Fuzzy-Mengenlehre und Fuzzy-Logik - Modellierung komplexer Prozesse durch naturanaloge Verfahren - page 181

Bei diesen Experimenten, die mit binären Versionen und mit Varianten mit insgesamt 10 Zel-
lenzuständen durchgeführt wurden, waren die entscheidenden Parameter vor allem neben der
Anzahl der Zellenzustände a) die Gesamtzahl der Zellen sowie b) die räumliche Verteilung der
Zellen in den jeweiligen Anfangszuständen. Dieser Parameter hatte zwei Werte, nämlich voll-
ständige Gleichverteilung der Zellen und strenge Clusterung, d. h., alle Zellen in einem be-
stimmten Zustand waren zusammen auf dem Gitter platziert. Im binären Fall bedeutet dies eine
Halbierung des Gitters mit allen Zellen im Zustand 1 auf der einen Seite und alle Zellen im
Zustand 0 auf der anderen. 5
Die Ergebnisse dieser Experimente ergaben, dass sich die verschiedenen Versionen in ihrer
jeweiligen Dynamik nicht signifikant voneinander unterschieden. Dabei ähnelten sich die de-
terministische Version und die stochastische generell mehr als beide der Fuzzy-Version. Das
ist natürlich auch nicht sehr überraschend, weil die Logik dieser beiden Versionen auch recht
ähnlich ist. Mit aller gebotenen Vorsicht, die erforderlich ist, weil wir nur ein vergleichsweise
spezielles System untersucht haben, kann man diese Resultate auch so interpretieren, dass die
Konstruktion von Fuzzy-Systemen zu Simulations- und Prognosezwecken wahrscheinlich nur
dann lohnt, wenn man auf einer Mikroebene unscharfe Prozesse z. B. im menschlichen Denken
oder bei Meinungsbildungen im Detail modellieren will. Bei größeren Systemen werden die
Unterschiede zwischen z. B. stochastischen und fuzzyfizierten Regeln gewissermaßen „weg-
gemittelt“. Dies liegt vor allem bei den hier skizzierten Untersuchungen daran, dass sich die
individuellen Meinungsbildungen im Ergebnis bei allen drei Versionen stets recht ähnlich
waren. Es ist von daher, wie bei Soft Computing Techniken fast immer, eine Frage des konkre-
ten Forschungsinteresses, welcher möglichen Version man jeweils den Vorzug gibt.
5.6.2 Ampelsteuerungen durch ein Fuzzy-System 6
In größeren Ballungsräumen wie z. B. dem Ruhrgebiet ist es mittlerweile erforderlich gewor-
den, in Phasen hohen Verkehrsaufkommens die Auffahrt auf die Autobahnen durch spezielle
Ampeln zu regeln. Diese Ampeln folgen nicht den üblichen Intervalltakten wie Ampeln an
städtischen Kreuzungen, sondern haben je nach Verkehrsdichte unterschiedlich lange Rot- und
Gelbphasen. Meistens gibt es keine Grünphase, sondern bei leichtem bis mittlerem Verkehr-
saufkommen werden die Ampeln ausgeschaltet. Rot bedeutet natürlich wie immer Anhalten,
Gelb bedeutet, dass man mit erhöhter Vorsicht auf die Autobahn auffahren muss. 7
Diese Ampeln werden über Sensoren gesteuert, die über Verkehrsdichte und Geschwindigkeit
der Autos Auskunft geben. Da ein bestimmtes Verkehrsaufkommen natürlich nur als „mehr
oder weniger“ dicht zu interpretieren ist, bietet es sich an, hier ein Fuzzy-Regelsystem bzw.
Fuzzy-Expertensystem zur Steuerung einzusetzen. Das Programm ist in JAVA geschrieben und
kann von uns erhalten werden. Die Werte in dieser Darstellung sind fiktiv, entsprechen jedoch
unseren Alltagserfahrungen.
Benötigte Größen
Die Rotphasendauer ist abhängig von den Größen Verkehrsdichte und Geschwindigkeit. Die
Verkehrsdichte gibt an, wie viele Fahrzeuge sich auf einem vorher definierten Strecken-
5 Die Experimente wurden durchgeführt von Krupa Reddy und Christian Hein mit einem von Kathrin
Börgmann und Jörn Gerschermann erweiterten Programm.
6 Das System wurde konstruiert und implementiert von Natalie Welker.
7 An derartigen Ampelvariationen interessierten Leser/-innen, die das nicht aus eigener Anschauung
kennen, wird empfohlen, an einem beliebigen frühen Vormittag oder Nachmittag in der Woche die
A 40 (der berühmte Ruhrschnellweg) zu befahren.