Sistemas Fuzzy:

Conjuntos Fuzzy
Lgica Fuzzy
Controle Fuzzy
Prof. Marcelo R. Stemmer

Sumrio
Parte I - Introduo:
Definio
Histrico
reas de aplicao
Princpios bsicos
Lgica fuzzy x clssica

Sumrio
Parte II - Conjuntos Fuzzy (Fuzzy sets):
Grau de pertinncia
Conceitos: representao, universo, suporte,
cardinalidade, ncleo, cruzamento, corte alfa,
altura, etc.
Funes de pertinncia
Operaes sobre conjuntos fuzzy
Variveis lingusticas e modificadores
Relaes entre conjuntos fuzzy

Sumrio
Parte III - Lgica Fuzzy (Fuzzy logic):

Conectivos
Proposies
Implicao
Regras fuzzy
Fuzzyficao
Aplicao de operadores, implicao e combinao
das sadas
Defuzzyficao

Parte IV - Controle Fuzzy

Parte I

INTRODUO

Introduo
A lgica fuzzy (nebulosa, difusa) tem por objetivo
modelar modos de raciocnio aproximados ao
invs de precisos.
Usamos, no cotidiano, conceitos subjetivos para
classificar ou considerar certas situaes tais
como:

Siga em frente "alguns metros" .

O dia est "parcialmente" nublado.
Preciso perder "alguns" quilos para ficar "bem".
Estamos com uma moeda "estvel".

Histrico
As primeiras noes da lgica dos conceitos "vagos" foi
desenvolvida pelo lgico polons Jan Lukasiewicz (1878-1956)
em 1920, que introduziu conjuntos com graus de pertinncia
sendo 0 , e 1 e, mais tarde, expandiu para um nmero
infinito de valores entre 0 e 1.
A primeira publicao sobre lgica "fuzzy" data de 1965,
quando recebeu este nome. Seu autor foi Lofti Asker Zadeh,
professor em Berkeley, Califrnia.
Zadeh criou a lgica "fuzzy" combinando os conceitos da
lgica clssica e os conjuntos de Lukasiewicz, definindo graus
de pertinncia.

Histrico
Lofti Zadeh

Histrico
Entre 1965 e 1980 houve poucas aplicaes industriais da
lgica "fuzzy".
Aps 1980, o Japo iniciou seu uso com aplicaes na
indstria.
Primeiras aplicaes: estao de tratamento de gua feito
pela Fuji Electric em 1983 e um sistema de metr inaugurado
em 1987 pela Hitachi.
Por volta de 1990 a lgica "fuzzy" despertou um maior
interesse em empresas dos Estados Unidos.
A lgica "fuzzy" considerada hoje uma tcnica "standard" e
tem uma ampla aceitao na rea de controle de processos.

Exemplos de aplicaes comerciais

Controle

Controle de Aeronave (Rockwell Corp.)

Operao do Metr de Sendai (Hitachi)
Transmisso Automtica (Nissan, Subaru)
Space Shuttle Docking (NASA)

Otimizao e Planejamento
Elevadores (Hitachi, Fujitech, Mitsubishi)
Anlise do Mercado de Aes (Yamaichi)

Anlise de Sinais
Ajuste da Imagem de TV (Sony)
Autofocus para Cmera de Vdeo (Canon)
Estabilizador de Imagens de Vdeo (Panasonic)

Aplicaes
Jogos:
O jogo The Sims usa mquinas de estado nebulosas.
O jogo Civilization: Call to Power faz uso de regras
nebulosas em sua denio da Inteligncia Articial.
O jogo Close Combat 2 usa um sistema nebuloso para
analisar centenas de variveis e chegar a probabilidade de um soldado executar determinada ao.

No Brasil:
Multibrs (Brastemp, Consul) faz aparelhos de ar
condicionado com controle de temperatura fuzzy.

Aplicaes
Quantidade de aplicaes comerciais e
industriais:

reas de aplicao da Lgica Fuzzy

Sistemas especialistas;
Sistemas multiagentes;
Reconhecimento de padres;
Robtica;
Sistemas de controle inteligentes;
Sistemas de apoio tomada de deciso;
Sintonizao de regras fuzzy com algoritmos
genticos;
Data mining.

Quando usar
Caractersticas de sistemas onde a aplicao da
Lgica Fuzzy necessria ou benfica:
sistemas complexos que so difceis ou impossveis de
modelar;
sistemas controlados por especialistas (humanos);
sistemas com entradas e sadas complexas e
contnuas;
sistemas que se utilizam da observao humana como
entradas ou como base para regras;
sistemas que so naturalmente vagos, como os que
envolvem cincias sociais e comportamentais, cuja
descrio extremamente complexa.

Princpios
Na lgica binria (clssica) as proposies so
unicamente "Verdadeiras" ou "Falsas".
Na lgica fuzzy as proposies podem ter valores
intermedirios entre "Verdadeiro" e "Falso".
A veracidade destas uma funo que pode
assumir qualquer valor entre 0 (absolutamente
falso) e 1 (absolutamente verdadeiro).
As sentenas passam a ter um grau de
pertinncia.

Princpios
Muitas vezes utiliza-se uma discretizao dos
valores possveis para um domnio => lgica
de mltiplos valores.
Exemplo: {0, 0.5, 1} para valores que indiquem
"Falso", "Talvez verdadeiro" e "Verdadeiro",
respectivamente.
A lgica fuzzy visa modelar modos de
raciocnio imprecisos, tendo os casos precisos
como situaes limite.

Lgica Clssica X Fuzzy

Clssica (Booleana)
Falso x Verdadeiro (0 ou 1);

Fuzzy
Intervalo [0..1]

Lgica Clssica X Fuzzy

Clssica
Predicados exigem definio exata
No existe resposta diferente de verdadeiro ou falso.
homem, mortal, par ...

Fuzzy
Predicados no possuem definio exata
Respostas so relativas; Possuem um grau de
veracidade que variam entre totalmente falso e
totalmente verdadeiro:
alto, esta cansado, jovem ...

Lgica Clssica X Fuzzy

Clssica
Quantificadores: Para todo, Existe

Fuzzy
Quantificadores: Muitos, Poucos, A maioria,
Ocasionalmente...
Tambm possuem interpretao matemtica
slida.

Lgica Clssica X Fuzzy

Os copos esto cheios ou vazios ?

Qual a melhor resposta?

Parte II

CONJUNTOS FUZZY (FUZZY SETS)

Conjuntos Fuzzy
Conjuntos fuzzy so desdobramentos da noo
matemtica de conjunto.
Conjuntos foram estudados formalmente por
Cantor (1845-1918).
A teoria de conjuntos encontrou muita resistncia
no princpio, contudo hoje apreciada pelos
matemticos pela sua capacidade de expresso.
Muitos pesquisadores esto estudando as
consequncias da teoria de conjuntos fuzzy, com
vasta literatura matemtica.

Conjuntos Fuzzy
Um conjunto pode ser completamente
caracterizados por seus elementos
A = {0, 1, 2, 3, 4} um conjunto finito representado de
forma explicita.
Forma explicita ruim para conjuntos muito grandes e
impossvel para conjuntos infinitos.

Podemos descrever um conjunto por

propriedades que caracterizam todos os
elementos:
X um nmero natural e menor do que 5.

Conjuntos Fuzzy
Um conjunto qualquer coleo de objetos
que podem ser tratados como um todo.
Cantor descreveu um conjunto por meio de
seus membros, tal que um item de um certo
universo membro ou no do conjunto.

Conjuntos Fuzzy
Lofti Zadeh sugere que muitos conjuntos
encontrados no mundo no so definidos por
uma fronteira clara.
De acordo com Zadeh, conjuntos podem ter mais
de um critrio de pertinncia, alm de estar
contido ou no.
Um exemplo o conjunto das pessoas jovens:
Um beb certamente pertence a esse conjunto e um
idoso de 100 anos no.
Mas o que podemos dizer sobre as pessoas com 20,
30 e 40 anos?

Conjuntos Fuzzy
Existem conjuntos cujo limite entre
pertinncia e no-pertinncia vago:
conjunto de pessoas altas
conjunto de carros caros
nmeros muito maiores do que 1

Conjuntos Fuzzy
Conjuntos convencionais tem apenas os
critrios de pertinncia pertence ou no
pertence, e esta contido ou no esta
contido.
Zadeh props um grau de pertinncia, de
forma que a transio entre pertinncia e nopertinncia gradual e no abrupta.

Conjuntos Fuzzy
Conjuntos da altura de uma pessoa (clssico
ou crisp e fuzzy)

Conjuntos Fuzzy
Grau de pertinncia:
Cada elemento do conjunto difuso tem um grau
de pertinncia no intervalo [0, 1], dessa forma
permitindo uma transio gradual da falsidade
para a verdade.
Se definirmos um grau de pertinncia para todos
os membros, temos um conjunto fuzzy.

Conjuntos Fuzzy
No existe uma base formal para determinar o
grau de pertinncia.
Este escolhido empiricamente.
O grau de pertinncia nos permite representar
valores imprecisos como quente e frio.
O grau de pertinncia uma noo precisa
mas subjetiva, que depende do contexto.

Conjuntos Fuzzy
No eixo x representamos a temperatura da gua e no
y seu grau de pertinncia aos conjuntos cold, cool,
warm e hot.

Grau de pertinncia probabilidade

O grau de pertinncia fuzzy difere da noo
estatstica de distribuio de probabilidade.
Considere a afirmao: Jos comeu X ovos
durante o caf da manh, onde X U = {1, 2, . . . ,
8}.
Podemos associar a distribuio de
probabilidades p observando como Jos se
alimenta de ovos no caf da manh por cerca de
100 dias:
U=[1 2 3 45678]
p = [ 0.1 0.8 0.1 0 0 0 0 0 ]

Grau de pertinncia probabilidade

Um conjunto fuzzy, que expressa o grau de
possibilidade de Jos ter comido X ovos, pode
ser dado pela distribuio de possibilidade :
U=[ 12345 6 7 8 ]
= [ 1 1 1 1 0.8 0.6 0.4 0.2 ]
onde a possibilidade de X = 3 1, enquanto a
probabilidade apenas 0.1.

Grau de pertinncia probabilidade

O exemplo mostra que um evento possvel
no implica que ele provvel.
Por outro lado, se um evento provvel,
ento ele deve ser possvel.
Podemos ver a funo de pertinncia fuzzy
como uma distribuio pessoal, em contraste
com a distribuio estatstica que baseada
em observaes.

Representao
Um conjunto fuzzy A uma coleo de pares:
ai = {(x, (x))}
Onde (x) o grau de pertinncia do
elemento x ao conjunto A.

Universo
O universo contm todos os elementos que
podem ser considerados no conjunto.
Seu objetivo no permitir o uso de dados
incorretos ou incoerentes.
Por exemplo o universo de um conjunto que
mede sabor poderia ser o conjunto de noes
psicolgicas {doce, amargo, azedo, salgado,
etc.}, mas no o conjunto {quente, frio}.

Suporte e Cardinalidade
O SUPORTE de um conjunto fuzzy A no
conjunto universo U o conjunto clssico que
contm todos os elementos de U que tm
grau de pertinncia maior do que zero
((x)>0).
A CARDINALIDADE de um conjunto
fuzzy A sobre um universo finito U a soma
dos graus de pertinncia de todos os
elementos de U em A.

Core e Crossover
O core (ncleo) de um conjunto fuzzy A no
conjunto universo U o conjunto clssico que
contm todos os elementos de U que tm
grau de pertinncia 1 ((x)=1).
O crossover (cruzamento) de um conjunto
fuzzy A no conjunto universo U o conjunto
clssico que contm todos os elementos
de U que tm grau de pertinncia igual a 0,5
((x)=0,5).

-CUT
Conjunto -CUT (corte alfa) contm todos os
elementos do domnio que possuam (x)
acima de certo valor de .

Altura
A altura (hight) de um conjunto fuzzy o grau
de pertinncia mximo de todos os elementos
do conjunto.
Altura est sempre entre 0 e 1.
Nem sempre 1 (pode no haver nenhum
elemento x no conjunto com (x)=1).

Conceitos fuzzy

Funes de Pertinncia
Cada elemento do universo tem um grau de
pertinncia ao conjunto fuzzy, talvez nulo.
A funo que associa um nmero a cada
elemento x do universo dita funo de
pertinncia, sendo denotada por (x).
As funes de pertinncia podem ser
contnuas ou discretas.

Funes de Pertinncia
No caso contnuo, a funo de pertinncia
uma funo matemtica.
No caso discreto, a funo de pertinncia e o
universo so pontos de uma lista (vetor).
Algumas vezes pode ser conveniente
represent-la por meio de amostras.

Funes de Pertinncia
A funo cosseno pode ser usada para gerar
uma variedade de funes de pertinncia.
A curva s (sigmoide) pode ser gerada fazendo:

onde xl o ponto de quebra esquerda e xr

o ponto de quebra direita.

Funes de Pertinncia

Funes de Pertinncia
A curva z apenas uma reflexo da curva s:

Funes de Pertinncia

Funes de Pertinncia
A curva (sino Pi) pode ser implementada
por meio da combinao das curvas s e z, tal
que o pico seja constante no intervalo [x2, x3]:
(x1, x2, x3, x4, x) = min(s(x1, x2, x), z(x3, x4, x))

Funes de Pertinncia

Funes de Pertinncia

Funes de Pertinncia

Funes de Pertinncia

Funes de Pertinncia

Funes de Pertinncia
Diferentes pessoas podem definir funes de
pertinncia para um mesmo conjunto de
forma diferente
Exemplo: funo de pertinncia para meia
idade

Operaes sobre conjuntos Fuzzy

Operaes sobre conjuntos fuzzy criam um
novo conjunto fuzzy.
Sejam dois conjuntos fuzzy A e B em um
mesmo universo:
Igualdade:
Incluso:

Operaes sobre conjuntos Fuzzy

Interseo: A B (AND)
AB(x) = min (A(x), B(x))

Unio: A B (OR)
AB(x) = max (A(x), B(x))

Complemento: A = ~A (NOT)
A(x) = 1 A(x)

Operaes sobre conjuntos Fuzzy

De forma geral:
a interseo entre conjuntos tratada por
operadores norma-t (ex.: min)
a unio tratada por operadores co-norma-t (ou
norma-s) (ex.: max).

Vimos os operadores propostos por Zadeh

(max-min).

Operaes sobre conjuntos Fuzzy

Norma-t Zadeh (min)

Operaes sobre conjuntos Fuzzy

Co-norma-t Zadeh (max)

Operaes sobre conjuntos Fuzzy

Outros operadores:

Operaes sobre conjuntos Fuzzy

Norma-t produto

Operaes sobre conjuntos Fuzzy

Co-Norma-t produto

Operaes sobre conjuntos Fuzzy

Outros operadores (existem mais de 90):

Operaes sobre conjuntos Fuzzy

Operaes sobre conjuntos Fuzzy

Operaes sobre conjuntos Fuzzy

Operaes sobre conjuntos Fuzzy

Propriedades:

Exemplo
Suponha que desejssemos representar de forma fuzzy a
altura de Alice (1,65 m), Bob (1,75 m), Carlos(2,0 m) e
Denise (1,45 m).
Nossas proposies sero da forma "X alto", e sero:

A = Alice alta, (A)=0.55

B = Bob alto, (B)=0.75
C = Carlos alto, (C) = 1
D = Denise alta, (D) = 0

Usando os operadores descritos, podemos escrever

sentenas como:
Carlos no alto, NO(C), (NO(C))=1-(C)=0
Bob no alto, NO(B), (NO(B))=1-(B)=0.25
Denise alta e Alice Alta, D e A, (D e A)=min((D),(A))=0

Outro exemplo
Quem alto E de meia idade?

Outro exemplo
Soluo clssica

Outro exemplo
Soluo clssica:

Outro exemplo
Soluo fuzzy:

Outro exemplo
Soluo fuzzy:

Variveis Lingusticas
Varivel lingustica (ou fuzzy): entidade utilizada
para representar de modo impreciso e, portanto,
lingustico um conceito ou uma varivel de um
dado problema.
Uma varivel lingustica admite apenas valores
definidos no conjunto de termos da linguagem fuzzy
que est utilizando-se dela.
Por exemplo: Joo alto
A varivel Joo est recebendo o valor alto, que
um dos conjuntos fuzzy definidos para esta varivel.

Variveis Lingusticas
Uma varivel lingustica aquela que tem
como valores palavras ou sentenas.
O conjunto de valores que ela pode assumir
chamado conjunto de termos.
Cada valor no conjunto de termos uma
varivel fuzzy definida sobre a varivel base.
A varivel base define o universo para todas
as variveis fuzzy no conjunto de termos.

Variveis Lingusticas
Exemplo (conjunto de termos):
Seja x uma varivel lingustica sobre a varivel base
idade.
Termos desta varivel lingustica, que so conjuntos fuzzy,
podem ser: velho, jovem, muito jovem, etc.
Um conjunto de termos para a varivel base idade pode
ser:
T = {muito velho, velho, mais ou menos velho, mais ou
menos jovem, jovem, muito jovem}

Cada termo do conjunto de termos T uma varivel fuzzy

sobre a varivel base idade, que pode ter como escala
valores entre 0 e 100 anos.

Modificadores
Os modificadores so termos ou operaes que
modificam a forma dos conjuntos fuzzy (ou seja, a
intensidade dos valores fuzzy).
Exemplos: advrbios muito, pouco,
extremamente, quase, mais ou menos, etc.
Estes podem ser classificados em:
aumentadores, quando aumentam a rea de
pertinncia de um conjunto fuzzy.
diminuidores, quando diminuem a rea de
pertinncia de um conjunto fuzzy.

Modificadores
Exemplos:
pouco, mais ou menos, possivelmente, com
certeza so exemplos de modificadores.
pouco quente, mais ou menos cheio,
extremamente chato so exemplos de conjuntos
fuzzy com modificadores.

Modificadores
Embora seja difcil deixar preciso o significado
do efeito do modificador muito, com certeza
ele produz um efeito intensificador.
O modificador mais ou menos tem o efeito
oposto.

Modificadores
Modificadores mais comuns:

Modificadores
Uma famlia de modificadores pode ser gerada fazendo ap,
onde p uma potencia entre zero e infinito.
Quando p = o modificador pode ser dito exatamente, pois
isto zera a pertinncia de todas as entradas menores que 1.

Modificadores
No caso de conjuntos discretos, considere o
universo u = (0, 20, 40, 60, 80).
Dado o conjunto:
podemos derivar a funo de pertinncia para
o conjunto muito jovem elevando todos os
termos ao quadro:

Relaes entre conjuntos

Relaes entre conjuntos fuzzy so importantes
na lgica fuzzy.
Algumas relaes se referem a elementos de um
mesmo universo: uma medida maior que outra,
um evento ocorreu antes de outro, ou um
elemento se assemelha a outro.
Outras relaes se referem a elementos de
universos disjuntos: a medida grande e a taxa
de variao positiva, o valor de x grande
enquanto o de y pequeno.

Relaes entre conjuntos

Em conjuntos ordinrios (clssicos): uma relao exprime a
presena ou a ausncia de uma associao entre dois (ou
mais) conjuntos.
Dados os universos X e Y, a relao R definida em X x Y um
subconjunto do produto cartesiano dos dois universos, tal que
R: X x Y {0,1}

Relaes entre conjuntos

Em conjuntos fuzzy: a relao fuzzy R
representa o grau da associao entre
elementos de dois (ou mais) conjuntos fuzzy.

Relaes entre conjuntos

Exemplo:
Sejam os conjuntos:
X = {x1, x2} = {Fortaleza, Florianpolis}
Y = {y1, y2, y3} = {Porto Alegre, Cricima, Curitiba}

Relao R entre X e Y: "muito prxima".

Relaes entre conjuntos

Matriz Relacional para o caso crisp:

Relaes entre conjuntos

Matriz Relacional para o caso fuzzy:

Relaes entre conjuntos

O produto cartesiano A B o conjunto de
todas as possibilidades de combinarmos itens
de A com itens de B.
Uma relao fuzzy de um conjunto A para
um conjunto B um subconjunto fuzzy do
produto cartesiano U V entre os respectivos
universos U e V.

Relaes entre conjuntos

A regra geral para composio de relaes fuzzy
consiste em tomarmos o mnimo em conexes
em srie (E), e tomarmos o mximo em conexes
em paralelo (OU).
conveniente realizarmos isto por meio do
produto interno.
O produto interno similar ao produto interno de
matrizes, exceto que a multiplicao
substituda pela interseo (, AND) e a soma
substituda pela unio (, OR).

Relaes entre conjuntos

De acordo com as definies adotadas para
interseo e unio (min e max), a composio
de duas relaes se reduz ao que conhecido
na literatura por composio max-min.
Se R uma relao de a para b e S uma
relao de b para c, ento a composio de R
e S uma relao de a para c (lei transitiva).

Relaes entre conjuntos

Caso ordinrio (no-fuzzy): dadas as relaes P(X,Y) e
Q(Y,Z), a composio definida por:
R(X,Z) = P(X,Y).Q(Y,Z) =

=1

Relaes entre conjuntos

A operao realizada para se obter a composio das
relaes pode ser representada por:
composio max-min:

composio max-produto:

Relaes entre conjuntos

Composio fuzzy: faz-se uma generalizao do
caso no-fuzzy

a norma-t (*) usualmente o min ou o produto

Sup (supremum) o menor limite superior de um
conjunto (igual a max para universos finitos)

Exemplo de relaes fuzzy

Estudantes:
X = {Maria, Joo, Pedro}

Caractersticas de cursos
Y = {(t)eoria, (a)plicao, (h)ardware, (p)rogramao}

Cursos
Z = {LF = lgica fuzzy, CF = controle fuzzy, RN = redes
neurais, SE = sistemas especialistas}

Exemplo de relaes fuzzy

Relao P(X,Y): Interesse dos estudantes, em
termos das caractersticas dos cursos:

Exemplo de relaes fuzzy

Relao Q(Y,Z): Caractersticas dos cursos:

Exemplo de relaes fuzzy

Relao (X,Z): a composio (max-min) pode servir de auxlio
aos estudantes na escolha dos cursos

Mesma frmula, porm (.) (E) e (+) (OU)

E = min, OU = max
A11 = 0,2.1+1.0,2+0,8.0+0,1.0,1 (convencional)
A11 = (0.2 E 1) OU (1 E 0,2) OU (0,8 E 0) OU (0,1 E 0,1) (fuzzy)
A11 = max(min(0,2;1); min(1;0.2); min(0,8;0); min(0,1;0,1))
A11 = max(0,2;0,2;0;0,1) = 0,2

Parte III

LGICA FUZZY (FUZZY LOGIC)

Lgica Fuzzy
A lgica iniciou com o estudo da linguagem de
argumentao, podendo ser aplicada para julgar
a corretude de uma cadeia de raciocnio.
Na lgica binria as proposies so
verdadeiras ou falsas, mas no ambas.
A veracidade ou falsidade designada a uma
sentena o valor da sentena.
Na lgica fuzzy, a proposio pode ser verdadeira,
falsa ou ter um valor intermedirio entre verdade
e falsidade, tal como talvez verdadeira.

Conectivos
Em conversao cotidiana e matemtica, sentenas so
conectadas por meio de palavras e, ou, se-ento
(ou implica) e se-e-somente-se.
Estas palavras so ditas conectivos.
Uma sentena modificada pela palavra no dita
negao da sentena original.
A palavra e usada para juntar duas sentenas
formando uma conjuno de duas sentenas.
A sentena formada ao conectarmos duas sentenas
com a palavra ou dita disjuno das duas
sentenas.

Conectivos
A partir de duas sentenas podemos construir
a forma se . . .ento . . . que dita sentena
condicional.
A sentena que segue o se o antecedente,
enquanto a sentena que segue o ento o
consequente.
As palavras se e somente se so usadas para
obter uma sentena bicondicional a partir de
duas sentenas.

Conectivos
Por meio de letras gregas e smbolos especiais, os
conectivos podem ser estruturados e apresentados
de forma mais eficaz.
A notao tipicamente adotada :

Conectivos
Considere a sentena:
Se (o Cricima ou o Chapecoense perderem e o Ava ganhar),
ento (o Figueirense perder a primeira colocao e eu deixarei a
artilharia).

A sentena um condicional simbolizado por r => s, onde r

o antecedente (aps o se) e s o conseqente (aps o ento).
O antecedente composto de trs sentenas: p (o Cricima
perdeu) ou c (o Chapecoense perdeu) e g (o Ava ganhou).
O conseqente a conjuno da sentena d (o Figueirense
perder a primeira colocao) e b (eu deixarei a artilharia).
A sentena pode ento ser simbolizada por:

Modus Ponens Fuzzy

Em lgica, Modus Ponens (do latim: modo de
afirmar) um dos modos dos silogismos
condicionais:
Se p ento q.
p (fato)
Portanto q (implicao)

Modus Ponens:

Modus Ponens Fuzzy

Lgica fuzzy generaliza este princpio com o modus ponens
generalizado:
Na lgica fuzzy, a e b podem ser ligeiramente diferentes de
a e b, por exemplo, por meio da aplicao de
modificadores.
Uma regra ser disparada se houver um grau de
similaridade diferente de zero entre a Premissa e o
antecedente da regra.
O resultado ser um consequente com grau de similaridade
no nulo em relao ao consequente da regra.

Proposies Fuzzy
Considere:
variveis lingusticas de nomes x e y definidas em
universos X e Y
conjuntos fuzzy A e B definidas em X e Y
proposies fuzzy:

Proposies Fuzzy
Conexo das proposies por meio de ou:
( x A) ou ( y B)

Proposies Fuzzy
Conexo das proposies por meio de e:
( x A) e ( y B)

Proposies Fuzzy
Declarao condicional fuzzy:
se (x A) ento ( y B)

mede o grau de verdade da relao de implicao

entre x e y

Implicao
Principais operadores de implicao:

Regras fuzzy
Regras so formas de proposio do tipo:
a temperatura alta
se temperatura alta ento diminuir a vazo

A funo de pertinncia desta relao definida por

meio do operador de implicao.
Para criar tais regras preciso de um raciocnio
coerente com o que se deseja manusear e obter.
Para isso, este raciocnio deve ser dividido em duas
etapas:
(1) avaliar o antecedente da regra e
(2) aplicar o resultado no consequente.

Regras fuzzy
Incondicionais (estabelecem fatos):
xY

Condicionais:
Se w Z ento x Y
Se (w Z) e (j W) ou (u S) ento x Y

As regras incondicionais devem ser executadas

antes.

Regras fuzzy
Uma base de regras contm vrias regras.
Como podemos combin-las?
Considere a base de regras dada por:

Regras fuzzy
Para conjuntos de regras disjuntivos (onde
basta satisfazer uma regra), assumimos o
operador lgico OU entre as regras (max).
Para conjuntos de regras conjuntivos (onde
vrias regras podem ser satisfeitas ao mesmo
tempo), assumimos o operador E entre as
regras (min).

Regras fuzzy
O numero de regras cresce exponencialmente com o nmero
de variveis de entrada e sada.
Se temos duas variveis de entrada X e Y fuzzyficadas com
trs conjuntos cada (A1, A2, A3), (B1, B2, B3), precisamos ter
32 = 9 regras para cada sada.

Regras fuzzy
desejvel que:
Qualquer combinao das variveis de entrada
deva ativar pelo menos uma regra;
Duas ou mais regras com as mesmas entradas
devam ter sadas mutuamente exclusivas, caso
contrrio as regras so inconsistentes;
No devem existir regras vizinhas com sadas cujas
funes de pertinncia no apresentem
interseo.

Regras fuzzy
Interseo de regras:

Inferncia fuzzy
Inferir: concluir a partir de evidencias,
deduzir ou ter uma conseqncia lgica.
Para se chegar a concluses a partir de uma
base de regras, necessrio um mecanismo
que produza uma sada a partir de uma
coleo de regras do tipo se-ento.
Isto conhecido como inferncia
composicional de regras.

Inferncia fuzzy
Esse processo pode ser feito atravs de
modelos de inferncia, cuja escolha deve
levar em considerao o tipo de problema a
ser resolvido, obtendo-se assim um melhor
processamento.
Existem vrios modelos de inferncia, mas o
mais utilizado o mtodo Mamdani.
Outros modelos: Takagi&Sugeno, Larsen,
Tsukamoto, etc.

Inferncia fuzzy
Modelo Mamdani:
Antecedente um conjunto de pertinncias fuzzy
Consequente um conjunto fuzzy, que requer
defuzzyficao
Ex.: Se idade jovem e potncia-carro alta ento risco
alto

Modelo Takagi&Sugeno:
Antecedente um conjunto de pertinncias fuzzy
Consequente so funes de valor real (singleton)
Ex.: Se idade jovem e potncia-carro alta anto risco
f(idade, potncia-carro) = w0+w1*idade+w2*potnciacarro

Inferncia fuzzy
Mamdani: largamente aplicado para capturar
conhecimento de um especialista. Permite
descrever expertise de modo intuitivo. No
entanto, tem custo computacional alto.
Takagi&Sugeno: computacionalmente eficiente e
trabalha bem com tcnicas adaptativas e de
otimizao, o que o torna atrativo para
problemas de controle, especialmente em
sistemas dinmicos no lineares.

Inferncia fuzzy
Ebrahim Mamdani, Imperial College da Universidade
de Londres.

Inferncia fuzzy

Sistemas fuzzy
Um sistema fuzzy segundo Mamdani
dividido em cinco passos:
(1) Transformao das variveis do problema em
valores fuzzy, ou fuzzyficao
(2) Aplicao dos operadores fuzzy
(3) Aplicao da implicao
(4) Combinao de todas as sadas fuzzy possveis
(5) Transformao do resultado fuzzy em um
resultado ntido, a defuzzyficao.

Sistemas fuzzy

Fuzzyficao
Essa etapa obtm o grau de pertinncia com que
cada entrada pertence a cada conjunto fuzzy.
Cada uma dessas entradas foi previamente
limitada no universo de discurso em questo e
associada a um grau de pertinncia em cada
conjunto fuzzy atravs do conhecimento do
especialista.
Ento para obter o grau de pertinncia de uma
determinada entrada crisp basta buscar esse
valor na base de conhecimento do sistema fuzzy.

Fuzzyficao

jovem

meia

velho

Idade (0 a 100)

baixo

mdio

alto

Risco (0 a 100%)

fraco

mdio

forte

Potncia-carro (0 a 300 CV)

Exemplos de Regras:
R1 - Se idade jovem e potnciacarro alta ento risco alto
R2 - Se idade meia e potnciacarro mdio ento risco mdio
Etc. (precisamos de 9 regras)

Fuzzyficao

jovem

meia

velho

0,8

fraco

mdio

forte

baixo

mdio

alto

0,7

idade

jovem

meia

risco

Potncia-carro

velho

fraco

mdio

forte

baixo

mdio

alto

0,4

0,3
idade

Idade = 25

Valores crisp

Potncia-carro

Potncia = 200 CV

Valores
fuzzy

risco

jovem(idade)=0,8
meia(idade)=0,4
forte(potncia)=0,7
mdio(potncia)=0,3

Aplicao dos operadores fuzzy

Depois de obter as entradas fuzzyficadas, preciso
verificar que regras so ativadas pela combinao
dos antecedentes.
Para um antecedente composto (vrias regras
ativadas), os operadores e e ou so utilizados para
obter um nico resultado para cada regra.
No caso do operador ou, utilizada a operao de
unio (pega o maior grau de pertinncia, max).
No caso do operador e, utilizada a de interseo
(pega o menor grau de pertinncia, min).

Aplicao dos operadores fuzzy

jovem

meia

velho

0,8

fraco

mdio

forte

baixo

mdio

alto

0,7

idade

jovem

meia

risco

Potncia-carro

velho

fraco

mdio

forte

baixo

mdio

alto

0,4

0,3
idade

Idade = 25

Potncia-carro

risco

Potncia = 200 CV

R1 - Se idade jovem e potncia-carro forte

ento risco alto
R2 - Se idade meia e potncia-carro mdio
ento risco mdio

min(0,8; 0,7) = 0,7

min(0,4; 0,3) = 0,3

Aplicao da implicao
Depois de obter um nico valor para o
antecedente necessrio obter o valor do
consequente.
O mtodo mais comum conhecido como
clipping, onde o consequente cortado
para o nvel de valor verdade do antecedente
das regras ativadas.
O conseqente toda a rea abaixo do valor
de pertinncia resultante.

Aplicao da implicao

jovem

meia

velho

0,8

fraco

mdio

forte

baixo

mdio

alto

0,7

idade

jovem

meia

risco

Potncia-carro

velho

fraco

mdio

forte

baixo

mdio

alto

0,4

0,3
idade

Idade = 25

Potncia-carro

risco

Potncia = 200 CV

Regras ativadas:
R1 - Se idade jovem (0,8) e potncia-carro forte (0,7) ento risco alto (0,7)
R2 - Se idade meia (0,4) e potncia-carro mdio (0,3) ento risco mdio (0,3)

Combinao de sadas fuzzy

Nessa etapa so agregadas todas as funes
membro dos consequentes de cada regra em
um nico conjunto fuzzy.
Quando mais de uma regra acionada, as
contribuies das diversas regras aps a
inferncia so combinadas pelo operador de
agregao.
A sada fuzzy combinada a soma das reas
de cada conjunto com pertinncia > 0.

Combinao de sadas fuzzy

jovem

meia

velho

0,8

fraco

mdio

forte

baixo

mdio

alto

0,7

idade

jovem

meia

risco

Potncia-carro

velho

fraco

mdio

forte

baixo

mdio

alto

0,4

0,3
idade

Idade = 25

Potncia-carro

Potncia = 200 CV

risco

baixo

mdio

alto

risco

Defuzzyficao
Para se obter uma sada numrica
necessrio defuzzyficar a sada obtida na
etapa anterior.
Os mtodos mais utilizados so:
Centride (ou Centro de Gravidade) (+ comum)
Mximo
Mdia dos Mximos (Altura)

Defuzzyficao
Centride: a sada precisa ( yc ) o valor no
universo que corresponde ao centro de
gravidade do conjunto fuzzy (B).

Defuzzyficao
Mximo: examina-se o conjunto fuzzy de
sada e escolhe-se, como valor preciso, o valor
no universo da varivel de sada para o qual o
grau de pertinncia o mximo.
Mdia dos mximos (altura): a sada precisa
obtida tomando-se a mdia entre os dois
elementos extremos no universo que
correspondem aos maiores valores da funo
de pertinncia do conjunto fuzzy de sada.

Defuzzyficao
Altura: mdia dos valores crisp cujo valor
fuzzy mximo.

Defuzzyficao
O mtodo centroide favorece a regra com
maior rea.
O mtodo da altura d preferencia sada
de maior valor.

Combinao de sadas fuzzy

jovem

meia

velho

0,8

fraco

mdio

forte

baixo

mdio

alto

0,7

idade

jovem

meia

risco

Potncia-carro

velho

fraco

mdio

forte

baixo

mdio

alto

0,4

0,3
idade

Idade = 25

Potncia-carro

Potncia = 200 CV

risco

baixo

mdio

alto

Usando centroide, conclumos que o risco de um

motorista de 25 anos dirigindo um carro de 200CV X
(por exemplo, 75%).
risco

Parte IV

CONTROLE FUZZY

Controle Fuzzy
O controle fuzzy uma metodologia para construir
sistemas de controle em que o mapeamento entre os
parmetros de entrada e de sada com valores reais
representado por regras fuzzy.
O controle fuzzy tem sido bem sucedido em produtos
comerciais como transmisses automticas, cmeras
de vdeo e barbeadores.
Crticos argumentam que estas aplicaes so bem
sucedidas porque tem bases de regras pequenas,
pouco encadeamento de inferncias e poucos
parmetros a ajustar para melhorar o desempenho do
sistema.

Controle Fuzzy
Sistemas de controle clssico: baseados em um modelo
matemtico segundo o qual o sistema de controle
descrito atravs de uma ou mais equaes diferenciais,
que definem a resposta do sistema s entradas.
Tais sistemas so frequentemente implementados
como controladores PID (proporcional-integralderivativo).
Eles so produto de dcadas de anlise terica e
desenvolvimento tecnolgico, sendo altamente
eficazes.
Por que usar controle fuzzy?

Controle Fuzzy
Controle fuzzy tem algumas vantagens:
Em vrios casos, o modelo matemtico do processo no existe,
no conhecido ou muito complexo de ser obtido ou
implementado em mquinas computacionais.
Em tais situaes, um sistema baseado em regras empricas
pode ser mais eficaz.
Lgica fuzzy apropriada para implementaes de baixo custo
computacional, com sensores de baixo custo e utilizando
conversores analgico-digitais de baixa resoluo.
Tais sistemas tambm podem ser expandidos/ aperfeioados ao
se adicionar regras que venham a melhorar o desempenho.
Em muitos casos, controle fuzzy pode ser usado para melhorar
sistemas de controle j existentes, adicionando uma camada de
controle inteligente acima do mtodo de controle atual.

Controle Fuzzy
O projeto conceitual de controladores fuzzy
bastante simples:
O estgio de entrada mapeia sensores e outras
entradas (referencia, erro, variao do erro) para
funes de pertinncia apropriadas.
O estgio de processamento invoca as regras
apropriadas e gera os resultados para cada uma,
depois combina os resultados das regras.
Finalmente, o estgio de sada converte o resultado da
combinao em um valor de sada preciso para
controle.

Controle Fuzzy
O formato de funo de pertinncia mais comum o
triangular, embora funes trapezoidais e tipo sino
sejam tambm empregadas,
O nmero e localizao das curvas desempenha papel
mais crtico.
Os conjuntos fuzzy devem ser suficientes para cobrir a
faixa de valores de cada entrada e sada (universo de
discurso).
O estgio de processamento baseado em uma
coleo de regras lgicas da forma se-ento.
Sistemas de controle fuzzy tipicamente tm algumas
dezenas de regras.

Controle Fuzzy
Consideraes de projeto de controladores fuzzy:
Parmetros estruturais

Nmero de variveis de sada

Nmero de variveis de entrada
Variveis lingusticas
Funes de pertinncia parametrizadas
Intervalos de discretizao e normalizao
Estrutura da base de regras
Conjunto bsico de regras

Parmetros de Sintonizao
Universo de discurso das variveis
Parmetros das funes de pertinncia, tais como altura, largura
ou conjunto suporte
ganhos e offset das entradas e sadas

Controle Fuzzy
Malha clssica de controle:

Controle Fuzzy
Malha de controle fuzzy:
Entradas do sistema fuzzy: erro (referncia-realimentao)
e a variao do erro.
Sada defuzzyficada o sinal de controle.

Controle Fuzzy
A estratgia de controle descrita por um conjunto de declaraes
condicionais, ou regras lingusticas.
Duas entradas so em geral consideradas para cada sada: o erro (E) e a
variao do erro (VE).
A sada o sinal de controle (U).
O conjunto de regras da forma:
SE (E E1) E (VE VE1) ENTO (U U1)
OU
SE (E E2) E (VE VE2) ENTO (U U2)
OU
.
.
.
OU
SE (E En) E (VE VEn) ENTO (U Un)

Controle Fuzzy
Exemplo 1: controle em malha aberta (sem
realimentao) do nvel de um tanque com dreno
aberto
V

Sensor de nvel

Controle Fuzzy
O processo possui um sensor de nvel e uma
vlvula V.
O objetivo manter o nvel constante.
A vlvula abre completamente quando V
colocado em 1 e fecha completamente
quando V colocado em 0 (mas aceita valores
intermedirios).
Assumimos que a vazo mxima de entrada >
vazo de sada.

Controle Fuzzy
Temos uma varivel de entrada no controlador
fuzzy (nvel) e uma de sada (abertura da
vlvula).
Varivel nvel pode ser agrupada em dois
conjuntos fuzzy {baixo, alto}.
A sada V pode ser agrupada em dois conjuntos
fuzzy {aberto, fechado}.
Aqui bastam duas regras:
Se nvel baixo ento V aberto
Se nvel alto ento V fechado

Controle Fuzzy
Conjuntos fuzzy e funes de pertinncia para
a entrada nvel { baixo, alto }:

Controle Fuzzy
Conjuntos fuzzy e funes de pertinncia para
a sada abertura da vlvula V {fechado,
aberto}:

fechado

aberto

Abertura

Controle Fuzzy
Se a entrada nvel = 30%
baixo(nvel)=0,9
alto(nvel)=0,2

fechado

aberto

Sada crisp altura

Sada crisp centride

Controle Fuzzy
Exemplo 2: para fechar a malha, temos que
introduzir um sinal de referncia.
A entrada do controlador fuzzy ficaria sendo o
erro = referncia nvel.
Convm usar tambm a variao do erro
(delta) como entrada (muito comum).
Teramos que definir conjuntos fuzzy para o
erro, delta e a sada:
{NG, NM, NP, ZE, PP, PM, PG}

Controle Fuzzy
Conjuntos fuzzy para as entradas erro e delta
e para a sada:

NG

NM

NP

ZE

PP

PM

Universo de
discurso de -1 a +1

PG

Controle Fuzzy
Precisaramos redefinir as regras:

regra 1: se erro ZE e delta ZE ento sada ZE

regra 2: se erro ZE e delta PM ento sada NM
regra 3: se erro NM e delta NM ento sada PG
regra 4: se erro PG e delta PG ento sada NG
Regra 5: se erro PP e delta NP ento sada NP
Etc.

Temos 2 entradas com 7 sets cada e 1 sada, logo seriam 49

regras (podem ser mais, ou menos se algumas combinaes
de entrada forem impossveis ou sem sentido).
Escolha das regras emprica e pode ser difcil de ajustar.
Clculo da sada segue esquema j visto.

Mamdani vs. Takagi&Sugeno

Mamdani:

Mamdani vs. Takagi&Sugeno

Takagi&Sugeno:

Limitaes da tcnica
Embora apresente muitas vantagens, a Lgica Fuzzy tambm apresenta
algumas limitaes relevantes:
Desempenho em controle pode ser pior que um PID muito bem
ajustado (o que requer modelo muito bom)!
Estabilidade: em controle, no h formalismo para provar estabilidade
da malha.
Falta de capacidade de aprendizagem: sistemas fuzzy no conseguem
aprender (pode ser contornado com hibridizao com RNA e AG).
Definir boas funes de pertinncia e boas regras fuzzy no so tarefas
fceis.
A verificao e validao de um sistema especialista fuzzy geralmente
requer testes extensivos.

Bibliografia
Timothy J. Ross. Fuzzy logic with Engineering
Applications. Third edition. John Wiley & Sons,
2010.
Kazuo Tanaka. An Introduction to Fuzzy Logic for
Practical Applications. Springer Verlag, 1997.
Zadeh, L. Fuzzy Sets - Information and Control,
vol. 8, pp 338-353, 1965.
Zadeh, L. - Fuzzy Logic - IEEE Computer, April, pp.
83-92, 1988.