Здравствуйте, граждане и гражданочки. По велению левой пятки решил начать цикл научно-популярных статей, где буду объяснять азы искусственного интеллекта. Поэтому в дальнейшем буду примерять на себя роль приезжего лектора, рассказывающего о том, как космические корабли бороздят просторы Большого театра.

Выдавать на гора одну статью в день не смогу, поэтому не буду ничего обещать, дабы не стеснять себя данными обязательствами. Единственное: не стану мучить окружающих обилием математики, постараюсь изложить все как можно более доступно, но без профанации. Начну же цикл с аппарата нечеткой логики, где объясню, в чем же интеллектуальность оного.

Для начала краткий экскурс в теорию множеств. Множество – это совокупность нескольких объектов, обладающих определенным свойством. Например, множество всех людей, находящихся на нашей планете. Множество автомобилей марки «Ауди» с цветовыми координатами RGB (255, 165, 0). Множество всех самцов какаду, сидящих на ветке на одной лапе ровно в 15 часов 39 минут по Гринвичу. Суть четких множеств заключается в абсолютной их категоричности. То есть, для того, чтобы определить, принадлежит ли объект какому-то множеству, нужно ответить на вопрос, обладает ли он свойством, определяющим это множество. Да/Нет. Ни больше, ни меньше. Единица больше нуля? Да. Значит, она принадлежит к множеству положительных чисел.

Перейдем ближе к телу, к теории нечетких множеств. Создана она была американским ученым азербайджанского происхождения Лотфи Заде, для того, чтобы адаптировать теорию множеств к способу человеческого мышления. Ведь как человечишко мыслит? Если, будучи на пляже, спросить купающегося: «Скажи, мил человек, какую температуру имеет вода по шкале Фаренгейта, с точностью до десятых долей градуса?», - он посмотрит на вас, как на душевно больного. А если задать вопрос: «Как водичка сегодня?», он сообщит: «Холодная/горячая/теплая», или буркнет «мокрая», если сегодня не в духе. Весь цимес в том, что «холодная вода» - это достаточно размытая формулировка. Один будет в блаженстве нежиться там, откуда второй сбежит на берег греться через две минуты. Так уж устроен человек, субъективизм и отсутствие четких границ – это про нас.

Некоторые уже смогли сообразить, почему именно нечеткие множества. Крайне трудно определить, сколько людей обладает свойством «высокий». Для меня, двухметрового красавца, косой сажени в плечах, высокий – это как минимум не ниже уровня моего уха. А коротышка полутора метров будет смотреть на человека ростом 170 см задрав голову – для него высокий рост начинается гораздо раньше. Это что касается субъективизма.

Вторая сложность заключается в размытости границ. Возможно ли точно задать то количество сантиметров, которое отделит человека среднего роста от низкого? 170 с половиной? 172 и три четверти? Разделение очень и очень условно. Итак, мы вплотную подошли к отличию нечетких множеств от четких.

Барабанная дробь, мхатовская пауза… Итак, нечеткие множества отличаются от четких тем, что объекты, принадлежащие нечетким множествам, могут обладать определяющим их свойством в разной степени. Условились считать эту степень принадлежности лежащей в интервале от нуля до единицы, но если кому-то удобнее, то он может умножить на 100, и будут вам проценты.

Допустим, пьете вы обжигающий кофе, чашка дымится. С уверенностью 0,99 (99 процентов – первый и последний раз делаю работу за вас) можно утверждать, что кофе обладает свойством «горячий». Если же он (кофе, в смысле) имеет температуру 50 градусов по Цельсию, то степень обладания свойством «горячий» будет гораздо ниже, скажем, 0,76 (теперь считайте сами). В то же время, есть объекты, которые принадлежат множеству «горячий» с нулевой или единичной степенью. Например, полузамерзший кофе сможет назвать горячим лишь помешанный, либо не знающий русского языка, а кипящий – это горячий сто пудов. Примеров можно привести нескончаемое количество, благо, что практически любая человеческая категория, которая используется в повседневной жизни, является нечеткой. Полагаясь на ваше богатое воображение, оставляю задачу нахождения других примеров для самостоятельного решения.

Почему же создание подобной теории было так важно, почему на нее обратили столь пристальное внимание? Ответ прост: тут скрыто золотое дно. Колоссальная широта применения. Допустим, вы инженер, и перед вами стоит задача спроектировать микроволновку. До какой температуры человек будет разогревать еду? До 40,2°С? Хрен там. До горячей, что есть нечеткое множество. А задача микроволновки – придать хавчику такую температуру, которая с единичной степенью достоверности принадлежала бы к множеству «горячо».

Дальше начинается самое веселое, прогульщики уроков математики могут с воем разбегаться в стороны. А? Что? Я обещал обойтись без этого? Как говорил старина Арни в известном фильме – «Я солгал». Степень принадлежности как правило обозначается греческой буквой «мю» - μ. Чтобы не скучать, введем понятие лингвистической переменной – это такая переменная, которая может принимать значение в виде слов человеческого языка. То есть, лингвистическая переменная «рост» может принимать значения: «высокий», «средний», «низкий». Значения лингвистической переменной будем называть терм-множествами, обращаю внимание – они являются нечеткими. И, наконец, существует понятие универсального множества – обычное, четкое множество, содержащее все значения, которые может принимать обычная переменная. Обычная переменная «рост человека» может принимать значения от нуля до «сколько там рекорд Гиннеса, я не помню».

Задача функции принадлежности (ФП) – определить, с какой степенью обычная переменная принадлежит значению лингвистической переменной. Раз уж я начал педалировать тему роста, разовью: ФП определяет, с какой степенью человек ростом 184 см принадлежит терм-множеству «средний». Итак, подобьем бабки. У нас имеется лингвистическая переменная. У нас есть несколько ее значений, каждое из которых является нечетким множеством. Наконец, у нас есть универсальное множество – множество числовых значений обычной переменной. Перед нами стоит следующая цель: определить для каждого из нечетких множеств свою функцию принадлежности, т.е. для каждого из элементов универсального множества задать степень принадлежности соответствующему нечеткому множеству. Тогда мы сможем ткнуть на конкретное значение переменной и посмотреть, с какой степень оно принадлежит к какому-либо нечеткому множеству. Все, гроза прошла, можно утереть пот и ненадолго расслабиться. Дальше пойдут веселые картинки, после чего ненадолго продолжим развлекаться. На картинках я проиллюстрирую смысл функции принадлежности, покажу, каких видов бывают эти звери, с чем их едят, и объясню, как этих зверей строить. Вернемся к полюбившейся вам теме роста человека. Возьмем для примера множество «средний» ипостроим график функции принадлежности.

Теперь можно, вооружившись остро заточенным карандашом, выбрать любое значение «икс» и посмотреть, с какой степенью этот икс удовлетворяет условию среднего роста. То, что метр восемьдесят – это железно. Метр семьдесят два – со степенью 0,5. Рост метр пятьдесят средним ну никак не является, поэтому степень принадлежности равна нулю. И так далее. Отметим, что приведенная функция называется треугольной. В это поверить трудно, и тем не менее.

Но мы взяли готовую функцию, которую нам кто-то (кто-то!) любезно предоставил. Как же самим построить аналогичную функцию? Есть два способа: простой и с заморочками. По понятным причинам опишу лишь простой. Для начала, нужно собрать группу экспертов. Ну, то есть, тех бездельников, которые считают, что во всем разбираются и знают, как на самом деле устроен мир. Дать каждому эксперту по карандашу и блокноту. Потом перечислить значения переменной и попросить поставить «1» (палочку, крестик – опционально) напротив этого значения, если эксперт считает, что значение переменной принадлежит нечеткому множеству. Ноль – в противном случае. После чего для каждого значения переменной просуммировать нули и единицы и взять среднее - то бишь, разделить получившуюся сумму на количество бездельников. Получившееся значение будет лежать в интервале от нуля до единицы (оба значеия - включительно). Некоторые могли догадаться, что мы получили значение функции принадлежности для конкретного значения переменной. Получив величины ФП для всех значений переменной икс, можно строить график. Или не строить, если лень.

Теория нечетких множеств позволяет использовать при синтезе алгоритма управления нечеткие лингвистически определенные переменные.  

Теория нечетких множеств прошла путь от разработки формальных средств представления плохо определяемых понятий, используемых человеком, и аппарата для их обработки до моделирования приближенных рассуждений, к которым человек прибегает в повседневной и профессиональной деятельности и даже до создания компьютеров с нечеткой логикой.  

Теория нечетких множеств позволяет заменить строгую принадлежность объекта некоторому множеству на непрерывную степень принадлежности. Для ознакомления с теорией нечетких множеств, их применением для исследований в области каталитических процессов читатель может обратиться к разд.  

Теорию нечетких множеств часто путают с теорией вероятностей. В самом деле, ее критики заявляли, что теория нечетких множеств не способна решать задачи, которые не сформулированы в терминах теории вероятностей. За исключением этих величин, две данные меры совершенно различны, хотя обе могут быть описаны как меры неопределенности. Из них каждая измеряет отличный аспект неопределенности.  

В теории нечетких множеств, как известно, используются функции принадлежности, интерпретируемые как характеристические функции для нечетких множеств. Ее значение, равное 0, соответствует утверждению, что данный элемент х не принадлежит А, а ее значение, равное 1, свидетельствует о его безусловной принадлежности данному множеству. Промежуточные значения / ид (ж) не следует трактовать в вероятностном смысле, так как степень принадлежности элемента к нечеткому множеству не обязана иметь статистическую природу.  

В теории нечетких множеств важную роль играет понятие комбинации двух нечетких отношений.  

В теории нечетких множеств вводится ряд операций над множествами, которые должны соответствовать комбинациям нечетких терминов и их смысловым нагрузкам при решении прикладных задач. В работе отмечается, что в частном случае операции над нечеткими множествами должны соответствовать операциям в теории обычных множеств. При решении конкретных задач: каждый исследователь использует свои знания об объекте исследования и роли каждой операции.  

В теории нечетких множеств большинство арифметических операций определены для непрерывных областей. Операции для дискретных областей выделяются обычно в виде особого случая.  

В теории нечетких множеств в зависимости от способов задания операции (Т), которые удовлетворяют аксиомам (2.1) - (2.5), существует бесконечное число нечетких операций И. В теории нечеткого управления находят применение следующие их типы.  

Элементы теории нечетких множеств могут успешно применяться для принятия решений в условиях неопределенности. Нечеткая логика возникла как наиболее удобный способ построения систем управления сложными технологическими процессами, а также нашла применение в диагностических и других экспертных системах. Несмотря на то что математический аппарат нечеткой логики впервые был разработан в США, активное развитие данного метода началось в Японии, Исследования в области нечеткой логики получили широкую финансовую поддержку, В Европе и США усилия были направлены на то, чтобы сократить огромное отставание от японцев.  

Однако аксиоматика теории нечетких множеств существенно отличается от аксиоматики теории вероятностей и позволяет использовать более простые вычислительные процедуры. Чтобы убедиться в этом, достаточно рассмотреть операции объединения и пересечения нечетких множеств.  

Упомянем также теорию нечетких множеств, в которой исходные понятия описываются нечеткими множествами и переменными и, соответственно, получаемое решение интерпретируется в терминах нечетких множеств. Как показывают конкретные примеры, эти методы во многом аналогичны статистическим. При их использовании предполагаются заданными функции принадлежности результатов наблюдений, и на их основе получают соответствующие функции принадлежности для конечных результатов.  

При помощи нечетких множеств можно формально определить неточные и многозначные понятия, такие как «высокая температура», «молодой человек», «средний рост» либо «большой город». Перед формулированием определения нечеткого множества необходимо задать так называемую область рассуждений (universe of discourse). В случае неоднозначного понятия «много денег» большой будет признаваться одна сумма, если мы ограничимся диапазоном и совсем другая - в диапазоне . Область рассуждений, называемая в дальнейшем пространством или множеством, будет чаще всего обозначаться символом . Необходимо помнить, что - четкое множество.

Определение 3.1

Нечетким множеством в некотором (непустом) пространстве , что обозначается как , называется множество пар

, (3.1)

Функция принадлежности нечеткого множества . Эта функция приписывает каждому элементу степень его принадлежности к нечеткому множеству , при этом можно выделить три случая:

1) означает полную принадлежность элемента к нечеткому множеству , т.е. ;

2) означает отсутствие принадлежности элемента к нечеткому множеству , т.е.;

3) означает частичную принадлежность элемента к нечеткому множеству .

В литературе применяется символьное описание нечетких множеств. Если - это пространство с конечным количеством элементов, т.е. , то нечеткое множество записывается в виде

Приведенная запись имеет символьный характер. Знак «–» не означает деления, а означает приписывание конкретным элементам степеней принадлежности . Другими словами, запись

означает пару

Точно также знак «+» в выражении (3.3) не означает операцию сложения, а интерпретируется как множественное суммирование элементов (3.5). Следует отметить, что подобным образом можно записывать и четкие множества. Например, множество школьных оценок можно символически представить как

, (3.6)

что равнозначно записи

Если - это пространство с бесконечным количеством элементов, то нечеткое множество символически записывается в виде

. (3.8)

Пример 3.1

Допустим, что - множество натуральных чисел. Определим понятие множества натуральных чисел, «близких числу 7». Это можно сделать определением следующего нечеткого множества :

Пример 3.2

Если , где - множество действительных чисел, то множество действительных чисел, «близких числу 7», можно определить функцией принадлежности вида

. (3.10)

Поэтому нечеткое множество действительных чисел, «близких числу 7», описывается выражением

. (3.11)

Замечание 3.1

Нечеткие множества натуральных или действительных чисел, «близких числу 7», можно записать различными способами. Например, функцию принадлежности (3.10) можно заменить выражением

(3.12)

На рис. 3.1а и 3.1б представлены две функции принадлежности нечеткого множества действительных чисел, «близких числу 7».

Рис. 3.1. Иллюстрация к примеру 3.2: функции принадлежности нечеткого множества действительных чисел, «близких числу 7».

Пример 3.3

Формализуем неточное определение «подходящая температура для купания в Балтийском море». Зададим область рассуждений в виде множества . Отдыхающий I, лучше всего чувствующий себя при температуре 21°, определил бы для себя нечеткое множество

Отдыхающий II, предпочитающий температуру 20°, предложил бы другое определение этого множества:

С помощью нечетких множеств и мы формализовали неточное определение понятия «подходящая температура для купания в Балтийском море». В некоторых приложениях используются стандартные формы функций принадлежности. Конкретизируем эти функции и рассмотрим их графические интерпретации.

1. Функция принадлежности класса (рис. 3.2) определяется как

(3.15)

где . Функция принадлежности, относящаяся к этому классу, имеет графическое представление (рис. 3.2), напоминающее букву «», причем ее форма зависит от подбора параметров , и . В точке функция принадлежности класса принимает значение, равное 0,5.

2. Функция принадлежности класса (рис. 3.3) определяется через функцию принадлежности класса :

(3.16)

Рис. 3.2. Функция принадлежности класса .

Рис. 3.3. Функция принадлежности класса .

Функция принадлежности класса принимает нулевые значения для и . В точках ее значение равно 0,5.

3. Функция принадлежности класса (рис. 3.4) задается выражением

(3.17)

Читатель с легкостью заметит аналогию между формами функций принадлежности классов и .

4. Функция принадлежности класса (рис. 3.5) определяется в виде

(3.18)

Рис. 3.4. Функция принадлежности класса .

Рис. 3.5. Функция принадлежности класса .

В некоторых приложениях функция принадлежности класса может быть альтернативной по отношению к функции класса .

5. Функция принадлежности класса (рис. 3.6) определяется выражением

(3.19)

Пример 3.4

Рассмотрим три неточных формулировки:

1) «малая скорость автомобиля»;

2) «средняя скорость автомобиля»;

3) «большая скорость автомобиля».

В качестве области рассуждений примем диапазон , где - это максимальная скорость. На рис. 3.7 представлены нечеткие множества , и , соответствующие приведенным формулировкам. Обратим внимание, что функция принадлежности множества имеет тип , множества - тип , а множества - тип . В фиксированной точке км/час функция принадлежности нечеткого множества «малая скорость автомобиля» принимает значение 0,5, т.е. . Такое же значение принимает функция принадлежности нечеткого множества «средняя скорость автомобиля», т.е. , тогда как .

Пример 3.5

На рис. 3.8 показана функция принадлежности нечеткого множества «большие деньги». Это функция класса , причем , , .

Рис. 3.6. Функция принадлежности класса .

Рис. 3.7. Иллюстрация к примеру 3.4: функции принадлежности нечетких множеств «малая» , «средняя» , «большая» скорость автомобиля.

Рис. 3.8. Иллюстрация к примеру 3.5: Функция принадлежности нечеткого множества «большие деньги».

Следовательно, суммы, превышающие 10000 руб, можно совершенно определенно считать «большими», поскольку значения функции принадлежности при этом становятся равными 1. Суммы, меньшие чем 1000 руб, не относятся к «большим», так как соответствующие им значения функции принадлежности равны 0. Конечно, такое определение нечеткого множества «большие деньги» имеет субъективный характер. Читатель может иметь собственное представление о неоднозначном понятии «большие деньги». Это представление будет отражаться иными значениями параметров и функции класса .

Определение 3.2

Множество элементов пространства , для которых , называется носителем нечеткого множества и обозначается (support). Формальная его запись имеет вид

. (3.20)

Определение 3.3

Высота нечеткого множества обозначается и определяется как

. (3.21)

Пример 3.6

Если и

, (3.22)

то .

, (3.23)

Определение 3.4

Нечеткое множество называется нормальным тогда и только тогда, когда . Если нечеткое множество не является нормальным, то его можно нормализовать при помощи преобразования

, (3.24)

где - высота этого множества.

Пример 3.7

Нечеткое множество

(3.25)

после нормализации принимает вид

. (3.26)

Определение 3.5

Нечеткое множество называется пустым и обозначается тогда и только тогда, когда для каждого .

Определение 3.6

Нечеткое множество содержится в нечетком множестве , что записывается как , тогда и только тогда, когда

(3.27)

для каждого .

Пример включения (содержания) нечеткого множества в нечетком множестве иллюстрируется на рис. 3.9. В литературе встречается также понятие степени включения нечетких множеств. Степень включения нечеткого множества в нечеткое множество на рис. 3.9 равна 1 (полное включение). Нечеткие множества, представленные на рис. 3.10, не удовлетворяют зависимости (3.27), следовательно, включение в смысле определения (3.6) отсутствует. Однако нечеткое множество содержится в нечетком множестве в степени

, (3.28)

, выполняется условие

Рис. 3.12. Нечеткое выпуклое множество.

Рис. 3.13. Нечеткое вогнутое множество.

Рис. 3.13 иллюстрирует нечеткое вогнутое множество. Легко проверить, что нечеткое множество является выпуклым (вогнутым) тогда и только тогда, когда являются выпуклыми (вогнутыми) все его -разрезы.

Основы теории нечетких множеств и нечеткой логики были заложены в конце 1960-х годов в работах известного американского математика Лотфи Заде. Его труд "Fuzzy Sets", опубликованная в 1965 в журнале "Information and Control", стала толчком к развитию новой математической теории. Он дал название и новой отрасли науки - "fuzzy sets" (fuzzy - нечеткий, размытый, мягкий). Основной причиной появления новой теории стали нечеткие и приближенные рассуждения, которые использовались для описания человеком процессов, систем, объектов. Математическая теория нечетких множеств (fuzzy sets) и нечеткая логика (fuzzy logic) являются обобщениями классической теории множеств и классической формальной логики.

Прежде чем нечеткий подход к моделированию сложных систем получил признание во всем мире, прошло не одно десятилетие. Что же предложил Л. Заде? Во-первых, он расширил классическое канторовське понятие множества, допустив, что характеристическая функция (функция принадлежности элемента множеству) может принимать любые значения в интервале [ 0 , 1 ], а не только значения 0 или 1. Такие множества он назвал нечеткими [ 21]. Л. Заде определил также ряд операций с нечеткими множествами и предложил обобщение методов логического вывода.

Введя впоследствии понятие лингвистической переменной и предположив, что ее значениями (термами) является нечеткие множества, Л. Заде создал аппарат для описания процессов интеллектуальной деятельности, включая нечеткость и неопределенность выражений (например, высокий, средний, незначительный риски).

Задачей нечетких множеств является определение принадлежности некоторого объекта или элемента в заданной множества. Пусть Е - некоторое множество, а А - подмножество Е , то есть А Ì Е. Тот факт, что элемент х множества Е принадлежит и множеству А в теории множеств обозначают так: x Ì А. Чтобы выразить эту принадлежность, можно воспользоваться и другим понятием - характеристической функцией μA (x ), значение которой указывают, является (да или нет) х элементом А:

Согласно теории нечетких множеств, характеристическая функция принадлежности может принимать любое значение в интервале , а не только два - 0 и 1. В соответствии с этим, элемент х i множества Е может не принадлежать А (μ Α (х ) = 0), быть элементом А небольшой степени (значение μA (x ) близко к нулю), быть элементом А в значительной степени (μA (x ) близко к 1) или быть элементом А (μA (x ) = 1). Итак, понятие принадлежности обобщается. Нечеткую под множество А универсального множества Е обозначают А н и определяют упорядоченными парами [ 22 ]:

Характеристическая функция принадлежности (или просто функция принадлежности) μA (x ) принимает значения в некоторой упорядоченной множестве М (например, М = ). Эта функция принадлежности указывает степень (или уровень) принадлежности элемента х до подмножества А. Множество М называют множеством надежности. Если М = {0, 1}, то нечеткое подмножество А можно рассматривать как обычную или четкую множество.

Для нечетких множеств, как и для обычных, определены основные логические операции.

Равенство. Две нечеткие множества А и В называют равными, если для всех x Î Е имеет место равенство их характеристических функций: μA (x ) = μB (x ). Обозначения: А = В.

Доминирование. Считают, что нечеткое множество А принадлежит нечеткому множеству В, если для всех X Î Е справедливо соотношение: μA (x ) £ μB (x ) обозначают: А Ì В. Иногда используют термин "доминирование", то есть когда А Ì В, говорят, что В доминирует над А.

Дополнение. Пусть М = , А и В - нечеткие множества, заданные на Е. А и В дополняют друг друга, если ∀x является Εμ /, (х) = 1 - μB (χ). Обозначения: А = А

Пересечение двух нечетких множеств (нечеткое "и"), обозначающие A ∩ В - наибольшее нечеткое подмножество, которая находится одновременно в А и В. Определяют так:

Объединение двух нечетких множеств (нечеткое "ИЛИ"), обозначающие А ∪ В - наименьшее нечеткое подмножество, которая включает как А , так и В, с функцией принадлежности

Разница двух нечетких множеств А - В = А ∩ В с функцией принадлежности

Пусть М = и А - нечеткое множество с элементами х с универсального множества Е и множеством значений функций принадлежности М. Величину называют высотой нечеткого множества А. Нечеткое множество А является нормальной , если ее высота равна 1, то есть верхняя граница ее функции принадлежности равна 1 (). По нечеткое множество называют субнормальной.

Нечеткое множество является пустой , если . Непустое Субнормальная множество можно нормализовать по формуле

Наглядное представление операций над нечеткими множествами. Рассмотрим прямоугольную систему координат, на оси ординат которой отложены значения μA (x ), на оси абсцисс - в произвольном порядке размещены элементы Е. Если множество Е по своей природе упорядочена, то этот порядок желательно сохранить в размещении элементов на оси абсцисс. Такое представление наглядно простые операции над нечеткими множествами.

Пусть А - нечеткий интервал между 5 и 8, а В - нечеткое число, близкое к 4 (рис. 4.4, а , б) .

Нечеткое множество между 5 и 8 I (AND) около 4 (темная линия) иллюстрирует рис. 4.4, в , нечеткое множество между 5 и 8 ИЛИ (OR) около 4 - рис. 4.4, г (темная линия).

Рис. 4.4. Примеры нечетких множеств (а , б), их пересечения (в) и объединения (г )

Для описания нечетких множеств вводят понятие нечеткой и лингвистической переменных. Нечеткую переменную описывает набор <β, X, A>, где β - название переменной, X - универсальное множество (область определения β), A - нечеткое множество на X , описывающее ограничения на значения нечеткой переменной β.

Значениями лингвистической переменной могут быть нечеткие переменные, то есть лингвистическая переменная находится на высоком уровне, чем нечеткая переменная. Каждая лингвистическая переменная состоит из: названия; множества своих значений, также называется базовой ТЕРМ множеством Т. Элементы базовой терм-множества являются названиями нечетких переменных универсального множества Х синтаксического правила G , по которому генерируются новые термы с применением слов естественного или формального языка; семантического правила Р, которое каждому значению лингвистической переменной ставит в соответствие нечеткая подмножество множества X.

Лингвистическую переменную описывает набор <β, Τ , X , G , M >, где

β - наименование лингвистической переменной;

Т - множество ее значений (терм-множество), которые являются названиями нечетких переменных, областью определения каждой из которых есть множество X; множество Т называют базовой терм-множеством лингвистической переменной;

G - синтаксическая процедура, позволяющая оперировать элементами терм-множества T , в частности генерировать новые термы (значения);

М - семантическая процедура, позволяющая превратить каждое новое значение лингвистической переменной, образованной процедурой G , на нечеткую переменную, то есть сформировать соответствующую нечеткое множество.

2. ОПИСАНИЕ НЕОПРЕДЕЛЕННОСТЕЙ В ТЕОРИИ ПРИНЯТИЯ РЕШЕНИЙ

2.4. Описание неопределенностей с помощью теории нечеткости

2.4.1. Нечеткие множества

Пусть A - некоторое множество. Подмножество B множества A характеризуется своей характеристической функцией

Что такое нечеткое множество? Обычно говорят, что нечеткое подмножество C множества A характеризуется своей функцией принадлежности Значение функции принадлежности в точке х показывает степень принадлежности этой точки нечеткому множеству. Нечеткое множество описывает неопределенность, соответствующую точке х – она одновременно и входит, и не входит в нечеткое множество С . За вхождение - шансов, за второе – (1- ) шансов.

Если функция принадлежности имеет вид (1) при некотором B , то C есть обычное (четкое) подмножество A . Таким образом, теория нечетких множество является не менее общей математической дисциплиной, чем обычная теория множеств, поскольку обычные множества – частный случай нечетких. Соответственно можно ожидать, что теория нечеткости как целое обобщает классическую математику. Однако позже мы увидим, что теория нечеткости в определенном смысле сводится к теории случайных множеств и тем самым является частью классической математики. Другими словами, по степени общности обычная математика и нечеткая математика эквивалентны. Однако для практического применения в теории принятия решений описание и анализ неопределенностей с помощью теории нечетких множеств весьма плодотворны.

Обычное подмножество можно было бы отождествить с его характеристической функцией. Этого математики не делают, поскольку для задания функции (в ныне принятом подходе) необходимо сначала задать множество. Нечеткое же подмножество с формальной точки зрения можно отождествить с его функцией принадлежности. Однако термин "нечеткое подмножество" предпочтительнее при построении математических моделей реальных явлений.

Теория нечеткости является обобщением интервальной математики. Действительно, функция принадлежности

задает интервальную неопределенность – про рассматриваемую величину известно лишь, что она лежит в заданном интервале [a ,b ]. Тем самым описание неопределенностей с помощью нечетких множеств является более общим, чем с помощью интервалов.

Начало современной теории нечеткости положено работой 1965 г. американского ученого азербайджанского происхождения Л.А.Заде. К настоящему времени по этой теории опубликованы тысячи книг и статей, издается несколько международных журналов, выполнено достаточно много как теоретических, так и прикладных работ. Первая книга российского автора по теории нечеткости вышла в 1980 г. .

Л.А. Заде рассматривал теорию нечетких множеств как аппарат анализа и моделирования гуманистических систем, т.е. систем, в которых участвует человек. Его подход опирается на предпосылку о том, что элементами мышления человека являются не числа, а элементы некоторых нечетких множеств или классов объектов, для которых переход от "принадлежности" к "непринадлежности" не скачкообразен, а непрерывен. В настоящее время методы теории нечеткости используются почти во всех прикладных областях, в том числе при управлении предприятием, качеством продукции и технологическими процессами.

Л.А. Заде использовал термин "fuzzy set" (нечеткое множество). На русский язык термин "fuzzy" переводили как нечеткий, размытый, расплывчатый, и даже как пушистый и туманный.

Аппарат теории нечеткости громоздок. В качестве примера дадим определения теоретико-множественных операций над нечеткими множествами. Пусть C и D - два нечетких подмножества A с функциями принадлежности и соответственно. Пересечением , произведением CD , объединением , отрицанием , суммой C + D называются нечеткие подмножества A с функциями принадлежности

соответственно.

Как уже отмечалось, теория нечетких множеств в определенном смысле сводится к теории вероятностей, а именно, к теории случайных множеств. Соответствующий цикл теорем приведен ниже. Однако при решении прикладных задач вероятностно-статистические методы и методы теории нечеткости обычно рассматриваются как различные.

Для знакомства со спецификой нечетких множеств рассмотрим некоторые их свойства.

В дальнейшем считаем, что все рассматриваемые нечеткие множества являются подмножествами одного и того же множества Y .

Законы де Моргана для нечетких множеств. Как известно, законами же Моргана называются следующие тождества алгебры множеств

Теорема 1. Для нечетких множеств справедливы тождества

(4)

Доказательство теоремы 1 состоит в непосредственной проверке справедливости соотношений (3) и (4) путем вычисления значений функций принадлежности участвующих в этих соотношениях нечетких множеств на основе определений, данных выше.

Тождества (3) и (4) назовем законами де Моргана для нечетких множеств . В отличие от классического случая соотношений (2), они состоят из четырех тождеств, одна пара которых относится к операциям объединения и пересечения, а вторая - к операциям произведения и суммы. Как и соотношение (2) в алгебре множеств, законы де Моргана в алгебре нечетких множеств позволяют преобразовывать выражения и формулы, в состав которых входят операции отрицания.

Дистрибутивный закон для нечетких множеств. Некоторые свойства операций над множествами не выполнены для нечетких множеств. Так, за исключением случая, когда А - "четкое" множество (т.е. функция принадлежности принимает только значения 0 и 1).

Верен ли дистрибутивный закон для нечетких множеств? В литературе иногда расплывчато утверждается, что "не всегда". Внесем полную ясность.

Теорема 2. Для любых нечетких множеств А, В и С

В то же время равенство

справедливо тогда и только тогда, когда при всех

Доказательство . Фиксируем произвольный элемент . Для сокращения записи обозначим Для доказательства тождества (5) необходимо показать, что

Рассмотрим различные упорядочения трех чисел a, b, c. Пусть сначала Тогда левая часть соотношения (7) есть а правая т.е. равенство (7) справедливо.

Пусть Тогда в соотношении (7) слева стоит а справа т.е. соотношение (7) опять является равенством.

Если то в соотношении (7) слева стоит а справа т.е. обе части снова совпадают.

Три остальные упорядочения чисел a, b, c разбирать нет необходимости, поскольку в соотношение (6) числа b и c входят симметрично. Тождество (5) доказано.

Второе утверждение теоремы 2 вытекает из того, что в соответствии с определениями операций над нечеткими множествами

Эти два выражения совпадают тогда и только тогда, когда, когда что и требовалось доказать.

Определение 1. Носителем нечеткого множества А называется совокупность всех точек , для которых

Следствие теоремы 2. Если носители нечетких множеств В и С совпадают с У, то равенство (6) имеет место тогда и только тогда, когда А - "четкое" (т.е. обычное, классическое, не нечеткое) множество.

Доказательство. По условию при всех . Тогда из теоремы 2 следует, что т.е. или , что и означает, что А - четкое множество.

2.4.2. Пример описания неопределенности с помощью

нечеткого множества

Понятие «богатый» часто используется при обсуждении социально-экономических проблем, в том числе и в связи с подготовкой и принятием решений. Однако очевидно, что разные лица вкладывают в это понятие различное содержание. Сотрудники Института высоких статистических технологий и эконометрики провели в 1996 г. социологическое исследование представления различных слоёв населения о понятии "богатый человек".

Мини-анкета опроса выглядела так:

1. При каком месячном доходе (в млн. руб. на одного человека) Вы считали бы себя богатым человеком?

2. Оценив свой сегодняшний доход, к какой из категорий Вы себя относите:

а) богатые;

б) достаток выше среднего;

в) достаток ниже среднего;

г) бедные;

д) за чертой бедности?

(В дальнейшем вместо полного наименования категорий будем оперировать буквами, например "в" - категория, "б" - категория и т.д.)

3. Ваша профессия, специальность.

Всего было опрошено 74 человека, из них 40 - научные работники и преподаватели, 34 человека - не занятых в сфере науки и образования, в том числе 5 рабочих и 5 пенсионеров. Из всех опрошенных только один (!) считает себя богатым. Несколько типичных ответов научных работников и преподавателей приведено в табл.1, а аналогичные сведения для работников коммерческой сферы – в табл.2.

Таблица 1.

Типичные ответы научных работников и преподавателей

Ответы на вопрос 3		Ответы на вопрос 1, млн. руб./чел.		Ответы на вопрос 2
Кандидат наук
Преподаватель
	Старший. научный сотрудник
	Инженер-физик
	Программист
	научный работник

Таблица 2

Типичные ответы работников коммерческой сферы.

Ответы на вопрос 3	Ответы на вопрос 1	Ответы на вопрос 2
Вице-президент банка
Зам. директора банка
Начальник. кредитного отдела
Начальник отдела ценных бумаг
Главный бухгалтер
Бухгалтер
Менеджер банка
Начальник отдела проектирования

Разброс ответов на первый вопрос – от 1 до 100 млн. руб. в месяц на человека. Результаты опроса показывают, что критерий богатства у финансовых работников в целом несколько выше, чем у научных (см. гистограммы на рис.1 и рис.2 ниже).

Опрос показал, что выявить какое-нибудь конкретное значение суммы, которая необходима "для полного счастья", пусть даже с небольшим разбросом, нельзя, что вполне естественно. Как видно из таблиц 1 и 2, денежный эквивалент богатства колеблется от 1 до 100 миллионов рублей в месяц. Подтвердилось мнение, что работники сферы образования в подавляющем большинстве причисляют свой достаток к категории "в" и ниже (81% опрошенных), в том числе к категории "д" отнесли свой достаток 57%.

Со служащими коммерческих структур и бюджетных организаций иная картина: "г" - категория 1 человек (4%), "д" - категория 4 человека (17%), "б" - категория - 46% и 1 человек "а" - категория.

Пенсионеры, что не вызывает удивления, отнесли свой доход к категории "д" (4 человека), и лишь один человек указал "г" - категорию. Рабочие же ответили так: 4 человека - "в", и один человек - "б".

Для представления общей картины в табл.3 приведены данные об ответах работников других профессий.

Таблица 3.

Типичные ответы работников различных профессий.

Ответы на вопрос 3	Ответы на вопрос 1	Ответы на вопрос 2
Работник торговли
Водитель
Военнослужащий
Владелец бензоколонки
Пенсионер
Начальник фабрики
Домохозяйка
Слесарь-механик
Оператор ЭВМ
Работник собеса
Архитектор

Прослеживается интересное явление: чем выше планка богатства для человека, тем к более низкой категории относительно этой планки он себя относит.

Для сводки данных естественно использовать гистограммы. Для этого необходимо сгруппировать ответы. Использовались 7 классов (интервалов):

1 – до 5 миллионов рублей в месяц на человека (включительно);

2 – от 5 до 10 миллионов;

3- от 10 до 15 миллионов;

4 – от 15 до 20 миллионов;

5 – от 20 до 25 миллионов;

6 – от 25 до 30 миллионов;

7 – более 30 миллионов.

(Во всех интервалах левая граница исключена, а правая, наоборот – включена.)

Сводная информация представлена на рис.1 (для научных работников и преподавателей) и рис.2 (для всех остальных, т.е. для лиц, не занятых в сфере науки и образования - служащих иных бюджетных организаций, коммерческих структур, рабочих, пенсионеров).

Рис.1. Гистограмма ответов на вопрос 1 для научных работников и преподавателей (40 человек).

Рис.2. Гистограмма ответов на вопрос 1 для лиц, не занятых в сфере науки и образования (34 человека).

Для двух выделенных групп, а также для некоторых подгрупп второй группы рассчитаны сводные средние характеристики – выборочные средние арифметические, медианы, моды. При этом медиана группы - количество млн. руб., названное центральным по порядковому номеру опрашиваемым в возрастающем ряду ответов на вопрос 1, а мода группы - интервал, на котором столбик гистограммы - самый высокий, т.е. в него "попало" максимальное количество опрашиваемых. Результаты приведены в табл. 4.

Таблица 4.

Сводные средние характеристики ответов на вопрос 1

для различных групп (в млн. руб. в мес. на чел.).

Группа опрошенных	арифметическое
Научные работники и преподаватели
Лиц, не занятых в сфере науки и образования
Служащие коммерческих структур и бюджетных организаций
Пенсионеры

Построим нечеткое множество, описывающее понятие «богатый человек» в соответствии с представлениями опрошенных. Для этого составим табл.5 на основе рис.1 и рис.2 с учетом размаха ответов на первый вопрос.

Таблица 5.

Число ответов, попавших в интервалы

	Номер интервала
	Интервал, млн. руб. в месяц
	Число ответов в интервале
	Доля ответов в интервале
	Накопленное число ответов
	Накопленная доля ответов

Продолжение табл.5.

	Номер интервала
	Интервал, млн. руб. в месяц
	Число ответов в интервале
	Доля ответов в интервале
	Накопленное число ответов
	Накопленная доля ответов

Пятая строка табл.5 задает функцию принадлежности нечеткого множества, выражающего понятие "богатый человек" в терминах его ежемесячного дохода. Это нечеткое множество является подмножеством множества из 9 интервалов, заданных в строке 2 табл.5. Или множества из 9 условных номеров {0, 1, 2, …, 8}. Эмпирическая функция распределения, построенная по выборке из ответов 74 опрошенных на первый вопрос мини-анкеты, описывает понятие "богатый человек" как нечеткое подмножество положительной полуоси.

2.4.3. О разработке методики ценообразования

на основе теории нечетких множеств

Для оценки значений показателей, не имеющих количественной оценки, можно использовать методы нечетких множеств. Например, в диссертации П.В. Битюкова нечеткие множества применялись при м оделировании задач ценообразования на электронные обучающие курсы, используемые при дистанционном обучении. Им было проведено исследование значений фактора «Уровень качества курса» с использованием нечетких множеств. В ходе практического использования предложенной П.В. Битюковым методики ценообразования значения ряда других факторов могут также определяться с использованием теории нечетких множеств. Например, ее можно использовать для определения прогноза рейтинга специальности в вузе с помощью экспертов, а также значений других факторов, относящихся к группе «Особенности курса». Опишем подход П.В. Битюкова как пример практического использования теории нечетким множеств.

Значение оценки, присваиваемой каждому интервалу для фактора «Уровень качества курса», определяется на универсальной шкале , где необходимо разместить значения лингвистической переменной «Уровень качества курса»: НИЗКИЙ, СРЕДНИЙ, ВЫСОКИЙ. Степень принадлежности некоторого значения вычисляется как отношение числа ответов, в которых оно встречалось в определенном интервале шкалы, к максимальному (для этого значения) числу ответов по всем интервалам.

В ходе работы над диссертацией был проведен опрос экспертов о степени влияния уровня качества электронных курсов на их потребительную ценность. Каждому эксперту в процессе опроса предлагалось оценить с позиции потребителя ценность того или иного класса курсов в зависимости от уровня качества. Эксперты давали свою оценку для каждого класса курсов по 10-ти балльной шкале (где 1 - min, 10 - max). Для перехода к универсальной шкале , все значения 10-ти балльной шкалы оценки ценности были разделены на максимальную оценку 10.

Используя свойства функции принадлежности, необходимо предварительно обработать данные с тем, чтобы уменьшить искажения, вносимые опросом. Естественными свойствами функций принадлежности являются наличие одного максимума и гладкие, затухающие до нуля фронты. Для обработки статистических данных можно воспользоваться так называемой матрицей подсказок. Предварительно удаляются явно ошибочные элементы. Критерием удаления служит наличие нескольких нулей в строке вокруг этого элемента.

Элементы матрицы подсказок вычисляются по формуле: ,

где - элемент таблицы с результатами анкетирования, сгруппированными по интервалам. Матрица подсказок представляет собой строку, в которой выбирается максимальный элемент: , и далее все ее элементы преобразуются по формуле:

.

Для столбцов, где , применяется линейная аппроксимация:

.

Результаты расчетов сводятся в таблицу, на основании которой строятся функции принадлежности. Для этого находятся максимальные элементы по строкам: . Функция принадлежности вычисляется по формуле: . Результаты расчетов приведены в табл. 6.

Таблица 6

Значения функции принадлежности лингвистической переменной

	Интервал на универсальной шкале

Рис. 3 . График функций принадлежности значений лингвистической переменной «Уровень качества курса»

На рис.3 сплошными линиями показаны функции принадлежности значений лингвистической переменной «Уровень качества курса» после обработки таблицы, содержащей результаты опроса. Как видно из графика, функции принадлежности удовлетворяют описанным выше свойствам. Для сравнения пунктирной линией показана функция принадлежности лингвистической переменной для значения НИЗКИЙ без обработки данных.

2.4.4. О статистике нечетких множеств

Нечеткие множества – частный вид объектов нечисловой природы. Статистические методы анализа объектов нечисловой природы описаны в . В частности, среднее значение нечеткого множества можно определить по формуле:

,

A .

Как известно, методы статистики нечисловых данных базируются на использовании расстояний (или показателей различия) в соответствующих пространствах нечисловой природы. Расстояние между нечеткими подмножествами А и В множества Х = {x 1 , x 2 , …, x k } можно определить как

где - функция принадлежности нечеткого множества A, а - функция принадлежности нечеткого множества B . Может использоваться и другое расстояние:

(Примем это расстояние равным 0, если функции принадлежности тождественно равны 0.)

В соответствии с аксиоматическим подходом к выбору расстояний (метрик) в пространствах нечисловой природы разработан обширный набор систем аксиом, из которых выводится тот или иной вид расстояний (метрик) в конкретных пространствах . При использовании вероятностных моделей расстояние между случайными нечеткими множествами само является случайной величиной, имеющей в ряде постановок асимптотически нормальное распределение .

2.4.5. Нечеткие множества как проекции случайных множеств

С самого начала появления современной теории нечеткости в 1960-е годы началось обсуждение ее взаимоотношений с теорией вероятностей. Дело в том, что функция принадлежности нечеткого множества напоминает распределение вероятностей. Отличие только в том, что сумма вероятностей по всем возможным значениям случайной величины (или интеграл, если множество возможных значений несчетно) всегда равна 1, а сумма S значений функции принадлежности (в непрерывном случае - интеграл от функции принадлежности) может быть любым неотрицательным числом. Возникает искушение пронормировать функцию принадлежности, т.е. разделить все ее значения на S (при S 0), чтобы свести ее к распределению вероятностей (или к плотности вероятности). Однако специалисты по нечеткости справедливо возражают против такого "примитивного" сведения", поскольку оно проводится отдельно для каждой размытости (нечеткого множества), и определения обычных операций над нечеткими множествами с ним согласовать нельзя. Последнее утверждение означает следующее. Пусть указанным образом преобразованы функции принадлежности нечетких множеств А и В . Как при этом преобразуются функции принадлежности ? Установить это невозможно в принципе. Последнее утверждение становится совершенно ясным после рассмотрения нескольких примеров пар нечетких множеств с одними и теми же суммами значений функций принадлежности, но различными результатами теоретико-множественных операций над ними, причем и суммы значений соответствующих функций принадлежности для этих результатов теоретико-множественных операций, например, для пересечений множеств, также различны.

В работах по нечетким множествам довольно часто утверждается, что теория нечеткости является самостоятельным разделом прикладной математики и не имеет отношения к теории вероятностей (см., например, обзор литературы в монографиях ). Авторы, сравнивавшие теорию нечеткости и теорию вероятностей, обычно подчеркивали различие между этими областями теоретических и прикладных исследований. Обычно сравнивают аксиоматику и сравнивают области приложений. Надо сразу отметить, что аргументы при втором типе сравнений не имеют доказательной силы, поскольку по поводу границ применимости даже такой давно выделившейся научной области, как вероятностно-статистические методы, имеются различные мнения. Напомним, что итог рассуждений одного из наиболее известных французских математиков Анри Лебега по поводу границ применимости арифметики таков: "Арифметика применима тогда, когда она применима" (см. его монографию ).

При сравнении различных аксиоматик теории нечеткости и теории вероятностей нетрудно увидеть, что списки аксиом различаются. Из этого, однако, отнюдь не следует, что между указанными теориями нельзя установить связь, типа известного сведения евклидовой геометрии на плоскости к арифметике (точнее к теории числовой системы - см., например, монографию ). Напомним, что эти две аксиоматики - евклидовой геометрии и арифметики - на первый взгляд весьма сильно различаются.

Можно понять желание энтузиастов нового направления подчеркнуть принципиальную новизну своего научного аппарата. Однако не менее важно установить связи нового подхода с ранее известными.

Как оказалось, теория нечетких множеств тесно связана с теорией случайных множеств. Еще в 1974 г. в работе было показано, что нечеткие множества естественно рассматривать как "проекции" случайных множеств. Рассмотрим этот метод сведения теории нечетких множеств к теории случайных множеств.

Определение 2. Пусть - случайное подмножество конечного множества У. Нечеткое множество В, определенное на У, называется проекцией А и обозначается Proj A, если

(8)

при всех

Очевидно, каждому случайному множеству А можно поставить в соответствие с помощью формулы (8) нечеткое множество В = Proj A. Оказывается, верно и обратное.

Теорема 3. Для любого нечеткого подмножества В конечного множества У существует случайное подмножество А множества У такое, что В = Proj A.

Доказательство. Достаточно задать распределение случайного множества А . Пусть У 1 - носитель В (см. определение 1 выше). Без ограничения общности можно считать, что при некотором m и элементы У 1 занумерованы в таком порядке, что

Введем множества

Для всех остальных подмножеств Х множества У положим Р(А=Х)=0 . Поскольку элемент y t входит во множества Y(1), Y(2),…, Y(t) и не входит во множества Y(t+1),…, Y(m), то из приведенных выше формул следует, что Если то, очевидно, Теорема 3 доказана.

Распределение случайного множества с независимыми элементами, как следует из рассмотрений главы 8 монографии , полностью определяется его проекцией. Для конечного случайного множества общего вида это не так. Для уточнения сказанного понадобится следующая теорема.

Теорема 4. Для случайного подмножества А множества У из конечного числа элементов наборы чисел и выражаются один через другой.

Доказательство. Второй набор выражается через первый следующим образом:

Элементы первого набора выразить через второй можно с помощью формулы включений и исключений из формальной логики, в соответствии с которой

В этой формуле в первой сумме у пробегает все элементы множества Y\X, во второй сумме переменные суммирования у 1 и у 2 не совпадают и также пробегают это множество, и т.д. Ссылка на формулу включений и исключений завершает доказательство теоремы 4.

В соответствии с теоремой 4 случайное множество А можно характеризовать не только распределением, но и набором чисел В этом наборе а других связей типа равенств нет. В этот набор входят числа следовательно, фиксация проекции случайного множества эквивалентна фиксации k = Card(Y) параметров из (2 k -1) параметров, задающих распределение случайного множества А в общем случае.

Будет полезна следующая теорема.

Теорема 5 . Если Proj A = B , то

Для доказательства достаточно воспользоваться тождеством из теории случайных множеств формулой для вероятности накрытия , определением отрицания нечеткого множества и тем, что сумма всех P (A =X ) равна 1. При этом под формулой для вероятности накрытия имеется в виду следующее утверждение: чтобы найти вероятность накрытия фиксированного элемента q случайным подмножеством S конечного множества Q , достаточно вычислить

где суммирование идет по всем подмножествам A множества Q , содержащим q .

2.4.6. Пересечения и произведения нечетких

и случайных множеств

Выясним, как операции над случайными множествами соотносятся с операциями над их проекциями. В силу законов де Моргана (теорема 1) и теоремы 5 достаточно рассмотреть операцию пересечения случайных множеств.

Теорема 6. Если случайные подмножества А 1 и А 2 конечного множества У независимы, то нечеткое множество является произведением нечетких множеств Proj A 1 и Proj A 2 .

Доказательство. Надо показать, что для любого

По формуле для вероятности накрытия точки случайным множеством (см. выше)

Легко проверить, что распределение пересечения случайных множеств можно выразить через их совместное распределение следующим образом:

Из соотношений (10) и (11) следует, что вероятность накрытия для пересечения случайных множеств можно представить в виде двойной суммы

Заметим теперь, что правую часть формулы (12) можно переписать следующим образом:

(13)

Действительно, формула (12) отличается от формулы (13) лишь тем, что в ней сгруппированы члены, в которых пересечение переменных суммирования принимает постоянное значение. Воспользовавшись определением независимости случайных множеств и правилом перемножения сумм, получаем, что из (12) и (13) вытекает равенство

Тогда равенство (14) сводится к условию

Ясно, что соотношение (15) выполнено тогда и только тогда, когда р 2 р 3 =0 при всех т.е. не существует ни одного элемента такого, что одновременно и , а это эквивалентно пустоте пересечения носителей случайных множеств и . Теорема 7 доказана.

24.7. Сведение последовательности операций

над нечеткими множествами к последовательности операций

над случайными множествами

Выше получены некоторые связи между нечеткими и случайными множествами. Стоит отметить, что изучение этих связей в работе началось с введения случайных множеств с целью развития и обобщения аппарата нечетких множеств Л. Заде. (Для фиксации приоритета на мировом уровне целесообразно отметить, что эта работа выполнена в 1974 г. и доложена в Центральном экономико-математическом институте АН СССР на всесоюзном научном семинаре "Многомерный статистический анализ и вероятностное моделирование реальных процессов" 18 декабря 1974 г. - см. .) Дело в том, что математический аппарат нечетких множеств не позволяет в должной мере учитывать различные варианты зависимости между понятиями (объектами), моделируемыми с его помощью, не является достаточно гибким. Так, для описания "общей части" двух нечетких множеств есть лишь две операции - произведение и пересечение. Если применяется первая из них, то фактически предполагается, что множества ведут себя как проекции независимых случайных множеств (см. выше теорему 6). Операция пересечения также накладывает вполне определенные ограничения на вид зависимости между множествами (см. выше теорему 7), причем в этом случае найдены даже необходимые и достаточные условия. Желательно иметь более широкие возможности для моделирования зависимости между множествами (понятиями, объектами). Использование математического аппарата случайных множеств предоставляет такие возможности.

Цель сведения теории нечетких множеств к теории случайных множеств состоит в том, чтобы за любой конструкцией из нечетких множеств увидеть конструкцию из случайных множеств, определяющую свойства первой, аналогично тому, как за плотностью распределения вероятностей мы видим случайную величину. В настоящем пункте приводим результаты по сведению алгебры нечетких множеств к алгебре случайных множеств.

Определение 4. Вероятностное пространство {Ω, G, P } назовем делимым, если для любого измеримого множества Х G и любого положительного числа , меньшего Р(Х), можно указать измеримое множество такое, что

Пример. Пусть - единичный куб конечномерного линейного пространства, G есть сигма-алгебра борелевских множеств, а P - мера Лебега. Тогда {Ω, G, P } - делимое вероятностное пространство.

Таким образом, делимое вероятностное пространство - это не экзотика. Обычный куб является примером такого пространства.

Доказательство сформулированного в примере утверждения проводится стандартными математическими приемами. Они основаны на том, что измеримое множество можно сколь угодно точно приблизить открытыми множествами, последние представляются в виде суммы не более чем счетного числа открытых шаров, а для шаров делимость проверяется непосредственно (от шара Х тело объема отделяется соответствующей плоскостью).

Теорема 8. Пусть даны случайное множество А на делимом вероятностном пространстве {Ω, G, P } со значениями во множестве всех подмножеств множества У из конечного числа элементов, и нечеткое множество D на У. Тогда существуют случайные множества С 1 , С 2 , С 3 , С 4 на том же вероятностном пространстве такие, что

где B = Proj A.

Доказательство. В силу справедливости законов де Моргана для нечетких (см. теорему 1 выше) и для случайных множеств, а также теоремы 5 выше (об отрицаниях) достаточно доказать существование случайных множеств С 1 и С 2 .

Рассмотрим распределение вероятностей во множестве всех подмножеств множества У , соответствующее случайному множеству С такому, что Proj C = D (оно существует в силу теоремы 3). Построим случайное множество С 2 с указанным распределением, независимое от А . Тогда по теореме 6.

Чтобы для полученного случайного множества случайное множество не меняется). Перебрав все элементы У , получим случайное множество , для которого выполнено требуемое. Теорема 8 доказана.

Основной результат о сведении теории нечетких множеств к теории случайных множеств дается следующей теоремой.

Теорема 9. Пусть - некоторые нечеткие подмножества множества У из конечного числа элементов. Рассмотрим результаты последовательного выполнения теоретико-множественных операций

где - символ одной из следующих теоретико-множественных операций над нечеткими множествами: пересечение, произведение, объединение, сумма (на разных местах могут стоять разные символы). Тогда существуют случайные подмножества того же множества У такие, что

и, кроме того, результаты теоретико-множественных операций связаны аналогичными соотношениями

где знак означает, что на рассматриваемом месте стоит символ пересечения случайных множеств, если в определении B m стоит символ пересечения или символ произведения нечетких множеств, и соответственно символ объединения случайных множеств, если в B m стоит символ объединения или символ суммы нечетких множеств.