Lgica Difusa

Resumo. A lgica difusa foi conceituada por Willian Ockham e introduzida

por Jan Lukasiewicz, serve para simplificar problemas complexos onde se
precisa muito mais do que verdadeiro e falso, suas sentenas no expressam
exatido. Quando uma pessoa fala que a temperatura da sala est alta logo
h uma ao para esta sentena que induz a pessoa manter a sala fria, esta
lgica utilizada por sua linha de raciocnio semelhante de humanos, ela
pode verificar varias situaes e apontar a escolha mais correta(ou mais
verdadeira). Ela j vem sendo utilizada para muitos fins como robs, mas sua
principal desvantagem que ela no progride.

1. Introduo
Este trabalho ir apresentar a lgica fuzzy, tambm chamada de nebulosa ou difusa, sua
origem, seu objetivo, como a lgica fuzzy funciona, um modelo de mtodo de inferncia
(Modelo Madani) e algumas de suas aplicaes. Ao contrrio da lgica tradicional,
booleana, esta lgica nos introduz a um conceito de multinveis aonde no s existe
verdadeiro ou falso, um ou zero, mas existem infinitos nmeros entre eles, tambm,
complementando os multinveis, a lgica fuzzy demonstra o conceito de participao em
um conjunto, e tudo isso, acaba aproximando esse tipo de lgica com o pensamento
humano, em que pouqussimas coisas podemos afirmar com total certeza que
verdadeira ou falsa.

2. A origem da Lgica Difusa

A lgica nebulosa ao contrario da lgica tradicional no se baseia no totalmente
verdadeiro e no totalmente falso, a lgica nebulosa nada mais que a incerteza, ou
parcialmente verdade ou parcialmente falso, est lgica em si tem mais igualdade com
o jeito de pensar dos seres humanos com multiplicidade de sentidos no com
dicotomias(verdadeiro ou falso). No sculo XIV, Willian de Ockham teve um conceito
vago sobre essa lgica chamando-a de Navalha de Ockham, mas quem introduziu o
conceito de lgica multinivel foi Jan Lukasiewicz (1878-1956), que no comeo dividia
o 1(verdadeiro) e 0(falso) em 1,, 2 e depois expandiu para nmeros infinitos de 0 a
1[CIPPARRONE, 2001],[ABAR, 2004].
Russell afirma em "A Free Mans Worship" :
"Habitualmente, toda a lgica tradicional supe que se empregam smbolos
precisos. Entretanto, isso no se aplica vida terrestre, mas, somente a uma existncia
celestial imaginada".
Na vida dos seres humanos nada certo em tudo se tem incertezas, crer que algo
pode ser totalmente verdadeiro ou totalmente falso uma afirmao que somente um
Deus poderia dizer. [HARRIS E CHENG, 2006]

3. Objetivos da Lgica
A lgica nebulosa baseada na teoria dos conjuntos fuzzy onde um conjunto pode levar
a outro subconjunto, mas simplificando o problema apontando uma soluo mais
plausvel, o fuzzy uma extenso de conjuntos e subconjuntos que se estuda na escola,

um sistema que tira os melhores grficos de sucesso para decises, tambm deve se
salientar que est lgica no se baseia em nmeros, mas sim em palavras, ela utiliza
modificadores (alto, pequeno, muito, pouco) e faz uso de probabilidades lingsticas
como o provvel e improvvel que utiliza todos os nmeros de 0 a 1 tomando estes
valores somente como limite. muito utilizada por causa de suas variveis lingsticas
que se aproximam do pensamento humano, tornando-a til para simplificao de
problemas e simplificando a aquisio da base de conhecimento do problema a ser
resolvido, ou seja, ratificando o problema para a soluo mais provvel ou as decises
criando um prottipo de como vai ser est escolha [HARRIS E CHENG, 2006],
[JACOBI, 2006] [ABAR, 2004].
uma lgica que depois de entendida fcil, tendo conceitos de matemtica
bsicos, e ela pode interagir com qualquer sistema com dados imprecisos[HARRIS E
CHENG, 2006].

4. Como Funciona a Lgica Difusa

Na teoria dos conjuntos fuzzy existe um grau de pertinncia de cada elemento a um
determinado conjunto.
A lgica tradicional usa o sistema crisp (verdade ou mentira), na lgica nebulosa
como apresentado anteriormente no utiliza estes modificadores, usa-se eles como
(muito, pouco, alto, pequeno e uma gama variada de expresses lingsticas que no
expresso exatido), na Tradicional se fosse rotular um grupo grande o numero de
integrantes seria todo o grupo de 40 pessoas ou mais, enquanto na Nebulosa um grupo
grande teria de 32 a 40 integrantes ou mais(ver Figura 1) [HARRIS E CHENG, 2006],
[ABAR, 2004].

Figura 1 Exemplo de conjunto nebuloso

4.1. Mas o que uma Funo de Pertinncia?

A funo de pertinncia a definio de vrios valores (graus de pertinncias) os graus
de pertinncia so o quanto aquele valor est no Grupo: U -> [0, 1] .
Onde 1 verdadeiro e 0 falso como no sistema de lgica clssico. No conjunto
de Lgica Nebulosa se U tiver o valor de 0.5(grau de pertinncia) significa que o valor
est metade contido no grupo. Seguindo o exemplo da figura 1 os 38 integrantes esto
80% dentro do maior grupo. A funo de pertinncia demonstra que o conjunto de
integrantes com menos ou com 40 pessoas e mais ou de 30 podem no ser totalmente
includos, como tambm podem no ser totalmente excludos do maior grupo.

Considerando 1 como 100% e 0 como 0% podemos ter uma probabilidade. [HARRIS e

CHENG,2006], [ABAR, 2004], [SAMPAIO, OLIVEIRA e IGNACION, 2007].
4.2. Como elas so Determinadas?
Segundo CHENG e HARRIS,2006. C explica que: As funes de pertinncia so
determinadas por processos especficos e justificadas dentro do contexto onde sero
utilizadas. Em climatologia, por exemplo, uma funo de pertinncia de uma relao
nebulosa pode ser determinada atravs de uma classificao dos nveis de precipitao
anuais. Nos diagnsticos mdicos, ela pode ser obtida pela classificao de sintomas e
doenas dos pacientes. Neste caso criar seria os grupos chamados de grupo pequeno e
grupo mdio respectivamente com 11 integrantes e 30 integrantes juntamente com o
grupo maior.
Varias formas de funo de pertinncia so encontradas as mais comuns so as
triangulares e trapezoidais, entretanto varias funes podem representar o grau de
pertinncia. H diversas maneiras de determinar o grau de pertinncia como Converso
de freqncia ou probabilidade, Formas adhoc, Avaliao e deduo
subjetivas.[HARRIS E CHENG, 2006].
Na figura abaixo (ver Figura 2) usando a forma triangular e trapezoidal.

Figura 2 Definio de Grupos

A Lgica nebulosa possui operadores igualmente a lgica proposicional, esses

operadores so e, ou, no, se, ento.
4.3. Operador E
Este operador uma interseco dos conjuntos, ele mostra o que pertence aos dois
conjuntos. No exemplo da figura 3 mostra a interseco do Grupo mdio e Grupo
Maior, isto significa que os dois grupos tm em comum 10 integrantes eles so os
integrantes de 30 a 40[UFMG , 2006].

Figura 3 Interseco

4.4. Operador OU
Este operador a unio dos conjuntos, no exemplo da figura 4 abaixo mostra a unio de
dois conjuntos, ento os valores so unidos [UFMG , 2006].

Figura 4 - Unio

4.5.Operador No

O inverso da tabela normal, a negao como na lgica tradicional a preposio de

negao, inverte o verdadeiro com o falso [UFMG , 2006].

Figura 5 - Negao

5. Operador Se, Ento

O If (Antecedente) uma estrutura que prope uma condio o Then (conseqente)
uma estrutura para uma concluso.Como funciona: If(se) condio then(ento) faa
algo. Na lgica nebulosa essas preposies so utilizadas com as variveis lingsticas.
Como a figura 6 mostra [UFMG, 2006].

Figura 6 Se e ento, Modelo inferncia nebulosa de Mamdani(1977)

5.1. Modelo Mamdani

Como funciona, o modelo Mamdani 1997 (max-min). Tendo conjuntos A(temperatura)
e B(sol) sendo C a concluso. A1 tendo o significado de Temperatura alta, A2
significado de Temperatura baixa e respectivamente B1 e B2 significam sol forte e
sol fraco. O resultado da interferncia usando a base de regras de SE fica If A1 and

B1 Then = C1 acontecendo o mesmo com A2 e B2 que resultara em C2 [HARRIS,

2004].
O smbolo ^ significa mnimo ento no modelo de Mamdani a = max {A1 ^
A2} chamado de "grau de conformidade". Este Grau de conformidade que define o
grau de pertinncia do B como mostra a figura 7 [HARRIS, 2004].

Figura 7 Modelo de Mamdani(1977)

Este processo pode ser feito com vrias preposies (A1,A2,B1,B2....) nebulosas
onde o final interpretado como a unio de todas inferncias. Fazendo uma funo de
pertinncia nova (agregao) como resultado (figura 8). Para encontrar um resultado
preciso fazer a desfuzzificao [HARRIS, 2004].

Figura 8 Varias preposies para modelo Mamdani(adptado de Cheng

1997).

6. Ciclo Fuzzy
Os elementos que compem o ciclo de um processo nebuloso so de acordo com
[HARRIS E CHENG, 2006] :

1) Fuzificao: A fuzificao um processo de transformar as variveis de entrada

Crisp ou exatas em conjuntos nebulosos (fuzzy inputs), que no tem exatido.
nesta etapa em que os valores numricos so transformados em linguagem para
se parecer com o pensamento humano e atribudo um grau de pertinncia em
cada um dos valores dos conjuntos nebulosos. Algumas funes de pertinncia
usando em um sistema depende de alguns fatores como preciso, estabilidade,
facilidade de implementao.
2) Inferncia: As regras de inferncia na maioria so usadas preposies como
se, seno e ento, a inferncia aplicar essas regras. Exemplo se X O
sol forte, Z A temperatura no diminuir e Y que o resultado da agregao
significar os rios vo diminuir a regra aplicada sendo Se e Ento ficaria
representada como Se X e Z ento Y Se o sol forte e a temperatura no
diminuir ento os rios vo diminuir.
3) Agregao: Usando as regras das inferncias para obter uma sada do conjunto
nebuloso, um resultado que normalmente se d por meio de uma operao
matemtica.
4) Defuzzificao: Como o prprio nome diz o inverso de fuzzificao depois de
ter obtido o resultado da agregao ele defuzzifica para um valor exato (Crisp),
ou seja, transforma a informao qualitativa (linguagem), em funo quantitativa
(nmeros), atravs de um processo definido pelo usurio.

Figura 9: Ilustrao do ciclo de processos nebulosos [Harris e Cheng,

2006].

Existem Vrios tipos de defuzzificao, dentre esses processos os mais

conhecidos e usados so: Centride, mdia dos mximos, distancia de hamming, barras
verticais, mtodo da altura entre outros. Para o completo sucesso de um ciclo de
fuzificao preciso usar a funo de pertinncia e base de regras coerentes para que
no haja erros [ANTUNES, 2005].

7. Aplicao da Lgica Nebulosa

A lgica nebulosa uma lgica em expanso muitos esto sendo beneficiados por elas.
As reas em que tem esta aplicao e so bem reconhecidas no mercado so as
geladeiras da Sharp, cmeras de vdeo Canon e Panosonic entre outros exemplos alguns
citados abaixo de acordo com [RUCH, PEREIRA E VARGAS, 2006]:

Controles industriais.

Produtos de consumo: ar condicionado, Filmadoras, mquinas de lavar roupas

(Sanyo), aspirador de p, etc.

Indstria automotiva: injeo eletrnica, suspenso ativa, freios anti bloquete.

Veculos autoguiados e robs mveis (IBM, NASA)

Elevadores (Hitachi, Toshiba)

Ventilaes de tneis urbanos (Toshiba)

Controle de parada e partida de trens de metr (Sendai. Tokio).

7.1. Aplicao em Semforos

Gomide e Pedryez (1998) estudaram vrios casos da utilizao da lgica fuzzy em
semforos, um desses estudos foi o controle de semforos por lgica nebulosa
desenvolvido por Mamdani e Papis (1977), que continha um controle de trfico
distribudo nele, em que o semforo tem que levar em conta os outros semforos e fila
deles no somente sua fila de carros [ANDRADE E JACQUES, 2007].

Figura 10 - Diagrama de blocos do controlador fuzzy de semforos

[Gomide e Pedrycz, 1998] traduzido.

A lgica empregada para melhorar o tempo do sinal aberto e fechado com um

aparelho para receber todos dados, ele calcula e fila o numero de chegada de veculos e
a velocidade. Com tais dados ela modifica o sinal [ANDRADE E JACQUES, 2007].

8. Concluso
Neste trabalho foi demonstrado o conceito de lgica fuzzy, sua origem e algumas de
suas aplicaes. Notamos que ela nos proporciona informaes como: Temperatura
baixa, Temperatura alta, Temperatura agradvel, unindo a palavra Temperatura
a mltiplos grupos, participando de alguns mais e outros menos, ao contrrio da lgica
booleana em que somente pertence ou no pertence a um determinado grupo. Isso tudo
nos leva a concluso que a lgica fuzzy nos traz maior preciso para uma tomada de
deciso e tambm consegue fazer uma transcrio mais fcil do nosso vocabulrio
dirio com suas variveis lingsticas.

9. Referncias
ABAR, C. Noes de Lgica Matemtica. PUC-SP, So Paulo, 2004. Disponvel em:
www.pucsp.br/~logica/Fuzzy.htm. Acesso em : 20 de out 2010.
ANDRADE, M.; JACQUES, M. A. P. Estudo para Aprimoramento da Operao de
Controladores Semafricos Fuzzy. Braslia, Jun. 2007. Disponvel em: http://
www.sinaldetransito.com.br/artigos/controladores-semaforicos-fuzzy.pdf. Acessado
em: 24 de set 2010.
ANTUNES, J. Lgica Nebulosa para Avaliar Riscos na Auditoria. USP, So Paulo,
2005. Disponvel em: http://www.congressousp.fipecafi.org/artigos52005/251.pdf.
Acessado em: 28 de set 2010.
CIPPARRONE ,F. A. M. Lgica fuzzy, Neo Ncleo: Ncleo de Estudos e
Otimizao.USP,
So Paulo, 2001. Disponvel em http://www.lps.usp.br
/neo/fuzzy/fuzzy_historico.htm. Acesso em: 20 de set 2010.
HARRIS, A.L.N.C. Metodologias baseadas na Teoria dos Sistemas Nebulosos (Fuzzy
Systems Theory). Faculdade de engenharia civil, arquitetura e urbanismo, So Paulo,
set. 2004. Disponvel em: http://www.fec.unicamp.br/~luharris/tese/arquivos/HarrisALNC_Cap3.pdf. Acesso em: 24 de set 2010.
HARRIS, A.L.N.C.; CHENG, L Y. A Inferncia Nebulosa Aplicada Anlise de
Dados na Avaliao Ps-ocupao. Faculdade de engenharia civil, arquitetura e
urbanismo, So Paulo, Jul 2006. Disponvel em: www.fec.unicamp.br/
~luharris/art/99encac_027.pdf. Acesso em 28 de set 2010.
JACOBI, R. P. Lgica Multinvel. Universidade de Braslia, Braslia, Jun. 2006.
Disponvel em: www.cic.unb.br/~rjacobi/ensino/circuitos/multinivel/multinivel.htm.
Acesso em: 22 de set 2010.
LGICA NEBULOSA Fuzzy Logic. Universidade Federal de Minas Gerais, Belo
Horizonte, 2006. Disponvel em: http://homepages.dcc.ufmg.br/~chaimo/cursos
/agentes/LogicaNebulosa.pdf. Acessado em: 26 de set 2010.
SAMPAIO, L. M. D.; Oliveira, M. J. F. ; Ignacion ,A. A. Programa de Engenharia em
Produo da COPPE UFRJ, Rio de Janeiro, 2007. Disponvel em: www.casnav.
mar.mil.br/spolm2009/artigos/artigos2007/033.pdf. Acesso em: 20 de set 2010.
RUCH, C.; PEREIRA, D.; VARGAS, R. Lgica Fuzzy: Noes Gerais e Aplicaes.
UFRN, Departamento de informtica aplicada a matemtica, 2006. Disponivel em:
http://www.ppgsc.ufrn.br/~rogerio/publications/seminario_Fuzzy.pdf. Acessado em:
30 de set 2010.