|
|
· Se (condizione) (1)=A1 E (condizione)(2) =A2 Allora (conclusione)(1)=B1
· Se (condizione) (n)=An E (condizione)(m)=Am Allora (conclusione) (n)=Bn
· Per ciascuna variabile di ogni condizione bisogna valutarne il grado di appartenenza a ciascuno dei sottoinsiemi per quali è stato precedentemente suddiviso l'intero campo di variabilità.
· Per ogni regola bisogna poi ricercare la condizione con la minore membership e assegnarla alla conclusione.
· Per ogni tipo di conclusione occorre infine ricercare e assegnare la regola di massima evidenza tra quelle che ne pongono le condizioni.
In ambito informatico di tipo ordinario sono validi i concetti condizionali logici espressi dalla tradizionale algebra booleana nella quale i valori in gioco potevano essere valutati con le tradizionali attribuzioni di vero/falso, in ambito IA tali concetti assumono caratteristiche drasticamente riduttive.
La logica fuzzy e' un modo diverso di concepire le decisioni, non essendo basato sul concetto di vero/falso (logica booleana), ma sul principio della considerazione dei valori assunti tra i due estremi.
I valori assunti dai predicati sono assegnati con funzioni reali normalizzate all'intervallo [1..0], un predicato può essere più o meno vero oppure più o meno falso, attribuendo conseguentemente un certo "grado di verità".
Da quanto detto sopra, appare chiaro che la logica fuzzy permette di affrontare quelle situazioni altrimenti non configurabili in algebra booleana, nelle quali non tutto è definito in modo netto.
Non esistono solo il bianco e il nero ma anche diverse sfumature di grigio, da qui nasce il termine fuzzy, sfumatura.
Per il perfetto funzionamento di un sistema basato sulla logica fuzzy risulta fondamentale definire precedentemente alcune regole quali ad esempio:
A questo punto, tra più conclusioni possibili, ce ne sarà almeno una con un grado di intensità diverso da zero.
Si tratterà perciò di stabilire quale privilegiare sulla base del valore evidenziato. I sistemi fuzzy si affiancano a pieno titolo alle reti neurali per la risoluzione di problemi complessi e il trattamento di dati non ben definiti.
Ognuno dei due strumenti possiede, però, delle caratteristiche peculiari che lo rendono maggiormente adatto a una situazione piuttosto che a un'altra.In particolare, le reti neurali hanno il vantaggio, rispetto ai sistemi fuzzy, di individuare autonomamente delle regole che nei sistemi fuzzy vengono invece fissate dall'uomo.
Nelle reti neurali, però, la logica di funzionamento resta oscura mentre nei sistemi fuzzy l'operatore assume un ruolo attivo in un ambiente trasparente. Se ne desume che, in via di principio, i secondi sono preferibili nei casi in cui si vuole ottenere un sistema di valutazione le cui regole sono ben note, mentre il ricorso alle prime si rivela più efficace in presenza di sistemi complessi le cui variabili interagiscono in maniera totalmente o parzialmente inesplicabile.