Fuzzy logic in decision-making — 决策中的模糊逻辑

在决策理论中，模糊逻辑用于对信息具有不精确、模糊或口头表达特征的情况下的选择进行建模。在这种情况下，传统的确定性方法和概率方法并不完全适用。为了形式化决策者（decision maker）的知识和偏好，采用了由 L. A. Zadeh 提出的模糊集理论。

模糊环境下的选择

在以下情况下，应用模糊逻辑是合理的：

• 缺乏精确的定量数据，
• 无法形式化情境的所有参数，
• 评估和偏好通过自然语言表达——例如使用“高”、“好”、“可接受”等术语。

这类信息通过模糊变量和语言标度来描述，其值并非严格定义的数字，而是由隶属函数表示，反映了对象与给定定性描述的符合程度。

语言标度与隶属函数

定性评估（例如，“满意”、“差”、“优秀”）可以表示为模糊语言标度，其中每个等级都被解释为一个具有相应隶属函数的模糊集。隶属函数可以有不同的形状（如三角形、梯形等），并确定在每种具体情况下，对象符合某个语言类别的程度。

模糊最优性原则

模糊逻辑决策的基础是贝尔曼-扎德模糊最优性原则（Bellman-Zadeh principle of fuzzy optimality），根据该原则，如果一个决策属于目标和约束的模糊集交集，并且对该交集具有最大隶属度，则该决策被视为最优决策​。

该原则用于解决以下问题：

• 保证结果的达成，即在条件不精确的情况下也必须确保目标实现；
• 多标准选择，其中每个标准都可以表示为模糊函数；
• 模糊环境下的最优控制，其中系统转换和控制作用被表述为模糊约束和目标​。

应用与意义

模糊逻辑和模糊集方法能够：

• 形式化专家知识和判断，
• 模拟对特征和条件的模糊感知，
• 在弱结构化或难以形式化的问题中构建灵活的决策程序。

Category:Decision analysis Category:Decision making

Category:Control theory