퍼지 이론(Fuzzy Theory)은 "참(1)"과 "거짓(0)"으로만 구분하는 전통적인 이진 논리와 달리, "어느 정도 참인가"를 수치로 표현하여 모호하고 정성적인(qualitative) 정보를 다루는 이론이다. 1965년 자데(Lotfi A. Zadeh)가 제안한 퍼지 집합(Fuzzy Set) 개념에서 출발했다.
퍼지(fuzzy)는 "애매한, 흐릿한"이라는 뜻으로, 세상의 많은 현상은 "덥다/춥다", "빠르다/느리다", "크다/작다"처럼 명확한 경계로 나누기 어렵다. 예를 들어 "기온이 28°C이면 더운가?"라는 질문에 "예/아니오"로 딱 잘라 답하기보다는, "어느 정도 덥다"라고 표현하는 것이 사람의 실제 사고방식에 더 가깝다.
퍼지 이론은 이러한 정성적(qualitative)이고 모호한 대상을 0과 1 사이의 연속적인 수치로 표현하여, 컴퓨터가 인간의 애매한 판단 방식을 모사할 수 있도록 한다. 인공지능 분야에서는 규칙 기반 시스템, 제어 시스템 등에서 인간의 직관적 판단을 반영하기 위해 활용된다.
고전 집합(Crisp Set) vs 퍼지 집합(Fuzzy Set)
고전 집합: 원소가 집합에 속하는지(1) 속하지 않는지(0)만 표현 (이진적, 명확한 경계)
퍼지 집합: 원소가 집합에 얼마나 속하는지를 0~1 사이의 값으로 표현 (연속적, 모호한 경계)
소속 함수(Membership Function)는 어떤 원소가 특정 퍼지 집합에 얼마나 속하는지를 나타내는 함수이며, 그 결과값을 소속 정도(degree of membership, \( \mu \))라고 한다.
⚠️ 자주 헷갈리는 개념 — 소속 정도(\( \mu \))의 범위
소속 정도 \( \mu \)는 \( 0 \le \mu \le 1 \) 범위로 정의된다. 즉, 최솟값 0(전혀 속하지 않음)부터 최댓값 1(완전히 속함)까지를 포함하는 닫힌 구간이다.
"\( 0 < \mu \le 1 \)"처럼 0을 제외하고 정의하면, μ=0(전혀 속하지 않는 경우)을 표현할 수 없게 되므로 옳지 않다. 어떤 원소가 특정 퍼지 집합에 전혀 속하지 않는 상황(예: "덥다"라는 집합에 대해 기온이 매우 낮은 경우)도 마땅히 표현할 수 있어야 하기 때문이다.
$$ 0 \le \mu(x) \le 1 $$
예를 들어 "따뜻하다"라는 퍼지 집합에서, 기온 10°C의 소속 정도는 \( \mu = 0.1 \), 20°C는 \( \mu = 0.6 \), 30°C는 \( \mu = 1.0 \)과 같이 정성적인 표현을 정량적인 수치로 나타낼 수 있다.
"차갑다·시원하다·따뜻하다·뜨겁다"에 대한 온도의 소속 함수 예시
출처: Wikimedia Commons
고전 집합에서 합집합·교집합·여집합을 정의할 수 있는 것처럼, 퍼지 집합에서도 소속 정도(\( \mu \))를 이용하여 합집합, 교집합, 여집합과 같은 집합 연산을 정의할 수 있다. 이때 핵심은 원소 하나하나에 대해 정해진 0과 1이 아니라, 두 소속 정도 값을 비교·계산하여 새로운 소속 정도를 구한다는 점이다.
(1) 합집합 (Union, \( A \cup B \))
두 퍼지 집합 중 더 크게(많이) 속하는 정도를 채택한다. 즉, 두 소속도 중 최댓값(max)을 취한다.
$$ \mu_{A \cup B}(x) = \max\big(\mu_A(x),\, \mu_B(x)\big) $$
(2) 교집합 (Intersection, \( A \cap B \))
두 퍼지 집합에 공통적으로 속하는 정도를 채택한다. 즉, 두 소속도 중 최솟값(min)을 취한다.
$$ \mu_{A \cap B}(x) = \min\big(\mu_A(x),\, \mu_B(x)\big) $$
(3) 여집합 (Complement, \( A' \))
어떤 집합에 속하는 정도의 반대(1에서 뺀 값)를 그 여집합에 속하는 정도로 정의한다.
$$ \mu_{A'}(x) = 1 - \mu_A(x) $$
⚠️ 자주 헷갈리는 개념 — 왜 합집합은 max, 교집합은 min일까?
고전 집합론에서 합집합은 "두 집합 중 하나라도 속하면 포함"되는 넓은 개념이고, 교집합은 "둘 다 속해야만" 포함되는 좁은 개념이다.
퍼지 집합에서도 같은 맥락으로, 합집합은 두 소속도 중 더 큰 값을 선택해 "더 많이 속한 정도"를 반영하고(max), 교집합은 두 소속도 중 더 작은 값을 선택해 "공통으로 보장되는 최소한의 속한 정도"를 반영한다(min). 이를 반대로 암기(합집합=min, 교집합=max)하는 것이 가장 흔한 실수이므로 주의해야 한다.
예시: 어떤 원소 x에 대해 \( \mu_A(x) = 0.7 \), \( \mu_B(x) = 0.4 \)라면,
비퍼지화(Defuzzification)는 퍼지 추론을 통해 얻은 퍼지 집합(결과) 하나를 실제로 사용할 수 있는 하나의 실수값(crisp value)으로 변환하는 과정이다. 예를 들어 "에어컨 세기를 강하게"라는 정성적인 추론 결과를 실제 제어에 사용할 수 있는 구체적인 수치(예: 풍량 80%)로 바꾸는 단계이다.
대표적인 비퍼지화 방법은 다음과 같다.
무게중심법(Centroid Method):
결합된 퍼지 집합의 무게중심(중심값)을 최종 출력값으로 선택하는, 가장 널리 쓰이는 방법
최대값법(Max-Membership Method):
소속 정도가 가장 큰 지점의 값을 출력값으로 선택하는 방법
