大家都知道，计算机智能识别0和1的二进制数，对于复杂的逻辑判断也只通过它来实现，这就是经典的布尔逻辑。
布尔数值就是0和1，是和非，也是计算机逻辑的基础
。
其基本运算就是
“
与、或、非
”
，体现在编程中就是“If ...
then...”，我们大部分的自动化程序就是用布尔逻辑设计的。
布尔逻辑赋予计算机自动判断和决策的能力，但是却并不完美，甚至限制了计算机的能力，因为人类判断和决策往往没那么简单。比如布尔逻辑能够很好地处理那种逻辑非常清晰的场景，比如用电脑可以轻松编写“如果下雨就提醒我出门带伞”这样的程序，因为下不下雨是一个清晰的是“非”逻辑，人在实际决定带不带伞出门时常是考虑雨的大小，雨会下多久。那多大的雨算大雨需要带伞，多小的雨算小雨不用带伞呢？对于人类的决策来说往往没有一个清晰的雨量的门槛。模糊逻辑就是用来解决这样的分类和决策难题的。
在模糊逻辑的眼中，大雨，小雨，和中雨之间是没有严格的界限的，也就是说某一种雨量的大小并不完全归属于某一个类，而是以隶属度来衡量的。比如对于10mm降雨，隶属于小雨的隶属度为0.5,中雨的隶属度为0.4，大雨的隶属度为0.1；对于100mm降雨，小雨的隶属度为0，中雨的隶属度为0.3，大雨的隶属度为0.7。
将逻辑的输入数值(降雨量)转化成各个集合(小雨，中雨，大雨)的隶属度的过程就叫做Fuzzification。 也是模糊逻辑的第一步。
那应该如何确定输入数值与隶属度的关系呢？这就要用到隶属度函数了。通常可以用下图这种方式表示。
上图是考试分数和学生成绩的隶属度关系。比如考0分，Poor的隶属度为1，Avg. 和Good为0。 考试为32.5分(红黑交叉点)，Poor的隶属度为0.5，Avg.为0.5， Good为0。 在任意一点都能找到其所对应的集合的隶属度。
模糊逻辑的运算实际上就是模糊逻辑中分解出的各个隶属度的运算。我们将逻辑的两个输入定义为A，B，输出为C(A与B -> C)，举个例子，A = Poor: 0.5（Poor的隶属为0.5 ）B = Good：0.2，那么C= A与B是多少呢？其实有好多计算C的方法，这里介绍一个最简单的“最小隶属法(MIN implication)”，于是 C=A与B中最小那个（0.2）。于是C= Good: 0.2.那D = A或B怎么计算呢？还是介绍一个最简单的“最大隶属法(MAX implication)”，即 C=A或B中最大的那个(0.5)。于是D= Poor: 0.5。“非”的运算就更简单了，直接如下图所示取相反的折线就完了。
将输入模糊化了之后，则需要通过规则，和模糊逻辑的运算来重新组合，并得到相应的输出值，这些输出我们在模糊逻辑中定义为Fire Strength(FS)（此处不再详述规则，感兴趣的同学可自行了解）。
模糊逻辑通过模糊化将输入的数值转化成各个集合的隶属度之后，再通过规则和运算可以得到若干个FS。这些FS并不能为我们解决实际问题。我们想知道给出任意输入值能输出一个确定的数值，这时我们就要用去模糊化来得到这个输出值了。
同样地，去模糊化有很多方法，这里我同样只介绍一个简单和应用广泛的方法：加权平均判决法，公式如下图（仅做了解，不细述）
就此大概介绍了模糊逻辑的基本内容，整体框架理解起来感觉还是不难的。模糊逻辑已经广泛应用在电冰箱，电饭锅等自动控制，同时还广泛运用在了游戏的开发中。
参考资料：
