Giải pháp tối ưu các tham số định lượng ngữ nghĩa của đại số gia tử và ứng dụng cho bài toán lập luận xấp xỉ mờ trong điều khiển

ĐẠI HỌC THÁI NGUYÊN
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG

NGUYỄN ĐỨC VĂN

GIẢI PHÁP TỐI ƯU CÁC THAM SỐ ĐỊNH LƯỢNG NGỮ
NGHĨA CỦA ĐẠI SỐ GIA TỬ VÀ ỨNG DỤNG CHO BÀI TOÁN
LẬP LUẬN XẤP XỈ MỜ TRONG ĐIỀU KHIỂN

LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH

THÁI NGUYÊN - 2018


ĐẠI HỌC THÁI NGUYÊN
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG

NGUYỄN ĐỨC VĂN

GIẢI PHÁP TỐI ƯU CÁC THAM SỐ ĐỊNH LƯỢNG NGỮ
NGHĨA CỦA ĐẠI SỐ GIA TỬ VÀ ỨNG DỤNG CHO BÀI TOÁN
LẬP LUẬN XẤP XỈ MỜ TRONG ĐIỀU KHIỂN

Chuyên ngành: KHOA HỌC MÁY TÍNH
Mã số: 60.48.01.01

LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH

Người hướng dẫn khoa học: TS. NGUYỄN DUY MINH

THÁI NGUYÊN - 2018

i
LỜI CAM ĐOAN
Tôi xin cam đoan kết quả đạt được trong luận văn là sản phẩm của cá nhân
dưới sự hướng dẫn khoa học của TS. Nguyễn Duy Minh. Trong tồn bộ nội
dung luận văn, những nội dung được trình bày là của cá nhân hoặc tổng hợp từ
nhiều nguồn tài liệu khác nhau. Tất cả các tài liệu tham khảo đó đều có xuất xứ
rõ ràng và được trích dẫn hợp pháp.
Tôi xin chịu trách nhiệm và chịu mọi hình thức kỷ luật theo quy định cho
lời cam đoan của mình.
Thái Nguyên, 15 tháng 4 năm 2018
Tác giả

Nguyễn Đức Văn


ii
LỜI CẢM ƠN
Em xin gửi lời cảm ơn chân thành đến TS. Nguyễn Duy Minh - người
hướng dẫn khoa học, thầy đã định hướng và nhiệt tình hướng dẫn, giúp đỡ em
trong quá trình làm luận văn.
Em xin gửi lời biết ơn sâu sắc đến quý thầy cô giáo trường Đại học Công
nghệ thông tin và Truyền thông; Viện công nghệ thông tin thuộc Viện hàn lâm
Khoa học và Công nghệ Việt Nam đã truyền đạt những kiến thức và kinh
nghiệm quý báu cho chúng em trong thời gian học tập.
Xin chân thành cảm ơn các bạn bè, đồng nghiệp, ban cán sự và các học
viên lớp cao học CK15A, những người thân trong gia đình đã động viên, chia
sẻ, tạo điều kiện giúp đỡ trong suốt quá trình học tập và làm luận văn.
Thái Nguyên, 15 tháng 4 năm 2018

Tác giả

Nguyễn Đức Văn


iii
MỤC LỤC
MỤC LỤC ........................................................................................................ iii
DANH MỤC BẢNG ......................................................................................... v
DANH MỤC HÌNH ......................................................................................... vi
DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT ..................................... vii
MỞ ĐẦU ........................................................................................................... 1
CHƯƠNG 1: GIỚI THIỆU MỘT SỐ KIẾN THỨC CƠ SỞ ..................... 3
1.1. Biến ngôn ngữ và mơ hình mờ ................................................................... 3
1.1.1. Biến ngơn ngữ ..................................................................................... 3
1.1.2. Mơ hình mờ ......................................................................................... 4
1.2. Đại số gia tử ............................................................................................... 5
1.2.1. Độ đo tính mờ của các giá trị ngôn ngữ .............................................. 6
1.2.2. Hàm định lượng ngữ nghĩa ................................................................. 9
1.2.3. Đại số gia tử tuyến tính đầy đủ ......................................................... 10
1.2.4. Khái niệm ngưỡng hiệu chỉnh định lượng ngữ nghĩa ....................... 12
1.3. Phương pháp lập luận xấp xỉ mờ đa điều kiện ......................................... 13
1.4. Bài toán tối ưu và giải thuật di truyền ...................................................... 15
1.4.1. Bài toán tối ưu ................................................................................... 15
1.4.2. Giải thuật di truyền ........................................................................... 16
1.4.2.1. Các khái niệm cơ bản của giải thuật di truyền ............................................................ 16
1.4.2.2. Cơ chế thực hiện của giải thuật di truyền .................................................................... 19
1.4.2.3. Các phương pháp biểu diễn nhiễm sắc thể và các toán tử di truyền chuyên biệt ........ 22
1.4.2.4. Biểu diễn thực ............................................................................................................. 22
1.4.2.5. Các toán tử chuyên biệt hoá ........................................................................................ 23

1.5. Kết luận Chương 1 ................................................................................... 25
CHƯƠNG 2: GIẢI PHÁP TỐI ƯU CÁC THAM SỐ ĐỊNH LƯỢNG
NGỮ NGHĨA CHO PHƯƠNG PHÁP LẬP LUẬN MỜ DỰA TRÊN ĐẠI
SỐ GIA TỬ .................................................................................................... 26
2.1. Phương pháp lập luận mờ sử dụng đại số gia tử ...................................... 26
2.2. Các giải pháp tối ưu các tham số định lượng ngữ nghĩa.......................... 29


iv
2.3. Giải pháp xác định các tham số định lượng ngữ nghĩa tối ưu ................. 32
2.3.1. Giải pháp tối ưu các tham số của đại số gia tử ................................. 32
2.3.2. Giải pháp xác định mơ hình định lượng ngữ nghĩa tối ưu ................ 33
2.3.2.1. Phân tích ảnh hưởng các tham số hiệu chỉnh .............................................................. 33
2.3.2.2. Thuật tốn xác định mơ hình định lượng ngữ nghĩa tối ưu ......................................... 34

2.4. Phương pháp lập luận mờ sử dụng đại số gia tử dựa trên các mơ hình định
lượng ngữ nghĩa tối ưu. ................................................................................... 36
2.4.1. Vấn đề xác định giá trị định lượng ngữ nghĩa tối ưu ........................ 36
2.4.2. Sử dụng tham số hiệu chỉnh tối ưu cho phương pháp lập luận mờ sử
dụng đại số gia tử ........................................................................................ 37
2.5. Tổng kết Chương 2 .................................................................................. 39
CHƯƠNG 3: ỨNG DỤNG PHƯƠNG PHÁP LẬP LUẬN XẤP XỈ MỜ SỬ
DỤNG ĐẠI SỐ GIA TỬ VỚI MÔ HÌNH ĐỊNH LƯỢNG NGỮ NGHĨA
TỐI ƯU TRONG ĐIỀU KHIỂN ................................................................. 40
3.1. Mơ tả một số bài tốn điều khiển logic mờ.............................................. 40
3.1.1. Bài tốn 1: Xấp xỉ mơ hình mờ EX1 của Cao-Kandel [9] ................ 40
3.1.2. Bài toán 2: Bài toán hệ con lắc ngược [8]......................................... 41
3.2. Ứng dụng phương pháp lập luận xấp xỉ mờ sử dụng đại số gia tử trong điều
khiển ................................................................................................................ 43

3.2.1. Phương pháp điều khiển logic mờ truyền thống ............................... 43
3.2.2. Phương pháp lập luận xấp xỉ mờ sử dụng đại số gia tử trong điều khiển44
3.2.3. Phương pháp lập luận xấp xỉ mờ sử dụng đại số gia tử với các mơ
hình định lượng ngữ nghĩa tối ưu trong điều khiển .................................... 47
3.3. Ứng dụng .................................................................................................. 48
3.3.1. Bài toán 1 .......................................................................................... 48
3.3.2. Bài toán 2 .......................................................................................... 52
3.4. Kết luận Chương 3 ................................................................................... 55
KẾT LUẬN .................................................................................................... 57
TÀI LIỆU THAM KHẢO ............................................................................... 58


v
DANH MỤC BẢNG
Bảng 2. 1. So sánh các giá trị ĐLNN .............................................................. 31
Bảng 3. 1. Mơ hình EX1 của Cao-Kandel ....................................................... 40
Bảng 3. 2. Các kết quả xấp xỉ EX1 tốt nhất của Cao-Kandel [9].................... 41
Bảng 3. 3. Mơ hình FAM cho hệ con lắc ngược ............................................. 43
Bảng 3. 4. Mơ hình SAM gốc - xấp xỉ mơ hình EX1...................................... 50
Bảng 3. 5. Mơ hình SAM (PAR2) – xấp xỉ mơ hình EX1 ................................ 50
Bảng 3. 6. Sai số lớn nhất của các phương pháp trên mơ hình EX1 ............... 51
Bảng 3. 7. Chuyển nhãn ngôn ngữ cho các biến X1, X2 .................................. 52
Bảng 3. 8. Nhãn ngôn ngữ cho biến u ............................................................. 52
Bảng 3. 9. Mơ hình SAM gốc của hệ con lắc ngược ...................................... 52
Bảng 3. 10. Mô hình SAM(PAR2) của hệ con lắc ngược................................. 53
Bảng 3. 11. Sai số các phương pháp của hệ con lắc ngược ............................ 55


vi
DANH MỤC HÌNH

Hinh 1. 1 Độ đo tính mờ ................................................................................... 8
Hinh 1. 2. Mã hoá nhị phân biểu diễn các cá thể ............................................ 17
Hinh 1. 3. Biểu diễn giá trị của  đối với hai lần được chọn.......................... 24
Hình 3. 1. Đường cong thực nghiệm của mơ hình EX1 ................................. 41
Hình 3. 2. Mơ tả hệ con lắc ngược .................................................................. 42
Hình 3. 3. Sơ đồ phương pháp điều khiển CFC.............................................. 44
Hình 3. 4. Sơ đồ phương pháp điều khiển FCHA ........................................... 45
Hình 3. 5. Kết quả xấp xỉ mơ hình EX1 của Cao Kandel ............................... 51
Hình 3. 6. Đồ thị lỗi của hệ con lắc ngược ..................................................... 55


vii
DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT
Các ký hiệu:



Tổng độ đo tính mờ của các gia tử âm



Tổng độ đo tính mờ của các gia tử dương



Giá trị định lượng của phần tử trung hòa

AX

Đại số gia tử

AX*

Đại số gia tử tuyến tính đầy đủ

W

Phần tử trung hịa trong đại số gia tử

𝜀

Ngưỡng hiệu chỉnh định lượng ngữ nghĩa

δ

Tham số hiệu chỉnh giá trị định lượng ngữ nghĩa

c -, c +

Các phần tử sinh

Các chữ viết tắt:
ĐLNN

Định lượng ngữ nghĩa

ĐSGT

Đại số gia tử

GA

Genetic Algorithm

FMCR

Fuzzy Multiple Conditional Reasoning

FAM

Fuzzy Associative Memory

SAM

Semantic Associative Memory

HAR

Hedge Algebras Reasoning

OpPAR

Optimal - Parameter

CFC

Conventional Fuzzy Control

FCHA

Fuzzy Control Using Hedge Algebras

FCOPHA

Fuzzy Control using Optimal Hedge Algebras


1
MỞ ĐẦU
Khoa học ngày càng phát triển thì càng có nhiều thiết bị máy móc hỗ trợ
cho đời sống con người. Các thiết bị máy móc càng “thơng minh” thì càng thay
thế sức lao động và do đó các thiết bị dạng này dường như là một trong những
cái đích mà con người vươn tới. Như vậy, nhu cầu thiết yếu của cuộc sống là
tạo ra các máy móc có thể hành xử giống với con người. Hay nói cách khác là
các máy phải biết suy luận để đưa ra các quyết định đúng đắn.
Người tiên phong trong lĩnh vực này là Zadeh [11]. Trong các cơng trình
của mình ơng đã mơ tả một cách tốn học những khái niệm mơ hồ mà ta thường
gặp trong cuộc sống như: cao, thấp; đúng, sai bằng các tập mờ. Nhờ việc xây
dựng lý thuyết tập mờ mà con người có thể suy diễn từ khái niệm mơ hồ này
đến khái niệm mơ hồ khác mà bản thân logic kinh điển không làm được. Trên
cơ sở các thơng tin khơng chính xác thu được, người ta có thể đưa ra những
quyết định hiệu quả cho từng tình huống của bài tốn.
Tuy nhiên, phương pháp lập luận của con người là vấn đề phức tạp và
khơng có cấu trúc. Vì vậy kể từ khi lý thuyết tập mờ ra đời cho đến nay, vẫn
chưa có một cơ sở lý thuyết hình thức chặt chẽ theo nghĩa tiên đề hoá cho logic
mờ và lập luận mờ.
Để đáp ứng phần nào đối với nhu cầu xây dựng cơ sở tốn học cho việc
lập luận ngơn ngữ, N.Cat Ho và Wechler [12] đã đề xuất cách tiếp cận dựa trên
cấu trúc tự nhiên của miền giá trị của các biến ngơn ngữ, trong các cơng trình,
các tác giả đã chỉ ra rằng, những giá trị của biến ngơn ngữ trong thực tế đều có

thứ tự nhất định về mặt ngữ nghĩa, ví dụ ta hồn tồn có thể cảm nhận được
rằng, ‘trẻ’ là nhỏ hơn ‘già’, hoặc ‘nhanh’ luôn lớn hơn ‘chậm’.
Với việc định lượng các từ ngôn ngữ của ĐSGT, một số phương pháp lập
luận nội suy ra đời nhằm mục đích giải quyết bài tốn lập luận mờ đa điều kiện,
một bài toán được ứng dụng nhiều trong tự nhiên, kỹ thuật [11], các phương pháp
lập luận này được gọi là các phương pháp lập luận xấp xỉ mờ sử dụng ĐSGT. Tuy
nhiên khi thực hiện phương pháp lập luận còn tồn tại: Trong ĐSGT, việc ánh xạ
ĐLNN bảo toàn thứ tự ngữ nghĩa định tính, vì vậy phương pháp ĐLNN này hàm
chứa những lợi thế trong việc chuyển trung thành các mơ hình mờ sang mơ hình
định lượng (theo trực giác) để giải các bài tốn ứng dụng. Tuy nhiên mơ hình định
lượng tương đối hợp lý nhưng chưa tối ưu. Vì vậy ta phải nghiên cứu một số giải


2
pháp tìm ra được mơ hình ĐLNN tối ưu nhất (các tham số ĐLNN của các ĐSGT
tối ưu) nhưng vẫn phải đảm bảo thứ tự ngữ nghĩa của ĐSGT.
Với lý do như vậy đề tài “Giải pháp tối ưu các tham số ĐLNN của ĐSGT
và ứng dụng cho bài toán lập luận xấp xỉ mờ trong điều khiển” nghiên cứu và
đưa ra giải pháp tối ưu các tham số ĐLNN của phương pháp lập luận mờ dựa
trên ĐSGT.
Giải pháp tối ưu các tham số ngữ nghĩa định lượng này được cài đặt thử
nghiệm trên một số bài toán lập luận xấp xỉ mờ dựa trên ĐSGT trong điều
khiển, các kết quả sẽ được đánh giá và so sánh với các phương pháp lập luận
khác đã được công bố.


3
CHƯƠNG 1: GIỚI THIỆU MỘT SỐ KIẾN THỨC CƠ SỞ
1.1. Biến ngơn ngữ và mơ hình mờ
1.1.1. Biến ngơn ngữ

Một biến ngôn ngữ là biến mà “các giá trị của nó là các từ hoặc câu trong
ngơn ngữ tự nhiên hoặc ngơn ngữ nhân tạo”. Ví dụ như khi nói về nhiệt độ ta có
thể xem đây là biến ngơn ngữ có tên gọi NHIỆT_ĐỘ và nó nhận các giá trị ngơn
ngữ như “cao”, “rất cao”, “trung bình”… Đối với mỗi giá trị này, chúng ta sẽ
gán cho chúng một hàm thuộc. Giả sử lấy giới hạn của nhiệt độ trong đoạn [0,
230oC] và giả sử rằng các giá trị ngôn ngữ được sinh bởi một tập các quy tắc.
Khi đó, một cách hình thức, chúng ta có định nghĩa của biến ngôn ngữ sau đây:
Định nghĩa 1.1. Biến ngôn ngữ là một bộ gồm năm thành phần (X,T(X),
U, R, M), trong đó X là tên biến, T(X) là tập các giá trị ngôn ngữ của biến X,
U là không gian tham chiếu của biến cơ sở u, mỗi giá trị ngôn ngữ xem như là
một biến mờ trên U kết hợp với biến cơ sở u, R là một qui tắc cú pháp sinh các
giá trị ngôn ngữ cho tập T(X), M là qui tắc ngữ nghĩa gán mỗi giá trị ngôn ngữ
trong T(X) với một tập mờ trên U.
Ví dụ 1.1. Từ định nghĩa trên ta có tên biến ngơn ngữ X chính là
NHIỆT_ĐỘ, biến cơ sở u có miền xác định là U = [0, 230] tính theo oC. Tập
các giá trị ngôn ngữ tương ứng của biến ngôn ngữ là T(NHIỆT_ĐỘ) = {cao,
rất cao, tương_đối cao, thấp, rất thấp, trung bình, …}. R là một qui tắc để sinh
ra các giá trị này. M là quy tắc gán ngữ nghĩa sao cho mỗi một giá trị ngôn ngữ
sẽ được gán với một tập mờ. Chẳng hạn, đối với giá trị nguyên thủy cao, M(cao)
= {(u, cao(u) | u  [0, 230]}, được gán như sau:

u  170
0,
 u  170

, 170  u  185
cao(u) = 
15

185  u

1,
Ngữ nghĩa của các giá trị khác trong T(NHIỆT_ĐỘ) cũng có thể tính thơng
qua tập mờ của các giá trị nguyên thủy bởi các phép toán tương ứng với các gia
tử tác động như rất, tương_đối,…


4
1.1.2. Mơ hình mờ
Cấu trúc của một mơ hình mờ chính là một tập bao gồm các luật mà mỗi
luật là một mệnh đề dạng “If…then…”, trong đó phần “If” được gọi là mệnh
đề điều kiện hay tiền đề còn phần “then” được gọi là phần kết luận.
Mơ hình mờ dạng đơn giản hay cịn gọi là mơ hình SISO (Single Input
Single Output) là tập các luật mà trong đó mỗi luật chỉ chứa một điều kiện và
một kết luận được cho như sau:
if X = A1

then Y = B1

if X = A2

then Y = B2

(1.1)

........
if X = An

then Y = Bn

trong đó X, Y là các biến ngơn ngữ thuộc không gian U, V tương ứng và

các giá trị ngôn ngữ A1, A2,…, An, B1, B2, …, Bn là các tập mờ.
Tuy nhiên, trong một số lĩnh vực, chẳng hạn như trong điều khiển, sự phụ
thuộc giữa các biến vật lý không chỉ biểu diễn ở dạng đơn giản như mơ hình
trên mà nó bao gồm nhiều điều kiện ràng buộc. Vì vậy, một mơ hình mờ ở dạng
tổng quát là một tập các luật (mệnh đề If-then) mà phần tiền đề của mỗi luật là
một điều kiện phức được viết như sau:
If X1 = A11 and ... and Xm = A1m then Y = B1
If X1 = A21 and ... and Xm = A2m then Y = B2
........

(1.2)

If X1 = An1 and ... and Xm = Anm then Y = Bn
ở đây X1, X2, …, Xm và Y là các biến ngôn ngữ, Aij, Bi (i = 1,…, n; j =
1,…, m) là các giá trị ngôn ngữ tương ứng ([11]).
Hầu hết các ứng dụng trong hệ chuyên gia mờ, phân cụm mờ, điều khiển
mờ,… liên quan đến việc suy diễn thì mơ hình mờ là một phần không thể thiếu
và do vậy các ứng dụng này luôn gắn liền với các phương pháp giải quyết bài
toán lập luận xấp xỉ đa điều kiện. Bài toán lập luận xấp xỉ mờ đa điều kiện được
phát biểu như dưới đây:
Cho mơ hình mờ (1.2) và các giá trị ngơn ngữ A01, A02, …, A0m tương ứng
với các biến ngôn ngữ X1, X2, …, Xm . Hãy tính giá trị của Y.


5
Có nhiều phương pháp để giải quyết bài tốn này. Các phương pháp cụ
thể sẽ được trình bày ở Mục 1.3.
1.2. Đại số gia tử
Trong mơ hình mờ thường dùng các mô tả ngôn ngữ cho các biến vật lý.
Với mỗi biến ngôn ngữ X, gọi X = Dom(X) là tập các giá trị ngôn ngữ của biến

X. Miền giá trị X được xem như một ĐSGT AX = (X, G, H, ) trong đó G là tập
các phần tử sinh, H là tập các gia tử còn “” là quan hệ cảm sinh ngữ nghĩa trên
X. Ta cũng giả thiết rằng trong G có chứa các phần tử 0, 1, W với ý nghĩa là phần
tử bé nhất, phần tử lớn nhất và phần tử trung hòa (neutral) trong X.
Nếu tập X và H là các tập sắp thứ tự tuyến tính, khi đó ta nói AX = (X, C,
H, ) là ĐSGT tuyến tính.
Khi tác động gia tử h  H vào phần tử x  X, thì ta thu được phần tử ký
hiệu hx. Với mỗi x  X ta ký hiệu H(x) là tập tất cả các phần tử u thuộc X xuất
phát từ x bằng cách sử dụng các gia tử trong H và ta viết u = hn…h1x, với hn,
…, h1  H.
Bây giờ chúng ta sẽ xét một vài tính chất được phát biểu trong các định lý
dưới đây của ĐSGT tuyến tính.
Định lý 1.1. ([12]) Cho tập H– và H+ là các tập sắp thứ tự tuyến tính của
ĐSGT AX = (X, G, H, ). Khi đó ta có các khẳng định sau:
(1) Với mỗi u  X thì H(u) là tập sắp thứ tự tuyến tính.
(2) Nếu X được sinh từ G bởi các gia tử và G là tập sắp thứ tự tuyến tính
thì X cũng là tập sắp thứ tự tuyến tính. Hơn nữa nếu u < v, và u, v là
độc lập với nhau, tức là u  H(v) và v  H(u), thì H(u)  H(v).
Một cách tổng quát hơn như đã chứng minh trong tài liệu ([12]), mỗi miền
ngơn ngữ của biến ngơn ngữ có thể được tiên đề hóa và được gọi là ĐSGT AX
= (X, G, H, ), trong đó H là tập thứ tự tuyến tính bộ phận. Chúng ta có định
lý sau.
Định lý 1.2. ([12]) Cho ĐSGT AX = (X, G, H, ). Khi đó ta có các khẳng
định sau:
(1) Các tốn tử trong Hc là so sánh được với nhau, c  {+, –}.


6
(2) Nếu x  X là điểm cố định đối với toán tử h  H, tức là hx = x, thì nó
là điểm cố định đối với các gia tử khác.

(3) Nếu x = hn…h1u thì tồn tại chỉ số i sao cho hi…h1u của x là một biểu
diễn chuẩn của x tương ứng với u (x = hi…h1u và hi…h1u ≠ hi-1…h1u)
và hjx = x với mọi j > i.
(4) Nếu h ≠ k và hx = kx thì x là điểm cố định.
(5) Với bất kỳ gia tử h, k  H, nếu x ≤ hx (x ≥ hx) thì x <≤ hx (x ≥> hx) và
nếu hx < kx, h ≠ k, thì hx <≤ kx.
Trong [9] các tác giả đã chỉ ra rằng mỗi ĐSGT đầy đủ là một dàn với phần
tử đơn vị là 1 và phần tử không là 0.
Để thuận tiện về sau, chúng ta nêu ra định lý kế tiếp dùng để so sánh hai
phần tử trong miền ngôn ngữ của biến ngôn ngữ X.
Định lý 1.3. Cho x = hn…h1u và y = km…k1u là hai biểu diễn chuẩn của x
và y tương ứng với u. Khi đó tồn tại chỉ số j ≤ min{n, m} + 1 sao cho hj’ = kj’
với mọi j’ < j (ở đây nếu j = min {m, n} + 1 thì hoặc hj là toán tử đơn vị I, hj =
I, j = n + 1 ≤ m hoặc kj = I, j = m + 1 ≤ n) và
(1) x < y khi và chỉ khi hjxj < kjxj, trong đó xj = hj-1...h1u.
(2) x = y khi và chỉ khi m = n và hjxj = kjxj.
(3) x và y là không so sánh được với nhau khi và chỉ khi hjxj và kjxj là
không so sánh được với nhau.
1.2.1. Độ đo tính mờ của các giá trị ngơn ngữ
Khái niệm độ đo tính mờ của các giá trị ngơn ngữ là một khái niệm trừu
tượng không dễ để xác định bằng trực giác và có nhiều cách tiếp cận khác nhau,
để xác định khái niệm này. Thông thường, trong lý thuyết tập mờ, các cách tiếp
cận chủ yếu là dựa trên hình dạng của tập mờ. Với ĐSGT có thể xác định được
độ đo tính mờ của các giá trị ngôn ngữ một cách hợp lý.
Giá trị ngôn ngữ nào càng đặc trưng thì độ đo tính mờ càng nhỏ. Chẳng
hạn, độ đo tính mờ của giá trị ngơn ngữ More_or_less True (MLtrue), Possibly
True là nhỏ hơn độ đo tính mờ của True. Tuy nhiên trong lý thuyết tập mờ
không thể hiện được điều đó. Thật vậy, giả sử ngữ nghĩa của giá trị ngôn ngữ
được biểu diễn bởi tập mờ. Độ đo tính mờ của các giá trị ngơn ngữ là khoảng
cách giữa tập mờ biểu thị cho giá trị ngơn ngữ đó với tập rõ gần nó nhất. Nếu

7
chúng ta biểu diễn từ true bởi hàm thuộc µtrue(t)= t trên đoạn [0,1] và MLtrue
bởi µMLtrue(t) = tα với α = 2/3 < 1 thì độ đo tính mờ của true bằng 1/4, nhưng độ
đo tính mờ của MLtrue bằng
4 2 1

10
4

Rõ ràng cách xác định độ đo tính mờ như vậy là khơng thích hợp so với ý
kiến ban đầu đặt ra. Vì vậy để xác định độ đo tính mờ một cách hợp lý, trước hết
chúng ta phải tìm ra một số tính chất trực giác về độ đo tính mờ của giá trị ngơn
ngữ. Những tính chất này chính là nền tảng cho việc xác lập các định nghĩa.
Ký hiệu fm(τ) là độ đo tính mờ của phần tử τ, τ  X và chúng ta cũng giả
sử rằng độ đo tính mờ của mỗi phần tử ln thuộc đoạn [0,1]. Một số tính chất
trực giác của fm(τ):
(1) fm(τ) = 0, nếu τ là giá trị rõ.
(2) Nếu h là một gia tử và τ là giá trị mờ thì hτ đặc trưng hơn τ, vì vậy ta
có fm(hτ) < fm(τ).
(3) Xét hai phần tử sinh true và false của ĐSGT. Vì đây là các khái niệm
trái ngược nhau nhưng bổ sung cho nhau nên chúng ta có thể chấp
nhận điều kiện sau:
fm(true) + fm(false) ≤ 1.
Chúng ta nhận thấy rằng, nếu fm(true) + fm(false) < 1 thì bắt buộc
phải tồn tại khái niệm τ khác bổ sung cho cả true và false để fm(true) +
fm(false) + fm(τ) = 1. Trường hợp này không tồn tại trong ngơn ngữ tự
nhiên. Vì thế, ta có fm(true) + fm(false) = 1. Từ đó suy ra rằng, nếu c+, c–
là hai phần tử sinh trong X thì:

fm(c+) + fm(c–) = 1
(4) Bây giờ chúng ta xét tập gia tử H = {Very, More, Possibly, Little} và
tập các giá trị H[true] = {VeryTrue, MoreTrue, PossiblyTrue,
LittleTrue}, tất cả các phần tử của tập này đều đặc trưng hơn true.
Theo nhận định ở điểm (2), độ đo tính mờ của true lớn hơn mọi độ đo
của các phần tử trong H[true]. Chúng ta có thể xác định một cách trực
giác rằng độ đo tính mờ của true được thiết lập thơng qua độ đo tính
mờ của các phần tử bắt nguồn từ true và chấp nhận điều kiện sau đây:


8
fm(Very true) + fm(More true) + fm(Poss. true) + fm(Little true) ≤
fm(true).
Tương tự như thảo luận trong (3), ta có:
fm(Very true) + fm(More true) + fm(Poss. true) + fm(Little true) =
fm(true).
Một cách tổng quát, giả sử τ là giá trị ngơn ngữ bất kỳ thuộc X thì:
fm(Very τ) + fm(More τ) + fm(Poss. τ) + fm(Little τ) = fm(τ).
Cuối cùng chúng ta có thể biểu diễn độ đo tính mờ của biến ngơn ngữ
TRUTH như trong Hình 1.1 dưới đây.
True

LittleTrue

W

fm(MLTr)
fm(VLTr)

Poss.

More

True

True

fm(LLTr)

fm(M Tr)

fm(PVTr)
fm(LVTr)

fm(PLTr)

fm(LittleTr)

VeryTrue

fm(PossTr))

1
fm(VVTr)

fm(MVTr)

fm(VeryTrue)

fm(True)

Hình
Hinh 1.
1. 1.
1 Độ
Độ đo
đo tính
tính mờ
mờ
Định nghĩa 1.2. Xét đại số gia tử AX = (X, G, H, ) của biến ngôn ngữ X.
Một hàm φ: X → [0,1] được gọi là hàm độ đo tính mờ trên X nếu tồn tại một
xác suất P trên X sao cho P xác định trên tập H(τ). Với mỗi phần tử τ  X thì
P(H(τ)) = 0 nếu τ  {0, 1, W} và φ(τ) = P(H(τ)).
Từ định nghĩa ta thấy “kích cỡ” của tập H(τ) thể hiện độ đo tính mờ của
phần tử τ. Chúng ta dễ dàng nhận ra rằng hàm φ thỏa mọi tính chất trực giác đã
đề xuất trên. Cụ thể là:
Tính chất (p1): φ(0) = φ(1) = φ(W) = 0.
Tính chất (p2): φ(hτ) ≤ φ(τ), với mọi τ  X và h  H.
Tính chất (p3): φ(c–) + φ(c+) = 1, với c–, c+ là hai phần tử sinh trong X.


9
Tính chất (p4):

  (h )   ( ) , τ  X.

hH

Chúng ta cũng có thể viết lại tính chất (p4) như sau:   (h ) /  ( )  1 ,
hH

tổng này không thay đổi với mọi τ  X. Chúng ta có thể xem tỷ lệ φ(hτ)/φ(τ) là
một hằng số và nó đặc trưng cho gia tử h. Ta có tính chất sau:
Tính chất (p5): Tỷ lệ φ(hτ)/φ(τ) không phụ thuộc vào τ và nó được gọi là
độ đo tính mờ của gia tử h, ký hiệu µ(h).
Định lý 1.4. Độ đo tính mờ trên X là duy nhất được xác định bởi các tham
số φ(c–), φ(c+) và µ(h), h  H thỏa các đẳng thức sau: φ(c–) + φ(c+) = 1,
  (h)  1 và φ(x) được định nghĩa đệ quy bởi cơng thức φ(hx’) = µ(h)φ(x’),
hH

với x = hx’, h  H.
1.2.2. Hàm định lượng ngữ nghĩa
Nhu cầu tự nhiên trong cách tiếp cận tính tốn lập luận của con người là
định lượng các giá trị ngôn ngữ, chẳng hạn như trong các lĩnh vực phân cụm
mờ, điều khiển mờ, …
Theo cách tiếp cận của tập mờ, các giá trị định lượng của mỗi tập mờ là
giá trị khử mờ của hàm thuộc tương ứng. Đối với ĐSGT, vì các giá trị ngôn
ngữ tuân theo thứ tự ngữ nghĩa nên chúng ta sẽ thiết lập hàm định lượng các từ
(giá trị ngôn ngữ) vào đoạn [0,1] đảm bảo thứ tự, hàm này được gọi là hàm
ĐLNN.
Xét ĐSGT AX = (X, G, H, ) trong đó tập gia tử H = H+H– và giả sử
rằng H– = {h–1, h–2, …, h–q} thỏa h–1 < h–2 < …< h–q; H+ ={h1, h2, …, hp} thỏa
h1 < h2 < …< hp, và h0 = I với I là toán tử đơn vị.
Chúng ta cần có các mệnh đề và định nghĩa sau:
Mệnh đề 1.1. Cho fm là hàm độ đo tính mờ trên X. Ta có:
(1) fm(hx) = (h)fm(x), với x  X.
(2) fm(c) + fm(c+) = 1.
(3)

 fm(h c) 

fm(c) , trong đó c  {c, c+}

 fm(h x) 

fm( x) , với x  X.

 q i  p ,i  0

(4)

 q i  p ,i  0

i

i


10
1

(5)

  (hi )   và

i q

p

  (h )   , với ,  > 0 và  +  = 1.

i 1

i

Định nghĩa 1.3. (Sign function) Hàm dấu Sign: X  {−1, 0, 1} là ánh xạ
được xác định đệ quy sau đây, trong đó h, h’  H và c  {c, c+}:
(1) Sign(c) = 1, Sign(c+) = +1,
(2) Sign(h'hx) = Sign(hx), nếu h’hx  hx và h' âm đối với h (hoặc tương
ứng với c, nếu h = I & x = c);
(3) Sign(h'hx) = Sign(hx), nếu h’hx  hx và h' dương đối với h (hoặc tương
ứng với c, nếu h = I & x = c);
(4) Sign(h'hx) = 0, nếu h’hx = hx.
Mệnh đề 1.2. Với bất kỳ gia tử h  H và phần tử x  X, nếu Sign(hx) =
+1 thì ta có hx > x và nếu Sign(hx) = 1 thì hx < x.
Định nghĩa 1.4. Cho fm là hàm độ đo tính mờ trên tập X. Hàm định lượng
ngữ nghĩa : X  [0,1], kết hợp với hàm fm, được x�rên cơ sở xác định tham số hiệu chỉnh ĐLNN, mơ hình ĐLNN tối ưu xây
dựng thuật tốn cho phương pháp lập luận mờ dựa trên ĐSGT sử dụng tham số
hiệu chỉnh tối ưu, gọi tắt là GA_HAR.
Kết quả Chương 2 có ý nghĩa rất quan trọng trong việc ứng dụng phương
pháp GA_HAR vào một số bài toán điều khiển mờ ở Chương 3.


40
CHƯƠNG 3: ỨNG DỤNG PHƯƠNG PHÁP LẬP LUẬN XẤP XỈ MỜ
SỬ DỤNG ĐẠI SỐ GIA TỬ VỚI MƠ HÌNH ĐỊNH LƯỢNG NGỮ
NGHĨA TỐI ƯU TRONG ĐIỀU KHIỂN
Trên cơ sở đó chúng ta có thể đưa ra một phương pháp ĐLNN miền ngôn
ngữ. Nhờ các ánh xạ ngữ nghĩa như vậy sẽ dễ dàng xây dựng một phương pháp
lập luận xấp xỉ để giải quyết bài toán lập luận mờ đa điều kiện, nhiều biến trong
kỹ thuật.

Với phương pháp lập luận đã nêu trong Chương 2, có rất nhiều khả năng
để ứng dụng. Tuy nhiên, nội dung luận văn chỉ chọn lĩnh vực điều khiển mờ vì
như vậy sẽ dễ dàng cho việc đánh giá các kết quả thực hiện. Điều kiện để ứng
dụng là các bài toán điều khiển mờ cần phải có tập luật xác định trước.
3.1. Mơ tả một số bài toán điều khiển logic mờ
3.1.1. Bài toán 1: Xấp xỉ mơ hình mờ EX1 của Cao-Kandel [9]
Cho mơ hình gồm các luật (Bảng 3.1) thể hiện sự phụ thuộc của tốc độ
quay N vào cường độ dòng điện I;
Bảng 3. 1. Mơ hình EX1 của Cao-Kandel
If I is ...

Then N is ...

Null

Large

Zero

Large

Small

Medium

Medium

Small

Large

Zero

VeryLarge

Zero

Cho cường độ dòng điện I nhận giá trị trong đoạn [0, 10] và tốc độ quay
N của mô tơ nhận các giá trị trong đoạn [400, 2000]
Cần xác định tốc độ vòng quay ứng với các giá trị của cường độ dòng điện
Cao-Kandel đã nghiên cứu các toán tử kéo theo và sử dụng chúng trong lập
luận mờ để giải quyết bài toán trên, tác giả cũng đã đưa ra kết quả thực nghiệm
thể hiện mối quan hệ giữa I và N thể hiện ở Hình 3.1 và gọi đây là đường cong
thực nghiệm, sai số giữa mơ hình xấp xỉ và mơ hình thực nghiệm được xác
định theo công thức sau:


41

Tác giả đã xác định được 5 toán tử kéo theo cho kết quả lập luận xấp xỉ
tốt nhất, kết quả thể hiện ở Bảng 3.2

Hình 3. 1. Đường cong thực nghiệm của mơ hình EX1
Bảng 3. 2. Các kết quả xấp xỉ EX1 tốt nhất của Cao-Kandel [9]
Phương pháp

Sai số lớn nhất
của mơ hình

PP của Cao-Kandel với tốn tử kéo theo 5*

200

PP của Cao-Kandel với toán tử kéo theo 22*

200

PP của Cao-Kandel với toán tử kéo theo 8

300

PP của Cao-Kandel với toán tử kéo theo 25

300

PP của Cao-Kandel với toán tử kéo theo 31

300

EX1

3.1.2. Bài toán 2: Bài toán hệ con lắc ngược [8]
Bài toán điều khiển con lắc ngược là bài toán kinh điển với hệ được xét là
một hệ phi tuyến (Hình 3.2). Mục đích của việc điều khiển là đưa con lắc về vị
trí cân bằng. Phương trình vi phân mơ tả hệ con lắc ngược được cho như sau:
 ml 2 d 2 / dt 2  ml g sin   u (t )

(3.2)

42
Trong đó m là khối lượng của vật ở đầu con lắc; l là chiều dài của con lắc;
 là góc lệch so với phương thẳng đứng; u(t), giá trị điều khiển tại thời điểm t;
g là hằng số gia tốc trọng trường.
d/dt



m

u

Hình 3. 2. Mơ tả hệ con lắc ngược
Giả sử rằng x1 =  và x2 = d/dt là các biến trạng thái. Trong trường hợp
góc lệch  nhỏ thì sin() = , với  được đo bằng radian.
Chọn chiều dài con lắc l = g và khối lượng m = 180/(π.g2), bằng cách tuyến
tính hóa hệ ban đầu như trong [22], ta thu được hệ gồm hai phương trình tuyến
tính rời rạc phi đơn vị.
x1(k+1) = x1(k) + x2(k)

(3.3)

x2(k+1) = x1(k) + x2(k) – u(k)

(3.4)

trong đó đơn vị đo của x1 là độ, đơn vị đo của x2 là dps (degree per second).
u cầu bài tốn: Tìm giá trị điều khiển u dựa trên các luật để điều khiển
con lắc luôn giữ ở phương thẳng đứng, vị trí này cịn gọi là vị trí ổn định tức là
x1 = 0 và x2 = 0.

Sai số cho hệ con lắc ngược: e(k )  x12 (k )  x22 (k )

(3.5)

Hệ luật điều khiển con lắc ngược.
Trong [8], các nhãn ngôn ngữ của các biến X1, X2 và u như sau:
P(Positive), N (Negative),
Z (Zero), PB (Positive Big), NB (Negative Big).
Các luật điều khiển thiết kế cho quá trình điều khiển mờ được cho ở
Bảng 3.3 (mơ hình FAM).


43
Bảng 3. 3. Mơ hình FAM cho hệ con lắc ngược
X2

P

Z

N

P

PB

P

Z

Z

P

Z

N

N

Z

N

NB

X1

3.2. Ứng dụng phương pháp lập luận xấp xỉ mờ sử dụng đại số gia tử trong
điều khiển
3.2.1. Phương pháp điều khiển logic mờ truyền thống
Mục này, tóm tắt các bước xây dựng phương pháp điều khiển mờ truyền
thống, ký hiệu là CFC (Conventional Fuzzy Control).
Về nguyên lý, hệ thống điều khiển CFC cũng khơng có gì khác với các hệ
thống điều khiển khác. Sự khác biệt ở đây là bộ điều khiển CFC làm việc có tư
duy như bộ não dưới dạng trí tuệ nhân tạo hay gọi là mơ hình FAM.
Hệ thống điều khiển CFC làm việc dựa trên kinh nghiệm và phương pháp
rút ra kết luận theo tư duy của con người, sau đó được cài đặt vào máy tính trên
cơ sở của logic mờ.
Hệ thống điều khiển mờ được thiết kế như Hình 3.3 gồm các khâu sau:

- Giao diện đầu vào bao gồm khâu fuzzy hóa và các khâu phụ trợ thêm để
thực hiện các bài tốn động như tích phân, vi phân…
- Thiết bị hợp thành là sự triển khai luật hợp thành được xây dựng trên cơ
sở luật điều khiển .
- Giao diện đầu ra gồm các khâu giải mờ và các khâu giao diện trực tiếp
với đối tượng.


44

Hình 3. 3. Sơ đồ phương pháp điều khiển CFC
Thơng thường phương pháp điều khiển CFC sẽ bao gồm các bước chính
sau đây:
Bước 1: Xác định biến trạng thái (biến vào) và biến điều khiển (biến ra)
của đối tượng điều khiển và xác định tập nền của các biến.
Bước 2: Phân hoạch tập nền thành các phần tương ứng với các nhãn ngôn
ngữ.
Bước 3: Xây dựng các tập mờ cho các nhãn ngôn ngữ, tức là xác định
dạng hàm thuộc cho mỗi tập mờ.
Bước 4: Xây dựng quan hệ mờ giữa các tập mờ đầu vào, tập mờ trạng thái
và tập mờ điều khiển tạo thành hệ luật điều khiển (bảng điều khiển trên cơ sở
tri thức chuyên gia), gọi là mơ hình FAM.
Bước 5: Giải bài tốn lập luận xấp xỉ, xác định tập mờ đầu vào của biến
điều khiển theo từng luật (Phép hợp thành).
Bước 6: Kết nhập (aggregation) các giá trị đầu ra.
Bước 7: Giải mờ, tìm giá trị điều khiển rõ.
3.2.2. Phương pháp lập luận xấp xỉ mờ sử dụng đại số gia tử trong điều khiển
Mơ hình mờ (1.2) trong điều khiển gọi là bộ nhớ kết hợp mờ FAM. Vì có
m biến đầu vào nên ta gọi FAM là mơ hình m chiều.
Trong phương pháp này, xem miền giá trị ngôn ngữ của mỗi biến Xj

(j=1,…, m) là một ĐSGT.
Xác định các ĐSGT AXj= (Xj, Gj, Hj, j) cho các biến vật lý Xj (j=1,…, m)
và đại số AY=(Y, G, H, ) cho biến Y. Với mỗi đại số ta cần xác định tập phần
tử sinh, tập các gia tử và độ đo tính mờ của các gia tử.


45
Định lượng các giá trị ngôn ngữ trong FAM sang các giá trị thực trong
đoạn [0,1] nhờ vào hàm ĐLNN : Xj(Aij), Y(Bi) (i = 1, ..., n, j = 1,..., m). Như
vậy, với mỗi luật if–then sẽ tương ứng với một điểm trong khơng gian thực
(m+1) chiều. Khi đó mơ hình mờ sẽ tương ứng với đường cong thực Cr,m+1 trong
không gian (m+1) chiều.
Chuyển mỗi điểm (X1(Ai1), X2(Ai2),…,Xm(Aim),Y(Bi)) trong không gian
thực (m+1) chiều thành điểm Agg(Xj(Ai1), Xj(Ai2),…,Xj(Aim),Y(Bi)) trong
không gian thực hai chiều với Agg là toán tử kết nhập. Đường cong Cr,m+1 trở
thành đường cong thực C2 trong mặt phẳng. Từ bộ giá trị đầu vào (Ai1, Ai2,…,
Aim) ta tính được giá trị thực.
a0 = Agg(X1(Ai1), X2(Ai2),…,Xm(Aim),Y(Bi))
Từ đây, giá trị thực đầu ra u0 = Noisuy(a0, C2) – là giá trị nội suy thu được
từ đầu vào a0 trên đường cong thực C2. Như vậy, giá trị điều khiển được tính
theo giá trị ngữ nghĩa u0 và khơng gian tham chiếu của biến điều khiển.
Dựa trên phương pháp lập luận mờ sử dụng ĐSGT [11] mơ hình điều
khiển mờ sử dụng ĐSGT, gọi tắt là FCHA (Fuzzy Control using Hedge
Algebras) được mơ tả như Hình 3.4.

Hình 3. 4. Sơ đồ phương pháp điều khiển FCHA
Thuật toán điều khiển gồm các bước chính sau:
Bước 1: Ngữ nghĩa hóa (Semantization).
- Như chúng ta đã biết, cơ sở tri thức của mỗi ứng dụng được cho ở dạng
mơ hình FAM chứa các giá trị ngôn ngữ trong miền ngôn ngữ Xj. Mỗi miền

ngôn ngữ Xj sẽ tương ứng với một ĐSGT và một miền tham chiếu số thực [sj1,
sj2], j = 1, …, m. Vì giá trị ngữ nghĩa được định lượng bởi hàm ĐLNN j của