谁能讲讲模糊数学中择近原则和贴近度?

贴近度函数和择近原则?
贴近度是两个模糊集接近的程度，在ATM多任务系统中即是两个任务模块的相似程度即并行度。在任务模块集U的任一子集Ui的两个模块之间定义：
σ(A,B)=∑(ViA∧ViB)/∑(ViA∨ViB)(i=1，2，3，4) (1)
其中A，B分别是两个任务模块，ViA与ViB是与之对应的各因素值，符号“∧”、“∨”分别表示取小、取大，i=1，2，3，4。
在（1）式定义下：σ(A,B)=1＝》A=B=1
且有：
σ(A,B)＝σ(B,A);σ(φ,U)=0
则F（U）上的二元函数σ即为严格贴近度函数.
σ:F（U）×F（U）→[0,1](A,B)\→σ(A,B)是A与B的贴近度。
若：σ(A,B)=maxσ(A,U)
则在σ意义下A在U中最贴近B或者说A模块与B模块并行度最大,这就是择近原则。

择近原则

模糊数学在房地产比较法评估中的应用，其择近原则尤为重要

设在论域U={ x1,x2,…,xn}上有m个模糊子集 (m个模型)，构成了标准模型库。被识别的对象 也是一个模糊集， 与 中的哪一个最贴近？这就是一个模糊集对标准模糊集的识别问题。因此，这里涉及到两个模糊集的贴近程度问题。

1、贴近度

先把模糊向量的内积与外积推广到无限论域U上，内积与外积的简单性质对无限论域U上的模糊集也成立。

由模糊集的内积与外积的性质可知，单独使用内积或外积还不能完全刻划两个模糊集 、 之间的贴近程度。模糊集的内积与外积都只能部分地表现两个模糊集的靠近程度。现在从直观上进一步说明这一点。在图1中所表示的两个模糊集 、 交点的纵坐标(隶属度)越大时，则与越靠近，而内积 正是表现了模糊集与交点的纵坐标(隶属度μ)。在图2中所表示的两个模糊集与交点的纵坐标(隶属度μ)越小时，则与越靠近，而外积 ⊙ = 正好表现了这一点。

综上所述，内积越大，模糊集越靠近；外积越小，模糊集也越靠近。因此，可用二者相结合的“贴近度”来刻划两个模糊集的贴近程度较为适合。
设，是论域U