Lgica Fuzzy

Alexandre Garcia Aguado, Marco Andr Cantanhede

Faculdade de Tecnologia Univerdade Estadual de Campinas (UNICAMP)

Rua Paschoal Marmo, 1888 13484-332 Limeira SP Brazil

ale.garcia.aguado@gmail.com, marcoadc@br.ibm.com

Abstract. This article describes an introduction to Fuzzy Logic and its

contributions to the Artificial Intelligence area, which is one of the
evaluations of the discipline FT011 - Artificial Intelligence of Faculdade de
Tecnologia of UNICAMP.

Resumo. Este artigo apresenta uma introduo a Lgica Fuzzy e suas

contribuies para rea de Inteligncia Artifical, sendo este uma das
avaliaes da disciplina FT011 Inteligncia Artificial da Faculdade de
Tecnologia da Unicamp.

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

De maneira semelhante, observando a figura 2 se for repetida a mesma pergunta

obviamente a resposta seria cheios.

Figura 2. Exemplo de copos cheios

Considerando as duas figuras apresentadas at o momento no existe nenhuma incerteza

quanto as respostas apresentadas ou algo que possa se opor a veracidade delas. Porm
analisando a figura 3 no se pode afirmar com tanta preciso qual seria a resposta para a
pergunta: Os copos esto cheios ou vazios?
 Figura 3. Exemplo de copos com medida variada

Diante dessa dificuldade de se responder de forma exata a pergunta no caso da figura 3

surge a possibilidade de se fazer afirmaes como: O copo da esquerda esta meio cheio
e meio vazio enquanto O copo da direita esta quase totalmente cheio.Eis o ponto
principal da lgica fuzzy. Atravs dessas afirmaes incertas foram criadas
linguisticamente escalas de valores que buscam quantificar a quantidade de gua dos
copos buscando uma aproximao dos estremos apresentados na Figura 1 e na Figura 2.
Com essas duas afirmaes o que acabou de ser feito foi a criao das chamadas
variveis lingusticas que diferentemente da lgica tradicional, para a lgica fuzzy so
de extrema relevncia pois possibilitam captar o grau de incerteza presente nessas
variveis e traduzir para um modelamento matemtico. Esta possibilidade da lgica
fuzzy chamada grau de participao ou tambm conhecido como funo de
pertinncia.

2.1 A lgica Fuzzy, raciocnio aproximado e as variveis lingusticas

Existem algumas questes e problemas em que no possvel ou aplicvel respostas

determinsticas, abrindo espao ento para raciocnios aproximados que leve a um
entendimento maior sobre o problema em questo. Este modelo de aproximao no e
algo raro mas sim bastante presente no mundo real pois grande parte dos eventos de
nosso cotidiano pode ser entendido de forma aproximada considerando os meio-termos
cabveis a cada fato.
Cox(1994) afirma que a lgica fuzzy traz consigo a ideia de medida, ou aplicao
de uma mtrica onde aparentemente a questo parece ser vaga. Essas mtricas quando
aplicadas aproxima a questo de algumas suposies possveis.
Von Altrock(1996) apresenta as variveis lingusticas como sendo o vocabulrio
da lnguagem fuzzy, pois so expresses presentes na linguagem humana e que quando
traduzidas ou interpretadas podem levar a concluses importantes.
Considerando o mundo do futebol como exemplo, a afirmao abaixo algo
bastante comum:

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:

Tenho somente uma substituio, qual dos jogadores irei tirar?

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:

O Antnio um candidato a sair do time, o Joo eu no posso tirar de forma

alguma porm o Carlinhos tambm esta jogando muito mal. O Carlinhos esta
jogando bem menos que o Antnio ento vou tirar o Carlinhos.

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

bastante comum este tipo de representao ser apresentada em um nico

grfico, conforme pode-se verificar na figura 5. Nota-se que o nebuloso limite
entre as variveis fica bem claro atravs deste exemplo.

Figura 5. Exemplo de funo de pertinncia de variveis lingusticas

2.2 Sistema lgico fuzzy

O sistema lgico fuzzy consiste em trs operaes bsicas. A figura 6 adaptada

de Cox (1994) revela essas operaes bsicas.

Figura 6. Sistema lgico fuzzy. Fonte: Cox (1994)

2.2.1 Fuzzificao

Nesta primeira etapa do Sistema Lgico fuzzy o problema analisado e os dados

de entrada so transformados em variveis lingusticas. Neste momento de extrema
importncia que todos os dados de impreciso e incerteza sejam considerados e
transformados em variveis linguisticas. Aps esta transformao so determinadas
tambm as funes de pertinncia.
Para melhor exemplificar essa etapa do sistema lgico fuzzy ser apresentado
novamente o exemplo dos copos cheios e vazios. Considera-se a figura 7 como ponto de
partida para esta reflexo.
 A B C
Figura 7. Copos

Observando a figura 7 pode-se fazer as seguintes afirmaes:

O copo A esta Muito Vazio;

O Copo B esta Muito Cheio;
O Copo B esta razoalmente cheio;

Considerando o volume dos copos a figura 8 apresenta as funes pertinncia

considerando as variveis lingusticas Muito Vazio, Muito Cheio e Razoavelmente
Cheio.

Figura 8. Funes de pertinncia

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

Considerando que na etapa anterior os dados de entrada j foram transformados em

variveis lingusticas, nesta segunda etapa o momento em que sero criadas as regras
ou proposies atravs da associao das variveis j criadas.
Conforme Cox (1994), as proposies so geradas do relacionamento entre as variveis
do modelo e a regio Fuzzy. Essas regras resultantes das associaes podem ser
condicionais ou no condicionais.
Esta fase do sistema lgico fuzzy pode ser dividido em dois componentes: agregao e
composio, conforme mostra a figura 9.

Figura 9. Inferncia Fuzzy. Fonte: Jan (2004)

Enquanto a agregao define a validade de uma regra, a composio define o resultado

obtido atravs de uma inferncia. Considerando a realidade do gerenciamento de
projeto, onde existem duas afirmaes:
O projeto A muito longo;
O risco do projeto Alto;
Sabe-se atravs da experincia do especialista em projetos que quanto maior a durao
do projeto, maior o risco. Imaginando que neste exemplo Durao do Projeto e Risco do
Projeto so duas variveis lingusticas com valores Muito Longo e Alto
respectivamente, pode-se inferir que:

Se o projeto MUITO LONGO Ento o Risco do Projeto ALTO.

Neste caso esta sendo apresentado a Agregao atravs da condio colocada e a
composio atravs do resultado relacionado a condio.

2.2.3 Defuzzificao

Segundo Cox(1994) a desfuzzificao a etapa em que os valores fuzzy so

convertidos em nmeros reais tendo assim um conjunto de sada
matematicamente definido. Utilizando-se do exemplo apresentado por
Cox(1994) considere os conjuntos fuzzy A, B e C produzindo uma varivel de
soluo D.

Se w Y ento D A
Se x X ento O B
Se y Z ento D C

Para encontrar o valor atual e real correspondente a d necessrio que se

encontre um valor que melhor represente a informao constante no conjunto D. Este
o processo chamado de defuzzificao, conforme apresentado na figura 10.

Figura 10. Processo de Defuzzificao Fonte: Cox(1994)

 Existem algumas diferentes tcnicas de desfuzzificao presentes nas literaturas
sendo que Cox(1994) ao se referir a esta etapa e aos diferentes mtodos afirma que este
mais prximo da prpria heurstica do que dos algortmos baseados nos Primeiros
Princpios. Alguns dos mtodos citados por Cox(1994) so:

Centroid, o mtodo onde a sada precisa a ser considerada o centro de

gravidade do conjunto fuzzy.

Maximum height, o mtodo onde a sada precisa se obtem tomando a mdia

entre os dois elementos extremos no universo de discurso que correspondem aos
maiores valores da funo de pertinncia do conjunto fuzzy de sada.

2.3 Aplicaes da Lgica Fuzzy

So diversas as reas onde a lgica fuzzy aplicada atualmente devido sua

caracterstica de lhe dar com problemas reais em um raciocnio prximo do humano.
Alguns exemplos de aplicaes so:

BOVESPA, onde se faz controles financeiros.

NASA, onde se controla o aquecimento dos motores das espaonaves.
Radares de Velocidades, para reconhecimento das placas.
Superviso de Linhas de Produo, efetuando controles necessrios e
Robs, buscando processamentos prximos do humano.

3. Lgica Fuzzy e Inteligncia Artificial

O comportamento apresentado pela lgica fuzzy tem grandes semelhanas a forma

humana de processar as informaes, no sendo booleana mas sim trazendo consigo
inferncias e aproximaes. Esta caracterstica faz com que a Lgica Fuzzy seja
amplamente utilizada em modelos de Inteligncia Artificial onde se busca sempre esta
proximidade do comportamento humano.
Uma das grandes aplicaes da lgica fuzzy na inteligncia artificial no
controle automtico de vos de avies. Conforme afirma Luo(1995) a princpio esta
lgica no era bem vistas pelos engenheiros porm com o passar dos anos se tornou
natural que a lgica fuzzy poderia efetivamente ser aplicada para o controle de vos
visto que esta operao tem uma grande gama de variaes onde necessria tomadas
de decises muitas vezes baseadas em aproximaes.
Outro ponto apresentado por Luo(1995) que favorece a aplicao desta lgica no
controle de vos diz respeito a agilidade de seu processamento. A agilidade um ponto
extremamente importante sendo que em experincias com lgicas lineares foram
encontradas grandes dificuldades devido ao tempo de tomada de deciso por parte do
sistema.

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.

PINHO, Alexandre F. Uma contribuio para a resoluo de problemas de programao

de operaes em sistemas de produo intermitentes flow-shop: A considerao de
incertezas. 1999. Dissertao (Mestrado em Engenharia) Universidade Federal de
Itajub, Itajub, 1999.

VON ALTROCK, Constantin. Fuzzy logic and neuroFuzzy applications in busines and
finance. New Jersey: Prentice Hall PTR, 1996.