że musimy przenieść s
Transkrypt
że musimy przenieść s
Zagadnienia AI wykład 2 Możliwość vs prawdopodobieństwo Za pomocą rachunku prawdopodobieństwa możemy wyznaczyć np. prawdopodobieństwo tego, że w wyniku rzutu kostką dostaniemy 4 oczka. Za pomocą zbiorów rozmytych możemy opisać nieprecyzyjne stwierdzenie „wyrzucenie dużej liczby oczek”. Jedyne podobieństwo między teorią zbiorów rozmytych i teorią rachunku prawdopodobieństwa to fakt, że funkcja przynależności i prawdopodobieństwo przyjmują wartości z przedziału [0, 1]. Złożenie relacji Niech X, Y i Z będą zbiorami nierozmytymi. Rozważmy dwie relacje rozmyte RX Y z funkcją przynależności R ( x, y ) SY Z z funkcją przynależności S ( y, z) Definicja Złożeniem typu sup-T relacji rozmytych R i S nazywamy relację rozmytą RSX Z określoną następującą funkcją przynależności T R S ( x, z ) sup{ R ( x, y ) S ( y , z )} y Y gdzie T jest operatorem t –normy. Przykład Jeżeli T(a, b)=min{a, b} wówczas otrzymujemy RS ( x, z ) sup{min{R ( x, y ), S ( y , z )}} y Y (tzw. złożenie typu sup-min) Jeżeli zbiór Y ma skończoną liczbę elementów wówczas RS ( x, z ) max{min{R ( x, y ), S ( y , z)}} yY (tzw. złożenie typu max-min) Przykład Rozważmy dwie relacje rozmyte 0,3 1 R 0 , 6 0 , 7 0,4 1 0,4 S 0 , 3 0 , 8 1 gdzie X={x1, x2}, Y={y1, y2}, Z={z1, z2, z3} Złożenie typu max-min relacji R i S ma postać 0,3 1 0,4 1 0,4 R S 0,6 0,7 0,3 0,8 1 a11 a12 a13 a a a 23 21 22 Przykład (cd) Korzystając ze wzoru RS ( x, z ) max{min{R ( x, y ), S ( y , z)}} yY Znajdujemy wartości aij a11 max{min{0,3;0,4};min{1;0,3}} 0,3 a12 max{min{0,3;1};min{1;0,8}} 0,8 a13 max{min{0,3;0,4};min{1;1}} 1 a21 max{min{0,6;0,4};min{0,7;0,3}} 0,4 a22 max{min{0,6;1};min{0,7;0,8}} 0,7 a23 max{min{0,6;0,4};min{0,7;1}} 0,7 Przykład (cd) Ostatecznie 0,3 0,8 1 R S 0 , 4 0 , 7 0 , 7 Złożenie relacji - własności 2 R I I R R R O O R O 3 R S T R S T 4 R m R n R mn 1 5 R m n R mn 6 R (S T ) (R S) (R T ) 7 R (S T ) (R S) (R T ) 8 S T R S R T Przykład Rozważmy relacje rozmyte RX Y , IY Z, OY Z r11 r12 R r r 21 22 1 0 I 0 1 0 0 O 0 0 gdzie X={x1, x2}, Y={y1, y2}, Z={z1, z2} Złożenie typu max-min relacji R i I ma postać r11 R I r21 max{min{r11,1},min{r12 ,0}} max{min{r ,1},min{r ,0}} 21 22 r12 1 0 r22 0 1 max{min{r11,0},min{r12 ,1}} max{min{r21,0},min{r22 ,1}} Przykład (cd) czyli r11 r12 1 0 r11 r12 R I R r21 r22 0 1 r21 r22 Złożenie typu max-min relacji R i O ma postać r11 R O r21 max{min{r11,0},min{r12 ,0}} max{min{r ,0},min{r ,0}} 21 22 r12 0 0 r22 0 0 max{min{r11,0},min{r12 ,0}} max{min{r21,0},min{r22 ,0}} 0 0 O 0 0 Złożenie zbioru rozmytego i relacji rozmytej Rozważmy zbiór rozmyty AX z funkcją przynależności A (x ) relację rozmytą RX Y z funkcją przynależności R ( x, y ) Definicja Złożenie zbioru rozmytego A i relacji rozmytej R definiujemy jako zbiór rozmyty B=ARY określony następująco T B ( y ) sup{ A ( x ) R ( x, y )} xX gdzie T jest operatorem t –normy. Złożenie zbioru rozmytego i relacji rozmytej (cd) Jeżeli T(a, b)=min{a, b} wówczas otrzymujemy B ( y ) sup{min{ A ( x ), R ( x, y )}} xX (tzw. złożenie typu sup-min) Jeżeli T(a, b)= ab wówczas otrzymujemy B ( y ) sup{ A ( x ) R ( x, y )} xX (tzw. złożenie typu sup-product) Przykład Niech X={x1, x2, x3}, Y={y1, y2}. Rozważmy zbiór rozmyty A 0,2 0,4 0,6 A x1 x2 x3 oraz relację rozmytą R określoną macierzą y1 y 2 x1 0,1 0,2 1 0 , 3 x2 x 3 0,7 1 Przykład Rozważmy złożenie AR typu sup-min. Rezultatem takiego złożenia jest zbiór rozmyty B postaci B B ( y 1 ) y1 B ( y 2 ) y2 gdzie: B ( y1 ) max{min{0,2;0,1};min{0,4;1};min{0,6;0,7}} 0,6 B ( y1 ) max{min{0,2;0,2};min{0,4;0,3};min{0,6;1}} 0,6 Zatem 0,6 0,6 B y1 y 2 Definicja Rozszerzeniem cylindrycznym zbioru AX w zbiór ce(A)X×Y nazywamy ce( A) X Y A ( x ) ( x, y ) Definicja Projekcją zbioru rozmytego AX×Y na przestrzeń Y nazywamy proj A na Y y Y sup A ( x, y ) xX y Korzystając z powyższych definicji złożenie zbioru rozmytego A i relacji rozmytej R definiujemy jako zbiór rozmyty B=ARY określony następująco B A R proj {ce( A) R} na Y Przykład Niech X={x1, x2, x3}, Y={y1, y2}. 0,2 0,4 0,6 A x1 x 2 x 3 0,1 0,2 1 0,3 R= 0,7 1 Wówczas: 0,6 0,6 B A R y1 y2 B A R proj {ce( A) R} na Y Policzmy: 0,2 0,4 0,6 A x1 x 2 x 3 0,2 0,2 0,4 0,4 0,6 0,6 ce( A) ( x1 , y1 ) ( x1 , y2 ) ( x2 , y1 ) ( x2 , y2 ) ( x3 , y1 ) ( x3 , y2 ) 0,1 0,2 1 0,3 0,7 1 R ( x1 , y1 ) ( x1 , y2 ) ( x2 , y1 ) ( x2 , y2 ) ( x3 , y1 ) ( x3 , y2 ) Wówczas: 0,1 0,2 0,4 0,3 0,6 0,6 ce( A) R ( x1 , y1 ) ( x1 , y2 ) ( x2 , y1 ) ( x2 , y2 ) ( x3 , y1 ) ( x3 , y2 ) B A R proj {ce( A) R} na Y 0,1 0,2 0,4 0,3 0,6 0,6 ce( A) R ( x1 , y1 ) ( x1 , y2 ) ( x2 , y1 ) ( x2 , y2 ) ( x3 , y1 ) ( x3 , y2 ) Ostatecznie: 0,6 0,6 proj{ce( A) R} na Y y1 y2 Wcześniej otrzymaliśmy: 0,6 0,6 B A R y1 y2 Logika rozmyta Wnioskowanie Logika dwuwartościowa Reguła modus ponens A przesłanka AB implikacja B wniosek Przykład A – „Marek jest kierowcą” B – „Marek ma prawo jazdy ” AB 0 1 0 1 1 1 0 1 Jeżeli prawdziwe jest zdanie A i prawdziwa jest implikacja AB wówczas prawdziwe jest zdanie B. Wnioskowanie Logika dwuwartościowa Wykorzystując tautologie: p (q p) p q r p q p r i regułę modus ponens można wyprowadzić tautologie: p p q r ( p q) ( p r ) Logika dwuwartościowa Reguła modus tollens B przesłanka AB implikacja A wniosek Przykład A – „Marek jest kierowcą” A – „Marek nie jest kierowcą” B – „Marek ma prawo jazdy ” B – „Marek nie ma prawa jazdy ” AB 0 1 0 1 1 1 0 1 Jeżeli nie jest prawdziwe jest zdanie B i prawdziwa jest implikacja AB wówczas nie jest prawdziwe jest zdanie A. Wnioskowanie przybliżone Przyjmijmy, że zdania występujące w regułach modus ponens oraz modus tollens zawierają nieprecyzyjne określenia. Oznacza to, że zdaniom tym odpowiadają pewne zbiory rozmyte. Rozmyta reguła modus ponens x jest A’ JEŻELI x jest A TO y jest B y jest B’ przesłanka implikacja wniosek gdzie: A, A’ X i B, B’ Y są zbiorami rozmytymi x, y są zmiennymi lingwistycznymi Zmienna lingwistyczna Zmienną lingwistyczną nazywamy zmienną, której wartościami są słowa lub zdania w języku naturalnym lub sztucznym. Powyższe słowa lub zdania nazywamy wartościami lingwistycznymi zmiennej lingwistycznej. Przykład Niech x będzie zmienną lingwistyczną oznaczającą wiek. Wartości zmiennej lingwistycznej x należą do zbioru T={ stary, bardzo stary, nie tak stary, zupełnie młody, młody, bardzo młody } Do każdego z elementów zbioru T można przyporządkować pewien zbiór rozmyty. Przykład Prędkość samochodu jest duża przesłanka Jeżeli prędkość samochodu jest bardzo duża to poziom hałasu jest wysoki implikacja Poziom hałasu w samochodzie jest średniowysoki wniosek Zmienne lingwistyczne x – prędkość samochodu Zbiór wartości: Tx={mała, średnia, duża, bardzo duża} y – poziom hałasu Zbiór wartości: Ty={mały, średni, średniowysoki, wysoki} Przykład (cd) Zbiory rozmyte: A = „bardzo duża prędkość samochodu” A’ = „duża prędkość samochodu” B = „wysoki poziom hałasu” B’ = „średniowysoki poziom hałasu” Jaka jest różnica między nierozmytą i rozmytą regułą modus ponens ? przesłanka x jest A’ A AB JEŻELI x jest A TO y jest B y jest B’ B To samo zdanie To samo zdanie implikacja wniosek Zbiory inne, „zbliżone” Zbiory inne, „zbliżone” Zbiór rozmyty B’ jest złożeniem zbioru rozmytego A’ i rozmytej implikacji A B, która jest równoważna pewnej relacji rozmytej RXY czyli B A ( A B) Zatem T B ( y ) sup{ A ( x ) AB ( x, y )} xX gdzie AB ( x, y ) jest funkcją przynależności relacji R. Jeżeli T(a,b)=min{a,b} wówczas B ( y ) sup{min{ A ( x ), AB ( x, y )}} xX Zauważmy, że jeżeli A=A’ i B=B’ wówczas rozmyta reguła modus ponens redukuje się do zwykłej reguły modus ponens. Intuicyjne relacje między przesłankami i wnioskami rozmytej reguły modus ponens Relacja Przesłanka x jest A’ Wniosek y jest B’ 1 x jest A y jest B 2a x jest „bardzo A” y jest „bardzo B” 2b x jest „bardzo A” y jest B 3a x jest „mniej więcej A” y jest „mniej więcej B” 3b x jest „mniej więcej A” y jest B 4a x jest „nie A” y jest nieokreślone 4b x jest „nie A” y jest „nie B” Rozmyta reguła modus tollens y jest B’ JEŻELI x jest A TO y jest B x jest A’ przesłanka implikacja wniosek gdzie: A, A’ X i B, B’ Y są zbiorami rozmytymi x, y są zmiennymi lingwistycznymi Przykład Poziom hałasu w samochodzie jest średniowysoki przesłanka Jeżeli prędkość samochodu jest bardzo duża to poziom hałasu jest wysoki implikacja Prędkość samochodu jest duża wniosek Zbiór rozmyty A’ jest złożeniem rozmytej implikacji A B i zbioru rozmytego B’ (implikacja jest równoważna pewnej relacji rozmytej RXY) czyli A ( A B) B Zatem T A ( x ) sup{ AB ( x, y ) B ( y )} y Y gdzie AB ( x, y ) jest funkcją przynależności relacji R. Jeżeli T(a,b)=min{a,b} wówczas A ( x ) sup{min{ AB ( x, y ), B ( y )}} yY Zauważmy, że jeżeli A’=A i B’=B wówczas rozmyta reguła modus tollens redukuje się do zwykłej reguły modus tollens. Intuicyjne relacje między przesłankami i wnioskami rozmytej reguły modus tollens Relacja Przesłanka x jest B’ Wniosek y jest A’ 1 y jest „nie B” x jest „nie A” 2 y jest „nie bardzo B” x jest „bardzo A” 3 y jest „mniej więcej B” x jest „mniej więcej A” 4a y jest B x jest nieokreślone 4b y jest B x jest A Jak modelować implikację? Model Mamdaniego AB ( x, y ) T ( A ( x ), B ( y )) gdzie T jest dowolną t-normą. Przykład Reguła typu minimum AB ( x, y ) min{ A ( x ), B ( y )} Reguła typu iloczyn (Larsena) AB ( x, y ) A ( x ) B ( y ) Zauważmy, że A(x) B(y) min{A(x), B(y)} A(x)B(y) 0 0 0 0 0 1 0 0 1 0 0 0 1 1 1 1 Wniosek Reguły typu Mamdaniego nie są implikacjami w sensie logicznym. Model logiczny Definicja Funkcję I: [0,1]2 [0,1] spełniającą następujące warunki: 1) a1 a3 I a1, a2 I a3 , a2 dla a1, a2 , a3 [0,1] 2) a1 a3 I a1, a2 I a3 , a2 dla a1, a2 , a3 [0,1] 3) I 0, a2 1 dla a2 [0,1] 4) I a1,1 1 dla a1 [0,1] 5) I 1,0 0 nazywamy implikacją rozmytą. Przykład I(a,b)=max{1-a,b} Implikacja binarna Implikacja Łukasiewicza Implikacja Reichenbacha Implikacja Gödela Funkcja I implikacji I(a,b)=min{1,1- a+b} I(a,b)=min{1,1- a+b} 1 dla a b I (a, b) b dla a b pozwala nam definiować funkcję przynależności dla AB ( x, y ) I ( A ( x ), B ( y )) (implikacja jest relacją rozmytą RXY) Implikacja binarna A(x) B(y) 1-A(x) max{1- A(x),B(y)} 0 0 1 1 0 1 1 1 1 0 0 0 1 1 0 1 Implikacja Gödela A(x) B(y) 0 0 1 0 1 1 1 0 0 1 1 1 Rozmyte systemy wnioskujące Rozmyte systemy wnioskujące Aby móc sterować pewnym procesem technologicznym lub tez pracą urządzeń konieczne jest zbudowanie modelu, na podstawie którego można będzie podejmować decyzje związane ze sterowaniem. W wielu przypadkach znalezienie odpowiedniego modelu jest problemem trudnym, niekiedy wymagającym przyjęcia różnego typu założeń upraszczających. Zastosowanie systemów rozmytych do sterowania procesami technologicznymi nie wymaga od nas znajomości tych procesów. Konstruujemy po prostu rozmyte reguły postępowania w postaci zdań warunkowych: IF ... THEN ... Schemat rozmytego systemu wnioskującego Baza reguł x Blok rozmywania A X Blok wnioskowania B k , k 1,..., N Blok wyostrzania y Baza reguł Baza reguł (model lingwistyczny) stanowi reprezentacje wiedzy eksperta o możliwych wartościach zmiennych stanu, o pożądanym stanie urządzenia, itp. Przyjmuje się dla potrzeb sterowania, ze przesłanka jak i wniosek są koniunkcjami prostych faktów rozmytych. Na bazę reguł składa się więc zbiór pewnych rozmytych reguł postaci JEŻELI (x1 jest A1) I ... I (xn jest An) TO (y1 jest B1) I ... I (ym jest Bm), gdzie Ai,Bj są zbiorami rozmytymi, xi są zmiennymi wejściowymi, a yj są zmiennymi wyjściowymi modelu lingwistycznego. Precyzyjniej (dla N reguł): Rk: JEŻELI (x1 jest A1k) I (x2 jest A2k) I…I (xn jest AnK) TO (y1 jest B1k) I (y2 jest B2k) I…I (ym jest BmK) gdzie: k=1,…,N. Aik Xi R, i=1,…,n, - zbiory rozmyte Bjk Yj R, j=1,…,m, - zbiory rozmyte [x1,…,xn]=xX1… Xn [y1,…,ym]=yY1… Ym x1,…,xn - zmienne wejściowe i y1,…,ym – zmienne wyjściowe Założenia: (1) poszczególne reguły Rk (k=1,…,N) są powiązane ze sobą za pomocą operatora „lub”. (2) wyjścia y1,…,ym są od siebie niezależne. Oznacza to, że reguły mają skalarne wyjście: Rk: JEŻELI (x1 jest A1k) I (x2 jest A2k) I…I (xn jest Ank) TO y jest Bk gdzie B k Y R. Zmienne x1,…,xn oraz y mogą przyjmować zarówno wartości nieprecyzyjne określone słownie (np. „małe”, „średnie”, „duże”) jaki i wartości liczbowe. Oznaczmy: X =X1 X2 … Xn Ak=A1k A2k … Ank Regułę możemy przedstawić jako rozmytą implikację: R(k): Ak Bk, k=1,…,N Regułę R(k) możemy też interpretować jako relację rozmytą określoną na zbiorze X Y, tzn: R(k) X Y jest zbiorem rozmytym o funkcji przynależności R ( x, y ) A (k ) k B k ( x, y ) Schemat rozmytego systemu wnioskującego Baza reguł x Blok rozmywania A X Blok wnioskowania Blok wyostrzania Blok rozmywania Systemy sterowania z logiką rozmytą operują na zbiorach rozmytych. Zatem konkretna wartość x [ x1, x2 ,..., xn ] X sygnału wejściowego sterownika rozmytego podlega operacji rozmywania (ang. fuzzyfiacation), w wyniku której zostaje odwzorowana w zbiór rozmyty A’ X = X1 X2 … Xn. Często stosuje się rozmywanie typu singleton: 1, x x A' ( x ) ( x x ) 0, x x Zbiór A’ jest wejściem bloku wnioskowania. Schemat rozmytego systemu wnioskującego Baza reguł x Blok rozmywania A X Blok wnioskowania B k , k 1,..., N Blok wyostrzania y Blok wnioskowania Przyjmijmy, że na wejściu bloku wnioskowania mamy zbiór rozmyty A’ X = X1 X2 … Xn. Znajdziemy odpowiedni zbiór rozmyty na wyjściu z bloku wnioskowania Przypadek 1 Na wyjściu otrzymujemy N zbiorów rozmytych B k Y zgodnie z uogólnioną regułą modus ponens. Wówczas: B k A'( Ak B k ), k 1,..., N Funkcja przynależności zbioru B k ma postać T B ( y ) sup{ A' ( x ) A k xX k B k ( x, y )} Przykład 1 Przyjmijmy n=2, t-norma jest typu min, rozmyte wnioskowanie definiuje reguła min oraz iloczyn kartezjański zbiorów określony jest przez min. Wówczas: T B ( y ) sup{ A' ( x ) A k xX k B k ( x, y )} sup{min{ A' ( x ), Ak Bk ( x, y )}} xX sup{min{ A' ( x ),min{ Ak ( x ), Bk ( y )}}} Ponieważ: xX A' ( x ) A ' A ' ( x1, x2 ) min{A ' ( x1 ), A ' ( x2 )} 1 A ( x ) A k 2 k k A 2 1 1 2 ( x1, x2 ) min{ Ak ( x1 ), Ak ( x2 )} 1 2 Przykład 1 (cd) Ostatecznie B ( y) sup {min{ A1 ' ( x1 ), A2 ' ( x2 ), Ak ( x1 ), Ak ( x2 ), B k ( y )}} k x1 X 1 , x2 X 2 1 2 Przykład 2 Przyjmijmy n=2, t-norma jest typu iloczyn, rozmyte wnioskowanie definiuje reguła iloczyn oraz iloczyn kartezjański zbiorów określony jest przez iloczyn. Wówczas: B ( y ) sup{ A' ( x) A k x X k Bk ( x, y )} sup{ A' ( x) Ak ( x) B k ( y ))} x X sup { A1 ' ( x1 ) A2 ' ( x2 ) Ak ( x1 ) Ak ( x2 ) B k ( y )} x1 X 1, x2 X 2 1 2 Przypadek 2 Na wyjściu bloku wnioskowania otrzymujemy jeden zbiór rozmyty B’Y określony np. wzorem: N N B' B A'( Ak B k ) k k 1 k 1 W ogólności funkcja przynależności zbioru B' ma postać S S S B ' ( y ) B ( y ) B ( y ) ... B ( y ) 1 2 N gdzie S jest dowolną s –normą i T B ( y ) sup{ A' ( x ) A k xX k B k ( x, y )} Blok rozmywania – przykład Rozważmy rozmyty system wnioskujący z bazą reguł: R1: JEŻELI x1 jest A11 I x2 jest A21 TO y jest B1 R2: JEŻELI x1 jest A12 I x2 jest A22 TO y jest B2 Na wejście sterownika podano sygnał x [ x1 , x2 ] X W wyniku rozmywania typu singleton otrzymujemy zbiory rozmyte o funkcjach przynależności A ' ( x1 ) ( x1 x1 ) 1 A ' ( x2 ) ( x2 x2 ) 2 Blok rozmywania – przykład Podstawmy tę funkcję przynależności do przykładu 1 (minimum): A ' ( x1 ) ( x1 x1 ) 1 A ' ( x2 ) ( x2 x2 ) 2 B ( y) k sup {min{ A1 ' ( x1 ), A2 ' ( x2 ), Ak ( x1 ), Ak ( x2 ), B k ( y)}} x1X 1 , x2 X 2 1 2 Wówczas: B ( y) min{1, 1, A ( x1 ), A ( x2 ), B ( y)} k k 1 k 2 k Ostatecznie (sumujemy dwa zbiory): B ' ( y ) max{min{ A ( x1 ), A ( x2 ), B ( y )}} k 1, 2 k 1 k 2 k Blok rozmywania – przykład A ( x1 ) 1 1 A ( x2 ) 1 2 1 1 A B ( y ) B ( y ) 1 1 1 2 A B 1 B1 A ( x1 ) 2 1 2 1 A A ( x2 ) 2 2 y y x2 x1 B ( y ) A22 2 B 2 B ( y ) 2 B2 x1 x1 x2 min B ' ( y ) B' ( y ) max{min{ A ( x1 ), A ( x2 ), B ( y )}} k 1,2 k 1 y y x2 k 2 B' k y Blok rozmywania – przykład Pozostańmy przy systemie wnioskującym z przykładu 1 (minimum) ale przyjmijmy, że implikacja jest modelowana przez iloczyn: A B ( x, y) A ( x) B ( y) k k k k Ponieważ mamy 2 sygnały na wejściu: A ( x) A A ( x1 , x2 ) min{ A ( x1 ), A ( x2 )} k k 1 k 2 k 1 k 2 Wówczas: B ( y) k sup {min{ A1 ' ( x1 ), A2 ' ( x2 ), Ak ( x1 ), Ak ( x2 )} B k ( y)} x1 X 1, x2 X 2 1 2 Ostatecznie otrzymujemy: B ' ( y) max{min{ A ( x1 ), A ( x2 )} B ( y)} k 1, 2 k 1 k 2 k Blok rozmywania – przykład A ( x1 ) 1 1 A ( x2 ) 1 2 1 1 A B ( y ) B ( y ) 1 1 1 2 A B 1 B1 A ( x1 ) 2 1 2 1 A A ( x2 ) 2 2 B ( y ) A22 y y x2 x1 2 B 2 B ( y ) 2 B2 x1 x1 x2 min B ' ( y ) B ' ( y ) max{min{ A ( x1 ), A ( x2 )} B ( y )} k 1, 2 k 1 k 2 y y x2 B' k y Sterowanie suwnicą przenosząca kontenery Za pomocą suwnicy musimy przenieść kontener z ładunkiem z jednego miejsca na drugie. Jednak w momencie odkładania go na miejsce mogą wystąpić zbyt duże kołysania. Celem naszym jest takie pokierowanie suwnica by nie został zniszczony nasz ładunek. Sterowanie suwnicą przenosząca kontenery Naszymi danymi są: odległość wózka z kontenerem od pozycji docelowej oraz kąt wychylenia. Jeżeli wózek z kontenerem jest w dużej odległości od położenia docelowego suwnica może poruszać się z dużą szybkością. Jednak gdy zbliża się ona do końca drogi musimy zadbać o tłumienie kołysania kontenera na linie. W momencie gdy jesteśmy juz bardzo blisko konieczne jest łagodne (pozbawione kołysań) doprowadzenie kontenera do miejsca docelowego. Sterowanie suwnicą przenosząca kontenery Baza reguł: JEŻELI (d = duża) TO (P = duża) JEŻELI (d = mała) I (kąt = ujemny duży) TO (P = dodatnia średnia) JEŻELI (d = mała) I (kąt = ujemny mały LUB zero LUB dodatni mały) TO (P = dodatnia średnia) JEŻELI (d = mała) I (kąt = dodatni duży) TO (P = ujemna średnia) JEŻELI (d = zero) I (kąt = dodatni duży LUB mały) TO (P = ujemna średnia) JEŻELI (d = zero) I (kąt = zero) TO (P = zero) JEŻELI (d = zero) I (kąt = ujemny mały) TO (P = dodatnia średnia) JEŻELI (d = zero) I (kąt = ujemny duży) TO (P = dodatnia duża) Sterowanie suwnicą przenosząca kontenery Zmienne lingwistyczne: ODLEGŁOŚĆ możliwe wartości: zero, mała, duża KĄT (WYCHYLENIE) możliwe wartości: ujemny duży, ujemny mały, zero, dodatni mały, dodatni duży MOC możliwe wartości: ujemna duża, ujemna mała, zero, dodatnia mała, dodatnia duża Koniec wykładu 2