Escolar Documentos
Profissional Documentos
Cultura Documentos
ale.garcia.aguado@gmail.com, marcoadc@br.ibm.com
1. Introduo
Considerando os problemas reais que cercam a sociedade hoje tanto nas indstrias, no
comrcio ou mesmo no dia a dia das pessoas, fica claro a ausncia de certezas absolutas
quanto a alguns aspectos. Heisenberg em 1927 j falava sobre o princpio da incerteza
que serviu como alicerce principal da teoria quntica. Este prncipio mais tarde iria
auxiliar no desenvolvimento da lgica fuzzy, onde sua forma de raciocinar muito
semelhante ao modelo de racioco humano, baseado em aproximaes e cercado de
incertezas e suposies.
Esses algortmos so amplamente utilizados atualmente em diversas reas como:
robtica, automao de linhas de produo, simulaes financeiras entre outras.
O sistema lgico apresentado pela lgica fuzzy quando aplicado vai alm do
raciocnio booleano, pois busca atribuir graus para os elementos em questo de forma
que a resposta contido ou no contido somente, no satisfaz e busca-se saber o quo
contido ou o quo no contido esta determinado elemento.
2. Lgica Fuzzy
A lgica fuzzy, tambm conhecida como lgica nebulosa ou difusa se tornou conhecida
a partir de 1965 quando o professor Lofti Zadeh publicou o artigo Fuzzy Sets no journal
Information and Control, porm como afirma Cox(1994) os princpios apresentados por
esta lgica j existiam bem antes. Por volta de 1920 um polons chamado Jan
Luasiewicz (1878-1956) utilizando-se do principio da incerteza, apresentou pela
primeira vez as noes da lgica dos conceitos vagos onde admissvel um conjunto
com valores no precisos.
Segundo Cox(1994) o que diferencia a lgica fuzzy da lgica booleana a capacidade
desta de se aproximar do mundo real onde no existe somente respostas extremas. A
lgica fuzzy da espao ao meio termo apresentando ainda a possibilidade de mensurar o
grau de aproximao da soluo exata e assim inferir algo que seja necessrio.
KLIR (1995) j apresenta que a principal diferena entre a lgica clssica e a lgica
fuzzy esta no range que cada uma delas tem como valores verdadeiros ou valores
respostas. Enquanto a lgica clssica prope que esses valores seja verdadeiro ou falso a
lgica fuzzy prope que isso seja uma questo de grau.
Devido a esta adaptabilidade e proximidade com problemas do mundo real a lgica
fuzzy foi crescendo com o passar dos anos e teve grande expanso durante a dcada de
80 tendo o Japo como um dos principais locais para seu crescimento. Segundo Von
Altrock (1996) so diversas as reas onde se encontram aplicaes da lgica fuzzy
como: controle de fluxo de caixa, anlise de risco, controle de estoques, avaliaes,
controle de qualidade entre outros, ganhando maior espao atualmente em otimizaes e
automao industrial devido sua facilidade de retratar a lgica da racionalidade humana
ao resolver problemas.
Quando um determinado problema apresenta um grande grau de incerteza necessrio
que para soluo deste se utilize um modelo matemtico que contemple essa
especificidade e no desconsidere aspectos que possam ser ignorados na aplicao de
lgicas tradicionais. Como afirma Cox(1994), para esses casos a lgica fuzzy
amplamente recomendada pois apresenta um modelo capaz de combinar a impreciso
associada aos eventos naturais e o poder computacional das mquinas produzindo assim
sistemas de respostas inteligentes.
Segundo Von Altrock(1996) um dos grandes objetivos inerentes a lgica fuzzy se
aproximar em sua lgica, da forma com que o raciocnio humano relaciona as
informaes buscando respostas aproximadas aos problemas, por isso o grande foco
desta lgica a soluo de problemas cuja as informaes presentes sejam incertas.
As figuras 1, 2 e 3 foram baseadas em um dos exemplo citados por Cox(1994) para
exemplificar a lgica fuzzy e sua aplicao. Em exemplos posteriores sero abordados o
mesmo caso para que se identifique os conceitos bsicos relacionados a lgica fuzzy.
Considerando ento a figura 1, a questo relacionada a ela a seguinte: Os copos esto
cheios ou vazios? Considerando que no h nenhum lquido neles obviamente a
resposta seria vazio.
Figura 1. Exemplo de copos vazios
O jogador Antonio esta jogando mal, o Joo esta jogando bem mas o
Carlinhos esta jogando muito mal!
Esta frase uma tpica frase que analisando-se atravs da lgica fuzzy possvel
tomar algumas aes. Colocando-se no lugar do tcnico do time em questo ao ter essa
frase como matria-prima para uma tomada de deciso e interferir na forma de jogar do
time ele pode levantar a questo:
Sem muitas clculos ou dados exatos como posse de bola, chutes a gol ou algo
do tipo o pensamento humano iria conduzir a reflexo de forma semelhante a esta:
Nota-se que neste exemplo no existem limites bem definidos quanto ao jogar
bem ou mal porm atravs de abstraes e analogias possvel concluir algo. Os termos
mal, bem e muito mal so as chamadas variveis lingusticas pois possibilitam enumerar
matematicamente qual a proximidade desses jogadores do jogar totalmente bem e do
jogar totalmente mal.
Considerando a incerteza presente nesses casos extremamente vlido lembrar
que as incertezas somente podem ser levadas em considerao se for possvel diante de
uma determinada situao efetuar aproximaes e clculos que levem a alguma
concluso vlida.
Diante deste contexto na lgica fuzzy existe algo chamado funo de pertinncia
que vem a ser um mapeamento matemtico de cada valor nmerco possvel para as
variveis lingusticas. Nota-se neste momento a importncia em aproximar a lxica do
modelo matemtico para que assim seja possvel concluses vlidas sobre o problema.
Um exemplo clssico apresentado em grande parte das literaturas sobre lgica
fuzzy o exemplo da temperatura trmica. Para exemplificar as funes de pertinncia,
considere a figura 4, onde atravs de alguns grficos so representadas quatro variveis
trmicas: frio, conforto, relativamente quente e quente. Estas variveis so relativas a
uma anlise sobre temperatura e conforto.
Figura 4. Exemplo de funo de pertinncia de variveis lingusticas
2.2.1 Fuzzificao
Neste exemplo a varivel lingustica esta sendo representada com palavras mas
esta atribuio de graus poderia tambm ser feita atravs de valores numricos.
2.2 Inferncia
2.2.3 Defuzzificao
Se w Y ento D A
Se x X ento O B
Se y Z ento D C
4. Concluses
Este trabalho introduziu os conceitos inerentes a lgica fuzzy e sua aplicao na soluo
de problemas reais.
Aps esses estudos conclui-se que a lgica fuzzy amplamente indicada para
soluo de problemas reais onde necessrio solue no necessariamente timas. A
possibilidade de se gerar sadas reais quando as variveis de entrada no
necessariamente so reais e exatas permite fazer inferncias que jamais seriam possveis
utilizando-se da lgica tradicional.
Outro ponto a se destacar que a anlise do problema bastante importante para
decidir se deve utilizar a lgica fuzzy ou uma lgica boolena, pois dependendo as
caractersticas do problema a lgica booleana pode ser mais indicada.
Por fim, no que diz respeito a lgica fuzzy em Inteligncia Artificial fica claro a
grande aplicabilidade desta por se assemelhar a forma humana de raciocinar e tomar
decises.
5. Referencias
COX, Earl. The fuzzy systems handbook: a practitioners guide to building, using, and
maintaining fuzzy systems . New York: AP Professional, 1994.
KLIR, George J; YUAN, BO Fuzzy Sets and Fuzzy Logic: Theory and Applications .
New Jersey: Prentice Hall PTR, 1995.
LUO, Jia; LAN, Edward. Fuzzy Logic Controllers For Aircraft Flight Control. Kansas:
University of Kansas, 1995.
VON ALTROCK, Constantin. Fuzzy logic and neuroFuzzy applications in busines and
finance. New Jersey: Prentice Hall PTR, 1996.