τελεστές, Μετατροπές Τύπου (Casting) Εργαστήριο 3: 3.1 Αριθμητικοί και Λογικοί Τελεστές, Μετατροπές Τύπου (Casting) Η C++, όπως όλες οι γλώσσες προγραμματισμού, χρησιμοποιεί τελεστές για να εκτελέσει τις αριθμητικές και λογικές λειτουργίες.

Διαβάστε περισσότερα

Αριθμητική Ανάλυση & Εφαρμογές

Αριθμητική Ανάλυση & Εφαρμογές Αριθμητική Ανάλυση & Εφαρμογές Διδάσκων: Δημήτριος Ι. Φωτιάδης Τμήμα Μηχανικών Επιστήμης Υλικών Ιωάννινα 2017-2018 Υπολογισμοί και Σφάλματα Παράσταση Πραγματικών Αριθμών Συστήματα Αριθμών Παράσταση Ακέραιου

Διαβάστε περισσότερα

Κεφάλαιο 14. Ασάφεια. Τεχνητή Νοηµοσύνη - Β' Έκδοση. Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου

Κεφάλαιο 14. Ασάφεια. Τεχνητή Νοηµοσύνη - Β' Έκδοση. Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Κεφάλαιο 4 Ασάφεια Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Ασάφεια (Fuzziness) Έννοια που σχετίζεται µε την ποσοτικοποίηση της πληροφορίας και

Διαβάστε περισσότερα

Μαθηματική Ανάλυση Ι

Μαθηματική Ανάλυση Ι Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών Μαθηματική Ανάλυση Ι Ενότητα 1: Σύνολα, Πραγματικοί αριθμοί Επίκ. Καθηγητής Θ. Ζυγκιρίδης e-mail: tzygiridis@uowm.gr Τμήμα Μηχανικών Πληροφορικής και Τηλεπικοινωνιών

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ Ενότητα #6: Συστήματα Ασαφούς Λογικής Ασαφοποιητές - Αποασαφοποιητές Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού

Διαβάστε περισσότερα

M m l B r mglsin mlcos x ml 2 1) Να εισαχθεί το µοντέλο στο simulink ορίζοντας από πριν στο MATLAB τις µεταβλητές Μ,m,br

M m l B r mglsin mlcos x ml 2 1) Να εισαχθεί το µοντέλο στο simulink ορίζοντας από πριν στο MATLAB τις µεταβλητές Μ,m,br ΑΣΚΗΣΗ 1 Έστω ένα σύστηµα εκκρεµούς όπως φαίνεται στο ακόλουθο σχήµα: Πάνω στη µάζα Μ επιδρά µια οριζόντια δύναµη F l την οποία και θεωρούµε σαν είσοδο στο σύστηµα. Έξοδος του συστήµατος θεωρείται η απόσταση

Διαβάστε περισσότερα

Κατηγορηματικός Λογισμός (ΗR Κεφάλαιο 2.1-2.5)

Κατηγορηματικός Λογισμός (ΗR Κεφάλαιο 2.1-2.5) Κατηγορηματικός Λογισμός (ΗR Κεφάλαιο 2.1-2.5) Στην ενότητα αυτή θα μελετηθούν τα εξής επιμέρους θέματα: Εισαγωγή στον Κατηγορηματικό Λογισμό Σύνταξη Κανόνες Συμπερασμού Σημασιολογία ΕΠΛ 412 Λογική στην

Διαβάστε περισσότερα

ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ

ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΕΙΣΑΓΩΓΗ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ. ΤΙ ΕΙΝΑΙ ΤΑ ΜΑΘΗΜΑΤΙΚΑ; Η επιστήμη των αριθμών Βασανιστήριο για τους μαθητές και φοιτητές Τέχνη για τους μαθηματικούς ΜΑΘΗΜΑΤΙΚΑ Α Εξάμηνο ΙΩΑΝΝΗΣ

Διαβάστε περισσότερα

ΠΟΛΥΚΡΙΤΗΡΙΑ ΥΠΟΣΤΗΡΙΞΗ ΑΠΟΦΑΣΕΩΝ. Χάρης Δούκας, Πάνος Ξυδώνας, Ιωάννης Ψαρράς

ΠΟΛΥΚΡΙΤΗΡΙΑ ΥΠΟΣΤΗΡΙΞΗ ΑΠΟΦΑΣΕΩΝ. Χάρης Δούκας, Πάνος Ξυδώνας, Ιωάννης Ψαρράς Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Ηλεκτρολόγων Μηχανικών Και Μηχανικών Υπολογιστών ΤΟΜΕΑΣ ΗΛΕΚΤΡΙΚΩΝ ΒΙΟΜΗΧΑΝΙΚΩΝ ΔΙΑΤΑΞΕΩΝ ΚΑΙ ΣΥΣΤΗΜΑΤΩΝ ΑΠΟΦΑΣΕΩΝ Εργαστήριο Συστημάτων Αποφάσεων και Διοίκησης ΠΟΛΥΚΡΙΤΗΡΙΑ

Διαβάστε περισσότερα

Υπολογιστικά & Διακριτά Μαθηματικά

Υπολογιστικά & Διακριτά Μαθηματικά Υπολογιστικά & Διακριτά Μαθηματικά Ενότητα 8: Σχέσεις - Πράξεις Δομές Στεφανίδης Γεώργιος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό,

Διαβάστε περισσότερα

6 Συνεκτικοί τοπολογικοί χώροι

6 Συνεκτικοί τοπολογικοί χώροι 36 6 Συνεκτικοί τοπολογικοί χώροι Έστω R διάστημα και f : R συνεχής συνάρτηση τότε, όπως γνωρίζουμε από τον Απειροστικό Λογισμό, η f έχει την ιδιότητα της ενδιάμεσου τιμής. Η ιδιότητα αυτή δεν εξαρτάται

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 8 Η ΓΛΩΣΣΑ PASCAL

ΚΕΦΑΛΑΙΟ 8 Η ΓΛΩΣΣΑ PASCAL 8.1. Εισαγωγή ΚΕΦΑΛΑΙΟ 8 Η ΓΛΩΣΣΑ PACAL Πως προέκυψε η γλώσσα προγραμματισμού Pascal και ποια είναι τα γενικά της χαρακτηριστικά; Σχεδιάστηκε από τον Ελβετό επιστήμονα της Πληροφορικής Nicklaus Wirth to

Διαβάστε περισσότερα

Θεωρία Υπολογισμού και Πολυπλοκότητα Μαθηματικό Υπόβαθρο

Θεωρία Υπολογισμού και Πολυπλοκότητα Μαθηματικό Υπόβαθρο Θεωρία Υπολογισμού και Πολυπλοκότητα Μαθηματικό Υπόβαθρο Στην ενότητα αυτή θα μελετηθούν τα εξής επιμέρους θέματα: Σύνολα Συναρτήσεις και Σχέσεις Γραφήματα Λέξεις και Γλώσσες Αποδείξεις ΕΠΛ 211 Θεωρία

Διαβάστε περισσότερα

p p 0 1 1 0 p q p q p q 0 0 0 0 1 0 1 0 0 1 1 1 p q

p p 0 1 1 0 p q p q p q 0 0 0 0 1 0 1 0 0 1 1 1 p q Σημειώσεις του Μαθήματος Μ2422 Λογική Κώστας Σκανδάλης ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ 2010 Εισαγωγή Η Λογική ασχολείται με τους νόμους ορθού συλλογισμού και μελετά τους κανόνες βάσει των οποίων

Διαβάστε περισσότερα

Pr(10 X 15) = Pr(15 X 20) = 1/2, (10.2)

Pr(10 X 15) = Pr(15 X 20) = 1/2, (10.2) Κεφάλαιο 10 Συνεχείς τυχαίες μεταβλητές Σε αυτό το κεφάλαιο θα εξετάσουμε τις ιδιότητες που έχουν οι συνεχείς τυχαίες μεταβλητές. Εκείνες οι Τ.Μ. X, δηλαδή, των οποίων το σύνολο τιμών δεν είναι διακριτό,

Διαβάστε περισσότερα

Θεωρία Υπολογισμού και Πολυπλοκότητα

Θεωρία Υπολογισμού και Πολυπλοκότητα Θεωρία Υπολογισμού και Πολυπλοκότητα Κεφάλαιο 1. Μαθηματικό Υπόβαθρο 23, 26 Ιανουαρίου 2007 Δρ. Παπαδοπούλου Βίκη 1 1.1. Σύνολα Ορισμός : Σύνολο μια συλλογή από αντικείμενα Στοιχεία: Μέλη συνόλου Τα στοιχεία

Διαβάστε περισσότερα

9. Συστολικές Συστοιχίες Επεξεργαστών

9. Συστολικές Συστοιχίες Επεξεργαστών Κεφάλαιο 9: Συστολικές συστοιχίες επεξεργαστών 208 9. Συστολικές Συστοιχίες Επεξεργαστών Οι συστολικές συστοιχίες επεξεργαστών είναι επεξεργαστές ειδικού σκοπού οι οποίοι είναι συνήθως προσκολλημένοι σε

Διαβάστε περισσότερα

Ας θεωρήσουμε δύο πραγματικούς αριθμούς. Είναι γνωστό ότι:,. Αυτό σημαίνει ότι: «=», «

Ας θεωρήσουμε δύο πραγματικούς αριθμούς. Είναι γνωστό ότι:,. Αυτό σημαίνει ότι: «=», « .1 Στη παράγραφο αυτή θα γνωρίσουμε μερικές βασικές έννοιες της Λογικής, τις οποίες θα χρησιμοποιήσουμε στη συνέχεια, όπου αυτό κρίνεται αναγκαίο, για τη σαφέστερη διατύπωση μαθηματικών εννοιών, προτάσεων

Διαβάστε περισσότερα

Ο αλγόριθμος πρέπει να τηρεί κάποια κριτήρια

Ο αλγόριθμος πρέπει να τηρεί κάποια κριτήρια Αλγόριθμος είναι μια πεπερασμένη σειρά ενεργειών, αυστηρά καθορισμένων και εκτελέσιμων σε πεπερασμένο χρόνο, που στοχεύουν στην επίλυση ενός προβλήματος. Ο αλγόριθμος πρέπει να τηρεί κάποια κριτήρια Είσοδος:

Διαβάστε περισσότερα

Εισαγωγικά Παραδείγματα: Παρατηρήσεις:

Εισαγωγικά Παραδείγματα: Παρατηρήσεις: 1 Εισαγωγικά Η έννοια του συνόλου είναι πρωταρχική στα Μαθηματικά, δεν μπορεί δηλ. να οριστεί από άλλες έννοιες. Γενικά, μπορούμε να πούμε ότι σύνολο είναι μια συλλογή αντικειμένων. υτά λέμε ότι περιέχονται

Διαβάστε περισσότερα

h(x, y) = card ({ 1 i n : x i y i

h(x, y) = card ({ 1 i n : x i y i Κεφάλαιο 1 Μετρικοί χώροι 1.1 Ορισμός και παραδείγματα Ορισμός 1.1.1 μετρική). Εστω X ένα μη κενό σύνολο. Μετρική στο X λέγεται κάθε συνάρτηση ρ : X X R με τις παρακάτω ιδιότητες: i) ρx, y) για κάθε x,

Διαβάστε περισσότερα

ΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ

ΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ ΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ Βασίλης Δ. Ανδριτσάνος Δρ. Αγρονόμος - Τοπογράφος Μηχανικός ΑΠΘ Επίκουρος Καθηγητής ΤΕΙ Αθήνας 3ο εξάμηνο http://eclass.teiath.gr Παρουσιάσεις,

Διαβάστε περισσότερα

ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #5: Ασαφής Συλλογισμός. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε.

ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #5: Ασαφής Συλλογισμός. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ Ενότητα #5: Ασαφής Συλλογισμός Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. Άδειες Χρήσης Το παρόν εκπαιδευτικό

Διαβάστε περισσότερα

Γραμμικός Προγραμματισμός Μέθοδος Simplex

Γραμμικός Προγραμματισμός Μέθοδος Simplex ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ Επιχειρησιακή Έρευνα Γραμμικός Προγραμματισμός Μέθοδος Simplex Η παρουσίαση προετοιμάστηκε από τον Ν.Α. Παναγιώτου Περιεχόμενα Παρουσίασης 1. Πρότυπη Μορφή ΓΠ 2. Πινακοποίηση

Διαβάστε περισσότερα

Διακριτά Μαθηματικά Γιάννης Εμίρης Τμήμα Πληροφορικής & Τηλεπικοινωνιών http://eclass.uoa.gr/ Οκτώβριος 2017 Οργάνωση Μαθήματος Προτασιακή Λογική, Αποδείξεις Κατηγορήματα και ποσοδείκτες Συνεπαγωγή Αποδείξεις

Διαβάστε περισσότερα

ΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ (ΗΥ-119)

ΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ (ΗΥ-119) ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΠΙΣΤΗΜΗΣ ΥΠΟΛΟΓΙΣΤΩΝ ΙΩΑΝΝΗΣ Α. ΤΣΑΓΡΑΚΗΣ ΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ (ΗΥ-119) ΜΕΡΟΣ 5: ΔΙΑΝΥΣΜΑΤΙΚΟΙ ΥΠΟΧΩΡΟΙ ΓΡΑΜΜΙΚΗ ΑΝΕΞΑΡΤΗΣΙΑ ΒΑΣΕΙΣ & ΔΙΑΣΤΑΣΗ Δ.Χ. ΣΗΜΕΙΩΣΕΙΣ

Διαβάστε περισσότερα

Σημειώσεις Λογικής I. Εαρινό Εξάμηνο Καθηγητής: Λ. Κυρούσης

Σημειώσεις Λογικής I. Εαρινό Εξάμηνο Καθηγητής: Λ. Κυρούσης Σημειώσεις Λογικής I Εαρινό Εξάμηνο 2011-2012 Καθηγητής: Λ. Κυρούσης 2 Τελευταία ενημέρωση 28/3/2012, στις 01:37. Περιεχόμενα 1 Εισαγωγή 5 2 Προτασιακή Λογική 7 2.1 Αναδρομικοί Ορισμοί - Επαγωγικές Αποδείξεις...................

Διαβάστε περισσότερα

5. (Λειτουργικά) Δομικά Διαγράμματα

5. (Λειτουργικά) Δομικά Διαγράμματα 5. (Λειτουργικά) Δομικά Διαγράμματα Γενικά, ένα λειτουργικό δομικό διάγραμμα έχει συγκεκριμένη δομή που περιλαμβάνει: Τις δομικές μονάδες (λειτουργικά τμήματα ή βαθμίδες) που συμβολίζουν συγκεκριμένες

Διαβάστε περισσότερα

Ανάλυση της Ορθότητας Προγραμμάτων (HR Κεφάλαιο 4)

Ανάλυση της Ορθότητας Προγραμμάτων (HR Κεφάλαιο 4) Ανάλυση της Ορθότητας Προγραμμάτων (HR Κεφάλαιο 4) Στην ενότητα αυτή θα μελετηθούν τα εξής θέματα: Η διαδικαστική γλώσσα προγραμματισμού WHILE Τριάδες Hoare Μερική και Ολική Ορθότητα Προγραμμάτων Κανόνες

Διαβάστε περισσότερα

ΠΟΛΥΚΡΙΤΗΡΙΑ ΥΠΟΣΤΗΡΙΞΗ ΑΠΟΦΑΣΕΩΝ. Χάρης Δούκας, Πάνος Ξυδώνας, Ιωάννης Ψαρράς

ΠΟΛΥΚΡΙΤΗΡΙΑ ΥΠΟΣΤΗΡΙΞΗ ΑΠΟΦΑΣΕΩΝ. Χάρης Δούκας, Πάνος Ξυδώνας, Ιωάννης Ψαρράς Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Ηλεκτρολόγων Μηχανικών Και Μηχανικών Υπολογιστών ΤΟΜΕΑΣ ΗΛΕΚΤΡΙΚΩΝ ΒΙΟΜΗΧΑΝΙΚΩΝ ΔΙΑΤΑΞΕΩΝ ΚΑΙ ΣΥΣΤΗΜΑΤΩΝ ΑΠΟΦΑΣΕΩΝ Εργαστήριο Συστημάτων Αποφάσεων και Διοίκησης ΠΟΛΥΚΡΙΤΗΡΙΑ

Διαβάστε περισσότερα

Εφαρμοσμένα Μαθηματικά ΙΙ

Εφαρμοσμένα Μαθηματικά ΙΙ Τμήμα Μηχανολόγων Μηχανικών Πανεπιστήμιο Θεσσαλίας Εφαρμοσμένα Μαθηματικά ΙΙ Διανυσματικοί Χώροι Ιωάννης Λυχναρόπουλος Μαθηματικός, MSc, PhD Διανυσματικός Χώρος επί του F Αλγεβρική δομή που αποτελείται

Διαβάστε περισσότερα

Δρ. Βασίλειος Γ. Καμπουρλάζος Δρ. Ανέστης Γ. Χατζημιχαηλίδης

Δρ. Βασίλειος Γ. Καμπουρλάζος Δρ. Ανέστης Γ. Χατζημιχαηλίδης Μάθημα 2ο Δρ. Ανέστης Γ. Χατζημιχαηλίδης Τμήμα Μηχανικών Πληροφορικής Τ.Ε. ΤΕΙ Ανατολικής Μακεδονίας και Θράκης 2016-2017 Ασαφή Συστήματα 2 Η ασαφής λογική προτάθηκε το 1965 από τον Prof. Lotfi Zadeh

Διαβάστε περισσότερα

ΑΣΥΜΜΕΤΡΙΑ Ας υποθέσουμε, ότι κατά την μελέτη της κατανομής δύο μεταβλητών, καταλήγουμε στα παρακάτω ιστογράμματα.

ΑΣΥΜΜΕΤΡΙΑ Ας υποθέσουμε, ότι κατά την μελέτη της κατανομής δύο μεταβλητών, καταλήγουμε στα παρακάτω ιστογράμματα. ΑΣΥΜΜΕΤΡΙΑ Ας υποθέσουμε, ότι κατά την μελέτη της κατανομής δύο μεταβλητών, καταλήγουμε στα παρακάτω ιστογράμματα. Στα παραπάνω ιστογράμματα, παρατηρούμε, ότι αν και υπάρχει διαφορά στη διασπορά των τιμών

Διαβάστε περισσότερα

Ασκήσεις μελέτης της 8 ης διάλεξης

Ασκήσεις μελέτης της 8 ης διάλεξης Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Πληροφορικής Μάθημα: Τεχνητή Νοημοσύνη, 2017 18 Διδάσκων: Ι. Ανδρουτσόπουλος Ασκήσεις μελέτης της 8 ης διάλεξης 8.1. (i) Έστω ότι α και β είναι δύο τύποι της προτασιακής

Διαβάστε περισσότερα

Εφαρμοσμένα Μαθηματικά ΙΙ

Εφαρμοσμένα Μαθηματικά ΙΙ Τμήμα Μηχανολόγων Μηχανικών Πανεπιστήμιο Θεσσαλίας Εφαρμοσμένα Μαθηματικά ΙΙ Διανυσματικοί Χώροι Ιωάννης Λυχναρόπουλος Μαθηματικός, MSc, PhD Διανυσματικός Χώρος επί του F Αλγεβρική δομή που αποτελείται

Διαβάστε περισσότερα

Τμήμα Χρηματοοικονομικής & Ελεγκτικής ΤΕΙ Ηπείρου Παράρτημα Πρέβεζας. Πληροφορική Ι. Μάθημα 4 ο Πράξεις με bits. Δρ.

Τμήμα Χρηματοοικονομικής & Ελεγκτικής ΤΕΙ Ηπείρου Παράρτημα Πρέβεζας. Πληροφορική Ι. Μάθημα 4 ο Πράξεις με bits. Δρ. Τμήμα Χρηματοοικονομικής & Ελεγκτικής ΤΕΙ Ηπείρου Παράρτημα Πρέβεζας Πληροφορική Ι Μάθημα 4 ο Πράξεις με bits Δρ. Γκόγκος Χρήστος Κατηγορίες πράξεων με bits Πράξεις με δυαδικά ψηφία Αριθμητικές πράξεις

Διαβάστε περισσότερα

ΠΑΙΓΝΙΑ Παιχνίδια Γενική Θεώρηση μεγιστοποιήσει την πιθανότητά

ΠΑΙΓΝΙΑ Παιχνίδια Γενική Θεώρηση μεγιστοποιήσει την πιθανότητά ΠΑΙΓΝΙΑ Παιχνίδια Γενική Θεώρηση: Έστω ότι έχουμε τους παίκτες Χ και Υ. Ο κάθε παίκτης, σε κάθε κίνηση που κάνει, προσπαθεί να μεγιστοποιήσει την πιθανότητά του να κερδίσει. Ο Χ σε κάθε κίνηση που κάνει

Διαβάστε περισσότερα

ΕΠΛ 211: Θεωρία Υπολογισμού και Πολυπλοκότητας. Διάλεξη 1: Μαθηματικό Υπόβαθρο

ΕΠΛ 211: Θεωρία Υπολογισμού και Πολυπλοκότητας. Διάλεξη 1: Μαθηματικό Υπόβαθρο ΕΠΛ 211: Θεωρία Υπολογισμού και Πολυπλοκότητας Διάλεξη 1: Μαθηματικό Υπόβαθρο Τι θα κάνουμε σήμερα Εισαγωγικά (0.1) Σύνολα (0.2.1, 0.2.2) Συναρτήσεις & Σχέσεις (;;) (0.2.3) 1 Περιοχές που θα μελετήσουμε

Διαβάστε περισσότερα

Φ(s(n)) = s (Φ(n)). (i) Φ(1) = a.

Φ(s(n)) = s (Φ(n)). (i) Φ(1) = a. 1. Τα θεμελιώδη αριθμητικά συστήματα Με τον όρο θεμελιώδη αριθμητικά συστήματα εννοούμε τα σύνολα N των φυσικών αριθμών, Z των ακεραίων, Q των ρητών και R των πραγματικών. Από αυτά, το σύνολο N είναι πρωτογενές

Διαβάστε περισσότερα

2 ΟΥ και 8 ΟΥ ΚΕΦΑΛΑΙΟΥ

2 ΟΥ και 8 ΟΥ ΚΕΦΑΛΑΙΟΥ ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΕΠΙΜΕΛΕΙΑ: ΜΑΡΙΑ Σ. ΖΙΩΓΑ ΚΑΘΗΓΗΤΡΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΘΕΩΡΙΑ 2 ΟΥ και 8 ΟΥ ΚΕΦΑΛΑΙΟΥ ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΔΟΜΗ ΕΠΑΝΑΛΗΨΗΣ 1) Πότε χρησιμοποιείται η δομή επανάληψης

Διαβάστε περισσότερα

ΠΟΛΥΚΡΙΤΗΡΙΑ ΥΠΟΣΤΗΡΙΞΗ ΑΠΟΦΑΣΕΩΝ

ΠΟΛΥΚΡΙΤΗΡΙΑ ΥΠΟΣΤΗΡΙΞΗ ΑΠΟΦΑΣΕΩΝ Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Ηλεκτρολόγων Μηχανικών Και Μηχανικών Υπολογιστών ΤΟΜΕΑΣ ΗΛΕΚΤΡΙΚΩΝ ΒΙΟΜΗΧΑΝΙΚΩΝ ΔΙΑΤΑΞΕΩΝ ΚΑΙ ΣΥΣΤΗΜΑΤΩΝ ΑΠΟΦΑΣΕΩΝ Εργαστήριο Συστημάτων Αποφάσεων και Διοίκησης ΠΟΛΥΚΡΙΤΗΡΙΑ

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΙΚΟ ΚΕΦΑΛΑΙΟ. a β a β.

ΕΙΣΑΓΩΓΙΚΟ ΚΕΦΑΛΑΙΟ. a β a β. ΕΙΣΑΓΩΓΙΚΟ ΚΕΦΑΛΑΙΟ Ε.1 ΤΟ ΛΕΞΙΛΟΓΙΟ ΤΗΣ ΛΟΓΙΚΗΣ Στη παράγραφο αυτή θα γνωρίσουμε μερικές βασικές έννοιες της Λογικής, τις οποίες θα χρησιμοποιήσουμε στη συνέχεια, όπου αυτό κρίνεται αναγκαίο, για τη σαφέστερη

Διαβάστε περισσότερα

ΛΟΓΙΣΜΟΣ ΜΙΑΣ ΜΕΤΑΒΛΗΤΗΣ, ΕΣΠΙ 1

ΛΟΓΙΣΜΟΣ ΜΙΑΣ ΜΕΤΑΒΛΗΤΗΣ, ΕΣΠΙ 1 ΛΟΓΙΣΜΟΣ ΜΙΑΣ ΜΕΤΑΒΛΗΤΗΣ, ΕΣΠΙ 1 ΣΥΝΑΡΤΗΣΕΙΣ Η έννοια της συνάρτησης είναι θεμελιώδης στο λογισμό και διαπερνά όλους τους μαθηματικούς κλάδους. Για το φοιτητή είναι σημαντικό να κατανοήσει πλήρως αυτή

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Λογική. Δημήτρης Πλεξουσάκης

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Λογική. Δημήτρης Πλεξουσάκης ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Λογική Δημήτρης Πλεξουσάκης 2ο μέρος σημειώσεων: Συστήματα Αποδείξεων για τον ΠΛ, Μορφολογική Παραγωγή, Κατασκευή Μοντέλων Τμήμα Επιστήμης Υπολογιστών Άδειες Χρήσης

Διαβάστε περισσότερα

ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΚΡΙΤΩΝ ΕΝΑΛΛΑΚΤΙΚΩΝ ΣΕ ΠΡΟΒΛΗΜΑΤΑ ΣΧΕΔΙΑΣΜΟΥ ΚΑΙ ΣΥΝΘΕΣΗΣ ΔΙΕΡΓΑΣΙΩΝ

ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΚΡΙΤΩΝ ΕΝΑΛΛΑΚΤΙΚΩΝ ΣΕ ΠΡΟΒΛΗΜΑΤΑ ΣΧΕΔΙΑΣΜΟΥ ΚΑΙ ΣΥΝΘΕΣΗΣ ΔΙΕΡΓΑΣΙΩΝ ΜΕΡΟΣ ΙΙ ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΚΡΙΤΩΝ ΕΝΑΛΛΑΚΤΙΚΩΝ ΣΕ ΠΡΟΒΛΗΜΑΤΑ ΣΧΕΔΙΑΣΜΟΥ ΚΑΙ ΣΥΝΘΕΣΗΣ ΔΙΕΡΓΑΣΙΩΝ 36 ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΚΡΙΤΩΝ ΕΝΑΛΛΑΚΤΙΚΩΝ ΣΕ ΠΡΟΒΛΗΜΑΤΑ ΣΧΕΔΙΑΣΜΟΥ ΚΑΙ ΣΥΝΘΕΣΗΣ ΔΙΕΡΓΑΣΙΩΝ Πολλές από τις αποφάσεις

Διαβάστε περισσότερα

HY118- ιακριτά Μαθηµατικά. Παράδειγµα. Από τα συµπεράσµατα στις υποθέσεις Αποδείξεις - Θεωρία συνόλων. Από τις υποθέσεις στα συµπεράσµατα...

HY118- ιακριτά Μαθηµατικά. Παράδειγµα. Από τα συµπεράσµατα στις υποθέσεις Αποδείξεις - Θεωρία συνόλων. Από τις υποθέσεις στα συµπεράσµατα... HY118- ιακριτά Μαθηµατικά Παρασκευή, 11/03/2016 Αντώνης Α. Αργυρός e-mail: argyros@csd.uoc.gr Το υλικό των διαφανειών έχει βασιστεί σε διαφάνειες του Kees van Deemter, από το University of Aberdeen 3/15/2016

Διαβάστε περισσότερα

β) 3 n < n!, n > 6 i i! = (n + 1)! 1, n 1 i=1

β) 3 n < n!, n > 6 i i! = (n + 1)! 1, n 1 i=1 Κεφάλαιο 2: Στοιχεία Λογικής - Μέθοδοι Απόδειξης 1. Να αποδειχθεί ότι οι λογικοί τύποι: (p ( (( p) q))) (p q) και p είναι λογικά ισοδύναμοι. Θέλουμε να αποδείξουμε ότι: (p ( (( p) q))) (p q) p, ή με άλλα

Διαβάστε περισσότερα

1) Τι είναι ένα Σύστημα Αυτομάτου Ελέγχου 2) Παραδείγματα εφαρμογών Συστημάτων Ελέγχου 3) Τι είναι ανατροφοδότηση (Feedback) και ποιες είναι οι

1) Τι είναι ένα Σύστημα Αυτομάτου Ελέγχου 2) Παραδείγματα εφαρμογών Συστημάτων Ελέγχου 3) Τι είναι ανατροφοδότηση (Feedback) και ποιες είναι οι 1) Τι είναι ένα Σύστημα Αυτομάτου Ελέγχου 2) Παραδείγματα εφαρμογών Συστημάτων Ελέγχου 3) Τι είναι ανατροφοδότηση (Feedback) και ποιες είναι οι επιπτώσεις της 4) Μαθηματικό υπόβαθρο για την μελέτη των

Διαβάστε περισσότερα

Βιομηχανικοί Ελεγκτές

Βιομηχανικοί Ελεγκτές ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τ.Τ Βιομηχανικοί Ελεγκτές Ενότητα #7: Ευφυής Ελεγκτής Μέρος Α Κωνσταντίνος Αλαφοδήμος Τμήματος Μηχανικών Αυτοματισμού Τ.Ε. Άδειες Χρήσης Το παρόν

Διαβάστε περισσότερα

ΗΥ118: Διακριτά Μαθηματικά Εαρινό εξάμηνο 2016 Λύσεις ασκήσεων προόδου

ΗΥ118: Διακριτά Μαθηματικά Εαρινό εξάμηνο 2016 Λύσεις ασκήσεων προόδου ΗΥ118: Διακριτά Μαθηματικά Εαρινό εξάμηνο 016 Λύσεις ασκήσεων προόδου Θέμα 1: [16 μονάδες] [8] Έστω ότι μας δίνουν τα παρακάτω δεδομένα: Εάν αυτό το πρόγραμμα ΗΥ είναι αποδοτικό, τότε εκτελείται γρήγορα.

Διαβάστε περισσότερα

Γενικά Στοιχεία Ηλεκτρονικού Υπολογιστή

Γενικά Στοιχεία Ηλεκτρονικού Υπολογιστή Γενικά Στοιχεία Ηλεκτρονικού Υπολογιστή 1. Ηλεκτρονικός Υπολογιστής Ο Ηλεκτρονικός Υπολογιστής είναι μια συσκευή, μεγάλη ή μικρή, που επεξεργάζεται δεδομένα και εκτελεί την εργασία του σύμφωνα με τα παρακάτω

Διαβάστε περισσότερα

ΕΝΑΣ ΔΙΚΡΙΤΗΡΙΟΣ ΑΛΓΟΡΙΘΜΟΣ SIMPLEX

ΕΝΑΣ ΔΙΚΡΙΤΗΡΙΟΣ ΑΛΓΟΡΙΘΜΟΣ SIMPLEX ΚΕΦΑΛΑΙΟ 3 ΕΝΑΣ ΔΙΚΡΙΤΗΡΙΟΣ ΑΛΓΟΡΙΘΜΟΣ SIMPLEX 3.1 Εισαγωγή Ο αλγόριθμος Simplex θεωρείται πλέον ως ένας κλασικός αλγόριθμος για την επίλυση γραμμικών προβλημάτων. Η πρακτική αποτελεσματικότητά του έχει

Διαβάστε περισσότερα

Υπολογιστικά & Διακριτά Μαθηματικά

Υπολογιστικά & Διακριτά Μαθηματικά Υπολογιστικά & Διακριτά Μαθηματικά Ενότητα 11: Αριθμητική υπολοίπων-δυνάμεις Στεφανίδης Γεώργιος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό

Διαβάστε περισσότερα

Ισότητα, Αλγεβρικές και Αναλυτικές Ιδιότητες Πραγματικών Ακολουθιών

Ισότητα, Αλγεβρικές και Αναλυτικές Ιδιότητες Πραγματικών Ακολουθιών Ισότητα, Αλγεβρικές και Αναλυτικές Ιδιότητες Πραγματικών Ακολουθιών Συμβολισμοί Σε αναλογία με τους ορισμούς συμβολίζουμε μια ακολουθία: 1 είτε μέσω του διανυσματικού ορισμού, παραθέτοντας αναγκαστικά

Διαβάστε περισσότερα

Υπολογιστικά & Διακριτά Μαθηματικά

Υπολογιστικά & Διακριτά Μαθηματικά Υπολογιστικά & Διακριτά Μαθηματικά Ενότητα 3: Σύνολα Συνδυαστική Στεφανίδης Γεώργιος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως

Διαβάστε περισσότερα

Περί της Ταξινόμησης των Ειδών

Περί της Ταξινόμησης των Ειδών Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Σχολή Θετικών Επιστημών Τμήμα Φυσικής 541 24 Θεσσαλονίκη Καθηγητής Γεώργιος Θεοδώρου Tel.: +30 2310998051, Ιστοσελίδα: http://users.auth.gr/theodoru Περί της Ταξινόμησης

Διαβάστε περισσότερα

I. ΜΙΓΑΔΙΚΟΙ ΑΡΙΘΜΟΙ. math-gr

I. ΜΙΓΑΔΙΚΟΙ ΑΡΙΘΜΟΙ. math-gr I ΜΙΓΑΔΙΚΟΙ ΑΡΙΘΜΟΙ i e ΜΕΡΟΣ Ι ΟΡΙΣΜΟΣ - ΒΑΣΙΚΕΣ ΠΡΑΞΕΙΣ Α Ορισμός Ο ορισμός του συνόλου των Μιγαδικών αριθμών (C) βασίζεται στις εξής παραδοχές: Υπάρχει ένας αριθμός i για τον οποίο ισχύει i Το σύνολο

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 3: Συνθήκες Αλυσίδων

ΚΕΦΑΛΑΙΟ 3: Συνθήκες Αλυσίδων ΚΕΦΑΛΑΙΟ 3: Συνθήκες Αλυσίδων Μελετάμε εδώ τη συνθήκη της αύξουσας αλυσίδας υποπροτύπων και τη συνθήκη της φθίνουσας αλυσίδας υποπροτύπων Αυτές συνδέονται μεταξύ τους με την έννοια της συνθετικής σειράς

Διαβάστε περισσότερα

x < A y f(x) < B f(y).

x < A y f(x) < B f(y). Χειμερινό Εξάμηνο 2016 2017 Ασκήσεις στα Κεφάλαια 5 & 6 1. Αυτή είναι ουσιαστικά η Άσκηση 5.2 (σελ. 119), από τις σημειώσεις του Σκανδάλη. Εστω A, < καλά διατεταγμένο σύνολο και έστω στοιχείο a A. Αποδείξτε

Διαβάστε περισσότερα

Υπολογιστικά & Διακριτά Μαθηματικά

Υπολογιστικά & Διακριτά Μαθηματικά Υπολογιστικά & Διακριτά Μαθηματικά Ενότητα 2:Στοιχεία Μαθηματικής Λογικής Στεφανίδης Γεώργιος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό,

Διαβάστε περισσότερα

Εισαγωγή στην επιστήμη των υπολογιστών. Υπολογιστές και Δεδομένα Κεφάλαιο 4ο Πράξεις με μπιτ

Εισαγωγή στην επιστήμη των υπολογιστών. Υπολογιστές και Δεδομένα Κεφάλαιο 4ο Πράξεις με μπιτ Εισαγωγή στην επιστήμη των υπολογιστών Υπολογιστές και Δεδομένα Κεφάλαιο 4ο Πράξεις με μπιτ 1 Πράξεις με μπιτ 2 Αριθμητικές Πράξεις σε Ακέραιους Πρόσθεση, Αφαίρεση, Πολλαπλασιασμός, Διαίρεση Ο πολλαπλασιασμός

Διαβάστε περισσότερα

Ελληνική Δημοκρατία Τεχνολογικό Εκπαιδευτικό Ίδρυμα Ηπείρου. Θεωρία Υπολογισμού. Ενότητα 1 : Σύνολα & Σχέσεις (1/2) Αλέξανδρος Τζάλλας

Ελληνική Δημοκρατία Τεχνολογικό Εκπαιδευτικό Ίδρυμα Ηπείρου. Θεωρία Υπολογισμού. Ενότητα 1 : Σύνολα & Σχέσεις (1/2) Αλέξανδρος Τζάλλας 1 Ελληνική Δημοκρατία Τεχνολογικό Εκπαιδευτικό Ίδρυμα Ηπείρου Θεωρία Υπολογισμού Ενότητα 1 : Σύνολα & Σχέσεις (1/2) Αλέξανδρος Τζάλλας 2 Ανοιχτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ηπείρου Τμήμα Μηχανικών Πληροφορικής

Διαβάστε περισσότερα

ΠΟΛΥΚΡΙΤΗΡΙΑ ΥΠΟΣΤΗΡΙΞΗ ΑΠΟΦΑΣΕΩΝ. Χάρης ούκας, Πάνος Ξυδώνας, Ιωάννης Ψαρράς

ΠΟΛΥΚΡΙΤΗΡΙΑ ΥΠΟΣΤΗΡΙΞΗ ΑΠΟΦΑΣΕΩΝ. Χάρης ούκας, Πάνος Ξυδώνας, Ιωάννης Ψαρράς Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Ηλεκτρολόγων Μηχανικών Και Μηχανικών Υπολογιστών ΤΟΜΕΑΣ ΗΛΕΚΤΡΙΚΩΝ ΒΙΟΜΗΧΑΝΙΚΩΝ ΙΑΤΑΞΕΩΝ ΚΑΙ ΣΥΣΤΗΜΑΤΩΝ ΑΠΟΦΑΣΕΩΝ Εργαστήριο Συστημάτων Αποφάσεων και ιοίκησης ΠΟΛΥΚΡΙΤΗΡΙΑ

Διαβάστε περισσότερα

Κεφάλαιο 5. Το Συμπτωτικό Πολυώνυμο

Κεφάλαιο 5. Το Συμπτωτικό Πολυώνυμο Κεφάλαιο 5. Το Συμπτωτικό Πολυώνυμο Σύνοψη Στο κεφάλαιο αυτό παρουσιάζεται η ιδέα του συμπτωτικού πολυωνύμου, του πολυωνύμου, δηλαδή, που είναι του μικρότερου δυνατού βαθμού και που, για συγκεκριμένες,

Διαβάστε περισσότερα

(είσοδος) (έξοδος) καθώς το τείνει στο.

(είσοδος) (έξοδος) καθώς το τείνει στο. Υπενθυμίζουμε ότι αν ένα σύστημα είναι ευσταθές, τότε η απόκριση είναι άθροισμα μίας μεταβατικής και μίας μόνιμης. Δηλαδή, αν το σύστημα είναι ευσταθές όπου και Είθισται, σε ένα σύστημα αυτομάτου ελέγχου

Διαβάστε περισσότερα

ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #11: Ασαφής Αριθμητική. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε.

ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #11: Ασαφής Αριθμητική. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ Ενότητα #11: Ασαφής Αριθμητική Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. Άδειες Χρήσης Το παρόν εκπαιδευτικό

Διαβάστε περισσότερα

ΜΕΓΙΣΤΙΚΟΣ ΤΕΛΕΣΤΗΣ 18 Σεπτεμβρίου 2014

ΜΕΓΙΣΤΙΚΟΣ ΤΕΛΕΣΤΗΣ 18 Σεπτεμβρίου 2014 ΜΕΓΙΣΤΙΚΟΣ ΤΕΛΕΣΤΗΣ 18 Σεπτεμβρίου 2014 Περιεχόμενα 1 Εισαγωγή 2 2 Μεγιστικός τελέστης στην μπάλα 2 2.1 Βασικό θεώρημα........................ 2 2.2 Γενική περίπτωση μπάλας.................. 6 2.2.1 Στο

Διαβάστε περισσότερα

Άσκηση 3 Υπολογισμός του μέτρου της ταχύτητας και της επιτάχυνσης

Άσκηση 3 Υπολογισμός του μέτρου της ταχύτητας και της επιτάχυνσης Άσκηση 3 Υπολογισμός του μέτρου της ταχύτητας και της επιτάχυνσης Σύνοψη Σκοπός της συγκεκριμένης άσκησης είναι ο υπολογισμός του μέτρου της στιγμιαίας ταχύτητας και της επιτάχυνσης ενός υλικού σημείου

Διαβάστε περισσότερα

Διάλεξη 1 - Σημειώσεις 1

Διάλεξη 1 - Σημειώσεις 1 Διάλεξη 1 - Σημειώσεις 1 Σύνολα Πως διαβάζουμε κάποιους συμβολισμούς: ανήκει και η άρνηση, δηλαδή δεν ανήκει υπάρχει για κάθε : τέτοιο ώστε. Επίσης το σύμβολο έχει την ερμηνεία «τέτοιο ώστε» και ή υπονοεί

Διαβάστε περισσότερα

ΑΛΓΕΒΡΑ Α ΛΥΚΕΙΟΥ ΣΥΝΟΛΑ. 6ο ΓΕΛ ΛΑΜΙΑΣ ΧΡΙΣΤΟΣ ΤΡΙΑΝΤΑΦΥΛΛΟΥ ΜΑΘΗΜΑΤΙΚΟΣ

ΑΛΓΕΒΡΑ Α ΛΥΚΕΙΟΥ ΣΥΝΟΛΑ. 6ο ΓΕΛ ΛΑΜΙΑΣ ΧΡΙΣΤΟΣ ΤΡΙΑΝΤΑΦΥΛΛΟΥ ΜΑΘΗΜΑΤΙΚΟΣ ΣΥΝΟΛ 6ο ΓΕΛ ΛΜΙΣ ΧΡΙΣΤΟΣ ΤΡΙΝΤΦΥΛΛΟΥ ΜΘΗΜΤΙΚΟΣ ΣΥΝΟΛ Στοιχεία θεωρίας Σύνολο είναι μια συλλογή από αντικείμενα. Το σύνολο όλων των ελληνικών ποδοσφαιρικών ομάδων. Το σύνολο όλων των χωρών της Ευρώπης.

Διαβάστε περισσότερα

Θεωρία Υπολογισμού και Πολυπλοκότητα Κανονικές Γλώσσες (2)

Θεωρία Υπολογισμού και Πολυπλοκότητα Κανονικές Γλώσσες (2) Θεωρία Υπολογισμού και Πολυπλοκότητα Κανονικές Γλώσσες (2) Στην ενότητα αυτή θα μελετηθούν τα εξής επιμέρους θέματα: Κανονικές Εκφράσεις (1.3) Τυπικός Ορισμός Ισοδυναμία με κανονικές γλώσσες Μη Κανονικές

Διαβάστε περισσότερα

Σειρά Προβλημάτων 1 Λύσεις

Σειρά Προβλημάτων 1 Λύσεις ΕΠΛ2: Θεωρία Υπολογισμού και Πολυπλοκότητα Σειρά Προβλημάτων Λύσεις Άσκηση Να βρείτε το σφάλμα στην πιο κάτω απόδειξη. Ισχυρισμός: Όλα τα βιβλία που έχουν γραφτεί στη Θεωρία Υπολογισμού έχουν τον ίδιο

Διαβάστε περισσότερα

ΜΙΓΑΔΙΚΟΙ ΑΡΙΘΜΟΙ ΕΠΙΜΕΛΕΙΑ : ΑΥΓΕΡΙΝΟΣ ΒΑΣΙΛΗΣ

ΜΙΓΑΔΙΚΟΙ ΑΡΙΘΜΟΙ ΕΠΙΜΕΛΕΙΑ : ΑΥΓΕΡΙΝΟΣ ΒΑΣΙΛΗΣ ΜΙΓΑΔΙΚΟΙ ΑΡΙΘΜΟΙ ΕΠΙΜΕΛΕΙΑ : ΑΥΓΕΡΙΝΟΣ ΒΑΣΙΛΗΣ ΕΥΡΙΠΙΔΟΥ 80 ΝΙΚΑΙΑ ΝΕΑΠΟΛΗ ΤΗΛΕΦΩΝΟ 0965897 ΔΙΕΥΘΥΝΣΗ ΣΠΟΥΔΩΝ ΒΡΟΥΤΣΗ ΕΥΑΓΓΕΛΙΑ ΜΠΟΥΡΝΟΥΤΣΟΥ ΚΩΝ/ΝΑ ΑΥΓΕΡΙΝΟΣ ΒΑΣΙΛΗΣ ΜΙΓΑΔΙΚΟΙ ΑΡΙΘΜΟΙ Η έννοια του μιγαδικού

Διαβάστε περισσότερα

Η Βασική Δομή Συστημάτων Ελέγχου Κίνησης

Η Βασική Δομή Συστημάτων Ελέγχου Κίνησης Η Βασική Δομή Συστημάτων Ελέγχου Κίνησης Σύστημα ονομάζουμε ένα σύνολο στοιχείων κατάλληλα συνδεδεμένων μεταξύ τους για να επιτελέσουν κάποιο έργο Είσοδο ονομάζουμε τη διέγερση, εντολή ή αιτία η οποία

Διαβάστε περισσότερα

ΑΛΓΕΒΡΑ Α ΛΥΚΕΙΟΥ. 118 ερωτήσεις θεωρίας με απάντηση 324 416 ασκήσεις για λύση. 20 συνδυαστικά θέματα εξετάσεων

ΑΛΓΕΒΡΑ Α ΛΥΚΕΙΟΥ. 118 ερωτήσεις θεωρίας με απάντηση 324 416 ασκήσεις για λύση. 20 συνδυαστικά θέματα εξετάσεων ΑΛΓΕΒΡΑ Α ΛΥΚΕΙΟΥ 118 ερωτήσεις θεωρίας με απάντηση 34 416 ασκήσεις για λύση ερωτήσεις κατανόησης λυμένα παραδείγματα 0 συνδυαστικά θέματα εξετάσεων Π Ε Ρ Ι Ε Χ Ο Μ Ε Ν Α Εισαγωγική ενότητα Το λεξιλόγιο

Διαβάστε περισσότερα

1. Πότε χρησιμοποιούμε την δομή επανάληψης; Ποιες είναι οι διάφορες εντολές (μορφές) της;

1. Πότε χρησιμοποιούμε την δομή επανάληψης; Ποιες είναι οι διάφορες εντολές (μορφές) της; 1. Πότε χρησιμοποιούμε την δομή επανάληψης; Ποιες είναι οι διάφορες (μορφές) της; Η δομή επανάληψης χρησιμοποιείται όταν μια σειρά εντολών πρέπει να εκτελεστεί σε ένα σύνολο περιπτώσεων, που έχουν κάτι

Διαβάστε περισσότερα

ΜΑΘΗΜΑΤΑ ΜΑΘΗΜΑΤΙΚΑ ΘΕΤΙΚΟΥ ΠΡΟΣΑΝΑΤΟΛΙΣΜΟΥ Β ΛΥΚΕΙΟΥ

ΜΑΘΗΜΑΤΑ ΜΑΘΗΜΑΤΙΚΑ ΘΕΤΙΚΟΥ ΠΡΟΣΑΝΑΤΟΛΙΣΜΟΥ Β ΛΥΚΕΙΟΥ ΜΑΘΗΜΑΤΑ ΜΑΘΗΜΑΤΙΚΑ ΘΕΤΙΚΟΥ ΠΡΟΣΑΝΑΤΟΛΙΣΜΟΥ Β ΛΥΚΕΙΟΥ ΚΕΦΑΛΑΙΟ 1 ο : ΔΙΑΝΥΣΜΑΤΑ 1 ΜΑΘΗΜΑ 1 ο +2 ο ΕΝΝΟΙΑ ΔΙΑΝΥΣΜΑΤΟΣ Διάνυσμα ορίζεται ένα προσανατολισμένο ευθύγραμμο τμήμα, δηλαδή ένα ευθύγραμμο τμήμα

Διαβάστε περισσότερα

Βασικοί τύποι δεδομένων (Pascal) ΕΠΑ.Λ Αλίμου Γ Πληροφορική Δομημένος Προγραμματισμός (Ε) Σχολ. Ετος Κων/νος Φλώρος

Βασικοί τύποι δεδομένων (Pascal) ΕΠΑ.Λ Αλίμου Γ Πληροφορική Δομημένος Προγραμματισμός (Ε) Σχολ. Ετος Κων/νος Φλώρος Βασικοί τύποι δεδομένων (Pascal) ΕΠΑ.Λ Αλίμου Γ Πληροφορική Δομημένος Προγραμματισμός (Ε) Σχολ. Ετος 2012-13 Κων/νος Φλώρος Απλοί τύποι δεδομένων Οι τύποι δεδομένων προσδιορίζουν τον τρόπο παράστασης των

Διαβάστε περισσότερα

Συστήματα συντεταγμένων

Συστήματα συντεταγμένων Συστήματα συντεταγμένων Χρησιμοποιούνται για την περιγραφή της θέσης ενός σημείου στον χώρο. Κοινά συστήματα συντεταγμένων: Καρτεσιανό (x, y, z) Πολικό (r, θ) Καρτεσιανό σύστημα συντεταγμένων Οι άξονες

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη. 8η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

Τεχνητή Νοημοσύνη. 8η διάλεξη ( ) Ίων Ανδρουτσόπουλος. Τεχνητή Νοημοσύνη 8η διάλεξη (2016-17) Ίων Ανδρουτσόπουλος http://www.aueb.gr/users/ion/ 1 Οι διαφάνειες αυτής της διάλεξης βασίζονται στο βιβλίο Artificial Intelligence A Modern Approach των S. Russel

Διαβάστε περισσότερα

f(t) = (1 t)a + tb. f(n) =

f(t) = (1 t)a + tb. f(n) = Παράρτημα Αʹ Αριθμήσιμα και υπεραριθμήσιμα σύνολα Αʹ1 Ισοπληθικά σύνολα Ορισμός Αʹ11 (ισοπληθικότητα) Εστω A, B δύο μη κενά σύνολα Τα A, B λέγονται ισοπληθικά αν υπάρχει μια συνάρτηση f : A B, η οποία

Διαβάστε περισσότερα

Εισαγωγή στην επιστήμη των υπολογιστών. Υπολογιστές και Δεδομένα Κεφάλαιο 4ο Πράξεις με μπιτ

Εισαγωγή στην επιστήμη των υπολογιστών. Υπολογιστές και Δεδομένα Κεφάλαιο 4ο Πράξεις με μπιτ Εισαγωγή στην επιστήμη των υπολογιστών Υπολογιστές και Δεδομένα Κεφάλαιο 4ο Πράξεις με μπιτ 1 Πράξεις με μπιτ 2 ΑριθμητικέςΠράξειςσεΑκέραιους Πρόσθεση, Αφαίρεση, Πολλαπλασιασμός, Διαίρεση Ο πολλαπλασιασμός

Διαβάστε περισσότερα