别再硬编码规则了！用Python的scikit-fuzzy库5分钟搞定一个模糊推理系统

用Python的scikit-fuzzy库5分钟构建模糊推理系统

在开发智能系统时，我们常常遇到一个难题：现实世界中的许多概念并不像代码中的if-else语句那样非黑即白。比如"天气很热"、"服务很好"这样的描述，传统编程方法很难准确表达。这就是模糊逻辑大显身手的地方——它允许我们用数学方式处理这些"模糊"概念。

1. 为什么需要模糊推理系统

想象一下，你要开发一个智能空调控制系统。传统方法可能会这样写：

if temperature > 28: ac_power = 100 elif 25 < temperature <= 28: ac_power = 70 elif 22 < temperature <= 25: ac_power = 50 # 更多条件...

这种方法有几个明显问题：

• 边界突变问题：温度从27.9°C升到28.1°C，空调功率会从70%突然跳到100%，这种突变不符合人类对"热"的感知
• 规则爆炸：考虑湿度、人数等因素时，条件组合会呈指数增长
• 可解释性差：难以直观理解为什么选择这些特定阈值

模糊推理系统通过以下方式解决这些问题：

1. 使用隶属度函数代替硬编码阈值
2. 通过模糊规则组合多个输入变量
3. 采用去模糊化方法输出平滑的控制信号

典型应用场景包括：

• 智能家居控制系统
• 产品质量评估
• 用户满意度分析
• 医疗诊断辅助系统

2. 快速搭建你的第一个模糊系统

2.1 环境准备

首先安装必要的库：

pip install scikit-fuzzy numpy matplotlib

scikit-fuzzy是建立在scipy之上的模糊逻辑工具库，提供了构建模糊系统的完整工具链。

2.2 定义问题

我们以"餐厅小费计算系统"为例，构建一个根据服务质量和食物质量决定小费比例的模糊系统。

输入变量：

• 服务质量（0-10分）
• 食物质量（0-10分）

输出变量：

• 小费比例（5%-25%）

2.3 创建模糊变量

import numpy as np import skfuzzy as fuzz from skfuzzy import control as ctrl # 创建模糊变量 quality = ctrl.Antecedent(np.arange(0, 11, 1), 'quality') service = ctrl.Antecedent(np.arange(0, 11, 1), 'service') tip = ctrl.Consequent(np.arange(5, 26, 1), 'tip') # 自动划分隶属函数 quality.automf(3, names=['poor', 'average', 'good']) service.automf(3, names=['poor', 'average', 'good']) # 自定义小费的隶属函数 tip['low'] = fuzz.trimf(tip.universe, [5, 5, 13]) tip['medium'] = fuzz.trimf(tip.universe, [10, 15, 20]) tip['high'] = fuzz.trimf(tip.universe, [17, 25, 25])

这里我们使用了三种类型的隶属函数：

2.4 定义模糊规则

rule1 = ctrl.Rule(quality['poor'] | service['poor'], tip['low']) rule2 = ctrl.Rule(service['average'], tip['medium']) rule3 = ctrl.Rule(service['good'] | quality['good'], tip['high']) tipping_ctrl = ctrl.ControlSystem([rule1, rule2, rule3]) tipping = ctrl.ControlSystemSimulation(tipping_ctrl)

规则设计技巧：

• 使用|表示OR逻辑，&表示AND逻辑
• 规则前件(antecedent)可以组合多个条件
• 规则数量通常为输入变量分类数的乘积

2.5 执行推理与可视化

# 设置输入并计算 tipping.input['quality'] = 6.5 tipping.input['service'] = 9.8 tipping.compute() # 查看结果 print(tipping.output['tip']) tip.view(sim=tipping)

执行后会输出建议的小费比例，并显示推理过程的图形化表示。

3. 高级技巧与优化

3.1 自定义隶属函数

虽然自动生成的隶属函数很方便，但手动定义能获得更好的控制：

# 自定义服务质量隶属函数 service['poor'] = fuzz.trapmf(service.universe, [0, 0, 2, 5]) service['average'] = fuzz.trimf(service.universe, [3, 6, 8]) service['good'] = fuzz.trapmf(service.universe, [7, 9, 10, 10])

参数选择建议：

• 确保各分类间有适当重叠(20-30%)
• 边界分类使用梯形函数更合理
• 中心分类使用三角形函数更简洁

3.2 规则优化策略

初始规则集可能不够完善，可以通过以下方法优化：

1. 添加中间规则：

   rule4 = ctrl.Rule(quality['average'] & service['good'], tip['medium-high'])

2. 调整规则权重：

   rule2 = ctrl.Rule(service['average'], tip['medium'], weight=0.8)

3. 使用模糊补集：

   rule5 = ctrl.Rule(~quality['good'], tip['not-high'])

3.3 去模糊化方法比较

scikit-fuzzy支持多种去模糊化方法：

# 更改去模糊化方法 tip.defuzzify_method = 'bisector'

4. 实际应用案例：智能照明系统

让我们看一个更复杂的例子——根据环境光线和人员活动自动调节灯光亮度的系统。

4.1 系统设计

输入变量：

• 环境光照（0-1000 lux）
• 人员活动（0-10，基于运动传感器）

输出变量：

• 灯光亮度（0-100%）

light = ctrl.Antecedent(np.arange(0, 1001, 10), 'light') activity = ctrl.Antecedent(np.arange(0, 11, 1), 'activity') brightness = ctrl.Consequent(np.arange(0, 101, 1), 'brightness') # 定义光照隶属函数 light['dark'] = fuzz.trapmf(light.universe, [0, 0, 100, 300]) light['medium'] = fuzz.trapmf(light.universe, [200, 400, 600, 800]) light['bright'] = fuzz.trapmf(light.universe, [700, 900, 1000, 1000]) # 定义活动隶属函数 activity['low'] = fuzz.trimf(activity.universe, [0, 0, 5]) activity['medium'] = fuzz.trimf(activity.universe, [2, 5, 8]) activity['high'] = fuzz.trimf(activity.universe, [5, 10, 10]) # 定义亮度隶属函数 brightness['low'] = fuzz.trimf(brightness.universe, [0, 0, 40]) brightness['medium'] = fuzz.trimf(brightness.universe, [30, 50, 70]) brightness['high'] = fuzz.trimf(brightness.universe, [60, 100, 100])

4.2 构建规则库

rules = [ ctrl.Rule(light['dark'] & activity['low'], brightness['low']), ctrl.Rule(light['dark'] & activity['medium'], brightness['medium']), ctrl.Rule(light['dark'] & activity['high'], brightness['high']), ctrl.Rule(light['medium'] & activity['low'], brightness['low']), ctrl.Rule(light['medium'] & activity['medium'], brightness['medium']), ctrl.Rule(light['medium'] & activity['high'], brightness['high']), ctrl.Rule(light['bright'] & activity['low'], brightness['low']), ctrl.Rule(light['bright'] & activity['medium'], brightness['medium-low']), ctrl.Rule(light['bright'] & activity['high'], brightness['medium']) ] lighting_ctrl = ctrl.ControlSystem(rules) lighting = ctrl.ControlSystemSimulation(lighting_ctrl)

4.3 系统测试与优化

# 测试不同场景 test_cases = [ {'light': 50, 'activity': 2}, # 黑暗且人少 {'light': 50, 'activity': 7}, # 黑暗且人多 {'light': 500, 'activity': 5}, # 中等光照和活动 {'light': 900, 'activity': 9} # 明亮且高活动 ] for case in test_cases: lighting.input['light'] = case['light'] lighting.input['activity'] = case['activity'] lighting.compute() print(f"Light: {case['light']}, Activity: {case['activity']} -> Brightness: {lighting.output['brightness']:.1f}%")

通过分析测试结果，可以进一步调整隶属函数形状或添加/修改规则来优化系统表现。