1 歴史
1.1 ロトフィ・ザデーとファジィ集合の誕生
模糊逻辑の起源は、1965年にアメリカの数学者ロトフィ・ザデーが発表した論文「Fuzzy Sets」に遡る。ザデーはカリフォルニア大学バークレー校において、従来の二値論理では扱いにくい曖昧な情報を数学的に表現する必要性を感じていた。彼は要素が集合に属する度合いを0と1の間の連続値で表現するファジィ集合の概念を提唱し、これが後の模糊逻辑の理論的基盤となった。
1.2 発展の経緯と受容
初期の模糊逻辑は、西洋の学術界からは懐疑的な目で見られることが多かった。しかし日本を中心とするアジア諸国で実用化が進み、1970年代から1980年代にかけて制御工学への応用が急速に発展した。1974年にはイギリスのマンダニがファジィ制御を蒸気機関に適用し、1980年代には日本で仙台市の地下鉄制御や家電製品への実装が成功した。その後、欧米でも理論的整備と応用研究が進み、現在では広く認知された分野となっている。
2 基礎理論
2.1 ファジィ集合
ファジィ集合は、通常の集合（クリスプ集合）を拡張した概念である。通常の集合では要素が属するか属さないかの二値で判断されるのに対し、ファジィ集合では各要素に対して0から1の間の帰属度が定義される。これにより「高い」「低い」「暖かい」といった言語的表現を数学的に扱うことが可能となる。
2.1.1 メンバーシップ関数
メンバーシップ関数は、ファジィ集合における各要素の帰属度を定義する関数である。入力値に対して0から1の間の値を出力し、一般的に三角形、台形、ガウシアン型などの形状が用いられる。例えば「気温が暑い」というファジィ集合では、25℃で0、30℃で0.5、35℃で1.0といった具合に連続的な帰属度を割り当てる。
2.1.2 台集合とαカット
台集合は、メンバーシップ関数の値が正となる要素の全体集合を指す。αカットは、メンバーシップ関数の値がα以上となる要素の集合であり、ファジィ集合を通常の集合に変換する際に用いられる。αカットの概念は、ファジィ集合の分解定理や拡張原理の基礎となる。
2.2 ファジィ論理演算
2.2.1 否定・論理積・論理和
模糊逻辑における基本的な論理演算は、通常の二値論理を連続値に拡張して定義される。否定は1からメンバーシップ値を減算する操作、論理積は最小値演算、論理和は最大値演算で表現されることが多い。ただし、これらの演算には複数の定義が存在し、応用に応じて選択される。例えば論理積には代数的積や限定積なども用いられる。
2.2.2 含意と合成演算
ファジィ含意は、「IF A THEN B」というルールの推論に用いられる演算である。含意の定義には複数の方式があり、マンダニ含意（最小値演算）やラースン含意（代数的積）などが代表的である。合成演算は、複数のファジィ関係を結合する操作であり、max-min合成やmax-代数的積合成などが用いられる。
2.3 推論機構
2.3.1 Mamdani推論
Mamdani推論は、1975年にマンダニが提案した最も一般的なファジィ推論手法である。この手法では、ファジィルールの前件部と後件部の両方にファジィ集合を用いる。推論プロセスは、入力のファジィ化、ルールの適合度計算、含意による出力ファジィ集合の生成、そしてすべてのルールの出力を統合し、最終的に非ファジィ化（デファジィフィケーション）を行って確定値を得る。
2.3.2 Takagi-Sugeno推論
Takagi-Sugeno推論（TS推論）は、1985年に高木と菅野によって提案された手法である。Mamdani推論と異なり、ルールの後件部が入力変数の一次関数や定数として表現される。このため、計算効率が高く、最適化手法との親和性が良い。特に制御工学やシステム同定の分野で広く用いられている。
3 応用分野
3.1 制御工学
3.1.1 ファジィ制御器の基本構造
ファジィ制御器は、入力値のファジィ化、ルールベースによる推論、非ファジィ化の3段階で構成される。ルールベースは「もし温度が高く、かつ湿度が高ければ、冷却出力を強くする」といった言語的な制御ルールの集合である。従来のPID制御と比較して、非線形システムへの対応が容易で、人間の経験則を直接反映できる利点がある。
3.1.2 家電製品・産業機器への実装
ファジィ制御は、洗濯機の水量調整、エアコンの温度制御、電子レンジの加熱調整など、多くの家電製品に実装されている。産業分野では、セメントキルンの制御、地下鉄の自動運転、ロボットアームの制御などに応用されている。特に日本では1980年代から1990年代にかけて大規模な実用化が進んだ。
3.2 人工知能・意思決定
3.2.1 ファジィ専門家システム
ファジィ専門家システムは、従来の専門家システムにファジィ推論を組み込んだものである。不確かで曖昧な知識を扱えるため、医療診断、故障診断、プロジェクト評価などの分野で活用されている。ルールに重み付けが可能で、複数の専門家の意見の統合にも適している。
3.2.2 パターン認識とデータ分類
模糊逻辑は、パターン認識やデータ分類の分野でも応用されている。特に画像認識、手書き文字認識、音声認識において、境界が不明瞭なクラス分類に有効である。ファジィクラスタリング（fuzzy c-meansなど）は、各データが複数のクラスタに部分的に所属することを許容する手法として広く利用されている。
3.3 その他の応用
3.3.1 自然言語処理
自然言語処理では、単語や文の意味の曖昧性を扱うために模糊逻辑が利用されている。情報検索における類似度計算、テキスト分類、機械翻訳の曖昧性解消などに応用されている。特に「非常に」「少し」といった程度副詞の定量化に有効である。
3.3.2 金融・リスク評価
金融分野では、株式投資の意思決定支援、信用リスク評価、ポートフォリオ最適化などに模糊逻辑が応用されている。市場の不確実性や定性情報を扱う際に、従来の統計手法と組み合わせて利用されることが多い。
4 批判と限界
4.1 理論的厳密性をめぐる議論
模糊逻辑に対しては、その理論的基盤の曖昧さを指摘する批判がある。特にメンバーシップ関数の定義が主観的であり、客観的な基準が存在しない点が問題視される。また、確率論と類似した枠組みでありながら確率公理を満たさないため、数学的厳密性に欠けるという意見もある。しかし、これらの批判に対しては、模糊逻辑は曖昧性そのものを扱うことが目的であり、確率論とは異なる理論体系であると反論されている。
4.2 実装上の課題とチューニング
実装面では、メンバーシップ関数の形状パラメータやルールベースの調整に熟練を要する問題がある。適切なチューニングが行われないと、推論結果の精度が低下する。また、ルール数が増えると組み合わせ爆発が発生し、計算コストが増大する。これらの課題に対しては、ニューラルネットワークや遺伝的アルゴリズムを用いた自動チューニング手法が開発されている。
5 関連概念
5.1 確率論との比較
模糊逻辑と確率論は、ともに不確かさを扱う理論であるが、その対象は異なる。確率論は事象の発生頻度やランダム性を扱うのに対し、模糊逻辑は事象そのものの曖昧さや境界の不明瞭さを扱う。例えば「明日雨が降る確率は70%」は確率概念であり、「雨が強い」という表現はファジィ概念である。両者は相補的な関係にあり、組み合わせて利用されることも多い。
5.2 ニューラルネットワーク・進化的アルゴリズムとの融合
模糊逻辑は、ニューラルネットワークや進化的アルゴリズムとの融合により、さらなる性能向上が図られている。ファジィニューラルネットワークは、ニューラルネットワークの学習能力と模糊逻辑の推論能力を組み合わせたもので、メンバーシップ関数やルールの自動調整が可能となる。また、遺伝的アルゴリズムを用いたファジィシステムの最適化も広く研究されている。これらの融合技術は、適応型制御やデータマイニングなど、複雑な実問題への応用が進んでいる。