Lógica Fuzzy

Douglas Nunes de Oliveira

douglas.dno@gmail.com
 Índice
• Introdução
• Lógica Fuzzy
• Teoria dos Conjuntos Fuzzy
• Raciocínio Fuzzy
• Aplicações
 Introdução
• Lógica Clássica ou Lógica Booleana
– 1 ou 0 / true ou false.
• Lógica Fuzzy (Difusa ou Nebulosa)
– Baixo, Mediano ou Alto;
– Permite Classificar dados ou informações
vagas, imprecisas e ambíguas;
– Produz ferramentas que ajudam o homem na
tomada de decisões.
 Lógica Fuzzy
• Histórico da Lógica Fuzzy.
– 1847 – Boole;
– 1903 – Bartrand Russell;
– 1930 – Jan Lukasiewicz;
– 1965 – Lotfi A. Zadeh.
• Considerada imprecisa.
Lotfi A. Zadeh
• Tratamento da informação.
• Utilização Comercial.
– Europa, Japão, EUA.
 Lógica Fuzzy
• Ser ou não ser (KOSKO, 1993 ).
– Exemplo da maçã.
• Preto e Branco / Tons de Cinza.

Lógica Clássica Lógica Fuzzy

 Lógica Fuzzy
• Classificação e incertezas. (MCNEIL, 1994).

Cestas de maçãs e laranjas

Cesta de maçãs e laranjas misturadas

 Lógica Fuzzy
• Classificação e incertezas. (MCNEIL, 1994).

Não Quase

Mais ou menos

Um pouco Sim
 Teoria dos Conjuntos Fuzzy
• Lógica e Teoria dos Conjuntos Fuzzy
• Grau de pertinência

  Baixo Médio Alto   Baixo Médio Alto

1,50m 1 0 0 1,50m 1 0 0
1,60m 1 0 0 1,60m 0.6 0.3 0
1,70m 0 1 0 1,70m 0.1 1 0
1,80m 0 1 0 1,80m 0 0.3 0.5
1,90m 0 0 1 1,90m 0 0 1
2,00m 0 0 1 2,00m 0 0 1
a b

Tabelas de pertinência para os conjuntos

clássicos -Crisp(a) e Fuzzy (b).
Teoria dos Conjuntos Fuzzy

Gráfico que representa os conjuntos clássicos.

Teoria dos Conjuntos Fuzzy

Gráfico que representa os conjuntos fuzzy.

 Teoria dos Conjuntos Fuzzy

Conjunto clássico Conjunto fuzzy

Pessoas baixas

Representações clássica e fuzzy do conjunto de pessoas baixas

 Teoria dos Conjuntos Fuzzy

• 1 - Operações de Conjuntos Fuzzy

– 1.1 Interseção de conjuntos fuzzy
– 1.2 União de conjuntos fuzzy
– 1.3 Complemento de um conjunto fuzzy
 Teoria dos Conjuntos Fuzzy

• 1.1 Interseção de conjuntos fuzzy

μ = min( μB , μM ); (1)

Baixo(X) = { (1.5, 1), (1.6, 0.6) ,(1.7, 0.1) ,(1.8, 0) ,(1.9, 0) ,(2, 0) }
Médio(X) = { (1.5, 0) ,(1.6, 0.3) ,(1.7, 1) ,(1.8, 0.3),(1.9, 0) ,(2, 0) }
Baixo ∩ Médio = { (1.5, 0) ,(1.6, 0.3) ,(1.7, 0.1) ,(1.8, 0),(1.9, 0) ,(2, 0) }
 Teoria dos Conjuntos Fuzzy

• 1.2 União de conjuntos fuzzy

μ = max( μB , μM ); (2)

Baixo(X) = { (1.5, 1), (1.6, 0.6) ,(1.7, 0.1) ,(1.8, 0) ,(1.9, 0) ,(2, 0) }
Médio(X) = { (1.5, 0) ,(1.6, 0.3) ,(1.7, 1) ,(1.8, 0.3),(1.9, 0) ,(2, 0) }
Baixo U Médio = { (1.5, 1) ,(1.6, 0.6) ,(1.7, 1) ,(1.8, 0.3),(1.9, 0) ,(2, 0) }
 Teoria dos Conjuntos Fuzzy

• 1.3 Complemento de um conjunto fuzzy

μ = 1- μB ; (3)

Baixo(X) = { (1.5, 1), (1.6, 0.6) ,(1.7, 0.1) ,(1.8, 0) ,(1.9, 0) ,(2, 0) }
Baixo´(X)= { (1.5, 0) ,(1.6, 0.4) ,(1.7, 0.9) ,(1.8, 1),(1.9, 1) ,(2, 1) }
 Teoria dos Conjuntos Fuzzy

• 2 - Operações básicas de relações

Fuzzy
– 2.1 Interseção
– 2.2 União
 Teoria dos Conjuntos Fuzzy

• 2.1 Interseção
μR(x,y) = min[ μA(x), μB(y) ];

x = { 1,2,3 } e y= { 5,6,7 }
A = ( (1, 0.4) ; (2, 0.1) ; (3, 1) ) e B = ( (5, 0.6) ; (6, 0) ; (7, 0.8) )

R = ( ((1,5), 0.4) ; ((2,5), 0.1) ; ((3,5), 0.6) ; ((1,6), 0) ; ((2,6), 0) ; ((3,6), 0) ;

((1,7), 0.4) ; ((2,7), 0.1) ; ((3,7), 0.8) )

AxB 5 6 7

1 0,4 0 0,4

2 0,1 0 0,1

3 0,6 0 0,8
 Teoria dos Conjuntos Fuzzy

• 2.2 União
μR(x,y) = max[ μA(x), μB(y) ];

x = { 1,2,3 } e y= { 5,6,7 }
A = ( (1, 0.4) ; (2, 0.1) ; (3, 1) ) e B = ( (5, 0.6) ; (6, 0) ; (7, 0.8) )

R = ( ((1,5), 0.6) ; ((2,5), 0.6) ; ((3,5), 1) ; ((1,6), 0.4) ; ((2,6), 0.1) ; ((3,6), 1) ;
((1,7), 0.8) ; ((2,7), 0.8) ; ((3,7), 1) )

AxB 5 6 7

1 0,6 0,4 0,8

2 0,6 0,1 0,8

3 1,0 1,0 1,0

 Teoria dos Conjuntos Fuzzy

• 3 – Composição de relações Fuzzy

– 3.1 Composição Max-min
– 3.2 Composição Max-Produto
– 3.3 Composição Max-média
 Teoria dos Conjuntos Fuzzy

• 3.1 Composição Max-min

μR1º R2(x,z) = Vy [μR1 x,y ^μR2 y,z ]
 Teoria dos Conjuntos Fuzzy

• 3.2 Composição Max-Produto

μR1.R2(x,z) = Vy [μR1 x,y . μR2 y,z ]
 Teoria dos Conjuntos Fuzzy

• 3.2 Composição Max-média

μR1<+>R2(x,z) = Vy [1/2 (μR1 x,y + μR2 y,z) ]
 Teoria dos Conjuntos Fuzzy

• 4 – Funções de Pertinência
– Função terá que ser normal e convexa.
– Normal: permite classificar um determinado dado em
pertencer totalmente ao conjunto
– Convexa: possui apenas um “crescimento e/ou
decrescimento”.
 Teoria dos Conjuntos Fuzzy

• 4 – Funções de Pertinência
– Função terá que ser normal e convexa.
 Teoria dos Conjuntos Fuzzy

• 4 – Funções de Pertinência
– 4.1 Triangular
– 4.2 Trapezoidal
 Teoria dos Conjuntos Fuzzy

• 4.1 Triangular
μtri(x; a, b, c) = max ( min ( (x-a)/(b-a), (c-x)/(c-b) ), 0 ), para a < b < c
 Teoria dos Conjuntos Fuzzy
– 4.2 Trapezoidal
μtrap(x; a, b, c, d) = max ( min ( (x-a)/(b-a), 1, (d-x)/(d-c) ), 0 ), para a < b < c < d
 Raciocínio Fuzzy

• 5 – Raciocínio Fuzzy

– Sistemas de controle.
– Exemplo a ser utilizado, controle de peso.
 Raciocínio Fuzzy

• 5.1 Fuzzificação
– Está presente em nosso cotidiano.
– Para fuzzificar é necessário as funções de
pertinência (Teoria dos Conjuntos Fuzzy).
– Nosso controle de peso utilizará 2 dados de
entrada: peso e altura do usuário.
– Peso: “leve”, ”médio”, “pesado”
– Altura: “baixo”, ”mediano”, “alto”
 Raciocínio Fuzzy

• 5.1.2 Fuzzificação do Peso

μtri(x; a, b, c) = max ( min ( (x-a)/(b-a), (c-x)/(c-b) ), 0 ),
μLeve(x) = max ( min ( (x-40)/(50-40), (60-x)/(60-50) ), 0 ),
μMédio(x) = max ( min ( (x-50)/(70-50), (80-x)/(80-70) ), 0 ),
μPesado(x) = max ( min ( (x-70)/(90-70), (110-x)/(110-90) ), 0 ),
 Raciocínio Fuzzy

• 5.1.2 Fuzzificação da Altura

μBaixo(x) = max ( min ( (x-1.40)/(1.50-1.40), (1.70-x)/(1.70-1.50) ), 0 ),
μMediano(x) = max ( min ( (x-1.60)/(1.70-1.60), (1.90-x)/(1.90-1.70) ), 0 ),
μAlto(x) = max ( min ( (x-1.80)/(1.90-1.80), (2.0-x)/(2.0-1.90) ), 0 ),
 Raciocínio Fuzzy

• 5.1.3 Grau de pertinencia: Peso

μLeve(55) = max ( min ( (55-40)/(50-40), (60-55)/(60-50) ), 0 ) = 0,5;
μMédio(55) = max ( min ( (55-50)/(70-50), (80-55)/(80-70) ), 0 ) = 0,25;
μPesado(55) = max ( min ( (55-70)/(90-70), (110-55)/(110-90) ), 0 ) = 0
 Raciocínio Fuzzy

• 5.1.3 Grau de pertinencia: Altura

μBaixo(1.75) = max ( min ( (1.75-1.40)/(1.50-1.40), (1.70-1.75)/(1.70-1.50) ), 0 ) = 0
μMediano(1.75) = max ( min ( (1.75-1.60)/(1.70-1.60), (1.90-1.75)/(1.90-1.70) ), 0 ) = 0.75
μAlto(1.75) = max ( min ( (1.75-1.80)/(1.90-1.80), (2.0-1.75)/(2.0-1.90) ), 0 ) = 0
 Raciocínio Fuzzy

• 5.2 Inferência
– Regras para a inferência.
– Recebendo o resultado da “fuzzificação”.
– Funções de Pertinência da inferência.
– Execução da inferência.
 Raciocínio Fuzzy

• 5.2.3 Regras para a inferência

– 1. SE peso é leve E altura é baixo ENTÃO
condição é normal SENÃO;
– 2. SE peso é leve E altura é mediano
ENTÃO condição é magro SENÃO;
– 3. SE peso é leve E altura é alto ENTÃO
condição é palito SENÃO;
– 4. SE peso é médio E altura é baixo ENTÃO
condição é gordo SENÃO;
– 5. SE peso é médio E altura é mediano
ENTÃO condição é normal SENÃO;
 Raciocínio Fuzzy

• 5.2.3 Regras para a inferência

– 6. SE peso é médio E altura é alto ENTÃO
condição é magro SENÃO;
– 7. SE peso é pesado E altura é baixo
ENTÃO condição é obeso SENÃO;
– 8. SE peso é pesado E altura é mediano
ENTÃO condição é gordo SENÃO;
– 9. SE peso é pesado E altura é alto ENTÃO
condição é normal;
 Raciocínio Fuzzy

• 5.2.2 Pertinência da saída da inferência

 Raciocínio Fuzzy

• 5.2.3 Recebendo o resultada da

“fuzzificação”

Peso Altura
“leve”, μLeve(55) = 0.5
“mediano”, μMediano(1.75) = 0.75
“médio”, μMedio(55) = 0.25

– 2. SE peso é leve E altura é mediano

ENTÃO condição é magro SENÃO;
– 5. SE peso é médio E altura é mediano
ENTÃO condição é normal SENÃO;
 Raciocínio Fuzzy

• 5.2.4 Execução da inferência.

 Raciocínio Fuzzy

• 5.2.4 Execução da inferência.

 Raciocínio Fuzzy

• 5.2.4 Execução da inferência.

• saida(u) = magro’(u) v normal’(u)

 Raciocínio Fuzzy

• 5.3 Defuzzificação
• Universo de pontos.
• u = [ -4 ; -2 ; 0 ; 2 ; 4 ; 6 ; 8 ; 10 ; 12 ; 14 ]
– Método Centróide.
n

u i * saida (ui )
u*  i 1
n

 saida (u )
i 1
i

 4 * 0.2  2 * 0.25  0 * 0.25  2 * 0.25  4 * 0.4  6 * 0.5  8 * 0.5  10 * 0.5  12 * 0.5  14 * 0.2
u* 
0.2  0.25  0.25  0.25  0.4  0.5  0.5  0.5  0.5  0.2
u*  6.0845
 Aplicações
Produto Companhia Função da lógica fuzzy
Ar condicionados Hitachi Matsushita Previne a grande variação da temperatura
Mitsubishi Sharp ao ser regulada e consume menos energia.

Freios anti-trava Nissan Controle dos freios em casos de perigo,

baseado na velocidade e da aceleração do
carro e da roda.
Motor de carro NOK/Nissan Controle da injeção do combustível e da
ignição, através do controle da quantidade
de oxigênio, resfriamento da água, RPM,
volume do combustível, ângulo da
manivela, ruído, pressão dos tubos.

Transmissão do carro Honda, Nissan, Subaru Muda de marcha de acordo com a

aceleração do motor, estilo de dirigir, e
condições da rua.
Misturador de produtos Fuji Eletric Misturas químicas baseadas nas condições
químicos da plantas.
Máquina copiadora Canon Ajusta a voltagem do tambor de acordo com
a densidade da imagem, temperatura e
umidade.
Controle do elevador Fujitec, Mitsubishi Eletric, Reduz o tempo de espera dos usuários
Toshiba baseado no tráfico de passageiros.