logo

logo

logo

logo

logo

المنطق العائم (تطبيقات-)

منطق عايم (تطبيقات)

Fuzzy logic applications - Applications de logique floue

المنطق العائم (تطبيقات ـ)

 

تغطي معظم نظريات المنطق العائم المفاهيم الأربعة الآتية:

1 - المجموعات العائمة fuzzy sets: هي مجموعات ذات حواف غير حادة (بعكس المجموعات في نظرية المجموعات الكلاسيكية التي لها حواف حادة).

2 - المتحولات الكلامية linguistic variables: هي متحولات توصف قيمها كميّاً ونوعيّاً بوساطة مجموعات عائمة.

3 - توزع الإمكانية possibility distribution: هي قيود على المتحول الكلامي مفروضة بتعيين مجموعة عائمة له.

4 - القواعد العائمة fuzzy if-then rules: هي منهج تمثيل معرفي لوصف تابع أو معادلة منطقية تعمم تضميناً في منطق ثنائي القيمة كالنظام الإثناني binary.

ويمكن النظر إلى المنطق العائم من ثلاث وجهات نظر مختلفة: ذكاء الآلة machine intelligence أو ما أصبح يُعرف بالذكاء الصنعي artificial intelligence، التحكم control، وتقانة المعلومات information technology.

توابع العضوية وقواعدها وعلاقاتها

تابع العضوية هو تابع يقابل الأغراض في مجال ما مع قيم عضويتها في المجموعة. وتميز هذه التوابع العائمة في مجموعة عائمة ـ فيما إذا كانت العناصر في المجموعة مستمرة أو متقطعة ـ بصيغة بيانية لاستخدامها في الصياغة الرياضية لنظرية المجموعات العائمة. وتقدم انتقالاً تدريجياً من مناطق خارج المجموعة  إلى مناطق داخل المجموعة.

يمكن تصميم توابع العضوية باستخدام طرائق ثلاث:

الشكل (1) تابع العضوية بشكل مثلثي

الشكل (2) تابع العضوية بشكل شبه منحرف

الشكل (3) تابع العضوية بشكل غاوصي

أ ـ مقابلة الخبراء في الموضوع قيد الدرس ثم ضبط ذلك اعتماداً على استراتيجية توليف مناسبة.

ب ـ تشكيل التوابع آلياً من المعطيات.

ج ـ تعلمها اعتماداً على تغذية راجعة من أداء المنظومة.

وقد استخدم المنهج الأول من قبل الباحثين والمختصين في المنطق العائم حتى نهاية الثمانينيات.

يتم عموماً انتقاء شكل تابع العضوية ليكون شكله اختيارياً، إلا أنه ينصح باستخدام توابع محددة يمكن وصفها بأقل عدد من الموسطات.  الشكل الأكثر شيوعاً هو الشكل المثلثي (له 3 موسطات) وشكل شبه المنحرف (له 4 موسطات) المبينان في الشكلين (1 و2) ويعرف كلا التابعين بأنهما توابع عضوية خطية. ويُستخدم أحياناً أشكال غير خطية لتوابع العضوية مثل الشكل الغاوصي Gaussian membership functions (الشكل 3).

تصميم توابع العضوية المثلثية

تصمم توابع العضوية لمتحولات الدخل من مجموعة عائمة بحيث يتحقق الشرطان الآتيان: 

1) يتراكب كل تابع عضوية فقط مع توابع العضوية الأقرب له من حيث التجاور.

2) من أجل أي معطيات دخل، قيم العضوية لها في جميع المجموعات العائمة يجب أن يكون مجموعها مساوياً تقريباً للواحد.

تصميم قواعد المنظومة العائمة:

القاعدة العائمة هي الوحدة الأساسية لاكتساب المعرفة في كثير من المنظومات العائمة. وللقاعدة العائمة مكونان: جزء الشرط If (ويشار إليه بالسابق antecedent ويصف الشرط) والجزء then (ويشار إليه بالنتيجة consequent ويصف النتيجة التي يمكن استخلاصها إذا تحقق الشرط السابق) ولها الصيغة:

If (antecedent) THEN (consequent)

مثال على ذلك قاعدة بسيطة: «إذا كان دخل الإنسان السنوي عالياً فإنه يكون غنياً»

IF (the annual income of a person is HIGH) THEN (the person is RICH)

واضح أن كلمة دخل عال هي صفة عائمة غير محددة بدقة. وقد تكون القاعدة مركبة مثل: إذا كان … وكان… فإن… النتيجة. مثل: إذا كان الإنسان يسكن حوض المتوسط وكان مواطناً لإحدى دول الجنوب فهو عربي.

الاستدلال باستخدام القواعد العائمة fuzzy rule-based inference:

تتألف خوارزمية الاستدلال باستخدام القواعد العائمة من ثلاث خطوات أساسية وخطوة رابعة اختيارية هي على النحو الآتي:

1ـ الموافقة العائمة fuzzy matching: وتتم بحساب الدرجة التي يوافق فيها الدخل الشرط المحدد في القواعد العائمة.

2ـ الاستدلال: يتم بحساب نتيجة القاعدة اعتماداً على درجة موافقتها.

3ـ التركيب/التجميع combination: جمع النتائج المستدل عليها باستخدام جميع القواعد العائمة وتركيبها نتيجة نهائية. ويتم ذلك بجمع مناسب لتوابع العضوية للنتيجة. كما يشيع استخدام جداول التضمين implication tables  لجدولة النتائج وتسهيل التعامل معها.

4ـ (اختيارية) إزالة التعويم defuzzification: توجد هذه الخطوة الإضافية للتطبيقات التي تتطلب خرجاً محدداً وليس عائماً كما في منظومات التحكم حيث يتم تحويل النتيجة العائمة إلى نتيجة محددة. يمكن إنجاز ذلك بأكثر من طريقة أهمها: المتوسط الأعظمي mean of maximum (MOM) ومركز ثقل المساحة center of area (COA).

وتوجد عدة طرق لإنجاز كل من الخطوات الأربع المذكورة أعلاه.

تطبيقات المنطق العائم

مكّن المنطق العائم من تحقيق الذكاء للآلة بتقديمه طرائق لتمثيل المعرفة الإنسانية وكيفية المحاكمة، وهما غير دقيقتين بطبيعتهما. وعلى الرغم من أنه ليس الوسيلة الوحيدة لإنجاز ذلك إلا أنه يتميز بتمثيله على نحو صريح وواضح عدم الدقة في المعرفة البشرية وفي التقنيات المستخدمة للحل.  كما يقدم المنطق العائم طرائق عملية لتصميم منظومات التحكم غير الخطية. وأخيراً، أصبح المنطق العائم مهماً جداً لمنظومات المعلومات المهمة، فإضافة إلى إمكاناته في تطوير برمجيات ذكية فإنه يُستخدم أيضاً لفرز المعلومات واسترجاعها من قواعد معطيات[ر] databases ومصادر تخزين المعطيات، كما يُستخدم في استخلاص أنماط محددة من كمٍ كبير من المعطيات، كما في التنقيب عن المعطيات data mining، أو تحليل الصور الطبية medical image analysis أو الرؤية الحاسوبية computer vision.

توسعت تطبيقات المنطق العائم في العقدين الماضيين فشملت معظم التخصصات والمهن. وفيما يأتي بعض منها:

تطبيقات المنطق العائم في هندسة التحكم:

هندسة التحكم هي الاختصاص الذي يُركِّز على مسألة التحكم بسلوك المنظومات الفيزيائية وتنظيم عملها. ويمر تصميم هذه المنظومات عادة في هذا التخصص بمراحل عدة هي الآتية:

ـ النمذجة modeling: الغاية منها تطوير نموذج رياضي للمنظومة الفيزيائية المراد التحكم فيها.

ـ المحاكاة simulation: الغاية منها تحديد مواصفات المنظومة قيد الدرس  وسلوكها قبل إدخال أي تحسين عليها.

ـ تقدير الأهداف التقانية المرجوة design objectives: بما يعني تحديد السلوك المطلوب للمنظومة المطلوب التحكم بها، وأخيراً اختيار طريقة التحكم المعتمدة من قبل المصمم لتحسين السلوك.

ـ اختيار بنية المتحكم controller structure: ويتم فيها تحديد طريقة التحكم وبنية المتحكم المختار لتحسين سلوك المنظومة الفيزيائية قيد الدرس وأدائها.

الشكل (4)

غالباً ما ينتج من عملية النمذجة نقص في المعلومات سببه عدم المعرفة الفيزيائية الدقيقة بالمنظومة قيد الدرس أو التقريب المستخدم من قبل المنمذج لتبسيط المنظومة، مما يعقِّد تطبيق طرائق التحكم الكلاسيكي ومنهجياته.

قام العديد من العلماء بتطوير خوارزميات وطرائق تحكم عائمة fuzzy logic control للتحكم بمنظومات لا يوجد لها نموذج دقيق، أو لم تعرف معاييرها التصميمية بوضوح ودقة، وذلك باستخدام قواعد استدلال بسيطة ومعقدة. ولتحسين عمل هذه الخوارزميات فقد اقترح بعضهم الآخر تضمين الخوارزمية ما يأتي في استخراج مجموعة القواعد: مكاملة المشغل الإنساني، ومراقبة كيفية عمل المشغل الإنساني، وأخيراً النموذج العائم للعملية. لهذا أخذت منظومات التحكم العائمة البنية الآتية المبينة في الشكل (4) والتي اصبحت تسمى منظومات التحكم الذكية intelligent control systems.

هناك تطبيقات تحكمية لهذه البنية في كثير من المجالات مثل التحكم في الآليات والمركبات، والتحكم بعمليات صناعية، والتحكم بالروبوت وقيادته، والتحكم بمنظومات التدفئة والتكييف وغيرها.

تطبيقاته في الذكاء الصنعي:

يُستخدم المنطق العائم في الذكاء الصنعي للتعامل مع حالات عدم التعيين حيث تستخدم مقاربات المنطق العائم عادة قواعد عائمة fuzzy rules لوصف المعارف غير المحددة.

تستخدم منهجيات تمثيل المعارف أُطراً frames (تسمى أحياناً صفاً class) لتمثيل مجموعة من الأغراض. وتُوصَف خصائص الصف النوعية باستخدام ما يسمى بالخصائص attributes لكل منها اسم وقيمة. وعلى الرغم من شيوع هذه الطريقة وتحولها لتصبح التقنية المسيطرة لتمثيل المعارف في مجال الذكاء الصنعي، إلا أنها لا تستطيع تمثيل القيم غير المحددة للخصائص ومحاكمتها. يمكن توسيع المنظومة التي تعتمد الإطار باستخدام المنطق العائم لتمثيل القيم الغامضة للصف، ويتم ذلك بتخصيص الإطار بحد نصي linguistic term تحدد قيمة هذا الحد النصي بتابع عضوية مناسب؛ فمثلاً إذا أخذت كصفة لعائلة ما تتمتع بصحة جيدة العبارة النصية «عدد قليل من الزيارات لعيادة الطبيب» فإنه يمكن استخدامها كإطار «عدد مرات زيارة الطبيب» الذي يأخذ القيم: كثيراً، نادراً، قليلاً جداً، أحياناً، كثيراً.

ثمة تطبيقات عديدة للمنطق العائم في الذكاء الصنعي كتحليل مهمات العملاء الأذكياء intelligent agents، وفي التحكم بملاحة الروبوت المتحرك mobile robot، والتحكم بالملاحة الجوية، وفي العملاء الأذكياء العاطفيين emotional IA، وفي كشف الحوادث في الطرقات وعلى «الاتوسترادات» السريعة.

الشكل (5)

تعدّ المنظومات الخبيرة[ر] expert systems إحدى أهم تطبيقات الذكاء الصنعي. وتتألف المنظومة الخبيرة من مكونات أربعة هي: قاعدة المعارف knowledge base، ومحرك الاستدلال inference engine، وسيلة الشرح explanation facility، ووحدة الترابط مع المستخدم user interface module (الشكل 5).

تحفظ في قاعدة المعارف الخبرات والمعارف المستخلصة من الخبير البشري والتي يُعبَّر عنها بمجموعة من القواعد. كما تحفظ قاعدة المعارف مجموعة معلومات تؤلف مجموعة حقائق ومسلمات في مجال استخدام المنظومة الخبيرة. كما تحتوي غالباً على وصف للأهداف goals أو المهمات tasks الكلية أو الجزئية، وتعكس طريقة تفكير الخبير الإنساني واستراتيجيته في حل المسألة. وقد تستخدم بنى الأهداف والمهمات لتجميع القواعد في مجموعات وفقاً للوظيفة. ويستخدم محرك الاستدلال هذه القواعد ومجموعة الحقائق والمسلمات لاستدلال معلومات إضافية أو لبناء أجزاء من الحل. ويعدل تنفيذ الحقائق الأغراض objects في قاعدة المعارف. ولأن المنظومة الخبيرة لا تقوم بتقديم الحل فقط بل عليها تبرير استخدام القاعدة أو تبرير الوصول إلى هذه النتيجة، لذا فإن معظم المنظومات الخبيرة تحتوي على مكونة شرح تولد شروحات تبريرية عن طريق معرفة القاعدة التي اعتمدها محرك الاستدلال. وأخيراً تحقق وحدة الترابط مع المستخدم تفاعل المنظومة الخبيرة مع المستخدم لتحصيل معلومات الدخل ولإخراج النتائج والحلول أو إظهارها.

تعتمد معظم المنظومات الخبيرة قواعد عائمة if-then بسيطة أو مركبة لربط المداخل والشروط غير المحددة مع الحل المقترح الذي قد يكون دقيقاً أو قليل الدقة. ولهذا يقوم محرك الاستدلال بمحاكمة باستخدام هذه القواعد معتمداً محاكمة تقريبية approximate reasoning وباستخدام توابع تضمين عائمة. كما ويُستخدم المنطق العائم في منظومات خبيرة ذات طابع تحليلي مثل المنظومات الطبية.

تطبيقاته في قواعد المعطيات ونظم المعلومات

تطورت قواعد المعطيات من منظومات إدارة الملفات، وقد استخدمت تاريخياً للتعبير عن معلومات دقيقة ومحددة. وألهم ذلك العلماء تطوير نسخة تعتمد المنطق العائم لمنظومات إدارة قواعد البيانات ومنظومات استرجاع المعلومات.

إضافة إلى تمثيل المعطيات غير الدقيقة، يمكن استخدام المنطق العائم لاسترجاع معطيات غير دقيقة من قاعدة معطيات أو مستودع للمعلومات مثل الشبكة العنكبوتية www. وقد يعود عدم الدقة في المعلومات المسترجعة إلى سببين: الأول أن المعلومات المحفوظة في النظام غير دقيقة، والثاني أن الاستعلام الموضوع من قبل المستخدم غير محدد بدقة وهو ما يُسمّى بالاستعلام غير الدقيق imprecise query. وقد تمتد التطبيقات في هذا المجال حتى أصبح هنالك ما يُسمّى قواعد معطيات علائقية عائمة fuzzy relational databases، ومنظومات استرجاع المعلومات العائمة fuzzy information retrieval.

تطبيقاته في تمييز الأنماط:

تتنوع تطبيقات المنطق العائم في تمييز الأنماط لتشمل ميادين واختصاصات عديدة. فهو يُستخدم في مجالات تعرّف الأشكال، وفي معالجة الصور الطبية لاستنتاج الحالة الصحية للمرضى وتشخيص أمراضهم، إضافة إلى استخدامه صناعياً في معالجة الصور الشعاعية لمعرفة جودة اللحام welding ومعرفة وجود التشققات crackes في المعادن أو كلل (تعب) المعادن، وغيرها من تطبيقات.

إن أعقد خطوة في تطبيق المنطق العائم هو اختيار العدد الأفضل والأمثل لتوابع العضوية. وقد شاع في الآونة الأخيرة استخدام الشبكات العصبونية[ر] neural networks والخوارزميات الجينية genetic algorithms لهذا الغرض لما لها من فوائد في الحصول على تصميم أفضل للمنظومة المطلوبة.

فيصل العباس

 

 الموضوعات ذات الصلة:

 

التحكم ـ الذكاء الصنعي ـ الشبكات العصبونية ـ قواعد البيانات ـ المنطق العائم ـ المنظومات الخبيرة.

 

 مراجع للاستزادة:

 

- TIMOTHY J. ROSS, Fuzzy Logic with Engineering Applications (McGraw-Hill, New York 1995).

- MICHAEL J. A. BERRY & GORDON LINOFF, Data Mining Techniques for Marketing, Sales, and Customer Support (John Wiley & Sons, New York 1997).


التصنيف : التقنيات (التكنولوجية)
النوع : تقانة
المجلد: المجلد التاسع عشر
رقم الصفحة ضمن المجلد : 610
مشاركة :

اترك تعليقك



آخر أخبار الهيئة :

البحوث الأكثر قراءة

هل تعلم ؟؟

عدد الزوار حاليا : 514
الكل : 29638287
اليوم : 18297

أوفلاهيرتي (ليام-)

أوفلاهيرتي (ليام ـ) (1896 ـ 1984)   ليام أوفلاهيرتي Liam O'Flaherty روائي وقصاص إيرلندي، ولد في مدينة إينشمور Inishmore في جزر آران Aran Islands، ودخل مدرسة لاهوتية سرعان ماعزف عنها، درس بعض الوقت في جامعة دبلن. خدم في الجيش البريطاني إبَّان الحرب العالمية الأولى (1914- 1918)، وسُرّح من الخدمة في عام 1917. قام بأسفار كثيرة زاول فيها أعمالاً يدوية متنوعة. و كان نقابياً مناضلاً في وقت ازدادت فيه البطالة.
المزيد »