Escolar Documentos
Profissional Documentos
Cultura Documentos
ApostilaFuzzy PDF
ApostilaFuzzy PDF
Ricardo Tanscheit
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.
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
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' ) = 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.
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
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
25 50 75 temperatura (C)
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.
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
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 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:
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.
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
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
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
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
Leis de De Morgan:
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.
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.
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 )
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
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
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:
= {( x1 , z 2 ), max [0,0,0,0)]} = 0
12
R ( x, z ) = P Q ( x, z ) = sup [ P ( x, y ) Q ( y, z )]
P( X , Y ) = Maria 1
0,1 0 0,5
Q(Y , Z ) =
0 0,3 0,7 0
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
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.
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.
A={
Considerem-se:
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
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 )) ,
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 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
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.
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:
So tambm utilizadas:
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.
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
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.
( p q ) ~ [ p (~ q )]
( p q ) [ (~ p ) q ]
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 )]
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
Premissa 1: xA
Premissa 2: se (x A) ento (y B)
Consequncia: yB
19
3.2. Lgica Fuzzy
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.
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*
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
A B ( x, y ) = max [1 A ( x), B ( y )] ,
tem-se:
1 1 1 1 1
1 1 1 1 1
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);
max (0 1; 0,3 0,8; 0,8 0,5 ; 1 0,5; 0,7 0,6 ; 0,2 1);
( y ) = max (0; 0,3; 0,8; 1; 0,7; 0,2); = {0,6; 0,8; 1; 0,6; 0,6}
B
( y ) = { 0,3; 0,8; 1; 0,5; 0} , que
muito comum, em aplicaes, ter-se como "informao" dados (ou entradas) no-fuzzy, i.e.
1 para x = x'
A ( 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:
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:
x' x
Regra (implicao): se A ento B
1 A (x) 1 B (y)
x 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.
B ( y ) = A ( x' ) B ( y )
*
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)
*
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
FUZZIFICAO DEFUZZIFICAO
Entradas Sada
precisas precisa
INFERNCIA
conjuntos fuzzy conjunto fuzzy
de entrada de sada
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.
27
x
x: central (CE)
ponto de parada = 90 o ou vertical (VE)
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):
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
'
NB NM NS ZE PS PM PB
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
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
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.
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
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.
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