Быстрый старт¶

Преобразуем измеренную температуру в понятные степени принадлежности лингвистическим понятиям, а затем выберем метку. FuzzyRoutines предоставляет скалярные нечёткие множества, восемь семейств функций принадлежности, явные правила объединения результатов, лингвистические шкалы, альфа-срезы и центроиды непрерывных моделей. Современный API требует CPython 3.13 или 3.14; NumPy и библиотеки построения графиков не являются обязательными зависимостями.

Установка¶

Создайте изолированное окружение:

python -m venv .venv
# Linux/macOS:
source .venv/bin/activate
# Windows PowerShell: .venv\Scripts\Activate.ps1
python -m pip install --upgrade pip

Для стабильного пакета 2.0.0 в PyPI:

python -m pip install fuzzyroutines==2.0.0

Старые релизы 1.x не содержат этот современный API.

Для разработки или кандидата, который ещё не опубликован, устанавливайте код из проверенной ревизии Git:

python -m pip install "fuzzyroutines @ git+https://github.com/Fuzzy-Technologies/FuzzyRoutines.git@develop"

Эта команда требует Git и устанавливает текущее состояние изменяемой ветки develop. Для воспроизводимого эксперимента замените develop полным SHA проверенного коммита. Используемый здесь публичный современный API доступен в коммите bd239d2b0972a796c4084498676042bdb7016bed. Подготовка кандидата сама по себе не означает публикацию релиза в PyPI.

Измерение и классификация в несколько строк¶

Пусть температура в комнате равна 24 °C. Зададим иллюстративное понятие Comfort треугольником: полная принадлежность при 22 °C, нулевая — при 16 и 28 °C. Принадлежность Warm плавно растёт от 22 до 30 °C. Выбирайте пороги вместе со специалистами вашей предметной области: это предположения модели, а не параметры, которые библиотека обучила по данным.

from math import isclose
from fuzzyroutines import (
    ContinuousUniverse, LinguisticScale, LinguisticTerm,
    ScalarFuzzySet, SShoulder, Triangle,
)

universe = ContinuousUniverse(0, 40, leftClosed=True, rightClosed=True)
scale = LinguisticScale((
    LinguisticTerm("Comfort", ScalarFuzzySet(universe, Triangle(16, 22, 28))),
    LinguisticTerm("Warm", ScalarFuzzySet(universe, SShoulder(22, 30))),
))
result = scale.Fuzzify(24)
grades = {item.term.name: item.grade for item in result.memberships}
assert isclose(grades["Comfort"], 2 / 3)
assert grades["Warm"] == 0.125
assert result.selectedTerms[0].name == "Comfort"
print(grades, result.selectedTerms[0].name)

Получаем Comfort ≈ 0.667, Warm = 0.125; выбранная метка — Comfort. Степень принадлежности описывает соответствие заданному понятию. Это не вероятность, и сумма степеней не обязана равняться единице. Fuzzify возвращает все степени; выбор определяется явной политикой, которая по умолчанию выбирает первый терм с максимальной принадлежностью.

Кривые показывают модель на объявленном универсальном множестве 0–40 °C. Пунктир отмечает измерение, точки — две вычисленные степени принадлежности. Этот пример с двумя метками намеренно не покрывает часть температур. Проверьте покрытие, прежде чем использовать его как полную рабочую шкалу.

Объединение, исследование и объяснение результата¶

Перейдите к девяти практическим сценариям. Они показывают физические измерения, выбор правил, отказ от классификации, направленную нечёткую разность, альфа-срезы, центроиды, диагностику шкалы и пользовательские модели. Каждый содержит самостоятельный код, ожидаемые числа и график. Галерея функций принадлежности поможет выбрать кривую.

Скрипт examples/guide.py выполняет все девять сценариев и сравнивает результаты с независимо рассчитанными эталонными значениями. Из локальной копии репозитория с установленным пакетом выполните:

python -I examples/guide.py
python -I examples/guide.py --scenario centroid

Сценарий можно перенести в свой проект. Для скалярных вычислений достаточно FuzzyRoutines и стандартной библиотеки Python; просмотр сохранённых SVG не требует библиотеки построения графиков. Чтобы заново получить изображения из локальной копии репозитория, установите docs/requirements-plots.txt и запустите tools/generate_guide_figures.py, как описано в руководстве по происхождению графиков.

Для старого кода с MFunction, FuzzySet и FuzzyScale начните с исторического фасада. Современные множества и политики неизменяемы; исторический фасад намеренно сохраняет изменяемую модель объектов ради совместимости.