穆罕默德·赫加齐（Mohamed Hegazi）|哈利勒·切比尔（Khalil Chebil）|班达尔·阿尔马斯卢克（Bandar Almaslukh）|加桑·萨马拉（Ghassan Samara）|苏丹·阿卜杜拉·阿尔卡塔尼（Sultan Abdullah Alqahtani）
沙特阿拉伯阿尔-卡尔吉（Al-Kharj）萨塔姆·本·阿卜杜拉阿齐兹大学（Prince Sattam bin Abdulaziz University）计算机科学与工程学院计算机科学系，邮编16273
摘要
基于模糊规则的系统（Fuzzy Rule-Based Systems, FRBS）是一种成熟且持续发展的计算框架，用于处理复杂决策场景中的不确定性和不精确性。本文回顾了FRBS在多个应用领域的理论基础、架构变体和实际实现。我们研究了四种主要的FRBS架构：类型1模糊系统（包括Mamdani模型和Takagi-Sugeno-Kang模型）、处理元级不确定性的类型2模糊系统、能够进行在线学习的进化模糊系统以及混合方法。我们的分析从多个维度对这些架构进行了比较，包括可解释性、准确性、计算复杂性和可扩展性。我们指出了该领域持续存在的挑战：高维空间中的维数灾难、知识获取瓶颈、可解释性与准确性之间的基本权衡，以及资源受限设备上的实时实现限制。当前的研究方向包括与可解释AI框架的集成、深度神经模糊架构、量子启发式模糊计算以及边缘设备实现。这篇综述综合了2015年至2025年的最新进展，并将其与基础原理联系起来，为新手和有经验的研究人员提供了对FRBS能力的结构化理解、实用的选择指南以及计算智能领域的新兴创新路径。
引言
1965年，洛特菲·A·扎德（Lotfi A. Zadeh）提出了模糊集理论[1]，从根本上改变了我们在计算系统中对不确定性的建模方式。传统的布尔逻辑将真值限制在二进制状态（0或1），而模糊逻辑允许它们在[0,1]范围内连续变化。这一数学框架使计算机能够处理人类语言和现实世界系统中固有的模糊性和不精确性[2][3]。
六十多年来，模糊逻辑已从一种理论上的好奇心发展成为一种实用的工程工具[4][5]。其应用现在涵盖了工业控制系统、医疗诊断、金融预测、自主机器人技术和物联网（IoT）[6][7][8]。最近与深度学习、边缘计算和可解释AI的集成继续扩展了模糊系统的能力和应用范围[9][10][11]。
有几个因素推动了基于模糊规则的系统的更新综述的必要性：
1. 技术的快速演变：类型2模糊系统、进化架构和混合模型的进步将FRBS扩展到了以前被认为不切实际的领域[12][13][14]，包括实时边缘计算和量子启发式算法[15][16]。
2. 可解释AI的需求：随着机器学习模型面临越来越严格的透明度审查，FRBS提供了本质上可解释的架构。如何在可解释性和准确性之间找到平衡对于在医疗保健和金融等受监管行业中部署AI变得至关重要[17][18]。
3. 文献碎片化：虽然针对特定FRBS变体（类型2系统、神经模糊模型、进化系统）有优秀的综述，但很少有近期作品提供涵盖所有主要架构的统一视图，并提供实际实现指导。
4. 实现复杂性：从业者在FRBS类型、工具和设计模式之间面临艰难的选择。现有文献缺乏基于应用约束选择适当架构的明确决策框架。
5. 新兴应用领域：边缘AI、微型机器学习（TinyML）和量子计算等新领域需要重新评估传统FRBS对计算资源和系统架构的假设。
6. 研究兴趣的增长：为了量化研究活动的增加，表1展示了过去五年FRBS领域出版物的大致趋势分析。如表1所示，混合系统和神经模糊系统是最活跃的研究领域，在此期间表现出显著增长。进化型基于模糊规则的系统也显示出明显的上升趋势，反映了人们对自适应和自学习模糊模型的日益关注。相比之下，传统的类型1和类型2模糊系统的出版水平相对稳定，表明它们作为成熟的方法的地位。此外，将FRBS与可解释人工智能（XAI）结合的研究显著增加，突显了可解释性在智能系统中的重要性。总体而言，这些发现证实了近期研究向混合型、自适应型和可解释型基于模糊规则的系统的明显转变。
本文通过提供FRBS变体的结构化分析来填补这些空白，比较它们的优势和局限性，并提供实用的实现指导。我们特别关注2015年至2025年的发展，同时保持与基础工作的联系。
本研究对基于模糊规则的系统进行了详细回顾，涵盖了它们的理论基础、进展、在不同领域的应用以及面临的挑战。本文专门讨论基于模糊规则的系统（FRBS）及其各个版本，而不涉及其他类型的模糊系统，如语言模糊模型或层次模糊系统。这种范围限制是有意为之，因为目的是为明确对FRBS方法感兴趣的读者提供清晰、集中的讨论。本研究旨在帮助研究人员和从业者理解基于模糊规则的系统，并通过以下独特贡献激发这一不断发展的领域的进一步创新：
1. 详尽的分类：该研究提供了FRBS类型的结构化分类，并进行了详细的比较分析。
2. 定量比较：该研究提出了评估不同FRBS架构的比较表格和指标。
3. 实现指南：该研究提供了选择和部署适当FRBS类型的实用决策框架。
4. 批判性分析：该研究识别并讨论了关键挑战、未解决的问题和矛盾之处。
5. 综合视角：该研究综合了理论基础、算法发展、实际应用和新兴趋势。
这项工作通过将更深层次的理论基础与对模糊规则系统（FRBS）性能的广泛比较分析相结合，为近期文献提供了必要的补充和扩展。它对FRBS及其不同版本进行了深入而集中的研究，而没有涉及其他模糊系统。虽然[19]关注一般趋势，[20]专注于回归中的深度模糊系统，但我们的研究提供了更广泛的范围，涵盖了基础的Mamdani和TSK系统、强大的类型2模型以及混合架构（如ANFIS）。此外，与[21]中强调的进化系统不同，本研究提供了完整的、结构化的性能比较，包括关键的实现方面，从而提供了对FRBS领域的更全面理解。
这项调查采用了系统的方法：
1. 文献搜索：我们使用相关关键词“基于模糊规则的系统”、“类型2模糊”、“进化模糊系统”、“神经模糊”、“可解释AI”等在IEEE Xplore、ScienceDirect、Springer、ACM数字图书馆和Google Scholar上进行了搜索。
2. 时间范围：主要关注2015年至2025年的研究，同时包括了早期时期的开创性工作以建立基础概念。
3. 纳入标准：同行评审的期刊文章、会议论文和涉及FRBS理论、算法、应用或比较研究的书籍。
4. 质量评估：优先考虑高引用率的作品、顶级期刊的出版物以及具有重大贡献的最新进展。
5. 综合方法：采用主题组织方式。
