ตรรกศาสตร์คลุมเครือ (Fuzzy Logic)

ตรรกศาสตร์คลุมเครือ (Fuzzy Logic)

1. ความหมายและแนวคิดพื้นฐาน

ตรรกศาสตร์คลุมเครือ (Fuzzy Logic) ถูกเสนอโดย Lotfi Zadeh ในปี 1965 เป็นแนวคิดที่ใช้แทน "ความจริงแบบเป็นระดับ" ซึ่งแตกต่างจากตรรกศาสตร์แบบดั้งเดิม (Classical Logic) ที่มีเพียงค่าจริง (1) หรือเท็จ (0) อย่างชัดเจน

ระบบนี้ถูกออกแบบมาเพื่ออธิบายความไม่แน่นอน ความกำกวม และภาษาธรรมชาติที่มนุษย์ใช้สื่อสาร เช่น คำว่า "ร้อน" "อุ่น" หรือ "ค่อนข้างเย็น" ในระบบคลาสสิก ค่าความเป็นสมาชิกจะมีเพียง 0 หรือ 1 แต่ในระบบฟัซซี ค่าเหล่านี้สามารถบอกได้ว่าข้อมูลนั้น "เป็นสมาชิกของกลุ่มมากน้อยแค่ไหน" ตัวอย่างเช่น อุณหภูมิ 30 องศาเซลเซียส อาจมีความเป็น "ร้อน" อยู่ที่ 0.7 และมีความเป็น "อุ่น" อยู่ที่ 0.3 พร้อมกันได้

2. ฟัซซีเซตและฟังก์ชันสมาชิก (Fuzzy Set & Membership Function)

ฟัซซีเซตคือเซตที่สมาชิกมีระดับการเป็นสมาชิกได้ โดยถูกกำหนดผ่าน ฟังก์ชันสมาชิก (Membership Function) ทางคณิตศาสตร์ ดังนี้:

$\mu_A(x)$ คือฟังก์ชันที่แมปค่าจากโดเมน $X$ ไปยังช่วง $[0, 1]$

• $\mu_A(x) = 0$ หมายถึง ค่านั้นไม่เป็นสมาชิกของเซตเลย

• $\mu_A(x) = 1$ หมายถึง ค่านั้นเป็นสมาชิกอย่างสมบูรณ์

• ค่าระหว่างกลาง (เช่น 0.4 หรือ 0.8) คือระดับความเป็นสมาชิกบางส่วน

รูปแบบฟังก์ชันสมาชิกที่นิยมใช้:

• Triangular: รูปสามเหลี่ยม ใช้งานง่าย เหมาะกับข้อมูลที่เปลี่ยนแปลงเป็นช่วงชัดเจน

• Trapezoidal: รูปสี่เหลี่ยมคางหมู เหมาะเมื่อช่วงค่าหนึ่งมีความเป็นสมาชิกเต็มที่ในช่วงกลาง

• Gaussian: รูประฆังคว่ำ ให้ความเรียบเนียนต่อเนื่อง เหมาะกับข้อมูลที่มีการกระจายตัวแบบธรรมชาติ

• Sigmoidal: รูปตัว S เหมาะกับการแทนค่าที่เปลี่ยนจากน้อยไปมาก หรือมากไปน้อยอย่างต่อเนื่อง

3. ตัวดำเนินการฟัซซี (Fuzzy Operators)

ตัวดำเนินการพื้นฐานใช้สำหรับจัดการเงื่อนไขคลุมเครือในลักษณะเดียวกับตรรกศาสตร์ปกติ แต่รองรับค่าระดับความจริงที่เป็นตัวเลขทศนิยม

หมายเหตุ: นอกจากตัวดำเนินการพื้นฐาน ยังมีแนวคิด T-norm และ S-norm ซึ่งยืดหยุ่นกว่าการใช้ค่าต่ำสุด/สูงสุด และมักใช้ในระบบที่ต้องการออกแบบพฤติกรรมการรวมเงื่อนไขอย่างละเอียด

4. โครงสร้างระบบควบคุมแบบฟัซซี (Fuzzy Control System)

ระบบควบคุมแบบฟัซซีเป็นระบบที่ใช้ตัดสินใจและควบคุมอุปกรณ์ โดยทำงานผ่าน 4 ขั้นตอนหลักตามลำดับ ดังนี้:

1. Fuzzification: การแปลงค่าจริงจากเซนเซอร์ให้กลายเป็นค่าฟัซซี (เช่น แปลงอุณหภูมิ 32 องศา เป็น "อุ่นมาก 0.2", "ร้อน 0.8")

2. Inference: การประเมินกฎ IF-THEN โดยระบบที่ใช้บ่อยคือ Mamdani (ผลลัพธ์เป็นฟัซซีเซต อธิบายด้วยภาษามนุษย์ได้ดี) และ Sugeno (ผลลัพธ์เป็นสมการเชิงเส้น เหมาะกับการคำนวณที่รวดเร็ว)

3. Aggregation: การรวมผลลัพธ์ของกฎทุกข้อเข้าด้วยกัน เพื่อให้ได้ภาพรวมของผลลัพธ์ทั้งหมด

4. Defuzzification: การแปลงผลลัพธ์ฟัซซีกลับเป็นค่าตัวเลขที่นำไปสั่งงานจริงได้ วิธีที่นิยมคือ Centroid (หาค่าศูนย์กลางพื้นที่) และ Mean of Maxima (หาค่าเฉลี่ยของจุดที่มีค่าสูงสุด)

5. ตัวอย่างกฎฟัซซี (Fuzzy Rules)

การสร้างกฎช่วยให้ระบบตอบสนองได้แบบยืดหยุ่นโดยไม่ต้องใช้เส้นแบ่ง (Threshold) แบบตายตัว

• IF อุณหภูมิ "ต่ำ" AND ความชื้น "ต่ำ" THEN เครื่องทำงานระดับ "เบา"

• IF อุณหภูมิ "ปานกลาง" THEN เครื่องทำงานระดับ "ปานกลาง"

• IF อุณหภูมิ "สูง" AND ความชื้น "สูง" THEN เครื่องทำงานระดับ "แรง"

6. ข้อดี ข้อจำกัด และการประยุกต์ใช้งาน