Escolar Documentos
Profissional Documentos
Cultura Documentos
Acadmica Docente
Vol. XII, N. 2, Ano 2008
RESUMO
Edilene A. Veneruchi de Campos
Universidade para o Desenvolvimento do
Estado e da Regio do Pantanal
UNIDERP
eavcampos@terra.com.br
ABSTRACT
This paper shows a brief approach of fuzzy logic, bringing the
main points of this logic proposed by Loft Zadeh in 1965. Generating answers to several questions, considering data incomplete,
imprecise and sometimes contradictory and unreliable are characteristic of human reasoning, so the fuzzy logic is considered a subarea of artificial intelligence. This article aims to present the project to support decision-making, using fuzzy logic as a way to determine the best selling price of products in supermarkets. It also
presents fuzzy sets, fuzzy numbers, fuzzy propositions and its
operations, in addition to the implementation of all modules of a
fuzzy system. The responses generated by the prototype were
very satisfactory, proving once again that the decision-making
based on ambiguities and uncertainties can be supported by fuzzy
logic.
Anhanguera Educacional S.A.
Correspondncia/Contato
Alameda Maria Tereza, 2000
Valinhos, So Paulo
CEP. 13.278-181
rc.ipade@unianhanguera.edu.br
Coordenao
Instituto de Pesquisas Aplicadas e
Desenvolvimento Educacional - IPADE
Artigo Original
Recebido em: 1/10/2008
Avaliado em: 21/11/2008
Publicao: 19 de dezembro de 2008
231
232
1.
INTRODUO
A Lgica Nebulosa ou Lgica Fuzzy foi desenvolvida por Lotfi Asker Zadeh1 em 1965,
utilizando como base a teoria dos conjuntos (clssica). O objetivo era tratar o aspecto
vago da informao, ou seja, os aspectos como a impreciso, ambigidade e incerteza,
que so caractersticas do pensamento humano (SANDRI, 1999). Zadeh defende que
um computador no pode resolver problemas complexos a menos que possa pensar de
maneira caracterstica a um ser humano na tomada de decises.
As expresses muito, pouco, pequeno, grande, freqentemente, s vezes e raramente, trazem impreciso nas informaes sobre determinada situao. O ser humano consegue lidar com estas situaes, pois ele utiliza as experincias vividas no cotidiano, do senso comum e da intuio. J para os sistemas computacionais, complicado resolver problemas com nveis de complexidade elevados, pois so mais expostos
a falhas (SANTOS, 2003).
A lgica nebulosa (fuzzy) se difere das outras existentes por no ser exata. As
teorias mais conhecidas, como a teoria das probabilidades e a teoria dos conjuntos
(clssica), baseiam-se na lgica binria [0,1] e tratam a informao com pouca flexibilidade, ou seja, verdadeiro ou falso. No entanto existem situaes no cotidiano racional
que exigem uma anlise mais complexa e inteligente, e a menos que um sistema computacional se comporte desse modo no seria possvel resolv-las. Para interpretar as
informaes fornecidas, so usadas as chamadas variveis lingsticas, transcrevendo o
cenrio de uma linguagem natural para uma linguagem de mquina.
Os conjuntos fuzzy so funes que mapeiam um elemento a um valor escalar
entre 0 e 1, que indica o seu grau de pertinncia em um conjunto.
Assim, possvel tratar a impreciso dando a ela um grau de veracidade ou
falsidade em um conjunto. Por exemplo, em uma estrada o limite de velocidade de 80
km por hora, devido impreciso dos aparelhos estipula-se que, at 10% acima dessa
velocidade um valor tolervel. Em um conjunto fuzzy de motoristas infratores, podem
ser classificados da seguinte forma, dentro do intervalo [0,1]: Quase nada infrator 0,2;
Muito Pouco infrator 0,4; Pouco infrator 0,6; Quase infrator 0,8; infrator 1,0.
1 Professor de Cincia da computao da Universidade da Califrnia em Berkley e criador da Fuzzy Logic, nascido em
1921, em Baku, Azerbaijo Sovitico.
A informao obtida em uma linguagem natural (humana) precisa ser interpretada pela mquina, na qual ela a tratar tomando decises. Primeiro, so definidas
as variveis de entrada para que o sistema fuzzy possa atuar em determinada situao.
A seguir, passa-se por uma interface de fuzzificao, onde sero identificados
os valores dessas variveis e normalizadas para um universo padronizado onde sero
ativadas as regras, as quais j foram pr-definidas em uma base de conhecimento (regras). Logo em seguida, vem o processo de inferncia que determina como as regras
sero acionadas e combinadas.
Em seguida, passando pela interface de defuzzificao que converte novamente
os resultados obtidos em dados para informaes da sada onde sero apresentados ao
usurio.
2.
PROTTIPO DESENVOLVIDO
O prottipo desenvolvido teve por objetivo gerar um sistema para tomada de decises
sobre o melhor reajuste a ser aplicado aos preos de venda de produtos de um supermercado. Para que isso fosse possvel, vrios parmetros foram cuidadosamente avaliados, uma vez que o sistema fuzzy depende de uma robusta base de conhecimento para
satisfazer os resultados esperados pelo usurio.
Diversos foram os estudos e pesquisas realizados buscando compreender o
funcionamento de um sistema nebuloso para, ento, empreg-lo nesse prottipo. Tambm foram realizadas entrevistas com o usurio, que baseado em sua experincia do
dia-a-dia forneceu os parmetros a serem avaliados no projeto.
233
234
devendo por isso possurem uma margem estreita de lucro, visando atrair o cliente para a loja. Neste trabalho, o produto representante desse grupo o arroz.
Os produtos de giro normal so aqueles de necessidade pessoal como shampoo,
desodorante, condicionador, sabonete etc. Produtos deste grupo no apresentam freqncia de venda to alta como os bsicos, respondendo por um giro normal, que atraia o cliente e, ao mesmo tempo, apresente lucratividade. O produto representante
desse grupo o shampoo.
Os produtos de giro lento so produtos intermedirios como os farinceos em
geral, dentre outros. Respondem por um volume de venda no expressivo, onde a lucratividade o fator mais importante. O produto representante para este grupo o milho para pipoca.
Os produtos de giro muito lento so aqueles produtos que no atraem o cliente para o supermercado, como utilidades domsticas, alumnios, etc. Na maioria das
vezes, so comprados por impulso. Por no possurem grande rotatividade, ocupam
espaos preciosos dentro da empresa, sendo compensados com margens de lucro muito elevadas. Neste trabalho, o produto representante para esse grupo a vassoura.
Assim, para cada produto representante desses grupos, foi definido o que seria um aumento baixo, mdio e alto (em porcentagem de aumento).
Como pode ser visto na Figura 1, para produtos pertencentes ao grupo do arroz, considerado preo baixo os valores iguais ou inferiores a 4, considerado preo
mdio, valores entre 4 e 12 (inclusive) e preo alto, so os valores maiores ou iguais a 8.
J para os produtos pertencentes ao grupo do shampoo, baixo so os valores menores ou
iguais a 20, mdio so valores entre 10 e 30 (inclusive) e alto so os valores iguais ou
superiores a 20. No grupo dos produtos representados pela vassoura, baixo so valores
iguais ou inferiores a 30, mdio so valores entre 15 e 45 e alto so os valores iguais ou
superiores a 30. Por fim, para os produtos representados pelo milho de pipoca, baixo
so valores iguais ou inferiores a 25, mdio so valores entre 15 e 35 (inclusive) e alto
so os valores iguais ou superiores a 25.
Preo de Custo
Dentro de uma empresa preciso avaliar muito mais que apenas o valor unitrio de
cada produto para firmar o seu real valor de custo. O custo de um produto agrega diversas despesas, como mo-de-obra atuante na empresa, gastos com gua e energia
eltrica, impostos diversos, etc.
A composio do custo de cada produto no faz parte do escopo deste projeto.
Dessa forma, para a implementao do sistema, o usurio entrar com o preo final de
custo, j considerando todos esses fatores e isentando assim o programa da responsabilidade do planejamento desses custos.
235
236
O preo de custo do produto ao ser inserido na interface do programa fuzzyficado em trs conjuntos: Baixo, Mdio e Alto, onde cada um dos produtos tem propriedades distintas, apresentados na Figura 2.
Volume de estoque
A segunda varivel de entrada considerada foi o volume em estoque. Atravs do estoque possvel fazer uma estimativa da venda para determinado perodo, prevendo, assim, acmulo do produto em conseqncia de poucas vendas, ou um giro muito alto
que poder implicar na falta do produto dentro de um tempo estimado.
Assim, o volume do produto em estoque representa um parmetro forte para
avaliao do preo de venda de um produto, onde, dependendo da quantidade em estoque, juntamente com a estimativa de venda, deve-se reajustar a margem de lucro para cima ou para baixo.
De acordo com o usurio, as definies para estoque baixo, mdio e alto de
cada produto foi definida na Figura 3. Assim, quando o usurio informar o volume em
estoque de determinado produto, o prottipo far a fuzzyficao, definindo a pertinncia deste valor dentro dos conjuntos Baixo, Mdio e Alto.
Histrico de vendas
Para que se possa tomar uma deciso quanto ao preo final do produto preciso levar
em considerao seu histrico de venda, para poder, assim, analisar o quanto ele aceito pelo cliente.
Produtos de giro muito alto devem conter menor margem de lucro, pois tm
como funo atrair os clientes para o supermercado, para que, assim, possam comprar
alm deles, outros produtos de menor giro menor mas com margem de lucro maior,
equilibrando, assim, o lucro total.
A fuzzyficao do histrico de vendas feita, seguindo os conjuntos descritos
na Figura 4.
237
238
239
240
Funo de pertinncia
Um conjunto nebuloso uma classe de objetos com um grau de pertinncia caracterizado por uma funo de pertinncia que atribui a cada objeto um grau de pertinncia
no intervalo entre 0 e 1.
Para a modelagem do sistema foram utilizadas funes de pertinncia triangulares, definidas abaixo:
0 se x a
A(x) =
(x a) / (m a) se x [a,m]
(b x) / (b m) se x [m, b]
0 se x b
A(x)
1,0
0,5
0
No entanto, para a modelagem dos conjuntos dos conjuntos baixo e alta foram
necessrias adaptaes nas funes triangulares. O conjunto baixo foi representado apenas pela metade direita do tringulo (Figura 7) e o conjunto alto foi representado apenas pela metade esquerda de um tringulo (Figura 8).
1 se x m
A(x) =
(b x) / (b m) se x [m, b]
0 se x b
A(x)
1,0
0,5
0
(x a) / (m a) se x [a, m]
1 se x m
A(x)
1,0
0,5
0
Modelo de Mamdani
Os modelos lingsticos so baseados em regras se-ento apresentando predicados vagos e utilizando raciocnio nebuloso. Nestes modelos, as quantidades nebulosas so associadas aos termos lingsticos. Sendo assim, o modelo nebuloso , essencialmente,
uma expresso qualitativa do sistema.
241
242
O conectivo e indica uma conjuno, ou seja, uma multiplicao. Em se tratando de conjuntos fuzzy, este conectivo a significa interseco entre conjuntos, onde o
resultado sempre o menor valor. Assim, o resultado do antecedente min [0,22; 0,28;
0,60; 0,33] que resulta no valor 0,22.
Seguindo o modelo de Mamdani, deve-se agregar o conseqente, ou seja, aplicar o operador max para as sadas. Assim, feita uma operao ou entre todos os valores de pertinncia no conjunto Margem de aumento alto, que resultar no valor (margem
de aumento) com a maior pertinncia no conjunto (pertinncia = 1,0), uma vez que feita
uma unio (ou) entre conjuntos fuzzy o resultado ser sempre o maior valor.
Dessa forma, para cada uma das regras do sistema tem-se o valor resultante
no antecedente e do conseqente, necessitando agora aplicar o mtodo de defuzzyficao
para obter a sada crisp (numero discreto) resultante.
243
244
3.
CONCLUSO
Os resultados obtidos no desenvolvimento do software capaz de tomar decises sobre
preos de venda de produtos em um supermercado demonstraram a viabilidade da aplicao de lgica fuzzy em sistemas voltados a tomada de decises no auxilio ao homem.
Os modelos baseados na lgica fuzzy destacam-se perante aos outros modelos
matemticos por extrair por completo o conceito de informaes onde predominam
REFERNCIAS
BONILLA, Marcelo. Implementao de um reconhecedor de caracteres utilizando lgica
fuzzy.Trabalho final de graduao.UNIDERP: Universidade para o Desenvolvimento do
Estado e da Regio do Pantanal. Campo Grande, 2005.
CAMPONOGARA, Eduardo, Conjuntos, lgica e controle fuzzy. Universidade Federal de
Santa Catarina, 2007.
CORREA, Cludio; SANDRI, Sandra. Lgica nebulosa. So Paulo: INPE, 1999. Disponvel em:
<http://www.ele.ita.br/cnrn/minicursos-5ern/log-neb.pdf>. Acesso em: 18 fev. 2007.
245
246