SISTEMAS FUZZY

Ricardo Tanscheit

DEE-PUC-Rio, C.P. 38.063,

22452-970 Rio de Janeiro, RJ
e-mail: ricardo@ele.puc-rio.br
1. INTRODUO

Seres humanos so capazes de lidar com processos bastante complexos, baseados em

informaes imprecisas ou aproximadas. A estratgia adotada pelos operadores humanos
tambm de natureza imprecisa e geralmente possvel de ser expressa em termos lingusticos.
A Teoria de Conjuntos Fuzzy e os Conceitos de Lgica Fuzzy podem ser utilizados para
traduzir em termos matemticos a informao imprecisa expressa por um conjunto de regras
lingusticas. Se um operador humano for capaz de articular sua estratgia de ao como um
conjunto de regras da forma se ... ento, um algoritmo passvel de ser implementado em
computador pode ser construdo. O resultado um sistema de inferncia baseado em regras,
no qual a Teoria de Conjuntos Fuzzy e Lgica Fuzzy fornecem o ferramental matemtico para
se lidar com as tais regras lingusticas.

O objetivo aqui introduzir os conceitos fundamentais da Teoria de Conjuntos Fuzzy, da

Lgica Fuzzy e de Sistemas de Inferncias Fuzzy, de modo a permitir um contato inicial com
este campo extremamente vasto, com aplicaes nas mais diferentes reas do conhecimento.
As primeiras aplicaes bem sucedidas situaram-se na rea de Controle, mas, desde ento,
tem-se verificado uma utilizao crescente de sistemas fuzzy em outros campos, como, por
exemplo, classificao, previso de sries, minerao de dados, planejamento e otimizao. O
uso conjunto da lgica fuzzy e de outros sistemas classificados como inteligentes redes
neurais e programao evolutiva, por exemplo tem propiciado a construo de sistemas
hbridos, cuja capacidade de aprendizado tem ampliado o campo de aplicaes.

A Teoria de Conjuntos Fuzzy foi concebida por L.A. Zadeha com o objetivo de fornecer um
ferramental matemtico para o tratamento de informaes de carter impreciso ou vago. A
Lgica Fuzzy, baseada nessa teoria, foi inicialmente construda a partir dos conceitos j
estabelecidos de lgica clssica; operadores foram definidos semelhana dos
tradicionalmente utilizados e outros foram introduzidos ao longo do tempo, muitas vezes por
necessidades de carter eminentemente prtico.

Nas sees seguintes sero apresentados os conceitos fundamentais de Conjuntos Fuzzy e de

Lgica Fuzzy, assim como algumas definies e operaes que permitem abordar os

a
Zadeh, L.A. (1965). "Fuzzy Sets". Information and Control, V. 8: 338-353.

2
mecanismos de inferncia que servem de base para o que se convencionou chamar de
raciocnio aproximado. Para isto ser feita uma pequena recapitulao da lgica clssica, de
modo a se entender a transposio de operadores para o mbito da Lgica Fuzzy.

2. CONJUNTOS FUZZY

2.1. Fundamentos

Na teoria clssica dos conjuntos, o conceito de pertinncia de um elemento a um conjunto fica

bem definido. Dado um conjunto A em um universo X, os elementos deste universo
simplesmente pertencem ou no pertencem quele conjunto. Isto pode ser expresso pela
funo caracterstica fA:
1 se e somente se x A
f A ( x) =



0 se e somente se x A

Zadeh props uma caracterizao mais ampla, generalizando a funo caracterstica de modo
que ela pudesse assumir um nmero infinito de valores no intervalo [0,1]. Um conjunto fuzzy
A em um universo X definido por uma funo de pertinncia 

A (x) : X [0,1], e
representado por um conjunto de pares ordenados

A={ 

A ( x) /x} x X

onde 

A (x) indica o quanto x compatvel com o conjunto A. Um determinado elemento

pode pertencer a mais de um conjunto fuzzy, com diferentes graus de pertinncia.

O conjunto suporte de um conjunto fuzzy A o conjunto de elementos no universo X para os

quais 

A ( x) > 0. Um conjunto fuzzy cujo suporte um nico ponto x' com 

A ( x' ) = 1
chamado de conjunto unitrio fuzzy ou singleton. Assim, um conjunto fuzzy tambm pode
ser visto como o mapeamento do conjunto suporte no intervalo [0,1], o que implica em
expressar o conjunto fuzzy por sua funo de pertinncia.

Conjuntos fuzzy podem ser definidos em universos contnuos ou discretos. Se o universo X

for discreto e finito, o conjunto fuzzy A normalmente representado:

por um vetor contendo os graus de pertinncia no conjunto A dos elementos

correspondentes de X ;

3
 por meio da seguinte notao (que no deve ser confundida com a soma algbrica):
n

A ( xi ) / x i
i =1

Se o universo X for contnuo, emprega-se muitas vezes a seguinte notao (onde o smbolo de
integral deve ser interpretado da mesma forma que o da soma no caso de um universo
discreto): 

A ( x) / x
X

2.2. Variveis lingusticas

Uma varivel lingustica uma varivel cujos valores so nomes de conjuntos fuzzy. Por
exemplo, a temperatura de um determinado processo pode ser uma varivel lingustica
assumindo valores baixa, mdia, e alta. Estes valores so descritos por intermdio de
conjuntos fuzzy, representados por funes de pertinncia, conforme mostrado na figura a
seguir:
pertinncia

baixa mdia alta

1

25 50 75 temperatura (C)

Figura 1 Funes de pertinncia para a varivel temperatura

Generalizando, os valores de uma varivel lingustica podem ser sentenas em uma

linguagem especificada, construdas a partir de termos primrios (alto, baixo, pequeno,
mdio, grande, zero, por exemplo), de conectivos lgicos (negao no, conectivos e e ou), de
modificadores (muito, pouco, levemente, extremamente) e de delimitadores (como
parnteses).

A principal funo das variveis lingusticas fornecer uma maneira sistemtica para uma
caracterizao aproximada de fenmenos complexos ou mal definidos. Em essncia, a
utilizao do tipo de descrio lingustica empregada por seres humanos, e no de variveis
quantificadas, permite o tratamento de sistemas que so muito complexos para serem

4
analisados atravs de termos matemticos convencionais. Formalmente, uma varivel
lingustica caracterizada por uma quntupla (N, T(N), X, G, M), onde:

N: nome da varivel
T(N): conjunto de termos de N, ou seja, o conjunto de nomes dos valores lingusticos de N
X: universo de discurso
G: regra sinttica para gerar os valores de N como uma composio de termos de T(N),
conectivos lgicos, modificadores e delimitadores
M: regra semntica, para associar a cada valor gerado por G um conjunto fuzzy em X.

No caso da varivel temperatura da Figura 1, ter-se-ia:

N: temperatura
T(N): {baixa, mdia, alta}
X: 0 a 100 C (por exemplo)
G: temperatura no baixa e no muito alta, por exemplo
M: associa o valor acima a um conjunto fuzzy cuja funo de pertinncia exprime o seu
significado

2.3. Funes de pertinncia

As funes de pertinncia podem ter diferentes formas, dependendo do conceito que se deseja
representar e do contexto em que sero utilizadas. Para exemplificar o quanto o contexto
relevante na definio de funes de pertinncia e de sua distribuio ao longo de um dado
universo, considere-se a varivel lingustica estatura (de pessoas), constituda dos seguintes
termos: T(estatura) = {baixa, mdia, alta}. A esses faz-se corresponder conjuntos fuzzy A, B
e C, respectivamente), definidos por suas funes de pertinncia. Uma escolha possvel de
funes de pertinncia seria:

pertinncia

baixa mdia alta

1

1,50 1,75 2,00 estatura (metros)

Figura 2 Funes de pertinncia para a varivel estatura

5
Na definio acima, estaturas de at 1,5 metros apresentam grau de pertinncia igual a 1 no
conjunto A; o grau de pertinncia neste conjunto decresce medida que a estatura aumenta.
Considera-se que uma estatura de 1,75 metros "totalmente compatvel" com o conjunto B,
ao passo que estaturas acima de 1,8 metros (aproximadamente) apresentam grau de
pertinncia diferente de zero em C. Pessoas com estatura acima de 2 metros so
"definitivamente" altas. Observe-se que, nesta definio das funes de pertinncia, estaturas
em um entorno de 1,75 metros tm grau de pertinncia diferente de zero somente no conjunto
B, o que poderia parecer inadequado para alguns observadores. Estes prefeririam que as
funes de pertinncia de A e B se interceptassem em 1,75 metros (com graus de pertinncia
nulos, a exemplo daquelas da Figura 1), por exemplo.

Alm disso, diferentes pessoas, ou grupos de pessoas, podem ter noes distintas a respeito
das estaturas de seus semelhantes. Um escandinavo provavelmente utilizaria funes de
pertinncia diferentes daquelas escolhidas por um representante de uma tribo de pigmeus, ou
as distribuiria de outra forma ao longo do universo. Ou seja, o contexto particularmente
relevante quando da definio de funes de pertinncia.

Funes de pertinncia podem ser definidas a partir da experincia e da perspectiva do

usurio mas comum fazer-se uso de funes de pertinncia padro, como, por exemplo, as
de forma triangular, trapezoidal e Gaussiana. Em aplicaes prticas as formas escolhidas
inicialmente podem sofrer ajustes em funo dos resultados observados.

Funes de pertinncia contnuas podem ser definidas por intermdio de funes analticas.
Por exemplo, a seguinte funo geral pode ser usada para definir as funes de pertinncia
associadas aos conjuntos fuzzy correspondentes aos termos pequeno, mdio e grande:

A ( x) = (1 + (a( x c)) b ) 1

A forma de A (x) pode ser modificada atravs da manipulao dos trs parmetros a, b e c.
Por exemplo:
pequeno ( x) = (1 + 9 x 2 ) 1

mdio ( x) = (1 + 9( x 0,5) 2 ) 1

grande ( x) = (1 + 9( x 2) 2 ) 1

6
Funes de pertinncia descontnuas so compostas de segmentos contnuos lineares,
resultando em formas triangulares ou trapezoidais. Funes de pertinncia discretizadas
consistem de conjuntos de valores discretos correspondendo a elementos discretos do
universo. Por exemplo, se X = {0,1, 2, 3, 4, 5, 6}, uma representao possvel seria:

pequeno ( x) = {0,3; 0,7; 1; 0,7; 0,3; 0; 0}

mdio ( x) = {0; 0; 0,3; 0,7; 1; 0,7; 0,3}

grande ( x) = {0; 0; 0; 0 0,3; 0,7; 1}

2.4. Definies e operaes

A exemplo do que ocorre com conjuntos ordinrios, h uma srie de definies e operaes
envolvendo conjuntos fuzzy. Apresentam-se aqui as mais relevantes para uma abordagem
inicial do assunto.

Um conjunto fuzzy A em X vazio se e somente se sua funo de pertinncia igual a zero

sobre todo X:
A = se e somente se A ( x) = 0 x X

O complemento A' de um conjunto fuzzy A normalmente dado por:

A' ( x) = 1 A ( x) x X

Dois conjuntos fuzzy A e B em X so iguais se suas funes de pertinncia forem iguais sobre
todo X:
A = B se e somente se A ( x) = B ( x ) x X

Um conjunto fuzzy A um subconjunto de B se sua funo de pertinncia for menor ou igual

de B sobre todo X:
A B se A ( x) B ( x) x X

Recorde-se que, no caso de conjuntos ordinrios, a interseo de dois conjuntos A e B em

um universo X, denotada por A B, contm todos os elementos pertencentes a A e a B (i.e.,
f A B ( x) = 1 se x A e x B e f A B ( x) = 0 se x A ou x B). A unio dos mesmos

conjuntos, denotada por A B, contm todos os elementos que pertencem a A ou a B.

Fazendo-se uso dos operadores minimum (min ou ) e maximum (max ou ), as funes

7
caractersticas dos conjuntos resultantes (interseo e unio) podem ser representadas da
seguinte forma:
f A B ( x ) = f A ( x ) f B ( x ) x X

f A B ( x ) = f A ( x ) f B ( x ) x X

Embora a unio e a interseo possam ser descritas tambm por meio de outros operadores,
Zadeh estendeu a descrio acima (com os operadores min e max) para a representao de
interseo e unio fuzzy, de modo que:

A B ( x ) = A ( x ) B ( x ) x X

A B ( x ) = A ( x ) B ( x ) x X

Zadeh tambm sugeriu a soma algbrica [ A B ( x) = A ( x) + B ( x) A ( x) B ( x)] para a

unio fuzzy e o produto algbrico [ A B ( x) = A ( x) B ( x)] para a interseo fuzzy.
Posteriormente, com o objetivo de generalizao, foram definidos operadores de base
axiomtica, baseados nos conceitos de norma triangular (norma-t) e co-norma triangular (co-
norma-t ou norma-s).

Uma norma-t uma operao binria : [0,1][0,1][0,1] tal que, x, y, z, w [0,1], as

seguintes propriedades so satisfeitas:

Comutatividade: x y = y x
Associatividade: ( x y ) z = x ( y z )
Monotonicidade: se x y, w z , ento x w y z
Condies de contorno: x 0 = 0 e x 1 = x

Uma co-norma-t, ou norma-s, uma operao binria : [0,1] [0,1] [0,1], que satisfaz
as seguintes propriedades:

Comutatividade: x y = y x
Associatividade: ( x y ) z = x ( y z )
Monotonicidade: se x y, w z , ento x w y z
Condies de contorno: x 0 = x e x 1=1

8
A bibliografia registra inmeras normas-t e co-normas-t, mas, em aplicaes principalmente
em engenharia , tm sido utilizados preponderantemente os operadores min e produto
algbrico para interseo e o operador max para a unio.

2.5. Propriedades

Utilizando-se os operadores max e min para a descrio da unio e interseo fuzzy,

respectivamente, fcil verificar que as seguintes propriedades algbricas de conjuntos
ordinrios tambm valem para conjuntos fuzzy:

Involuo: ( A' )' = A

A A = A

Idempotncia:
A A = A

A B = B A

Comutatividade:
A B = B A

( A B) C = A ( B C )

Associatividade:
( A B) C = A ( B C )

A ( B C ) = ( A B) ( A C )

Distributividade:
A ( B C ) = ( A B) ( A C )

A ( A B) = A

Absoro:
A ( A B) = A
Lei Transitiva: se A B e B C

AC

( A B) ' = A ' B '



 

Leis de De Morgan: 

( A B) ' = A ' B '

Observando que as funes de pertinncia dos conjuntos vazio () e universo (X) so

definidas como sendo 0 e 1, respectivamente, verificam-se tambm as seguintes propriedades:



A =



A X = A
e
A = A A X = X

9
As propriedades de conjuntos clssicos A A ' = e A A ' = X no se verificam para
conjuntos fuzzy quando os operadores max e min so utilizados:

A A ( x) = A ( x) (1 A ( x)) 0
' A A'

A A ( x) = A ( x) (1 A ( x)) 1
' A A' X

Observe-se que, em geral, normas-t e co-normas-t no satisfazem as duas leis acima; excees
so o produto limitado A ( x) B ( x) = max [0, A ( x) + B ( x) 1] e a soma limitada
A ( x) B ( x) = min [1, A ( x) + B ( x)] . A distributividade tambm no satisfeita para a
maioria das normas-t e co-normas-t; excees so os operadores min e max.

2.6. Relaes Fuzzy

No caso de conjuntos ordinrios, uma relao exprime a presena ou a ausncia de uma

associao (ou interao) entre elementos de dois ou mais conjuntos. Formalmente, dados
dois universos X e Y, a relao R definida em X Y um subconjunto do produto cartesiano
do dois universos, de tal forma que R: X Y {0,1}. Ou seja, se algum x X e y Y
estiverem relacionados, R( x, y ) = 1 ; caso contrrio, R( x, y ) = 0 . Isto pode ser expresso pela
seguinte funo caracterstica (ou funo de pertinncia bivalente):

1 se e somente se ( x, y ) R
f R ( x, y ) =

0 em caso contrrio

As relaes podem ser expressas de forma analtica (para universos infinitos, por exemplo),
ou de forma tabular, muito utilizada no caso de universos finitos (e discretos). Esta ltima
forma recebe o nome de matriz relacional, cujos elementos so ou zero ou um.

Relaes fuzzy generalizam o conceito de relaes e representam o grau da associao entre

elementos de dois ou mais conjuntos fuzzy. Exemplos de carter lingustico seriam: x muito
maior do que y, x est prximo de y. Formalmente, dados dois universos X e Y, a relao
fuzzy R um conjunto fuzzy em X Y, caracterizada por uma funo de pertinncia

R ( x, y ) [0,1] , onde x X e y Y.

10
A interseo e a unio de relaes fuzzy so definidas de forma similar s mesmas operaes
com conjuntos fuzzy. Considerando-se duas relaes fuzzy R e S definidas em um mesmo
espao X Y, as funes de pertinncia resultantes so:

RS ( x, y ) =

R ( x, y )

S ( x, y )

RS ( x, y ) =

R ( x, y )

S ( x, y )

Exemplo: Sejam X = {x1 , x 2 } = {Fortaleza, Florianpolis}, Y = { y1 , y 2 , y 3 } = {Porto Alegre,

Cricima, Curitiba} e R a relao "muito prxima". No caso ordinrio, esta relao poderia
ser dada pela funo caracterstica f R ( x, y ) expressa pela seguinte matriz relacional:

y1 y2 y3
Porto Alegre Cricima Curitiba
x1 Fortaleza 0 0 0
x2 Florianpolis 1 1 1

No caso de uma relao fuzzy, esta poderia ser dada pela seguinte funo de pertinncia
R ( x, y ) :
y1 y2 y3
Porto Alegre Cricima Curitiba
x1 Fortaleza 0,1 0,2 0,3
x2 Florianpolis 0,8 1,0 0,8

2.7. Composio de relaes

A composio de relaes representa um papel muito importante em sistemas de inferncia

fuzzy. Considerem-se primeiramente duas relaes no-fuzzy P( X , Y ) e Q(Y , Z ) que tm um
conjunto (Y) em comum. A composio dessas duas relaes definida como um subconjunto
R( X , Z ) de X Z tal que ( x, z ) R se e somente se existe pelo menos um y Y tal que
( x, y ) P e ( y, z ) Q , e denotada por R( X , Z ) = P( X , Y ) Q(Y , Z ) .

Exemplo: Sejam as relaes no-fuzzy definidas pelas seguintes matrizes relacionais:

11
 z1 z2 z3 z4
y1 y2 y3 y4  

 

y1 1 0 0 0
x1 0 1 0 1


y 0 0 0 1


P( X , Y ) = x2 1 

0 0 0 Q(Y , Z ) = 2 

y3
1 1 0 0 

x3 0 0 1 1


y4 0 0 1 0

A composio dessas duas relaes ser:

z1 z2 z3 z4
 

x1 0
0 1 1 

R( X , Z ) = x 2 1

0 0 0 

x3 1 1 1 0



A operao realizada para se obter R( X , Z ) no exemplo acima pode ser representada por
qualquer uma (embora no somente) das seguintes expresses:

composio max-min: f R ( x, z ) = f P Q ( x, z ) = {( x, z ), max [min( f P ( x, y ), f Q ( y, z ))]}



composio max-produto: f R ( x, z ) = f P Q ( x, z ) = {( x, z ), max [( f P ( x, y ) f Q ( y, z ))]}



Aplique-se, por exemplo, a composio max-min ao clculo do elemento ( x1 , z 2 ) de R :

f R ( x1 , z 2 ) = f P Q ( x, z ) = {( x1 , z 2 ), max [min( f P ( x1 , y ), f Q ( y, z 2 ))]}

= {( x1 , z 2 ), max [min( f P ( x1 , y1 ), f Q ( y1 , z 2 )), min( f P ( x1 , y 2 ), f Q ( y 2 , z 2 )),

min( f P ( x1 , y 3 ), f Q ( y 3 , z 2 )), min( f P ( x1 , y 4 ), f Q ( y 4 , z 2 ))]}

= {( x1 , z 2 ), max [min(0,0), min(1,0), min(0,1), min(1,0)]}

= {( x1 , z 2 ), max [0,0,0,0)]} = 0

Um maneira prtica de realizar as operaes acima consiste em se efetuar a "multiplicao"

das matrizes relacionais, tomando o cuidado de substituir cada multiplicao pela operao
min e cada adio pelo operador max. Se, ao invs de min, for empregado o produto, o
resultado ser o mesmo.

A composio de relaes fuzzy definida de maneira anloga apresentada acima; a

expresso para a funo de pertinncia resultante da composio de duas relaes fuzzy com
um conjunto fuzzy em comum generalizada para:

12
 R ( x, z ) = P Q ( x, z ) = sup [ P ( x, y ) Q ( y, z )]

onde a norma-t (representada por ) normalmente o min ou o produto, embora seja

permitido usar outras normas-t. No caso de universos finitos, a operao supb o maximum.

Exemplo: Sejam os conjuntos de estudantes X = {Maria, Joo, Pedro}, de caractersticas de

cursos Y = {teoria (t), aplicao(a), hardware (h), programao (p)}, e de cursos Z = {lgica
fuzzy (LF), controle fuzzy (CF), redes neurais (RN), sistemas especialistas (SE)}. Os
interesses dos estudantes (em termos das caractersticas em Y) so representados pela matriz
relacional P, ao passo que as caractersticas (Y) dos cursos em Z so dadas pela matriz
relacional Q.
LF CF RN SE
t a h p 







t 1 0,5 0,6 0,1

Pedro 0,2 1 0,8 0,1
 

 

a 0,2 1 0,8 0,8

 

 

 

 

P( X , Y ) = Maria 1

0,1 0 0,5 




Q(Y , Z ) =








 





0 0,3 0,7 0 




Joo 0,5 0,9 0,5 1

 

 

p 0,1 0,5 0,8 1

 

A composio max-min de P e Q pode servir de auxlio aos estudantes na escolha dos cursos:

LF CF RN SE
 

Pedro 0,2
1 0,8 0,8 

P Q = Maria 1

0,5 0,6 0,5 

Joo 0,5 0,9 0,8 1



A composio max-produto proporcionaria o mesmo resultado neste exemplo, mas isto no

pode ser generalizado e se constitui numa diferena significativa entre composies de
relaes no-fuzzy e fuzzy.

Considere-se agora o caso especial em que a relao P um conjunto fuzzy apenas, de forma,
que, em vez de P ( x, y ) , tem-se P (x) . Isto equivalente a se ter X = Y e a composio
torna-se somente uma funo de z, denotada pela seguinte funo de pertinncia:

R ( z ) = sup [ P ( x) Q ( x, z )]
x

b
simplificadamente, o supremum (sup) o menor limite superior de um conjunto S e no necessariamente
pertence a este conjunto; um limite superior que pertence ao conjunto chamado de maximum (max). Se o
conjunto tiver um maximum, obviamente ter um supremum.

13
Do ponto de vista operacional, tem-se a "multiplicao" de um vetor por uma matriz,
observando-se as substituies adequadas de operadores; o resultado um vetor.

Este um resultado fundamental para o desenvolvimento de um sistema de inferncia fuzzy,

conforme ser visto mais adiante.

2.8. Proposies Fuzzy

Uma frase da forma A, onde o nome de uma varivel lingustica e A um conjunto

fuzzy definido no universo de discurso X de , chamada de proposio fuzzy. No caso mais
geral de uma proposio fuzzy n-ria, a representao se d atravs do produto cartesiano das
variveis lingusticas e da utilizao de relaes fuzzy.

Proposies fuzzy podem ser combinadas por meio de diferentes operadores, como, por
exemplo, os conectivos lgicos e e ou, a negao no e o operador de implicao se ... ento;
as proposies fuzzy da resultantes podem ser descritas em termos de relaes fuzzy.

Em geral, o conectivo e usado com variveis em diferentes universos, enquanto que o

conectivo ou conecta valores lingusticos de uma mesma varivel, os quais esto no mesmo
universo. Quando o conectivo ou empregado para conectar variveis em uma sentena do
tipo se . . . ento, ele pode ser usado com duas variveis diferentes. Por exemplo: se a presso
alta ou a velocidade rpida ento o controle zero.

A operao no considerada como semanticamente sinnima da negao em linguagem

natural:

A={

A ( x) /x} no A = {(1 A ( x)) / x }

Exemplo: presso no alta.

Considerem-se:

variveis lingusticas de nomes x e y definidas nos universos X e Y, respectivamente;

conjuntos fuzzy A e B definidos nos universos X e Y, respectivamente;
x A

 

Proposies fuzzy:

yB

14
Conectando-se essas proposies atravs do conectivo ou, tem-se a proposio fuzzy
( x A) ou ( y B) , que pode ser expressa por uma relao fuzzy R A ou B , cuja funo de

pertinncia dada por R ( x, y ) = A ( x) B ( y ) . Caso as proposies sejam conectadas por

e, a funo de pertinncia da relao R A e B dada por R ( x, y ) = A ( x) B ( y ) .

Esclarecendo, o operador usado para representar o conectivo ou normalmente uma co-

norma-t, enquanto que uma norma-t utilizada na representao do conectivo e.

O operador se ... ento tambm conhecido como declarao condicional fuzzy e descreve a
dependncia do valor de uma varivel lingustica em relao ao valor de outra. Em muitas
aplicaes essas declaraes condicionais so simplesmente denominadas regras lingusticas,
constituindo-se em frases da forma se x A ento y B. Uma frase deste tipo normalmente
denominada implicao e representada por uma relao R A B , expressa pela funo de
pertinncia:
A B ( x, y ) = f ( A ( x), B ( y )) ,

onde f o operador de implicao.

Quando uma declarao condicional apresenta mais do que uma varivel antecedente (x A),
as diversas variveis so geralmente combinadas por meio do conectivo e:

se ( x1 A1 ) e ( x 2 A2 ) e ........ e ( x m Am ) ento ( y B)

que pode ser representada por uma relao expressa pela seguinte funo de pertinncia:

R ( x1 , x 2 ,..., x m , y ) = f ( f e ( A ( x1 ), A ( x 2 ), ... , A ( x m )), B ( y ))

1 2 m

onde f e o operador (geralmente min ou produto) que representa o conectivo e.

Vrias declaraes podem ser combinadas por meio do conectivo ou:

R 1 : se ( x A1 ) ento ( y B 1 ) ou

R 2 : se ( x A 2 ) ento ( y B 2 ) ou

R n : se ( x A n ) ento ( y B n )

15
A funo de pertinncia do conjunto R N de declaraes :

R ( x, y ) = f ou [ R ( x, y ), R ( x, y ), ...., R ( x, y )]
N 1 2 n

= f ou [ f ( A1 ( x), B1 ( y )), f ( A 2 ( x), B 2 ( y )), ...., f ( A n ( x), B n ( y ))]

Observe-se a distino feita nas notaes para o caso de se ter mais de um antecedente e para
a existncia de vrias frases do tipo se ... ento. Na primeira situao, tem-se vrias variveis,
cada uma delas com seus valores, e apenas um valor (B) para o consequente (y B). Na
segunda, a varivel a mesma em todos os antecedentes e os valores da varivel do
consequente so distintos.

3. LGICA FUZZY

Conforme visto, regras so expressas atravs de implicaes lgicas da forma se ... ento,
representando uma relao R A B entre um ou mais antecedentes e um ou mais consequentes.
A funo de pertinncia associada a esta relao definida por intermdio do operador de
implicao f , que deve ser escolhido apropriadamente. O conceito de implicao est
relacionado a um ramo da matemtica conhecido como lgica proposicional, que isomrfica
teoria dos conjuntos, sendo que ambas so isomrficas lgebra booleana.

Para estabelecer o conceito de implicao na lgica fuzzy, feita a seguir uma pequena
reviso de lgica proposicional, para em seguida se passar Lgica Fuzzy propriamente dita.

3.1. Lgica Tradicional e Inferncia

Na lgica tradicional lida-se com proposies, que podem ser verdadeiras ou falsas. As
combinaes de proposies (p e q, a seguir), para formar novas proposies, so efetuadas a
partir de trs operaes bsicas:

conjuno (p q): estabelece a verdade simultnea de 2 proposies p e q

disjuno (p q): serve para estabelecer a verdade de uma ou de ambas as proposies
implicao (p q): regra se... ento

So tambm utilizadas:

negao (~p): para se dizer " falso que....."

equivalncia (p q): significa que p e q so ambos verdadeiros ou falsos

16
Na lgica proposicional, proposies no relacionadas entre si podem ser combinadas para
formar uma implicao, e no se considera nenhuma relao de causalidade, to presente no
mundo real e em aplicaes em engenharia. Para determinar quando a implicao verdadeira
ou falsa, pode ser interessante formul-la da seguintes forma: p condio suficiente para q,
i.e, se p for verdadeira, q tambm o ser (basta a verdade de p para que q seja verdadeira).
Com base nisto, verifica-se que, se a verdade de p se fizer seguir da de q, a implicao
verdadeira. Se p verdadeira e q falsa, i.e., p no suficiente para q, a implicao falsa.
Quando a condio p no satisfeita (p falsa), no h uma maneira direta de se avaliar a
implicao; assim, estipula-se que ela verdadeira sempre que o antecedente for falso.

As relaes entre proposies so normalmente mostradas atravs de uma tabela verdade; as

tabelas verdade para conjuno, disjuno, implicao, equivalncia e negao, que
constituem axiomas fundamentais da lgica proposicional, esto mostradas na Tabela 1, onde
V significa verdadeiro e F, falso.

p q pq pq pq pq ~p
V V V V V V F
V F F V F F F
F V F V V F V
F F F F V V V
Tabela 1 - Tabelas verdade para cinco operaes fundamentais de lgica

Exemplo: apesar da implicao, na lgica proposicional, no considerar a causalidade,

possvel "confirmar" sua tabela verdade com situaes do dia-a-dia. Considere-se, por
exemplo, a declarao condicional "se eu estiver bem de sade (p), ento irei escola (q)". A
questo : quando que esta declarao falsa? As situaes possveis so:
p = V (estou bem de sade) e q = V (fui escola): promessa cumprida (declarao
verdadeira)
p = V (estou bem de sade) e q = F (no fui escola): promessa violada (declarao
falsa)
p = F (no estou bem de sade) e q = V (fui escola): promessa (de ir escola)
cumprida (declarao verdadeira)
p = F (no estou bem de sade) e q = F (no fui escola): promessa no violada
(declarao verdadeira)

17
Um outro exemplo de uma implicao ser verdadeira mesmo que as premissas sejam falsas
"se 3 um quadrado perfeito, ento 3 no primo". Obviamente, o nmero primo 3 no um
quadrado perfeito, mas a declarao verdadeira se considerarmos que quadrados perfeitos
no podem ser nmeros primos.

Uma afirmao bastante ouvida no dia-a-dia : "se isto (algo extraordinrio ou inusitado)
realmente aconteceu, ento eu sou o papa". Este tipo de expresso uma maneira de se
afirmar a falsidade do antecedente, ou seja, se a falsidade existe mesmo, ento qualquer coisa
pode ocorrer (inclusive "eu ser o papa"). Portanto, antecedentes falsos criam implicaes
verdadeiras.

Uma tautologia uma proposio sempre verdadeira, formada a partir da combinao de

outras proposies. As tautologias de maior interesse no mbito desta discusso so:

( p q ) ~ [ p (~ q )]

( p q ) [ (~ p ) q ]

conforme demonstrado na Tabela 2.

p q pq ~q p (~ q) ~ [p (~ q)] ~p (~ p) q
V V V F F V F V
V F F V V F F F
F V V F F V V V
F F V V F V V V
Tabela 2 - Provas de equivalncias

Algumas das equivalncias mais importantes entre lgica, teoria dos conjuntos e lgebra
booleana so:
Teoria dos lgebra
Lgica
Conjuntos Booleana

+
~
V 1
F 0
=

18
Relembrando que, na teoria clssica de conjuntos, a funo caracterstica pode assumir apenas
2 valores (1 ou 0, indicando pertinncia ou no, respectivamente), observando as
equivalncias acima entre lgica, teoria dos conjuntos e lgebra booleana, e utilizando as duas
tautologias j mencionadas, podem ser obtidas as seguintes funes caractersticas para a
implicao (denotadas por f pq ( x, y ) ):

( p q ) ~ [ p (~ q )] : f p q ( x, y ) = 1 min [ f p ( x),1 f q ( y )]

( p q ) [ (~ p ) q ] : f p q ( x, y ) = max [1 f p ( x), f q ( y )]

Isto demonstrado, na Tabela 3, construda com base na Tabela 2 fazendo-se os lgicos V e F

corresponderem aos booleanos 1 e 0):

fp(x) fq(y) 1 - fp(x) 1 - fq(y) max [1 - fp(x), fq(y)] 1 - min [fp(x),1 - fq(y)]
1 1 0 0 1 1
1 0 0 1 0 0
0 1 1 0 1 1
0 0 1 1 1 1
Tabela 3 - Validao das equivalncias da Tabela 2

Existem inmeras outras funes caractersticas para implicao, no necessariamente

fazendo uso dos operadores max e min aqui utilizados.

Na lgica proposicional h dois tipos importantes de mecanismos (ou regras) de inferncia:

Modus Ponens e Modus Tollens. O primeiro de grande relevncia para aplicaes em
engenharia e, portanto, apresentado a seguir:

Premissa 1: xA
Premissa 2: se (x A) ento (y B)
Consequncia: yB

O Modus Ponens associado implicao A implica em B (A B); usando-se as proposies

p e q, pode ser expresso como ( p ( p q )) q .

19
3.2. Lgica Fuzzy

Os conceitos de lgica fuzzy nasceram inspirados na lgica tradicional, embora modificaes

tenham se tornado necessrias para adapt-los aos requisitos de aplicaes em engenharia.

A extenso da lgica tradicional para a lgica fuzzy foi efetuada atravs da simples
substituio das funes caractersticas (ou funes de pertinncia bivalentes) da primeira por
funes de pertinncia fuzzy, semelhana da extenso de conjuntos ordinrios para
conjuntos fuzzy. Assim, a declarao condicional se x A ento y B tem uma funo de
pertinncia A B ( x, y ) que mede o grau de verdade da relao de implicao entre x e y.

Exemplos de A B ( x, y ) , obtidos pela simples extenso de funes de pertinncia bivalentes

da lgica proposicional para a lgica fuzzy, so:

A B ( x, y ) = 1 min [ A ( x),1 B ( y )]
A B ( x, y ) = max [1 A ( x), B ( y )]

Quanto inferncia, o modus ponens estendido para o modus ponens generalizado, descrito
da seguinte forma:

Premissa 1: x A*
Premissa 2: se x A ento y B
Consequncia: y B*

No modus ponens generalizado, o conjunto fuzzy A* no necessariamente o mesmo que A

(antecedente da regra), assim como B* no necessariamente o mesmo que o consequente B.
Na lgica clssica, uma regra ser "disparada" somente se a Premissa 1 for exatamente o
antecedente da regra, e o resultado ser exatamente o consequente dessa regra. Na lgica
fuzzy, uma regra ser disparada se houver um grau de similaridade diferente de zero entre a
Premissa 1 e o antecedente da regra; o resultado ser um consequente com grau de
similaridade no nulo em relao ao consequente da regra.

Formalmente, a funo de pertinncia do consequente, B* ( y ) , obtida a partir do conceito

de regra de inferncia composicional B * = A* R , na qual a conexo entre as duas

proposies representada explicitamente por uma relao R. O modus ponens generalizado

20
(onde a relao fuzzy representada de modo implcito pela regra se ... ento) um caso
especial dessa regra, embora os dois nomes sejam frequentemente empregados como
"sinnimos".

A questo pode ser recolocada como: dada uma relao entre duas variveis fuzzy, qual o
consequente para um dado antecedente? Isto equivalente a se considerar duas proposies
fuzzy: uma simples, correspondendo a um fato, e outra correspondendo a uma regra fuzzy. O
modus ponens generalizado pode ser visto, ento, como uma composio fuzzy, onde a
primeira relao meramente um conjunto fuzzy. Utilizando a expresso j vista para a
composio de um conjunto fuzzy com uma relao fuzzy (seo 2.7), tem-se:

B ( y ) = sup [ A ( x) R ( x, y )]
* *
xA

Como R uma relao de implicao, a expresso acima pode ser reescrita como:

B ( y ) = sup [ A ( x) A B ( x, y )]
* *
x A

Exemplo: Considerem-se dois conjuntos fuzzy A e B, em universos discretos e finitos X e Y,

respectivamente, cujas funes de pertinncia (expressas pelos graus de pertinncia de cada
um dos elementos dos universos) so:

A ( x) = {0; 0,2; 0,7;1; 0,4; 0} B ( y ) = { 0,3; 0,8; 1; 0,5; 0}

Supondo que a relao de implicao entre A e B seja dada por:

A B ( x, y ) = max [1 A ( x), B ( y )] ,
tem-se:
 


1 1 1 1 1


0,8 0,8 1 0,8 0,8



0,3 0,8 1 0,5 0,3

A B ( x , y ) =


0,3 0,8 1 0,5 0



0,6 0,8 1 0,6 0,6





1 1 1 1 1

Como os universos so discretos e finitos, a operao sup torna-se max e a funo de

pertinncia do consequente fica:
B ( y ) = max [ A ( x) A B ( x, y )]
* *
xA

21
Se A* for dado pela funo de pertinncia A ( x) = {0; 0,3; 0,8;1; 0,7; 0,2}, e utilizando-se o
min para a norma-t, tem-se:

max (0 1; 0,3 0,8; 0,8 0,3 ; 1 0,3; 0,7 0,6 ; 0,2 1);
 

max (0 1; 0,3 0,8; 0,8 0,8 ; 1 0,8; 0,7 0,8 ; 0,2 1);

( y ) = max (0 1; 0,3 1; 0,8 1; 1 1; 0,7 1; 0,2 1);

 

max (0 1; 0,3 0,8; 0,8 0,5 ; 1 0,5; 0,7 0,6 ; 0,2 1);

max (0 1; 0,3 0,8; 0,8 0,3 ; 1 0; 0,7 0,6; 0,2 1);



 

max (0; 0,3; 0,3; 0,3; 0,6; 0,2);

max (0; 0,3; 0,8; 0,8; 0,7; 0,2);

( y ) = max (0; 0,3; 0,8; 1; 0,7; 0,2); = {0,6; 0,8; 1; 0,6; 0,6}
 

max (0; 0,3; 0,5; 0,5; 0,6; 0,2);

max (0; 0,3; 0,3; 0; 0,6; 0,2)



Caso se utilizasse min para a implicao, o resultado seria: 

B
( y ) = { 0,3; 0,8; 1; 0,5; 0} , que

circunstancialmente idntico funo de pertinncia de B.

muito comum, em aplicaes, ter-se como "informao" dados (ou entradas) no-fuzzy, i.e.

1 para x = x'
A ( x) =
 

0 para todo outro x X

*

Fazendo uso do exemplo acima, uma entrada no-fuzzy poderia ser representada pela seguinte
funo de pertinncia, por exemplo: A ( x) = {0; 0; 1; 0; 0; 0}, o que proporcionaria o

seguinte resultado:

max (0 1; 0 0,8; 1 0,3 ; 0 0,3; 0 0,6 ; 0 1);

 

max (0 1; 0 0,8; 1 0,8 ; 0 0,8; 0 0,8 ; 0 1);

( y ) = max (0 1; 0 1; 1 1; 1 1; 0 1; 0 1); = {0,3; 0,8; 1; 0,5; 0,3}

 

max (0 1; 0 0,8; 1 0,5 ; 0 0,5; 0 0,6 ; 0 1);

max (0 1; 0 0,8; 1 0,3 ; 0 0; 0 0,6; 0 1);

22
Na realidade, quando se tem uma entrada no-fuzzy, possvel efetuar uma simplificao na
expresso para B* ( y ) . Como x 0 apenas em um ponto (x = x'), a operao sup torna-se

desnecessria e, em consequncia:

B ( y ) = [ A ( x' ) A B ( x' , y )] = [1 A B ( x' , y )] = A B ( x' , y )

* *

Utilizando este resultado e refazendo o exemplo (mantendo a mesma implicao e ainda

com A ( x) = {0; 0; 1; 0; 0; 0}), verifica-se que o procedimento bem mais simples. Basta

observar que A ( x' ) = 0,7 [i.e. 1 A ( x' ) = 0,3) ] e substituir na expresso:

B ( x, y ) = A B ( x' , y ) = max [1 A ( x' ), B ( y )]

B ( x, y ) = {0,3 {0,3; 0,8; 1; 0,5; 0}} = {0,3; 0,8; 1; 0,5; 0,3}

Considere-se, agora, a implicao A B ( x, y ) = 1 min [ A ( x),1 B ( y )] e conjuntos fuzzy A

e B, representados por funes de pertinncia triangulares, em universos contnuos. O
consequente ser dado pela funo de pertinncia B* ( y ) =1 min [ A ( x' ),1 B ( y )] . As

operaes acima podem ser representadas graficamente como:

Premissa 1 (informao ou entrada):

1 A*

x' x
Regra (implicao): se A ento B

1 A (x) 1 B (y)

x y

Operaes (passo a passo), observando que A (x') < 1:

1-B (y)
1 1
A (x')
min [A (x'), 1-B (y)]
y y

23
Resultado final (consequente ou sada):

1 B ( y)
*

Para a implicao considerada, observa-se que o resultado de uma regra especfica, cujo
consequente associado a um conjunto fuzzy com suporte finito, um conjunto fuzzy com
suporte infinito. Este comportamento, que observado tambm para outras implicaes, viola
o senso comum, de importncia em aplicaes de engenharia.

Este exemplo pode ser repetido para outras implicaes e o problema aqui apresentado
persiste. Observa-se, portanto, que a utilizao de implicaes inspiradas na lgica tradicional
pode levar a concluses sem muito sentido quando o enfoque de aplicaes em engenharia,
onde a noo de causa e efeito tem um papel relevante. Em virtude disto, a necessidade fez
com que fossem definidas outras implicaes, mesmo rompendo o vnculo com a lgica
proposicional.

Os primeiros problemas de aplicao de lgica fuzzy situaram-se na rea de Controle, quando

foram definidas as implicaes min e produto, que tm sido, desde ento, as mais usadas em
engenharia. A tabela verdade destas implicaes, em lgica proposicional tradicional, mostra
que a implicao verdadeira somente quando ambos o antecedente e o consequente forem
verdadeiros (como a tabela verdade de e). O uso da implicao min fornece como resultado:

B ( y ) = A ( x' ) B ( y )
*

Considerando funes de pertinncia triangulares, por exemplo, a funo de pertinncia

B ( y ) ter uma forma trapezoidal, conforme pode ser visto na figura a seguir. O uso da
*

implicao produto, fornece a funo de pertinncia B* ( y ) tambm mostrada na figura.

Com ambas as implicaes, B* ( y ) corresponde a um conjunto fuzzy associado exatamente

com o consequente da regra e com suporte finito. Alm disso, pode ser verificado que
B ( y ) = 0 para todo x x', o que muito mais condizente com aplicaes em engenharia.
*

24

1 A (x) min 1 B (y)
B ( y)
*

x' x y

produto 1 B (y)
B ( y)
*

O grau de pertinncia de x' em A estabelece o grau de ativao de uma determinada regra.

Quanto mais a entrada for compatvel com o antecedente da regra, mais peso ter o seu
consequente no resultado final. Se A ( x' ) = 1 , indicando "compatibilidade total" de x' com A,
B* ser o prprio conjunto B.

Foi visto na seo 2.8 que vrios antecedentes conectados por e, assim como sentenas
lingusticas (ou regras) conectadas por ou, podem ser traduzidas matematicamente por meio
do ferramental de lgica fuzzy (faz-se uso dos operadores fe , fou e f). Quanto ao operador de
implicao, a extenso da lgica proposicional para a lgica fuzzy e as subsequentes
discusses sobre a necessidade de, em aplicaes, preservar-se a noo de causa e efeito,
fornecem elementos suficientes para se realizar uma boa escolha. Apesar de min e produto
serem efetivamente os mais empregadas em aplicaes, muitos outros operadores de
implicao tm sido sugeridos na literatura de lgica fuzzy, conforme pode ser verificado nas
referncias apresentadas ao final deste texto. De uma maneira geral utilizam-se normas-t em
associao com a implicao. Quanto aos operadores fe e fou, normalmente utilizam-se
normas-t (particularmente min) em associao com o primeiro, e co-normas-t (particularmente
max) em associao com o segundo. No modus ponens generalizado, a norma-t mais utilizada
min, dando origem regra de inferncia max-min (ou sup-min).

25
4. SISTEMA DE INFERNCIA FUZZY

Um Sistema de Inferncia Fuzzy mostrado na figura abaixo, onde esto identificadas as

funes de cada bloco.

fornecidas por especialistas ou

extradas de dados numricos

para ativar para fornecer a

REGRAS sada precisa
as regras

FUZZIFICAO DEFUZZIFICAO
Entradas Sada
precisas precisa
INFERNCIA
conjuntos fuzzy conjunto fuzzy
de entrada de sada

mapeia conjuntos fuzzy em conjuntos fuzzy

determina como as regras so ativadas e combinadas

Neste Sistema de Inferncia Fuzzy, consideram-se entradas no-fuzzy, ou precisas

resultantes de medies ou observaes (conjuntos de dados, por exemplo) , que o caso da
grande maioria das aplicaes prticas. Em virtude disto, necessrio efetuar-se um
mapeamento destes dados precisos para os conjuntos fuzzy (de entrada) relevantes, o que
realizado no estgio de fuzzificao. Neste estgio ocorre tambm a ativao das regras
relevantes para uma dada situao.

Uma vez obtido o conjunto fuzzy de sada atravs do processo de inferncia (modus ponens
generalizado), no estgio de defuzzificao efetuada uma interpretao dessa informao.
Isto se faz necessrio pois, em aplicaes prticas, geralmente so requeridas sadas precisas.
No caso de uma sistema de controle, por exemplo, em que o controle efetuado por um
sistema de inferncia fuzzy (ou controlador fuzzy), este deve fornecer planta dados ou sinais
precisos, j que a "apresentao" de um conjunto fuzzy entrada da planta no teria
significado algum. Existem vrios mtodos de defuzzificao na literatura; dois dos mais

26
empregados so o centro de gravidade e a mdia dos mximos. Neste, a sada precisa obtida
tomando-se a mdia entre os dois elementos extremos no universo que correspondem aos
maiores valores da funo de pertinncia do consequente. Com o centro de gravidade, a sada
o valor no universo que divide a rea sob a curva da funo de pertinncia em duas partes
iguais.

As regras podem ser fornecidas por especialistas, em forma de sentenas lingusticas, e se

constituem em um aspecto fundamental no desempenho de um sistema de inferncia fuzzy.
Novamente tomando o exemplo de um controlador fuzzy, este s ter um bom desempenho se
as regras que definem a estratgia de controle forem consistentes. Extrair regras de
especialistas na forma de sentenas do tipo se ... ento pode no ser uma tarefa fcil, por mais
conhecedores que eles sejam do problema em questo. Alternativamente ao uso de
especialistas para a definio da base de regras, existem mtodos de extrao de regras de
dados numricos. Este mtodos so particularmente teis em problemas de classificao e
previso de sries temporais.

No estgio de inferncia ocorrem as operaes com conjuntos fuzzy propriamente ditas:

combinao dos antecedentes das regras, implicao e modus ponens generalizado. Os
conjuntos fuzzy de entrada, relativos aos antecedentes das regras, e o de sada, referente ao
consequente, podem ser definidos previamente ou, alternativamente, gerados
automaticamente a partir dos dados.

Um aspecto importante a definio dos conjuntos fuzzy correspondentes s variveis de

entrada (antecedentes) e (s) de sada (consequente(s)), pois o desempenho do sistema de
inferncia depender do nmero de conjuntos e de sua forma. Pode-se efetuar uma sintonia
"manual" das funes de pertinncia dos conjuntos, mas mais comum empregarem-se
mtodos automticos. A integrao entre sistemas de inferncia fuzzy e redes neurais
originando os sistemas neuro-fuzzy ou algoritmos genticos tem se mostrado adequada para
a sintonia de funes de pertinncia, assim como para a gerao automtica de regras.

De modo a verificar o funcionamento completo de um sistema de inferncia fuzzy, considere-

se o problema do estacionamento de um veculo, cuja posio determinada pelas variveis x
(distncia no eixo horizontal) e (ngulo do veculo em relao ao eixo horizontal). A
varivel de sada (ngulo da roda do veculo), conforme indicado na figura a seguir:

27
 x

x: central (CE)
ponto de parada = 90 o ou vertical (VE)

A base de regras, que constitui a estratgia de estacionamento do veculo, dada em "forma

matricial":

x
LE LC CE RC RI
RB PS PM PM PB PB
RU NS PS PM PB PB
RV NM NS PS PM PB
VE NM NM ZE PM PM
LV NB NM NS PS PM
LU NB NB NM NS PS
LB NB NB NM NM NS

A leitura das regras a partir desta matriz exemplificada para a clula sombreada (PS):

se (x LE) e ( RB) ento ( PS),

onde RB, LE e PS so os rtulos atribudos aos conjuntos fuzzy que representam os valores
lingusticos de cada varivel (sete para as variveis e , e cinco para a varivel x).

Neste problema, considerar-se- min para representar tanto a norma-t no modus ponens
generalizado, como a implicao e o operador fe que expressa a combinao dos antecedentes
de cada regra (dois, neste caso). Para fou (unio das regras) ser utilizado o max.

Os conjuntos fuzzy correspondentes a cada uma das variveis esto representados por suas
funes de pertinncia nas figuras a seguir. Os valores de x e em um determinado instante
(ou situao) so: x' = 65 m; ' = 113.

28
 LE LC CE RC RI

0 10 20 30 40 50 60 70 80 90 100
x
x'

RB RU RV VE LV LU LB

-90 -45 0 45 90 135 180 225 270

'

NB NM NS ZE PS PM PB

-30 -20 -15 -10 0 10 15 20 30

As regras ativadas so aquelas com os seguintes antecedentes (com os graus de pertinncia

aproximados de x' e ' nos conjuntos assinalados entre parnteses):

para a varivel x: RI (0,2) e RC (0,7)

para a varivel : LV (0,9) e VE (0,5)

Da base de regras, verifica-se que as regras concernentes a esta situao so as sombreadas:

x
LE LC CE RC RI
De forma explcita:
RB PS PM PM PB PB
RU NS PS PM PB PB se (x RC) e ( VE) ento ( PM) ou
RV NM NS PS PM PB
se (x RC) e ( LV) ento ( PS) ou
VE NM NM ZE PM PM
LV NB NM NS PS PM se (x RI) e ( VE) ento ( PM) ou
LU NB NB NM NS PS se (x RI) e ( LV) ento ( PM)
LB NB NB NM NM NS

29
Na expresso para a funo de pertinncia do conjunto fuzzy resultante para cada uma das
regras ativadas deve-se levar em conta que, neste caso, h dois antecedentes, os quais devem
ser combinados por min (conforme j especificado):

B ( ) = ( A ( x' ) A ( ' )) B ( )
*
1 2

onde A1 simboliza os valores (conjuntos fuzzy) da varivel x, A2, os da varivel , e B, os da

varivel . Observe-se que ao conjunto B* no corresponder um rtulo pr-especificado.
Para cada uma das regras ativadas tem-se, portanto:

PM ( ) = ( RC ( x' ) VE ( ' )) PM ( ) = (0,7 0,5) PM ( ) = 0,5 PM ( )

*

PS ( ) = ( RC ( x' ) LV ( ' )) PS ( ) = (0,7 0,9) PS ( ) = 0,7 PS ( )

*

PM ( ) = ( RI ( x' ) VE ( ' )) PM ( ) = (0,2 0,5) PM ( ) = 0,2 PM ( )

*

PM ( ) = ( RI ( x' ) LV ( ' )) PM ( ) = (0,2 0,9) PM ( ) = 0,2 PM ( )

*

A seguir efetuada a unio das regras acima, por meio do conectivo fou, que conforme
especificado, o max. Verifica-se que o conjunto de sada PM ocorre em trs ocasies e que,
embora no seja imprescindvel faz-lo por escrito (bastaria ter isto em mente no
procedimento grfico), aps a aplicao do operador max (ou da unio) restaro para compor
o conjunto fuzzy de sada:
PM ( ) = 0,5 PM ( )
*

PS ( ) = 0,7 PS ( )
*

Este resultado est mostrado na figura abaixo, onde ' representa o valor aps defuzzificao
pelo centro de gravidade (aproximadamente):

NB NM NS ZE PS PM PB

-30 -20 -15 -10 0 10 15 20 30

'

A partir deste exemplo podem ser feitas algumas observaes importantes. As formas
adotadas para as funes de pertinncia dos conjuntos fuzzy tm mais relevncia quando o
mtodo de defuzzificao o do centro de gravidade, em contraposio ao da mdia dos

30
mximos. Este, no exemplo acima, privilegiaria o conjunto fuzzy de sada PS; o valor de '
seria o mesmo que se obteria com apenas um regra ativada (a de consequente PS). Na
escolha de um mtodo ou outro, deve-se decidir se importante considerar as contribuies
de todas as regras ativadas ou se desejvel levar em considerao apenas aquelas com maior
grau de ativao. Cabe salientar, entretanto, que no exemplo foi considerada apenas uma
situao particular, em um determinado instante de tempo, no processo de estacionamento de
um veculo; em situaes sucessivas, eventuais diferenas devidas utilizao de um ou outro
mtodo de defuzzificao podem se tornar pouco representativas no final.

O nmero de funes de pertinncia foi estabelecido de forma arbitrria; um eventual mau

desempenho no estacionamento do veculo poderia requerer um ajuste nesse nmero.
perfeitamente claro que o nmero de regras possveis funo direta do nmero de conjuntos
fuzzy considerados para cada antecedente (no exemplo em questo tem-se 5 7 = 35 regras
possveis). Quanto maior o nmero de conjuntos atribudos aos antecedentes, maior a
dificuldade de se estabelecer uma base de regras consistente. Um procedimentos automtico
de escolha do nmero conjuntos torna este problema menos relevante (ou menos penoso para
o projetista), mas mesmo assim, h que considerar que uma base de regras muito grande
acarreta um maior custo computacional. Alm disso, fornece uma quantidade excessiva de
informao ao usurio, que, ao optar por um sistema fuzzy, esperaria obter uma estratgia de
ao interpretvel, inclusive do ponto de vista lingustico.

Poderia ser necessrio, tambm, um ajuste nas formas das funes de pertinncia, que foram
estabelecidas com base no bom senso. Por exemplo, verifica-se que o suporte do conjunto
fuzzy de sada ZE menor do que nos restantes. Isto se deve busca por uma maior preciso
quando se est prximo da situao final de um estacionamento correto (x "no centro" e "na
vertical"). A regra se (x CE) e ( VE) ento ( ZE) indica que, nesta situao, as rodas
no devem ser giradas ( deve ser "zero"). Se o suporte de ZE fosse maior, a ao "zero"
ocorreria para uma faixa maior de valores relativos posio do veculo em um dado instante,
correndo-se o risco de no tomar atitude corretiva quando necessrio. Se o suporte de ZE
fosse muito pequeno, este seria ativado somente em situaes muito prximas do
estacionamento final. Os conjuntos adjacentes a ZE responderiam, provavelmente de maneira
alternada, pelo posicionamento das rodas, causando oscilaes indesejveis no final da
trajetria.

31
Em resumo, o desempenho de um sistema de inferncia fuzzy depende da escolha de uma
base de regras adequada e do nmero e forma dos conjuntos atribudos a cada varivel. Pode-
se inserir a tambm a escolha do operador de implicao e do mtodo de defuzzificao, que
tambm pode se valer de procedimentos automticos (via algoritmos genticos, por exemplo).

4. COMENTRIOS FINAIS

Neste texto foram apresentados, de modo sucinto, os conceitos fundamentais de Conjuntos

Fuzzy e uma introduo Logica Fuzzy e a mecanismos de inferncia fuzzy. O sistema de
inferncia fuzzy aqui abordado do tipo inicialmente concebido por Zadeh e outros
pesquisadores, entre os quais E.H. Mamdani, que deu incio a aplicaes de carter prtico na
dcada de 70c. Em virtude disso, este tipo de sistema de inferncia muitas vezes
referenciado, hoje em dia, como sendo do tipo Mamdani.

Aps os trabalho iniciais de Mamdani e associados, surgiram inmeras outras aplicaes de

lgica fuzzy em Controle, inclusive em escala industrial. Uma das mais bem sucedidas vem
sendo utilizada at hoje em plantas de produo de cimento, onde controladores fuzzy so
usados para fornecer sinais de referncia para controladores do tipo PID, ou seja, aqueles no
atuam diretamente sobre a planta, mas em um nvel hierrquico superior. O sucesso desta
aplicao deveu-se em muito ao fato de os operadores humanos (especialistas) terem sido
capazes de traduzir consistentemente, em termos de regras lingusticas, as atitudes que
tomavam no ajuste dos sinais de referncia para os controladores PID.

Um outro sistema de inferncia que se tornou extremamente bem sucedido foi concebido por
H. Takagi e M. Sugenod, o qual difere do de Mamdani na parte do consequente, que uma
funo linear das variveis dos antecedentes: se x1 A1 e x2 A2 , ento z = f (x1, x2). A
funo f , em geral, um polinmio e o sistema de inferncia geralmente referenciado em
funo do grau deste polinmio. Por exemplo: em um sistema de inferncia Takagi-Sugeno de
ordem zero a sada z uma constante, o que equivalente a um sistema Mamdani com um

c
Mamdani, E.H. (1974). "Application of Fuzzy Algorithms for Control of Simple Dynamic Plant". Proceedings
of the IEE (Control and Science), Vol. 121: 298-316.
d
Takagi, T. & Sugeno, M. (1985). "Fuzzy Identification of Systems and its Applications to Modelling and
Control". IEEE Trans. on Systems, Man & Cybernetics, Vol. 15: 116-132.

32
singleton como consequente. Essencialmente, num sistema Takagi-Sugeno deste tipo, o
espao no linear subdividido em vrias regies lineares, o que evidentemente facilita o
projeto.

Conforme afirmado anteriormente, os sistemas de inferncia fuzzy tiveram suas aplicaes

iniciais concentradas na rea de Controle, onde se procurava modelar por meio de regras
lingusticas o modo aproximado de raciocnio, tentando imitar a habilidade humana de tomar
decises racionais em um ambiente de incerteza e impreciso. Posteriormente, a gama de
aplicaes cresceu consideravelmente, principalmente quando os sistemas de inferncia fuzzy
se tornaram tambm capazes de lidar com o conhecimento objetivo expresso em dados
numricos, por exemplo. Um passo importante neste sentido foi o aparecimento dos sistemas
hbridos neuro-fuzzy, onde um sistema de inferncia fuzzy estruturado segundo uma rede
neural, cujas camadas correspondem s diversas fases do processo de inferncia. Esta
hibridizao faz uso da capacidade de aprendizado das redes neurais para a sintonia dos
parmetros de sistemas fuzzy, facilitando bastante o seu projeto e permitindo aplicaes de
sucesso em reas como classificao e previso de sries temporais.

A utilidade da teoria de conjuntos fuzzy em reconhecimento de padres e anlise de clusters

foi reconhecida desde os anos 60 e atualmente a literatura a respeito bastante vasta. Os
livros listados na Bibliografia contm inmeras referncias a esses assuntos.

Dentre os vrios tipos de conjuntos fuzzy, aqueles definidos no conjunto dos nmeros reais
tm um significado especial. Funes de pertinncia destes conjuntos tm um significado
claramente quantitativo e podem, sob certas condies, ser vistos como nmeros fuzzy.
Operaes com nmeros fuzzy deram origem aritmtica fuzzy, que se constitui numa
ferramenta bsica em raciocnio aproximado. Nmeros fuzzy so tambm utilizados na
formulao de problemas de programao linear fuzzy, de previso e planejamento.

Quanto a softwares para auxlio ao projeto e implementao de sistemas fuzzy, existe a Fuzzy
Toolbox do Matlab e inmeros outros dedicados a determinados tipos de aplicaes, como,
por exemplo, os desenvolvidos na Universidade de Magdeburg (NEFCON, NEFCLASS e
NEFPROX e outros), disponveis para download em http://fuzzy.cs.uni-magdeburg.de/.

33
A bibliografia apresentada a seguir apenas uma pequena amostra do vasto nmero de
publicaes sobre o assunto que se convencionou denominar Lgica Fuzzy, mas que muito
mais amplo do que isto. Grande parte dos livros listados tm muitos tpicos em comum, s
vezes com enfoques diferentes do ponto de vista formal; todos eles contm listas completas de
referncias a publicaes relevantes na rea de sistemas fuzzy. No haveria sentido, portanto,
em apresentar aqui uma extensa lista destas publicaes; so mencionadas apenas algumas
das que so consideradas importantes como motivadores de determinadas abordagens ou
aplicaes (alm das j citadas em notas de rodap) .

5. BIBLIOGRAFIA

Livros:
Altrock, C. (1995). Fuzzy Logic & Neuro-Fuzzy Applications Explained, Prentice-Hall.
Driankov, D., Hellendoorn, H., Reinfrank, M. (1993). An Introduction to Fuzzy
Control. Springer-Verlag.
Dubois, D. & Prade, H. (1980). Fuzzy Sets and Fuzzy Systems: Theory and
Applications, Academic Press.
Klir, G. J. & Folger, T. A. (1988). Fuzzy Sets, Uncertainty and Information, Prentice
Hall.
Klir, G. J. & Yuan, B. (1995). Fuzzy Sets and Fuzzy Logic Theory and Applications.
Prentice Hall.
Lin, C-T. & Lee, C.S. G. (1996). Neural Fuzzy Systems, Prentice Hall.
Pedrycz, W. & Gomide, F. (1998). An Introduction to Fuzzy Sets: Analysis and Design.
MIT Press.
Zimmermann, H-J. (1994). Fuzzy Set Theory and Its Applications. 2nd Edition, Kluwer
Academic Publishers.

Tutoriais:
Gomide, F., Gudwin, R., Tanscheit, R. (1995). Conceitos Fundamentais da Teoria de
Conjuntos Fuzzy, Lgica Fuzzy e Aplicaes. Proc. 6th IFSA Congress -Tutorials, pp.
1-38, So Paulo, Brasil.
Mendel, J. M. (1995). "Fuzzy Logic Systems for Engineering: a Tutorial". Proc. IEEE,
Vol. 83: 345-377.

34
Artigos pioneiros
Baldwin, J.F. (1979). "A New Approach to Approximate Reasoning using a Fuzzy
Logic". Fuzzy Sets and Systems, Vol 2:309-325
Belmann, R.E. & Zadeh, L.A. (1970). "Decision Making in a Fuzzy Environment".
Management Science, Vol. 17: 141-164.
Kickert, W.J.M. & Van Nauta Lemke, H.R. (1976). "The Application of a Fuzzy
Controller In a Warm Water Plant". Automatica, Vol. 12: 301-308.
Mamdani, E.H. & Assillan, S. (1975). "An Experiment in Linguistic Synthesis with a
Fuzzy Logic Controller". International Journal of Man-Machine Studies, Vol. 7: 1-13.
Mamdani, E.H., (1977). "Applications of Fuzzy Logic to Approximate Reasoning
using Linguistic Synthesis", IEEE Trans. Computers, Vol. 126: 1182-1191.
Gaines, B. R. , (1976). "Foundations of Fuzzy Reasoning". Int. Journal of Man-
Machine Studies, Vol. 8: 623-668.
Sugeno, M. & Kang, G.T. (1986). "Fuzzy Modelling and Control of Multilayer
Incinerator". Fuzzy Sets and Systems, Vol. 18: 329-346.
Zadeh, L.A. (1973). "Outline of a New Approach to the Analysis of Complex Systems
and Decision Processes". IEEE Trans. on Systems Man & Cybernetics, Vol.3: 28-44.
Zadeh, L.A. (1976). "A Fuzzy Algorithmic Approach to the Definition of Complex or
Imprecise Concepts". Int. Journal of Man-Machine Studies, Vol. 8:249-291.
Zadeh, L.A. (1976). "Fuzzy Sets as a Basis for a Theory of Possibility". Fuzzy Sets and
Systems, Vol. 1: 3-28.

35