[论文解读] PyIT2FLS: A New Python Toolkit for Interval Type 2 Fuzzy Logic Systems

Amir Arslan Haghrah, Sehraneh Ghaemi|arXiv (Cornell University)|Sep 22, 2019

Fuzzy Logic and Control Systems参考文献 27被引用 15

一句话总结

本文介绍了 PyIT2FLS，一个用于设计和仿真区间二型模糊逻辑系统（IT2FLS）的新开源 Python 工具包，支持高效实现模糊集、系统及类型约简方法。该工具包支持基于规则的建模、通过粒子群优化（PSO）进行优化，以及 PID 控制，在预测混沌时间序列和控制时滞系统方面表现出色。

ABSTRACT

Fuzzy logic is an accepted and well-developed approach for constructing verbal models. Fuzzy based methods are getting more popular, while the engineers deal with more daily life tasks. This paper presents a new Python toolkit for Interval Type 2 Fuzzy Logic Systems (IT2FLS). Developing software tools is an important issue for facilitating the practical use of theoretical results. There are limited tools for implementing IT2FLSs in Python. The developed PyIT2FLS is providing a set of tools for fast and easy modeling of fuzzy systems. This paper includes a brief description of how developed toolkit can be used. Also, three examples are given showing the usage of the developed toolkit for simulating IT2FLSs. First, a simple rule-based system is developed and it's codes are presented in the paper. The second example is the prediction of the Mackey-Glass chaotic time series using IT2FLS. In this example, the Particle Swarm Optimization (PSO) algorithm is used for determining system parameters while minimizing the mean square error. In the last example, an IT2FPID is designed and used for controlling a linear time-delay system. The code for the examples are available on toolkit's GitHub page: https://github.com/Haghrah/PyIT2FLS. The simulations and their results confirm the ability of the developed toolkit to be used in a wide range of the applications.

研究动机与目标

• 解决科学与工程应用中缺乏全面、用户友好的 Python 工具包来支持区间二型模糊逻辑系统（IT2FLS）的问题。
• 通过提供一个易于使用、可扩展且文档齐全的 Python 软件库，促进 IT2FLS 的实际应用。
• 使研究人员和工程师能够针对复杂问题（如时间序列预测和动态系统控制）快速原型设计、仿真和部署 IT2FLS。
• 同时支持模糊集与模糊系统，区别于现有仅聚焦于模糊集的 Python 工具包。
• 通过直观的 API 及内置的可视化与优化工具，降低实现门槛，推动类型-2 模糊逻辑的广泛应用。

提出的方法

• 基于 NumPy 和 Matplotlib 开发了 Python 工具包，核心类包括用于区间二型模糊集的 IT2FS 和用于模糊逻辑系统的 IT2FLS。
• 实现了关键模糊运算，包括交、并以及多种方法（重心法、KM、EK、BMM、NT）的类型约简。
• 集成粒子群优化（PSO）以通过最小化时间序列预测中的均方误差来调优系统参数。
• 通过在反馈控制回路中嵌入 IT2FLS，设计了 IT2FPID 控制器，用于线性时滞系统。
• 提供了用于绘制隶属度函数、类型约简输出和清晰输出的实用函数，支持多种 t-范数和 s-范数。
• 在 GitHub 上托管了完整的示例代码，涵盖基于规则的系统、时间序列预测以及控制系统仿真。

实验结果

研究问题

• RQ1 一个全面且易于使用的 Python 工具包是否能显著提升区间二型模糊逻辑系统在工程与科学应用中的实际采用率？
• RQ2 PyIT2FLS 工具包在支持混沌时间序列预测和时滞系统控制等复杂任务方面效果如何？
• RQ3 在存在系统不确定性的控制应用中，哪种类型约简方法（如 KM、EK、BMM）表现最为稳健？
• RQ4 将 PSO 与 IT2FLS 集成后，在非线性时间序列建模中能多大程度上提升预测精度？
• RQ5 该工具包的模块化设计在多大程度上能够支持未来对一般类型-2 模糊集及先进控制策略的扩展？

主要发现

• PyIT2FLS 成功实现了基于规则的 IT2FLS 仿真，展示了其在基本模糊推理任务中的可用性，并具备清晰的输出可视化效果。
• 通过 PSO 优化的 IT2FLS 实现了对 Mackey-Glass 混沌时间序列的精确预测，通过自适应参数调节最小化了均方误差。
• 基于 PyIT2FLS 设计的 IT2FPID 控制器有效控制了线性时滞系统，其中 BMM 和 KM 类型约简方法在调节时间和超调量方面表现更优。
• 在正常与扰动系统条件下，BMM 方法在最坏情况扰动下实现了最低超调量（2.2547%）和最快调节时间（6.8834 秒），优于 NT 和 KM 方法。
• 在最严重扰动系统中，采用 BMM 类型约简的 IT2FLS 实现了 ITAE 为 3.0258，表明其在不确定性条件下具备出色的鲁棒性与稳定性。
• 该工具包在 GitHub 上开源并附带完整示例代码，显著降低了研究人员和实践者的学习与使用门槛。