模糊逻辑 (Fuzzy Logic) 是一种变量处理方法,允许通过同一变量处理多个可能的真值。模糊逻辑试图通过开放的、不精确的数据谱和启发式方法来解决问题,从而获得一系列准确的结论。
模糊逻辑旨在通过考虑所有可用信息并根据输入做出最佳决策来解决问题。
模糊逻辑最初由 Lotfi Zadeh 在 1965 年发表于「信息与控制」杂志的论文中提出。在他题为「模糊集」的论文中,Zadeh 试图反映信息处理中使用的数据类型,并导出此类集合的基本逻辑规则。
“更多时候,现实物理世界中遇到的对象类别并没有精确定义的成员标准,” Zadeh 解释道,“然而,事实仍然是,这种不精确定义的 ‘ 类别’ 在人类思维中扮演着重要的角色,特别是在模式识别、信息传递和抽象领域。”
此后,模糊逻辑成功应用于机器控制系统、图像处理、人工智能以及其他依赖于具有模糊解释的信号的领域。
模糊逻辑在其最基本的意义上是通过决策树类型的分析发展起来的。因此,在更广泛的范围内,它构成了基于规则推理的人工智能系统的基础。
一般来说,术语「模糊」是指可以在决策树状系统中开发的大量场景。开发模糊逻辑协议可能需要集成基于规则的编程。这些编程规则可以称为模糊集,因为它们是根据综合模型自行开发的。
模糊集也可能更复杂。在更复杂的编程类比中,程序员可能有能力扩大用于确定变量的包含和排除的规则。这可能导致具有更不精确的基于规则推理的更广泛选项。
模糊逻辑和模糊语义的概念是人工智能解决方案编程的核心组成部分。随着模糊逻辑的编程能力不断扩展,人工智能解决方案和工具在经济中的各个领域继续扩展。
IBM 的 Watson 是最著名的人工智能系统之一,它使用了模糊逻辑和模糊语义的变体。特别是在金融服务领域,模糊逻辑被用于支持投资情报输出的机器学习和技术系统中。
在一些高级交易模型中,模糊逻辑数学的集成也可以用来帮助分析师创建自动买卖信号。这些系统帮助投资者对影响其投资的各种不断变化的市场变量做出反应。