برای مقالات همگانی، به بررسی توپولوژی (ابهام) .

حلقه موبیوس یک سطح بسته که لبه به حلقهای کاهش می یابد. چنین اشیائی هستند که توسط توپولوژی مورد مطالعه قرار می گیرند.

توپولوژی شاخه ای از ریاضیات با مجموعه مجهز به یک مفهوم محله در اطراف هر نقطه، و به نام فضاهای توپولوژیک ، و همچنین برنامه های کاربردی مستمر بین این فضاهای، که حفظ این مفهوم. رسمی، ما در نظر فضاهای تغییر شکل نزدیک بدون پاره شدن و یا چسب، به عنوان یک الاستیک که می توانید بدون شکستن کشش. بنابراین، آن را شناسایی دایره و بیضی ، و یا تاج و دیوار سمت یک سیلندر از انقلاب ، است که می گویند آنها به ترتیبhomeomorphic .

تعریف محله گاهی ناشی از فاصله بین نقاط است که به ساختار فضای متریک منجر می شود . این امر به ویژه از درست خط واقعی از هواپیما ، در فضای سه بعدی ، یا به طور کلی از یک فضای اقلیدسی ، و خود را زیر مجموعه مانند دایره ، در حوزه ، در چنبره و دیگر ریمانی manifolds .

در یک فضای توپولوژیک، مفهوم محله محله را می توان با مفهوم جهانی باز تعریف کرد که محدوده هر یک از نقاط آن است. مجموعه ای از باز نیز "توپولوژی" نامیده می شود. این توپولوژی را می توان با ساختار جبری سازگار کرد ، از این رو تعریف گروه توپولوژی و فضای بردار توپولوژیک ، به ویژه در تجزیه و تحلیل عملکردی .

توپولوژی عمومی مفاهیم و سازه ها برای فضاهای توپولوژیک معمول تعریف می کند. توپولوژی جبری همکاران به هر فضای توپولوژیک از ثابت جبری مانند اعداد ، در گروه های از ماژول یا حلقه که آنها را متمایز، به خصوص در زمینه نظریه گره . توپولوژی دیفرانسیل به مطالعه محدود انواع دیفرانسیل ، که در آن هر نقطه است homeomorphic محله به یک توپ از بعدی متناهی.

 

خلاصه

اصطلاحات ویرایش کد را تغییر دهید

کلمه "توپولوژی" (یونانی η τοπολογία ) می آید از ترکیبی از دو نام یونانی (ο τοπος ( O TOPOS ، مرد) و η λογία ( من ایوان سرپوشیده ، زنانه) که به ترتیب به معنای "مکان" و "مطالعه" . به معنای واقعی کلمه، توپولوژی به معنی "مطالعه یک مکان" یا "مطالعه موضعی" است. بنابراین، او علاقه مند به تعریف مکان است (همچنین به نام "  فضا  ") و ویژگی های آن ممکن است. یک علامت باستان، تجزیه و تحلیل موضعی است ، یعنی "مطالعه محل".

اصطلاح "توپولوژی" در سال 1847 توسط آلمانی یوهان برندیچ در Vorstudien zur Topologie به زبان آلمانی منتشر شد .

تاریخچه تغییر کد را تغییر دهید

توپولوژی بر مبنای مفاهیم محدودیت و تداوم استوار است ، ابتدا به توالی واقعی و توابع یک متغیر واقعی اعمال می شود . این مفاهیم از تجزیه و تحلیل از استفاده هجدهم هفتم  قرن به خصوص توسطاویلر و لاگرانژ ، اما خواهد شد در رسمی نوزدهم هفتم  قرن  : کوشی تعریف همگرایی یک دنباله و یا سری ، آبل نشان می دهد که همگرایی یکنواخت و Bolzanoتداوم برای نشان دادن قضیه ارزش متوسط ​​است .

در همان زمان، ریمان معرفی انواع او نام او را، و تبدیل کامل فضاهای مطالعه به عنوان بخشی از توپولوژی دیفرانسیل . درمان های مشترک از این فضاها و آزمون واقعی خواهد در تعریف محله آمدههیلبرت .

در حدود سال 1860، وایرشتراس مفهوم نقطه انباشت را تعریف کرد ، که در تمام مجموعه های نامحدود و محدودی از اعداد حقیقی نشان داد.

هنری پوانکاره در سال 1895 آنالیتسیت را منتشر کرد و مفاهیم هماتومی و همولوگ را معرفی کرد . این invariants به تعداد پذیرش و ویژگی های اویلر (تعریف شده بیش از یک قرن پیش) در آنچه تبدیل خواهد شد توپولوژی جبری .

تنها در 1906 بود، با زور مطالعه مجموعه به طور فزاینده انتزاعی، نظر می رسد مفهوم وجود دارد فضای متریک ، معرفی شده توسط فریشه ، که کار در فضاهای تابع ایالات متحده کانتور ، ولترا ، Arzelà ، Hadamard ، Ascoli و دیگران.

در سال 1914 فلیکس هاستورف مفهوم فضای متریک را به طور کلی به کار برد. او اصطلاح "فضای توپولوژیکی" را تعریف کرد و تعریف کرد که اکنون فضای جداگانه ای یا فضای هادسفورد نامیده می شود .

در نهایت، یکی دیگر از تعاریف جزئی در سال 1922 توسط Kuratowski به مفهوم کنونی فضای توپولوژی اشاره کرد.

توسعه فضاهای بردار نرمال (به ویژه ابعاد بی نهایت) به واسطه هیلبرت است  ؛ Banach عمدتا این نظریه را در دهه 1930 تکمیل کرد.

مفهوم یک مجموعه جمع و جور ، جوانه زده در اوایل سال 1900، با کارهای Alexandroff ، Urysohn و Tychonov 1 توسعه یافته است .

بدون بیست و سه مسائل هیلبرت در جنین در اوایل به تن در توپولوژی، هنوز هم xx هفتم  قرن . حدس پوانکره است در کانون توجه از هفت مسائل هزاره در سال 2000. این خواهد بود که برای اولین بار به طور کامل توسط نشان پرلمن در آغاز بیست و یکم هفتم  قرن با حدس هندسی از ترستون .

بنیانگذار اصول ویرایش کد را تغییر دهید

مفهوم مرکزی در توپولوژی مفهوم محدودیت است . به عنوان مثال یک سطح بسته، یک دیسک را مثال بزنید. از نقطه نظر دقیق تنظیم، نقاطی که در دیسک وجود دارد و کسانی که در آن نیستند وجود دارد. با این حال، این دیدگاه از لحاظ هندسی رضایت بخش نیست. نقاطی که در دایره قرار دارند، محدود کردن دیسک، وضعیت خاصی دارند، آنها در حد محدود هستند . علاوه بر این، در تعریف یک دیسک، ما می توانیم انتخاب کنیم: آیا همه نقاطی را که فاصله آن به مرکز کمتر از یا برابر است، در نظر می گیریم؟به شعاع یا ما همه نقاطی را که فاصله آن به مرکز دقیقا پایینتر از شعاع است، در نظر می گیریم؟ در مورد اول ما می گوییم که دیسک بسته است، در مورد دوم ما می گوییم دیسک باز است. به طور کلی، ما می گوییم که سطح زمانی بسته است که تمام نقطه های آن را شامل می شود . یکی می گوید که سطح باز است اگر برای هر یک از نقاط آن دیسک در این نقطه وجود دارد که در این سطح وجود دارد.

این ایده محدودیت بسیار بصری است. توپولوژی به دنبال این مفهوم است. چند راه برای رسیدن به این هدف وجود دارد. ساده ترین راه تعیین فاصله است . در مثال ما، ما به سادگی از فاصله اقلیدسی استفاده می کنیم. نقاط پایانی آنهایی هستند که در هر دو نقطه در سطح و نقاطی که درون آن نیستند، نزدیک هستند (یعنی، تا آنجا که مایل هستند). تعریف یک فاصله در یک مجموعه به آن یک ساختارفضایی متریک را میدهد. این دیدگاه برای حل بسیاری از مشکلات کافی است با این حال، استفاده از یک پاس از راه دور از طریق اعداد حقیقی و در نتیجه معرفی یک محدودیت که تا به حال برای غلبه بر. برای این کار، آن را تا به لزوم بوده به تعریف مفهوم نزدیکی بیشتر انتزاعی، بدون استفاده از یک آرگومان عددی است مفهوم محله . به دلایل فنی، آن را معادل و ساده به طور مستقیم تعریف قبل از محله های این باز است، بنابراین، این است چگونه معمولا یک توپولوژی در تصمیم گیری چه تعریف می کند قطعات باز .

مفهوم محدود نه تنها استاتیک بلکه پویا نیز است. توپولوژی اجازه می دهد تا محدودیت های توابع و توالی ها را از بین ببریم. بیایید به دنباله ای از inverses از اعداد کامل از 1: 1/1، 1/2، 1/3، 1/4، ...، 1 / n ، ... در حد ، این دنباله به سمت 0. تمایل دارد. این بیشتر به یا کمتر این واقعیت است که 0 نقطه محدود مجموعه ای از 1 / n است .

مهم است که توجه داشته باشیم که اکثر مفاهیم توپولوژی، از جمله تداوم، عواقب مفهوم محدودیت است. این به ویژه در مورد مفهوم مشتق شده است که به عنوان یک حد از نرخ افزایش، از مماس است که محدودیت رشته ها است.

بنابراین توپولوژی یک نظریه متحد است: آن را با چند عاملی اولیه توضیح می دهد تعداد زیادی از پدیده ها.

شاخه های توپولوژی ویرایش کد را تغییر دهید

توپولوژی 

 

توپولوژی ( یونانی topos - محل، آرم - یادگیری) - زمینه ریاضی ، مطالعه که فضاهای توپولوژیکی ، بازتاب مداوم ، و مفاهیم ریاضی مرتبط است. با استفاده از رسم کردن مفاهیم اساسی در ریاضیات، مانند پیوند ، همگرایی ، تداوم و غیره در اوایل قرن بیستم ، او هندسه هندسی ( هندسه لاتین ) و تجزیه و تحلیل سلسله ( لاتین. "تجزیه و تحلیل محل") مهمترین رشته ریاضیات 1925-75 بود.

نوار متحرک ، سطح یک طرفه. ارقام مشابهی اغلب در توپولوژی یافت می شوند

 

فهرست بخش ها

شرح ابتدایی ویرایش منبع ویرایش ]

یکی از نظریه های توپولوژی در زبان محبوب می تواند به عنوان خوانده شده به شرح زیر است: "این غیر ممکن است به توپ به طور کامل شکستن سفید". این یک واقعیت بصری است. ": به طور رسمی، قضیه همان به شرح زیر است درست در arakrobadi وجود دارد مداوم بردار مماس "، و aratrivialuria تایید آن است. این قضیه منصفانه است نه تنها برای میدان، بلکه برای تمام سطوح همجوشی بدون سوراخ (در صورتی که شرایط خاصی برآورده شود) و با خصوصیات عمومی خاصی از «ارقام هندسی» مرتبط است. بررسی این خواص یک موضوع توپوگرافی است.

اغلب توصیف توپوگرافی به عنوان هندسه ، خصوصیات کلی اشیای هندسی که در طول تغییرات مداوم باقی می ماند (فشرده سازی، کشش، خمیدگی؛ نگاه کنید به نقاشی زیر). چهره های هندسی که توسط چنین تغییر شکل های مداوم پذیرفته می شوند، با نقطه نظر توپولوژی متفاوت نیستند ( homomorphism ).

homeo tasse.png

جام یخچال، خاکستری و نازک "از لحاظ توپولوژیکی"، همان شکل هندسی هستند

جبری توپولوژی روش کلی برای اشیاء مختلف "هندسی" برای "جبری" (گسسته) محاسبه ویژگیهای shetanadeba. گفته شده است که توپولوژی جبری هندسه را با استفاده از جبر بررسی می کند. (زمینه های مختلف توپوگرافی را در زیر ببینید).

توپولوژی نفوذ غالب رشته های ریاضی مانند هندسه جبری ، هندسه دیفرانسیل ، سیستم های دینامیکی ، معادلات دیفرانسیل و غیره بوده است.

تاریخچه ویرایش منبع ویرایش ]

فضاهای توپولوژیکی به طور طبیعی در تجزیه و تحلیل ریاضی و هندسه یافت می شود . همانطور که توپولوژی انضباط مستقل ریاضی در ابتدای قرن بیستم تاسیس شد و به زودی یکی از مسیرهای اصلی تحقیقات ریاضی شد. منشاء توپولوژی پیش از ایجاد تئوری تئوری توسط گرگ کانتور در پایان قرن نوزدهم پیش آمد . توپولوژی اولین رشته ی ریاضیات است که فرمولبندی آن از طریق نظریه مجموعه انجام می شود. این به خودی خود، مهمترین راه انجام ریاضیات مدرن از نظریه مجموعه به عنوان ابزار استاندارد ایجاد شد.

برای منشاء توپوگرافی، قابل توجه است که آثار هنری Poincair ، که در آن مفهوم homology و homotopic برای اولین بار ظاهر شد ( 1895 ). پس از آن، در سال 1906، در preshem موریستوابع در مناطق مختلف از ریاضیدانان در مجموعه مقالات تئوری ایجاد به منظور معرفی فضای متریک مفهوم. در حالت ایده آل، تعریف فضای توپولوژی ابتدا توسط Felix Houseworth ( 1914 ) ایجاد شد و کمی بیشتر توسط Kazimir Kuratovski ( 1922 ) تعمیم داد . جورجی چگوشیلبی تحقیق توپولوژیکی در گرجستان را تاسیس کرد. بسیاری از ریاضیدانان عالی، مدرسه توپولوژیکی گرجستان، از جمله ندار بریکاشویلی ، تورنیکت کاستیوویلی ، آلیکو چیوگیدز و دیگران را تزئین می کنند.

جهت توپولوژی ویرایش منبع ویرایش ]

Polyhedra (کوبو هموکتات هورادین)

توپولوژی متشکل از چند بخش است که کاملا دور از یکدیگر هستند.

نظریه گره بستر توپولوژی

جهت دیگر توپولوژی، به عنوان مثال، نظریه تئوری ، (ko) نظریه bodys ، K- topological تئوری و غیره

برخی از قضیه توپولوژی عمومی ویرایش منبع ویرایش ]

  • عیب یابی قضیه : تابع پیوسته حقیقی تعریف شده توسط هر ناحیه زیر عادی از فضای عادی می تواند در سراسر منطقه پخش شود.
  • Theorem meterization فراهم می کند شرایط ضروری و کافی برای اندازه گیری فضای توپولوژیکی.
  • قضیه نوع توت : اگر X یک فضای متر کامل یا فضای محلی فضایی سوپاپ باشد، هسته ی هر یک از فرآیندهای بی ثبات زیر سیستم غیر ساکن آن خالی است.

نظریه های عمومی تر ویرایش منبع ویرایش ]

تجزیه و تحلیل نتایج و انتزاع ریاضی پس از آن به تحقیق کلی ساختارها منجر می شود. توپولوژی امضاء شده خواص فضاهای توپولوژیکی را در شرایط عمومی بررسی می کند. در ابتدا، ایده های توپوگرافی نیز در زمینه های مختلف نظریه تئوری توسعه یافته است .

ادبیات ویرایش منبع ویرایش ]

  • جیمز موکن (1999). توپولوژی ، نسخه دوم، Prentice Hall.
  • جان ل. کلیلی (1975). توپولوژی عمومی . Springer-Verlag.
  • آلن هرچر، توپولوژی جبری ، دانشگاه کمبریج، کمبریج، 2002.
ادامه نوشته

T 1 فضا

T 1 فضا

از ویکیپدیا، دانشنامه آزاد

پرش به ناوبریپرش به جستجو

axioms جدایی
در فضاهای توپولوژیکی
طبقه بندی کلموگروف
T 0 (کلموگروف)
ت 1 (Fréchet)
T 2 (هاستورف)
T 2 ½(اروسوهن)
به طور کامل T 2 (کاملا Hausdorff)
T 3 (Hausdorff به طور منظم)
(Tychonoff)
T 4 (Hausdorff طبیعی)
T 5 
 Hausdorff کاملا طبیعی )
T 6 (کاملا طبیعی 
 Hausdorff)

در توپولوژی و شاخه های مربوط به ریاضیات ، یک فضای T 1 یک فضای توپولوژیک است که در آن هر جفت هر نقاط متمایز، هر محله دیگری را ندارد. [1] R 0 فضا است که در آن این برای هر جفت از است توپولوژیکی تشخیص نقطه است. خصوصیات T 1 و R 0 نمونه هایی از اصطلاحات جدایی هستند .

 

فهرست

تعاریف ویرایش ]

اجازه دهید X یک فضای توپولوژیک باشد و x و y در X نقطه باشند . ما می گوییم که x و y را می توان از هم جدا کرد، اگر هر یک در محله ای قرار دارد که نقطه دیگر آن نیست.

  • X است T 1 فضای اگر هر دو متمایز امتیاز در X جدا می شود.
  • X یک IS R 0 فضای اگر هر دو توپولوژیکی تشخیص نقاط در X جدا می شود.

فضای AT 1 همچنین فضای قابل دسترس یا فضای Tychonoff یا فضای با توپولوژی Fréchet نامیده می شود و فضای R 0 نیز فضای متقارن نامیده می شود . (اصطلاح فضای فریشههمچنین دارای یک معنای کاملا متفاوتی در تجزیه و تحلیل عملکرد . به همین دلیل، مدت T 1 فضای بهتر است. همچنین تصور از یک وجود دارد فضای فریشه-Urysohn و به عنوان یک نوع فضای متوالی . اصطلاح فضای متقارن است معنای دیگری )

خواص ویرایش ]

اجازه دهید X یک فضای توپولوژی باشد. در نتیجه وضعیت های زیر یکسان اند:

  • X یک فضای T 1 است.
  • X است T 0 فضا و یک R 0 فضا.
  • امتیازات در X بسته می شود ؛ یعنی با توجه به هر x در X ، مجموعه تک تک { x } یک مجموعه بسته است .
  • هر زیر مجموعه ای از X تقاطع همه مجموعه های باز آن حاوی آن است.
  • هر مجموعه محدود بسته است [2]
  • هر مجموعه مختلط از X باز است.
  • Ultrafilter را ثابت در X تنها به همگرا X .
  • برای هر زیر مجموعه S از X و هر نقطه x در X ، x یک نقطه محدود از S است اگر و فقط اگر هر محدوده باز از x حاوی نقاط بی نهایت از S باشد.

اجازه دهید X یک فضای توپولوژی باشد. در نتیجه وضعیت های زیر یکسان اند:

  • X یک R است 0 فضا.
  • با توجه به هر x در X ، بسته شدن { x } شامل تنها نقاطی است که از لحاظ توپولوژیکی از x غیر قابل تشخیص است .
  • برای هر دو نقطه x و y در فضای، x در بستن { y } است اگر و فقط اگر y در بسته شدن { x } باشد.
  • پیش فروش تخصص در X است متقارن (و بنابراین یک رابطه هم ارزی ).
  • اولترافیلتر ثابت در x تنها به نقاطی که از لحاظ توپولوژی از x غیر قابل تشخیص هستند، همگرایی می کند .
  • هر مجموعه باز ، اتحاد مجموعه های بسته است .

در هر فضای توپولوژیک، به عنوان خواص هر دو نقطه، معانی زیر را داریم

⇒ جداگانه ⇒ قابل تشخیص topologically ⇒ مجزا

اگر فلش اول را می توان معکوس کرد، فضای R 0 است . اگر فلش دوم را می توان معکوس کرد، فضای T 0 است . اگر فلش ترکیبی را می توان معکوس کرد، فضای T 1 است . واضح است که یک فضای T است 1 اگر و تنها اگر آن را هر دو R است 0 و T 0 .

توجه داشته باشید که یک فضای محدود T 1 لزوما گسسته (از آنجا که هر مجموعه بسته است).

مثالها ویرایش ]

  • مجموعه باز x } حاوی y اما نه x و مجموعه باز y } حاوی x و نه y است .
  • معادل هر مجموعه تک تک { x } مکمل از مجموعه باز x } است ، بنابراین یک مجموعه بسته است؛

بنابراین فضای نتیجه T 1 توسط هر یک از تعاریف بالا است. این فضا T نمی 2 ، به دلیل تقاطع از هر دو مجموعه باز O و B است ∪ B ، است که هرگز خالی است. در عوض، مجموعه ای از اعداد صحیح حتی جمع و جور است اما بسته نیست ، که در فضای هوسدورف غیرممکن است.

  • در مثال بالا، می توان کمی تغییر برای ایجاد دو اشاره کرد توپولوژی cofinite است که نمونه ای از R 0 فضا است که نه T 1 و نه R 1 . اجازه دهیم X مجموعه ای از اعداد صحیح باشد و با استفاده از تعریف A از مثال قبلی، زیربنای مجموعه های باز x را برای هر اعداد صحیح x تعریف کنیم: x = x ، x +1} اگر x یک حتی تعداد و x =x -1، x } اگر x عدد است.سپس بر اساس توپولوژی توسط محدود داده شده تقاطع از مجموعه subbasis است: با توجه به یک مجموعه متناهی ، مجموعه باز از X هستند

U_A: = \ bigcap_ {x \ in A} G_x.

فضای نتیجه T 0 (و در نتیجه T 1 نیست )، زیرا نقاط x و x + 1 (برای x حتی) از لحاظ توپولوژی قابل تشخیص نیستند؛ اما در غیر این صورت، اساسا معادل نمونه قبلی است.

  • توپولوژی ملاقات Zariski در تنوع جبری (بیش از یک میدان بسته جبری ) T است 1 . برای دیدن این، توجه داشته باشید که یک نقطه با مختصات محلی ( ج 1 ، ...، ج N ) است مجموعه ای صفر از چند جمله ای ایکس 1 - ج 1 ، ...، N - N . بنابراین، نقطه بسته است. با این حال، این مثال به عنوان فضایی است که Hausdorff (T 2 ) نام دارد. توپولوژی Zariski اساسا یک نمونه از توپولوژی مختلط است.
  • توپولوژی Zariski در حلقه تعاملی (یعنی طیف اول حلقه ) T 0 است، اما به طور کلی T 1 نیست . [3] برای دیدن این مطلب، توجه داشته باشید که بسته شدن یک مجموعه یک مجموعه ای از تمامآرمان های اول است که حاوی نقطه (و در نتیجه توپولوژی T 0 ) است. با این حال، این بسته شدن است ایده آل حداکثر ، و تنها نقاط بسته آرمان حداکثر هستند و در نتیجه در هر یک از مجموعه های باز از توپولوژی موجود نیست، و در نتیجه فضا اصل T راضی نیست 1 . در مورد این مثال روشن است: توپولوژی Zariski برای یک حلقه تعاملی Aفضای توپولوژیک مجموعه ای است: به شرح زیر داده است X از همه ایده آل های اول از . پایه توپولوژی توسط مجموعه باز داده ای از ایده آل های اول که نمی حاوی در . ساده است که تأیید کنیم که این در واقع اساس را تشکیل می دهد: بنابراین a ∩ b = ab و 0 = Ø و 1 = X است . مجموعه بسته از توپولوژی ملاقات Zariski مجموعه از ایده آل های اول که انجام حاوی. توجه کنید که چگونه این مثال ماهرانه از مثال توپولوژی cofinite متفاوت است، بالا: نقاط در توپولوژی بسته نشده است، به طور کلی، در حالی که در یک تی 1 فضا، نقاط همیشه بسته است
  • هر کاملا قطع فضای T است 1 ، از هر نقطه است وصل شده و در نتیجه بسته است.

تعاریف دیگر انواع فضاها ویرایش ]

اصطلاحات "T 1 "، "R 0 " و مترادف آنها نیز می توانند به چنین تغییراتی از فضاهای توپولوژی به عنوان فضاهای یکنواخت ، فضاهای کوشی و فضاهای همگرایی استفاده شوند . مشخصه ای که مفهوم را در همۀ این نمونه ها متحد می کند این است که محدودیت های اولترافیلترهای ثابت (یا شبکه های ثابت ) منحصر به فرد (برای فضاهای T 1 ) یا منحصر به فرد به تناقض توپولوژی (برای فضاهای R 0 ) هستند.

همانطور که معلوم می شود، فضاهای یکنواخت و به طور کلی فضاهای کوشی همیشه R 0 هستند ، بنابراین شرایط T 1 در این موارد به حالت T 0 کاهش می یابد . اما R 0 به تنهایی می تواند یک وضعیت جالب در سایر انواع فضاهای همگرایی مانند فضاهای پیش بینی شده باشد.

 

ادامه نوشته

تاریخچه قوانین جدایی

تاریخچه قوانین جدایی

axioms جدایی
در فضاهای توپولوژیکی
طبقه بندی کلموگروف
T 0 (کلموگروف)
ت 1 (Fréchet)
T 2 (هاستورف)
T 2 ½(اروسوهن)
به طور کامل T 2 (کاملا Hausdorff)
T 3 (Hausdorff به طور منظم)
(Tychonoff)
T 4 (Hausdorff طبیعی)
T 5 
 Hausdorff کاملا طبیعی )
T 6 (کاملا طبیعی 
 Hausdorff)
  • تاریخ

این مقاله فهرستی از منابع را شامل می شود ، اما منابع آن همچنان نامشخص است، زیرا استنادات کافی در آنندارند . لطفا با ارائه سندی دقیقتر به بهبود این مقاله کمک کنید . ( اکتبر 2014 ) یاد بگیرید چگونه و هنگام حذف این پیام الگو )

تاریخ بدیهیات جدایی در توپولوژی عمومی است پیچیده و دشوار شده است، با بسیاری از معانی رقابت برای شرایط و بسیاری از شرایط رقابت برای همان مفهوم.

 

فهرست

ریشه ویرایش ]

پیش از تعریف فعلی عمومی فضای توپولوژیکی ، تعاریف متعددی ارائه شد، بعضی از آن ها (آنچه ما در حال حاضر به آن فکر می کنیم) بعضی از اصطلاحات جدایی وجود دارد. به عنوان مثال، تعریف ارائه شده توسط فلیکس هاوسورف در سال 1914 معادل تعریف مدرن و اصل خلاقیت هوسدورف است .

بدیهیات جدایی، به عنوان یک گروه، در این مطالعه از مهم تبدیل شد metrisability این سوال که فضاهای توپولوژیک می توان با توجه به: ساختار یک فضای متریک . فضاهای متریک همه اصول تفکیک پذیری را برآورده می کنند؛ اما در حقیقت، مطالعه فضایی که تنها برخی از اصول را برآورده می کند، به ساختن مفهوم تمامیت پذیری کامل کمک می کند.

محورهای جداسازی که در ابتدا با هم مورد مطالعه قرار گرفتند، عناصری برای فضاهای در دسترس ، فضاهای هادورف ، فضاهای منظم و فضاهای طبیعی بود . توپولوژیست این کلاس های فضایی را به نام های T 1 ، T 2 ، T 3 و T 4 اختصاص داده است . بعدها این سیستم شماره گذاری به ترتیب شامل T 0 ، T 2½ ، T 3½ (یا T π )، T 5 و T 6 بود .

اما این دنباله مشکلاتی داشت. قرار بود این ایده باشد که هر فضای T i یک نوع خاص از فضای Tj است اگر i  > j . اما این لزوما درست نیست، به عنوان تعاریف متفاوت است. به عنوان مثال، یک فضای منظم (به نام T 3 ) لازم نیست که یک فضای Hausdorff باشد (T 2 نامیده می شود )، حداقل بر اساس ساده ترین تعریف فضاهای منظم نیست.

تعاریف مختلف ویرایش ]

هر نویسنده در T 0 ، T 1 و T 2 موافقت کرد . با این حال، برای دیگر محرک ها، نویسندگان مختلف می توانند از تعاریف به طور قابل توجهی متفاوت استفاده کنند، بسته به اینکه چه کار می کنند. این تفاوت ها می تواند به دلیل توسعه، اگر یکی فرض می شود که یک فضای توپولوژیک ارضا T 1 اصل، پس از آن تعاریف مختلف هستند (در اکثر موارد) معادل است. بنابراین، اگر کسی این فرض را بپذیرد، پس می خواهید از ساده ترین تعریف استفاده کنید. اما اگر کسی این فرض را نداشته باشد، ساده ترین تعریف ممکن است مناسب ترین مفهوم مفید باشد؛ در هر صورت، تلقی (انتقال) T i توسط T j را از بین می برد، اجازه می دهد (برای مثال) فضاهای منظم غیر Hausdorff.

به طور کلی ، توپولوژیست هایی که بر روی مشکل متریستیز کار می کنند، T 1 را قبول می کنند ؛ بعد از همه، فضاهای متریک T 1 هستند . بنابراین، آنها از ساده ترین تعاریف برای T i استفاده می کنند . سپس، برای کسانی موارد هنگامی که آنها نمی T فرض 1 ، آنها کلمات استفاده می شود ( "عادی" و "عادی") برای تعریف پیچیده تر است، به منظور آنها را در تقابل با آنهایی که ساده تر است.این روش در اواخر سال 1970 با انتشار نمونه های مخالف در توپولوژی توسط لینن ا. استین و جی آرتور سیبچ جونیور استفاده شد.

در مقابل، توپولوژیستهای عمومی ، که تحت رهبری جان ل. کلیلی در سال 1955 به طور معمول، T 1 را نپذیرفتند ، به این ترتیب از ابتدای تفکر جدایی در بزرگترین کلیت مورد مطالعه قرار گرفتند.آنها از تعاریف پیچیده تر برای T i استفاده می کنند ، به طوری که آنها همیشه دارای اموال خوب مربوط به T i به T j هستند . سپس، برای تعاریف ساده تر، آنها از کلمات استفاده می کنند (دوباره، "منظم" و "طبیعی"). می توان گفت هر دو کنوانسیون به معنای "اصل" پیروی می کند؛ معانی مختلف برای T 1 یکسان هستندفضاها، که زمینه اصلی بود. اما نتیجه این بود که نویسندگان مختلف از اصطلاحات مختلف به شیوه های دقیق مخالف استفاده می کردند. بعلاوه بعضی ادبیات تمایز بین تمایز قضایی و فضایی را که منطبق با عقیده است، به وجود می آورد، به طوری که فضای T 3 ممکن است نیاز به برآورده کردن عبارات T 3 و T 0 (به عنوان مثال، در دیکشنری دایره المعارف ریاضیات ، ویرایش دوم.)

از سال 1970، شرایط عمومی توپولوژیست ها در حال افزایش است، از جمله در سایر شاخه های ریاضیات، مانند تجزیه و تحلیل . (بنابراین ما از شرایط آنها در ویکی پدیا استفاده می کنیم.) اما استفاده هنوز هم سازگار نیست.

کاملا Hausdorff، Urysohn، و T 2½ فضایی ویرایش ]

مقاله اصلی: فضایی کاملا Hausdorff

استین و Seebach فضای Urysohn را "فضایی با عملکرد Urysohn برای هر دو نقطه" تعریف می کنند. ویلارد این را فضایی کاملا Hausdorff می نامد. استین و سیبخ فضایی کاملا Hausdorff یا فضای T 2½ را به عنوان فضایی تعریف می کنند که هر دو نقطه از طریق محدوده های بسته جدا می شوند، که ویلارد فضای Urysohn یا T 2½ را فراخوانی می کند. (ویکارد ویکیپدیا را دنبال می کند.)

 

ادامه نوشته

فضای کلموگروف

فضای کلموگروف

axioms جدایی
در فضاهای توپولوژیکی
طبقه بندی کلموگروف
T 0 (کلموگروف)
ت 1 (Fréchet)
T 2 (هاستورف)
T 2 ½(اروسوهن)
به طور کامل T 2 (کاملا Hausdorff)
T 3 (Hausdorff به طور منظم)
(Tychonoff)
T 4 (Hausdorff طبیعی)
T 5 
 Hausdorff کاملا طبیعی )
T 6 (کاملا طبیعی 
 Hausdorff)

در توپولوژی و شاخه های مرتبط با ریاضیات ، یک فضای توپولوژیک X یک فضای T 0 یا فضای کلموگروف است (به نام Andrey Kolmogorovنامیده می شود) اگر برای هر جفت نقطه متمایز از X ، حداقل یکی از آنها دارای یک محله که حاوی دیگری نیست. در فضای T 0 ، تمام نقاط از لحاظ توپولوژی قابل تشخیص هستند .

این وضعیت، به نام T 0 شرایط ، از ضعیف ترین است بدیهیات جدایی . تقریبا تمام فضاهای توپولوژیکی که به طور معمول در ریاضیات مورد مطالعه قرار می گیرند فضاهای T 0 هستند. به طور خاص، تمام فضاهای T 1 ، یعنی تمام فضاهای که در آن برای هر جفت نقاط متمایز، هر کدام دارای یک محله نیستند، فضاهای T 0 هستند. این شامل تمام فضاهای T 2 (یا Hausdorff) است ، یعنی همه فضاهای توپولوژیکی که در آن نقاط متمایز محله های غیر مجاور هستند. با توجه به فضای توپولوژیکی می توان یک فضای T 0 را با شناسایی نقاط غیر قابل تشخیص از لحاظ توپولوژیک ساخت.

T 0 فضاهای که T نمی 1 فضاهای دقیقا کسانی که فضاهای که پیش فروش تخصصی کوچک اما با اهمیت است ترتیب جزئی . این فضاها به طور طبیعی در علوم کامپیوتری رخ می دهد ، به ویژه در معانی معانی .

 

فهرست

تعریف ویرایش ]

یک فضای T 0 یک فضای توپولوژی است که در آن هر جفت نقطه مشخص از لحاظ توپولوژی قابل تشخیص است . یعنی، برای هر دو نقطه مختلف x و y یک مجموعه باز است که حاوی یکی از این نکات است و نه دیگری وجود دارد.

توجه داشته باشید که نقاط قابل تشخیص توپولوژیک به طور خودکار متمایز می باشند. از سوی دیگر، اگر singleton مجموعه { x } و { y } را از هم جدا کنند ، نقاط x و y باید از لحاظ توپولوژی قابل تشخیص باشند. به این معنا که،

⇒ جداگانه ⇒ قابل تشخیص topologically ⇒ مجزا

به طور کلی، ویژگی تمایزات توپولوژیک، قوی تر از جدا شدن، اما ضعیف تر از جدا شدن است. در فضایی T 0 ، فلش دوم بالا سمت چپ؛ نقاط مشخص هستند اگر و فقط اگر آنها قابل تشخیص باشند.این به این معنی است که اصل T 0 با بقیه محورهای جداسازی همخوانی دارد .

نمونه ها و نمونه های مخالف ویرایش ]

تقریبا تمام فضاهای توپولوژیکی که به طور معمول در ریاضیات مورد مطالعه قرار می گیرند T 0 هستند . به طور خاص، تمام فضاهای Hausdorff (T 2 ) و T 1 فضاهای T 0 هستند .

فضاهای غیر T 0 ویرایش ]

فضایی که T 0 است اما نه T 1 ویرایش ]

عملیات با T 0 فضاهای ویرایش ]

نمونه هایی از فضای توپولوژی به طور معمول مورد مطالعه قرار T 0 هستند . در حقیقت، وقتی ریاضیدانان در بسیاری از زمینه ها، به ویژه تجزیه و تحلیل ، به طور طبیعی در فضاهای غیر T 0 اجرا می شوند، معمولا آنها را با فضاهای T 0 جایگزین می کنند ، به نحوی که در زیر توضیح داده شود. برای ایجاد انگیزه ایده ها، یک مثال مشهور را در نظر بگیرید. فضای L 2 ( R ) به معنای فضای تمام توابع قابل اندازه گیری f از خط واقعی R به پیچیده است، به طوری که انتگرال Lebesgue از | f ( x ) | 2بیش از تمام خط واقعی محدود است . این فضا باید یک تبدیل فضای برداری رو هنجار با تعریف هنجار || f || می شود ریشه مربع که انتگرال. مشکل این است که این واقعا یک هنجار نیست، فقط یک سینمور است ، زیرا توابع دیگری غیر از عملکرد صفر وجود دارد که (نیمه) هنجار صفر است . راه حل استاندارد این است که L 2 ( R ) را تعریف کنیم که مجموعه ای از کلاس های هم ارز توابع به جای مجموعه ای از توابع به طور مستقیم باشد. این یک فضای فضایی ایجاد می کنداز فضای بردار اصلی cognomm، و این فاکتور یک فضای بردار ناحیه است. چندین ویژگی راحت از فضای semicomed به ارث برده است؛ زیر را ببینید

به طور کلی، هنگام برخورد با یک توپولوژی ثابت T در مجموعه X ، اگر این توپولوژی T 0 باشد ، مفید است . از سوی دیگر، زمانی که X ثابت است اما T مجاز است در مرزهای مشخصی متفاوت باشد، T به T 0 ممکن است ناخوشایند باشد، زیرا توپولوژی غیر T 0 اغلب موارد خاص مهمی است. بنابراین، می تواند برای درک هر دو نسخه T 0 و غیر T 0 از شرایط مختلف که می تواند در یک فضای توپولوژی قرار داده شود، مهم باشد.

مقیاس کلموگروف ویرایش ]

عدم تمایز توپولوژیکی نقاط یک رابطه همبستگی است . مهم نیست که چه فضایی توپولوژیکی X ممکن است شروع شود، فضای تقریبی زیر این رابطه همبستگی همیشه T 0 است . این فضا خارج قسمت است به نام بهره کولموگروف از X ، که ما KQ (دلالت X ). البته، اگر X برای شروع از T 0 باشد ، پس KQ ( X ) و X به طور طبیعی هومورفیک هستند . به طور دسته جمعی، فضاهای کلموگروف یک زیرمجموعه بازتابنده از فضاهای توپولوژیک است و فاکتور کلموگروف بازتابنده است.

فضاهای توپولوژیکی X و Y هستند کولموگروف معادل که خارج قسمت کولموگروف خود homeomorphic هستند. بسیاری از خواص فضاهای توپولوژیکی با این معادله حفظ می شوند؛ یعنی اگر Xو Y معادل Kolmogorov باشند، X دارای چنین اموری است اگر و فقط اگر Y باشد. از سوی دیگر، بسیاری از دیگر خواص فضاهای توپولوژیک اشاره T 0 -ness؛ یعنی اگر X چنین اموری داشته باشد، X باید T 0 باشد. فقط چند خواص، مانند یک فضای نامطلوب، به استثنای این قانون انگشت شست است. حتی بهتر است که بسیاری از ساختارهای تعریف شده در فضاهای توپولوژیکی بین Xو KQ ( X ) منتقل شوند. نتیجه این است که اگر شما یک فضای توپولوژیک غیر T 0 با ساختار یا ویژگی خاص داشته باشید، معمولا می توانید یک فضای T 0 با ساختارها و خواص مشابه با در نظر گرفتن فاکتور Kolmogorov ایجاد کنید.

مثال L 2 ( R ) این ویژگی ها را نمایش می دهد. از نقطه نظر توپولوژی، فضای بردار semiconmed که ما با آن شروع کردیم، ساختار اضافی زیادی دارد؛ به عنوان مثال، آن را به یک استفضای برداری ، و آن را تا seminorm، و این تعریف یک pseudometric و یک ساختار یکنواخت که سازگار با توپولوژی است. همچنین خواص چندین ساختار وجود دارد؛ به عنوان مثال، سمینار منطبق با هویت یکسان است و ساختار یکنواخت کامل است . فضای T 0 از هر دو تابع در L 2 ( R ) که در تقریبا همه جا برابر است نیستبا این توپولوژی قابل تشخیص نیستند. هنگامی که ما فاکتور کلموگروف را تشکیل می دهیم، واقعی L 2 ( R )، این سازه ها و خواص حفظ می شوند. بنابراین، L 2 ( R ) همچنین یک فضای برداری کامل semiconmedis رضایت هویت parallelogram است. اما ما واقعا کمی بیشتر از آنجایی که فضا اکنون T 0 است ، کمی بیشتر می شود . یک سونگومتر یک عنصر است اگر و فقط اگر توپولوژی زیر آن T 0 باشد ، بنابراین L 2 ( R ) در واقع یک فضای بردار نوری ساده است که منطبق با هویت رگلاتورم است - در غیر این صورت به عنوان یک فضای هیلبرت شناخته می شود . و این یک فضای هیلبرت است که ریاضیدانان (و فیزیکدانان ، درمکانیک کوانتومی ) معمولا میخواهید مطالعه کنید. توجه داشته باشید که علامت L 2 ( R ) معمولا فاکتور Kolmogorov را تعریف می کند، مجموعه ای از کلاس های هم ارز از توابع یکپارچه مربع که در مجموعه های اندازه گیری صفر متفاوت است، و نه فقط فضای بردار توابع یکپارچه مربع که نشان می دهد.

حذف T 0 ویرایش ]

اگر چه هنجارها به طور تاریخی تعریف شده بودند، مردم نیز با تعریف سمینار شناخته می شدند، که نوعی نسخه غیر استاندارد T 0 است. به طور کلی، می توان نسخه های غیر T 0 از هر دو ویژگی و ساختار فضاهای توپولوژیکی را تعریف کرد. ابتدا یک ویژگی از فضاهای توپولوژیکی مانند Hausdorff را در نظر بگیرید . سپس می توان یک ویژگی دیگر از فضاهای توپولوژیک را با تعریف فضایی X برای رضایت ملک تعریف کرد اگر و فقط اگر فاکتور کلموگروف KQ ( X ) Hausdorff باشد. این معقول و معقول است، هرچند کمتر مشهور است؛ در این مورد، از جمله فضای X نامیده می شود preregular. (حتی معلوم می شود که تعریف مستقیم از مقدمه پیشین وجود دارد). در حال حاضر یک ساختار را می توان در فضاهای توپولوژیکی مانند یک متریک قرار داد . ما می توانیم یک ساختار جدید را در فضاهای توپولوژیکی تعریف کنیم و اجازه دهیم نمونه ای از ساختار در X به سادگی یک متریک در KQ ( X ) باشد. این یک ساختار منطقی در X است ؛ این یک شبه شماراست (باز هم، تعریف مستقیمتری از شبه سنجی وجود دارد.)

به این ترتیب، یک روش طبیعی برای حذف T 0 -ness از الزامات برای یک دارایی یا ساختار وجود دارد. به طور کلی ساده تر است که فضایی را که T 0 است ، مطالعه کنید، اما ممکن است ساده تر اجازه دادن به ساختارهایی که T 0 نیستند برای گرفتن تصویر کامل تر باشد. الزامات T 0 را می توان با استفاده از مفهوم فاکتور Kolmogorov به طور خودسرانه اضافه یا حذف کرد.

ردههای صفحه :

ادامه نوشته

فضای Hausdorff

فضای Hausdorff

axioms جدایی
در فضاهای توپولوژیکی
طبقه بندی کلموگروف
T 0 (کلموگروف)
ت 1 (Fréchet)
T 2 (هاستورف)
T 2 ½(اروسوهن)
به طور کامل T 2 (کاملا Hausdorff)
T 3 (Hausdorff به طور منظم)
(Tychonoff)
T 4 (Hausdorff طبیعی)
T 5 
 Hausdorff کاملا طبیعی )
T 6 (کاملا طبیعی 
 Hausdorff)

در توپولوژی و شاخه های مرتبط با ریاضیات ، یک فضای هاسدورف ، فاصله از هم جدا و یا T 2 فضای یک فضای توپولوژیک که در آن برای هر دو نقطه مجزا وجود دارد وجود دارد یک محله از هر که از متلاشی شدن از این محله ها از سوی دیگر است. از بسیاری از عبارات جدایی که می توان در یک فضای توپولوژیک تحمیل کرد، "شرایط هوادارف" (T 2 ) بیشتر مورد استفاده و بحث قرار می گیرد. این امر منحصر به فرد محدودیت های توالی ها ، شبکه ها و فیلترها است.

فضاهای Hausdorff به نام فلیکس هاستورف ، یکی از بنیانگذاران توپولوژی نامگذاری شده اند . تعریف اولیه Hausdorff از فضای توپولوژیکی (در سال 1914) شامل شرایط Hausdorff به عنوان یک اصل است .

 

فهرست

تعاریف ویرایش ]

نقاط x و y، توسط محله های مربوط U و V جدا می شوند.

امتیاز X و Y در یک فضای توپولوژیک X می توان توسط محله جدا اگر وجود دارد وجود دارد محله U از X و یک محله V از Y که U و Vهستند متلاشی شدن ( U ∩ V = ∅ ). X یک فضای Hausdorff است اگر تمام نقاط متمایز در X جفت محله جدا باشد. این شرایط سومین جدایی جدایی است (بعد از T 0و T 1 )، به همین دلیل است که فضاهای Hausdorff نیز فضاهای T 2 نامیده می شود . فضای نامی نیز استفاده شده است.

یک مفهوم مرتبط، اما ضعیفتر، یک فضای پیشگیرانه است . X یک فضای پیش فرض است اگر هر دو نقاط قابل تشخیص از لحاظ توپولوژیکی می توانند با محله های مجزا جدا شوند. فضاهای Preregular نیز نامیده می شود R 1 فضاهای .

رابطه بین این دو شرایط به شرح زیر است. فضای توپولوژیک Hausdorff است اگر و فقط اگر آن دو پیش رگولار (یعنی نقاط قابل تشخیص از لحاظ توپولوژی توسط محله ها جدا شده) و Kolmogorov (یعنی نقاط متمایز از لحاظ توپولوژی قابل تشخیص). فضای توپولوژیک پیشگویی شده است اگر و فقط اگر فاکتور کلموگروف آن هوسردورباشد.

معادل سازی ویرایش ]

برای یک فضای توپولوژیک X ، زیر معادل هستند:

  • X یک فضای Hausdorff است.
  • محدودیت های شبکه در X منحصر به فرد است. [1]
  • محدودیت های فیلتر در X منحصر به فرد است. [2]
  • هر مجموعه تک تک x } ⊂ X برابر با تقاطع همه محدوده های بسته از x است . [3] (یک محدوده بسته از x یک مجموعه بسته است که حاوی مجموعه باز است که حاوی x است .)
  • مورب Δ = {( x ، x ) | X ∈ X } است بسته به عنوان یک زیر مجموعه از فضای X × X .

مثالها و غیر نمونه ویرایش ]

تقریبا تمام فضاهای موجود در تجزیه و تحلیل ، Hausdorff هستند؛ مهمتر از همه، اعداد واقعی (تحت توپولوژی استاندارد متریک بر روی اعداد واقعی) یک فضای هوسدورف هستند. به طور کلی، همه فضاهای متریک Hausdorff هستند. در حقیقت، بسیاری از فضاهای استفاده در تجزیه و تحلیل، مانند گروه توپولوژیکی و چندجملهای توپولوژیک ، شرایط هوسدورف را به صراحت در تعاریف آنها بیان می کنند.

یک نمونه ساده از یک توپولوژی که T 1 است اما Hausdorff نیست، توپولوژی مختلط است که در مجموعه بی نهایت تعریف شده است .

فضاهای پهلوانی معمولا هوسردور نیستند، اما آنها پیش زمینه هستند و استفاده از آنها در تجزیه و تحلیل معمولا تنها در ساخت فضاهای سنجنده هادسون است . در حقیقت، زمانی که تحلیلگران در یک فضای غیر هوسدورف حرکت می کنند، هنوز هم احتمالا حداقل مقدمه ای است، و پس از آن آنها به سادگی جایگزین آن با فاکتور کلموگروف می شوند، که هادسفورد است. [4]

در مقابل، فضاهای غیر رگولار اغلب در جبر انتزاعی و هندسه جبری ، به ویژه به عنوان توپولوژی Zariski در تنوع جبری یا طیف حلقه، مواجه می شوند . آنها همچنین در بوجود می آیند نظریه مدلاز منطق شهودی : هر کامل جبر هیتینگ جبر است مجموعه باز برخی از فضای توپولوژیک، اما این فضای لازم نیست preregular، بسیار کمتر هاسدورف، و در واقع معمولا نه است. مفهوم مرتبطدامنه اسکات همچنین شامل فضاهای غیر جسورانه است.

در حالی که وجود محدودیت منحصر به فرد برای شبکه همگرا و فیلتر نشان میدهد که یک فضای هاسدورف است، غیر هاسدورف T وجود دارد 1 فضاهای که در آن هر دنباله همگرا دارای محدودیت منحصر به فرد. [5]

خواص ویرایش ]

زیرسیستمها و محصولات فضاهای هوسدورف Hausdorff هستند، [6] اما فضاهای فضایی فضاهای Hausdorff باید Hausdorff نیست. در حقیقت، هر فضای توپولوژیک می تواند به عنوان فاکتور فضایی هوسدورف شناخته شود. [7]

فضاهای Hausdorff T 1 است ، به این معنی که تمام تک سلول ها بسته شده اند. به طور مشابه، فضاهای پیش رونده R 0 است .

یکی دیگر از خصوصیات فضاهای هادسفرد این است که مجموعه های جمع و جور همیشه بسته هستند. [8] این ممکن است در فضاهای غیر هوسدورف مانند فضای Sierpiński شکست بخورد .

تعریف یک فضای هوسدرف می گوید که نقاط می توانند توسط محله ها جدا شوند. به نظر می رسد که این به معنی این چیزی است که به ظاهر قوی تر: در یک فضای هاسدورف هر جفت از مجموعه جمع و جور مجزا نیز می تواند با محله از هم جدا شوند، [9] به عبارت دیگر یک محله از یک مجموعه و یک محله از دیگر، از جمله وجود دارد که دو محله بی ارتباط هستند. این یک مثال از قاعده کلی است که مجموعه های جمع و جوری اغلب مانند نقاط رفتار می کنند.

شرایط کامپکتیو همراه با پیش شرطی اغلب به معنی تمایل جدایی جدی تر است. به عنوان مثال، هر فضای پیش فرض محلی جمع و جور به طور کامل منظم است . جمع و جور فضاهای preregular هستند طبیعی ، به این معنی که آنها برآورده لم Urysohn و در و Tietze قضیه پسوند و پارتیشن وحدت تابع محلی محدود را پوشش می دهد باز . نسخه های Hausdorff این اظهارات عبارتند از: هر فضای Hausdorff فضای محلی Tychonoff است ، و هر فضای Hausdorff جمع و جور Hausdorff طبیعی است.

نتایج زیر برخی از ویژگی های فنی در مورد نقشه ( مستمر و در غیر این صورت) و از فضاهای Hausdorff است.

اجازه دهید f  : X → Y یک تابع پیوسته و فرض کنیم Y Hausdorff است. سپس نمودار از F ،{\ displaystyle \ ((x، f (x)) \ mid x \ in X \}}\ {(x، f (x)) \ mid x \ in X \}، زیر مجموعه ای از X × Y است .

اجازه دهید f  : X → Y یک تابع باشد و اجازه دهید{\ displaystyle \ operatorname {ker} (f) \ triangleq \ ((x، x ') \ mid f (x) = f (x') \}}\ operatorname {ker} (f) \ triangleq \ ((x، x ') \ mid f (x) = f (x') \}هسته آن به عنوان زیرمجموعه X × X در نظر گرفته می شود .

  • اگر f ثابت باشد و Y Hausdorff باشد، ker ( f ) بسته است.
  • اگر f یک جسم باز است و ker ( f ) بسته است، Y Hausdorff است.
  • اگر f یک سرکوب مستمر و باز است (به عنوان مثال یک نقشه توزیع باز)، Y Hausdorff است اگر و فقط اگر ker (f) بسته باشد.

اگر f، g  : X → Y نقشه های پیوسته و Y Hausdorff و سپس اکولایزر باشد {\ displaystyle {\ mbox {eq}} (f، g) = \ {x \ mid f (x) = g (x) \}}{\ mbox {eq}} (f، g) = \ {x \ mid f (x) = g (x) \}در X بسته است این شرح است که اگر Y هاسدورف است و F و G در دیدن همه موارد متراکم زیر مجموعه ای از X پس از آن F = G . به عبارت دیگر، توابع پیوسته به فضاهای Hausdorff با ارزش های خود را در زیر مجموعه های متراکم تعیین می شود.

اجازه دهید F  : X → Y یک بسته تابع پوشا به طوری که -1 ( Y ) است جمع و جور برای همه Y ∈ Y . سپس X اگر Hausdorff است، بنابراین Y است .

اجازه دهید f  : X → Y یک نقشه تقریبی با X یک فضای Hausdorff فشرده باشد. بعدی ها برابر هستند:

Preregularity در مقابل نظم ویرایش ]

همه فضاهای منظم ، پیش فرض هستند، همانطور که همه فضاهای Hausdorff هستند. نتایج زیادی برای فضاهای توپولوژیکی وجود دارد که برای فضاهای منظم و هسدورف نگهداری می شود. اغلب این نتایج برای تمام فضاهای پیش فرض نگهداری می شود. آنها به طور جداگانه برای فضاهای منظم و هوسدورف فهرست شده اند، زیرا بعد از آن ایده فضاهای پیش رونده به وجود آمد. از سوی دیگر، آن نتایج که واقعا در مورد منظم بودن به طور کلی نیز به فضاهای هادسفری غیر منظم اعمال می شود.

موقعیت های زیادی وجود دارد که شرایط دیگری از فضاهای توپولوژیکی (مانند پارا کمپلکت یا فشرده سازی محلی ) به صورت منظم، اگر پیش شرطی راضی باشد، وجود دارد. چنین شرایطی معمولا در دو نسخه ارائه می شود: نسخه معمولی و یک نسخه هوسدورف. فضاهای Hausdorff معمولا به طور منظم نیستند، فضایی Hausdorff نیز (به عنوان مثال) به طور محلی جمع می شود به طور منظم، زیرا هر فضای هوسدورف پیش فرض است. بنابراین از دیدگاه خاصی، این امر به جای منظم بودن، پیش شرطی است که در این شرایط مهم است. با این حال، تعاریف معمولا با توجه به منظم بیان می شوند، زیرا این شرایط بهتر از پیش گرایی شناخته شده است.

برای کسب اطلاعات بیشتر در مورد این موضوع، تاریخچه مفاهیم جدایی را ببینید .

واژگان ویرایش ]

اصطلاحات "هاوسدورف"، "جدا شده" و "مقدمه" نیز می تواند به چنین گونه هایی در فضاهای توپولوژیکی به عنوان فضاهای یکنواخت ، فضاهای کوشی و فضاهای همگرایی استفاده شود . مشخصه ای که مفهوم را در همۀ این نمونه ها متحد می سازد این است که محدودیت های شبکه ها و فیلترها (در صورت وجود) منحصر به فرد هستند (برای فضاهای جدا شده) و یا منحصر به فرد به تناقض توپولوژیکی (برای فضاهای پیش فرض).

همانطور که معلوم است، فضای یکنواخت، و به طور کلی فضاهای کوشی، همیشه preregular، به طوری که شرایط هاسدورف در این موارد را کاهش می دهد به آن T 0 وضعیت. این ها همچنین فضایی هستند که کامل بودن آن را معنی می دهد و Hausdorffness ترکیبی طبیعی برای تکمیل این موارد است. به طور خاص، یک فضای کامل اگر و تنها اگر هر خالص کوشی است در استحداقل یکی از این محدودیت، در حالی که یک فضای هاسدورف است اگر و تنها اگر هر خالص کوشی است در بسیاری از یکی از این محدودیت (از آنجا که تنها شبکه کوشی می توانید محدودیت در وهله اول).

جبر توابع ویرایش ]

جبر عملیات پیوسته (واقعی یا پیچیده) در فضایی هادسفورد فشرده یک C-algebra تعاملی است ، و بر خلاف قضیه Banach-Stone می توان توپولوژی فضا را از خواص جبری جبر آن تابع پیوسته بازیابی کرد. این به هندسه غیرقابل جبری منجر می شود ، جایی که یک C-algebras غیر غیر قابل خواندن را به عنوان جبری از توابع در یک فضای غیرمنتظره نشان می دهد.

طنز علمی ویرایش ]

  • شرایط Hausdorff توسط pun نشان داده شده است که در فضاهای Hausdorff هر دو نقطه می تواند "جدا" از یکدیگر توسط مجموعه های باز . [10]
  • در موسسه ریاضی دانشگاه بن ، که در آن فلیکس هاستورف تحقیق و سخنرانی کرده است، یک اتاق مشخص وجود دارد که Hausdorff-Raum را تعیین می کند . این پانویس است، به عنوانRaum معنی هر دو اتاق و فضا در آلمان است.

همچنین نگاه کنید به ویرایش ]

ادامه نوشته

rysohn و فضاهای کاملا Hausdorff

از ویکیپدیا، دانشنامه آزاد

 

axioms جدایی
در فضاهای توپولوژیکی

طبقه بندی کلموگروف

T 0 

(کلموگروف)

ت 1 

(Fréchet)

T 2 

(هاستورف)

T 2 ½

(اروسوهن)

به طور کامل T 2 

(کاملا Hausdorff)

T 3 

(Hausdorff به طور منظم)

T 3½

(Tychonoff)

T 4 

(Hausdorff طبیعی)

T 5 


 Hausdorff کاملا طبیعی )

T 6 

(کاملا طبیعی 
 Hausdorff)

در توپولوژی ، نظم و انضباط در ریاضیات، یک فضای Urysohn و یا T 2½ فضای ، یک است فضای توپولوژیک که در آن هر دو نقطه مجزا می تواند توسط محله بسته جدا . فضای کاملا هاسدورف روشن مورد نیاز ] ، و یا عملکرد فضای هاسدورف ، یک فضای توپولوژیک که در آن هر دو نقطه مجزا می تواند توسط یک جدا شده است تابع پیوسته . این شرایط، محرک های جدایی هستند که تا حدودی قوی تر از آگاهی تئوری Hausdorff T 2 هستند .

 

فهرست

تعاریف ویرایش ]

فرض کنید X یک فضای توپولوژیک است . اجازه دهید x و y در X نقطه باشند .

فضای Urysohn و یک نیز نامیده می شود T 2½ فضای یا T E فضای ، فضایی که در آن هر دو نقطه مجزا می توان با محله بسته جدا شده است.

فضای کاملا هاسدورف ، یا فضای هاسدورف عملکرد ، یک فضای که در آن هر دو نقطه مجزا می توان با یک تابع پیوسته جدا شده است.

کنوانسیون نامگذاری ویرایش ]

مطالعه اصول تفکیک پذیری برای تعارض با کنوانسیون های نامگذاری استفاده می شود. تعاریف مورد استفاده در این مقاله آنهایی است که توسط ویولارد (1970) ارائه شده است و تعاریف مدرن تر هستند. استین و Seebach (1970) و بسیاری از نویسندگان مختلف معکوس تعریف فضاهای کاملا Hausdorff و فضاهای Urysohn. خوانندگان کتاب های درسی در توپولوژی باید مطمئن شوند که تعاریف مورد استفاده توسط نویسنده را بررسی می کنند. برای کسب اطلاعات بیشتر در مورد این موضوع، تاریخچه مفاهیم جدایی را ببینید .

ارتباط با سایر اصطلاحات جدایی ویرایش ]

هر دو نقطه که می تواند توسط یک تابع از هم جدا شوند، می توانند با محدوده های بسته جدا شوند. اگر آنها می توانند با محله های بسته جدا شوند، به وضوح می توانند از طریق محله ها جدا شوند. به این ترتیب است که هر فضایی کاملا هوسدورف Urysohn است و هر فضایی Urysohn Hausdorff است .

همچنین می توان نشان داد که هر فضای هوسدورف منظم Urysohn است و هر فضای Tychonoff (= فضای هوسدورف کاملا به طور منظم) کاملا Hausdorff است. به طور خلاصه ما دارای نکات زیر است:

Tychonoff (T 3½ )

\فلش راست  

هوسردور منظم (T 3 )

\ Downarrow

 

\ Downarrow

کاملا هوسردور

\فلش راست  

Urysohn (T 2½ )

\فلش راست  

هاستورف (T 2 )

\فلش راست  

ت 1

نمونه های متفاوتی را می توان یافت که هیچ کدام از این پیام ها را معکوس نمی کند. [1]

مثالها ویرایش ]

توپولوژي فرمتي طبقه بندي توپولوژي توپولوژي خط واقعي ايجاد شده توسط اتحاد توپولوژي معمول Euclidean و توپولوژي قابل تعيين است . مجموعه هستند باز در این توپولوژی اگر و تنها اگر آنها از شکل هستند U \ که در آن U در توپولوژی اقلیدسی باز است و است قابل شمارش . این فضا به طور کامل Hausdorff و Urysohn است، اما به طور منظم (و بنابراین Tychonoff نیست).

فضاهایی وجود دارند که هوسردور هستند اما نه Urysohn، و فضاهای Urysohn اما کاملا Hausdorff یا Hausdorff به طور منظم وجود دارد. مثالها بی قید و شرط نیستند برای جزئیات بیشتر به Steen و Seebach مراجعه کنید.

منبع

 

https://en.wikipedia.org/wiki/Urysohn_and_completely_Hausdorff_spaces

فضای منظم

فضای منظم

 

axioms جدایی
در فضاهای توپولوژیکی
طبقه بندی کلموگروف
T 0 (کلموگروف)
ت 1 (Fréchet)
T 2 (هاستورف)
T 2 ½(اروسوهن)
به طور کامل T 2 (کاملا Hausdorff)
T 3 (Hausdorff به طور منظم)
(Tychonoff)
T 4 (Hausdorff طبیعی)
T 5 
 Hausdorff کاملا طبیعی )
T 6 (کاملا طبیعی 
 Hausdorff)

در توپولوژی و زمینه های مرتبط با ریاضیات ، یک فضای توپولوژیک X به عنوان فضای منظم نامیده می شود، اگر هر زیرمجموعه C از X و یک نقطه P در C قرار نداشته باشد، غیر همپوشانی محله های باز . [1] بنابراین P و C را می توان از طریق محله ها جدا کرد . این وضعیت به نامAxiom T 3 شناخته شده است . اصطلاح " فضای T 3 " معمولا به معنی " فضای معمول هوسدورف" است"این شرایط نمونه هایی از محرک های جدایی است .

 

فهرست

تعاریف ویرایش ]

نقطه X که توسط یک نقطه به سمت چپ تصویر و یک مجموعه بسته F که توسط یک دیسک بسته به سمت راست تصویر نشان داده شده است، توسط محله های U و V ، که توسط دیسک های باز بزرگتر نمایان می شوند، جدا شده اند .نقطه X دارای مقدار زیادی از اتاق را به تکان دادن در اطراف دیسک باز U ، و دیسک بسته F دارای مقدار زیادی از اتاق را به تکان دادن در اطراف باز دیسک V ، هنوز Uو V یکدیگر را لمس نمی کند.

یک فضای توپولوژیک X یک فضای منظم است ، به شرطی که هر مجموعه بسته F و هر نقطه x که به F تعلق ندارند ، یک محله U از x وجود دارد و یک محله V از F که یکپارچه نیست . به طور خلاصه، آن باید امکان پذیر باشد جدا X و F با محله مجزا.

T 3 فضای یا فضای هاسدورف به طور منظم یک فضای توپولوژیکی است که هر دو به طور منظم و یک است فضای هاسدورف . (A فضای هاسدورف و یا T 2 فضا یک فضای توپولوژیکی که در آن هر دو نقطه مجزا توسط محله جدا شده است.) به نظر می رسد که یک فضای T است 3 اگر و تنها اگر آن است که هر دو به طور منظم و T 0 . (AT 0 یا فضای Kolmogorov یک فضای توپولوژیک است که در آن هر دو نقطه متمایز از لحاظ توپولوژی قابل تشخیص هستند ، یعنی برای هر جفت نقطه مشخص، حداقل یکی از آنها دارای یکمحله بازدر واقع اگر یک فضایی هوسدورف باشد، آن را T 0 است و هر T 0 فضای منظم Hausdorff است: با توجه به دو نقطه متمایز، حداقل یکی از آنها بسته شدن یکی دیگر را نادیده می گیرد، بنابراین (به صورت منظم ) محله های غیر مجزا وجود دارند که از نقطه (بسته شدن) یک نقطه جدا می شوند.

اگر چه تعاریف ارائه شده در اینجا برای "منظم" و "T 3 " غیر معمول نیست، در ادبیات متنوعی وجود دارد: برخی از نویسندگان تعاریف "منظم" و "T 3 " را تغییر می دهند، همانطور که در اینجا استفاده می شوند، یا از هر دو اصطلاح استفاده می کنند تعویض در این مقاله، ما اصطلاح "منظم" را به صورت آزادانه استفاده می کنیم، اما معمولا "هوسدورف منظم" را می گویند، که به وضوح به جز دقیق تر "T 3 " نیست. برای اطلاعات بیشتر در مورد این موضوع، تاریخچه تمثیل را ببینید .

یک فضای منظم محلی یک فضای توپولوژیک است که هر نقطه دارای یک محدوده باز است که به طور منظم است. هر فضای منظم محلی به طور منظم است، اما گفتگو درست نیست. مثال کلاسیک از یک فضای منظم محلی که به طور منظم نیست خط خطای خط چشم است .

ارتباط با سایر اصطلاحات جدایی ویرایش ]

فضای منظم نیز لزوما پیش فرض است ، یعنی هر دو نقاط قابل تشخیص از لحاظ توپولوژیکی می توانند توسط محله ها جدا شوند. از آنجا که یک فضای هاسدورف به عنوان یک preregular است T 0 فضا ، یک فضای به طور منظم که آن هم T 0 باید هاسدورف (و در نتیجه T باشد 3 ). در حقیقت، یک فضای معمولی Hausdorff شرایط تند و تیزتر T 2½ را رفع می کند . (با این حال، چنین فضایی به طور کامل Hausdorff نیست .) بنابراین، تعریف T 3 ممکن است T 0 ، T 1 یا T 2½ را به جای T 2(Hausdorffness)؛ همه در متن فضاهای منظم معادل هستند.

به طور تئوری بیشتر، شرایط منظم و T 3 -newn توسط مقادیر کولموگروف ارتباط دارند . فضای منظم است اگر و فقط اگر فاکتور کلموگروف آن T 3 باشد ؛ و، همانطور که ذکر شد، فضای T 3 استاگر و فقط اگر آن هم منظم و T 0 باشد. بنابراین فضای منظم در عمل معمولا با فرض جایگزینی فضای با فاکتور کلموگروف، T 3 فرض می شود .

نتایج زیادی برای فضاهای توپولوژیکی وجود دارد که برای فضاهای منظم و هسدورف نگهداری می شود. اغلب این نتایج برای تمام فضاهای پیش فرض نگهداری می شود. آنها به طور جداگانه برای فضاهای منظم و هوسدورف فهرست شده اند، زیرا بعد از آن ایده فضاهای پیش رونده به وجود آمد. از سوی دیگر، آن نتایج که واقعا در مورد منظم بودن به طور کلی نیز به فضاهای هادسفری غیر منظم اعمال می شود.

موقعیت های بسیاری وجود دارد که وضعیت دیگری از فضاهای توپولوژیکی (مانند عادی ، پوزیترونومالی ، پارا کمپلکت یا فشرده سازی محلی) اگر منظر جدایی ضعیف تر مثل پیش شرطی راضی باشد، به صورت منظم تلقی می شود. چنین شرایطی معمولا در دو نسخه ارائه می شود: نسخه معمولی و یک نسخه هوسدورف. اگرچه فضاهای Hausdorff به طور کلی به طور منظم نیستند، فضای Hausdorff نیز (به عنوان مثال) محلی فشرده به طور منظم خواهد بود، زیرا هر فضای هوسدورف پیش فرض است. بنابراین از یک منظر خاص، منظم بودن این مسئله واقعا در اینجا نیست و ما می توانیم یک شرایط ضعیف تر را تحمیل کنیم تا نتایج مشابهی بگیریم. با این حال، تعاریف معمولا با توجه به منظم بیان می شوند، زیرا این شرایط بیشتر از همه ضعیف تر شناخته شده است.

بیشتر فضاهای توپولوژیکی مورد مطالعه در تجزیه و تحلیل ریاضی به طور منظم هستند؛ در واقع، آنها معمولا کاملا منظم هستند ، که یک وضعیت قوی تر است. فضاهای منظم نیز باید با فضاهای طبیعی متناسب باشد .

مثالها و نمونههای دیگری ویرایش ]

فضای صفر بعدی با توجه به ابعاد کوچک القایی دارای پایه متشکل از مجموعه clopen . هر فضایی به طور منظم است.

همانطور که در بالا توضیح داده شد، هر فضای منظم به طور منظم به طور منظم است و هر فضای T 0 که Hausdorff نیست (و بنابراین پیش فرض نیست) می تواند منظم نباشد. بیشتر نمونه هایی از فضاهای منظم و غیر منظم در ریاضیات مورد مطالعه در این دو مقاله یافت می شود. از سوی دیگر، فضاهای منظم، اما به طور کامل منظم و یا پیش فرض، اما نه منظم، معمولا فقط برای ارائه نمونه های مخالف به conjectures، نشان دادن مرزهای قواعد ممکن است . البته، به راحتی می توانید فضاهای منظم را که T 0 نیستند و بنابراین هوسدورف، مانند یک فضای نامحدود ، پیدا کنید، اما این مثال ها بینش بیشتری در مورد T 0axiom نسبت به منظم بودن یک نمونه از یک فضای منظم که به طور کامل منظم نیست، کورکش Tychonoff است .

فضای جالب در ریاضیات که به طور منظم نیز برخی شرایط قوی را برآورده می کند. بنابراین، فضاهای منظم معمولا برای پیدا کردن خواص و قضیه، مانند موارد زیر، که در واقع برای فضاهای کاملا منظم، معمولا در تجزیه و تحلیل، مورد استفاده قرار می گیرد.

فضاهای Hausdorff وجود دارد که به طور منظم نیستند. یک مثال R مجموعه با توپولوژی تولید شده توسط مجموعه ای از فرم U - C ، جایی که U یک مجموعه باز به معنای معمول است، و C هر زیر مجموعه قابل شمارش از U است .

خواص اولیه ویرایش ]

فرض کنید X یک فضای منظم است. سپس با توجه به هر نقطه x و محله G از x ، یک محدوده بسته E از x وجود دارد که یک زیر مجموعه از G است . در حالت عجیب، محدوده بسته از x یکپایگاه محلی در x را تشکیل می دهند . در واقع، این ویژگی ویژگی های فضای منظم است. اگر محدوده بسته هر نقطه در یک فضای توپولوژی یک پایگاه محلی در آن نقطه را تشکیل می دهند، فضای باید به طور منظم باشد.

با توجه به فضای داخلی این محله بسته، ما می بینیم که مجموعه های باز به طور منظم تشکیل یک پایه برای مجموعه باز از فضا به طور منظم X . این ویژگی در واقع ضعیف تر از منظم بودن است؛ یک فضای توپولوژیک که مجموعه های منظم باز آن یک پایه را تشکیل می دهند، نیمه رگولار است .

 

ادامه نوشته

فضای Tychonoff

فضای Tychonoff

axioms جدایی
در فضاهای توپولوژیکی
طبقه بندی کلموگروف
T 0 (کلموگروف)
ت 1 (Fréchet)
T 2 (هاستورف)
T 2 ½(اروسوهن)
به طور کامل T 2 (کاملا Hausdorff)
T 3 (Hausdorff به طور منظم)
(Tychonoff)
T 4 (Hausdorff طبیعی)
T 5 
 Hausdorff کاملا طبیعی )
T 6 (کاملا طبیعی 
 Hausdorff)

در توپولوژی و شاخه های مرتبط ریاضیات ، فضاهای Tychonoff و فضاهای کاملا منظم انواع فضاهای توپولوژی است . این شرایط نمونه هایی ازاصول تفکیک است .

فضاهای Tychonoff نامگذاری شده اند، به نام آندری نیکولایویچ تیکونوف نامیده می شود که نام روسی آن (Тихонов) به صورت «تیشونوف»، «تیکونوف»، «تیونوف»، «تیشونوف» و غیره به کار رفته است.

 

فهرست

تعاریف ویرایش ]

فضای توپولوژی، {\ displaystyle X}ایکس، دقیقا به طور دقیق به طور منظم نامیده می شود در صورتی که نقاط می توانند از مجموعه های بسته از طریق (محدود) توابع واقعی پیوسته پیوسته جدا شوند . در شرایط فنی این بدان معنی است: برای هر مجموعه بسته {\ displaystyle A \ subseteq X}A \ subseteq Xو هر نقطه ای {\ displaystyle x \ in X \ setminus A}{\ displaystyle x \ in X \ setminus A}، پس از آن وجود دارد وجود دارد حقیقی تابع پیوسته {\ displaystyle f: X \ longrightarrow \ mathbb {R}}{\ displaystyle f: X \ longrightarrow \ mathbb {R}} به طوری که {\ displaystyle f (x) = 1}f (x) = 1 و {\ displaystyle f \ mid A \ equiv 0}{\ displaystyle f \ mid A \ equiv 0}. (به طور برابر می توان هر دو مقدار را به جای آن انتخاب کرد{\ displaystyle 0}{\ displaystyle 0} و {\ displaystyle 1}1 و حتی خواستار آن هستیم {\ displaystyle f}f یک تابع محدود باشد.)

جدا کردن یک نقطه از یک مجموعه بسته از طریق یک عملکرد مداوم.

فضای توپولوژی، {\ displaystyle X}ایکس، علاوه بر این، فضای Tychonoff (به ترتیب: T 3½ فضا ، یا T π فضا ، یا به طور کامل فضای T 3 )، در صورت آن است که فضایی کاملا به طور منظم Hausdorff است .

یادداشت فضاهای کاملا منظم و فضاهای Tychonoff از طریق مفهوم معادله کلموگروف ارتباط دارند . فضای توپولوژیک Tychonoff اگر و فقط اگر آن را کاملا به طور منظم و T 0 است . از سوی دیگر، فضای کاملا منظم است اگر و فقط اگر فاکتور Kolmogorov آن Tychonoff باشد.

کنوانسیون نامگذاری ویرایش ]

در سراسر ادبیات ریاضی، قراردادهای مختلف در مورد اصطلاح "کاملا منظم" و "T" -Axioms استفاده می شود. تعاریف این بخش در استفاده مدرن مدرن هستند. بعضی از نویسندگان، با این حال، معانی دو نوع اصطلاحات را تغییر می دهند یا از اصطلاحات استفاده می کنند. در ویکیپدیا، اصطلاحات "کاملا منظم" و "Tychonoff" به صورت رایگان استفاده می شود و "T" -notation به طور کلی اجتناب می شود. در ادبیات استاندارد، به این ترتیب، با توجه به تعاریف که نویسنده استفاده می کند، توصیه شده است، توصیه می شود. برای اطلاعات بیشتر در مورد این موضوع، تاریخچه تمثیل را ببینید .

مثالها و نمونه های مخالف ویرایش ]

تقریبا هر فضای توپولوژیک در تحلیل ریاضی مورد مطالعه قرار گرفته است Tychonoff یا حداقل به طور کامل منظم است. به عنوان مثال، خط واقعی Tychonoff تحت توپولوژي Euclideanاستاندارد است . مثالهای دیگر عبارتند از:

خواص ویرایش ]

حفظ ویرایش ]

منظم بودن کامل و اموال Tychonoff با توجه به توپولوژی های اولیه رفتار خوبی دارند . به طور خاص، منظم بودن کامل با استفاده از توپولوژی های دلخواه اولیه حفظ می شود و ویژگی Tychonoff با استفاده از توپولوژی های اولیه جدا سازی نقطه حفظ می شود. نتیجه می شود که:

  • هر زیرمجموعه ای از یک فضای کامل به طور منظم یا Tychonoff دارای همان ویژگی است.
  • فضای محصول غیرمستقیم به طور کامل منظم (Tychonoff) است اگر و فقط اگر هر فضای فاکتور به طور کامل منظم (به ترتیب Tychonoff) باشد.

مثل همه اصول تفکیک، با استفاده از توپولوژی های نهایی ، منظم بودن کامل حفظ نمی شود . به طور خاص، فاكتورهاي فضاي كاملا منظم نياز به منظم بودن ندارند . فضاهای فضاهای Tychonoff حتی Hausdorff نیستند . مقادیر بسته ای از هواپیما مور وجود دارد که نمونه های مخالف را ارائه می دهند.

عملیات مستمر ارزشمند ویرایش ]

برای هر گونه فضای توپولوژیک X ، اجازه دهید C ( X ) دلالت خانواده حقیقی توابع پیوسته در X و اجازه دهید ب ( X ) می شود زیر مجموعه ای از محدود توابع پیوسته و حقیقی.

فضاهای کاملا منظم را می توان با این واقعیت مشخص کرد که توپولوژی آنها به طور کامل توسط C ( X ) یا b ( X ) تعیین می شود. به خصوص:

  • فضای X به طور کامل منظم است اگر و فقط اگر آن توپولوژی اولیه ایجاد شده توسط C ( X ) یا b ( X ) داشته باشد.
  • فضای X به طور کامل منظم است اگر و فقط اگر هر مجموعه بسته را می توان به عنوان تقاطع یک خانواده مجموعه صفر در X نوشته (یعنی مجموعه های صفر، یک مبنای مجموعه های بسته ای از X را تشکیل می دهند ).
  • فضای X به طور کامل منظم است اگر و فقط اگر مجموعه های cozero از X یک مبنای توپولوژی X باشد.

با توجه به یک فضای توپولوژیک دلخواه ( X ، τ) یک راه جهانی برای ارتباط یک فضای کاملا منظم با ( X ، τ) وجود دارد. اجازه دهید ρ یک توپولوژی اولیه در X است که توسط τ ( X ) یا معادل آن، توپولوژی تولید شده توسط پایه مجموعه های czero در ( X ، τ) ایجاد می شود. سپس ρ بهترین توپولوژی به طور کلی منظم در X است که از τ بزرگتر است. این ساختار جهانی است به این معنی که هر عملکرد مداوم

{\ displaystyle f: (X، \ tau) \ to Y}f: (X، \ tau) \ to Y

به یک فضای کاملا منظم Y بطور مداوم روی ( X ، ρ) ادامه خواهد داشت. در زبان تئوری رده از عمل کننده که (می فرستد X ، τ) به ( X ، ρ) است الحاقی چپ به عمل کننده گنجاندن CReg → بالا . بنابراین طبقه بندی فضاهای کاملا منظم CReg یک زیرمجموعه بازتابنده از Top است ، رده فضاهای توپولوژیکی . با در نظر گرفتن مقادیر Kolmogorov ، می بینیم که زیر شاخه فضاهای Tychonoff نیز بازتابنده است.

در واقع می توان نشان می دهد که τ ( X ) = ρ ( X ) در ساخت و ساز بالا طوری که حلقه C ( X ) و ب ( X ) به طور معمول فقط برای فضاهای کاملا به طور منظم مورد مطالعه X .

مجموعه ای از فضای Tychonoff فشرده واقعی ضد معادل با رده حلقه های C ( X ) (جایی که X واقعی است فشرده) همراه با homomorphisms حلقه به عنوان نقشه. به عنوان مثال می توان X را از C ( X ) بازسازی کرد، زمانی که X (واقعی) فشرده است. بنابراین نظریه جبری این حلقه ها موضوع مطالعات شدید است. تعمیم گسترده ای از این کلاس حلقه ها که هنوز هم به خواص بسیاری از فضاهای Tychonoff شباهت دارد، اما همچنین در هندسه جبری واقعی قابل استفاده است ، کلاس حلقه های بسته واقعی است .

پیوندها ویرایش ]

Tychonoff فضاهای دقیقا آن فضاهای است که می تواند تعبیه شده در فضاهای هاسدورف فشرده . بطور دقیقتر، برای هر فضای Tychonoff X ، وجود دارد هاسدورف فضای فشرده وجود دارد Kبه طوری که X است homeomorphic به فضا از K .

در حقیقت، همیشه می توانید K را یک مکعب Tychonoff (یعنی یک محصول احتمالی نامحدود از فواصل واحد ) را انتخاب کنید. هر مکعب Tychonoff Hausdorff فشرده به عنوان یک نتیجه از قضیه Tychonoff است . از آنجا که هر زيرمجموعه فضاي هادسفور فشرده، Tychonoff است:

فضای توپولوژی Tychonoff فقط و فقط اگر آن را می توان در یک مکعب Tychonoff جاسازی شده است .

Compactifications ویرایش ]

علاقه خاص آن درونه گیریها که در آن تصویر هستند X است متراکم در K ؛ اینها Compactifications Hausdorff از X نامیده می شوند . با توجه به جاسازی فضای Tychonoff X در یک فضای Hausdorff فشرده K ، بسته شدن تصویر X در K ، فشردگی X است .

از جمله ترکیبات Hausdorff، منحصر به فرد "عمومی ترین" وجود دارد، Compactification Stone-Čech β X وجود دارد . این است که توسط مشخص اموال جهانی که با توجه به نقشه مداوم F از X به هر فضای دیگر هاسدورف فشرده Y است، وجود دارد منحصر به فرد مستمر نقشه گرم از β X به Y است که گسترش F به این معنا که F است ترکیب از گرم و J .

ساختارهای یکنواخت ویرایش ]

منظم بودن کامل دقیقا شرایط لازم برای وجود ساختارهای یکنواخت در یک فضای توپولوژی است. به عبارت دیگر، هر فضای یکنواخت یک توپولوژی به طور کامل به طور منظم و هر فضای کاملا به طور منظم X است uniformizable . یک فضای توپولوژیک یک ساختار یکنواخت جداگانه را تصویب می کند و تنها اگر Tychonoff باشد.

با توجه به یک فضای کاملا منظم X ، معمولا بیش از یک وحدت در X وجود دارد که سازگار با توپولوژی X است . با این حال، یکنواختی بهتر هماهنگ خواهد شد، که یکنواختی خوب در X نامیده می شود . اگر X Tychonoff باشد، می توان ساختار یکنواخت را انتخاب کرد به طوری که β X به اتمام فضای X یکنواخت می شود .

 

ادامه نوشته

فضای عادی

فضای عادی

از ویکیپدیا، دانشنامه آزاد

پرش به ناوبریپرش به جستجو

برای فضای بردار عادی، عادی (هندسه) را ببینید .

axioms جدایی
در فضاهای توپولوژیکی
طبقه بندی کلموگروف
T 0 (کلموگروف)
ت 1 (Fréchet)
T 2 (هاستورف)
T 2 ½(اروسوهن)
به طور کامل T 2 (کاملا Hausdorff)
T 3 (Hausdorff به طور منظم)
(Tychonoff)
T 4 (Hausdorff طبیعی)
T 5 
 Hausdorff کاملا طبیعی )
T 6 (کاملا طبیعی 
 Hausdorff)

در توپولوژی و شاخه های مرتبط با ریاضیات ، یک فضای عادی است فضای توپولوژیک X که ارضا اصل موضوع T 4 هر دو از متلاشی شدن: بسته مجموعه از X دارند متلاشی محله باز . یک فضای طبیعی Hausdorff نیز یک فضای T 4 نامیده می شود . این شرایط نمونه هایی از تمثیل جدایی است و تقویت های بیشتر آنها فضاهای Hausdorff کاملا طبیعی ، یا فضاهای T 5 و کاملا طبیعی Hausdorff را تعریف می کندیا T 6 فضاهای .

 

فهرست

تعاریف ویرایش ]

فضای توپولوژیک X است فضای عادی اگر، با توجه به هر متلاشی شدن بسته مجموعه E و F وجود دارد محله U از E و V از F است که همچنین متلاشی شدن هستند. به طور مستقیم، این شرایط می گوید که E و F را می توان از طریق محله ها جدا کرد .

مجموعه های بسته E و F، که در اینجا با دیسک های بسته در طرف مقابل تصویر نمایش داده می شوند، توسط محله های مربوطه U و V، که در اینجا به وسیله دیسک های بزرگتر، اما هنوز مجزا نشده اند، جدا شده اند.

T 4 فضای یک T 1 فضای X است که طبیعی؛ این معادل X طبیعی و Hausdorff است .

فضای کاملا طبیعی یا یک فضای ارثی نرمال یک فضای توپولوژیکی است X به طوری که هر فضا از X با توپولوژی فضا یک فضای طبیعی است. معلوم می شود که X به طور کامل طبیعی است اگر و فقط اگر هر دو مجموعه جدا شده را می توان از طریق محله ها جدا شده است.

کاملا T 4 فضای ، و یا T 5 فضای کاملا طبیعی است T 1 فضای توپولوژیک فضا X ، که نشان میدهد که X است هاسدورف ؛ معادل هر زیرمجموعه X باید یک فضای T 4 باشد.

یک فضای کاملا طبیعی فضای توپولوژیک X است که در آن هر دو مجموعه بسته بسته نشده E و F را می توان دقیقا با یک تابع پیوسته f از X به خط واقعی R جدا کرد : پیش نمایشهای {0} و {1} زیر f ، به ترتیب، E و F . (در این تعریف، خط واقعی را می توان با فاصله واحد [0،1] جایگزین کرد .)

معلوم می شود که X کاملا طبیعی است اگر و فقط اگر X طبیعی باشد و هر مجموعه بسته یک مجموعه δ است . معادل آن، X کاملا طبیعی است اگر و فقط اگر هر مجموعه بسته مجموعه صفر است . هر فضایی کاملا طبیعی به طور کامل طبیعی است. [1]

هاسدورف کاملا طبیعی فضای X است T 6 فضای ، و یا کاملا T 4 فضای .

توجه داشته باشید که اصطلاحات "فضای عادی" و "T 4 " و مفاهیم مشتق شده گاهی معنای دیگری دارند. (با این وجود، "T 5 " همیشه به معنای همان "کاملا T 4 " است، هر چه که باشد ممکن است.) تعاریف داده شده در اینجا همانهایی هستند که معمولا امروز استفاده می شوند. برای اطلاعات بیشتر در مورد این موضوع، تاریخچه تمثیل را ببینید .

شرایطی مانند " فضای منظم عادی " و "فضای هوسدورف عادی" نیز در ادبیات مطرح شده است - آنها به سادگی نشان می دهند که فضا هم عادی است و هم شرایط دیگر ذکر شده را ارضا می کند. به طور خاص، یک فضای طبیعی Hausdorff همان چیزی است که یک فضای T 4 است. با توجه به سردرگمی تاریخی معنی عبارات، توصیف کلامی زمانی که قابل اجرا مفید هستند، این است که، "عادی هاسدورف" به جای "T 4 "، یا "کاملا طبیعی هاسدورف" به جای "T 5 ".

به طور کامل فضاهای طبیعی و کاملا T 4 فضاهای در جای دیگر مورد بحث قرار گرفته؛ آنها مربوط به پاراكامپکتیو هستند .

یک فضای طبیعی محلی یک فضای توپولوژی است که هر نقطه دارای یک محدوده باز است که طبیعی است. هر فضای طبیعی به صورت محلی طبیعی است، اما گفتگو درست نیست. یک نمونه کلاسیک از یک فضای طبیعی به طور منظم طبیعی محلی که طبیعی نیست، هواپیما Nemytskii است .

نمونه هایی از فضاهای طبیعی ویرایش ]

بیشتر فضاهای موجود در تجزیه و تحلیل ریاضی ، فضاهای هوسردور طبیعی یا حداقل فضاهای منظم طبیعی هستند:

همچنین، تمام فضاهای طبیعی کاملا طبیعی هستند (حتی اگر منظم نیستند). فضای Sierpinski نمونه ای از فضای عادی است که به طور منظم نیست.

نمونه هایی از فضاهای غیر عادی ویرایش ]

یک نمونه مهم از توپولوژی غیر عادی به وسیله توپولوژی Zariski بر روی یک نوع جبری یا طیف حلقه که در هندسه جبری استفاده می شود، ارائه می شود .

یک فضای غیر عادی مربوط به تحلیل، فضای بردار توپولوژیک تمام توابع از خط واقعی R به خود، با توپولوژی همگرایی نقطه ای است . به طور کلی، یک قضیه ق سنگ می گوید که کالا از غیر قابل شمارش و غیر فشرده فضاهای متریک هرگز طبیعی است.

خواص ویرایش ]

هر زیرمجموعه ای از یک فضای معمولی طبیعی است. تصویر پیوسته و بسته از یک فضای طبیعی طبیعی است. [2]

اهمیت اصلی فضاهای طبیعی در این واقعیت است که آنها اعمال "به اندازه کافی" پیوسته عملکرد واقعی ارزش ، به عنوان بیان شده توسط قواعد زیر برای هر فضای طبیعی X قابل بیان است .

لم Urysohn و در اگر و B دو متلاشی شدن زیر مجموعه ای از بسته X آنگاه یک تابع پیوسته وجود دارد F از X به خط واقعی R به طوری که F ( X ) = 0 برای تمام x را در و F ( X ) = 1 برای تمام X در B . در حقیقت، ما می توانیم مقادیر f را به صورت کامل در فاصله ی واحد [0،1] قرار دهیم. (در شرایط عاشقانه، مجموعه بسته های غیر مجزا نه تنها توسط محله های جدا، بلکه همچنینتوسط یک تابع جدا می شود .)

به طور کلی، پسوند قضیه Tietze : اگر یک زیر مجموعه بسته است X و F یک تابع پیوسته از است به R آنگاه یک تابع پیوسته وجود دارد F : X → R که گسترش F به این معنا که F ( X ) = F ( X ) برای همه X در .

اگر U یک پوشش آزاد محلی محدود از یک فضای طبیعی X است ، پس یک بخش تقسیم وحدت به طور دقیق زیر U وجود دارد . (این نشان می دهد که ارتباط فضاهای طبیعی با پارا کمپلمان )

در واقع هر فضایی که هر یک از این سه شرایط را برآورده می کند باید طبیعی باشد.

یک محصول از فضاهای طبیعی لزوما عادی است. این واقعیت اولین بار توسط رابرت سگنفری ثابت شد . یک مثال از این پدیده، هواپیما Sorgenfrey است . همچنین، یک زیرمجموعه از فضای عادی نیازی به عادی ندارد (یعنی هر فضای معمولی هوسدورف فضایی کاملا طبیعی هوسدورف نیست)، از آنجا که هر فضای Tychonoff یک زیرمجموعه از فشرده سازی استون چچ است (که هوسدورف طبیعی است). مثال صریح تر پلان Tychonoff است . تنها طبقه بزرگ فضای محصول فضاهای طبیعی که به طور عادی شناخته شده هستند، محصولات فضایی هادسفور فشرده هستند، از آنجا که هر دو فشرده سازی ( قضیه تایلوفف ) و قضیه 2 در محصولات دلخواه حفظ می شوند.[3]

ارتباط با سایر اصطلاحات جدایی ویرایش ]

اگر یک فضای طبیعی است R 0 ، سپس آن را در واقع به طور کامل به طور منظم . بنابراین، چیزی که از "R 0 طبیعی " به "کاملا طبیعی" معمول است همان چیزی است که ما معمولا به طور عادی به آن عادت می کنیم . با توجه خارج قسمت کولموگروف ، ما می بینیم که همه طبیعی T 1 فضاهای هستند Tychonoff . این ها چیزی است که ما معمولا فضاهای هادسفور معمولی می نامیم .

یک فضای توپولوژیک است گفته می شود pseudonormal اگر با توجه به دو مجزا مجموعه در آن را بسته که یکی از آنها قابل شمارش است، مجموعه باز متلاشی حاوی آنها وجود دارد. هر فضای طبیعی فضایی است، اما برعکس.

نمونه هایی از بعضی تغییرات در این اظهارات را می توان در لیست های بالا یافت. به طور خاص، فضای Sierpinski طبیعی است، اما به طور منظم نیست، در حالی که فضای توابع از R به خود Tychonoff است، اما نه طبیعی است.

 

ادامه نوشته

axioms جدایی
در فضاهای توپولوژیکی
طبقه بندی کلموگروف
T 0 (کلموگروف)
ت 1 (Fréchet)
T 2 (هاستورف)
T 2 ½(اروسوهن)
به طور کامل T 2 (کاملا Hausdorff)
T 3 (Hausdorff به طور منظم)
(Tychonoff)
T 4 (Hausdorff طبیعی)
T 5 
 Hausdorff کاملا طبیعی )
T 6 (کاملا طبیعی 
 Hausdorff)

در توپولوژی و شاخه های مرتبط با ریاضیات ، یک فضای عادی است فضای توپولوژیک X که ارضا اصل موضوع T 4 هر دو از متلاشی شدن: بسته مجموعه از X دارند متلاشی محله باز . یک فضای طبیعی Hausdorff نیز یک فضای T 4 نامیده می شود . این شرایط نمونه هایی از تمثیل جدایی است و تقویت های بیشتر آنها فضاهای Hausdorff کاملا طبیعی ، یا فضاهای T 5 و کاملا طبیعی Hausdorff را تعریف می کندیا T 6 فضاهای .

 

فهرست

تعاریف ویرایش ]

فضای توپولوژیک X است فضای عادی اگر، با توجه به هر متلاشی شدن بسته مجموعه E و F وجود دارد محله U از E و V از F است که همچنین متلاشی شدن هستند. به طور مستقیم، این شرایط می گوید که E و F را می توان از طریق محله ها جدا کرد .

مجموعه های بسته E و F، که در اینجا با دیسک های بسته در طرف مقابل تصویر نمایش داده می شوند، توسط محله های مربوطه U و V، که در اینجا به وسیله دیسک های بزرگتر، اما هنوز مجزا نشده اند، جدا شده اند.

T 4 فضای یک T 1 فضای X است که طبیعی؛ این معادل X طبیعی و Hausdorff است .

فضای کاملا طبیعی یا یک فضای ارثی نرمال یک فضای توپولوژیکی است X به طوری که هر فضا از X با توپولوژی فضا یک فضای طبیعی است. معلوم می شود که X به طور کامل طبیعی است اگر و فقط اگر هر دو مجموعه جدا شده را می توان از طریق محله ها جدا شده است.

کاملا T 4 فضای ، و یا T 5 فضای کاملا طبیعی است T 1 فضای توپولوژیک فضا X ، که نشان میدهد که X است هاسدورف ؛ معادل هر زیرمجموعه X باید یک فضای T 4 باشد.

یک فضای کاملا طبیعی فضای توپولوژیک X است که در آن هر دو مجموعه بسته بسته نشده E و F را می توان دقیقا با یک تابع پیوسته f از X به خط واقعی R جدا کرد : پیش نمایشهای {0} و {1} زیر f ، به ترتیب، E و F . (در این تعریف، خط واقعی را می توان با فاصله واحد [0،1] جایگزین کرد .)

معلوم می شود که X کاملا طبیعی است اگر و فقط اگر X طبیعی باشد و هر مجموعه بسته یک مجموعه δ است . معادل آن، X کاملا طبیعی است اگر و فقط اگر هر مجموعه بسته مجموعه صفر است . هر فضایی کاملا طبیعی به طور کامل طبیعی است. [1]

هاسدورف کاملا طبیعی فضای X است T 6 فضای ، و یا کاملا T 4 فضای .

توجه داشته باشید که اصطلاحات "فضای عادی" و "T 4 " و مفاهیم مشتق شده گاهی معنای دیگری دارند. (با این وجود، "T 5 " همیشه به معنای همان "کاملا T 4 " است، هر چه که باشد ممکن است.) تعاریف داده شده در اینجا همانهایی هستند که معمولا امروز استفاده می شوند. برای اطلاعات بیشتر در مورد این موضوع، تاریخچه تمثیل را ببینید .

شرایطی مانند " فضای منظم عادی " و "فضای هوسدورف عادی" نیز در ادبیات مطرح شده است - آنها به سادگی نشان می دهند که فضا هم عادی است و هم شرایط دیگر ذکر شده را ارضا می کند. به طور خاص، یک فضای طبیعی Hausdorff همان چیزی است که یک فضای T 4 است. با توجه به سردرگمی تاریخی معنی عبارات، توصیف کلامی زمانی که قابل اجرا مفید هستند، این است که، "عادی هاسدورف" به جای "T 4 "، یا "کاملا طبیعی هاسدورف" به جای "T 5 ".

به طور کامل فضاهای طبیعی و کاملا T 4 فضاهای در جای دیگر مورد بحث قرار گرفته؛ آنها مربوط به پاراكامپکتیو هستند .

یک فضای طبیعی محلی یک فضای توپولوژی است که هر نقطه دارای یک محدوده باز است که طبیعی است. هر فضای طبیعی به صورت محلی طبیعی است، اما گفتگو درست نیست. یک نمونه کلاسیک از یک فضای طبیعی به طور منظم طبیعی محلی که طبیعی نیست، هواپیما Nemytskii است .

نمونه هایی از فضاهای طبیعی ویرایش ]

بیشتر فضاهای موجود در تجزیه و تحلیل ریاضی ، فضاهای هوسردور طبیعی یا حداقل فضاهای منظم طبیعی هستند:

همچنین، تمام فضاهای طبیعی کاملا طبیعی هستند (حتی اگر منظم نیستند). فضای Sierpinski نمونه ای از فضای عادی است که به طور منظم نیست.

نمونه هایی از فضاهای غیر عادی ویرایش ]

یک نمونه مهم از توپولوژی غیر عادی به وسیله توپولوژی Zariski بر روی یک نوع جبری یا طیف حلقه که در هندسه جبری استفاده می شود، ارائه می شود .

یک فضای غیر عادی مربوط به تحلیل، فضای بردار توپولوژیک تمام توابع از خط واقعی R به خود، با توپولوژی همگرایی نقطه ای است . به طور کلی، یک قضیه ق سنگ می گوید که کالا از غیر قابل شمارش و غیر فشرده فضاهای متریک هرگز طبیعی است.

خواص ویرایش ]

هر زیرمجموعه ای از یک فضای معمولی طبیعی است. تصویر پیوسته و بسته از یک فضای طبیعی طبیعی است. [2]

اهمیت اصلی فضاهای طبیعی در این واقعیت است که آنها اعمال "به اندازه کافی" پیوسته عملکرد واقعی ارزش ، به عنوان بیان شده توسط قواعد زیر برای هر فضای طبیعی X قابل بیان است .

لم Urysohn و در اگر و B دو متلاشی شدن زیر مجموعه ای از بسته X آنگاه یک تابع پیوسته وجود دارد F از X به خط واقعی R به طوری که F ( X ) = 0 برای تمام x را در و F ( X ) = 1 برای تمام X در B . در حقیقت، ما می توانیم مقادیر f را به صورت کامل در فاصله ی واحد [0،1] قرار دهیم. (در شرایط عاشقانه، مجموعه بسته های غیر مجزا نه تنها توسط محله های جدا، بلکه همچنینتوسط یک تابع جدا می شود .)

به طور کلی، پسوند قضیه Tietze : اگر یک زیر مجموعه بسته است X و F یک تابع پیوسته از است به R آنگاه یک تابع پیوسته وجود دارد F : X → R که گسترش F به این معنا که F ( X ) = F ( X ) برای همه X در .

اگر U یک پوشش آزاد محلی محدود از یک فضای طبیعی X است ، پس یک بخش تقسیم وحدت به طور دقیق زیر U وجود دارد . (این نشان می دهد که ارتباط فضاهای طبیعی با پارا کمپلمان )

در واقع هر فضایی که هر یک از این سه شرایط را برآورده می کند باید طبیعی باشد.

یک محصول از فضاهای طبیعی لزوما عادی است. این واقعیت اولین بار توسط رابرت سگنفری ثابت شد . یک مثال از این پدیده، هواپیما Sorgenfrey است . همچنین، یک زیرمجموعه از فضای عادی نیازی به عادی ندارد (یعنی هر فضای معمولی هوسدورف فضایی کاملا طبیعی هوسدورف نیست)، از آنجا که هر فضای Tychonoff یک زیرمجموعه از فشرده سازی استون چچ است (که هوسدورف طبیعی است). مثال صریح تر پلان Tychonoff است . تنها طبقه بزرگ فضای محصول فضاهای طبیعی که به طور عادی شناخته شده هستند، محصولات فضایی هادسفور فشرده هستند، از آنجا که هر دو فشرده سازی ( قضیه تایلوفف ) و قضیه 2 در محصولات دلخواه حفظ می شوند.[3]

ارتباط با سایر اصطلاحات جدایی ویرایش ]

اگر یک فضای طبیعی است R 0 ، سپس آن را در واقع به طور کامل به طور منظم . بنابراین، چیزی که از "R 0 طبیعی " به "کاملا طبیعی" معمول است همان چیزی است که ما معمولا به طور عادی به آن عادت می کنیم . با توجه خارج قسمت کولموگروف ، ما می بینیم که همه طبیعی T 1 فضاهای هستند Tychonoff . این ها چیزی است که ما معمولا فضاهای هادسفور معمولی می نامیم .

یک فضای توپولوژیک است گفته می شود pseudonormal اگر با توجه به دو مجزا مجموعه در آن را بسته که یکی از آنها قابل شمارش است، مجموعه باز متلاشی حاوی آنها وجود دارد. هر فضای طبیعی فضایی است، اما برعکس.

نمونه هایی از بعضی تغییرات در این اظهارات را می توان در لیست های بالا یافت. به طور خاص، فضای Sierpinski طبیعی است، اما به طور منظم نیست، در حالی که فضای توابع از R به خود Tychonoff است، اما نه طبیعی است.

 

ادامه نوشته

از ویکیپدیا، دانشنامه آزاد
پرش به ناوبریپرش به جستجو
در علوم رایانه ، یک مجموعه خشن ، که ابتدا توسط Zdzisław I. Pawlak دانشمند لهستانی توصیف شده است، یک تقریب رسمی از یک مجموعه ترد (به عنوان مجموعه معمولی) از نظر یک مجموعه ای از مجموعه است که تقریب پایین تر و بالاتر از مجموعه اصلی در نسخه استاندارد نظریه مجموعه خشن (Pawlak 1991)، مجموعه های پایین تر و تقریب بالا مجموعه های ترد است، اما در سایر تغییرات، مجموعه های تقریبی می توانند مجموعه های فازی باشند .
 فهرست

 

 

 

منبع

https://en.wikipedia.org/wiki/Rough_set

 

1تعاریف

1.1چارچوب سیستم اطلاعاتی

1.2مثال: ساختار کلاس برابري

1.3تعریف یک مجموعه خشن

1.3.1تقریب پایین و منطقه مثبت

1.3.2تقریب بالا و منطقه منفی

1.3.3مرز منطقه

1.3.4مجموعه خشن

1.3.5تجزیه و تحلیل هدف

1.4تعریف

1.5کاهش و هسته

1.6وابستگی مشخصه

2استخراج قانون

2.1ماتریس تصمیم گیری

2.2الزام سیستم

LERS .3اطلاعات ناقص

4برنامه

5تاریخچه

6گسترش و تعمیم

6.1عضویت سخت

6.2سایر تعاریف

7همچنین ببینید

8منابع

9خواندن بیشتر

10لینک خارجی

تعاریف [ ویرایش ]
بخش زیر شامل یک مرور کلی از چارچوب اساسی نظریه مجموعه خشن است، همانطور که در ابتدا توسط Zdzisław I. Pawlak پیشنهاد شده است ، همراه با برخی از تعاریف کلیدی. خواص رسمی و مرزهای مجموعه های خشن بیشتر در Pawlak (1991) و منابع اشاره شده است. تئوری اولیه و پایه مجموعه های خشن گاهی اوقات به عنوان وسیله ای برای تمایز از فرمت های اخیر و تعمیم ها به عنوان «مجموعه های خشن Pawlak Rough» یا «مجموعه های خشن کلاسیک» نامیده می شود.چارچوب سیستم اطلاعاتی [ ویرایش ]
اجازه دهید یک سیستم اطلاعاتی ( سیستم ارزش-ارزش ) باشد، که در آن مجموعه ای غیر مجاز و محدود از اشیاء (جهان) و  یک مجموعه غیر صفر، مجموعه ای محدود از صفات است که 

 برای هر

 مجموعه مقادیری است که مشخص می کنند

ممنونم جدول اطلاعات یک مقدار را تعیین می کند

از جانب

به هر ویژگی

 و شی

در جهان 

با هر

یک رابطه همبستگی مرتبط وجود دارد

(a) (x) = a (y) 
ارتباط

نامیده می شود

رابطه -indiscernibility . پارتیشن از

 یک خانواده از تمام کلاس های هم ارز بودن است 

و توسط نشان داده شده است 

 

 

اگر  سپس و از ویژگی های غیر قابل تشخیص (یا غیر قابل تشخیص) هستند.
کلاس های هم ارزشی از رابطه نامرئی نشان داده شده است .مثال: ساختار کلاس برابر [ ویرایش ]
هنگامی که مجموعه کامل از ویژگی ها در نظر گرفته شده است، می بینیم که ما دارای هفت طبقه مشابهی هستیم:
بنابراین، دو عنصر در اولین کلاس هم ارزی، ، براساس ویژگی های موجود نمی تواند براساس ویژگی های موجود متمایز شود و سه عنصر در کلاس دوم هم ارزی

، براساس ویژگی های موجود نمی توان از یکدیگر متمایز کرد. پنج اشیاء باقی مانده هر کدام از اشیاء دیگر قابل تشخیص هستند.
واضح است که انتخاب زیر مجموعه های ویژگی های مختلف به طور کلی منجر به کلاس های غیر قابل تشخیص متفاوت خواهد شد. به عنوان مثال، اگر صفت

به تنهایی انتخاب شده است، ما ساختار طبقه برابر، خیلی سنگین تر را بدست می آوریم:
تعریف یک مجموعه خشن [ ویرایش ]
اجازه دهید 

 مجموعه ای از هدف هایی است که ما می خواهیم از زیر مجموعه ویژگی استفاده کنیم

؛ به ما گفته شده است که یک مجموعه دلخواه از اشیاء

شامل یک کلاس واحد است و ما مایل به بیان این کلاس (یعنی این زیرمجموعه) با استفاده از کلاسهای هم ارز ناشی از زیر مجموعه ویژگی 

. به طور کلی،

 نمی توان دقیقا بیان کرد، زیرا این مجموعه می تواند اشیائی را که براساس ویژگی ها قابل تشخیص نیستند، حذف کند 

به عنوان مثال، تنظیم هدف را در نظر بگیرید

، و اجازه دادن به زیر مجموعه 

، مجموعه ای از ویژگی های کامل در دسترس است. لازم به ذکر است که مجموعه

نمی توان دقیقا بیان کرد، زیرا در 

، اشیاء

غیر قابل تشخیص هستند بنابراین هیچ راهی برای نشان دادن هر مجموعه وجود ندارد

که شامل

اما اجسام را حذف می کند

 و 

با این حال، هدف تعیین می شود

می تواند تقریبی با استفاده از اطلاعات موجود در داخل باشد

 با ساختن 

پایین و 

تقریب بیشتر از 

:
تقریب پایین و منطقه مثبت [ ویرایش ]
این 

تقریب کمتری ، یا منطقه مثبت ، اتحاد همه طبقات هم ارز در است

که شامل (به عنوان مثال، زیر مجموعه ای از) هدف تعیین شده - در مثال،

 

 

، اتحاد دو کلاس هم ارزي در

که در مجموعه هدف قرار دارند. تقریبی پایین مجموعه کاملی از اشیاء است

که می تواند مثبت (به عنوان مثال، یکپارچه) به عنوان متعلق به مجموعه هدف طبقه بندی شده است

تقریب بالا و ناحیه منفی [ ویرایش ]
این {\ displaystyle P}تقریب بالا، اتحاد همه طبقات هم ارز در است{\ displaystyle [x] _ {P}} که تقاطع غیر خالی با هدف تعیین شده است - در مثال {\ displaystyle {\ overline {P}} X = \ {O_ {1}، O_ {2} \} \ cup \ {O_ {4} \} \ cup \ {O_ {3}، O_ {7}، O_ {10} \}}، اتحاد سه طبقه برابري در {\ displaystyle [x] _ {P}}که تقاطع غیر خالی با مجموعه هدف دارند. تقریب بالایی مجموعه کاملی از اشیاء است که در{\ displaystyle \ mathbb {U} / P}که نمی تواند مثبت (به عنوان مثال، یکنواخت) متعلق به مکمل ({\ displaystyle {\ overline {X}}}) از مجموعه هدف {\ displaystyle X}. به عبارت دیگر، تقریب بالایی مجموعه کاملی از اشیاء است که احتمالا عضو مجموعه هدف هستند{\ displaystyle X}.
مجموعه {\ displaystyle \ mathbb {U} - {\ overline {P}} X}بنابراین منطقه منفی را نشان می دهد ، حاوی مجموعه ای از اشیا است که می تواند قطعا به عنوان اعضای هدف تعیین شده حذف شود.
منطقه مرزی [ ویرایش ]
منطقه مرزی ، داده شده توسط تفاضل{\ displaystyle {\ overline {P}} X - {\ underline {P}} X}، متشکل از آن دسته از اشیائی است که نمی تواند به عنوان اعضای هدف تعیین شود و یا رد شود {\ displaystyle X}.
به طور خلاصه، تقریب پایین تر از یک مجموعه هدف، یک تقریب محافظه کارانه است که متشکل از تنها آن اشیائی است که می تواند به عنوان اعضای مجموعه مثبت شناخته شود. (این اشیاء هیچ "کلون" نامفهومی ندارند که توسط مجموعه هدف کنار گذاشته می شوند.) تقریب بالای یک تقریب لیبرال است که شامل تمام اشیائی است که ممکن است اعضای مجموعه هدف باشند. (برخی از اشیاء در تقریب بالا ممکن است عضو مجموعه هدف باشند.) از دیدگاه{\ displaystyle \ mathbb {U} / P}، تقریب پایین تر شامل اشیاء است که اعضای هدف با اطمینان (احتمال = 1) هستند، در حالی که تقریب بالایی شامل اشیایی است که اعضای هدف با احتمال غیر صفر (احتمال> 0) هستند.
مجموعه خشن [ ویرایش ]
گهگاه {\ displaystyle \ langle {\ underline {P}} X، {\ overline {P}} X \ rangle}متشکل از تقریب پایین و بالا یک مجموعه خشن است ؛ بنابراین یک مجموعه خشن از دو مجموعه ترد است که یک مرز پایین تر از مجموعه هدف است{\ displaystyle X}، و دیگر نماینده مرز بالایی از مجموعه هدف است{\ displaystyle X}.
دقت از نمایندگی خشن تنظیم شده از مجموعه ای{\ displaystyle X} می توان با توجه به زیر (Pawlak 1991):
{\ displaystyle \ alpha _ {P} (X) = {\ frac {\ left | {\ underline {P}} X \ right |} {\ left | {\ overline {P}} X \ right |}}}
یعنی، دقت نمایش مجموعه خشن {\ displaystyle X}، {\ displaystyle \ alpha _ {P} (X)}، {\ displaystyle 0 \ leq \ alpha _ (P} (X) \ leq 1}، نسبت تعداد اشیاء است که می تواند به طور مثبت قرار داده شود{\ displaystyle X}به تعداد اشیائی که احتمالا در آنها قرار داده می شود{\ displaystyle X}- این اندازه گیری می کند که چقدر نزدیک به مجموعه خشن تقریبا مجموعه هدف است. واضح است که وقتی تقریبهای بالا و پایین برابر هستند (یعنی منطقه مرزی خالی است)، سپس{\ displaystyle \ alpha _ {P} (X) = 1}، و تقریب کامل است؛ در افراطی دیگر، هرگاه تقریبی پایین تر خالی باشد، دقت صفر است (صرف نظر از اندازه تقریبی بالاتر).
تجزیه و تحلیل هدف [ ویرایش ]
نظریه مجموعه خشن است یکی از روش های بسیاری است که می تواند برای تجزیه و تحلیل سیستم های نامشخص (از جمله مبهم) استفاده شود، اگر چه کمتر رایج تر از روش های سنتی احتمال ، آمار ،آنتروپی و نظریه دمپستر-شافر. با این وجود، یک تفاوت کلیدی و قدرت منحصر به فرد از استفاده از نظریه مجموعه کلاسیک خشن، این است که آن را یک روش عینی از تجزیه و تحلیل ارائه (Pawlak و همکاران 1995). بر خلاف سایر روشها، همانگونه که در بالا گفته شد، تجزیه و تحلیل مجموعه ای کلاسیک خبری نیازی به اطلاعات اضافی، پارامترهای خارجی، مدل ها، توابع، نمرات یا تفسیرهای ذهنی برای تعیین عضویت نیست؛ بلکه تنها از اطلاعات ارائه شده در داده های داده استفاده می کند (Düntsch and Gediga 1995 ) سازگاری بیشتر اخیر از نظریه مجموعه خشن، مانند نظریه سلطه، نظریه تصمیم گیری و مجموعه های خشن فازی، سوژه های بیشتری را برای تجزیه و تحلیل معرفی کرده است.تعریف [ ویرایش ]
به طور کلی، تقریبهای بالا و پایین برابر نیستند؛ در چنین مواردی، ما می گوئیم هدف هدف{\ displaystyle X}است تعریف ناپذیر و یا تقریبا تعریف در مجموعه ویژگی{\ displaystyle P}. هنگامی که تقریب بالا و پایین برابر است (یعنی مرز خالی است) {\ displaystyle {\ overline {P}} X = {\ underline {P}} X}، سپس هدف تعیین می شود {\ displaystyle X}است تعریف در مجموعه ویژگی{\ displaystyle P}. ما می توانیم موارد خاصی از عدم شناسایی را تشخیص دهیم:تنظیم {\ displaystyle X}است در داخل تعریف ناپذیر اگر{\ displaystyle {\ underline {P}} X = \ emptyset} و {\ displaystyle {\ overline {P}} X \ neq \ mathbb {U}}. این به این معنی است که در مجموعه ویژگی{\ displaystyle P}هیچ اشیایی وجود ندارد که بتوانیم بطور خاص متعلق به مجموعه هدف باشد{\ displaystyle X}وجود دارد، اما می اشیاء که ما قطعی می توانید از مجموعه حذف{\ displaystyle X}.تنظیم {\ displaystyle X}اگر خارج از حد غیرقابل تصور باشد ، خارج است{\ displaystyle {\ underline {P}} X \ neq \ emptyset} و {\ displaystyle {\ overline {P}} X = \ mathbb {U}}. این به این معنی است که در مجموعه ویژگی{\ displaystyle P}، وجود دارد می اشیاء که ما می توانیم خاص تعلق دارند به هدف قرار دادن مجموعه ای{\ displaystyle X}اما هیچ اشیایی وجود ندارد که ما بتوانیم قطعا از مجموعه حذف شود{\ displaystyle X}.تنظیم {\ displaystyle X}کاملا واضح است اگر{\ displaystyle {\ underline {P}} X = \ emptyset} و {\ displaystyle {\ overline {P}} X = \ mathbb {U}}. این به این معنی است که در مجموعه ویژگی{\ displaystyle P}هیچ اشیایی وجود ندارد که بتوانیم بطور خاص متعلق به مجموعه هدف باشد{\ displaystyle X}وهیچ اشیایی وجود ندارد که ما بتوانیم قطعا از مجموعه حذف شود{\ displaystyle X}. بنابراین، در ویژگی مجموعه{\ displaystyle P}، ما نمی توانیم تصمیم بگیریم که آیا یک جسم عضو است یا نه {\ displaystyle X}.کاهش و هسته [ ویرایش ]
یک سوال جالب این است که آیا در سیستم اطلاعاتی (جدول صفت-ارزش) ویژگی هایی وجود دارد که برای دانش موجود در ساختار کلاس هم ارزی نسبت به سایر صفات مهم تر است. اغلب ما تعجب می کنیم که آیا یک زیر مجموعه ای از صفات وجود دارد که خودشان می توانند دانش را در پایگاه داده کاملا مشخص کنند؟ چنین مجموعه ای ویژگی است که به نام کاهش .
به صورت رسمی، یک redukt یک زیر مجموعه از صفات است {\ displaystyle \ mathrm {RED} \ subseteq P} به طوری که{\ displaystyle [x] _ (\ mathrm {RED}}} = {\ displaystyle [x] _ {P}}، یعنی کلاس های هم ارز ناشی از مجموعه ویژگی های کاهش یافته است {\ displaystyle \ mathrm {قرمز}} همانند ساختار کلاس هم ارزیابی شده توسط مجموعه ویژگی های کامل هستند {\ displaystyle P}.مجموعه ویژگی {\ displaystyle \ mathrm {قرمز}}است حداقل ، به این معنا که{\ displaystyle [x] _ {(\ mathrm {RED} - \ (a \))} \ neq [x] _ {P}} برای هر ویژگی {\ displaystyle a \ in \ mathrm {RED}}؛ به عبارت دیگر، هیچ ویژگی را نمی توان از مجموعه حذف کرد{\ displaystyle \ mathrm {قرمز}}بدون تغییر کلاس های هم ارزشی {\ displaystyle [x] _ {P}}.
Redd را می توان به عنوان یک مجموعه کافی از ویژگی ها دانست - کافی است، یعنی برای نشان دادن ساختار رده. در جدول مثال بالا، ویژگی تعیین شده است{\ displaystyle \ {P_ {3}، P_ {4}، P_ {5} \}} یک سیستم کاهش یافته است - سیستم اطلاعاتی که فقط بر روی این صفات پیش بینی شده است همان ساختار کلاس مشابهی را دارد که با مجموعه ویژگی های کامل بیان می شود:
{\ displaystyle {\ begin {cases} \ {O_ {1}، O_ {2} \} \\\ {O_ {3}، O_ {7}، O_ {10} \} \\\ {O_ {4} \} \\\ {O_ {5} \} \\\ {O_ {6} \} \\\ {O_ {8} \} \\\ {O_ {9} \} \ end {cases}}}
مجموعه مشخص {\ displaystyle \ {P_ {3}، P_ {4}، P_ {5} \}} یک کاهش است زیرا حذف هر کدام از این ویژگی ها موجب سقوط ساختار کلاس برابر می شود که نتیجه آن {\ displaystyle [x] _ {\ mathrm {RED}} \ neq [x] _ {P}}.
کاهش یک سیستم اطلاعاتی منحصر به فرد نیست : ممکن است مجموعه های زیادی از ویژگی ها وجود داشته باشد که ساختار کلاس برابر (یعنی دانش) بیان شده در سیستم اطلاعات را حفظ می کند. در مثال سیستم اطلاعاتی بالا، کاهش دیگری است{\ displaystyle \ {P_ {1}، P_ {2}، P_ {5} \}}، ساخت همان ساختار کلاس برابري به عنوان {\ displaystyle [x] _ {P}}.
مجموعه ای از خصیصه هایی که برای همه کاهش می یابد، هسته نامیده می شود : هسته مجموعه ای از صفات است که توسط هر یک از ردیف ها به دست می آید و بنابراین شامل ویژگی هایی می شود که نمی توانند از سیستم اطلاعاتی حذف شوند بدون اینکه باعث فروپاشی کلاس معادل شوند ساختار هسته ممکن است به عنوان مجموعه ای از فکر لازم لازم، این است که، برای ساختار دسته به نشان داده می شود - ویژگی ها است. در مثال، تنها ویژگی این است{\ displaystyle \ {P_ {5} \}}؛ هر یک از ویژگی های دیگر را می توان به طور جداگانه بدون آسیب رساندن به ساختار طبقه برابر، و از این رو این همه غیر ضروری است . با این حال، از بین بردن{\ displaystyle \ {P_ {5} \}}به خودی خود ، ساختار کلاس برابري را تغییر می دهد و بنابراین{\ displaystyle \ {P_ {5} \}}است ضروری ویژگی این سیستم اطلاعات، و از این رو هسته.
هسته ممکن است خالی باشد، به این معنی که هیچ ویژگی ضروری وجود ندارد: هر ویژگی خاص در چنین سیستم اطلاعاتی بدون تغییر ساختار کلاس مشابه می تواند حذف شود. در چنین مواردی، هیچویژگی ضروری یا ضروری ای وجود ندارد که لازم است برای ساختن ساختار کلاس ارائه شود.وابستگی وابسته [ ویرایش ]
یکی از مهمترین جنبه های تحلیل پایگاه داده یا کسب اطلاعات، کشف وابستگی های ویژگی است؛ به این ترتیب، ما می خواهیم کشف کنیم که کدام متغیرها به شدت به سایر متغیرها مرتبط هستند. به طور کلی، این روابط قوی است که تحقیقات بیشتری را تحقق می بخشد و در نهایت در مدل سازی پیش بینی می شود.
در نظریه مجموعه خشن، مفهوم وابستگی به سادگی تعریف شده است. بگذارید دو مجموعه (مجموعه ای از ویژگی ها) (مجموعه ای) بیافزاییم{\ displaystyle P} و تنظیم {\ displaystyle Q}، و خواهش می کنم که میزان وابستگی بین آنها افزایش پیدا کند. هر مجموعه ویژگی، یک ساختار کلاس برابر (نامفهوم) را ایجاد می کند، کلاس های هم ارزی که بوسیله آنها ایجاد می شود{\ displaystyle P} داده شده توسط {\ displaystyle [x] _ {P}}، و کلاس های همجواری القا شده توسط {\ displaystyle Q} داده شده توسط {\ displaystyle [x] _ {Q}}.
اجازه دهید {\ displaystyle [x] _ {Q} = \ {Q_ {1}، Q_ {2}، Q_ {3}، \ dots، Q_ {N} \}}، جایی که {\ displaystyle Q_ {i}} یک کلاس هم ارزی داده شده از ساختار کلاس هم ارزیابی شده توسط مجموعه ویژگی است {\ displaystyle Q}. سپس، وابستگی مجموعه ویژگی{\ displaystyle Q} در مجموعه ویژگی {\ displaystyle P}، {\ displaystyle \ gamma _ {P} (Q)}، توسط داده می شود
{\ displaystyle \ gamma _ {P} (Q) = {\ frac {\ sum_ {i = 1} ^ {N} \ left | {\ underline {P}} Q_ {i} \ right |} {\ left | \ mathbb {U} \ right |}} \ leq 1}
یعنی، برای هر کلاس هم ارزشی {\ displaystyle Q_ {i}} که در {\ displaystyle [x] _ {Q}}، ما مقدار تقریبی پایین آن را با صفات در می آوریم {\ displaystyle P}، یعنی {\ displaystyle {\ underline {P}} Q_ {i}}. این تقریب (همانطور که در بالا برای تنظیم دلخواه است{\ displaystyle X}) تعداد اشیاء است که در مشخصه مجموعه هستند {\ displaystyle P} می تواند مثبت به عنوان متعلق به مجموعه هدف شناخته شده است {\ displaystyle Q_ {i}}. اضافه شده در همه کلاسهای هم ارز در{\ displaystyle [x] _ {Q}}، عددی که در بالا است، نشان دهنده تعداد کل اشیاء است که براساس مجموعه صفتی است {\ displaystyle P} - می تواند با توجه به طبقه بندی ناشی از ویژگی ها به طور مثبت دسته بندی شود {\ displaystyle Q}. بنابراین نسبت وابستگی نسبت (در کل جهان) چنین اشیاء طبقه بندی را بیان می کند. وابستگی{\ displaystyle \ gamma _ {P} (Q)} "می تواند به عنوان یک نسبت از چنین اجسامی در سیستم اطلاعاتی تفسیر شود که به اندازه کافی برای شناخت مقادیر صفات در آن قابل درک است {\ displaystyle P} برای تعیین مقادیر صفات در {\ displaystyle Q}"
یکی دیگر از روش های بصری برای در نظر گرفتن وابستگی این است که پارتیشن ایجاد شده توسط Q را به عنوان هدف C کلاس بگیرد و P را به عنوان مجموعه ای که مایل به استفاده از آن به منظور "دوباره ساختن" کلاس C مورد استفاده قرار می دهد، مورد بررسی قرار دهیم. بازسازی C، سپس Q کاملا به P بستگی دارد؛ اگر P نتیجه ضعیف و احتمالا بازنگری تصادفی C باشد، Q به هیچ وجه وابسته به P نیست.
بنابراین، این اندازه وابستگی، درجه وابستگی کاربردی (یعنی قطعی) مجموعه ویژگی را بیان می کند{\ displaystyle Q} در مجموعه ویژگی {\ displaystyle P}؛ این متقارن نیست . رابطه این مفهوم وابستگی ویژگی به سنتهای اطلاعاتی سنتی (به معنی آنتروپیک) وابستگی به ویژگی در تعدادی از منابع (مثلا Pawlak، Wong، & Ziarko 1988؛ Yao & Yao 2002؛ Wong، Ziarko ، & Ye 1986، Quafafou & Boussouf 2000).استخراج قانون [ ویرایش ]
دسته تضمینی بالا مورد بحث قرار تمام کششی در طبیعت؛ بدین معنا که یک دسته یا طبقه پیچیده، به سادگی مجموع اعضای آن است. برای نشان دادن یک دسته، پس از آن، فقط باید بتوانید تمام اقلام متعلق به آن دسته را فهرست کنید یا شناسایی کنید. با این حال، بازنمودهای رده Extension ها کاربرد عملی بسیار محدودی دارند، زیرا آنها هیچ بینش برای تصمیم گیری درباره اینکه آیا اشیاء رمان (هرگز قبل از دیده شده) عضو این گروه نیستند، ارائه نمی دهند.
آنچه که معمولا مورد نظر است توصیف عمدی طبقه است، نمایشی از طبقه بندی بر اساس مجموعه ای از قوانین که محدوده دسته را توصیف می کنند. انتخاب چنین قوانینی منحصر به فرد نیست و در آن مسئله تعصب استقامتی قرار دارد . مشاهده فضای نسخه و انتخاب مدل برای اطلاعات بیشتر در مورد این موضوع.
چند روش استخراج قانون وجود دارد. ما از یک روش استخراج قانون بر اساس Ziarko & Shan (1995) شروع خواهیم کرد.ماتریس تصمیم گیری [ ویرایش ]
بگذارید بگوییم ما مایل هستیم مجموعه کمترین قوانین سازگار ( مفاهیم منطقی ) را که سیستم نمونه ما را مشخص می کند پیدا کنیم. برای مجموعه ای از ویژگی های وضعیت{\ displaystyle {\ mathcal {P}} = \ {P_ {1}، P_ {2}، P_ {3}، \ dots، P_ {n} \}} و یک ویژگی تصمیم {\ displaystyle Q، Q \ notin {\ mathcal {P}}}، این قوانین باید فرم داشته باشند {\ displaystyle P_ {i} ^ {a} P_ {j} ^ {b} \ dots P_ {k} ^ {c} \ به Q ^ {d}}، یا، بیان شده است
{\ displaystyle (P_ {i} = a) \ land (P_ {j} = b) \ land \ dots \ land (P_ {k} = c) \ to (Q = d)}
جایی که {\ displaystyle \ (a، b، c، \ dots}}ارزش های مشروع از حوزه های ویژگی های مربوطه هستند. این یک فرم معمول برای قوانین انجمنی و تعداد موارد موجود در آن است{\ displaystyle \ mathbb {U}}که مطابق شرایط / پیشین استحمایت از قانون نامیده می شود . روش استخراج چنین قوانینی در Ziarko & Shan (1995) این است که یک ماتریس تصمیم گیری مربوط به هر یک از ارزش های فردی{\ displaystyle D} از ویژگی های تصمیم گیری {\ displaystyle Q}. به صورت غیر رسمی، ماتریس تصمیم برای ارزش{\ displaystyle D} از ویژگی های تصمیم گیری {\ displaystyle Q}لیست تمام جفت های ارزش-ویژگی که بین اشیاء با یکدیگر تفاوت دارند{\ displaystyle Q = d} و {\ displaystyle Q \ neq d}.
این بهتر است با مثال توضیح داده شود (که همچنین از نمادهای زیادی اجتناب می کند). جدول بالا را در نظر بگیرید و اجازه دهید{\ displaystyle P_ {4}} متغیر تصمیم (یعنی متغیر در سمت راست مفاهیم) و اجازه بدهید {\ displaystyle \ {P_ {1}، P_ {2}، P_ {3} \}}متغیرهای شرایط (در سمت چپ پیوند). ما توجه داریم که متغیر تصمیم{\ displaystyle P_ {4}} دو مقوله متفاوت، یعنی {\ displaystyle \ {1،2 \}}. ما هر مورد را به طور جداگانه اداره می کنیم.
اول، ما به مورد نگاه می کنیم {\ displaystyle P_ {4} = 1}، و ما تقسیم می کنیم {\ displaystyle \ mathbb {U}} به اشیاء که دارند {\ displaystyle P_ {4} = 1} و کسانی که دارند {\ displaystyle P_ {4} \ neq 1}. (توجه داشته باشید که اشیاء با{\ displaystyle P_ {4} \ neq 1} در این مورد به سادگی اشیاء هستند که دارند {\ displaystyle P_ {4} = 2}، اما به طور کلی، {\ displaystyle P_ {4} \ neq 1} شامل تمام اشیاء با هر مقدار برای {\ displaystyle P_ {4}} غیر از {\ displaystyle P_ {4} = 1}و ممکن است چند کلاس از اشیاء وجود داشته باشد (مثلا کسانی که دارای {\ displaystyle P_ {4} = 2،3،4 و غیره}).) در این مورد، اشیاء داشتن {\ displaystyle P_ {4} = 1} هستند {\ displaystyle \ {O_ {1}، O_ {2}، O_ {3}، O_ {7}، O_ {10} \}} در حالی که اشیاء که دارند {\ displaystyle P_ {4} \ neq 1} هستند {\ displaystyle \ {O_ {4}، O_ {5}، O_ {6}، O_ {8}، O_ {9} \}}. ماتریس تصمیم گیری برای{\ displaystyle P_ {4} = 1} همه تفاوت های بین اشیاء را نشان می دهد {\ displaystyle P_ {4} = 1} و کسانی که دارای {\ displaystyle P_ {4} \ neq 1}؛ یعنی، ماتریس تصمیم تمام اختلافات را نشان می دهد{\ displaystyle \ {O_ {1}، O_ {2}، O_ {3}، O_ {7}، O_ {10} \}} و {\ displaystyle \ {O_ {4}، O_ {5}، O_ {6}، O_ {8}، O_ {9} \}}. ما اشیای "مثبت" را ({\ displaystyle P_ {4} = 1}) به عنوان ردیف، و "منفی" اشیاء {\ displaystyle P_ {4} \ neq 1} به عنوان ستونماتریس تصویب برای {\ displaystyle P_ {4} = 1}هدف - شی{\ displaystyle O_ {4}}{\ displaystyle O_ {5}}{\ displaystyle O_ {6}}{\ displaystyle O_ {8}}{\ displaystyle O_ {9}}{\ displaystyle O_ {1}}{\ displaystyle P_ {1} ^ {1}، P_ {2} ^ {2}، P_ {3} ^ {0}}{\ displaystyle P_ {1} ^ {1}، P_ {2} ^ {2}}{\ displaystyle P_ {1} ^ {1}، P_ {2} ^ {2}، P_ {3} ^ {0}}{\ displaystyle P_ {1} ^ {1}، P_ {2} ^ {2}، P_ {3} ^ {0}}{\ displaystyle P_ {1} ^ {1}، P_ {2} ^ {2}}{\ displaystyle O_ {2}}{\ displaystyle P_ {1} ^ {1}، P_ {2} ^ {2}، P_ {3} ^ {0}}{\ displaystyle P_ {1} ^ {1}، P_ {2} ^ {2}}{\ displaystyle P_ {1} ^ {1}، P_ {2} ^ {2}، P_ {3} ^ {0}}{\ displaystyle P_ {1} ^ {1}، P_ {2} ^ {2}، P_ {3} ^ {0}}{\ displaystyle P_ {1} ^ {1}، P_ {2} ^ {2}}{\ displaystyle O_ {3}}{\ displaystyle P_ {1} ^ {2}، P_ {3} ^ {0}}{\ displaystyle P_ {2} ^ {0}}{\ displaystyle P_ {1} ^ {2}، P_ {3} ^ {0}}{\ displaystyle P_ {1} ^ {2}، P_ {2} ^ {0}، P_ {3} ^ {0}}{\ displaystyle P_ {2} ^ {0}}{\ displaystyle O_ {7}}{\ displaystyle P_ {1} ^ {2}، P_ {3} ^ {0}}{\ displaystyle P_ {2} ^ {0}}{\ displaystyle P_ {1} ^ {2}، P_ {3} ^ {0}}{\ displaystyle P_ {1} ^ {2}، P_ {2} ^ {0}، P_ {3} ^ {0}}{\ displaystyle P_ {2} ^ {0}}{\ displaystyle O_ {10}}{\ displaystyle P_ {1} ^ {2}، P_ {3} ^ {0}}{\ displaystyle P_ {2} ^ {0}}{\ displaystyle P_ {1} ^ {2}، P_ {3} ^ {0}}{\ displaystyle P_ {1} ^ {2}، P_ {2} ^ {0}، P_ {3} ^ {0}}{\ displaystyle P_ {2} ^ {0}}
برای خواندن این ماتریس تصمیم گیری، به عنوان مثال، در تقاطع ردیف نگاه کنید {\ displaystyle O_ {3}} و ستون {\ displaystyle O_ {6}}، نشان دادن {\ displaystyle P_ {1} ^ {2}، P_ {3} ^ {0}}در سلول این به این معنی است که با توجه به ارزش تصمیم گیری{\ displaystyle P_ {4} = 1}، هدف - شی {\ displaystyle O_ {3}} از شیء متفاوت است {\ displaystyle O_ {6}} در صفات {\ displaystyle P_ {1}} و {\ displaystyle P_ {3}}، و مقادیر خاصی در این ویژگی ها برای جسم مثبت {\ displaystyle O_ {3}} هستند {\ displaystyle P_ {1} = 2} و {\ displaystyle P_ {3} = 0}. این به ما می گوید طبقه بندی صحیح{\ displaystyle O_ {3}} به عنوان متعلق به کلاس تصمیم گیری {\ displaystyle P_ {4} = 1} براساس صفات است {\ displaystyle P_ {1}} و {\ displaystyle P_ {3}}؛ هر چند یکی یا دیگری ممکن است ضمائم، ما می دانیم که حداقل یک از این صفات است در ضمائم.
بعد از هر ماتریس تصمیم گیری، مجموعه ای از عبارات بولی را ایجاد می کنیم، یک عبارت برای هر ردیف ماتریس. آیتم های موجود در هر سلول به طور جداگانه جمع می شوند و سپس سلول های افراد به هم متصل می شوند. بنابراین، برای جدول بالا ما پنج عبارت زیر بولین داریم:
{\displaystyle {\begin{cases}(P_{1}^{1}\lor P_{2}^{2}\lor P_{3}^{0})\land (P_{1}^{1}\lor P_{2}^{2})\land (P_{1}^{1}\lor P_{2}^{2}\lor P_{3}^{0})\land (P_{1}^{1}\lor P_{2}^{2}\lor P_{3}^{0})\land (P_{1}^{1}\lor P_{2}^{2})\\(P_{1}^{1}\lor P_{2}^{2}\lor P_{3}^{0})\land (P_{1}^{1}\lor P_{2}^{2})\land (P_{1}^{1}\lor P_{2}^{2}\lor P_{3}^{0})\land (P_{1}^{1}\lor P_{2}^{2}\lor P_{3}^{0})\land (P_{1}^{1}\lor P_{2}^{2})\\(P_{1}^{2}\lor P_{3}^{0})\land (P_{2}^{0})\land (P_{1}^{2}\lor P_{3}^{0})\land (P_{1}^{2}\lor P_{2}^{0}\lor P_{3}^{0})\land (P_{2}^{0})\\(P_{1}^{2}\lor P_{3}^{0})\land (P_{2}^{0})\land (P_{1}^{2}\lor P_{3}^{0})\land (P_{1}^{2}\lor P_{2}^{0}\lor P_{3}^{0})\land (P_{2}^{0})\\(P_{1}^{2}\lor P_{3}^{0})\land (P_{2}^{0})\land (P_{1}^{2}\lor P_{3}^{0})\land (P_{1}^{2}\lor P_{2}^{0}\lor P_{3}^{0})\land (P_{2}^{0})\end{cases}}}
هر بیانیه در اینجا اساسا یک قاعده بسیار خاص (احتمالا خیلی خاص) است که بر اساس عضویت در کلاس است{\ displaystyle P_ {4} = 1} از جسم متناظر. به عنوان مثال، آخرین بیانیه، مربوط به شی{\ displaystyle O_ {10}}، می گوید تمام موارد زیر باید رضایت داشته باشند:هر دو {\ displaystyle P_ {1}} باید مقدار 2، یا {\ displaystyle P_ {3}} باید مقدار 0 یا هر دو داشته باشد.{\ displaystyle P_ {2}} باید مقدار 0 داشته باشدهر دو {\ displaystyle P_ {1}} باید مقدار 2، یا {\ displaystyle P_ {3}} باید مقدار 0 یا هر دو داشته باشد.هر دو {\ displaystyle P_ {1}} باید مقدار 2، یا {\ displaystyle P_ {2}} باید مقدار 0 یا {\ displaystyle P_ {3}} باید مقدار 0 یا هر ترکیبی از آن داشته باشد.{\ displaystyle P_ {2}} باید مقدار 0 داشته باشد
واضح است که در اینجا مقدار زیادی از افزونگی وجود دارد و گام بعدی ساده کردن استفاده از جبر بولی سنتی است . صورتحساب{\ displaystyle (P_ {1} ^ {1} \ lor P_ {2} ^ {2} \ lor P_ {3} ^ {0}) \ land (P_ {1} ^ {1} \ lor P_ {2} ^ {2}) \ land (P_ {1} ^ {1} \ lor P_ {2} ^ {2} \ lor P_ {3} ^ {0}) \ land (P_ {1} ^ {1} \ lor P_ {2} ^ {2} \ lor P_ {3} ^ {0}) \ land (P_ {1} ^ {1} \ lor P_ {2} ^ {2})} مربوط به اشیاء {\ displaystyle \ {O_ {1}، O_ {2} \}} ساده به {\ displaystyle P_ {1} ^ {1} \ lor P_ {2} ^ {2}}، که نتیجه آن را می دهد
{\ displaystyle (P_ {1} = 1) \ lor (P_ {2} = 2} \ to (P_ {4} = 1}}
به همین ترتیب، بیانیه (P_ {1} ^ {2} \ lor P_ {3} ^ {0}) \ land (P_ {2} ^ {0}) \ land (P_ {1} ^ {2} \ lor P_ { 3} ^ {0}) \ land (P_ {1} ^ {2} \ lor P_ {2} ^ {0} \ lor P_ {3} ^ {0}) \ land (P_ {2} ^ {0} )} مربوط به اشیاء {\ displaystyle \ {O_ {3}، O_ {7}، O_ {10} \}} ساده به {\ displaystyle P_ {1} ^ {2} P_ {2} ^ {0} \ lor P_ {3} ^ {0} P_ {2} ^ {0}}. این ماجرا را به ما می دهد
(P_ {4} = 1}} {\ displaystyle (P_ {1} = 2 \ land P_ {2} = 0) \ lor (P_ {3} = 0 \ land P_ {2} = 0)
پیام های فوق نیز می توانند به عنوان مجموعه ای از قوانین زیر نوشته شوند:
{\ displaystyle {\ begin {cases} (P_ {1} = 1) \ to (P_ {4} = 1) \\ (P_ {2} = 2) \ to (P_ {4} = 1) \\ P_ {1} = 2) \ land (P_ {2} = 0) \ to (P_ {4} = 1) \\ (P_ {3} = 0) \ land (P_ {2} = 0) P_ {4} = 1) \ end {cases}}}
می توان اشاره کرد که هر دو قانون اول دارای پشتیبانی از 1 هستند (یعنی پیشینیان با دو اشیا منطبق می شوند)، در حالی که هر یک از دو قانون اخیر دارای پشتیبانی از 2. برای تکمیل نوشتن قانون برای این سیستم دانش، همان روش فوق (با شروع نوشتن یک ماتریس تصمیم جدید) باید در مورد مورد نظر قرار گیرد{\ displaystyle P_ {4} = 2}به این ترتیب مجموعه ای از پیامدهای جدید برای ارزش تصمیم گیری (یعنی مجموعه ای از مفاهیم با {\ displaystyle P_ {4} = 2}به عنوان نتیجه). به طور کلی، این روش برای هر مقدار ممکن از متغیر تصمیم تکرار خواهد شد.سیستم القاء قانون LERS [ ویرایش ]
سیستم داده LERS (یادگیری از نمونه های مبتنی بر مجموعه های خشن) Grzymala-Busse (1997) ممکن است قوانینی از داده های متناقض، یعنی داده ها با اشیاء متضاد ایجاد کند. دو اشیا وقتی که با مقادیر مشابهی از همه صفات مشخص می شوند، در تعارض هستند، اما متعلق به مفاهیم مختلف (کلاس ها) هستند. LERS با استفاده از نظریه مجموعه خشن برای محاسبه تقریبی پایین و بالا برای مفاهیم درگیر در درگیری با مفاهیم دیگر.
قوانین ناشی از تقریب کمتر از مفهوم قطعا توصیف مفهوم، از این رو چنین قوانین نامیده می شوند خاص . از سوی دیگر، قوانین ناشی از تقریب بالایی از مفهوم مفهوم را احتمالا توصیف می کنند ، بنابراین این قواعد نامیده می شود . برای القا شدن قانون، LERS از سه الگوریتم استفاده می کند: LEM1، LEM2، و IRIM.
الگوریتم LEM2 LERS اغلب برای القایی قانون استفاده می شود و نه تنها در LERS بلکه در سایر سیستم ها، به عنوان مثال در RSES (Bazan و همکاران (2004) استفاده می شود. LEM2 فضای جستجو از جفت های ویژگی-ارزش را بررسی می کند. مجموعه داده ها یک تقریب پایین یا بالایی از یک مفهوم است، بنابراین مجموعه داده های ورودی آن همواره سازگار است. به طور کلی، LEM2 یک محدوده محلی را محاسبه می کند و سپس آن را به مجموعه ای از قوانین تبدیل می کند. ما برای تعریف الگوریتم LEM2 چند تعریف نقل می کنیم.
الگوریتم LEM2 بر مبنای ایده یک بلوک جفتی ویژگی-ارزش است. اجازه دهید{\ displaystyle X} یک معادل پایین یا بالادستی یک مفهوم که توسط یک جفت ارز تصمیم گیری ارائه می شود، باشد {\ displaystyle (d، w)}. تنظیم{\ displaystyle X}بستگی به یک مجموعه دارد{\ displaystyle T} از جفت ویژگی-ارزش {\ displaystyle t = (a، v)} اگر و تنها اگر
{\ displaystyle \ emptyset \ neq [T] = \ bigcap _ {t \ in T} [t] \ subseteq X.}
تنظیم {\ displaystyle T}است پیچیده حداقل از{\ displaystyle X} اگر و تنها اگر {\ displaystyle X} بستگی دارد به {\ displaystyle T} و هیچ زیر مجموعه ای مناسب نیست {\ displaystyle S} از {\ displaystyle T} وجود دارد به طوری که {\ displaystyle X} بستگی دارد به {\ displaystyle S}. اجازه دهید{\ displaystyle \ mathbb {T}}مجموعه ای غیرمعمول از مجموعه های غیرمعمول از جفت های ویژگی-ارزش است. سپس{\ displaystyle \ mathbb {T}}یک پوشش محلی از{\ displaystyle X} اگر و تنها اگر سه شرایط زیر راضی باشند:
هر عضو {\ displaystyle T} از {\ displaystyle \ mathbb {T}} یک مجموعه حداقل است {\ displaystyle X}،
{\ displaystyle \ bigcup _ {t \ in \ mathbb {T}} [T] = X،}
{\ displaystyle \ mathbb {T}} حداقل است، به عنوان مثال {\ displaystyle \ mathbb {T}} کوچکترین عضو ممکن است.
برای سیستم اطلاعات نمونه ما، LEM2 قوانین زیر را ایجاد خواهد کرد:
(P_ {4}، 1) \\ ( P_ {1}، 0) \ to (P_ {4}، 2) \\ (P_ {2}، 1) \ to (P_ {4}، 2) \ end {cases}}}
دیگر روش های یادگیری قواعدی را می توان یافت، به عنوان مثال، در Pawlak (1991)، Stefanowski (1998)، Bazan و همکاران. (2004) و غیرهاطلاعات ناقص [ ویرایش ]
نظریه مجموعه خشن برای الگودهی قانون از مجموعه داده های ناقص مفید است. با استفاده از این روش می توانیم بین سه نوع از ویژگی های گم شده از بین برود : ارزش های از دست رفته (مقادیر ثبت شده، اما در حال حاضر در دسترس نیستند)، مقادیر مفهوم ویژگی (این ارزش های ویژگی های از دست رفته ممکن است با هر مقدار مشخصه محدود شده به یک مفهوم جایگزین شود) و شرایط "اهمیتی نمی دهند" (مقادیر اصلی بی اهمیت بودند). یک مفهوم ( کلاس ) مجموعه ای از تمام اشیاء طبقه بندی شده (یا تشخیص داده شده) به همان شیوه است.
دو مجموعه داده ویژه با ارزش های ویژگی های از دست رفته به طور گسترده مورد مطالعه قرار گرفت: در مورد اول، تمام ارزش ویژگی های از دست رفته از دست رفته (Stefanowski و Tsoukias، 2001)، در مورد دوم، تمام ارزش های معیوب از دست رفته شرایط "مراقبت" (Kryszkiewicz، 1999)
در تفسیر مفاهیم معنی تفسیر یک مقدار مشخصه گمشده، مقدار مشخصه گمشده ممکن است با هر مقدار دامنه ویژگی محدود شده به مفهوم که جسم با مقدار مشخصه معلق متعلق است (Grzymala-Busse و Grzymala-Busse، 2007 ) به عنوان مثال، اگر برای یک بیمار مقدار مشخصه درجه حرارت از دست رفته باشد، این بیمار مبتلا به آنفولانزا است، و همه بیماران باقی مانده با آنفلوانزا در هنگام استفاده از تفسیر ارزش مشخص شده از نظر ویژگی به مقدار ارزش مفهومی ویژگی، ما ارزش مشخصه گمشده را با بالا و بسیار زیاد جایگزین می کنیم. علاوه بر این، رابطه مشخصه، (به عنوان مثال، Grzymala-Busse و Grzymala-Busse، 2007) قادر به پردازش مجموعه داده ها با هر سه نوع از ویژگی های از دست رفته در همان زمان: از دست رفته، "اهمیت نمی دهند" شرایط و ارزش شناسایی ویژگی.برنامه های کاربردی [ ویرایش ]

این بخش نمی استناد هر منابع . لطفا با افزودن نقل قول به منابع قابل اعتماد، این بخش را بهبود بخشید . مواد غیرمستقیم ممکن است به چالش کشیده شود و حذف شود . ( ژوئیه 2017 ) ( یاد بگیرید چگونه و هنگام حذف این پیام الگو )
روش های خشن مجموعه می تواند به عنوان یک جزء از راه حل های ترکیبی در یادگیری ماشین و داده کاوی استفاده شود . آنها برای هدایت قانون و انتخاب ویژگی مفید هستند(کاهش معناشناسي حفظ ابعاد). روش های تجزیه و تحلیل داده های خشن مبتنی بر مجموعه با موفقیت در بیوانفورماتیک، اقتصاد و مالی، پزشکی، چند رسانه ای، معدن وب و متن، پردازش سیگنال و تصویر، مهندسی نرم افزار، رباتیک و مهندسی (به عنوان مثال سیستم های قدرت و مهندسی کنترل) موفقیت آمیز است. به تازگی سه منطقه از مجموعه های خشن به عنوان مناطق پذیرش، رد و بازپرداخت تفسیر شده اند. این به رویکرد تصمیم گیری سه بعدی با مدل منجر می شود که می تواند به طور بالقوه منجر به برنامه های آینده جالبی شود.تاریخچه [ ویرایش ]
ایده مجموعه خشن توسط Pawlak (1981) به عنوان یک ابزار ریاضی جدید برای مقابله با مفاهیم مبهم پیشنهاد شده است. Comer، Grzymala-Busse، Iwinski، Nieminen، Novotny، Pawlak، Obtulowicz و Pomykala خواص جبری مجموعه های خشن را مطالعه کرده اند. معانی مختلف جبری توسط P. Pagliani، I. Duntsch، MK Chakraborty، M. Bannerjee و A. Mani توسعه داده شده است؛ این به طور خاص توسط D. Cattaneo و A. Mani به مجموعه های خشن تر تعمیم یافته گسترش یافته است. مجموعه های خشن می توانند برای نشان دادن ابهام ،نااطمینی و عدم اطمینان عمومی استفاده شوند .افزونه ها و تعمیم ها [ ویرایش ]
از آنجا که توسعه مجموعه های خشن، فرمت ها و تعمیم ها به تکامل ادامه می دهند. تحولات اولیه بر رابطه - هر دو شباهت و تفاوت - با مجموعه های فازی متمرکز شد . در حالی که برخی ادبیات ادعا می کنند این مفاهیم متفاوت هستند، ادبیات دیگر معتقدند که مجموعه های خشن تعمیم مجموعه های فازی هستند - که از طریق مجموعه های خشن فازی یا مجموعه های فازی خشن ارائه می شود. Pawlak (1995) معتقد است که مجموعه های فازی و خشن باید به عنوان مکمل یکدیگر باشند و به جنبه های گوناگون عدم قطعیت و ناچیز توجه کنند.
سه مورد قابل توجه از مجموعه های خشن کلاسیک عبارتند از:رویکرد مجموعه ای مبتنی بر Dominance (DRSA) گسترش یک نظریه مجموعه خشن برای تجزیه و تحلیل تصمیم گیری چند معیاره (MCDA) است که توسط Greco، Matarazzo و Słowiński (2001) معرفی شده است. تغییر اصلی در این گسترش مجموعه های خشن کلاسیک، جایگزینی رابطه غیر قابل تشخیص با یک رابطه غالب است ، که اجازه می دهد تا رسمگریسم برای مقابله با تناقضات معمولی در نظر گرفتن معیارها و کلاس های تصمیم گیری ترتیبی مرتب شود.مجموعه های خشن مجموعه تصمیم گیری (DTRS) یک گسترش احتمالاتی از نظریه مجموعه خشن است که توسط یئو، وانگ و لینگرز (1990) ارائه شده است. با استفاده از روش تصمیم گیری بیزی برای کمترین تصمیم گیری در مورد ریسک. عناصر به تقریب های پایین و بالا بر اساس این که آیا احتمال شرطی آنها بالاتر از آستانه است، گنجانده شده است{\ displaystyle \ textstyle \ alpha} و {\ displaystyle \ textstyle \ beta}. این آستانه های بالا و پایین تعیین کننده منطقه برای عناصر است. این مدل منحصر به فرد و قدرتمند است زیرا آستانه خود را از مجموعه ای از شش تابع از دست دادن که نشان دهنده خطرات طبقه بندی هستند محاسبه می شود.مجموعه های خشن بازی گرا (GTRS) یک تئوری مبتنی بر بازی گسترش مجموعه خشن است که توسط هربرت و یو (2011) معرفی شد. با استفاده از یک محیط بازی نظری برای بهینه سازی معیارهای خاصی از طبقه بندی خشن بر اساس طبقه بندی یا تصمیم گیری برای به دست آوردن مقادیر موثر منطقه.عضویت سخت [ ویرایش ]
مجموعه های خشن می تواند به عنوان یک تعمیم، با استفاده از یک تابع عضویت خشن به جای تقریب عینی تعریف شود. تابع عضویت خشن بودن احتمال شرطی را بیان می کند{\ displaystyle x} متعلق به {\ displaystyle X} داده شده {\ displaystyle \ textstyle \ mathbb {R}}. این را می توان به عنوان درجه ای تفسیر کرد{\ displaystyle x} متعلق به {\ displaystyle X} از لحاظ اطلاعات درباره {\ displaystyle x} بیان شده توسط {\ displaystyle \ textstyle \ mathbb {R}}.
عضويت خشن در درجه اول از عضويت فازي متفاوت است، زيرا عضويت اتحاديه و تقاطع مجموعه ها عموما از عضويت عضوي آنها مانند مجموعه هاي فازي محاسبه نمي شود. در این، عضویت ناهموار تعمیم عضویت فازی است. علاوه بر این، تابع عضویت خشن بر احتمال بیشتری از مفاهیم متعلق به تابع عضویت فازی پایه ریزی شده است.سایر تعاریف [ ویرایش ]
چندین تعمیم مجموعه های خشن برای حل مسائل، مورد بررسی و کاربرد قرار گرفته است. در اینجا برخی از این تعاریف آمده است:multisets خشن (Grzymala-Busse، 1987)مجموعه های خشن فازی، مفهوم مجموعه خشن را از طریق استفاده از کلاس های همجواری فازی (Nakamura، 1988) گسترش می دهند.نظریه مجموعه خشن آلفا (α-RST) - تعمیم نظریه مجموعه خشن که اجازه می دهد تقریب استفاده از مفاهیم فازی (Quafafou، 2000)مجموعه های خشن فازی شهودی (Cornelis، De Cock and Kerre، 2003)مجموعه های فازی متداول عمومی (Feng، 2010)مجموعه های فازی تدافعی خشن (Thomas and Nair، 2011)مجموعه های فازی نرم خشن و مجموعه های خشن فازی نرم (Meng، Zhang and Qin، 2011)مجموعه خشن کامپوزیتی (ژانگ، لی و چن، 2014)همچنین نگاه کنید به [ ویرایش ]معناشناسی جبرینظریه مجموعه جایگزینکامپیوتر آنالوگمنطق توصیفمنطق فازینظریه مجموعه فازیمحاسبات گرانولمجموعه های نزدیکهیبریداسیون خفیف فازیمحاسبات نرممجموعه ها و سیستم های فازی نوع 2تصمیم گیری نظری مجموعه های خشن * فضای نسخه 

نظریه مجموعه های فازی 


در ریاضیات ، مجموعه های فازی ( بعضی اوقات مجموعه های نامشخص ) به نوعی مجموعه هایی  هستند که عناصر دارای درجه عضویت هستند. مجموعه های فازی در سال 1965 توسط لطفی زاده [ 1] و Dieter Klaua [2] به عنوان یک فرمت مفهوم کلاسیک مجموعه معرفی شدند. در همان زمان، سالی (1965) یک ساختار عمومی تر را به نام رابطه L تعریف کرد ، که او در یک متن جبری انتزاعی  مطالعه کرد. روابط فازی که در حال حاضر در حوزه های مختلف مانند زبان شناسی مورد استفاده قرار می گیرند ( De Cock، Bodenhofer & Kerre 2000 )، تصمیم گیری( کوزمین 1982 )، و خوشه بندی ( Bezdek 1978 )، در موارد خاص از L -relations که L است فاصله واحد [0، 1].
در نظریه مجموعه کلاسیک ، عضویت عناصر در یک مجموعه در شرایط باینری بر اساس شرایط دوگانگی ارزیابی می شود - عنصر یا متعلق به مجموعه یا متعلق به آن نیست. در مقابل، نظریه مجموعه فازی اجازه می دهد ارزیابی تدریجی عضویت در عناصر در یک مجموعه؛ این با کمک یک تابع عضویت که در فاصله واحد واقعی [0، 1] ارزش دارد. مجموعه های فازی مجموعه مجموعه های کلاسیکی را تعمیم می دهند، زیرا توابع شاخص (بعنوان توابع مشخصه) مجموعه های کلاسیک موارد خاصی از توابع عضویت مجموعه های فازی هستند، در صورتی که دومی فقط مقادیر 0 یا 1 را می گیرد. [3] در نظریه مجموعه فازی مجموعه های دوجانبه کلاسیک معمولا به نام مجموعه های ترد است. نظریه مجموعه فازی می تواند در طیف گسترده ای از حوزه هایی که اطلاعات ناقص یا نامشخص است، مانند بیوانفورماتیک استفاده شود . [4]
 فهرست

1تعریف

1.1مجموعه های تکراری مربوط به یک مجموعه فازی

1.2تعاریف دیگر

1.3عملیات مجموعه فازی

1.4مجموعه های فازی متفرقه

1.5کاردانی اسکالر

1.6فاصله و شباهت

1.7مجموعه های فازی

L2منطق فازی

3تعداد فازی و تعداد تنها

4دسته بندی فازی

5معادله رابطه فازی

6آنتروپی

تعریف [ ویرایش ]

فاصله و شباهت ویرایش ]

برای هر مجموعه فازیالف تابع عضویت {\ displaystyle \ mu_ {A}: U \ to U} می تواند به عنوان یک خانواده در نظر گرفته شود {\ displaystyle \ mu _ {A} = (\ mu_ {A} (x)) _ {x \ in {U}} \ in [0،1] ^ {U}}. دومی یک فضای متریک با چند معیار استدشناخته شده. متریک را می توان از یک عنصر (عنصر بردار){\ displaystyle \ | \، \ |} از طریق

{\ displaystyle d (\ alpha، \ beta) = \ | \ alpha - \ beta \، \ |}.

به عنوان مثال، اگرU محدود است، یعنی {\ displaystyle U = \ {x_ {1}، x_ {2}، ... x_ {n} \}}، چنین متریک ممکن است توسط:

{\ displaystyle d (\ alpha، \ beta): = max \ {| \ alpha (x_ {i}) - \ beta (x_ {i}) | {\ bigl \ vert} i = 1..n \}} جایی که \ alpha  و \ بتا  توالی واقعی numbes بین 0 و 1 هستند.

برای بی نهایت U، حداکثر می تواند توسط supremum جایگزین شود. از آنجا که مجموعه های فازی به وضوح توسط تابع عضویت آنها تعریف می شوند، این متریک را می توان برای اندازه گیری فاصله بین مجموعه های فازی در یک جهان استفاده کرد.

{\ displaystyle d (A، B): = d (\ mu _ {A}، \ mu _ {B})}،

که در نمونه بالا قرار می گیرد:

{\ displaystyle d (A، B) = max \ {| \ mu _ {A} (x_ {i}) - \ mu_ {B} (x_ {i}) | {\ bigl \ vert} i = 1. .n \}}

باز هم برای بی نهایت Uحداکثر باید توسط supremum جایگزین شود. فاصله های دیگر (مانند عددی 2-کانونی) ممکن است متفاوت باشند، اگر مجموعه های فازی بی نهایت خیلی متفاوت باشند،  \ varnothing  وU.

معیارهای مشابه (در اینجا نشان داده شده است S) ممکن است از فاصله فاصله بگیرد، به عنوان مثال پس از پیشنهاد Koczy:

{\ displaystyle S = 1 / (1 + d (A، B))} اگرد (A، B) محدود است{\ displaystyle 0} دیگری

یا پس از ویلیامز استیل:

{\ displaystyle S = exp (- \ alpha {d (A، B)})} اگر د (A، B) محدود است {\ displaystyle 0} چیز دیگری

جایی که \ alpha> 0 یک پارامتر شیب دار و {\ displaystyle exp (x) = e ^ {x}}[6]

تعریف دیگری برای اندازه گیری فاصله زمانی (و نه فازی) شباهت دارد \ zeta توسط Beg و اشرف نیز ارائه شده است. [6]

مجموعه های فازی L ویرایش ]

گاهی اوقات، انواع کلی تر مفهوم مجموعه فازی استفاده می شود، با استفاده از توابع عضویت با استفاده از جبر یا ساختار (ثابت یا متغیر) لاز یک نوع خاص؛ معمولا این مورد مورد نیاز استلحداقل یک پست یا شبکه باشد این ها معمولا مجموعه های L- fuzzy نامیده می شوند تا آنها را از آنهایی که ارزش برازندگی واحد را دارند ، تشخیص دهند. توابع عضو معمولی با مقادیر در [0، 1] سپس [0، 1] -valued membership functions نامیده می شوند. این نوع تعمیم ها در ابتدا در سال 1967 توسط جوزف گوگن ، دانش آموز زاده، مورد توجه قرار گرفت. [9] یک نتیجه کلاسیک ممکن است به جای {0،1} مقدار واقعی و عضویت را با {f، t} نشان می دهد.

گسترش یك مجموعه فازی توسط آتاناسوف و بروا ارائه شده است. یک مجموعه فازی شهودی الف با دو تابع مشخص می شود:

\ mu _ {A} (x) - درجه عضويت x

{\ displaystyle \ nu _ {A} (x)} - درجه عدم عضویت در x

با توابع {\ displaystyle \ mu _ {A}، \ nu _ {A}: U \ mapsto [0،1]}{\ displaystyle \ forall x \ in U: \ mu_ {A} (x) + \ nu _ {A} (x) \ leq 1}

این شبیه وضعیتی است که بعضی از افراد به آن اشاره دارند ایکس رای دادن

  • برای پیشنهاد {\ displaystyle \ mu _ {A} (x) = 1، \ nu _ {A} (x) = 0}
  • علیه آن ({\ displaystyle \ mu _ {A} (x) = 0، \ nu _ {A} (x) = 1}
  • یا رأی دادن ({\ displaystyle \ mu _ {A} (x) = \ nu _ {A} (x) = 0})

پس از همه، ما درصد تصویب، درصد اعتراضات و درصد استرداد را داریم.

برای این وضعیت، حامیان فازی بصری خاص، t- و s-norms می توانند ارائه شوند. با

{\ displaystyle D ^ {*} = \ {(\ alpha، \ beta) \ in [0،1] ^ {2} \ mid \ alpha + \ beta = 1 \}} و با ترکیب هر دو توابع به

{\ displaystyle (\ mu _ {A}، \ nu _ {A}): U \ to D ^ {*}} این وضعیت شبیه نوع خاصی از مجموعه های فازی L است.

یک بار دیگر، این تعریف مجموعه های فازی تصویری (PFS) به شرح زیر گسترش یافته است: PFS A با سه تابع نقشه برداری U به [0، 1] مشخص می شود:

{\ displaystyle \ mu _ {A}، \ eta _ {A}، \ nu _ {A}}، "درجه عضویت مثبت"، "درجه عضویت بی طرف"، و "درجه عضویت منفی" و شرایط اضافی

{\ displaystyle \ forall x \ in U: \ mu_ {A} (x) + \ eta _ {A} (x) + \ nu _ {A} (x) \ leq 1} این به وسیلۀ امكان اضافی «امتناع از رای گیری»، نمونه رأی گیری را بالا می برد.

با {\ displaystyle D ^ {*} = \ {(\ آلفا، \ بتا، \ گاما) \ در [0،1] ^ {3} \ اواسط \ آلفا + \ بتا + \ گاما = 1 \}}و خصوصیات "فازی عکاسی"، t- و s-norms این مشابه نوع دیگری از مجموعه های فازی L است. [10] [11]

منطق فازی 

 

دسته های فازی ویرایش ]

استفاده از عضویت مجموعه ای به عنوان اجزای کلیدی تئوری دسته بندی می تواند به مجموعه های فازی تعمیم دهد. این رویکرد که در سال 1968 در مدت کوتاهی پس از معرفی نظریه مجموعه فازی[15] آغاز شد، منجر به توسعه دسته های گوزن در قرن 21 شد. [16] [17] در این دسته بندی ها، به جای استفاده از دو مجموعه ارزش ارزشمند، فواصل کلی تر استفاده می شود و ممکن است به عنوان شبکه هایی در مجموعه های فازی L باشد. [17] [18]

معادله رابطه فازی ویرایش ]

معادله رابطه فازی معادله از فرم است · R = B ، که در آن و B مجموعه های فازی هستند، R یک رابطه فازی است و · R مخفف ترکیب از با  نیازمند منبع ] .

آنتروپی ویرایش ]

معیار d برای فازی برای مجموعه های فازی جهان است U باید شرایط زیر را برای همه انجام دهد x \ in U:

  1. {\ displaystyle d (A) = 0} اگر الف یک مجموعه ترد است: {\ displaystyle \ mu _ {A} (x) \ in \ {0، \، 1 \}}
  2. d (A) دارای حداکثر منحصر به فرد است{\ displaystyle \ forall x \ in U: \ mu _ {A} (x) = 0.5}
  3. {\ displaystyle d (A) \ geq d (B)} اگر

{\ displaystyle \ mu_ {a} (x) \ leq \ mu_ {B} (x)} برای {\ displaystyle \ mu _ {A} (x) \ leq 0.5} و

{\ displaystyle \ mu_ {a} (x) \ geq \ mu_ {B} (x)} برای {\ displaystyle \ mu _ {A} (x) \ geq 0.5}،

به این معنی است که B 'crisper' نسبت به A است.

  1. {\ displaystyle d (\ neg {A}) = d (A)}

در این مورد d (A)انتروپی مجموعه ای فازی نامیده می شود .

برای محدودیت {\ displaystyle U = \ {x_ {1}، x_ {2}، ... x_ {n} \}} انتروپی یک مجموعه فازی الف توسط داده شده است

{\ displaystyle d (A) = H (A) + H (\ neg {A})}،

{\ displaystyle H (A) = - k \ sum_ {i = 1} ^ {n} \ mu_ {A} (x_ {i}) \ ln \ mu_ {A} (x_ {i})}

یا فقط

{\ displaystyle d (A) = - k \ sum_ {i = 1} ^ {n} S (\ mu_ {A} (x_ {i}))}

جایی که {\ displaystyle S (x) = H_ {e} (x)}است تابع شانون (تابع آنتروپی طبیعی)

{\ displaystyle S (\ alpha) = - \ alpha \ ln \ alpha - (1- \ alpha) \ ln (1- \ alpha)، \ alpha \ in [0،1]}

و کثابت است بسته به واحد اندازه گیری و پایه لگاریتم ( در اینجا: الف ) استفاده می شود. تفسیر فیزیکی K است ثابت بولتزمن K B .

اجازه دهیدالفیک مجموعه فازی با یک تابع عضویت مستمر (متغیر فازی) باشد. سپس

{\ displaystyle H (A) = - k \ int _ {- \ infty} ^ {\ infty} \ operatorname {Cr} \ lbrace A \ geq t \ rbrace \ ln \ operatorname {Cr} \ lbrace A \ geq t \ rbrace \، dt}

و آنتروپی آن است

{\ displaystyle d (A) = - k \ int _ {- \ infty} ^ {\ infty} S (\ operatorname {Cr} \ lbrace A \ geq t \ rbrace) \، dt}

[19] [20]

افزونه ها ویرایش ]

بسیاری از ساختارهای ریاضی شبیه و یا بیشتر از مجموعه های فازی وجود دارد. از آنجا که مجموعه های فازی در سال 1965 معرفی شد، بسیاری از ساختارهای جدید ریاضی و نظریه های مربوط به نامشخص بودن، اشتباه، ابهام و عدم اطمینان ایجاد شده است. بعضی از این ساختارها و نظریه ها، پسوند تئوری مجموعه فازی هستند، در حالی که برخی دیگر سعی می کنند به روش های ریاضی غیر دقیق و نااطمینی را به روش های مختلف مدل کنند ( Burgin & Chunihin 1997 ؛ Kerre 2001 ؛ Deschrijver and Kerre، 2003).

تنوع چنین سازه ها و نظریه های مربوطه شامل موارد زیر است:

  • مجموعه های فاصله (مور، 1966)،
  • مجموعه های فازی L (Goguen، 1967)،
  • فلو مجموعه (Gentilhomme، 1968)،
  • مجموعه های فازی ارزش Boolean (براون، 1971)،
  • مجموعه های فازی نوع 2 و مجموعه های فازی نوع (Zadeh، 1975)،
  • مجموعه های ارزش مجموعه (Chapin، 1974؛ 1975)،
  • مجموعه های فازی با فواصل زمانی (Grattan-Guinness، 1975؛ Jahn، 1975؛ Sambuc، 1975؛ Zadeh، 1975)؛
  • توابع به عنوان تعمیم مجموعه های فازی و multisets (دریاچه، 1976)،
  • مجموعه های فازی سطح (Radecki، 1977)
  • مجموعه های نامعتبر (Narinyani، 1980)
  • مجموعه های خشن (Pawlak، 1982)،
  • مجموعه های فازی شهودی (Atanassov، 1983)،
  • multisets فازی (Yager، 1986)،
  • شهودی L مجموعه -fuzzy (Atanassov، 1986)،
  • multisets خشن (Grzymala-Busse، 1987)،
  • مجموعه های خشن فازی (Nakamura، 1988)
  • مجموعه های فازی حقیقی ارزشمند (Blizard، 1989)،
  • نام مجموعه (Burgin، 1990)
  • مجموعه های مبهم (Wen-Lung Gau and Bührer، 1993)
  • Q-sets (Gylys، 1994)
  • مجموعه های سایه (Pedrycz، 1998)
  • مجموعه های سطح α (یو، 1997)
  • مجموعه های واقعی (Demirci، 1999)
  • مجموعه های نرم (Molodtsov، 1999)،
  • مجموعه های خشن فازی شهودی (Cornelis، De Cock and Kerre، 2003)
  • مجموعه های مبهم (اسمیت، 2004)
  • L مجموعه های سخت را -fuzzy (Radzikowska و Kerre، 2004)،
  • مجموعه های فازی متداول عمومی (Feng، 2010)
  • مجموعه های فازی تدافعی خشن (Thomas and Nair، 2011)،
  • مجموعه های فازی نرم خشن (منگ، ژانگ و چین، 2011)
  • مجموعه های خشن فازی نرم (منگ، ژانگ و چین، 2011)
  • چندین نرم (Alkhazaleh، Salleh and Hassan، 2011)
  • Multisets نرم فازی (Alkhazaleh and Salleh، 2012)
  • مجموعه های فازی دو قطبی (ون ران ژانگ، 1998)
  • مجموعه های چند فازی (Sabu Sebastian، 2009)

در حالی که بیشتر موارد فوق می تواند به طور کلی به عنوان پسوند مبتنی بر حقیقت به مجموعه های فازی دسته بندی شود، نظریه مجموعه فازی دوقطبی بیانگر تعمیم فازی و منطقی متفاوتی بر پایه تعادل فازی است. [21] [22] [23]

همچنین نگاه کنید به ویرایش ]

ادامه نوشته

مجموعه فازی نوع 2.

نوع 2 مجموعه های فازی و سیستم های تعمیم استاندارد نوع 1 مجموعه های فازی و سیستم های به طوری که عدم اطمینان بیشتری می توان انجام می شود. از همان ابتدای مجموعه های فازی، انتقاد از این واقعیت بود که تابع عضویت یک مجموعه فازی نوع 1 با عدم اطمینان مرتبط با آن، چیزی است که به نظر می رسد با فازی نا متناقض مواجه می شود ؛ زیرا این واژه دارای معنی بسیاری از عدم قطعیت. بنابراین، هنگامی که عدم اطمینان در مورد ارزش تابع عضویت وجود دارد، چه کاری انجام می شود؟ جواب این سوال در سال 1975 توسط مخترع مجموعه های فازی، پروفسور لطفی علی زاده [1] ارائه شد ، زمانی که وی مجموعه های پیچیده ای از مجموعه های فازی را پیشنهاد داد، اول از آن مجموعه فازی نوع 2. یک مجموعه فازی نوع 2 به ما اجازه می دهد عدم اطمینان در مورد تابع عضویت را به نظریه مجموعه فازی اضافه کنیم و راهی برای رسیدگی به انتقاد فوق از مجموعه های فازی نوع 1 است. و اگر عدم اطمینان وجود داشته باشد، یک مجموعه فازی نوع 2 به یک مجموعه فازی نوع 1 کاهش می یابد، که مشابه با احتمال کاهش جبرگرایی است وقتی غیر قابل پیش بینی شدن از بین می رود.

برای نشان دادن نمادین بین یک مجموعه فازی نوع 1 و یک مجموعه فازی نوع 2، نماد tilde بیش از نماد مجموعه مجموعه فازی قرار می گیرد؛ بنابراین، A یک مجموعه فازی نوع 1 را نشان می دهد، در حالی که Ã نشان دهنده مجموعه فازی مشابه نوع 2 است. هنگامی که دومی انجام می شود، مجموعه فازی نوع 2 به عنوان یک مجموعه فازی نوع 2 عمومی (برای تشخیص آن از مجموعه فازی نوع 2 اختصاصی) نامیده می شود.

پروفسور زاده با نوع 2 مجموعه های فازی را متوقف کند، چرا که در آن 1976 مقاله [1] او همچنین تعمیم همه از این به نوع- N مجموعه های فازی. مقاله حاضر تنها در مجموعه های فازی نوع 2 تمرکز می کند؛ زیرا آنها مرحله بعدی در پیشرفت منطقی از مجموعه های فازی نوع 1 تا نوع n هستند، جایی که n = 1، 2، .... اگر چه بعضی از محققان شروع به کشف بیش از مجموعه های فازی نوع 2، تا اوایل سال 2009، این کار در دوران پس از زایمان است.

شکل 1. تابع عضویت یک مجموعه فازی 2 نوع عمومی سه بعدی است. یک مقطع از یک قطعه بعد سوم نشان داده شده است. این مقطع، و همچنین همهی دیگر، در FOU قرار دارد. فقط محدودیت مقطع برای توصیف تابع عضویت یک مجموعه فازی نوع 2 عمومی استفاده می شود. این برای اهداف هنری پر شده است.

تابع عضویت یک مجموعه فازی نوع 2 عمومی، Ã، سه بعدی است (شکل 1)، جایی که ابعاد سوم ارزش تابع عضویت در هر نقطه در دامنه دو بعدی آن است که پنهان آن عدم اطمینان (FOU).

برای مجموعه فازی نوع 2 که مقدار ثانویه بعد از آن یکسان است (به عنوان مثال 1) در همه جا، به این معنی که هیچ اطلاعات جدیدی در بعد سوم مجموعه فازی نوع 2 وجود ندارد. بنابراین برای چنین مجموعه ای، ابعاد سوم نادیده گرفته می شود و فقط برای توصیف آن از FOU استفاده می شود. به همین دلیل یک مجموعه فازی نوع 2 بازنشانی گاهی به عنوان مجموعه ای از مدل فازی نااطمینی مرتبه اول نامیده می شود در حالی که یک مجموعه فازی نوع 2 (با ابعاد سوم مفید آن) گاهی اوقات به عنوان طبقه دوم مدل عدم قطعیت فازی.

شکل 2 FOU برای مجموعه فازی نوع 2.بسیاری از اشکال دیگر برای FOU امکان پذیر است.

FOU نشان دهنده تار شدن یک تابع عضويت نوع 1 است و به طور کامل توسط دو تابع محدود کننده آن (شکل 2)، یک تابع عضویت پایین (LMF) و یک تابع عضویت بالا (UMF)، که هر دو نوع تابع 1 مجموعه فازی! در نتیجه، استفاده از ریاضی فازی نوع 1 برای مشخص کردن و کار با مجموعه های فازی Type-2 تایید می شود. این به این معنی است که مهندسان و دانشمندان که قبلا مجموعه فازی نوع 1 را می دانند، به منظور درک و استفاده از مجموعه های فازی نوع 2، نیاز به زمان زیادی برای یادگیری در مورد ریاضیات فازی نوع 2 ندارند.

کار بر روی مجموعه های فازی نوع 2 در طول دهه 1980 و اوایل تا اواسط دهه 1990 خاموش شد، اگر چه تعداد کمی از مقالات در مورد آنها منتشر شد. مردم هنوز سعی داشتند چگونگی انجام مجموعه های فازی نوع 1 را بیاموزند، حتی اگر زاده مجموعه های فازی نوع 2 را در سال 1976 پیشنهاد داد، زمان مناسب برای محققان نبود که آنها را با مجموعه های فازی نوع 1 تمرکز بر روی مجموعه های فازی نوع 2. این در بخش دوم دهه 1990 در نتیجه پروفسور جری مندل و آثار دانشجویانش در مجموعه ها و سیستم های فازی نوع 2 تغییر کرده است. [2] از آن به بعد، محققان بیشتر و بیشتر در سراسر جهان مقاله هایی درباره مجموعه ها و سیستم های فازی نوع 2 نوشتند.

 

فهرست

تعریف نوع 2 فازی مجموعه ویرایش ]

مجموعه فازی های نوع 2 بیشترین توجه را به خود اختصاص داده اند، زیرا ریاضیات مورد نیاز برای چنین مجموعه ها - اساسا محاسبات فاصله - بسیار ساده تر از ریاضیات است که برای مجموعه های فازی نوع 2 مورد نیاز است. بنابراین، ادبیات درباره مجموعه های فازی فضای نوع 2 بزرگ است، در حالیکه ادبیات درباره مجموعه های فازی نوع 2 بسیار کوچکتر است. هر دو نوع مجموعه های فازی به طور روزافزونی توسط تعداد زیادی از محققان در سراسر جهان مورد تحقیق قرار می گیرند و باعث موفقیت در زمینه های مختلف مانند کنترل ربات می شوند. [3]

برای مجموعه های فازی نوع 2 نوعی از فرمولهای زیر استفاده شده است:

  • عملیات مجموعه فازی : اتحاد، تقاطع و مکمل [4] [2]
  • Centroid (یک عملیات بسیار کاربردی توسط تمرینکنندگان این مجموعه ها و نیز اندازه گیری عدم قطعیت مهم برای آنها) [5] [2] [6]
  • سایر معیارهای عدم قطعیت [فازي، قدرت ، واريانس و ناهموار [7] و محدوده عدم اطمينان [8]
  • شباهت [9] [10] [11]
  • زیرزمین [12]
  • مجموعه های فازی جاسازی شده [13] [14] [15]
  • رتبه بندی فازی [11]
  • رتبه بندی و انتخاب قانون فازی [16]
  • روشهای کاهش نوع [5] [2]
  • فواصل شوت برای یک سیستم منطقی فازی نوع 2 [17] [18] [2]
  • میانگین وزنی فازی [19]
  • میانگین وزنی زبانشناسی [20]
  • Synthesizing FOU از داده های جمع آوری شده از یک گروه از موضوع [21]

سیستم های فازی منطقی نوع 2 ویرایش ]

مجموعه های فازی Type-2 در سیستم های منطقی فازی (FLSs) مبتنی بر قانون مبتنی بر کاربرد بسیار گسترده ای استفاده می کنند زیرا آنها اجازه می دهد تا عدم قطعیت ها توسط آنها مدل شود، در حالی که چنین عدم قطعیت ها نمی توانند توسط مجموعه های فازی Type-1 مدل شوند. یک بلوک دیفرانسیل FLS نوع 2 در شکل 3 نشان داده شده است. این نوع FLS در کنترل منطق فازی، پردازش سیگنال منطقی فازی، طبقه بندی مبتنی بر قاعده و غیره استفاده می شود و گاهی اوقات به عنوان یک تقریب کاربرد تابع از مجموعه های فازی، به دلیل FLS طراحی شده است برای به حداقل رساندن یک تابع خطا.

شکل 3. نوع 2 FLS

بحث های زیر در مورد چهار مولفه در FLS مبتنی بر قاعده شکل 3 برای یک نوع FLS نوع 2 ارائه شده است، زیرا تا به امروز محبوب ترین نوع FLS 2 نوع است؛ با این حال، بسیاری از بحث ها نیز برای یک FLS معمولی نوع 2 قابل اجرا هستند.

قوانین که توسط متخصصین موضوع ارائه می شوند یا از داده های عددی استخراج می شوند، به صورت مجموعه ای از اظهارات IF-THEN بیان می شوند، به عنوان مثال

اگر درجه حرارت متوسط ​​است و فشار بالا است ، سپس دریچه را به سمت راست بچرخانید .

مجموعه فازی با شرایطی که در پیشینها (IF-part) یا نتیجه (THEN-part) قوانین و با ورودیها و خروجیهای FLS ظاهر می شود، مرتبط هستند. توابع عضویت برای توصیف این مجموعه های فازی استفاده می شود و در FLS Type-1 آنها همه مجموعه های فازی Type-1 هستند، در حالی که در یک فضای Type-2 FLS حداقل یک تابع عضویت یک مجموعه فازی نوع 2 است.

یک نوع SP2 نوع FLS به شما اجازه می دهد که هر یک از یا هر نوع عدم اطمینان زیر را کم کنید:

  1. واژه هایی که در پیشینیان و نتیجه قوانین استفاده می شوند، زیرا کلمات می توانند به افراد مختلف معنی مختلفی داشته باشند.
  2. نتایج نامعلوم - به این دلیل که وقتی قوانین از یک گروه از کارشناسان به دست می آید، نتیجه اغلب برای یک قانون مشابه متفاوت است، یعنی کارشناسان لزوما در توافق نیستند.
  3. پارامترهای تابع عضویت - چرا که زمانی که این پارامترها با استفاده از داده های آموزش بی نظیر (پر سر و صدا) بهینه سازی می شوند، پارامترها نامعلوم می شوند.
  4. اندازه گیری های پر سر و صدا، زیرا اغلب اندازه گیری هایی است که FLS را فعال می کند.

در شکل 3، ورودی های اندازه گیری شده (ترد) ابتدا به مجموعه های فازی در بلوک فاززر تبدیل می شوند، زیرا مجموعه های فازی هستند و نه اعداد که قوانینی را که از نظر مجموعه مجموعه های فازی و نه اعداد توصیف شده است، فعال می کند. سه نوع fuzzifiers ممکن است در فاصله نوع 2 FLS. هنگام اندازه گیری:

  • ایده آل، آنها به عنوان یک مجموعه تردید مدل می شوند؛
  • پر سر و صدا، اما سر و صدا ثابت است، آنها به عنوان یک مجموعه فازی نوع 1 مدل؛ و،
  • نویز، اما سر و صدا غیر ثابت است، آنها به عنوان یک مجموعه فازی نوع 2 تعبیه شده (این نوع نوع فاز سازی در یک FLS نوع 1 نمی تواند انجام شود).

در شکل 3، پس از اندازه گیری ها فازی شده، مجموعه های فازی ورودی حاصل از بلوک استنتاج به مجموعه خروجی های فازی ترسیم می شوند . این اولین قاعدهی هر قاعده با استفاده از نظریه مجموعه فازی است و سپس با استفاده از ریاضیات مجموعههای فازی برای ایجاد خروجی هر قاعده با کمک یک سازوکار استنتاج انجام میشود. اگر قوانین M وجود داشته باشد، ورودی فازی به بلوک استنتاج تنها یک زیر مجموعه از آن قوانین را فعال می کند، جایی که زیر مجموعه حاوی حداقل یک قاعده است و معمولا کمتر از قوانین M است. استنتاج یک قانون در یک زمان انجام می شود.بنابراین، در خروجی بلوک استنتاج، یک یا چند مجموعه خروجی فازی از قانون اخراج وجود خواهد داشت .

در اغلب برنامه های کاربردی مهندسی FLS یک عدد (و نه یک مجموعه فازی) به عنوان خروجی نهایی آن مورد نیاز است، به عنوان مثال، نتیجه حکومت داده شده در بالا «چرخاندن شیر کمی به سمت راست است». هیچ شیر اتوماتیک چیزی را بدست نمی آورد بدین معنی است که "کمی به سمت راست" یک عبارت زبان شناختی است و شیر باید توسط مقادیر عددی تبدیل شود، یعنی توسط تعداد معینی از درجه. در نتیجه، مجموعه فازی خروجی خروجی قانون باید به یک عدد تبدیل شود، و این در بلوک پردازش خروجی شکل 3 انجام می شود.

در یک FLS نوع 1، پردازش خروجی، Defuzzification نامیده می شود ، یک مجموعه فازی نوع 1 را به یک عدد نشان می دهد. راه های بسیاری برای انجام این کار وجود دارد، به عنوان مثال، محاسبه اتحاد از مجموعه های فازی خروجی قانون اخراج (نتیجه یکی دیگر از مجموعه فازی نوع 1) و سپس محاسبه مرکز جاذبه تابع عضویت برای آن مجموعه؛ محاسبه میانگین وزنی از مرکز جاذبه های هر یک از توابع عضویت حاصل از قانون اخراج؛ و غیره.

چیزهایی که برای فضای نوع 2 FLS چندان پیچیده نیستند، زیرا برای رفتن از یک فازی نوع 2 فازی به تعداد (معمولا) نیاز به دو مرحله دارد (شکل 3). مرحله اول، به نام نوع کاهش ، جایی است که مجموعه فازی نوع 2 به مجموعه فازی نوع 1 تعلق دارد. به عنوان روش های مختلف تخریب نوع 1 وجود دارد. الگوریتم توسعه یافته توسط Karnik و مندل [5] [2] که اکنون شناخته شده به عنوان الگوریتم KM برای کاهش نوع استفاده می شود. اگر چه این الگوریتم تکراری است، اما بسیار سریع است.

گام دوم پردازش خروجی، که پس از کاهش نوع، اتفاق می افتد، همچنان defazzification نامیده می شود . از آنجائیکه یک مجموعه فازی از مجموعه نوع فاز نوع 2 همیشه یک فاصله ی محدود از اعداد است، مقدار defuszified فقط میانگین دو نقطه انتهایی این فاصله است.

از شکل 3 واضح است که می توان دو خروجی برای مقادیر عددی تکرار کننده نوع FLS-type 2 و مجموعه ای از نوع کاهش یافته وجود داشته باشد. دومی اندازه گیری عدم قطعیت هایی است که از طریق فواصل Type-2 FLS جریان داده شده است (به دلیل اندازه گیری های احتمالی ورودی غیرمعمول که قوانینی را فعال کرده اند که پیشینی یا نتیجه آن یا هر دوی آنها نامطمئن هستند. درست همانطور که انحراف استاندارد به طور گسترده ای در احتمال و آمار برای ارائه یک اندازه گیری از عدم قطعیت غیر قابل پیش بینی در مورد یک مقدار متوسط ​​استفاده می شود، مجموعه کاهش یافته نوع می تواند اندازه گیری عدم قطعیت در مورد خروجی تردی یک FLS نوع 2 را فراهم می کند.

محاسبه با کلمات ویرایش ]

کاربرد دیگری برای مجموعه های فازی نیز توسط پروفسور زاده الهام گرفته شده است [22] [23] [24] - Computing with Words . مخفف های مختلف برای "محاسبه با کلمات"، به عنوان مثال، CW و CWW استفاده شده است. به گفته زاده:

CWW یک روش است که در آن، اشیاء محاسبات، کلمات و گزاره هایی هستند که از یک زبان طبیعی ساخته شده اند. [این است] الهام گرفته از توانایی قابل توجه انسان برای انجام انواع مختلفی از وظایف فیزیکی و ذهنی بدون هیچ گونه اندازه گیری و محاسبات است.

مطمئنا، او به این معنا نیست که رایانه ها در واقع با استفاده از کلمات یا واژگان یا عبارات محاسبه می کنند، نه تعداد. او به این معنی بود که کامپیوترها با کلمات به کار میرفتند که میتواند با استفاده از مجموعههای فازی یک نمایندگی ریاضی تبدیل شود و این مجموعههای فازی توسط موتور CWW به برخی از مجموعههای دیگر فازی ترسیم شده و پس از آن دوباره به یک کلمه تبدیل میشود. یک سوال طبیعی برای پرسیدن این است: کدام نوع فازی مجموعه ای نوع 1 یا نوع 2 باید به عنوان یک مدل برای یک کلمه استفاده شود؟ مندل [25] [26] استدلال کرده است، بر اساس کارل پوپر مفهوم 'ثانیهتحریف ، [27] [24]که با استفاده از یک مجموعه فازی نوع 1 به عنوان یک مدل برای یک کلمه علمی نادرست است. مجموعه فازی نوع 2 باید به عنوان یک مدل (عدم قطعیت درجه اول) برای یک کلمه استفاده شود. تحقیقات زیادی در مورد CWW انجام شده است.

برنامه های کاربردی ویرایش ]

مجموعه های فازی Type-2 در پردازش تصویر، پردازش تصویر و دید رایانه، و همچنین تجزیه و تحلیل حالت و اثر شکست انجام شد. [28]

بیشتر خواندن ویرایش ]

  • برای خواننده که برای مجموعه ها و سیستم های فازی نوع 2 مجددا جدید است و می خواهد در مورد آنها بیشتر بیاموزد و بدون اینکه به جزئیات زیادی دسترسی پیدا کند، ساده ترین راه این است که مقاله مجلل 2007 را بخوانید [29] یا مختصر وو آموزش مجموعه ها و سیستم های فازی نوع 2 . این دومین شامل اجرای Matlab از منطق فازی نوع 2 است.
  • برای خواننده که برای مجموعه ها و سیستم های فازی نوع 2 باز است و می خواهد اطلاعات بیشتری در مورد آنها کسب کند، با جزئیات زیادی، اما نمی خواهد برای اولین بار در مورد مجموعه های فازی نوع 2 عمومی و سیستم های ساده، ساده ترین راه را یاد بگیرند این برای خواندن مقاله مجله توسط مندل، جان و لیو است. J.M.Mendel، RI جان و F.Liu، "سیستم های منطقی فازی فضای منطقی نوع Interval ساخته شده ساده، IEEE ترانس. در سیستم های فازی ، جلد. 14، pp. 808-821، دسامبر 2006. JM مندل، ری جان و ف. لیو، "سیستم های منطقی فازی نوع 2، ساده ساخته شده است" IEEE Trans. در سیستم های فازی ، جلد. 14، ص 808-821، دسامبر 2006.
  • برای خواننده که برای مجموعه ها و سیستم های فازی نوع 2 جدید است و می خواهد در مورد آنها بیشتر یاد بگیرد، می خواهد همه جزئیات را، می خواهد ارائه از بالا به پایین، از نوع 2 به نوع بازه 2-نوع، و می خواهد ببینید که چگونه آنها با مجموعه ها و سیستم های فازی نوع 1 مقایسه می کنند، ساده ترین راه این است که کتاب های مندل را در سال 2001 بخوانید. [2]
  • برای خواننده که می خواهد در مورد نمایش بسیار قدرتمند و مفید برای مجموعه های فازی 2 به طور کلی یاد بگیرد، از لحاظ مجموعه های ساده فازی نوع 2 که مجموعه های فازی تعبیه شده نامیده می شوند، مقاله مندل و جان را بخوانید. [30]
  • برای خواننده که ممکن است قبلا با مجموعه ها و سیستم های فازی نوع 2 آشنا باشد و چه کسی می خواهد بداند چه اتفاقی افتاده است پس از انتشار کتاب مندل در سال 2001، به مقاله مجله مندل در سال 2007 [31] و نیز کتاب کاستیلو و ملین 2008 اشاره می کند. [32]
  • شماره فوریه 2007 مجله هوش مصنوعی IEEE یک مسئله ویژه است که در مورد مجموعه ها و سیستم های فازی نوع 2 است. این موضوع شامل مقالات (نگاه کنید به فهرست مرجع در زیر) در مورد:
    1. تاریخچه منطق فازی نوع 2، توسط باب جان و سیمون کوپلند [33]
    2. کنترل کننده های منطقی فازی نوع 2، توسط هانی حقرس [34]
    3. خوشه فازی با استفاده از مجموعه های فازی نوع 2 توسط فرانک رئی [35]
    4. پیاده سازی سخت افزار برای یک سیستم فازی نوع 2، توسط میگل ملگرایو [36]

همچنین نگاه کنید به ویرایش ]

ادامه نوشته

عملیات مجموعه فازی

عملیات مجموعه فازی یک IS عملیات در مجموعه های فازی . این عملیات ها عمدتا عملیات مجموعه ای واضح است . بیش از یک تعمیم احتمالی وجود دارد. عملیات به طور گسترده استفاده می شود عملیات مجموعه ای فازی استاندارد نامیده می شود . سه عملیات وجود دارد: مکمل فازی ، تقاطع فازی و اتحادیه های فازی .

عملیات مجموعه ای فازی استاندارد ویرایش ]

اجازه دهید A و B مجموعه های فازی باشند که A، B ⊆ U، u هر عنصر (مثلا مقدار) در جهان U: u ∈ U است.

مکمل استاندارد

{\ displaystyle \ mu_ {\ lnot {A}} (u) = 1 \ mu _ {A} (u)}

مکمل گاهی اوقات با  A یا A sometimes به جای ¬ A مشخص می شود.

تقاطع استاندارد

{\ displaystyle \ mu _ {A \ cap B} (u) = \ min \ {\ mu_ {A} (u)، \ mu_ {B} (u) \}}

اتحادیه استاندارد

{\ displaystyle \ mu _ {A \ cup B} (u) = \ max \ {\ mu_ {A} (u)، \ mu_ {B} (u) \}}

به طور کلی، مثلث (i، u، n) به نام De Morgan Triplet Iff نامیده می شود

به طوری که برای همه x ، y ∈ [0، 1] زیر به صورت زیر عمل می کند:

u ( x ، y ) = n ( i ( n ( x )، n ( y ))

(به طور کلی رابطه د مورگان). [1] این بدین معنی است که مفاهیم زیر را در جزئیات ارائه می دهند.

تکمیل فازی ویرایش ]

μ A ( x ) به عنوان درجه ای که x متعلق به A تعریف می شود تعریف می شود . اجازه بدهید ∁A یک مکمل فازی A نوع c را نشان دهیم . سپس

 μ ∁A ( x )

درجه ای است که x متعلق به ∁A است ، و درجه ای که x به A تعلق ندارد .

  μ( A ( x ) )

بنابراین درجه ای است که x به قضیه ∁A تعلق ندارد . اجازه بدهید یک مکمل  A توسط یک تابع تعریف شود

c  : [0،1] → [0،1]

برای همه x ∈ U : μ ∁A ( x ) = c ( μ A ( x ))

Axioms برای تکمیل فازی ویرایش ]

Axiom c1. مرز شرط

c (0) = 1 و c (1) = 0

Axiom c2. یکنواختی

برای همه a ، b ∈ [0، 1]، اگر a < b ،  c ( a )> c ( b )

Axiom c3. تداوم

c عملکرد مداوم است.

Axiom C4. تحریم ها

c یک فراخوانی است ، به این معنی که

 c ( c ( a )) = a برای هر a ∈ [0،1]

c یک گیرنده قوی است ( مکمل فازی ).

یک تابع c معادل ریاضی c1 و c2 دارای حداقل یک نقطه ثابت a * با c (a * ) = a * است و اگر axiom c3 نیز برآورده شود، دقیقا یک چنین نقطه ثابت وجود دارد. برای negator استاندارد c (x) = 1-x نقطه ثابت منحصر به فرد a * = 0.5 است. [2]

تقاطعات فازی ویرایش ]

مقاله اصلی: T-norm

تقاطع دو مجموعه فازی A و B به طور کلی توسط یک عمل دوتایی در بازه واحد مشخص می شود، یک تابع از فرم

i : [0،1] × [0،1] → [0،1].

برای همه x ∈ U : μ A ∩ B ( x ) = i [ μ A ( x )، μ B ( x )].

اکسیم ها برای تقاطع فازی ویرایش ]

Axiom I1 مرز شرط

ia ، 1) = a

Axiom i2 یکنواختی

b ≤ d   implies    i ( a ، b ) ≤ i ( a ، d )

Axiom i3 جابجایی

i ( a ، b ) = i ( b ، a )

Axiom I4. وابستگی

i ( a ، i ( b ، d )) = i ( i ( a ، b )، d )

Axiom i5 تداوم

من یک عملکرد مداوم است

Axiom i6. سوادموتوپتیک

ia ، a ) ≤ a

Axiom i7 یکنواختی دقیق

i ( 1 ، 1 ) ≤ i ( 2 ، 2 ) اگر 1 ≤ 2 و 1 ≤ 2

Axioms i1 تا i4 یک t-norm را تعریف می کند ( تقاطع فازی ). استاندارد t-norm min تنها t-norm معمولی است (یعنی i ( 1 ، 1 ) = a برای همه a ∈ [0،1]). [2]

اتحادیه های فازی ویرایش ]

اتحاد دو مجموعه فازی A و B به طور کلی توسط یک عمل دوتایی بر روی تابع بازه واحد فرم مشخص می شود

شما : [0،1] × [0،1] → [0،1].

برای همه x ∈ U : μ A ∪ B ( x ) = u [ μ A ( x )، μ B ( x )].

اکسیموس برای اتحاد فازی ویرایش ]

Axiom u1. مرز شرط

ua ، 0) = u (0، a ) = a

Axiom u2. یکنواختی

b ≤ d     implies   u( a ، b ) ≤ u ( a ، d )

Axiom u3. جابجایی

 

u( a ، b ) = u ( b ، a )

Axiom u4. وابستگی

ua ، u ( b ، d )) = u ( u (  b  d )

Axiom u5. تداوم

تو یک کار مداوم است

Axiom u6. Superadempotency

u ( a ، a ) ≥ a

Axiom u7. یکنواختی دقیق

1 < 2 و 1 < 2 implies u ( 1 ، 1 ) < u ( 2 ، 2 )

Axioms u1 تا u4 یک t-conorm (aka s-norm یا تقاطع فازی ) را تعریف می کند. استاندارد t-conorm max تنها t-conorm idempotent است (یعنی u (a1، a1) = a برای همه a ∈ [0،1]). [2]

عملیات جمع شدن ویرایش ]

عملیات جمع کردن در مجموعه های فازی عملیاتی است که با استفاده از آن چندین مجموعه فازی با یک روش مطلوب برای تولید یک مجموعه فازی یکسان ترکیب می شوند.

عملیات جمع شدن در مجموعه فازی 

n (2 ≤ n )

توسط یک تابع تعریف می شود

h : [0،1] n → [0،1]

اکسیموس برای عملیات تجمع مجموعه های فازی ویرایش ]

Axiom h1. مرز شرط

h (0، 0، ...، 0) = 0 و h (1، 1، ...، 1) = یک

Axiom h2. یکنواختی

برای هر جفت < 1 ، 2 ، ...، N > و < ب 1 ، ب 2 ، ...، ب N > از N tuples به طوری که من ، ب من ∈ [0،1] برای تمام i ∈ n ، اگر i ≤ i برای همه i ∈ n ، سپس h ( 1 ، 2 ، ...، n ) ≤h ( 1 ، 2 ، ...، n )؛ به این معنی است که h در تمام استدلالهایش یکنواخت است.

Axiom h3. تداوم

h یک عملکرد مداوم است.

همچنین نگاه کنید به ویرایش ]

 مجموعه های فازی 1

در ریاضیات ، مجموعه های فازی ( بعضی اوقات مجموعه های نامشخص ) به نوعی مجموعه هایی هستند که عناصر دارای درجه عضویت هستند. مجموعه های فازی در سال 1965 توسط لطفی اده به عنوان یک فرمت مفهوم کلاسیک مجموعه معرفی شدند. در همان زمان، سالی (1965) یک ساختار عمومی تر را به نام رابطه L تعریف کرد ، که او در یک متن جبری انتزاعی مطالعه کرد. روابط فازی که در حال حاضر در حوزه های مختلف مانند زبان شناسی مورد استفاده قرار می گیرند ( De Cock، Bodenhofer & Kerre 2000 )، تصمیم گیریکوزمین 1982 )، و خوشه بندی ( Bezdek 1978 )، در موارد خاص از L -relations که L است فاصله واحد [0، 1].

در نظریه مجموعه کلاسیک ، عضویت عناصر در یک مجموعه در شرایط باینری بر اساس شرایط دوگانگی ارزیابی می شود - عنصر یا متعلق به مجموعه یا متعلق به آن نیست. در مقابل، نظریه مجموعه فازی اجازه می دهد ارزیابی تدریجی عضویت در عناصر در یک مجموعه ؛  با کمک یک تابع عضویت که در فاصله واحد واقعی [0، 1] ارزش دارگردد. مجموعه های فازی مجموعه های کلاسیکی را تعمیم می دهند، زیرا توابع شاخص (بعنوان توابع مشخصه) مجموعه های کلاسیک موارد خاصی از توابع عضویت مجموعه های فازی هستند، در صورتی که دومی فقط مقادیر 0 یا 1 را می گیرد. [3] در نظریه مجموعه فازی مجموعه های دوجانبه کلاسیک معمولا به نام مجموعه های ترد است. نظریه مجموعه فازی می تواند در طیف گسترده ای از حوزه هایی که اطلاعات ناقص یا نامشخص است، مانند بیوانفورماتیک استفاده شود . [4]

 


یک مجموعه فازی یک جفت است(U، متر) جایی که U مجموعه ای است و {\ displaystyle m \ colon U \ rightarrow [0،1]}یک تابع عضویت مجموعه مرجعU (گاهی اوقات توسط \ امگا  یا ایکسجهان گفتمان ، و برای هر x \ in U، ارزش متر (متر)درجه عضویت عضویت نامیده می شودایکس که در (U، متر). کارکرد{\ displaystyle m = \ mu (A)}تابع عضویت از مجموعه فازی نامیده می شود{\ displaystyle A = (U، m)}.

برای یک مجموعه محدود U = \ {x_ {1}، \ dots، x_ {n} \}، مجموعه فازی(U، متر) اغلب توسط نشان داده می شود \ {m (x_ {1}) / x_ {1}، \ dots، m (x_ {n}) / x_ {n} \}.

اجازه دهیدx در داخل U. سپسایکس نامیده میشود

  • شامل نمی شود در مجموعه فازی(U، متر) اگر m (x) = 0 (بدون عضو)
  • به طور کامل شامل اگرm (x) = 1 (عضو کامل)
  • تقریبا شامل اگر 0 <m (x) <1(عضو فازی). [5]

مجموع مجموعه های فازی در یک جهان (مجموعه ترد) U با نشان دادن {\ displaystyle SF (U)}

مجموعه های فشرده مربوط به یک مجموعه فازی ویرایش ]

برای هر مجموعه فازی{\ displaystyle A = (U، m)} و\ alpha \ in [0،1] مجموعه های شفاف زیر تعریف می شوند:

  • {\ displaystyle A ^ {\ geq \ alpha} = A_ {\ alpha} = \ {x \ in U \ mid m (x) \ geq \ alpha}}}است که به نام خود -α قطع 

(با نام مستعار در سطح α مجموعه ای )

  • {\ displaystyle A ^ {> \ alpha} = A '_ {\ alpha} = \ {x \ در U \ mid m (x)> \ alpha}}}آن را α-cut قوی (به عنوان مثال سطح قوی سطح α نامیده می شود)
  • {\ displaystyle S (A) = Supp (A) = A ^ {> 0} = \ {x \ در U \ mid m (x)> 0 \}}پشتیبانی آن نامیده می شود
  • {\ displaystyle C (A) = هسته (A) = A ^ {= 1} = \ {x \ در U \ mid m (x) = 1 \}}هسته آن (یا گاهی هسته ) نامیده می شود {\ displaystyle کرن (A)})

توجه داشته باشید که برخی از نویسندگان "هسته" را به شیوه ای دیگر درک می کنند، نگاه کنید به زیر.

 

 

 

مجموعه فازی

مجموعه فازی (گاهی اوقات تار (1) ، مبهم (2) ، مه آلود (3) ، کرکی [4] ) یک مفهوم است که توسط لطفی زاده در سال 1965 در مقاله "مجموعه فازی" در مجله اطلاعات و کنترل [en] که در آن مفهوم کلاسیک مجموعه را گسترش داد ، با فرض اینکه تابع مجموعه مشخصه (به نام تابع عضویت برای یک مجموعه فازی) می تواند هر مقدار در بازه[0، 1] بگیرد

 

 

 

تعریف ویرایش ویرایش کد ]

تحت مجموعه فازیالف مجموعه ای از جفت های مرتب شده از عناصر  می شود x عضو مجموعه جهانی X و درجه مربوط به تعلق \ mu _ {A} (x):

A = \ {(x، \ mu_ {A} (x)) \ mid x \ in X \}،

و \ mu _ {A} (x) - تابع عضويت (تعريف مفهوم تابع مشخصه مجموعه هاي واضح معمول)، نشان دهنده ميزان (اندازه گيري) عنصرx متعلق به یک مجموعه فازی استالف . تابع\ mu _ {A} (x) \ مقادیری را در بعضی از مجموعه های خطی مرتب می کند م. بسیاری ازمبه عنوان لوازم جانبی مختلف اشاره می شود ، اغلب به عنوانم بخش انتخاب شده است }[0، 1]. اگرM = \ {0،1 \} \  (یعنی، آن شامل تنها دو عنصر است)، مجموعه فازی را می توان به عنوان یک مجموعه منظم  در نظر گرفت.

تعاریف پایه ویرایش ویرایش کد ]

بگذار الف مجموعه فازی با عناصر از مجموعه جهانیX \  و  M = [0،1]. سپس:

  • حامل ( پشتیبانی ) مجموعه فازی \ {x \ mid x \ in X، \ mu_ {A} (x)> 0 \}؛
  • بزرگی \ sup _ {{x \ in X}} \ mu_ {A} (x)ارتفاع یک مجموعه فازی نامیده می شودA \ . مجموعه فازیA \  خوب اگر ارتفاع آن برابر باشد1 \ . اگر ارتفاع به شدت کمتر باشد1 \ مجموعه فازی نامحدود نامیده می شود .
  • مجموعه فازی اگر خالی باشد خالی است\ forall x \ in X: \ mu _ {A} (x) = 0. یک مجموعه فازی غیرمعمول غیر نامطلوب می تواند با استفاده از فرمول normalized شود

    \ mu {_ {A} (x) = {\ frac {\ mu_ {A} (x)} {\ sup \ mu_ {A} (x)}}؛

  • مجموعه فازی تک مدی اگر\ mu _ {A} (x) = 1 \  فقط بر روی یک x \  از X \ ؛
  • اقلام X در Xبرای که {\ displaystyle \ mu_ {A} (x) = 0 {،} 5}نقاط انتقال یک مجموعه فازی نامیده می شودA \ .

مقایسه مجموعه های فازی ویرایش ویرایش کد ]

بگذار الف و ب مجموعه های فازی در یک مجموعه جهانی تعریف شده است X.

  • الف موجود درباگر برای هر آیتم از X تابع تعلق آن به مجموعه الف مقدار کمتر یا برابر تابع عضو را می گیرد ب:

    {\ displaystyle A \ subset B \ Leftrightarrow \ forall x \ in X: \ mu_ {A} (x) \ leqslant \ mu_ {B} (x)}.

  • در صورتی که شرایط {\ displaystyle \ mu_ {A} (x) \ leqslant \ mu_ {B} (x)} نه برای همه X در Xدر مورد درجه ورودی فازی می گویندالف در بکه به عنوان تعریف شده است:

    {\ displaystyle l \ left (A \ subset B \ right) = \ min_ {x \ in T} \ mu_ {B} (x)}{\ displaystyle T = \ {x \ in X؛ \ mu_ {A} (x) \ leqslant \ mu_ {B} (x)، \ mu_ {A} (x)> 0 \}}.

  • دو مجموعه هستند برابر در صورتی که در هر یک از دیگر موجود:

    {\ displaystyle A = B \ LeftRightarrow \ forall x \ in X: \ mu_ {A} (x) = \ mu_ {B} (x)}.

  • در صورتی که ارزش توابع عضویت باشد \ mu _ {A} (x) و {\ displaystyle \ mu_ {B} (x)}تقریبا برابر با یکدیگر است، صحبت در مورد درجه برابری مجموعه های فازیالف و ب

به عنوان مثال در فرم

{\ displaystyle E (A = B) = 1 \ max_ {x \ in T} | \ mu_ {A} (x) - \ mu_ {B} (x) |}

{\ displaystyle T = \ {x \ in X؛ \ mu_ {A} (x) \ neq \ mu_ {B} (x) \}}.

خواص مجموعه های فازی ویرایش ویرایش کد ]

\ alpha - یک قطعه از یک مجموعه فازی A \ subseteq Xمشخص شده توسطA _ {\ alpha}، مجموعه ای از موارد زیر نامیده می شود :

{\ displaystyle A _ {\ alpha} = \ {x \ in X \ mid \ mu_ {A} (x) \ geqslant \ alpha}}}،

یعنی مجموعه ای که توسط تابع مشخصه زیر (تابع عضویت) تعریف شده است:

{\ displaystyle \ chi _ {A_ {\ alpha}} (x) = \ left \ {{\ begin {matrix} 0، \ mu \ {A} (x) <\ alpha، \\ 1، & mu _ {A} (x) \ geqslant \ alpha. \ End {matrix}} \ right.}

برای \ alpha - تکه تکه فازی مجموعه درستی:

{\ displaystyle \ alpha _ {1} <\ alpha _ (2) \ Rightarrow A _ {\ alpha _ {1}} \ supset A _ {\ alpha _ {2}}.

مجموعه فازی {\ displaystyle A \ subseteq \ mathbf {R}}است محدب اگر و تنها اگر شرایط زیر:

{\ displaystyle \ mu_ {A} [\ gamma x_ {1} + (1- \ gamma) x_ {2}] \ geqslant \ langle \ mu_ {A} (x_ {1}) \ land \ mu_ { A} (x_ {2}) = \ min \ {\ mu_ {A} (x_ {1})، \ mu_ {A} (x_ {2}) \} \ rangle}

برای هر {\ displaystyle x_ {1}، x_ {2} \ in \ mathbf {R}} و {\ displaystyle \ gamma \ in [0،1]}.

مجموعه فازی {\ displaystyle A \ subseteq \ mathbf {R}}است مقعر اگر و تنها اگر شرایط زیر:

{\ displaystyle \ mu_ {A} [\ gamma x_ {1} + (1- \ gamma) x_ {2}] \ leqslant \ langle \ mu_ {A} (x_ {1}) \ lor \ mu_ { A} (x_ {2}) = \ max \ {\ mu_ {A} (x_ {1})، \ mu_ {A} (x_ {2}) \} \ rangle}

برای هر {\ displaystyle x_ {1}، x_ {2} \ in \ mathbf {R}} و {\ displaystyle \ gamma \ in [0،1]}.

عملیات در مجموعه های فازی ویرایش ویرایش کد ]

با انواع لوازم جانبی M = [0،1] \

  • تقاطع مجموعه های فازیالف و ب زیر مجموعه فازی نامیده می شود با تابع عضویت، که حداقل توابع عضویت است الف و ب:

    {\ displaystyle \ mu _ {A \ cap B} (x) = \ min (\ mu_ {A} (x)، \ mu_ {B} (x))}.

  • ضرب مجموعه های فازیالف و ب زیر مجموعه فازی با تابع عضویت:

    {\ displaystyle \ mu _ {AB} (x) = \ mu _ {A} (x) \ mu_ {B} (x)}.

  • ترکیب مجموعه های فازیالف و ب زیر مجموعه فازی نامیده می شود با تابع عضویت، که حداکثر از توابع عضویت است الف و ب::

    {\ displaystyle \ mu _ {A \ cup B} (x) = \ max (\ mu_ {A} (x)، \ mu_ {B} (x)}}.

  • مجموع مجموعه های فازیالف و ب زیر مجموعه فازی با تابع عضویت:

    {\ displaystyle \ mu_ {A + B} (x) = \ mu_ {A} (x) + \ mu_ {B} (x) \ - \ mu_ {A} (x) \ mu_ {B } (x)}.

  • رد کردن مجموعهA \  به نام مجموعه \ overline A با عملکرد جانبی:

    {\ displaystyle \ mu_ {\ overline {A}} (x) = 1 \ mu_ {A} (x)} برای هر X در X.

نمایش جایگزین عملیات در مجموعه های فازی ویرایش ویرایش کد ]

تقاطع ویرایش ویرایش کد ]

به طور کلی، عمل تقاطع مجموعه های فازی به شرح زیر تعریف می شود:

{\ displaystyle \ mu _ {A \ cap B} (x) = T (\ mu_ {A} (x)، \ mu_ {B} (x))}،

کجاست عملکرد T - این به اصطلاح T-norm است . مثال زیر نمونه هایی از اجرای T-norm است :

  • {\ displaystyle \ mu _ {A \ cap B} (x) = \ mu_ {A} (x) \ land \ mu_ {B} (x) = \ min (\ mu_ {A} (x) \ mu _ {B} (x))}
  • {\ displaystyle \ mu _ {A \ cap B} (x) = \ mu_ {A} (x) \ mu_ {B} (x)}
  • {\ displaystyle \ mu _ {A \ cap B} (x) = \ max \ {0، \ mu_ {A} (x) + \ mu_ {B} (x) -1 \}}
  • {\ displaystyle \ mu _ {A \ cap B} (x) = \ left \ {{\ begin {matrix} \ mu_ {A} (x)، & \ mu_ {B} (x) = 1 \\ \ mu _ {B} (x)، و \ mu_ {A} (x) = 1 \\ 0، & \ mu_ {A} (x) <1، \ mu _ {B} (x) <1 ، \ end {matrix}} \ right.}
  • {\ displaystyle \ mu _ {A \ cap B} (x) = 1 \ min \ {1، [(1 \ mu_ {A} (x)) ^ {p} + (1- \ mu_ { B} (x)) ^ {p}] ^ {1 \ over p} \}}برایp \ geqslant 1

انجمن ویرایش ویرایش کد ]

به طور کلی، عملیات ترکیب مجموعه های فازی به شرح زیر تعریف می شود:

{\ displaystyle \ mu _ {A \ cup B} (x) = S (\ mu_ {A} (x)، \ mu_ {B} (x))}،

کجاست عملکرد S - T-conorm . زیر نمونه های خاصی از اجرای S-norm هستند :

  • {\ displaystyle \ mu _ {A \ cup B} (x) = \ mu_ {A} (x) \ lor \ mu_ {B} (x) = \ max (\ mu_ {A} (x) \ mu _ {B} (x))}
  • {\ displaystyle \ mu _ {A \ cup B} (x) = \ mu_ {A} (x) + \ mu_ {B} (x) - \ mu_ {A} (x) \ mu_ {B } (x)}
  • {\ displaystyle \ mu _ {A \ cup B} (x) = \ min \ {1، \ mu_ {A} (x) + \ mu_ {B} (x) \}}
  • {\ displaystyle \ mu _ {A \ cup B} (x) = \ left \ {{\ begin {matrix} \ mu_ {A} (x)، & \ mu_ {B} (x) = 0 \\ \ mu_ {B} (x) و \ mu _ {A} (x) = 0 \\ 1، & \ mu _ {A} (x)> 0، \ mu_ {B} (x)> 0 \ end {matrix}} \ right.}
  • {\ displaystyle \ mu _ {A \ cup B} (x) = \ min \ {1، [\ mu_ {A} ^ {p} (x) + \ mu_ {B} ^ {p} (x) ] ^ {1 \ over p} \}}برای p \ geqslant 1

ارتباط با تئوری احتمالی ویرایش ویرایش کد ]

تئوری مجموعه های فازی به معنی خاص به نظریه مجموعه های تصادفی و به همین ترتیب به تئوری احتمال می انجامد . ایده اصلی این است که ارزش عملکرد عضویت\ mu _ {A} (x) \  می تواند به عنوان احتمال پوشش عنصر در نظر گرفته شود x \  برخی از مجموعه تصادفی B \ .

با این حال، در کاربرد عملی، دستگاه تئوری مجموعه های فازی معمولا به طور مستقل استفاده می شود، به عنوان یک رقیب به دستگاه نظریه احتمالات و آمار کاربردی .

مثالها ویرایش ویرایش کد ]

بیایید:

  • بسیاری از X = \ {x_ {1}، x_ {2}، x_ {3}، x_ {4} \}
  • بسیاری از لوازم M = [0،1]
  • الف و ب - دو زیر مجموعه فازی X
    • A = \ {(x_ {1} \ mid 0 {،} 4)، (x_ {2} \ mid 0 {،} 6)، (x_ {3} \ mid 0)، (x_ {4} \ mid 1 ) \}
    • B = \ {(x_ {1} \ mid 0 {،} 3)، (x_ {2} \ mid 0)، (x_ {3} \ mid 0)، (x_ {4} \ mid 0 {،} 2 ) \}

ما:

  • تقاطع:(x_ {3} \ mid 0)، (x_ {4} \ mid {{A \ cap B} = \ {{x_ {1} \ mid 0 {،} 3)، (x_ {2} \ mid 0) 0 {،} 2) \} = {B}
  • انجمن: (x_ {3} \ mid 0)، (x_ {1}} {x} {x} {x} {x} {x} {x} 4} \ mid 1) \} = {A}
ادامه نوشته

فهرست تبدیل های مربوط به فوریه

این یک لیست از تبدیل های  خطی از توابع مربوط به تجزیه و تحلیل فوریه . چنین تحولات نقشه یک تابع به مجموعه ای از ضرایب از توابع پایه ، که در آن توابع پایه هستند سینوسی و بنابراین به شدت در موضعی طیف فرکانس . (این تبدیل ها به طور کلی طراحی شده اند تا قابل برگشت باشند.) در مورد تبدیل فوریه، هر تابع پایه مربوط به یک مولفه فرکانس تک است.

تبدیل های مداوم ویرایش ]

اعمال شده به توابع استدلال های مداوم، تغییرات مربوط به فوریه عبارتند از:

  • تبدیل لاپلاس دو طرفه
  • تبدیل مولین ، یکی دیگر از تبدیل یکپارچه نزدیک است
  • تبدیل لاپلاس
  • تبدیل فوریه با موارد خاص :
    • سری فوریه
      • هنگامی که تابع ورودی / شکل موج به صورت دوره ای است، خروجی تبدیل فوریه یک تابع ترکیبی دیراک است که توسط یک دنباله گسسته از ضرایب با ارزش محدود است که به صورت کلی پیچیده هستند. این ضرایب سری فوریه نامیده می شود . سری اصطلاح فوریه در واقع به تبدیل تبدیل فوریه معکوس اشاره دارد که مجموع سینوس ها در فرکانس های گسسته است که با ضرایب سری فوریه وزن می شود.
      • هنگامی که بخش غیر صفر تابع ورودی دارای طول محدود است، تبدیل فوریه پیوسته و محدود است. اما یک زیرمجموعه گسسته از مقادیر آن برای بازسازی / نمایش قسمت مورد تجزیه و تحلیل کافی است. همان مجموعه گسسته با در نظر گرفتن طول مدت بخش به عنوان یک دوره از یک تابع دوره ای و محاسبه ضرایب سری فوریه بدست می آید.
    • تبدیل سینوس و کوزین : هنگامی که تابع ورودی تقریبا یکنواخت یا حتی تقریبی در اطراف مبدأ باشد، تبدیل فوریه به تبدیل سینوس یا کوزینس تبدیل می شود.
  • تبدیل هارتلی
  • کوتاه مدت تبدیل فوریه (یا تبدیل کوتاه مدت فوریه) (STFT)
  • تبدیل خیلات
  • تبدیل فوریه مکرر (FRFT)
  • تبدیل هانکل : مربوط به تبدیل فوریه توابع شعاعی است.

تبدیل گسسته ویرایش ]

برای استفاده در کامپیوترها ، تئوری تعداد و جبر، استدلال های گسسته (به عنوان مثال، توابع مجموعه ای از نمونه های گسسته) اغلب مناسب تر هستند و توسط تبدیل ها (مشابه موارد مداوم بالا) انجام می شود:

  • تبدیل دیفرانسیلی فوریه (DTFT) : معادل با تبدیل فوریه یک تابع "پیوسته" است که از تابع ورودی گسسته با استفاده از مقادیر نمونه برای مدول کردن شانه Dirac ساخته شده است . هنگامی که مقادیر نمونه توسط نمونه برداری از یک تابع در خط واقعی مشتق می شود، ƒ ( x )، DTFT معادل یک جمع دوره ای از تبدیل فوریه ƒ است . خروجی DTFT همیشه بصورت دوره ای(cyclic) است. دیدگاه جایگزین این است که DTFT تبدیل به یک دامنه فرکانسی است که محدود (یا محدود )، طول یک چرخه است.
    • تبدیل فوریه گسسته (DFT) :
      • هنگامی که توالی ورودی به صورت دوره ای است، خروجی DTFT نیز یک عمل ترکیبی دیراک است که توسط ضرایب یک سری فوریه [1] تعدیل شده است که می تواند به عنوان یک DFT از یک چرخه توالی ورودی محاسبه شود. تعداد مقادیر گسسته در یک چرخه DFT همانند یک سیکل توالی ورودی است.
      • هنگامی که بخش غیر صفر توالی ورودی دارای طول محدود است، DTFT پیوسته و محدود است. اما یک زیرمجموعه گسسته از مقادیر آن برای بازسازی / نمایش قسمت مورد تجزیه و تحلیل کافی است. همان مجموعه گسسته با در نظر گرفتن طول بخش به عنوان یک چرخه ی یک تابع دوره ای و محاسبه DFT بدست می آید .
    • سیگنال و سیگنال دیجیتال تبدیل می کند : هنگامی که توالی ورودی متضاد یا حتی تقریبی در اطراف مبدأ است، DTFT به یک تبدیل سینوس گسسته (DST) یا تبدیل کوزینوی گسسته (DCT) کاهش می یابد.
    • چیایشیف گسسته تبدیل می شود (بر روی شبکه ریشه ها و شبکه "افراطی" چندجملهایهای Chebyshev از نوع اول). این تبدیل بسیار مهم در زمینه روش های طیفی برای حل معادلات دیفرانسیل است زیرا می توان آن را به سرعت و کارآمد از مقادیر نقطه شبکه به ضرایب سری Chebyshev استفاده کرد.
  • DFT عمومی (GDFT)، یک تعمیم DFT و تبدیل مدول ثابت است که در آن توابع فاز ممکن است خطی با عدد صحیح و دامنه واقعی واقعی باشند، یا حتی فاز غیر خطی، ایجاد انعطاف پذیری برای طرح های بهینه از معیارهای مختلف، مانند خودکار و متقابل همبستگی
  • (x، y). خروجی DSFT است تناوبی در هر دو متغیر.
  • Z-transform ، یک تعمیم DTFT به کل سیستم پیچیده است
  • تغییر شکل کوسیینوس گسسته (MDCT)
  • تبدیل هارتلی گسسته (DHT)
  • همچنین STFT مخالف (نگاه کنید به بالا).
  • تبدیل هادامارد ( عملکرد والش ).

استفاده از همه این تغییرات با وجود الگوریتم های کارآمد بر مبنای تبدیل سریع فوریه (FFT) ، بسیار آسان شده است . قضیه نمونهبرداری نایکوئیست-شانون برای درک خروجی این تبدیلهای گسسته ضروری است.

یادداشت ها ویرایش ]

  1. {\ displaystyle \ scriptstyle \ sum_ {n = - \ infty} ^ {\ infty} f (nT) \ cdot \ delta (t-nT)،} جایی که T فاصله بین نمونه ها است.

همچنین نگاه کنید به ویرایش ]

ادامه نوشته

فهرست تبدیلات ریاضیات


از ویکیپدیا، دانشنامه آزاد

پرش به ناوبریپرش به جستجو

این یک لیست از تبدیل در ریاضیات است .

 

فهرست

تبدیل انتگرال ویرایش ]

تبدیل گسسته ویرایش ]

تبدیلات زمان گسسته ویرایش ]

این تغییرات یک دامنه فرکانس پیوسته دارند:

تبدیلات  وابسته به داده ها ویرایش ]

تغییرات دیگر ویرایش ]

ادامه نوشته

فهرست اپراتورهای ریاضی

از توابع هولومورفیک .

اصطلاح
تعریف منحنی
متغیرهاشرح
تبدیلات خطی
{\ displaystyle L [y] = y ^ {(n)}}  مشتق N هفتم سفارش
{\ displaystyle L [y] = \ int _ {a} ^ {t} y \، dt}دکارتیy = y (x)
{\ displaystyle x = t}
انتگرال، منطقه
{\ displaystyle L [y] = y \ circ f}  اپراتور ترکیب
{\ displaystyle L [y] = {\ frac {y \ circ t + y \ circ -t} {2}}}  مولفه زوج
{\ displaystyle L [y] = {\ frac {y \ circ ty \ circ -t} {2}}}  مولفه فرد
{\ displaystyle L [y] = y \ circ (t + 1) -y \ circ t = \ Delta y}  اپراتور دیفرانسیل
{\ displaystyle L [y] = y \ circ (t) -y \ circ (t-1) = \ nabla y}  دیفرانسیل به عقب (اپراتور نابلا)
{\ displaystyle L [y] = \ sum y = \ Delta ^ {- 1} y}  اپراتور مجموع نامحدود (اپراتور معکوس تفاوت)
{\ displaystyle L [y] = - (py ')' + qy}  اپراتور Sturm-Liouville
تبدیلات غیر خطی
{\ displaystyle F [y] = y ^ {[- 1]}}  تابع معکوس
{\ displaystyle F [y] = t \، y '^ {[- 1]} - y \ circ y' ^ {[- 1]}}  تبدیل لژاندر
\{\ displaystyle F [y] = f \ circ y}  ترکیب چپ
{\ displaystyle F [y] = \ prod y}  محصول نامحدود
{\ displaystyle F [y] = {\ frac {y}} {y}}}  مشتق لگاریتمی
{\ displaystyle F [y] = {\ frac {ty '} {y}}}  قابلیت ارتجاعی
{\ displaystyle F [y] = {y '' \ over y '} - {3 \ over 2} \ left {{y \' y over} \ right} ^ {2}}  مشتق شوارتزی
{\ displaystyle F [y] = \ int _ {a} ^ {t} | y '| \، dt}  تنوع کامل
{\ displaystyle F [y] = {\ frac {1} {ta}} \ int _ {a} ^ {t} y \، dt}  میانگین حسابی
{\ displaystyle F [y] = \ exp \ left ({\ frac {1} {ta}} \ int _ {a} ^ {t} \ ln y \، dt \ right)}  میانگین هندسی
{\ displaystyle F [y] = - {\ frac {y} {y '}}}دکارتیy = y (x)
{\ displaystyle x = t}
زیرمجموعه
{\ displaystyle F [x، y] = - {\ frac {yx '} {y'}}}
دکارتیپارامتری
{\ displaystyle x = x (t)}
{\ displaystyle y = y (t)}
{\ displaystyle F [r] = - {\ frac {r ^ {2}} {r '}}}قطبی{\ displaystyle r = r (\ phi)}
{\ displaystyle \ phi = t}
{\ displaystyle F [r] = {\ frac {1} {2}} \ int _ {a} ^ {t} r ^ {2} dt}قطبی{\ displaystyle r = r (\ phi)}
{\ displaystyle \ phi = t}
منطقه بخش
{\ displaystyle F [y] = \ int _ {a} ^ {t} {\ sqrt {1 + y} ^ {2}}} \، dt}دکارتیy = y (x)
{\ displaystyle x = t}
طول کمان
{\ displaystyle F [x، y] = \ int _ {a} ^ {t} {\ sqrt {x '^ {2} + y' ^ {2}}} \، dt}
دکارتیپارامتری
{\ displaystyle x = x (t)}
{\ displaystyle y = y (t)}
{\ displaystyle F [r] = \ int _ {a} ^ {t} {\ sqrt {r ^ {2} + r '^ {2}}} \، dt}قطبی{\ displaystyle r = r (\ phi)}
{\ displaystyle \ phi = t}
{\ displaystyle F [x، y] = \ int _ {a} ^ {t} {\ sqrt [{3}] {y '}} \، dt}دکارتیy = y (x)
{\ displaystyle x = t}
طول قوس وابسته
{\ displaystyle F [x، y] = \ int _ {a} ^ {t} {\ sqrt [{3}] {x'y '' - x''y '}} \، dt}
دکارتی پارامتری
{\ displaystyle x = x (t)}
{\ displaystyle y = y (t)}
{\ displaystyle F [x، y، z] = \ int _ {a} ^ {t} {\ sqrt [{3}] {z '' '(x'y' '- y'x' ') + z '' (x '' 'y'-x'y' '') + z '(x''y' '' - x '' '' y '')}}}
دکارتی پارامتری
{\ displaystyle x = x (t)}
{\ displaystyle y = y (t)}
{\ displaystyle z = z (t)}
{\ displaystyle F [y] = {\ frac {y}} {(1 + y '^ {2}) ^ {3/2}}}}دکارتیy = y (x)
{\ displaystyle x = t}
انحنای
{\ displaystyle F [x، y] = {\ frac {x'y '' - y'x ''} {{x '^ {2} + y' ^ {2}) ^ {3/2}}} }
دکارتی پارامتری
{\ displaystyle x = x (t)}
{\ displaystyle y = y (t)}
{\ displaystyle F [r] = {\ frac {r ^ {2} + 2r '^ {2} -rr' '} {{r ^ {2} + r' ^ {2}) ^ {3/2} }}}قطبی{\ displaystyle r = r (\ phi)}
{\ displaystyle \ phi = t}
{\ displaystyle F [x، y، z] = {\ frac {\ sqrt {(z''y'-z'y '') ^ {2} + (x''z'-z''x ') ^ {2} + (y''x'-x''y ') ^ {2}}} {(x' ^ {2} + y '^ {2} + z' ^ {2}) ^ {3 / 2}}}}
دکارتی پارامتری
{\ displaystyle x = x (t)}
{\ displaystyle y = y (t)}
{\ displaystyle z = z (t)}
{\ displaystyle F [y] = {\ frac {1} {3}} {\ frac {y '' '} {(y' ') ^ {5/3}}} - {\ frac {5} { 9}} {\ frac {y '' '^ {2}} {(y' ') ^ {8/3}}}}دکارتیy = y (x)
{\ displaystyle x = t}
انحنای افقی
{\ displaystyle F [x، y] = {\ frac {x''y '' '- x' '' y ''} {{x'y '' - x''y ') ^ {5/3} }} - {\ frac {1} {2}} \ left [{\ frac {1} {(x'y '' - x''y ') ^ {2/3}}} \ right]' '}
دکارتیپارامتری
{\ displaystyle x = x (t)}
{\ displaystyle y = y (t)}
{\ displaystyle F [x، y، z] = {\ frac {z '' '(x'y' '- y'x' ') + z' '(x' '' y'-x'y '' ') + z' (x''y '' '- x' '' y '')} {(x '^ {2} + y' ^ {2} + z '^ {2} ^ {2} + y '' ^ {2} + z '' ^ {2})}}}
دکارتی پارامتری
{\ displaystyle x = x (t)}
{\ displaystyle y = y (t)}
{\ displaystyle z = z (t)}
پیچ خوردگی منحنی
{\ displaystyle X [x، y] = {\ frac {y '} {yx'-xy}}}}

{\ displaystyle Y [x، y] = {\ frac {x}} {xy'-yx}}}}

دکارتی پارامتری
{\ displaystyle x = x (t)}
{\ displaystyle y = y (t)}
منحنی دوگانه
(مختصات مماسی)
X [x، y] = x + \ frac {ay}} {\ sqrt {x '^ 2 + y' ^ 2}}

{\ displaystyle Y [x، y] = y - {\ frac {ax}} {\ sqrt {x '^ {2} + y' ^ {2}}}}}

دکارتیپارامتری
{\ displaystyle x = x (t)}
{\ displaystyle y = y (t)}
منحنی موازی
{\ displaystyle X [x، y] = x + y '{\ frac {x' ^ {2} + y '^ {2}} {x''y'-y''x'}}}}

{\ displaystyle Y [x، y] = y + x '{\ frac {x' ^ {2} + y '^ {2}} {y''x'-x''y}}}}

دکارتی پارامتری
{\ displaystyle x = x (t)}
{\ displaystyle y = y (t)}
تکامل
{\ displaystyle F [r] = t (r '\ circ r ^ {[- 1]})}ذاتی{\ displaystyle r = r (s)}
s = t
{\ displaystyle X [x، y] = x - {\ frac {x} \ int _ {a} ^ {t} {\ sqrt {x '^ {2} + y' ^ {2}}} \، dt } {\ sqrt {x '^ {2} + y' ^ {2}}}}}

{\ displaystyle Y [x، y] = y - {\ frac {y '\ int _ {a} ^ {t} {\ sqrt {x' ^ {2} + y '^ {2}}} \، dt } {\ sqrt {x '^ {2} + y' ^ {2}}}}}

دکارتیپارامتری
{\ displaystyle x = x (t)}
{\ displaystyle y = y (t)}{\ displaystyle y = y (t)}
بی اعتنایی
X [x، y] = {\ frac {(xy'-yx ') y'} {x '^ {2} + y' ^ {2}}}

{\ displaystyle Y [x، y] = {\ frac {(yx'-xy ') x'} {x '^ {2} + y' ^ {2}}}}

دکارتیپارامتری
{\ displaystyle x = x (t)}{\ displaystyle x = x (t)}
{\ displaystyle y = y (t)}{\ displaystyle y = y (t)}
منحنی پدال با نقطه پدال (0؛ 0)
{\ displaystyle X [x، y] = {\ frac {(x '^ {2} -y' ^ {2}) y '+ 2xyx'} {xy'-yx}}}}

{\ displaystyle Y [x، y] = {\ frac {(x '^ {2} -y' ^ {2}) x '+ 2xyy'} {xy'-yx}}}}

دکارتیپارامتری
{\ displaystyle x = x (t)}{\ displaystyle x = x (t)}
{\ displaystyle y = y (t)}
منحنی پدال منفی با نقطه پدال (0؛ 0)
{\ displaystyle X [y] = \ int _ {a} ^ {t} \ cos \ left [\ int _ {a} ^ {t} {\ frac {1} {y}} \، dt \ right] dt }

{\ displaystyle Y [y] = \ int _ {a} ^ {t} \ sin \ left [\ int _ {a} ^ {t} {\ frac {1} {y}} \، dt \ right] dt }
ذاتی{\ displaystyle y = r (s)}
s = t
درونی برای تبدیل 
دکارتی
Functionals متریک
{\ displaystyle F [y] = \ | y \ | = {\ sqrt {\ int _ {E} y ^ {2} \، dt}}}  نورم
{\ displaystyle F [x، y] = \ int _ {E} xy \، dt}  ضرب  داخلی
{\ displaystyle F [x، y] = \ arccos \ left [{\ frac {\ int _ {E} xy \، dt} {{sqrt {\ int _ {E} x ^ {2} \، dt} } {\ sqrt {\ int _ {E} y ^ {2} \، dt}}}} \ right]}  معیار Fubini-Study
(زاویه داخلی)
توابع توزیع
{\ displaystyle F [x، y] = x * y = \ int _ {E} x (s) y (ts) \، ds}  انقباض
{\ displaystyle F [y] = \ int _ {E} y \ ln y \، dy}  آنتروپی دیفرانسیل
{\ displaystyle F [y] = \ int _ {E} yt \، dt}  ارزش پیش بینی شده
{\ displaystyle F [y] = \ int _ {E} \ left (t- \ int _ {E} yt \، dt \ right) ^ {2} y \، dt}  واریانس

همچنین نگاه کنید به 

در ریاضیات یک عملگر یا تبدیل یک تابع از یک فضای توابع به دیگری است. اپراتورها معمولا در مهندسی ، فیزیک و ریاضیات حضور دارند. بسیاری از اپراتورهای انتگرال و اپراتورهای دیفرانسیل.

در زیر L یک اپراتور است

{\ displaystyle L: {\ mathcal {F}} \ to {\ mathcal {G}}}

ماتریس Hessian

ماتریس Hessian

به ناوبریبرو به جستجو

در ریاضیات ، ماتریس هسیج از یک تابع f از n متغیر، ماتریس مربع از n × n از مشتقات جزئی دوم است .

 

فهرست

تعریف ویرایش ]

با توجه به یک تابع واقعی f از n متغیرهای واقعی :

{\ displaystyle {\ begin {aligned} و f \ colon \ mathbb {R} ^ {n} \ to \ mathbb {R} \\ و \، \، \، \، \، \، \، x \ mapsto f ( x) \\\ end {aligned}}}


اگر تمام مشتقات جزئی دوم f وجود داشته باشد، ماتریس Hessian از f به صورت زیر تعریف می شودH {f}} {{mathbf {x}})، جایی که

H {{F}} ({میشوند: \ mathbf {X}}) _ {{i، j را}} = {که \ frac {\ جزئی ^ {2} \، F ({میشوند: \ mathbf {X}})} {\ جزئی x_ {من} \، \ x_ جزئی {ج}}}.

گرفتن فرم زیر

H (ج) = {\ {آغاز bmatrix} {\ FRAC {\ جزئی ^ {2} F} {\ x_ جزئی {1} ^ {2}}} و {که \ frac {\ جزئی ^ {2} F} { \ x_ جزئی {1} \ x_ جزئی {2}}} و \ نقاط و {که \ frac {\ {2} F جزئی ^} {\ x_ جزئی {1} \ x_ جزئی {N}}} \\ {\ FRAC {\ جزئی ^ {2} F} {\ x_ جزئی {2} \ x_ جزئی {1}}} و {که \ frac {\ جزئی ^ {2} F} {\ x_ جزئی {2} ^ {2}}} و \ نقاط و {که \ frac {\ {2} جزئی ^ F} {\ x_ جزئی {2} \ x_ جزئی {N}}} & vdots \\\ \ vdots و \ ddots و \ vdots \\ {که \ frac { \ جزئی ^ {2} F} {\ x_ جزئی {N} \ x_ جزئی {1}}} و {که \ frac {\ جزئی ^ {2} F} {\ x_ جزئی {N} \ x_ جزئی {2}} } و \ نقاط و {که \ frac {\ {2} جزئی ^ F} {\ x_ جزئی {N} ^ {2}}} \}} {bmatrix پایان

علاوه بر این، باید:{\ Displaystyle F \ روده بزرگ A \ subseteq \ mathbb {R} ^ {N} \ به \ mathbb {R} \،}{\ Displaystyle F \ روده بزرگ A \ subseteq \ mathbb {R} ^ {N} \ به \ mathbb {R} \،}با یک مجموعه باز و F کلاس{\ displaystyle {\ mathcal {C}} ^ {2}}{\ mathcal C} ^ {2}سپس ماتریس هسیان به خوبی تعریف شده است و طبق قضیه Clairaut (یا قضیه Schwarz)، یک ماتریس متقارن است.

این ماتریس نام خود را به ریاضیدان آلمانی لویدویگ اتو هسن اعطا کرد و توسط جیمز جوزف سیلوستر معرفی شد .

کاربرد ماتریس هسیان ویرایش ]

کنجکاوی / کنجکاوی ویرایش ]

بشه {\ displaystyle A \ subseteq \ mathbb {R} ^ {n}}{\ displaystyle A \ subseteq \ mathbb {R} ^ {n}} یک مجموعه باز و {\ displaystyle f \ colon A \ to \ mathbb {R}}{\ displaystyle f \ colon A \ to \ mathbb {R}} یک تابع با مشتقات پیوسته دوم:

  1. {\ displaystyle f \،}f \این است که به محدب اگر و تنها اگر ،{\ displaystyle \ forall a \ in A}{\ displaystyle \ forall a \ in A}ماتریس Hessian {\ displaystyle H_ {f} (a) \،}{\ displaystyle H_ {f} (a) \،}این نیمه قطعی مثبت است .
  2. بله {\ displaystyle \ forall a \ in A}{\ displaystyle \ forall a \ in A} ماتریس Hessian {\ displaystyle H_ {f} (a) \،}{\ displaystyle H_ {f} (a) \،}سپس تعریف مثبت است{\ displaystyle f \،}f \این بسیار محدب است .
    • بله {\ displaystyle f \،}f \این یک تابع محدب هر نقطه که در آن تمام مشتقات جزئی هستند صفر است، پس از آن، است حداقل محلی.
  3. {\ displaystyle f \،}f \است مقعر اگر و تنها اگر،{\ displaystyle \ forall a \ in A}{\ displaystyle \ forall a \ in A}ماتریس Hessian {\ displaystyle H_ {f} (a) \،}{\ displaystyle H_ {f} (a) \،}این نیمه قطعی منفی است .
  4. بله {\ displaystyle \ forall a \ in A}{\ displaystyle \ forall a \ in A} ماتریس Hessian {\ displaystyle H_ {f} (a) \،}{\ displaystyle H_ {f} (a) \،}است منفی تعریف شده ، پس از آن F است اکیدا مقعر .
    • بله {\ displaystyle f \،}f \این یک تابع مقعر هر نقطه که در آن تمام مشتقات جزئی هستند صفر است، پس از آن، است حداکثر محلی.

روش تعیین شخصیت نقاط بحرانی ویرایش ]

زیر چگونگی پیدا کردن نقاط بحرانی (حداکثر، حداقل و نقاط افقی - یا زین یا زین) از یک تابع f از متغیرهای مختلف را خواهیم دید.

  1. اولین مشتقات جزئی برابر صفر است.
  2. معادلات قبلی حل شده اند و مختصات نقاط بحرانی به دست می آیند.
  3. ماتریس Hessian ساخته شده است (مشتقات جزئی دوم).
  4. نقاط بحرانی در ماتریس هایسیان جایگزین می شود تا ماتریس های بسیاری را بدست آوریم زیرا نقاط بحرانی وجود دارد.
  5. بسته به نوع ماتریس حاصل از ارزیابی ماتریس هایسیان در نقاط بحرانی مختلف، این نقاط را می توان با استفاده از معیار سیلوستر ارزیابی کرد :
  • اگر همه زیر سن قانونی بیشتر از 0 باشد، یعنی | i |> 0 ∀ i = 1، ...، n ƒ به کمترین نسبت در نقطه می رسد.
  • اگر ناقل اصلی شاخص حتی بیش از 0 باشد و شاخص های عجیب و غریب کمتر از 0 است، یعنی | عدد H | <0 و | par |> 0 ∀ i = 1، ...، n ƒ به حداکثر نسبی در نقطه می رسد.
  • اگر ناقل اصلی از 0 متفاوت باشد، یعنی | i | ≠ 0 ∀i = 1، ...، n و هیچ کدام از موارد قبلی نیست، یک نقطه زاویه است .

هنگامی که برخی | i | = 0 هیچ چیز قابل تعیین نیست، بنابراین یک مطالعه خاص انجام می شود. برای n = 2 معیار بهبود یافته است به این معنی که بله | 1 | = 0 و | 2 | <0 ƒ دارای نقطه زاویه ای در نقطه است.


شبیه ما می توانیم به پایان می رسد نسبی یک میدان اسکالر ارزیابی N R ---> R: F مطالعه مقادیر ویژه ماتریس بلند.

قضیه 9.6 (حجم حساب دیفرانسیل و انتگرال 2. تام M.Apostol): "اجازه دهید F یک میدان اسکالر با مشتقات جزئی مستمر دوم IJ F در N-توپ B (A) ، و معنی H (یک) ماتریس بلند در نقطه ثابت به ما پس از آن:

الف) اگر تمام مقادیر ویژه H (a) مثبت باشند، f دارای حداقل نسبی در a است .

ب) اگر تمام مقادیر ویژه H (a) منفی باشند، f دارای حداکثر نسبی در a است .

ج) اگر H (a) دارای خصوصیات مثبت و منفی باشد، f دارای نقطه ی زاویه ای در a است . "


مورد خاص که در آن تابع به منظور بررسی نمودار سطح در R 3 ، F (X، Y) = Z ، و داشتن مشتقات مستمر دوم را می توان مورد مطالعه قرار نقاط بحرانی ارزیابی ماتریس هشین در آنها و سپس با استفاده از معیار تعیین پایان می رسد. اگر (الف، ب) یک نقطه بحرانی است F ، ( X (A، B) = 0 و و (A، B) = 0 ) و سپس:

- اگر تعیین کننده ماتریس حسنی که در نقطه (a، b) ارزیابی می شود ، بیشتر از 0 است H |> 0 و XX (A، B) <0 ، ما می گویند که F می رسد حداکثر نسبی در (A، B) .

- اگر تعیین کننده ماتریس حسنی که در نقطه (a، b) ارزیابی می شود ، بیشتر از 0 است H |> 0 و XX (A، B)> 0 ، ما می گویند که F می رسد حداقل نسبی در (A، B) .

- اگر تعیین کننده ماتریس حسنی که در نقطه (a، b) ارزیابی می شود ، کمتر از 0 است H | <0، می گویند که f (a، b) یک نقطه ی زاویه است .

- اگر تعیین کننده ماتریس حسنی در نقطه (a، b) ارزیابی شده برابر است با 0، | H | = 0، معیار هیچ نتیجه ای را نتیجه نمی کند.

کلیات ویرایش ]

ماتریس Hessian Ornate ویرایش ]

ماتریس بلند است یک نوع از این ماتریس هشین مورد استفاده در مسائل بهینه سازی محدود هم مرز است. عامل تعیین کننده اصلی جزئی از آن به عنوان استفاده معیاری برای تعیین اینکه آیا یک نقطه بحرانی از یک تابع حداقل، حداکثر و یا زین نقطه تعیین (به پایان می رسد مشروط) است. 1

کاربرد بیلیارد Hessian ویرایش ]

مفهوم ماتریس هشین می توانید شود تعمیم به بی نهایت فضاهای بعدی، برنامه های کاربردی به طور خاص تعریف شده بر روی فضاهای برداری عادی هنجار. اگر برنامه (یا کارکردی) تعریف شده است آن است مشتقپذیر در مفهوم فریشه و ژاکوبین دیفرانسیل در فضای رو هنجار تعمیم ماتریس هشین مشتقپذیر است به این معنا فریشه می توانید یک فرم دارای دو خط مستقیم مداوم تعریف (و در نتیجه محدود) است.

گفته شده است که یک برنامه {\ displaystyle f \ colon \ Omega \ in X \ to Y}{\ displaystyle f \ colon \ Omega \ in X \ to Y} بین فضاهای بردار نرمال {\ displaystyle X، Y}{\ displaystyle X، Y} اگر یک برنامه خطی مداوم وجود دارد، تمایزپذیر است {Y)}{\ displaystyle L_ {a} \ in {\ mathcal {L}} (X، Y)} چنین است:

{\ displaystyle \ lim_ (h \ to 0) {\ frac {\ | f (a + h) -f (a) -L_ (a) (h) \ | _ {Y}} {\ | h \ | _ {X}} = 0}

در این مورد، نوشته شده است:

{\ displaystyle \ mathrm {D} f (a) h \ equiv L_ (a) (h)}

این را می توان ثابت کرد {\ displaystyle {\ mathcal {L}} (X، Y)} این فضاپیما فضایی دیگر را با هنجار تنظیم می کند:

{\ Displaystyle \ | A \ | _ {{می شود \ mathcal {L}} (X، Y)} = \ SUP _ {0 \ neq X \ در X} {که \ frac {\ | تبر \ | _ {Y} } {\ | x \ | _ {X}}}}

مشتقات دوم زمانی که وجود دارد:

 در می شود {\ Displaystyle \ mathrm {D} ^ {2} F (الف): = \ mathrm {D} (\ mathrm {D} F (A)) \ در {{می شود \ mathcal {L}} (X، {{\ mathcal {L}} (X، Y)})}}

فرم بیلیاریس hessian توسط:

{\ Displaystyle H {F} (الف) (H، K) = (\ mathrm {D} ^ {2} F (یک) ساعت) K، \ qquad H، K \ در X، \ H {F} ( الف) \ در {می شود \ mathcal {L}} (X \ بار X، Y) \ حدود {می شود \ mathcal {L}} (X، {{می شود \ mathcal {L}} (X، Y)})}

 

ماتریس هشین

در علم ریاضیات، و در بحث ماتریس ها و توابع چند متغیره، ماتریس هشین (به انگلیسی: Hessian matrix) عبارت است از ماتریس مربعی که شامل مشتقات جزئی مرتبه دوم تابعی می‌باشد . این ماتریس در واقع بیان گر میزان انحنای موضعی تابع مورد نظر به ازای متغیرهای آن هست.چنین ماتریسی در قرن نوزدهم میلادی توسط ریاضیدان آلمانی آن مطرح و به نام او، نام گذاری شد.

تعریف[ویرایش]

فرض می‌شود تابع چند متغیره ای با دامنه اعداد حقیقی، وجود داشته باشد:

{\displaystyle f(x_{1},x_{2},\dots ,x_{n}),\,\!}

اگر مشتقات جزئی تابع ذکر شده موجود باشد، آنگاه ماتریس هشین تابع f عبارت است از:

ادامه نوشته

مشکل رضایتمندی محدودیت

مشکلات رضایت از محدودیت ( CSPs ) سوالات ریاضی هستند که به عنوان مجموعه ای از اشیا تعریف می شوند که دولت باید تعدادی محدودیت یا محدودیت را برآورده کند . CSPs نشان دهنده نهادها در یک مشکل به عنوان مجموعه ای همگن از محدودیت های محدود بر متغیرها است که توسط روش های رضایت از محدودیت حل می شود . CSPs موضوع پژوهش شدید در هر دو تحقیقهوش مصنوعی و تحقیق عملیاتی است ، زیرا منظم سازی در فرمول بندی آنها یک مبنای رایج برای تجزیه و تحلیل و حل مشکلات بسیاری از خانواده های به ظاهر غیر مرتبط است. CSP ها اغلب پیچیدگی های بالا را نشان می دهند، نیاز به ترکیبی از اکتشافات و روش های جستجوی ترکیبی در یک زمان معقول حل می شود. مسئله صدق پذیری دودویی (SAT) از نظریه ارضا پیمانه (SMT) و پاسخ برنامه نویسی مجموعه (ASP) را می توان تقریبا از اشکال عنوان خاصی از مسائل ارضای محدودیت فکر می کردم.

نمونه هایی از مشکلات ساده که می تواند به عنوان یک مسئله رضایت از محدودیت مدل سازی شود عبارتند از:

این اغلب با آموزش ASP، Boolean SAT و حل کننده SMT ارائه می شود. در مورد کلی، مشکلات محدودیت می تواند بسیار سخت تر باشد و ممکن است در برخی از این سیستم های ساده قابل بیان نباشد.

مثالهای "زندگی واقعی" عبارتند از: برنامه ریزی خودکار ، [1] [2] ابهام واژگان ، [3] [4] موسیقی شناسی [5] و تخصیص منابع . [6] یک مثال برای راه حل پازل استفاده از یک مدل محدودیت به عنوان یک الگوریتم حل سودوکو است .

وجود یک راه حل برای CSP می تواند به عنوان یک مشکل تصمیم گیری شود . این را می توان با یافتن یک راه حل یا عدم یافتن یک راه حل بعد از جستجوی جامع تصمیم گرفت (الگوریتم های تصادفی معمولا هرگز به نتیجه گیری کامل نمی رسند، در حالی که جستجوهای هدایت شده اغلب بر روی مشکلات به اندازه کافی کوچک انجام می شود). در برخی موارد CSP ممکن است پیش از این راه حل هایی داشته باشد، از طریق برخی از روش های دیگر نتیجه گیری ریاضی.

 

فهرست

تعریف رسمی ویرایش ]

به صورت رسمی، یک مسئله رضایت از محدودیت به عنوان سه گانه تعریف می شود \ langle X، D، C \ rangle ، جایی که [7]

X = \ {X_ {1}، \ ldots، X_ {n} \} مجموعه ای از متغیرها است

D = \ {D_ {1}، \ ldots، D_ {n} \} مجموعه ای از مقادیر مربوطه است و

C = \ {C_ {1}، \ ldots، C_ {m} \} مجموعه ای از محدودیت ها است.

هر متغیر X_ {I} می تواند مقادیری را در دامنه غیر قابل نفوذ بگیرد D_ {I}. هر محدودیتیC_ {j} \ در C به نوبه خود یک جفت است \ langle t_ {j}، R_ {j} \ rangle ، جایی کهt_ {j} \ زیر مجموعه X یک زیر مجموعه ازک متغیرها و R_ {j} هست یک  در رابطه با زیر مجموعه های مربوطهدی جی}ارزیابی از متغیرهای یک تابع از یک زیر مجموعه از متغیرها به یک مجموعه خاص از ارزش ها در زیر مجموعه مربوطه از حوزه است. ارزیابیv یک محدودیت را برآورده می کند \ langle t_ {j}، R_ {j} \ rangle  اگر مقادیر اختصاص داده شده به متغیرها باشد t_ {j} رابطه را ارضا می کند R_ {j}.

ارزیابی است سازگار اگر در آن از محدودیت نقض نمی کند. ارزیابی کامل است اگر شامل همه متغیرها باشد. یک ارزیابی یک راه حل است اگر هماهنگ و کامل باشد؛ گفته می شود چنین ارزیابی برای حل مشکل رضایت از محدودیت است.

قطعنامه ویرایش ]

مشکلات رضایت از محدودیت در حوزه های محدود معمولا با استفاده از یک فرم جستجو حل می شود . تکنیک هایی که بیشتر مورد استفاده قرار می گیرند عبارتند از انواع بازپرداخت ، محدودیت انتشار و جستجوی محلی .

Backtracking یک الگوریتم بازگشتی است. این یک تخصیص جزئی متغیرها را حفظ می کند. در ابتدا همه متغیرها غیرقانونی هستند. در هر مرحله یک متغیر انتخاب می شود و تمام مقادیر ممکن به نوبه خود اختصاص داده می شود. برای هر مقدار، انطباق تخصیص جزئی با محدودیت ها بررسی می شود؛ در صورت انطباق، یک تماس بازگشتی انجام می شود. هنگامی که تمام مقادیر مورد آزمایش قرار گرفتند، الگوریتم backtracks. در این الگوریتم backtracking پایه، سازگاری به عنوان رضایت تمام محدودیت ها تعریف می شود که متغیرهای آن همه اختصاص داده شده اند. چندین نسخه از بازخوانی وجود دارد. Backmarking باعث افزایش کارایی بررسی صحت می شود. پشت سر هماجازه می دهد تا بخش هایی از جستجو را از طریق بازگرداندن "بیش از یک متغیر" در بعضی موارد ذخیره کند. یادگیری محدودیت ها موجب صرفه جویی در محدودیت های جدید می شود که بعدا می تواند برای اجتناب از بخشی از جستجو استفاده شود. پیشروی نیز اغلب در عقب رانندگی استفاده می شود تا تلاش کند تا اثرات انتخاب متغیر یا ارزش را پیش بینی کند، در نتیجه بعضی اوقات پیش می آید که یک Subproblem رضایت بخش یا غیر قابل قبول باشد.

تکنیک های انتشار محدودیت ها روش هایی هستند که برای اصلاح مشکل رضایت از محدودیت استفاده می شوند. دقیق تر، آنها روش هایی هستند که یک شکل از قاعده محلی را اجرا می کنند ، که شرایطی است که به قوام گروهی از متغیرها و یا محدودیت ها مربوط می شود. انتشار محدودیت دارای کاربردهای متنوع است. اولا، یک مسئله را به یک معادل تبدیل می کند، اما معمولا حل آن ساده تر است. دوم، ممکن است رضایت یا نارضایتی از مشکلات را ثابت کند. این به طور کلی تضمین نمی شود؛ با این حال، آن را همیشه برای برخی از انواع انتشار محدودیت و / یا برای انواع خاصی از مشکلات رخ می دهد. اشکال شناخته شده و مورد استفاده از انسجام محلی قوام قوسی ، قوام قوای قوسی و سازگاری مسیر است. روش محبوبترین محدودیت انتقال الگوریتم AC-3 است که قوام قوسی را اجرا می کند.

روش های جستجوی محلی الگوریتم های رضایت ناقص هستند. آنها ممکن است یک راه حل یک مشکل پیدا کنند، اما حتی ممکن است مشکل حل شود. آنها با تکرار یک تکلیف کامل بر روی متغیرها کار می کنند. در هر مرحله تعدادی از متغیرها در مقدار تغییر می کنند، با هدف کلی افزایش تعداد محدودیت هایی که این تخصیص راضی می کند. الگوریتم دقیقه درگیری یک الگوریتم جستجوی محلی خاص برای CSP ها است و خاموش است که اصل است. در عمل، جستجوی محلی به نظر می رسد به خوبی کار می کنند، زمانی که این تغییرات نیز تحت تاثیر انتخاب های تصادفی قرار می گیرد. یکپارچگی جستجو با جستجوی محلی توسعه یافته است، که منجر به الگوریتم های ترکیبی می شود .

جنبه های نظری ویرایش ]

مشکلات تصمیم گیری ویرایش ]

CSP ها در نظریه پیچیدگی محاسباتی و نظریه مدل محدود نیز مورد مطالعه قرار گرفته اند . یک سوال مهم این است که آیا برای هر مجموعه روابط مجموعه ای از تمام CSP ها که می توانند با استفاده از روابط انتخاب شده از آن مجموعه نمایش داده شوند یا در P یا NP-complete هستند . اگر چنین قضیه دوگانگی درست باشد، CSP ها یکی از بزرگترین زیر مجموعه های شناخته شده NP را ارائه می دهند که از مشکلات NP-middle که از وجود آن توسط قضیه لنرن بر اساس این فرض که P ≠ NP ثابت می شود، اجتناب می شود . Thetheorem dichotomy Schaefer در مورد زمانی که همه روابط در دسترس موجود است رفتار می کنداپراتورهای بولی ، یعنی برای اندازه دامنه 2. قضیه دوگانگی شاصر اخیرا به یک کلاس بزرگتر از روابط تعمیم داده شد. [8]

اکثر کلاسهای CSP که شناخته شده هستند قابل ردیابی هستند، آنهایی هستند که hypergraph محدودیتها عرض width را محدود می کند (و هیچ محدودیتی در مجموعه روابط محدود وجود ندارد)، یا جایی که محدودیت ها دارای فرم دلخواه هستند، اما پلی مورفیسم ها اساسا غیر انحصاری وجود دارد [ توضیح لازم ] از مجموعه روابط محدود.

هر CSP همچنین می تواند به عنوان یک مسئله مهاربندی پرسشی مشترک باشد. [9]

مشکلات عملکرد ویرایش ]

وضعیت مشابهی بین کلاسهای FP و #P وجود دارد . با تعمیم قضیه Ladner ، در FP ≠ #P نیز هیچ مشکلی در FP و # P-complete وجود ندارد . همانطور که در مورد تصمیم گیری، یک مشکل در #CSP توسط مجموعه ای از روابط تعریف شده است. هر مشکلی به عنوان ورودی یک فرمول بولین به عنوان ورودی است و وظیفه محاسبه تعداد تکالیف رضایت بخش است. این می تواند بیشتر با استفاده از اندازه های بزرگتر دامنه و پیوستن وزن به هر تخصیص رضایت بخش و محاسبه مجموع این وزن ها. شناخته شده است که هر مشکل پیچیده وزن #CSP یا FP یا # P-hard است. [10]

واژگان ویرایش ]

مدل کلاسیک مساله رضایت محدودیت یک مدل از محدودیت های استاتیک، غیر انعطاف پذیر را تعریف می کند. این مدل سفت و سخت، کمبودی است که به آسانی می تواند مشکلات را به نمایش گذارد. [11] تغییرات متعددی از تعریف اساسی CSP برای تطبیق مدل با طیف وسیعی از مشکلات ارائه شده است.

CSPs دینامیک ویرایش ]

CSPs دینامیک [12] ( DCSPs ) مفید هستند وقتی که فرمول اصلی یک مشکل به نحوی تغییر می یابد، به طور معمول به این دلیل است که مجموعه ای از محدودیت هایی که در نظر گرفته می شود به دلیل محیط زیست در نظر گرفته شده است. [13] DCSP ها به عنوان دنباله ای از CSP های استاتیک مشاهده می شوند، هر کدام یک تغییر از پیشین است که در آن متغیرها و محدودیت ها می توانند اضافه شوند (محدود کردن) یا حذف (relaxation). اطلاعات موجود در فرمول های اولیه مشکل می تواند مورد استفاده برای اصلاح بعدی است. روش حل را می توان بر اساس شیوه انتقال اطلاعات طبقه بندی کرد:

  • Oracles: راه حل موجود در CSP های قبلی در دنباله به عنوان اکتشافی برای هدایت قطعنامه CSP فعلی از ابتدا استفاده می شود.
  • تعمیرات محلی: هر CSP محاسبه می شود و از راه حل جزئی نسخۀ قبلی محاسبه می شود و ترمیم محدودیت های نا متناسب با جستجوی محلی .
  • ضبط محدودیت: محدودیت های جدید در هر مرحله از جستجو برای نشان دادن یادگیری گروه متضاد تصمیم گیری تعریف می شود. این محدودیت ها به مشکلات جدید CSP منتقل می شوند.

CSPs انعطاف پذیر ویرایش ]

CSP های کلاسیک محدودیت ها را سخت به کار می گیرند، به این معنی که آنها ضروری هستند (هر راه حل باید همه آنها را برآورده کند) و انعطاف ناپذیر (به این معنا که آنها باید کاملا راضی باشند یا در غیر این صورت آنها به طور کامل نقض می شوند). CSP انعطاف پذیر این فرضها را آرام می کند، بعضی اوقات محدودیت ها را آرام می کند و راه حل را با تمام آنها مطابقت نمی دهد. این مشابه ترجیحات در برنامه ریزی مبتنی بر اولویت است . برخی از انواع CSP های انعطاف پذیر عبارتند از:

  • MAX-CSP، که در آن تعدادی از محدودیت ها مجاز به نقض هستند، و کیفیت راه حل بر اساس تعداد محدودی از محدودیت ها محاسبه می شود.
  • CSP وزنی ، یک MAX-CSP که در آن هر تخلف از یک محدودیت با توجه به اولویت از پیش تعریف شده وزن می شود. بنابراین رضایت از محدودیت با وزن بیشتر ترجیح داده می شود.
  • محدودیت های مدل فازی CSP به عنوان روابط فازی که در آن رضایت از یک محدودیت یک عملکرد پیوسته از ارزش متغیرهای آن است، از کاملا رضایت کامل گرفته تا کاملا نقض شده است.

CSPs تصادفی شده ویرایش ]

در DCSPs [14] هر متغیر محدودیتی به عنوان یک مکان جغرافیایی جداگانه در نظر گرفته شده است. محدودیت های شدید در تبادل اطلاعات بین متغیرها قرار می گیرند، و نیاز به استفاده از الگوریتم های به طور کامل توزیع شده برای حل مسئله رضایت از محدودیت دارند.

همچنین نگاه کنید به ویرایش ]

محدودیت (ریاضیات)(Constraint (mathematics

در ریاضیات یک محدودیت یک شرط برای یک مشکل بهینه سازی است که راه حل باید برآورده شود. انواع مختلفی از محدودیت ها وجود دارد: اولویت محدودیت های برابر ، محدودیت هاینابرابری ، و محدودیت های عدد صحیح . مجموعه ای از راه حل های نامزدی که تمام محدودیت ها را برآورده می کنند مجموعه ای عملی است .

مثال ویرایش ]

زیر یک مشکل بهینه سازی ساده است:

{\ displaystyle \ min f (\ mathbf {x}) = x_ {1} ^ {2} + x_ {2} ^ {4}}

موضوع به

{\ displaystyle x_ {1} \ geq 1}

و

{\ displaystyle x_ {2} = 1،}

جایی که \ mathbf {x} نشان دهنده بردار (x 1 ، x 2 ) است.

در این مثال، خط اول تابع را به حداقل می رساند (به نام تابع هدف ، عملکرد از دست دادن، یا عملکرد هزینه). خطوط دوم و سوم دو محدودیت را تعریف می کند، اول از آن یک محدودیت نابرابری است و دومین آن یک محدودیت برابر است. این دو محدودیت محدودیت های سختی است ، به این معنی که لازم است که آنها راضی باشند؛ آنها مجموعه ای عملی از راه حل های نامزدی را تعریف می کنند.

بدون محدودیت، راه حل خواهد بود (0،0)، جایی که f ({\ mathbf x})کمترین مقدار دارد. اما این راه حل محدودیت ها را برآورده نمی کند. راه حل مشکل بهینه سازی محدود شده در بالا بیان شده است{\ displaystyle \ mathbf {x} = (1،1)}که نقطه ای با کوچکترین ارزش است f ({\ mathbf x}) که دو محدودیت را برآورده می کند.

اصطلاح ویرایش ]

  • اگر یک محدودیت نابرابری با برابری در نقطه مطلوب حفظ شود، محدودیت گفته می شود اتصال ، به عنوان نقطه نمی تواند در جهت محدودیت متفاوت باشد، اگر چه انجام این کار ارزش تابع هدف را بهبود می بخشد.
  • اگر یک محدودیت نابرابری به عنوان نابرابری شدید در نقطه مطلوب (یعنی برابر با برابری نباشد)، محدودیت گفته می شود غیر مرتبط نیست ، زیرا نقطه می تواند در جهت محدودیت متفاوت باشد، اگر چه این برای این کار بهینه نیست. اگر یک محدودیت غیر قانونی باشد، مشکل بهینه سازی حتی در صورت عدم وجود این محدودیت، راه حلی مشابه خواهد داشت.
  • اگر یک محدودیت در یک نقطه معین رضایت نداشته باشد، گفته شده است که غیر ممکن است .

محدودیت های سخت و نرم ویرایش ]

اگر مشکل مشروط بر این است که محدودیت ها راضی باشد، همانگونه که در بحث بالا، محدودیت ها بعضی اوقات به عنوان محدودیت های سخت شناخته می شوند . با این حال، در برخی از مشکلات، مسائل رضایتمندی محدودیت های انعطاف پذیر ، ترجیح داده می شود اما لازم نیست که برخی از محدودیت ها رضایت داشته باشند؛ چنین محدودیت های غیر ضروری به عنوانمحدودیت های نرم افزاری شناخته می شود . محدودیت های نرم افزاری به وجود می آیند، مثلا برنامه ریزی مبتنی بر اولویت . در یک مشکل MAX-CSP تعدادی محدودیت مجاز است که نقض شود و کیفیت راه حل بر اساس تعداد محدودیت های رضایت سنجی محاسبه می شود.

همچنین نگاه کنید به ویرایش ]

ادامه نوشته

منطقه قابل اجرا (Feasible region)

از ویکیپدیا، دانشنامه آزاد

سوال کتاب new.svg

این مقاله تا حد زیادی یا به طور کامل بر روی یک منبع تکیه دارد . بحث مربوطه ممکن است در صفحه بحث یافت شود . لطفا کمک به بهبود این مقاله با معرفی استناد به منابع اضافی. ( نوامبر 2018 )

مشکل با پنج محدودیت خطی (در آبی، از جمله محدودیت های غیر منفی). در صورت عدم وجود محدودیت های عدد صحیح، مجموعه عملی امکان کل منطقه را با آبی محدود می کند، اما با محدودیت های عدد صحیح ، مجموعه ای از نقاط قرمز است.

یک منطقه امکان پذیر بسته یک مسئله برنامه نویسی خطی با سه متغیر یک پلی یك محدب است .

در بهینه سازی ریاضی ، یک منطقه قابل اجرا ، مجموعه عملی ، فضای جستجو یا فضای راه حل مجموعه ای از تمام نقاط ممکن (مجموعه ای از ارزش های متغیرهای انتخاب شده) یک مشکل بهینه سازی است که برآورده کردنمحدودیت های این مشکل است ، به طور بالقوه شامل نابرابری ها ، برابر بودن و محدودیت های عدد صحیح این مجموعه مجموعه ای از راه حل های پیشنهادی برای حل مسئله است، قبل از اینکه مجموعه ای از نامزدها تضعیف شود.

به عنوان مثال، مشکل را در نظر بگیرید

به حداقل رساندن{\ displaystyle x ^ {2} + y ^ {4}}

با توجه به متغیرهاایکس و ی

موضوع به

{\ displaystyle 1 \ leq x \ leq 10}

و

{\ displaystyle 5 \ leq y \ leq 12. \،}

در اینجا مجموعه عملیاتی مجموعه ای از جفت ها ( x ، y ) است که در آن مقدار x حداقل 1 و حداکثر 10 است و مقدار y حداقل 5 است و حداکثر 12. توجه داشته باشید که مجموعه ای عملی از مشکل جدا از تابع هدف است ، که معیار برای بهینه سازی را مشخص می کند و در مثال بالا این است{\ displaystyle x ^ {2} + y ^ {4}.}

در بسیاری از مشکلات، مجموعه عملیاتی نشان دهنده یک محدودیت است که یک یا چند متغیر باید غیر منفی باشند. در مسائل برنامه نویسی عدد صحیح خالص ، مجموعه عملیاتی مجموعه ای از اعداد صحیح (یا بعضی از زیرمجموعه های آن) است. در مسائل برنامه نویسی خطی ، مجموعه عملیاتی یک چند جمله ای محدب است : یک منطقه در فضای چند بعدی که مرزهای آن توسط هیپرپلان ها تشکیل شده اند و گوشه های آنها دارای رأس هستند .

رضایت از محدودیت روند یافتن یک نقطه در منطقه امکان پذیر است.

 

فهرست

convex feasible set [ ویرایش ]

همچنین نگاه کنید به: بهینه سازی محدب

در یک مسئله برنامه نویسی خطی، یک سری محدودیت های خطی یک منطقه امکان پذیر محدب از مقادیر ممکن برای این متغیرها ایجاد می کند. در این دو متغیر، این منطقه به شکل یک چند ضلعی ساده محدب است .

یک مجموعه محاسباتی امکان پذیر است که در آن بخش خطی که هر دو نقطه امکان پذیر است، از طریق سایر نقاط امکان پذیر است و نه از طریق نقاط خارج از مجموعه عملی امکان پذیر است. مجموعه های احتمالی محدب در انواع مشكلات، از جمله مشكلات برنامه نویسی خطی بوجود می آیند، و از آنها یك علاقه خاص هستند، زیرا اگر این مشكل دارای تابع هدف محدب است كه حداكثر می شود، معمولا در یك محدب مجموعه عملی و هر مطلوب محلی نیز یک مطلوب جهانی خواهد بود .

هیچ امکان پذیر نیست [ ویرایش ]

اگر محدودیت های یک مسئله بهینه سازی متضاد هستند، هیچ نقطه که تمام محدودیت را برآورده سازد و در نتیجه منطقه محتمل است وجود دارد مجموعه تهی . در این مورد این مشکل هیچ راه حل ندارد و گفته می شود غیر قابل انجام است .

مجموعه های مجاز محدود و بدون محدودیت [ ویرایش ]

یک مجموعه محدودیتی محدود (بالا) و یک مجموعه عملی نامحدود (پایین). مجموعه در پایین همیشه برای سمت راست ادامه می یابد.

مجموعه های عملی ممکن است محدود یا محدود باشند . به عنوان مثال، مجموعه عملیاتی که توسط محدودیت تعریف شده است مجموعه { x ≥ 0، y ≥ 0} بدون محدودیت است زیرا در برخی جهات هیچ محدودیتی وجود ندارد که تا چه حد می توان از آن گذشت و هنوز در منطقه امکان پذیر است. در مقابل، مجموعه عملیاتی که توسط مجموعه محدودیت ایجاد شده است ( x ≥ 0، y ≥ 0، x + 2 y ≤ 4} محدود است زیرا میزان حرکت در هر جهت توسط محدودیت ها محدود می شود.

در مسائل برنامه نویسی خطی با n متغیر، یک شرط لازم، اما کافی برای محدودیت امکان پذیر است این است که تعداد محدودیت ها حداقل n + 1 باشد (همانطور که در مثال بالا نشان داده شده است).

اگر مجموعه عملیات بدون محدودیت باشد، بسته به مشخصه تابع هدف ممکن است یا ممکن باشد مطلوب باشد. به عنوان مثال، اگر منطق امکان پذیر است از مجموعه محدودیت { x ≥ 0، y ≥ 0}، پس مشکل حداکثر کردن x + y هیچ مطلوبی ندارد، زیرا هر راه حل نامزد با افزایش x یا y بهبود می یابد ؛ با این حال اگر مشکلی برای به حداقل رساندن x + y باشد ، بهینه (به طور خاص در ( x ، y ) = (0، 0) وجود دارد).

راه حل نامزدی [ ویرایش ]

در بهینه سازی و دیگر شاخه های ریاضیات ، و در الگوریتم های جستجو (یک موضوع در علوم کامپیوتر )، یک راه حل کاندید است عضو ازمجموعه ای از راه حل های ممکن در منطقه محتمل از یک مشکل داده شده است. [ نیازمندی ارجاع ] یک راه حل کاندیدا باید یک راه حل معقول و منطقی برای مشکل نیست - این به سادگی در مجموعه ای است که همه محدودیت ها را رعایت می کند ؛ این است که در مجموعه ای از راه حل های امکان پذیر است. الگوریتم برای حل انواع مختلف مشکلات بهینه سازی، اغلب مجموعه ای از راه حل های نامزدی را به یک زیر مجموعه از راه حل های عملی محدود می کند، نقاطی که به عنوان راه حل های نامشخص باقی می مانند، در حالی که دیگر راه حل های قابل قبول از این پس به عنوان نامزد حذف می شوند.

فضای تمام راه حل های نامزدی، قبل از هر گونه نقاط قابل قبول حذف شده است، منطقه قابل اجرا، مجموعه عملی، فضای جستجو، و یا فضای راه حل نامیده می شود. [ استناد مورد نیاز ] این مجموعه ای از تمام راه حل های ممکن است که برآورده محدودیت های این مشکل است. رضایت از محدودیت روند یافتن یک نقطه در مجموعه عملی است.

الگوریتم ژنتیک [ ویرایش ]

در مورد الگوریتم ژنتیک ، راه حل های نامزدی افراد در جمعیت است که توسط الگوریتم تکامل یافته است. [1]

حسابداری [ ویرایش ]

در محاسبه، یک راه حل بهینه با استفاده از اولین آزمون مشتق شده مورد نظر است : اولین مشتق از تابع بهینه سازی شده برابر با صفر است و هر مقدار متغیر انتخابی که این معادله را برآورده می کند، به عنوان راه حل نامیده می شود (در حالی که آنهایی که به عنوان نامزد مورد استفاده قرار نگیرید). راه های مختلفی وجود دارد که در آن یک راه حل نامزد ممکن است یک راه حل واقعی باشد.اولا ممکن است حداقل زمانی که حداکثر مورد نظر (یا برعکس) باشد، حداقل باشد، و دوم، ممکن است حداقل و نه حداکثر، بلکه یک نقطه زاویه یا نقطه انفصال ، که در آن توقف موقت در افزایش محلی یا سقوط عملکرد رخ می دهد. چنین راه حل های کاندید شده ممکن است با استفاده ازآزمون مشتقات دوم ، رضایت از آن کافی است که راه حل نامزدی حداقل به صورت محلی مطلوب باشد.سوم، یک راه حل نامزد ممکن است بهینه مطلوب باشد، اما یک بهینه جهانی نیست .

در مصرف antiderivatives از mononoms از فرمx ^ {n}راه حل نامزدی با استفاده از فرمول کواداریتی Cavalieri خواهد بود{\ displaystyle {\ tfrac {1} {n + 1}} x ^ {n + 1} + C.} این راه حل نامزدی در حقیقت درست است مگر زمانی که {\ displaystyle n = -1.}

برنامه نویسی خطی [ ویرایش ]

مجموعه ای از محدودیت های برنامه نویسی خطی بر روی دو متغیر یک منطقه از مقادیر ممکن برای این متغیرها را تولید می کند. اگر محدودیت های دو متغیر قابل حل باشد، یک منطقه قابل اجرا در شکل چند ضلعی ساده محدب وجود خواهد داشت. در یک الگوریتم که نقاط قابل اجرا را به صورت تکرار بررسی می کند، هر نقطه آزمایش شده به نوبه خود یک راه حل نامزد است.

در روش ساده برای حل مشکلات برنامه نویسی خطی ، یک رأس چند ضلعی امکان پذیر می شود به عنوان راه حل اولیه برای انتخاب و برای بهینه سازی مورد آزمایش قرار می گیرد؛ اگر به عنوان مطلوب رد می شود، یک رأس مجاور به عنوان راه حل بعدی نامیده می شود. این روند تا زمانی ادامه پیدا می کند که راه حل نامزدی بهترین باشد.

ادامه نوشته

تابع افت

جایی که مناست عملکرد شاخص .

ضرر انتظاری [ ویرایش ]

در برخی موارد، مقدار عملکرد تابع از دست دادن یک مقدار تصادفی است، زیرا به نتیجه یک متغیر تصادفی X بستگی دارد .

آمار [ ویرایش ]

هر دو ماتریس و تئوری آماری بیزی شامل تصمیم گیری بر اساس ارزش انتظار می رود از عملکرد تلفات؛ با این حال، این مقدار تحت دو پارادایم متفاوت است.

Frekentist انتظار برای از دست دادن [ ویرایش ]

ما برای اولین بار از دست دادن انتظارات در زمینه متناوب تعریف می کنیم. با توجه به مقدار توزیع احتمال، θ از داده مشاهده شده، X حاصل می شود . این نیز به عنوان عملکرد ریسک[3] [4] [5] [6] از قانون تصمیم δ و پارامتر θ اشاره شده است . در اینجا حکم تصمیم به نتیجه X بستگی دارد . تابع ریسک توسط:

{\ displaystyle R (\ تتا، \ دلتا) = \ operatorname {E} _ {\ تتا} L {\ بزرگ (} \ تتا، \ دلتا (X) {\ بزرگ)} = \ int را _ {X} L { \ big () \ theta، \ delta (x) {\ big}} \، \ mathrm {d} P _ {\ theta} (x).}

در اینجا، θ یک وضعیت ثابت اما ممکن است ناشناخته از طبیعت، X یک بردار مشاهدات است که به طور تصادفی از جمعیت جمع آوری شده است ،\ operatorname {E} _ {\ theta}انتظار می رود بیش از همه ارزش های جمعیتی X ، dP θ یک اندازه گیری احتمالی بر روی فضای رویداد X (پارامتر شده توسط  θ ) و انتگرال در کل حمایت از  X ارزیابی می شود .

ضرر انتظاری بیزی [ ویرایش ]

در رویکرد بیزی، انتظار با استفاده از توزیع خلفی π * پارامتر θ محاسبه می شود  :

{\ displaystyle میشود \ rho (\ پی ^ {*}، یک) = \ int را _ {\ تتا} L (\ تتا، یک) \ داریم: \ mathrm {D} \ پی ^ {*} (\ تتا).}

سپس باید یک عمل * را انتخاب کنید که زیان انتظار را به حداقل برساند. اگرچه این نتیجه انتخاب همان کار را می کند که با استفاده از خطر مکرر انتخاب می شود، تأکید بر رویکرد بیزی، این است که تنها علاقه مند به انتخاب عمل بهینه تحت داده های واقعی مشاهده شده است، در حالی که انتخاب تصمیم واقعی بهینه تصمیم گیری مکرر، که عملکرد همه مشاهدات احتمالی است، یک مشکل بسیار دشوار است.

مثالها در آمار [ ویرایش ]

  • برای یک پارامتر اسکالر θ ، یک تابع تصمیم گیری که خروجی است{\ hat {\ theta}}برآورد  θ و تابع افت محدوده است

L (\ theta، \ hat \ theta) = (\ theta- \ hat \ theta) ^ 2،

تابع خطر به طور متوسط ​​خطای مربع برآورد می شود

{\ displaystyle R (\ تتا، {\ کلاه {\ تتا}}) = \ operatorname {E} _ {\ تتا} (\ تتا - {\ کلاه {\ تتا}}) ^ {2}}

L (f، \ hat f) = \ | f- \ hat f \ | _2 ^ 2 \ ،،

تابع ریسک به معنی خطای مربع یکپارچه می شود

{\ displaystyle R (f، {\ hat {f}}) = \ operatorname {E} \ | f - {\ hat {f}} \ | ^ {2}. \،}

انتخاب اقتصادی تحت عدم اطمینان [ ویرایش ]

در اقتصاد، تصميم گيري در شرايط نامطمئن اغلب با استفاده از كاربري ويژگي فون نويمن-مورگنسترن از متغير نامشخص بهره، مانند ثروت پايان دوره، مدل مي شود. از آنجا که مقدار این متغیر نامطمئن است، بنابراین مقدار تابع مفید است؛ این ارزش مورد انتظار ابزار است که حداکثر می شود.

قوانین تصمیم گیری [ ویرایش ]

یک تصمیم تصمیم گیری را با استفاده از معیار بهینه سازی انتخاب می کند. برخی از معیارهای معمول استفاده شده عبارتند از:

  • Minimax : قانون تصمیم گیری با کمترین بدترین ضرر را انتخاب کنید - بدین ترتیب بدترین حالت (حداکثر ممکن) از دست دادن را به حداقل برسانید:

 \ underset {\ delta} {\ operatorname {arg \، min}} \ \ max_ {\ theta \ in \ Theta} \ R (\ theta، \ delta).

  • انعقاد : قانون تصمیم مطلوب را انتخاب کنید که یک نیاز احتمالی را برآورده می کند.
  • قانون تصمیم گیری را با کمترین میانگین ضرر (یعنی به حداقل رساندن مقدار انتظار می رود از عملکرد تلفات) را انتخاب کنید:

{\ displaystyle {\ underset {\ delta} {\ operatorname {arg \، min}}} \ operatorname {E} _ {\ theta \ in \ Theta} [R (\ theta، \ delta)] = {\ underset { \ delta} {\ operatorname {arg \، min}}} \ \ int _ {\ theta \ in \ Theta} R (\ theta، \ delta) \، p (\ theta) \، d \ theta.}

انتخاب یک عملکرد از دست دادن [ ویرایش ]

تمرین آماری صحیح، نیاز به انتخاب یک برآوردگر منطبق با تغییرات واقعی قابل قبول در زمینه یک مسئله کاربردی خاص است. بنابراین، در استفاده کاربردی از عملکردهای از دست رفته، انتخاب روش آماری که برای مدل سازی یک مشکل کاربردی استفاده می شود، بستگی به دانستن تلفات است که تحت شرایط خاص مشکلی ناشی از اشتباه است. [7]

مثال معمولی شامل برآورد " محل " است. در فرضهای آماری معمول میانگین یا میانگین آماری برای برآورد موقعیت است که موجب به حداقل رساندن ضرر مورد انتظار تحت تابع کاهش تلفات مربع می شود، در حالی که میانگین برآورد کننده است که به حداقل رساندن زیان انتظار می رود که تحت تابع کاهش اختلاف مطلق تجربه می شود. برآوردها هنوز هم متفاوت هستند در شرایط دیگر، کمتر شایع هستند.

در اقتصاد، هنگامی که یک عامل بی خطر است ، عملکرد هدف به سادگی به عنوان مقدار پیش بینی شده از مقدار پولی، مانند سود، درآمد، و یا ثروت پایان دوره، بیان می شود.

اما برای عوامل ریسک پذیر (یا خطرناک )، از دست دادن به عنوان منفی عملکرد یک ابزار محاسبه می شود و عملکرد هدف بهینه سازی شده، ارزش مورد انتظار ابزار است.

سایر اقدامات هزینه ممکن است، مثلا مرگ یا بیماری در زمینه بهداشت عمومی یا مهندسی ایمنی .

برای اکثر الگوریتم های بهینه سازی ، مطلوب است که یک تابع از دست دادن وجود داشته باشد که در سطح جهانی پیوسته و قابل تفکیک است .

دو توابع از دست رفته معمولا استفاده می شود از دست دادن مربع ،L (a) = a ^ 2، و از دست دادن مطلق L (a) = | a |. با این وجود فقدان مطلق دارای نقایصی است که در تمایز آن وجود نداردa = 0. از دست دادن مربع است که نقطه ضعف آن است که تمایل به تحت سلطه می شود پرت هنگامی جمع مجموعه ای ازa\ sum_ {i = 1} ^ n L (a_i) )، مبلغ نهایی به دلیل یک عدد بزرگ به ویژه یک بزرگنمایی، به جای بیان یک میانگین، یک ارزش است .

انتخاب یک عملکرد از دست دادن دلخواه نیست. این بسیار محدود کننده است و گاهی اوقات عملکرد تلفات می تواند با خواص مطلوب آن مشخص شود. [8] در میان اصول انتخاب، به عنوان مثال، نیاز به کامل بودن کلاس آمار متقارن در مورد IID مشاهدات، اصل اطلاعات کامل، و برخی دیگر.

جان ادواردز دمینگ و ناسیم نیکولاس طالباستدلال می کنند که واقعیت تجربی، خواص ریاضی خوب نیست، باید تنها مبنایی برای انتخاب عملکردهای از دست رفته باشد، و تلفات واقعی اغلب از لحاظ ریاضی خوب نیستند و متمایز، مداوم، متقارن و غیره نیستند. به عنوان مثال، فردی که قبل از بسته شدن درب هواپیما هنوز هم می تواند هواپیما را بسازد، اما فردی که بعد از آن نمی تواند وارد شود، یک قطع و نامتقارن است که باعث می شود کمی دیر رسیدن بسیار ارزان تر از رسیدن به موقع است. در مصرف دوز دارو، هزینه داروهای کم مصرف ممکن است کمبود اثربخشی باشد، در حالی که هزینه بیش از حد ممکن است سمی بودن قابل تحمل باشد، یکی دیگر از نمونه های نامتقارن. ترافیک، لوله ها، تیرها، محیط زیست، آب و هوا، و غیره ممکن است افزایش بار و یا استرس را با تغییر قابل توجهی به یک نقطه تحمیل کند، پس از آن پشتوانه و یا شکستن فاجعه بار. این شرایط، دمینگ و طالب استدلال می کنند[ نیازمند منبع ]

به ویژه طالب استدلال کرده است که عمل انتخاب کارهای از دست رفته براساس شفافیت ریاضی به جای تجربه واقعی از دست دادن واقعی واقعا متفاوت از انتخاب داده ها بر اساس شایستگی است تا مشاهدات تجربی، به عبارت دیگر، طالب استدلال کرده است که باید آن را نوعی تقلب علمی [ نیازمند منبع ]

همچنین نگاه کنید به [ ویرایش ]

در بهینه سازی ریاضی ، آمار ، اقتصاد سنجی ، نظریه تصمیم گیری ، یادگیری ماشین و محاسبات علوم اعصاب ، تابع از دست دادن یا تابع هزینه یک تابع است که یک رویداد یا مقادیر یک یا چند متغیر را روی یک عدد واقعی نشان می دهد، به طور مستقیم نشان دهنده برخی از هزینه های مرتبط با رویداد. یک مشکل بهینه سازی به دنبال کاهش عملکرد تضمین می باشد. یک تابع هدف ، یا عملکرد تضعیف یا منفی آن است (در حوزه های خاص، که به صورت گوناگون یک تابع پاداش نامیده می شود ، aتابع سود ، یک تابع مطلوبیت ، یک تابع تناسب اندام ، و غیره)، که در آن صورت است به حداکثر.

در آمارها معمولا برای تخمین پارامتر از یک تابع از دست دادن استفاده می شود و رویداد مورد بحث، برخی از تابع تفاوت بین مقادیر برآورد شده و واقعی برای نمونه ای از داده ها است. این مفهوم که قبلا لاپلاس بود، در اواسط قرن بیستم توسط آمار ابراهیم ولد دوباره وارد شد . [1] به عنوان مثال، در زمینه اقتصاد ، این معمولا هزینه اقتصادی یا پشیمانی است . در طبقه بندی ، مجازات برای طبقه بندی نادرست یک مثال است. در علم علمی ، آن را در یک زمینه بیمه مورد استفاده قرار می دهد برای مدل مزایای پرداخت شده بر حق بیمه، به ویژه از کارهایهارالد کرامر در دهه 1920.[2] در کنترل مطلوب ، از دست دادن مجازات عدم موفقیت در دستیابی به ارزش مورد نظر است. در مدیریت ریسک مالی ، این تابع به یک زیان مالی ارجاع می شود.

 

در آمار کلاسیک (هر دو مکران و بیزی) عملکرد تضعیف به طور معمول به عنوان چیزی از یک قرارداد ریاضی پس زمینه در نظر گرفته می شود. منتقدان نظیر W. Edwards Deming و Nassim Nicolas Taleb استدلال کرده اند که تابع های از دست دادن توجه بیشتری را نسبت به آنچه که به طور سنتی داده شده اند، انجام می دهند و کارکردهای از دست رفته در تصمیم گیری واقعی در جهان واقعی باید تجربی تجربی واقعی باشد. آنها استدلال می کنند که توابع از دست دادن در دنیای واقعی اغلب بسیار متفاوت از صاف و متقارن است که توسط کنوانسیون کلاسیک استفاده می شود و اغلب بسیار نامتقارن، غیر خطی و متداول است.

 

مثالها [ ویرایش ]

پشیمانی [ ویرایش ]

مقاله اصلی: پشیمانی (نظریه تصمیم گیری)

لئونارد جی Savage استدلال کرد که با استفاده از روش های غیر بیزی مانند مینیمکس ، عملکرد از دست دادن باید بر اساس ایده پشیمانی باشد ، به عنوان مثال، از دست دادن با تصمیم باید تفاوت بین پیامدهای بهترین تصمیم که می توانست ساخته شده بود که شرایط اساسی شناخته شده بود و تصمیماتی که در واقع انجام شد قبل از آنها شناخته شده بود.

تابع از دست دادن چهارگانه [ ویرایش ]

استفاده از عملکرد تلفات درجه دوم شایع است، مثلا هنگام استفاده از تکنیک های کوچکترین مربع . اغلب ریاضی تر از سایر توابع از دست رفته می تواند به دلیل خواص واریانس ها و همچنین متقارن بودن آن ها قابل ردیابی باشد : یک خطا در بالای هدف، باعث تلف شدن همان مقدار خطای زیر هدف می شود. اگر هدف t است ، سپس یک تابع تلفات درجه دوم است

\ lambda (x) = C (tx) ^ 2 \؛

برای برخی ثابت C ؛ مقدار ثابت هیچ تفاوتی با تصمیم ندارد و با تنظیم آن برابر با 1 می تواند نادیده گرفته شود.

بسیاری از آمارهای معمول ، از جمله تست های t ، مدل های رگرسیون ، طراحی آزمایش ها و غیره، از روش های کمترین مربع استفاده شده با استفاده از تئوری رگرسیون خطی استفاده می کنند که بر اساس عملکرد تلفات کوادراتیک است.

تابع از دست دادن درجه دوم نیز در مسائل کنترل بهینه خطی-درجه دوم استفاده می شود . در این مشکلات، حتی در غیاب عدم قطعیت، ممکن است برای دستیابی به ارزش مطلوب تمام متغیرهای هدف، ممکن نباشد. اغلب از دست دادن به عنوان یک شکل درجه دوم در انحراف متغیرهای مورد علاقه از مقادیر مورد نظر آنها بیان می شود؛ این رویکرد قابل قبول است زیرا به شرایط خطی اولخطی منجر می شود . در چارچوب کنترل تصادفی ، مقدار مورد انتظار از فرم درجه دوم مورد استفاده قرار می گیرد.

0-1 تابع از دست دادن [ ویرایش ]

در تئوری آمار و تصمیم گیری ، یک تابع از دست رفته اغلب استفاده شده است تابع از دست دادن 0-1

L (\ hat {y}، y) = I (\ hat {y} \ ne y)، \،

ادامه نوشته