### 使用Python实现模糊认知图 模糊认知图（Fuzzy Cognitive Maps, FCMs）是一种用于表示因果关系的知识表达方法，在决策支持系统、专家系统等领域有广泛应用。FCM由节点和加权边组成，其中节点代表概念，而带权重的边则表达了这些概念之间的因果影响程度。 为了在Python中构建并操作模糊认知图，可以采用`numpy`来管理矩阵运算，并借助自定义类结构化地封装FCM逻辑： ```python import numpy as np class FCM: def __init__(self, concepts): self.concepts = concepts # 概念列表 self.weights = np.zeros((len(concepts), len(concepts))) # 初始化权重矩阵 def add_connection(self, concept_from, concept_to, weight): index_from = self.concepts.index(concept_from) index_to = self.concepts.index(concept_to) self.weights[index_from][index_to] = weight def activate_concept(self, concept_name, activation_value=1.0): index = self.concepts.index(concept_name) activations = np.zeros(len(self.concepts)) activations[index] = activation_value return self.propagate(activations) def propagate(self, initial_activations): current_state = initial_activations.copy() while True: next_state = np.dot(current_state, self.weights) if np.allclose(next_state, current_state): break current_state = next_state.clip(min=0).clip(max=1) # 确保激活值介于0到1之间 result = dict(zip(self.concepts, current_state)) return {k: round(v, 2) for k, v in sorted(result.items())} ``` 上述代码片段展示了如何创建一个简单的FCM模型[^1]。此模型允许添加连接及其对应的权重，初始化某些概念的状态并向整个网络传播这种状态直到达到稳定点。这里假设所有激活水平都在\[0, 1\]范围内变化，这可以通过`.clip()`函数强制执行。