Logica

nebulosa

3.1

A logica
nebulosa e o raciocnio nebuloso
A logica nebulosa (LN) tem como base a teoria dos conjuntos nebulosos proposta
em 1965 por Lofti Zadeh da universidade de Berkeley [11].
A teoria dos conjuntos nebulosos quando utilizada em um contexto logico como o
de sistemas baseados em conhecimento, e conhecida como LN, logica difusa ou logica
fuzzy [10].
A LN e uma das tecnologias atuais bem sucedidas para o desenvolvimento de
sistemas para controlar processos sofisticados. A razao desse sucesso esta no fato de
que os requerimentos complexos podem ser implementados em controladores simples,
de facil manutenca o e baixo custo. Tais controladores sao chamados de controladores
nebulosos e sao especialmente u teis para problemas cujos modelos matematicos estao
sujeitos a incertezas [10].
A aplicaca o em escala mais ampla desses controladores teve incio no Japao em
meados dos anos 1980. Alguns exemplos de produtos dotados de LN sao [1]:
Maquina de lavar roupa que detecta o grau de sujeira;
Aspirador de po robotizado que evita obstaculos;
Camera de vdeo que neutraliza o tremor do usuario;
Controle de velocidade ou aceleraca o de trens eletricos;
Panela automatica para cozinhar arroz que controla o grau de cozimento.
O uso de LN tambem tem sido voltado, ultimamente, para pesquisas na a rea de IA.
Isto porque a teoria dos conjuntos nebulosos procura reproduzir a forma de pensar e
tomar decisoes do ser humano [1].
Quando o ser humano realiza o papel de um controlador, em geral se obtem um
resultado bastante estabilizante. Um exemplo e o ato de andar de bicicleta que e um
veculo inerentemente instavel.
Enfim, a elaboraca o da teoria dos conjuntos nebulosos foi motivada principalmente
pela convicca o de que os metodos tradicionais de analise voltados para o uso de tecnicas
numericas eram inadequados para trabalhar com sistemas heursticos, ou seja, mais
humansticos do que mecansticos [1].

36
A teoria dos conjuntos classica em que o conjunto e conhecido como crisp,
considera a pertinencia de um membro, tudo ou nada, sim ou nao, 1 ou 0. Ou seja,
um membro que tenha grau de pertinencia nulo nao pertence ao conjunto e aquele que
tenha grau cheio pertence totalmente ao conjunto [10].
No caso da teoria dos conjuntos nebulosos, considera-se a pertinencia gradual dos
membros a esses conjuntos. Ou seja, um membro pode pertencer parcialmente ao
conjunto nebuloso. Por exemplo, no caso da temperatura de um corpo, ao inves de se
ter apenas dois valores, quente (1) ou frio (0) para o conjunto crisp, pode-se ter valores
intermediarios como menos quente, morno, menos frio.

3.2

Conjuntos nebulosos
O conceito de conjunto nebuloso constitui o fundamento da teoria da LN [1].
o 3.2.1 Seja U uma coleca o de objetos denotados genericamente por x. U e
Definica

chamado universo de discurso e x representa um membro de U. Formalmente, um

conjunto nebuloso F do universo U e definido [5] por uma funca o de pertinencia F
que assume valores no intervalo [0, 1]:
F : U [0, 1]
A funca o de pertinencia F aplicada ao membro x indica o grau de compatibilidade
entre x e o conceito expresso [10] por F:
F = 0 significa que x e completamente incompatvel com F;
F = 1 significa que x e completamente compatvel com F;
0 < F (x) < 1 significa que x e parcialmente compatvel com F.
Um conjunto nebuloso F em U pode ser representado [1] como um conjunto de pares
ordenados de um membro x e seu grau de pertinencia F (x):
F = {(x, F (x)) | x U}
Um conjunto crisp C da teoria dos conjuntos classica pode ser visto como um
conjunto nebuloso especifico em que o conjunto C e definido [10] por uma funca o de
pertinencia C que assume valores do conjunto {0, 1}:
C : U {0, 1}
Por exemplo, o conceito de adolescente nao pode ser exprimido completamente
atraves do conjunto crisp. Considerando que qualquer pessoa com idade entre 13
e 17 anos e um adolescente, uma pessoa com 12 anos e 11 meses seria considerada
completamente incompatvel, ou seja, C (x) = 0. A Figura 3.9 mostra o grau de
compatibilidade entre a idade e o conceito de adolescencia para o conjunto crisp [10].
Ja o conjunto nebuloso permite exprimir um intervalo de idade entre 11 e 13 anos
ou entre 17 e 19 anos em que a pessoa e parcialmente adolescente. A Figura 3.10
ilustra a funca o de pertinencia para um conjunto nebuloso considerando-se o conceito
de adolescencia em funca o da idade [10].
No caso da Figura 3.10, verifica-se que uma pessoa com 12 anos e 11 meses de idade
teria um valor de F (x) entre 0 e 1 (mais proximo de 1), ou seja, seria considerada quase
um adolescente. Tal resultado ja nao seria possvel se for usado o conjunto crisp [10].
o 3.2.2 O suporte de um conjunto nebuloso F no universo U e o subconjunto
Definica

dos membros x cujos correspondentes graus de pertinencia sao diferentes de zero.

sup F = {x U | F (x) > 0}

3.2 Conjuntos nebulosos

37

Figura 3.9: Grau de compatibilidade entre idade e conceito de adolescencia para o

conjunto crisp.

Figura 3.10: Grau de compatibilidade entre idade e conceito de adolescencia para o

conjunto nebuloso.
Por exemplo, a Tabela 3.3 apresenta o conjunto de pessoas em funca o de suas idades.
Da Tabela 3.3, o suporte de F seria:
sup F = {5, 10, 20, 30, 40, 50}
o 3.2.3 Um conjunto nebuloso cujo conjunto suporte e um u nico ponto de
Definica
U, e chamado de conjunto nebuloso unitario ou singular (singleton).

Por exemplo, dado o conjunto nebuloso S na Tabela 3.4, o correspondente suporte

de S e :
sup S = {2} do conjunto nebuloso unitario S
o 3.2.4 Um conjunto nebuloso e vazio se e somente se o seu suporte e vazio.
Definica

Ou seja:
(x) = 0 para x U

38
Tabela 3.3: Representaca o do conjunto de pessoas em funca o de suas idades
Idade(x)
Grau (F (x))

5
1

10
1

20
0.8

30
0.5

40
0.2

50
0.1

60
0

70
0

80
0

Tabela 3.4: Conjunto nebuloso S

x
S (x))

-1
0

0
0

1
0

2
1

3
0

Por exemplo, dado o conjunto nebuloso V na Tabela 3.5, o correspondente suporte

de V e :
sup V = {}
Tabela 3.5: Conjunto nebuloso V
x
V (x))

5
0

10
0

20
0

30
0

40
0

Observa-se que V (x) = 0 para todos os valores de x da Tabela 3.5.

Portanto, V e um conjunto nebuloso vazio.

Bibliografia

Livros
[1] H. R. Azevedo. Conjuntos fuzzy aplicados ao controle de processos. Universidade
Federal de Uberlandia: Notas de Aula, 1999 (ver paginas 35, 36).
[2] H. Cunha e S. Ribeiro. Introduca o aos sistemas especialistas. Rio de Janeiro:
LTC, 1987 (ver paginas 57).
[3] D. E. Goldberg. Genetic algorithms in search, optimization and machine learning.
Boston: Addison Wesley, 2005 (ver paginas 2931).
[4] J. H. Holland. Adaptation in natural and artificial systems: an introductory analysis with applications to biology, control and artificial intelligence. Massachusetts:
MIT Press, 1998 (ver paginas 26, 27).
[5] G. J. Klir e T. A. Folger. Fuzzy sets, uncertainty, and information. New Jersey:
Prentice Hall, 1988 (ver pagina 36).
[6] R. I. Levine, D. E. Drang e B. Edelson. Inteligencia artificial e sistemas especialistas. Sao Paulo: Mc Graw-Hill, 1988 (ver paginas 7, 8).
[7] R. Linden. Algoritmos geneticos - uma importante ferramenta da inteligencia
computacional. Rio de Janeiro: Brasport, 2006 (ver paginas 2125, 32, 33).
[8] K. F. Man, K. S. Tang e S. Kwong. Genetic algorithms - concepts and designs.
London: Springer-Verlag, 2001 (ver paginas 2729).
[9] M. Negnevitsky. Artificial intelligence - a guide to intelligent systems. Harlow,
England: Addison Wesley, 2005 (ver paginas 815, 17, 19, 22, 26).