Escolar Documentos
Profissional Documentos
Cultura Documentos
LÓGICA FUZZY
Ilhéus, Bahia
2003
Germano José Carvalho Santos
LÓGICA FUZZY
Ilhéus, Bahia
2003
Germano José Carvalho Santos
LÓGICA FUZZY
Ilhéus, Bahia
2003
A meus pais, minha irmã por tudo e em especial à Tia
Augusta e a Tio Alberto por toda força durante essa
minha caminhada.
AGRADECIMENTOS
This paper has the intention to introduce an analysis about fuzzy lo-
gic, working with linguistic variables and properties which makes possible
the development of reasonings near the human thought using mathemati-
cal/computational structures.
Índice
1 Introdução 3
2 Lógica Fuzzy 4
4 Conjuntos Fuzzy 14
5 Sistemas Fuzzy 19
6.1 Vantagens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
6.2 Desvantagens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
6.3 Perspectivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
Bibliografia 31
3
1 Introdução
Lidar com situações que envolvem fatores como ambigüidade, incerteza e informações
vagas na resolução de problemas é caracterı́stica do pensamento humano, que usa o seu
conhecimento, experiências do cotidiano, intuição e até mesmo senso comum para lidar
com esses fatores. Nos problemas de difı́cil solução, em que se faz necessário o auxı́lio
matemático computacional, modelar tais fatores é extremamente complicado. A lógica
clássica possui uma fragilidade muito grande ao lidar com situações rodeadas de impre-
cisão, pois utiliza um conceito binário, em que só são aceitáveis dois valores, verdadeiro
ou falso. Para lidar com isso de forma matemática, foi desenvolvida por Lotfi Zadeh,
um professor de Engenharia e Ciência da Computação, a Lógica Fuzzy, uma lógica em
que o enfoque em relação aos valores foi modificado. Nessa teoria, é permitido tratar
matematicamente os nı́veis de incerteza e ambigüidade. A lógica difusa, como também
é conhecida, vem tornando possı́vel cada vez mais aproximar a máquina ao raciocı́nio
humano. E propondo soluções cada vez mais realistas a problemas que antes só o cérebro
humano era capaz de interpretar e resolver.
4
2 Lógica Fuzzy
Para iniciar o estudo sobre lógica fuzzy, faz-se necessário passar pela história da lógica
mostrando seu surgimento e evolução. E fazer também uma abordagem sobre “O porquê
da lógica fuzzy”e “O que é lógica fuzzy? ”. É o que aborda este capı́tulo.
Aristóteles, filósofo grego (383-322 a.C.), foi o fundador da ciência da lógica apresen-
tando a primeira sistematização da lógica da qual se tem notı́cia. É claro que já antes
de Aristóteles havia uma certa preocupação com a questão da validade dos argumentos,
por exemplo, por parte dos sofistas e de Platão. Mas estes pensadores, embora se tenham
ocupado um pouco de tais questões, de fato nunca desenvolveram uma teoria lógica -
nunca se preocuparam em fazer um estudo sistemático dos tipos de argumento válido. A
“lógica aristotélica”permaneceu incólume, sem alterações significativas, por mais de mil
anos. O filósofo Immanuel Kant (1724-1804) chegou mesmo a dizer que, em matéria de
lógica, provavelmente, nada mais poderia ser acrescentado ao que fez Aristóteles. A partir
de meados do século retrasado, no entanto, matemáticos como George Boole (1815-1864)
e Gottlob Frege (1845-1925) deram contribuições significativas no sentido da criação da
lógica matemática, e o marco inicial foi a publicação, em 1849, de “Investigação sobre as
Leis do Pensamento”, de George Boole. Este livro deu inı́cio à “simbolização”, ou “mate-
matização”da lógica, o que se constitui fazer numa linguagem simbólica, artificial, o que
Aristóteles havia começado em grego, uma linguagem natural. Boole, na verdade, apresen-
tou um cálculo lógico (hoje bastante conhecido também como álgebra booleana) contendo
um número infinito de formas válidas de argumentos. Daı́ em diante, a lógica tornou-se
essencialmente matemática, tendo alcançado um desenvolvimento extraordinário com im-
plicações em praticamente todos os campos do saber humano.
No entanto, mesmo com tal desenvolvimento, os princı́pios básicos da lógica de tradição
aristotélica não foram questionados, dentre elas o chamado Princı́pio da Não Contradição,
5
ou seja, uma declaração é falsa ou verdadeira, não podendo ser ao mesmo tempo parcial-
mente verdadeira ou parcialmente falsa. Como por exemplo, “Está chovendo”e “Não está
chovendo”uma delas tem que ser falsa, ou seja, elas não podem ser verdadeiras simulta-
neamente. Em suma, de acordo com a lógica clássica, binária, não se pode tolerar uma
contradição. Aristóteles estabeleceu um conjunto de regras rı́gidas para que conclusões
pudessem ser aceitas como logicamente válidas, neste caso não poderiam ser verdadeiras
ao mesmo tempo as proposições “Está chovendo”e “Não está chovendo”.
cada vez mais posição de destaque em pesquisas na área de controle de processos industri-
ais e, aos poucos, começam a ser implantadas em plantas industriais com enorme sucesso.
Dentre as técnicas mais comumente utilizadas, além do controle Fuzzy, pode-se destacar
as redes neuronais aplicadas a sistemas de controle, que estão atualmente em tamanha
evidência que os japoneses as consideram como duas das mais promissoras técnicas para
o século XXI.
No mundo real usamos palavras como: muito, pouco, grande, pequeno, freqüente-
mente, raramente, etc. para descrever situações. Estas situações não são nitidamente
definidas e não podem ser precisamente descritas. Por exemplo, as frases abaixo são de
uso corrente em nossa linguagem, e apesar de transmitirem informações imprecisas elas
são usadas em tomadas de decisões:
· Nesta cidade a temperatura freqüentemente está alta, gastamos muita energia nos
condicionadores de ar.
· Estacionar um carro.
· Se a taxa de juros subir muito e o déficit for alto, teremos uma recessão branda.
· Se a terra está muito seca e temperatura está alta, regue durante muito tempo.
Daı́ a necessidade de se fazer um estudo sobre como lidar com ambigüidades, incer-
teza e informações vagas na resolução de problemas em que se faz necessário o auxı́lio
matemático computacional.
O termo fuzzy significa nebuloso, difuso, algo que não está claro, e se refere ao fato de,
em muitas casos, não conhecermos completamente os sistemas que estamos analisando.
Em muitos problemas em fı́sica e matemática, nós não temos dificuldade em classificar
elementos como pertencentes ou não a um dado conjunto clássico. Dessa forma, dado
um conjunto A e um elemento x do conjunto universo U conseguimos muitas vezes dizer
se x ∈ A ou x 6∈ A. Podemos, por exemplo, afirmar sem receio que o número 7 ∈ N e
que −7 6∈ N. Este é um caso sobre o qual não se tem dúvida, sendo a lógica booleana
perfeitamente aplicável. No entanto, podemos discordar quanto ao fato de 6,5 pertencer
ou não ao conjunto dos números aproximadamente iguais a 7. Neste caso a resposta
não é única e objetiva, pertencer ou não vai depender do tipo de problema que estamos
analisando.
Para ilustramos esta situação, suponhamos que um aluno obteve média 6,5. O pro-
fessor nessa situação poderá analisar o caso levando em consideração a capacidade do
aluno, a sua dedicação durante o curso. E pode decidir pela aprovação do aluno mesmo
não tendo atingido a média 7. Note que, neste caso, o número 6,5 está sendo considerado
como pertencente ao conjunto dos aproximadamente iguais a 7.
Existem inúmeras situações em que a relação de pertinência não está bem definida, e
nestes casos, não sabemos dizer se o elemento pertence ou não a um determinado conjunto.
A intenção de Zadeh foi justamente trabalhar de forma a flexibilizar a pertinência de
elementos aos conjuntos, criando uma idéia de grau de pertinência. Podendo, assim, um
determinado elemento pertencer parcialmente a um conjunto. Esta idéia foi publicada
por Zadeh em 1965, ano que pode ser considerado o marco do nascimento da teoria dos
conjuntos fuzzy.
8
O que Zadeh nos propõe é considerarmos um função que nos forneça o quanto um
determinado número pertence ao conjunto considerado. Sendo assim, chamando de K o
conjunto dos números aproximadamente iguais a 5, no universo dos números naturais N,
podemos propor por exemplo uma função de pertinência onde:
Esta extensão da função caracterı́stica da lógica clássica para o intervalo [0,1], originou
os conjuntos fuzzy e possibilitou, entre outras coisas, a utilização de variáveis lingüı́sticas,
permitindo a exploração do conhecimento humano no desenvolvimento de vários sistemas.
Lógica Difusa ou Lógica Nebulosa, também pode ser definida, como a lógica que su-
porta os modos de raciocı́nio que são aproximados, ao invés de exatos, como estamos
naturalmente acostumados a trabalhar. Ela está baseada na teoria dos conjuntos nebu-
losos e difere dos sistemas lógicos tradicionais em suas caracterı́sticas e detalhes. Nesta
lógica, o raciocı́nio exato corresponde a um caso limite do raciocı́nio aproximado, sendo
interpretado como um processo de composição nebulosa.
9
1,00
0,75
0,50
0,25
0 1 2 3 4 5 6 7 8 9 10
Neste capı́tulo é feita uma comparação entre as teorias da lógica fuzzy, lógica booleana
e teoria da probabilidade.
Esta lógica formal é considerada binária, pois uma declaração é falsa ou verdadeira,
não podendo ser ao mesmo tempo parcialmente verdadeira e parcialmente falsa. Obriga-
toriamente, uma declaração deve fazer parte de apenas um conjunto, o das declarações
verdadeiras ou o das declarações falsas. Esta suposição é o Princı́pio da Não-Contradição,
que coloca A e não A cobrindo todas as possibilidades, sendo considerada a base do
pensamento lógico tradicional.
A Lógica Fuzzy viola estas suposições. O conceito de dualidade estabelece que algo
pode e deve coexistir com o seu oposto; o que faz a Lógica Fuzzy parecer natural e
até mesmo inevitável. A lógica booleana trata com valores “verdade”das afirmações,
classificando-as como verdadeiras ou falsas. Mas, muitas das experiências humanas não
podem ser classificadas simplesmente como verdadeiras ou falsas, sim ou não, branco
ou preto. Por exemplo, é aquele homem alto ou baixo? A taxa de risco para aquele
11
Meia idade
15 25 35 55 65 idade
Figura 2: Definição conjuntos convencionais de meia idade
Mas não é desejada tamanha precisão em relação a este conceito, pois o limite de
meia-idade não pode ser definido precisamente. Note que os limites do conjunto acima
são muito rı́gidos. O ideal é ter limites graduais, onde são associados graus de certeza
que uma pessoa seria ou não de meia idade. A figura 3 mostra a definição de meia-idade
segundo a lógica fuzzy:
12
MEIA IDADE
0
15 25 35 45 55 65 idade
Observando, por exemplo, o sistema diagnóstico, temos que o raciocı́nio médico parece
estar muito mais baseado em graus de possibilidade do que de probabilidade, uma vez
que seria humanamente impossı́vel para o médico guardar todas as informações exatas
sobre as freqüências dos sintomas nas doenças, tanto quanto a prevalência das doenças em
uma dada população. A probabilidade está associada à chance de um determinado evento
ocorrer, enquanto a possibilidade está relacionada com o quão razoável é a chance de um
dado evento. Os médicos raramente expressam suas impressões com valores numéricos,
utilizando termos lingüı́sticos tanto para se expressar quanto para associar cognitivamente
os sintomas/doenças.
4 Conjuntos Fuzzy
Neste capı́tulo são apresentados os fundamentos da teoria dos conjuntos fuzzy, bem
como sua definição.
Na teoria clássica dos conjuntos, há uma rigidez de tal forma que um dado elemento
do universo em discurso (domı́nio) pertence ou não pertence ao referido conjunto. Na
teoria dos conjuntos nebulosos existe um grau de pertinência de cada elemento a um
determinado conjunto. Este conceito parece ser bastante natural e facilmente percebido
ao examinarmos a lista de conjuntos abaixo:
Observando os exemplos acima, percebe-se claramente que existe uma diferença funda-
mental entre os conjuntos do tipo (I) e os conjuntos do tipo (II). Por exemplo, apresentado
um número podemos afirmar sem nenhuma discussão ou dúvida se esse número pertence
ou não pertence ao conjunto dos números inteiros.
Esta questão não é tão simples quando lidamos, por exemplo, com o conjunto dos
homens altos. Uma pessoa que tenha 1,74 metros de altura, seria considerada como
pertencente a esse conjunto? E a de 1,75 ? Tomando como padrões a definição de homem
alto pela medida maior ou igual a 1,80, mediano pela medida 1,70 e baixo pela medida
1,60, veremos claramente na figura 4 que não existe uma fronteira bem definida que separe
os elementos do conjunto dos homens altos dos elementos do conjunto dos homens não
altos.
Os conjuntos fuzzy são conjuntos que não possuem fronteiras bem definidas e que
15
0.8
0.6
0.4
0.2
0 x
1.6 1.7 1.8
Figura 4: Estatura.
A = {(x, µA (x)) \ x ∈ U }
um conjunto fuzzy m(t) que o caracteriza. Note que, na formulação clássica, os termos
lingüı́sticos atribuı́dos para febre são: presente e ausente.
valores lingüisticos
0.8
0.6
0.4
0.2
0 36
37 38 39 40
c˚(variável
base)
Figura 5: Febre.
As variáveis utilizadas em lógica fuzzy são chamadas de lingüı́sticas por não terem
valores precisos, podendo ser definidas como na linguagem, representando um espectro de
valores. Por exemplo, quando dizemos que a temperatura está normal, isso não significa
um valor exato, mas um intervalo. Desta forma, definimos as variáveis fuzzy através de
conjuntos para representar os intervalos conforme entendemos através das variáveis.
- alunos excelentes = (Maria, 0.8), (João, 0.9), (Alan, 0.9), (Paulo, 1.0)
18
- muito altos = (Oscar, 0.95), (Michael Jordan, 0.95), (Junior Baiano, 0.8)
5 Sistemas Fuzzy
sistema, qual seja a sua conclusão/ação. Sendo assim, a construção dos antecedentes mui-
tas vezes resulta em um trabalho de classificação, enquanto a elaboração dos conseqüentes
exige um conhecimento, ainda que empı́rico, sobre a dinâmica do sistema. Podemos es-
perar, então, que a elaboração dos conseqüentes de uma regra seja mais complexa do que
a dos antecedentes.
Tomar decisões é uma das atividades mais fundamentais dos seres humanos e muitos
estudos têm sido desenvolvidos acerca desse assunto. O objeto de análise de um processo
de decisão é justamente o estudo de quais estratégias utilizar e como escolhê-las de forma
melhor ou mais eficientemente. Estudos desse tipo têm sido amplamente aplicados em
áreas de gerenciamento, onde o processo de decisão assume um papel fundamental, tais
como controle, investimentos, desenvolvimento de novos produtos e alocação de recursos,
entre outros. Entretanto, em geral, os processos de decisão incluem qualquer situação onde
uma escolha ou seleção de alternativas se faz necessária, abrangendo desde as ciências tidas
como exatas até as humanas.
sobre condições de certeza quando o resultado de cada ação pode ser determinado com
precisão. Ele é dito sobre condições de risco quando o conhecimento disponı́vel acerca
do resultado consiste apenas da distribuição de probabilidade condicional, relativo a cada
ação. Por outro lado, quando os resultados devidos a cada ação são caracterizados apenas
aproximadamente, então, o processo de decisão é dito sobre condições de imprecisão. Este
é o caso dos processos de decisão fuzzy.
Base de dados - define as funções de pertinência do conjunto difuso nas regras fuzzy.
Unidade de Decisão Lógica- realiza operações de inferência, para obter, a partir da ava-
liação dos nı́veis de compatibilidade das entradas com as condições impostas pela base de
regras, uma ação a ser realizada pelo sistema.
BASE DE CONHECIMENTO
BASE DE BASE DE
DADOS REGRAS
ENTRADA SAÍDA
INTERFACE INTERFACE
FUZIFICAÇÃO DEFUZIFICAÇÃO
UNIDADE DE DECISÃO
LÓGICA
de saı́da. Calcula a saı́da com base na inferência obtida no módulo Unidade de Decisão
Lógica, com as funções de pertinência das variáveis lingüı́sticas da parte conseqüente das
regras para obter uma saı́da não difusa. Nesta etapa as regiões resultantes são convertidas
em valores de saı́da do sistema.
Uma vez obtido o conjunto fuzzy de saı́da através do processo de inferência, que se
baseia no modus ponens generalizado (Modus Ponens é o tipo de argumento em que as
premissas “Se A, então B”e “A”, implicam na conclusão: “B”), no estágio de defuzi-
ficação é efetuada uma interpretação dessa informação. Isto se faz necessário pois, em
aplicações práticas, geralmente são requeridas saı́das precisas. No caso de uma sistema
de controle, por exemplo, em que o controle é efetuado por um sistema de inferência
23
fuzzy (ou controlador fuzzy), este deve fornecer à planta dados ou sinais precisos, já que
a “apresentação”de um conjunto fuzzy à entrada da planta não teria significado algum.
Existem vários métodos de defuzificação na literatura; dois dos mais empregados são o
centro de gravidade e a média dos máximos. Neste, a saı́da precisa é obtida tomando-se a
média entre os dois elementos extremos no universo que correspondem aos maiores valores
da função de pertinência do consequente. Com o centro de gravidade, a saı́da é o valor
no universo que divide a área sob a curva da função de pertinência em duas partes iguais.
0.8
0.6
0.4
0.2
0
50 T(˚C)
0.8
0.6
0.4
0.2
0
-100 P(w) 100
Figura 8: Potência.
Uma vez definidas as variáveis e seus conjuntos, para dada temperatura x verificamos
os pontos máximo e mı́nimo de intersecção no gráfico 1. Ponto máximo é o maior valor
obtido com resultado de uma das funções, e o mı́nimo é o menor resultado. Por exemplo,
para uma temperatura de 20 graus, o ponto máximo seria dado pela função trapezoidal
do conjunto normal (um valor, digamos, de 0,6). Já o ponto mı́nimo seria o resultado
dado pela função do conjunto frio (suponhamos um valor de 0,25). Então, para uma
temperatura de 20, teremos 0,6 como máximo e 0,25 como mı́nimo, que serão utilizados
na próxima etapa.
De posse dos valores obtidos na etapa anterior, aplicam-se as regras: como o ponto
máximo foi obtido no conjunto normal da temperatura, então será definida uma área
abaixo de 0,6 no conjunto zero da potência; como o ponto mı́nimo veio do conjunto frio,
então a área abaixo de 0,25 no conjunto esquentar da potência. O somatório das áreas
dará a quantidade de potência a ser somada ao motor para tender a potência a zero e,
portanto, colocar a temperatura dentro do normal . O gráfico a seguir ilustra a área a ser
obtida:
26
0.8
0.6
0.4
0.2
0
-100 100 P(w)
Figura 9: Área.
REGRAS
Algoritmo de
controle
Este capı́tulo faz uma abordagem sobre as caracterı́sticas da lógica fuzzy; dando enfase
as vantagens , desvantagens e perspectivas da aplicação desta teoria.
- Possui vários modificadores de predicado como, por exemplo: muito, mais ou menos,
pouco, bastante, médio, etc.
- Faz uso das probabilidades lingüı́sticas, como por exemplo: provável, improvável,
que são interpretados como números fuzzy e manipulados pela sua aritmética.
6.1 Vantagens
6.2 Desvantagens
6.3 Perspectivas
Diversas áreas estão sendo beneficiadas pela tecnologia decorrente da Lógica Difusa.
Dentre essas áreas podem ser citadas algumas que tiveram relevância no avanço tec-
nológico e que merecem destaque. O Controle de processos industriais foi a área pioneira,
sendo as primeiras experiências datadas de 1975 quando foi demonstrado no Queen Col-
lege, em Londres, que um controlador fuzzy muito simples conseguiu controlar eficiente-
mente uma máquina a vapor.
Neurais artificiais, que por sua vez, possuem caracterı́sticas de adaptação e aprendiza-
gem. A palavra certa para isto é simbiose, que vem gerando novas classes de sistemas e
de controladores neurodifusos, combinando desta forma os potenciais e as caracterı́sticas
individuais em sistemas adaptativos e inteligentes (Gomide et.al. 1992-a). Com certeza
estes sistemas deverão proporcionar uma significativa contribuição para os sistemas de
automação e controle do futuro, principalmente em controle de processos.
31
Bibliografia