Mamdani推理法和Zadeh推理法都是模糊控制系统中常用的推理方法，它们的目标都是从模糊规则库中得到推理结果，但两者在推理过程、计算方式和应用上有所不同。以下是两者的异同点。

1. 推理方式的不同

• Mamdani推理法：

  • 推理过程：Mamdani推理法在推理过程中使用的是最小化运算，但在处理输出时，会使用加权平均或重心法来进行去模糊化。
  • 规则输出：对于每一条规则，输出是一个模糊集合（比如模糊语言变量“低”、“中”、“高”），并且需要对规则的结果进行合成（叠加），得到最终的模糊输出集合。

• Zadeh推理法：

  • 推理过程：Zadeh推理法同样使用最小运算来推导每个规则的模糊输出，但是它不进行规则结果的“加权叠加”，而是采用最大隶属度法或最小运算法来确定最终输出。
  • 规则输出：每个规则的输出也会生成模糊集合，但是最终输出是基于规则输出的隶属度值（即通过最大隶属度法）。

2. 规则库和输出的处理

• Mamdani推理法：

  • 规则库：规则库中的每条规则通常会关联输入和输出的模糊集合。
  • 输出合成：Mamdani推理法的一个重要特点是合成操作，即将所有规则的输出合并在一起，然后根据模糊集合的重心计算得到最终的输出结果。

• Zadeh推理法：

  • 规则库：规则库同样包含输入与输出之间的模糊关系，但与Mamdani法不同的是，Zadeh推理法的输出是基于规则推导的隶属度，并且直接用最大隶属度来决定最终的输出。

3. 去模糊化方法

• Mamdani推理法：
  • 去模糊化方法：通常采用重心法（Centroid Method），即通过计算模糊集合的重心（或质心）来确定输出值。重心法结合了所有规则的模糊输出，是一种“加权平均”方法。
• Zadeh推理法：
  • 去模糊化方法：Zadeh推理法通常使用最大隶属度法（Max Membership Principle），即选择隶属度最大的输出值作为最终的控制输出。这种方法比较简单，适用于较为简单的控制系统。

4. 计算的复杂度

• Mamdani推理法：

  • 由于需要进行输出的加权叠加（例如重心法），Mamdani推理法的计算复杂度相对较高，尤其是当规则库和模糊集的规模较大时。

• Zadeh推理法：

  • Zadeh推理法由于采用的是最大隶属度法，因此计算较为简便，通常适用于规则较少、输出不需要复杂加权处理的情况。

5. 适用场景

• Mamdani推理法：
  • 由于其复杂的推理过程和精确的结果，Mamdani推理法适用于较为复杂的控制系统，如自动驾驶、智能家居等需要较精细控制的场合。
• Zadeh推理法：
  • Zadeh推理法相对简单，适用于较为基础的控制系统，尤其是在一些对精度要求不高的场合。

6. 模糊规则库的表达形式

• Mamdani推理法：

  • 规则通常采用“如果…那么…”形式，并且输出是模糊集，例如：“如果温度是高的，那么风速是快的。”

• Zadeh推理法：

  • 类似于Mamdani法，但规则之间的模糊输出是通过最大隶属度和最小运算进行综合，而没有进行加权叠加。

总结

结论：

• Mamdani推理法适用于更复杂的控制系统，能够提供更精确的控制输出。
• Zadeh推理法则因其计算简便，适用于那些对计算要求不高的较简单的控制任务。