منطق فازی مبتنی بر روش تحلیل تاثیر روند A Fuzzy Logic based Trend Impact Analysis method

مقدمه :

TIA روش هیبرید برجسته ای است که در مطالعات آتی بمنظور ترکیب ابعاد کمی و کیفی برای پیشبینی آینده مورد استفاده قرار میگیرد . همچنین برای بررسی تاثیر وقفه های ممکن به یک روند یعنی وقایع بی سابقه آینده مورد استفاده قرار میگیرد که اگر اتفاق میافتاد باعث انحراف مثبت یا منفی از پیش بینی غیر قافل گیرانه میشد. بر اساس گفته های گاردن ، موسس روش TIA ، این روش را یک رویکرد ساده بمنظور پیش بینی سری های زمانی در نظر گرفت  که برای ادراک متخصصین تغییر میابند در مورد این که وقایع بی سابقه آینده چگونه برون یابی ها را که شاید غیر غافل گیرانه هستند تغییر میدهد. این روش به برون یابی های روندهای تاریخی از نقطه نظر نظر های کیفی در مورد حوادث بی سابقه اجازه ی تغییر میدهد که وقوع شان در آینده می تواند باعث انحراف از پیش بینی غیر غافل گیرانه  شود. این روش  به رفتار سیستماتیک  اجازه حوادث بی سابقه ممکن در آینده را میدهد ، که یا تکنولوژیکی، سیاسی، اجتماعی، اقتصادی هستند و یا ارزش گرا هستند . نظر های کارشناسان در مورد احتمال یک رویداد به عنوان یک تابع از زمان بوده  و انتظار می رود بر روند ملاحضات  تاثیر گذارد . این وقایع باید قابل قبول بوده ، و  به طور بالقوه  تأثیر قوی و قابل اثبات در نگاه به گذشته داشته باشد . منبع چنین لیستی ممکن است به عنوان مثال مطالعه دلفی باشد و یا ، برخی از اشکال دیگر توافق های غیر رسمی در میان کارشناسان و یا جستجوی مقاله  باشد . مراحل اصلی انجام TIA که توسط موسس آن گوردون تعریف شده بشرح زیر هستند :

جهت مشاهده متن کامل فایل ترجمه را دانلود نمایید.، الگوریتم TIA به ترکیب تاثیر و نظر های احتمالی رویداد با نتایج سناریوی اصلی برای تولید شماری از سناریوهای احتمالی در آینده میپردازد . بر اساس این سناریوها ، بطور متوسط​​، درصد سناریوهای پنجم ، و نهم می توانند بمنظور نشان دادن سه سناریوی مشخص  محاسبه شوند . چارچوب رویکرد اساسی TIA در شکل 1خلاصه شده است . در تحقیقات اخیر، Agami و همکارانش پپیشنهاد یک روش قدرتمندی را برای TIA دادند  که وقوع یک رویداد بی سابقه را در آینده برای بیان میزان  شدت وقوع بحساب میآورند که به تحلیلگر اجازه ارائه  سه سطح تاثیر / احتمال جفت شدن میدهد ، که در آن هر جفت با یکی از سه درجات شدت : کم، متوسط ​​و بالا همراه شده است . مراحل اصلی رویکرد پیشرفته برای TIA (انجام شده برای هر سناریو، برای هر سال، برای هر رویداد) به شرح زیر عبارتند از:

1. به طور تصادفی درجات شدت 'D' را تولید کند.

2. بر این اساس ( دانستن رویداد و درجه آن) ، به شناسایی تاثیر پارامترهای مربوط به رویداد: حداکثر تاثیر، تاثیر حالت ثابت، زمان به حداکثررساندن  تاثیر و زمان تاثیر ثابت میپردازد که با نمایه سازی ماتریس های مرتبط انجام می شود.

3. به صورت تصادفی تعداد ماه 'M' در سال 'Y'ایجاد میشود  که در آن رویداد رخ می دهد (با فرض این که یک واقعه می تواند تنها یک بار در یک سال رخ می دهد)

4. تغییرات برداری جزء به جزء را با استفاده از پارامترهای تاثیر رویداد برآورد محاسبه کند .

5. سناریوی فعلی (ستون) 'S' را  از ماتریس بروز رسانی کند .

جهت مشاهده متن کامل فایل ترجمه را دانلود نمایید. با استفاده از یک مدل شبکه عصبی به منظور بهبود روند پیش بینی الگوریتم TIA اصلی به جای مکانیسم استاتیکی قدرتمند شد که اخیرا اعمال شده  است  . تمام الگوریتم های TIA در مقاله تجزیه و تحلیل بر اساس برآوردهای مستقیم توسط کارشناسان برای احتمال وقوع یک رویداد بی سابقه به عنوان ورودی به الگوریتم ارائه شده است. در این مقاله، به معرفی یک مکانیسم پیشرفته بمنظور تولید برآورد موجه تر به احتمال وقوع یک رویداد بی سابقه به عنوان یک تابع از زمان با درجات مختلف شدت با استفاده از منطق فازی میپردازیم . ادامه  این مقاله به شرح زیر سازماندهی شده است : در بخش 2، در مورد  مشکلات مطرح شده به بحث و گفتگو میپردازیم . در بخش 3، دیدگاه کلی  در مورد منطق فازی ارائه میدهیم . سپس در بخش 4، رویکرد پیشنهادی مان را  در جزئیاتی از جمله ورودی، خروجی و الگوریتم توضیح میدهیم . و در بخش 5، ما به یک مطالعه موردی. در نهایت در بخش 6، ما نتیجه گیری و پیشنهاد کار آینده امکان پذیر است.

2. مشکل مطرح شده

برای انجام یک TIA، کارشناسان بطور  ذهنی تخمین های دشواری از احتمال وقوع را به عنوان تابعی از زمان با درجات و شدت متفاوت بر اساس تجربه ارائه میدهند . اما در واقع در برخی موارد   حوادث بی سابقه بدون برخی شاخص های هشدار دهنده زود هنگام رخ نمی دهد، یعنی بروز شان زمانی رخ میدهد که مقادیر برخی از مشخصاتها به مقدار آستانه برسد . به عنوان مثال، وقوع یک طوفان معمولا با تغییر در مقادیر دما، رطوبت و غیره تحت تاثیر قرار میگیرد .  ما بر این باوریم که در برخی موارد بهتر است احتمال وقوع یک رویداد بی سابقه را به طور مستقیم برآورد نکنیم ، اما میتوانیم برآورد غیر مستقیمی از طریق مشخصات آن داشته باشیم . به این معنا که برآورد احتمال وقوع برای هر نقطه ای در آینده از زمان به عنوان تابعی از مقادیر مجموعه ای از مشخصات در همان نقطه در زمان است . هدف ، تولید برآورد موجه تر است . دامنه این مطالعه محدود به رویدادی است  که وقوع و شدتشان  توسط برخی از مشخصات شناخته شده  تحت تاثیر قرار میگیرد . به عبارت دیگر، شامل  رویدادهای برون زاد  واقعی نیست .  هدف ما به ارائه تحلیلگر با یک ابزار جهت مشاهده متن کامل فایل ترجمه را دانلود نمایید. (یعنی فقط در موارد مناسب) مورد استفاده قرار گیرد . به یاد آورید  که رویداد های برونزا و  واقعی بر اساس مطالعات قبلی به کار گرفته شده اند . ما نوشته ها را بررسی کردیم  و متوجه شدیم  که روش معمول برای برآورد احتمال وقوع یک رویداد با توجه به مقادیر مختلف برخی از متغیرهای مستقل دیگر است  که با استفاده از رگرسیون لجستیک، درخت های تصمیم گیری، طبقه بندی بیزی و دیگر مدل های مشابه انجام می شود . با این حال، این روشها نیاز به داده های تاریخی بمنظور تناسب و برآورد پارامترهای مدل دارند . از این رو، برای رسیدگی به حوادث بی سابقه کافی نیستند . بنابراین، یک مکانیزم پیشرفته را برای تولید برآورد موجه تر ی بمنظور احتمال وقوع در طول زمان با استفاده از منطق فازی پیشنهاد میکنیم . فرضیه اصلی ما این است که این مکانیزم پیشرفته به درستی و به طور سیستماتیک به مشکلات مطرح شده در بالا میپردازند  . روش پیشنهادی در جزئیات بیشتر در بخش 4 مورد بحث قرار گرفته است . در بخش بعدی، یک بازبینی مختصری در مورد مبانی منطق فازی ارائه میدهیم .

شکل 1: چارجوب تحلیل تاثیر روند

3. منطق فازی - زمینه نظری

منطق فازی (FL) در سال 1965 توسط لطفی زاده استاد علوم کامپیوتر در دانشگاه کالیفرنیا در برکلی آغاز شد که  به طور کلی به عنوان یک منطق چند مقداره تلقی میشود  که اجازه می دهد تا مقادیر میانی بین ارزیابی های مرسوم مانند درست / غلط، بله / خیر، بالا / پایین، و غیره تعریف شود . مفهوم اساسی در زمینه FL یک متغیر زبانی  است که مقدار ش بجای شماره کلمه است . این اجازه می دهد تا مفاهیمی مانند نسبتا بلند و یا بسیار سریع به صورت ریاضی فرموله شده و توسط کامپیوتر به منظور اعمال یک راه انسانی دیگر  از  تفکر در برنامه نویسی کامپیوتر پردازش میشوند . در واقع، FL از تئوری مجموعه فازی مشتق شده که با  استدلالاتی سروکار دارد که دقت آن  تقریبی است . جهت مشاهده متن کامل فایل ترجمه را دانلود نمایید.، یک عنصر یا متعلق به یک مجموعه است یا نیست . با این حال در FL، تعلق توابع به طبقه بندی عناصر در محدوده، 0 (صفر)و 1 (کامل) میپردازد  . بخش عمده ای از FL ممکن است به عنوان یک روش برای محاسبات با کلمات به جای اعداد مشاهده شوند  . اگر چه کلمات ذاتا دقت  کمتری نسبت به اعداد دارند ، استفاده از آنها به درک انسان نزدیک تر است . هدف اصلی در تعریف توانایی قابل توجه انسان ها به استدلال ، حل مشکلات و تصمیم گیری در یک محیط با  عدم قطعیت، عدم دقت، تکمیل نبودن اطلاعات و جانبداری از دانش، حقیقت و رده تعلق میباشد . استدلال با FL عمدتا شامل 3 مرحله میباشد : فازی ، سیستم استنتاج فازی و غیر فازی سازی  است که به ترتیب در شکل 2نشان داده شده است.

3.1. فازی

فازی سازی فرایندی است  که در آن مقادیر مشخص به فازی تبدیل میشوند . با شناسایی برخی از ابهامات موجود در مقادیر مشخص ، مقادیر فازی شکل میگیرند . تبدیل شدن  به مقادیر  فازی توسط  توابع  تعلق نشان داده شده است . یک  تابع تعلقیک نمایش گرافیکی از میزان مشارکت هر ورودی در یک مجموعه داده شده است . که می تواند از هر نوعی مانند گاوسی، مثلثی، ذوزنقه ای، سینگلتون و یا بسیاری دیگر باشد . فرآیند فازی ممکن است ملزم به رد و تخصیص مقدار تعلق برای مجموعه های مختلف به مقدار مشخص داده شده باشد . روش های مختلفی برای تعیین مقادیر تعلق و یا توابع تعلق برای متغیرهای فازی وجود دارد . انتساب می تواند با شهود و یا با استفاده از برخی الگوریتم ها یا روش های منطقی انجام شود.

3.2. سیستم استنتاج فازی

سیستم فازی سیستمی است  که استدلال مبتنی بر قواعد را برای تعیین یک پاسخ خروجی پیاده سازی میکند . این نوع ، نوع خاصی از استدلال است که از قوانین IF-THEN استفاده میکند . موتور استنتاج تمامی قوانین را  برای انجام فرایند استدلال بررسی میکند . قوانین مورد نظر باید 4 مشخصات زیر را براورد سازند : تکامل، ثبات، تداوم و تعامل. سه اپراتور مربوطه در منطق مجموعه های فازی وجود دار که  برای ساخت قوانین ترکیب مورد استفاده قرار میگیرند . این اپراتورها  عبارتند از: OR، AND و NOT.

3.3. غیر  فازی کردن

غیر فازی کردن فرایند  تبدیل مقادیر فازی به مقادیر مشخص است. نتایج فازی تولید شده نمی تواند مورد استفاده قرار گیرد، از این رو لازم است که برای پردازش بیشتر مقادیر فازی به مقادیر مشخص تبدیل شوند . برخی روش های معروف مانند  روش مرکزیت ، روش میانگین وزنی و روش حداکثر قاعده (اصل) عضویت وجود دارد که برای غیر فازی سازی مورد استفاده قرار میگیرند . هیچ روش غیر فازی به عنوان بهترین روش در نظر گرفته نشده  و در عوض  وابسته به محتوا  و یا مشکل است . 4 معیار برخلاف معیارهایی که به اندازه گیری  روش میپردازند  وجود دارد : تداوم، ابهام DIS، سادگی محاسباتی و قابل قبول .جهت مشاهده متن کامل فایل ترجمه را دانلود نمایید.