Você está na página 1de 16

Anurio da Produo

Acadmica Docente
Vol. XII, N. 2, Ano 2008

SISTEMA INTELIGENTE PARA TOMADA DE


DECISES UTILIZANDO LGICA FUZZY

RESUMO
Edilene A. Veneruchi de Campos
Universidade para o Desenvolvimento do
Estado e da Regio do Pantanal
UNIDERP
eavcampos@terra.com.br

Helder Coelho Silva


Universidade para o Desenvolvimento do
Estado e da Regio do Pantanal
UNIDERP
hcoelhos@gmail.com

Este artigo mostra uma breve abordagem da lgica fuzzy ou lgica


nebulosa, trazendo os pontos principais desta lgica nebulosa,
proposta por Loft Zadeh em 1965. Gerar respostas para as mais
diversas questes, considerando dados incompletos, imprecisos e,
s vezes, contraditrios e no confiveis so caractersticas do raciocnio humano, por isso a lgica fuzzy considerada uma subrea da inteligncia artificial. Este artigo tem como objetivo apresentar o projeto para apoio tomada de decises, utilizando lgica
fuzzy como forma de determinar os melhores preos de venda dos
produtos de um supermercado. So abordados conjuntos fuzzy,
nmeros fuzzy, proposies fuzzy e suas operaes, alm de apresentar a implementao de todos os mdulos de um sistema fuzzy.
As respostas geradas pelo prottipo foram satisfatrias, comprovando, mais uma vez, que a tomada de deciso baseando-se em
ambigidades e incertezas pode ser apoiada pela lgica fuzzy.
Palavras-Chave: Lgica fuzzy, sistema inteligente, sistemas fuzzy, apoio
tomada de deciso.

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

Keywords: Fuzzy logic, intelligent system, fuzzy systems, support for


decision-making.

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

Sistema inteligente para tomada de decises utilizando lgica fuzzy

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.

Anurio da Produo Acadmica Docente Vol. XII, N. 2, Ano 2008 p. 231-246

Edilene Aparecida Veneruchi de Campos, Helder Coelho Silva

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.

2.1. Diviso do supermercado


De acordo com o conhecimento especialista, o mercado pode ser dividido em quatro
tipos de produtos: produtos de giro muito rpido, produtos de giro normal, produtos
de giro lento e produtos de giro muito lento. Neste trabalho, cada um desses grupos foi
representado por um produto em particular.
Os produtos de giro muito rpido so aqueles produtos bsicos, como arroz,
feijo, leo de soja e etc. Esses contribuem com a maior parcela de venda na empresa.
So extremamente visados e servem como comparativo de preo a outras empresas,

Anurio da Produo Acadmica Docente Vol. XII, N. 2, Ano 2008 p. 231-246

233

234

Sistema inteligente para tomada de decises utilizando lgica fuzzy

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.

Anurio da Produo Acadmica Docente Vol. XII, N. 2, Ano 2008 p. 231-246

Edilene Aparecida Veneruchi de Campos, Helder Coelho Silva

Figura 1. Representao margem de aumento para os diferentes grupos de produtos do supermercado.

2.2. Vriaveis de entrada


No prottipo, para que seja possvel a sugesto do um melhor preo para um a determinado produto, torna-se necessrio avaliar todos os fatores envolvidos nesse processo.
Dessa forma, o prottipo ficou estruturado com as seguintes variveis de entrada no sistema: Preo de custo do produto; Histrico de vendas do produto (estimativa de venda); Volume do produto em estoque e Data de validade do produto.
Cada uma dessas variveis foi avaliada cuidadosamente, uma vez que so
responsveis por definir a melhor estratgia de preo para o produto.

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.

Anurio da Produo Acadmica Docente Vol. XII, N. 2, Ano 2008 p. 231-246

235

236

Sistema inteligente para tomada de decises utilizando lgica fuzzy

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.

Figura 2. Representao dos conjuntos para preo de custo.

Assim, o usurio fornece como parmetro de entrada o tipo do produto (de


acordo com os quatro grupos identificados) e o valor. O sistema, ento, verifica a pertinncia deste valor nos conjuntos Baixo, Mdio e Alto do grupo correspondente. Este
processo de transformao da entrada chamado de fuzzyficao.

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

Anurio da Produo Acadmica Docente Vol. XII, N. 2, Ano 2008 p. 231-246

Edilene Aparecida Veneruchi de Campos, Helder Coelho Silva

estoque de determinado produto, o prottipo far a fuzzyficao, definindo a pertinncia deste valor dentro dos conjuntos Baixo, Mdio e Alto.

Figura 3. Representao dos conjuntos para volume de estoque.

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.

Anurio da Produo Acadmica Docente Vol. XII, N. 2, Ano 2008 p. 231-246

237

238

Sistema inteligente para tomada de decises utilizando lgica fuzzy

Figura 4. Representao dos conjuntos para histrico de vendas.

Data de validade dos produtos


Produtos que possuam uma data de validade prxima do fim devem ser analisados para que no causem prejuzos. Prximo data de validade, o produto deve ter uma
margem de lucro muito menor que em condies normais. Esta margem diminui, consideravelmente, quanto mais prximo estiver o produto do vencimento, chegando, s
vezes, a ser vendido pelo preo de custo para gerar prejuzo.
Os conjuntos para fuzzyficao da data de validade ao Prxima, Normal e Distante, conforme definido na Figura 5.

Anurio da Produo Acadmica Docente Vol. XII, N. 2, Ano 2008 p. 231-246

Edilene Aparecida Veneruchi de Campos, Helder Coelho Silva

Figura 5. Representao dos conjuntos para data de validade.

2.3. Fuzzyficao dos dados


A fuzzyficao dos dados indica que h atribuio de valores lingsticos, descries vagas ou qualitativas, definidas por funes de pertinncia s variveis de entrada.
A fuzzyficao uma espcie de pr-processamento de categorias ou classes do
sinal de entrada, reduzindo grandemente o nmero de valores a serem processados
(SHAW, 1999).
Assim, no prottipo desenvolvido, a fuzzyficao dos dados atribui graus de
pertinncia as entradas em cada um dos conjuntos correspondentes, conjuntos estes
que foram modelados pelo usurio.
De forma mais simples, as entradas do sistema representam o eixo x dos grficos apresentados para cada valor inserido, desde que esteja dentro dos limites do conjunto o seu grau de pertinncia o seu correspondente no eixo y, assim, cada entrada
possui um grau de pertinncia em cada um dos conjuntos fuzzy, onde se estiver fora
dos limites do conjunto seu grau de pertinncia zero, e dentro dos limites seu grau de
pertinncia definido pela funo de pertinncia.

Anurio da Produo Acadmica Docente Vol. XII, N. 2, Ano 2008 p. 231-246

239

240

Sistema inteligente para tomada de decises utilizando lgica fuzzy

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

Figura 6. Funo de pertinncia triangular.

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

Figura 7. Funo de pertinncia triangulo retangular [m,b].

Anurio da Produo Acadmica Docente Vol. XII, N. 2, Ano 2008 p. 231-246

Edilene Aparecida Veneruchi de Campos, Helder Coelho Silva

O mesmo acontece com o conjunto alto, pois a partir de um determinado valor


(definido pelo usurio) a funo se torna constante, s que agora utilizando o intervalo
[a,m], como mostra a Figura 8.
0 se x a
A(x) =

(x a) / (m a) se x [a, m]
1 se x m
A(x)
1,0
0,5
0

Figura 8. Funo de pertinncia triangulo retangular [a,m].

Dessa forma, possvel calcular o grau de pertinncia de cada entrada em


seus respectivos conjuntos, fuzzyficando, assim, as entradas do sistema.

2.4. Base de conhecimento


Para desenvolver a base de conhecimento e regras de inferncia do programa, foram
necessrias diversas entrevistas com o usurio, detentor de experincia e conhecimento
sobre o assunto (conhecimento especialista). Desta forma, pode-se agregar maior quantidade de informaes ao software, tornando-o capaz de reagir a todas as situaes
possveis.
A base de regras formada por estruturas do tipo se - ento, estruturadas na
forma se antecedente ento conseqente. Onde o antecedente para o projeto a permutao entre todos os conjuntos de todas as entradas, como no projeto existem 4 entradas e
cada entrada possui 3 conjuntos nebulosos, o total de regras do sistema de 81 (34). O
conseqente a resposta obtida diante de determinada situao.

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.

Anurio da Produo Acadmica Docente Vol. XII, N. 2, Ano 2008 p. 231-246

241

242

Sistema inteligente para tomada de decises utilizando lgica fuzzy

Os modelos desse tipo formam a base de modelagem qualitativa, que descreve


o comportamento do sistema atravs da utilizao de linguagem natural.
O modelo de Mamdani (MAMDANI, 1975) caracteriza-se por utilizar os conjuntos nebulosos como conseqentes das regras de produo. Assim,
Regra [i]; se X1 Ai,1 e (...) e Xm Ai,m ento Y Ci
Onde Xi so as variveis de entrada, Y a varivel de sada, Ai e Ci so conjuntos nebulosos. A Figura 9 mostra a representao do modelo clssico de Mamdani.

Figura 9. Modelo nebuloso de Mamdani.

Assim, ao aplicar o modelo de Mamdani, preciso truncar o antecedente (min)


e agregar o conseqente (max), como por exemplo:
Se preo/custo Baixo e estoque Baixo e hist./venda Mdio e dt /Va. Distante
ento aumento Alto
Preo de custo Baixo representa a pertinncia do preo informado pelo usurio
no conjunto fuzzy Baixo. O estoque Baixo a pertinncia da quantidade de estoque informada pelo usurio no conjunto fuzzy Baixo. O histrico de vendas Mdio a pertinncia do valor informado pelo usurio no conjunto fuzzy Mdio e, finalmente, data de validade Distante representa a pertinncia do valor informado pelo usurio no conjunto
fuzzy Distante. Logo, pode-se reescrever a frase anterior com sendo:
Se 0,22 e 0,28 e 0,60 e 0,33 ento Aumento Alto

Anurio da Produo Acadmica Docente Vol. XII, N. 2, Ano 2008 p. 231-246

Edilene Aparecida Veneruchi de Campos, Helder Coelho Silva

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.

2.5. Defuzzyficao dos dados


Para Sandri (1999) o procedimento de defuzzyficao compreende a identificao do
domnio das variveis de sada num correspondente universo de discurso.
A defuzzyficao consiste em obter um nico valor discreto, utilizvel numa ao de controle concreta no mundo real a partir de valores fuzzy de sadas obtidos. Este
nico valor discreto representa um compromisso entre os diferentes valores fuzzy contidos na sada do controlador (SHAW, 1999).
Desta forma, entende-se por desfuzzifycao como sendo um processo que traduz os resultados obtidos em um controlador fuzzy para uma linguagem do mundo real, apresentando esses resultados de forma compreensvel ao homem.

Mtodo do centro de rea (C-o-A)


Para fazer a defuzzyficao no sistema foi utilizado o mtodo do centro de rea. Para
Camponogara (2007), o centride definido como a soma de todos os momentos (localizao vezes massa) em torno do centro da gravidade, forando a soma para zero (soma dos momentos deve ser nula).
Ainda segundo Camponogara (2007), o valor da sada final uma combinao das sadas de todas as regras, ponderadas por meio de valores e computados de
acordo com as regras de clculo do centride, definidas da conforme a formula a seguir:

Anurio da Produo Acadmica Docente Vol. XII, N. 2, Ano 2008 p. 231-246

243

244

Sistema inteligente para tomada de decises utilizando lgica fuzzy

Onde u (i) o valor verdade de cada regra (valor resultante do antecedente da


regra (i)), e Sada (i) o valor de maior pertinncia dentro do conjunto resposta para a
regra (i).
Dessa forma foi modelado o sistema com a interveno direta do usurio, entendendo como resposta o resultado de todo o processo descrito nesse artigo, apresentando-o na interface do sistema como mostra a Figura 10.

Figura 10. Resultados obtidos.

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

Anurio da Produo Acadmica Docente Vol. XII, N. 2, Ano 2008 p. 231-246

Edilene Aparecida Veneruchi de Campos, Helder Coelho Silva

aspectos vagos da informao e de incerteza e que, baseado em experincias vividas no


cotidiano, so compreendidas e utilizadas freqentemente pelo ser humano.
As respostas geradas pelo prottipo foram extremamente satisfatrias, comprovando, mais uma vez, que a tomada de deciso baseando-se em ambigidades e incertezas pode ser apoiada pela lgica fuzzy. Contudo, preciso ressaltar a importncia
do conhecimento de um especialista para a modelagem do sistema, atribuindo valores
e desenvolvendo a teoria a ser aplicada no manuseio dos dados e, principalmente, na
criao da base de regras.
Importante ressaltar que a idia de construir um software capaz de interagir
em um cenrio dinmico como o de um supermercado, levando ao usurio uma ferramenta de suporte tomada de decises para auxili-lo no seu dia-a-dia pode tornar-se
um diferencial competitivo para empresa, pois o usurio responsvel por funes de
gerncia como deciso sobre o melhor preo para cada produto ter agora uma preocupao a menos.
Tendo em vista a grande viabilidade de sistemas no auxlio tomada de decises, apresenta-se como desafio o desenvolvimento de outros relacionados, investigando cenrios com caractersticas distintas como as apresentadas aqui, fazendo comparativo sobre os resultados obtidos.
Como sugesto para continuidade deste trabalho fica o desafio de aprimorlo, utilizando mais de variveis de entrada, permitindo assim, definir o preo de vendo
considerando parmetros mais sofisticados, como valor praticado pela concorrncia e
sazonalidade, dentre outros.
Tambm podem ser implementadas ferramentas grficas para demonstrar o
processo, o que seria produtivo ao aprendizado cientfico, principalmente aos iniciantes nesta rea.

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.

Anurio da Produo Acadmica Docente Vol. XII, N. 2, Ano 2008 p. 231-246

245

246

Sistema inteligente para tomada de decises utilizando lgica fuzzy

SANTOS, Germano J. C. Lgica fuzzy. Universidade Estadual de Santa Cruz. Departamento de


cincias exatas e tecnolgicas. Bahia: 2003. Disponvel em:
<http://72.14.209.104/search?q=cache:sYXxASVLg5AJ:www.lcc.ufrn.br/~reneudo/arquivos/
Fuzzy/logica-fzzy.pdf+%22Germano+Jose+Carvalho+Santos%22+fuzzy&hl=ptBR&ct=clnk&cd=1&gl=br>. Acesso em: 19 Fev. 2007.
SELLITTO, Miguel A.. Inteligncia artificial: Uma aplicao em uma indstria de processo
contnuo. Rio Grande do Sul: Unisinos, 2002. Disponvel em:
<http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0104530X2002000300010&lng=es&nrm=iso&tlng=pt>. Acesso em: 21 fev. 2007.
SHAW, Ians S.; SIMES, Marcelo Godoy. Controle e modelagem fuzzy. So Paulo: Edgard
Blcher, 2001.
VELLASCO, M. M. B. R. Lgica Nebulosa. ICA: Ncleo de Pesquisa em Inteligncia
Computacional Aplicada. Rio de Janeiro: PUC. Disponvel em: <http://www.ica.ele.pucrio.br/cursos/download/LN-cursop1.pdf>. Acesso em: 20 fev. 2007.

Anurio da Produo Acadmica Docente Vol. XII, N. 2, Ano 2008 p. 231-246