단어 기반 연산을 위한 퍼지 페트리넷 모델

초록

본 논문은 Zadeh의 “단어로 계산” 개념을 병행성 모델인 페트리넷에 결합하여, 전이 라벨을 퍼지 집합 형태의 단어로 표현한 퍼지 페트리넷(FPNCW)을 제안한다. 퍼지 추론을 이용한 확장 메커니즘과 퍼지 자동자와의 표현력 비교를 통해, 동시성 환경에서의 단어 기반 연산 가능성을 이론적으로 입증한다.

상세 분석

논문은 먼저 기존의 “Computing with Words”(CWW) 연구가 주로 자동자 이론에 기반해 왔으며, 이는 순차적 처리에 적합하지만 병행성이나 자원 공유를 모델링하는 데 한계가 있음을 지적한다. 이러한 문제를 해결하기 위해 저자들은 전통적인 Petri Net(PN)의 구조적 장점—플레이스, 트랜지션, 토큰 흐름—에 퍼지 논리를 결합한다. 핵심 아이디어는 트랜지션 라벨을 단순한 기호가 아니라 퍼지 집합, 즉 “단어”로 정의함으로써, 입력 토큰들의 퍼지 값에 따라 전이 활성화 정도를 정량화한다는 점이다.

FPNCW는 (P, T, I, O, μ, λ) 로 구성된다. 여기서 P는 플라스, T는 트랜지션, I와 O는 전입·출입 아크, μ는 플라스에 할당된 퍼지 마킹(0~1 사이 실수), λ는 트랜지션 라벨인 퍼지 단어 집합이다. 전이 활성화는 λ에 정의된 멤버십 함수와 μ의 교집합(보통 최소 연산)으로 계산되며, 전이 firing 시 μ는 규칙 기반 퍼지 추론(예: Mamdani 방식)으로 업데이트된다. 이러한 메커니즘은 전통적인 PN의 비결정성을 퍼지 논리의 연속적 불확실성으로 확장한다.

또한 저자들은 “확장 연산자”를 정의하여 기존 FPNCW에 새로운 라벨(단어)을 추가하는 방법을 제시한다. 구체적으로, 기존 라벨 집합 Λ와 새로운 라벨 Λ’ 사이의 퍼지 관계를 정의하고, 이를 기반으로 전이 라벨을 재구성함으로써 시스템이 더 많은 어휘를 처리하도록 확장한다. 이 과정은 기존 토큰 마킹과 전이 구조를 보존하므로, 모델의 구조적 일관성을 유지한다.

표현력 비교에서는 퍼지 자동자(Fuzzy Automata for Computing with Words, FACW)와 FPNCW를 언어 인식 능력 측면에서 대조한다. FACW는 입력 문자열을 순차적으로 처리하는 반면, FPNCW는 여러 토큰이 동시에 흐를 수 있어, 동시 발생하는 사건들의 조합을 자연스럽게 표현한다. 저자들은 두 모델이 인식 가능한 언어 집합이 동일함을 보이면서도, FPNCW가 구조적 복잡도와 병행성 표현에서 우수함을 강조한다.

마지막으로, 논문은 간단한 사례(예: 교통 신호 제어, 생산 라인 작업 흐름)를 통해 FPNCW의 설계 절차와 퍼지 추론 과정을 시연한다. 사례에서는 라벨이 “빠름”, “보통”, “느림” 등 퍼지 단어로 정의되고, 각 라벨에 대응하는 멤버십 함수가 실제 센서 데이터와 매핑된다. 전이 firing 결과는 시스템의 동적 행동을 정량적으로 예측하게 해준다. 전체적으로, 이 연구는 CWW를 병행성 모델에 통합함으로써, 복잡한 실시간 시스템에서 인간 친화적인 언어 기반 제어와 의사결정을 가능하게 하는 새로운 이론적 토대를 제공한다.