Você está na página 1de 9

Sistemas Inteligentes

UNIDADE 8 Sistemas Fuzzy


(Introduo Lgica Fuzzy)
Prof. Ivan Nunes da Silva

1. Introduo aos Sistemas Fuzzy


Aspectos de definio
z Definio 1: So sistemas que tentam explorar as
formas que o crebro usa para o tratamento de
informaes qualitativas e incertas.
z Definio 2: So sistemas que suportam os modos de
raciocnio que so aproximados, ao invs de exatos,
como estamos naturalmente acostumados a trabalhar.
z Definio 3: So sistemas capazes de tratar informaes
vagas, aproximadas, as quais so expressas por regras
lingusticas.
z Definio 4: So sistemas que consistem em aproximar
a deciso computacional da deciso humana.

1. Introduo aos Sistemas Fuzzy


Principais caractersticas dos sistemas fuzzy
z Exploram a riqueza da informao:
Informaes qualitativas.
Redes neurais artificiais s trabalha com
informaes quantitativas.

z Permitem expressar imprecises e incertezas


(Exemplo da Churrascaria).
z O raciocnio executado de forma
aproximada (no exata).
z Independem da modelagem matemtica.
z Sistemas baseados em regras lingusticas.

1. Introduo aos Sistemas Fuzzy


Vantagens dos sistemas fuzzy
z Conceitualmente fcil de ser entendido.
z Flexibilidade explcita pela tolerncia
impreciso de dados.
z Modelagem no-linear de processos com
complexidade arbitrria.
z Construdo baseado na experincia dos
especialistas.
z Pode ser integrado com outras ferramentas
convencionais.
z Baseado em linguagem natural.

1. Introduo aos Sistemas Fuzzy


O conceito de inexatido
z O crebro humano processa informaes
inexatas de forma direta:
Hoje est mais ou menos quente.
O show meio caro.
Aquele rapaz baixinho.
Coloque um pouco (uma pitada) de sal.
A tenso est muito alta.
Picanha bem passada.

z Mas, paradoxalmente, no h incerteza sobre


a eventual quantificao do valor que se quer
representar (ou repassar a ideia).
z O problema como definir linguisticamente
esse valor.

1. Introduo aos Sistemas Fuzzy


Exemplo do jogo de golfe
z Se a bola est longe do buraco e o terreno est levemente
inclinado da esquerda para direita, bata na bola fortemente
e numa direo um pouco a esquerda da bandeira.
z Se a bola est muito perto do buraco e o terreno plano,
bata na bola suavemente e diretamente na direo do
buraco.
z Como se pode definir a distncia:

Muito Perto: menor que 1 metro


Perto: entre 1 e 3 metros
Mdio: entre 3 e 5 metros
Longe: entre 5 e 7 metros
Muito Longe: maior que 7 metros

z Como classificar a distncia 4.99m?


z Intuitivamente, sabe-se que 4.99 est mais para Longe do
que para Mdio.

1. Introduo aos Sistemas Fuzzy


Lgica clssica e lgica fuzzy
z Na lgica clssica tradicional (teoria de
conjuntos), as fronteiras dos conjuntos so bem
definidas.
z Na lgica fuzzy (nebulosa), essas fronteiras
no so bem definidas, sendo ento flexveis.
Lgica Clssica

Lgica Fuzzy

Dia Quente

Dia Quente

27o

27o
Dia No Quente

Dia No Quente

2. Conceitos de Lgica Clssica


Resumo da lgica clssica de conjuntos
z Na lgica clssica (booleana, binria, Aristteles), os
objetos pertencem ou no a uma determinada classe ou a
um determinado conjunto.
z A resposta se resume a Sim ou No, Verdadeiro ou
Falso, 0 ou 1, etc.
z Exemplo:
Seja o seguinte grfico denotando o conceito de
Velocidade Alta.

(v)

Funo Caracterstica (Incluso):


1 , se 100 v 140
(v ) =
0, caso contrrio

100
8

140

v(km/h)

2. Conceitos de Lgica Clssica


Aspectos de seleo dos limiares
(v)

Funo Caracterstica (Incluso):


1 , se 100 v 140
(v ) =
0, caso contrrio

100

140

v(km/h)

zQual a resposta da funo caracterstica para uma velocidade de


99,9999 km/h?
zA impreciso e a incerteza do mundo real acaba restringindo a
aplicao da lgica clssica em problemas do dia-a-dia.
zPrincpio da Incompatibilidade de Zadeh medida que a
complexidade de um sistema aumenta, a habilidade para se fazer
afirmaes precisas e que sejam significativas tambm diminui.
9

2. Conceitos de Lgica Clssica


Aspectos comparativos
z Representao grfica do conceito de Velocidade Alta:

Lgica Clssica

100

140

v(km/h)

objetos pertencem ou no a uma


determinada classe
(como tratar paradoxos? Monte de
areia, mentiroso, todo-poderoso,
desconhecido, barbeiro, etc)

Lgica Fuzzy

0,76
0,35
80

95 110 125 140

v(km/h)

objetos podem pertencer mais (ou


menos) a uma determinada classe
(no probabilidade! Exemplo das
garrafas do gnio)

muito
baixa

mdia

alta

muito
alta

0,77

Sistema Fuzzy

0,28

Variveis representadas por


funes de pertinncia
0

10

baixa

30

60

90

120

50

180

v(km/h)

80

3. Conceitos de Lgica Fuzzy


Funo de pertinncia na lgica fuzzy
zNa lgica fuzzy, a ideia da funo de incluso ento flexibilizada,
indicando que os objetos podem pertencer mais, ou menos, a um
determinado conjunto.
zNeste caso, a funo de incluso ao conjunto fuzzy, ou funo de
pertinncia, dada pela seguinte expresso:

A ( x ) : x [0, 1] ; onde x X
onde A(x) retorna o grau de pertinncia do elemento x, pertencente ao
universo de discurso X, em relao ao conjunto fuzzy A.

zComo exemplo, considera-se aqui na figura um conjunto fuzzy que


define o conceito de velocidade alta.
Alta(v)
1

v(km/h)

140

80

11

3. Conceitos de Lgica Fuzzy


Terminologia para representar conjuntos fuzzy
z Em termos de implementao computacional, os conjuntos fuzzy so
normalmente representados de maneira discreta.
z Para um conjunto fuzzy A, discreto e finito, tendo elementos definidos em
um universo de discurso X, o mesmo conjunto pode ser denotado da
seguinte forma:

A = A ( x1 ) / x1 + A ( x2 ) / x2 + A ( x3 ) / x3 + + A ( xn ) / xn
Onde o sinal de adio indica a composio de todos elementos do conjunto A,
e n especifica a quantidade de elementos de discretizao.
Ento, cada termo A(xi)/xi fornece o grau de pertinncia A(xi) do elemento xi
em relao ao conjunto fuzzy A.

z Como exemplo, o conjunto fuzzy A, dado pela funo de pertinncia


ilustrada no grfico, poderia ser representado por:
A = 0,0 /1 + 0,0 / 2 + 0,33 / 3 + 0,66 / 4 + 1,0 / 5 + 0,66 / 6 + 0,33 / 7 + 0,0 / 8 + 0,0 / 9

A(x)
1

0,66
0,33
12

3. Conceitos de Lgica Fuzzy


Principais tipos de funes de pertinncia
(x)

0, se x a

x a , se x [a, m]
m a
( x ) =
b x , se x [m, b]
b m
0, se x b

Triangular

1.0

(x)

0, se x a

x a , se x [a, m]
m a

( x ) = 1, se x [m, n ]
b x
, se x [n, b]

b n
0, se x b

Trapezoidal

1.0

Gaussiana

(x)

( x ) = e

13

( x m )2

2 2

4. Operaes com Conjuntos Fuzzy


Unio entre conjuntos fuzzy
Conjunto UNIO
zO conjunto UNIO, entre dois conjuntos fuzzy A e B, pertencentes a
um mesmo universo de discurso X, formado por todos os valores
mximos entre A(x) e B(x). Formalmente, tem-se:

A ( x ) B ( x ) = max{ A ( x ), B ( x )}
zGeneralizando, para uma coleo de m conjuntos fuzzy, todos
definidos num mesmo universo de discurso X, tem-se:
m

A ( x ) = max{ A ( x ), A ( x ), , A
i =1

( x )}

zOutros operadores de UNIO:


Soma Algbrica A ( x ) + B ( x ) A ( x ) B ( x )

Soma Limitada min{1, A ( x ) + B ( x )}

14

S-normas
A ( x ), se B ( x ) = 0

Soma Drstica B ( x ), se A ( x ) = 0
1 , caso contrrio
Qual a vantagem de se utilizar o operador Mximo na Unio?

4. Operaes com Conjuntos Fuzzy


Interseo entre conjuntos fuzzy
Conjunto INTERSEO
zO conjunto INTERSEO, entre dois conjuntos fuzzy A e B,
pertencente a um universo de discurso X, formado por todos os
valores mnimos entre A(x) e B(x). Formalmente, tem-se:

A ( x ) B ( x ) = min{ A ( x ), B ( x )}
zGeneralizando, para uma coleo de m conjuntos fuzzy, todos
definidos num mesmo universo de discurso X, tem-se:
m

A ( x ) = min{ A ( x ), A ( x ), , A
i =1

( x )}

zOutros operadores de INTERSEO:


Produto Algbrico A ( x ) B ( x )

15

Produto Limitado max{0, A ( x ) + B ( x ) 1}


T-normas
A ( x ), se B ( x ) = 1

Produto Drstico B ( x ), se A ( x ) = 1
0 , caso contrrio
Qual a vantagem de se utilizar o operador Mnimo na Interseo?

4. Operaes com Conjuntos Fuzzy


Conjunto complemento, S-Norma e T-Norma
Conjunto COMPLEMENTO
z O conjunto COMPLEMENTO de um conjunto nebuloso A, pertencente a um
universo de discurso X, formado pela subtrao de A(x) do valor unitrio 1.
Formalmente, tem-se:

A (x) = 1 A (x)

Operador S-Norma
z Uma S-norma (co-norma triangular) uma operao matemtica binria, S:
[0,1] x [0,1] [0,1], que deve satisfazer as seguintes propriedades:
1. x S 1 = 1, sendo que x S 0 = x (Condio de contorno)
2. x S y = y S x (Propriedade Comutativa)
3. x S (y S z) = (x S y) S z (Propriedade Associativa)
4. Se x y e w z, ento x S w y S z (Monotonicidade)

Operador T-Norma
z Uma T-norma (norma triangular) uma operao matemtica binria,
T: [0,1] x [0,1] [0,1]; que deve satisfazer as seguintes propriedades:
1. x T 1 = x, sendo que x T 0 = 0 (Condio de contorno)
2. x T y = y T x (Propriedade Comutativa)
3. x T (y T z) = (x T y) T z (Propriedade Associativa)
4. Se x y e w z, ento x T w y T z (Monotonicidade)
16

Constata-se ento que o max uma S-norma e o min uma T-norma.

4. Operaes com Conjuntos Fuzzy


Exemplos de operaes
Exemplo 1
z Sejam os conjuntos fuzzy A e B, definidos no universo de discurso
X = {1, 2, 3, 4, 5}, com graus de pertinncia dados por:
A = 0.2/1 + 0.5/2 + 1.0/3 + 0.8/4 + 0.1/5
B = 0.1/1 + 1.0/2 + 0.9/3 + 0.4/4 + 0.3/5
Calcule as seguintes operaes:
a) A B = 0.2/1 + 1.0/2 + 1.0/3 + 0.8/4 + 0.3/5
b) A B = 0.1/1 + 0.5/2 + 0.9/3 + 0.4/4 + 0.1/5
c) = 0.8/1 + 0.5/2 + 0.0/3 + 0.2/4 + 0.9/5

Exemplo 2
z Sejam os conjuntos fuzzy A e B, representados
na figura ao lado. Faa as seguintes operaes:
a) A B
Universo de Discurso
b) A B
V [30, 120]
c)

(a)
A

30

60

90

120

v(km/h)
30

60

90

120

90

120

(c)

v(km/h)
17

(b)

v(km/h)
30

60

90

120

v(km/h)
30

60

5. Aspectos de Projeto
Discusses sobre utilizao de sistemas fuzzy
Aspectos de Projeto
z Todos os conjuntos fuzzy relacionados uma varivel especfica
devem ser sempre compostos pelos mesmos elementos do respectivo
universo de discurso.
z A representao discreta dos conjuntos fuzzy aquela normalmente
utilizada para aplicaes prticas.
z As expresses analticas das funes de pertinncia so utilizadas
apenas para produzir os vetores que sero utilizados para representar
a forma discreta dos nmeros fuzzy.

Quando Usar Sistemas Fuzzy


z Em situaes em que se dispe de pouca informao quantitativa a respeito
do processo a ser mapeado.
Se dispuser de um conjunto de informaes quantitativas (medies) relacionando
entradas/sadas, as redes neurais pode ser tambm uma alternativa de uso.

z Em situaes em que as variveis do processo esto imersas em ambientes


de incerteza e impreciso.
z Em situaes em que o processo melhor definido tendo-se como base o
conhecimento especialista sobre o processo.

18

Especialista (Expert) aquele indivduo que possui a capacidade elaborar


diagnsticos ou recomendaes sobre o processo, por meio da utilizao de
termos incertos/imprecisos.