Você está na página 1de 18

V Escola de Redes Neurais, Promoo: Conselho Nacional de Redes Neurais pp.

c073-c090, 19 de julho, 1999 - ITA, So Jos dos Campos - SP

L gica Nebulosa o
Sandra Sandri, Cl udio Correa a INPE S o Jos dos Campos, SP 12201-970, Brazil a e E-mails: sandri@lac.inpe.br, correa@pgrad.inpe.br

Abstract
Este trabalho e um tutorial sobre l gica nebulosa, o trazendo conceitos b sicos desta area de pesquisa bem a como sua ligacao com algumas outras areas importantes como controle, algoritmos gen ticos e redes neurais. e

1. Introducao
Dois dos principais aspectos da imperfeicao da informacao s o a imprecis o e a incerteza. Estas duas ca a a ractersticas s o intrinsecamente ligadas e opostas entre a si: quanto mais se aumenta a incerteza mais se diminui a imprecis o e vice-versa. Por exemplo, suponhamos que a estejamos seguros em dizer que um dado lme comeca entre 3h e 4h. Se formos obrigados a dar uma opini o a mais precisa, tenderemos a aumentar a incerteza, dizendo, por exemplo, que o lme comecar as 3h30 com uma a probabilidade diferente de 1. Uma informacao imprecisa tamb m pode ser vaga, como por exemplo, quando dizee mos que o lme comeca por volta das 3h30 . As teorias mais conhecidas para tratar da imprecis o a e da incerteza s o respectivamente a teoria dos conjuna tos e a teoria de probabilidades. Estas teorias, embora muito uteis, nem sempre conseguem captar a rique za da informacao fornecida por seres humanos. A teoria dos conjuntos n o e capaz de tratar o aspecto vago da a informacao e a teoria de probabilidades, na qual a proba bilidade de um evento determina completamente a probabilidade do evento contr rio, e mais adaptada para tratar a de informacoes frequentistas do que aquelas fornecidas por seres humanos. A teoria dos conjuntos nebulosos foi desenvolvida a partir de 1965 por Lot Zadeh, para tratar do aspecto vago da informacao 1 . A teoria dos conjuntos, que ser chamada neste trabalho de cl ssica, pode ser visa a ta ent o como um caso particular desta teoria mais gea ral. A partir de 1978, Lot Zadeh desenvolveu a teoria de possibilidades 2 , que trata a incerteza da informacao, podendo pois ser comparada com a teoria de probabilidades. Esta teoria, por ser menos restritiva, pode ser considerada mais adequada para o tratamento de informacoes fornecidas por seres humanos que a de probabilidades. Efetivamente, mesmo no discurso usual percebemos que a nocao de possibilidade e menos restritiva que aquela de probabilidade: e mais f cil dizer que algum evento e a 1 c073

possvel do que prov vel. a A teoria dos conjuntos nebulosos e a teoria de possibilidades s o intimamente ligadas. Por exemplo, o conjuna to nebuloso que modela a informacao idade avancada pode ser usada para modelar a distribuicao de possibili dade da idade de uma dada pessoa, da qual s sabemos o que ela e idosa. O fato destas teorias serem ligadas e muito importante no sentido de que e possvel se tratar tanto a imprecis o quanto a incerteza de um conjunto de a informacoes em um unico ambiente formal. De fato, a maior parte do tempo n o e necess rio fazer a distincao a a entre um conjunto nebuloso e uma distribuicao de possi bilidades. Estas teorias t m sido cada vez mais usadas em sise temas que utilizam informacoes fornecidas por seres hu manos para automatizar procedimentos quaisquer, como por exemplo no controle de processos, no auxlio a de ` cis o, etc. Estas teorias t m sido utilizadas em aplicacoes a e que v o do controle de eletrodom sticos ao controle de a e sat lites, do mercado nanceiro a medicina, e tendem a e ` crescer cada vez mais, sobretudo em sistemas hbridos, que incorporam abordagens conexionistas e evolutivas, no que e chamado hoje em dia, de soft computing. A teoria dos conjuntos nebulosos, quando utilizada em um contexto l gico, como o de sistemas baseados em o conhecimento, e conhecida como l gica nebulosa, l gica o o difusa ou l gica fuzzy. Na pr xima secao deste trabao o lho, trazemos as denicoes b sicas da teoria dos conjun a tos nebulosos. S o abordados conceitos como o complea mento, a interseccao, a uni o, e a implicacao nesta teoria, a al m de um estudo sobre algumas das propriedades dese tas operacoes. A l gica nebulosa e uma das tecnologias atuais bem o sucedidas para o desenvolvimento de sistemas para controlar processos sosticados [3] [4] [5] [6] [7]. Com sua utilizacao, requerimentos complexos podem ser imple mentados em controladores simples, de f cil manutencao a e baixo custo. O uso de sistemas construdos desta manei ra, chamados de controladores nebulosos, e especialmen te interessante quando o modelo matem tico est sujeito a a a incertezas [8] [9] [10] [11] [12] [13] [14]. Um controlador nebuloso e um sistema nebuloso a base de regras, composto de um conjunto de regras de a a producao do tipo Se premissa Ent o conclus o , que denem acoes de controle em funcao das diversas faixas de valores que as vari veis de estado do problema a podem assumir [15] [16]. Estas faixas (usualmente mal

denidas) de valores s o modeladas por conjuntos nebua losos e denominados de termos lingusticos. Na Secao 3, s o descritos a estrutura e as componentes do controle a nebuloso e, ao nal desta secao apresentam-se diversos modelos encontrados na literatura. A maior diculdade na criacao de sistemas nebulo sos em geral, e de controladores nebulosos em particular, encontra-se na denicao dos termos lingusticos e das re gras. Uma das maneiras de sanar este problema consiste em lancar m o dos chamados modelos neuro-fuzzy a [17] [18] [19] [20], em que estes par metros s o aprendia a dos com a apresentacao de pares (entrada, sada desejada) a uma rede neural cujos n s computam basicamente opeo radores de interseccao e uni o. A Secao 4 apresenta os a conceitos principais envolvidos nesta abordagem. Uma outra maneira de se aprender parmetros de sisa temas nebulosos consiste no uso de algoritmos gen ticos e (AG). Algoritmos gen ticos s o estrat gias de busca e a e adaptativa, baseados em um modelo altamente abstrato da evolucao biol gica 21 . S o utilizados em proble o a mas de otimizacao, em que se busca, se n o uma solucao a otima, ao menos uma solucao sucientemente adequa da para um dado problema [22] [23]. Nestes algoritmos, uma populacao de indivduos (solucoes potenciais) sofrem uma s rie de transformacoes un rias (mutacao) e a e de ordem mais alta (cruzamento). Estes indivduos competem entre si pela sobreviv ncia: um esquema de e selecao, que favorece os indivduos mais aptos seleciona os que sofrer o transformacoes, dando origem a pr xima a ` o geracao. Depois de algumas geracoes, o algoritmo usual mente converge e o melhor indivduo representa uma solucao pr xima da otima. o Algoritmos gen ticos t m sido usados em muitas e e aplicacoes ligadas a controle, em particular, envolven do o desenvolvimento de controladores nebulosos, tanto no exterior [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] (ver tamb m [34] [35] [36]) quanto no Brasil [37] e [38] [39] [40]. A Secao 5 descreve algumas das cara tersticas do uso de algoritmos gen ticos no aprendizado e de par metros de sistemas nebulosos. a O material apresentado nas pr ximas 3 secoes deste o trabalho e baseado em notas de aula de cursos apresen tados no Curso de P s-Graduacao em Computacao Aplio cada do INPE, que, por sua vez, foram baseadas principalmente nos livros de Didier Dubois e Henri Prade [41] e de George Klir e Tina Folger [15], que trazem um material te rico denso sobre o assunto, no livro de Bernao dette Bouchon-Meunier [Bouchon- Meunier, 1993] que, ao se propor a apresentar os conceitos fundamentais da teoria para um p blico mais leigo, desenvolveu uma obra u mais sucinta e leve, e no livro de Dimiter Driankov, Hans Hellendoorn e Michael Reinfrank 3 , que aborda principalmente aspectos ligados ao controle nebuloso. Estas 3 secoes e tamb m a secao relativa ao aprendizado de e par metros nebulosos atrav s de algoritmos gen ticos foi a e e extrada da dissertacao [37], com pequenas alteracoes. O material relativo ao aprendizado de par metros nebuloa sos atrav s de redes neurais, os sistemas conhecidos coe 2 c074

mo neuro-fuzzy, foi baseado principalmente nos artigos [18] e [17] e no tutorial [42].

2. Conceitos B sicos da Teoria dos Conjuntos a Nebulosos


A teoria dos conjuntos nebulosos foi desenvolvida a partir de 1965 com os trabalhos de Lot Zadeh, professor na Universidade da Calif rnia em Berkeley 1 (ver o tamb m [43] e [41]). e Formalmente, um conjunto nebuloso A do universo de discurso e denido por uma funcao de pertin ncia e A : ! 0; 1 . Essa funcao associa a cada elemento x de o grau A x, com o qual x pertence a A 1 . A funcao de pertin ncia A x indica o grau de compatibi e lidade entre x e o conceito expresso por A:

A x = 1 indica que x e completamente com patvel com A; A x = 0 indica que x e completamente incom patvel com A; 0 A x 1 indica que x e parcialmente com patvel com A, com grau A x. Um conjunto A da teoria dos conjuntos cl ssica pode a
ser visto como um conjunto nebuloso especco, deno ! minado usualmente de crisp, para o qual A : f0; 1g, ou seja, a pertin ncia e do tipo tudo ou nada, e sim ou n o, e n o gradual como para os conjuntos nea a bulosos. A diferenca entre estes conceitos em relacao a va ` ri vel idade e ilustrada na Figura 1a e na Figura 1b, que a descrevem respectivamente a representacao do conceito adolescente atrav s de um conjunto crisp e de um e conjunto nebuloso. O conjunto crisp A n o exprime completamente a o conceito de adolescente, pois uma pessoa com 12 anos e 11 meses seria considerada completamente incompatvel com este conceito. Na verdade, qualquer intervalo crisp que se tome para representar este conceito e arbi tr rio. a J o conjunto nebuloso B permite exprimir que quala quer pessoa com idade entre 13 e 17 anos e um adoles cente, acima de 19 ou abaixo de 11 n o e considerado a um adolescente, e no intervalo 11; 13 (respectivamente 17; 19 ) e considerado tanto mais adolescente quanto mais pr xima de 13 (respectivamente de 17) e sua idade. o A cardinalidade de um conjunto nebuloso A e expres sa como: Para discreto

jAj =
Para contnuo

x2
Z

A x A x

(1)

jAj =

(2)

Um conjunto nebuloso A e dito ser convexo em se e somente se, seus cortes- s o convexos, i.e. sse a

8x; y 2 ; 8 2 0; 1 ; A x + 1 , y  minA x; A y

(7)

Figura 1: a) Funcao caracterstica do conjunto crisp adolescente. b) Funcao trapezoidal caracterstica do con junto nebuloso adolescente. Pode-se obter a representacao aproximada de um con junto nebuloso A em atrav s de conjuntos crisp em e . Estes subconjuntos, denotados por A e denominados de cortes de nvel ou cortes- , s o denidos como: a

loso e um conjunto nebuloso normalizado e convexo em tal que a funcao que descreve A x entre sinf e ninf e aquela entre nsup e ssup s o estritamente monot nicas a o (respec. crescente e decrescente). O conjunto nebuloso A da Figura 2 e um intervalo nebuloso. Um n mero ne u buloso e um intervalo nebuloso unimodal. 2.1. Operacoes em Conjuntos Nebulosos Similarmente as operacoes nos conjuntos crisp, ` existe a necessidade de proceder as operacoes de ` interseccao, uni o e negacao, entre outras, nos conjun a tos nebulosos. 2.2. Operadores de Interseccao, Uni o e a Complemento Sejam A e B conjuntos nebulosos denidos em . Pode-se expressar a interseccao destes conjuntos, como um outro conjunto E = A B . Da mesma forma, podese expressar a uni o como um conjunto F = A B . a Na teoria dos conjuntos nebulosos, a interseccao e implementada por uma famlia de operadores denomina dos de t , normas, e a uni o e implementada por uma a famlia de operadores denominados de t , conormas ou S , normas 41 . Uma funcao r : 0; 1 2 ! 0; 1 , e dita ser comuta tiva, associativa e monot nica se r satisfaz as seguintes o propriedades, respectivamente, para 8a; b 2 0; 1 :

Seja A um conjunto nebuloso convexo, com SuA = sinf ; ssup e NuA = ninf ; nsup . Um intervalo nebu-

A = fx 2 = A x  g

(3)

que s o de alguma forma compatveis com o conceito exa presso por A, e o n cleo de A, denotado por NuA, u que agrupa elementos de A que s o completamente coma patveis com o conceito expresso por A.

A, denotado como SuA, que agrupa elementos de

Os casos extremos destes conjuntos s o o suporte de a

SuA = fx 2 = A x 0g = lim0 A !

(4)

dade dos elementos de por A:

NuA = fx 2 = A x = 1g = A1 (5) A altura de A representa o maior grau de compatibiliem relacao ao conceito expresso

AlA = sup A x


x2

(6)

Um conjunto nebuloso A e dito normalizado se e so mente se AlA = 1. A Figura 2 ilustra a cardinalidade, a altura, o suporte, o n cleo, e o corte de nvel 0.5 de um u conjunto nebuloso A 44 45 46 .

ra; b = rb; a; Associatividade: ra; rb; c = rra; b; c; Monotonicidade: ra; b  rc; d se a  c e b  d. Um operador : 0; 1 2 ! 0; 1 e denominado de t , norma se e comutativo, associativo e monot nico o e verica a seguinte propriedade, para 8a 2 0; 1 :
Comutatividade: Elemento neutro = 1:

a; 1 = a.

Da mesma maneira, uma t , conorma ? e uma funcao ?: 0; 1 2 ! 0; 1 que e comutativa, associativa e mo not nica e verica a propriedade, para 8a 2 0; 1 : o Elemento neutro = 0:

?a; 0 = a.

Figura 2: Cardinalidade, altura, suporte, n cleo e o corte u de nvel 0.5 do conjunto nebuloso A. 3 c075

Uma t-norma e uma t-conorma ? s o duais em a relacao a uma operacao de negacao : : 0; 1 ! 0; 1 se elas satisfazem as relacoes de De Morgan, dadas por, para 8a; b 2 0; 1 :

Leis de De Morgan:

O principal operador de negacao e dado por :a = 1 , a, mas outros operadores podem ser encontrados na literatura [15]. E importante notar que as t-normas e t-conormas se reduzem aos operadores cl ssicos de uni o e interseccao a a quando os conjuntos s o crisp. a A Tabela 1 indica as t-normas e t-conormas mais utilizadas e as Figuras 3 e 4 ilustram alguns destes operadores, em relacao a dois conjuntos nebulosos A e B . Estes operadores satisfazem as leis de De Morgan em relacao ao operador de negacao :a = 1 , a. Tabela 1: Principais -normas e -conormas duais. nome Zadeh probabilista Lukasiewicz Weber

: a; b = ?:a; :b; :?a; b = :a; :b:

premissa Ent o conclus o . Considerando A e B a a dados por A : X ! 0; 1 , B : Y ! 0; 1 , a relacao A ! B e expressa como:

A!B x; y = I A x; B y

(8)

t , norma mina; b a:b maxa + b , 1; 0 8 a; se b = 1 b; se a = 1 : 0; sen o a

t , conorma maxa; b a + b , ab 8mina + b; 1 a; se b = 0 b; se a = 0 : 1; sen o a

Existem tr s grandes classes de implicacoes proe priamente ditas: As implicacoes S , que s o da for a ma IS a; b = ?:a; b, as implicacoes R, que s o a tais que IR a; b = sup fc 2 0; 1 = a; c  bg, e as implicacoes QM , que s o da forma IQM a; b = a ? :a; a; b, onde e uma t-norma, ? e uma t conorma e : e uma negacao. As t-normas n o s o implicacoes propriamente ditas, a a mas s o muito empregadas na pr tica como implicacoes, a a notadamente em aplicacoes de controle nebuloso. Um estudo mais detalhado pode ser encontrado em 44 47 . A Tabela 2 mostra os principais operadores de implicacao e a Figura 5 ilustra o uso de alguns destes operadores. Tabela 2: Principais operadores de implicacao.

Figura 3: Ilustracao das principais t , normas. A maior (respec. a menor) t-norma e o min (respec. a t-norma de Weber); a maior (respec. a menor) t-conorma e a t-conorma de Weber (respec. o max). Os operadores mais usualmente utilizados s o os operadores de Zadeh e a os probabilistas.

max1 , a; b min1 , a + b; 1 1; se a  b 0; sen o a 1; se a  b b; sen o a minb=a; se a 6= b 1; sen o a 1 , a + ab max1 , a; mina; b mina; b a:b

Implicacao

nome Kleene,Diemes Lukasiewicz Rescher,Gaines Sharp Brower,G del o Goguen Reichenbach Estoc stica a Zadeh,Wilmott Mamdani Larsen

Figura 5: Ilustracao das implicacoes Mamdani, ii) Larsen, iii) G edel. o

I  ; B y:

i)

3. Controladores Nebulosos
Figura 4: Ilustracao das principais t , conormas. 2.2.1 Operadores de Implicacao Os operadores de implicacao I : 0; 1 ! 0; 1 s o a usados para modelar regras de infer ncia do tipo Se e 4 c076 As t cnicas de controle nebuloso originaram-se com e as pesquisas e projetos de E. H. Mamdani 48 49 e ganharam espaco como area de estudo em diversas instituicoes de ensino, pesquisa e desenvolvimento do mundo, sendo at hoje uma importante aplicacao da teoe ria dos conjuntos nebulosos.

Ao contr rio dos controladores convencionais em que a o algoritmo de controle e descrito analiticamente por equacoes alg bricas ou diferenciais, atrav s de um mo e e delo matem tico, em controle nebuloso utilizam-se de rea gras l gicas no algoritmo de controle, com a intencao de o descrever numa rotina a experi ncia humana, intuicao e e heurstica para controlar um processo 1 . Uma vari vel lingustica 45 pode ser denida por a uma qu drupla X; ; T X ; M , onde X e o nome da a vari vel, e o universo de discurso de X , T X  e um a conjunto de nomes para valores de X , e M e uma funcao que associa uma funcao de pertin ncia a cada elemento de e T X . Chamamos aqui de termos lingusticos, indistinta mente, tanto os elementos de T X  quanto suas funcoes de pertin ncia. e

Negativa Baixa; Positiva Altag.

A Figura 6 ilustra a vari vel lingustica velocidade a com os termos nebulosos dados por fNegativa Alta;

Zero;

Positiva Baixa;

Figura 7: Estrutura de um Controlador Nebuloso. 3.1. Interface de Fuzicacao A interface de fuzicacao faz a identicacao dos valores das vari veis de entrada, as quais caracterizam o a estado do sistema (vari veis de estado), e as normaliza a em um universo de discurso padronizado. Estes valores s o ent o fuzicados, com a transformacao da entrada a a crisp em conjuntos nebulosos para que possam se tornar inst ncias de vari veis lingusticas. a a 3.2. Base de Conhecimento

Figura 6: Termos lingusticos mapeiam a vari vel Velo a cidade. Adaptada de Bauer (1998). satisfaz o terO grau com que um valor x em mo lingustico A e a pertin ncia de x em A, dada por e A x . Os controladores nebulosos s o robustos e de grana de adaptabilidade, incorporando conhecimento que outros sistemas nem sempre conseguem acomodar 46 . Tamb m s o vers teis, principalmente quando o modelo e a a fsico e complexo e de difcil representacao matem tica. a Em geral, os controladores nebulosos encontram maior utilidade em sistemas n o-lineares, sendo capazes a de superar perturbacoes e plantas com nveis de rudos. Al m disso, mesmo em sistemas onde a incerteza se faz e presente de maneira intrnseca, agregam uma robustez ca racterstica. No entanto, provar determinadas proprieda des de robustez e uma tarefa difcil neste tipo de aborda gem. A Figura 7 e a representacao da estrutura b sica de a um controlador nebuloso, como descrito em 4 . Muitas variacoes s o propostas na literatura de acordo com o ob a jetivo do projeto, mas esse e um modelo geral o suciente para a identicacao dos m dulos que o comp em, forne o o cendo uma id ia do uxo da informacao. e 5 c077

A base de conhecimento consiste de uma base de dados e uma base de regras, de maneira a caracterizar a estrat gia de controle e as suas metas. e Na base de dados cam armazenadas as denicoes sobre discretizacao e normalizacao dos universos de dis curso, e as denicoes das funcoes de pertin ncia dos ter e mos nebulosos. A base de regras e formada por estruturas do tipo Se premissa Ent o a conclus o , a

como por exemplo: Se Erro e Negativo Grande e Erro e Positivo Pequeno Ent o Velocidade e Positiva Pequena. a Estas regras, juntamente com os dados de entrada, s o a processados pelo procedimento de infer ncia, o qual ine fere as acoes de controle de acordo com o estado do sis tema, aplicando o operador de implicacao, conforme o procedimento de infer ncia que ser descrito na Secao e a 3.3. Em um dado controlador nebuloso, e importante que existam tantas regras quantas forem necess rias para maa pear totalmente as combinacoes dos termos das vari veis, a isto e, que a base seja completa, garantindo que exista

sempre ao menos uma regra a ser disparada para qualquer entrada. Tamb m s o essenciais a consist ncia, one a e de procura-se evitar a possibilidade de contradicoes e a interacao entre as regras, gerenciada pela funcao de implicacao de modo a contornar as situacoes de ciclo. As premissas s o relacionadas pelos conectivos a l gicos, dados pelo operador de conjuncao (e) e o opeo rador de disjuncao (ou). Em geral as regras tem a forma de um sistema de m ltiplas entradas e m ltiplas sadas u u (MIMO), mas que pode ser transformado em v rios sisa temas com m ltiplas entradas e uma sada (MISO). Por u exemplo, a regra MIMO Se x1 e A1 e . . . e xn e An Ent o y1 e C1 e . . . e ym e Cm a e equivalente a m regras MISO: Se x1 e A1 e . . . e xn e An Ent o yj e Cj a Em geral n o se aceitam conectivos ou na cona clus o [44]. a 3.3. Procedimento de Infer ncia e Um controlador nebuloso e um sistema especialista simplicado onde a consequ ncia de uma regra n o e e a aplicada como antecedente de outra [3]. Assim, o processo de infer ncia consiste em: e 1. Vericacao do grau de compatibilidade entre os fa tos e as cl usulas nas premissas das regras; a 2. Determinacao do grau de compatibilidade global da premissa de cada regra; 3. Determinacao do valor da conclus o, em funcao do a grau de compatibilidade da regra com os dados e a acao de controle constante na conclus o (precisa ou a n o); a 4. Agregacao dos valores obtidos como conclus o nas a v rias regras, obtendo-se uma acao de controle gloa bal. Os tipos de controladores nebulosos encontrados na literatura s o os modelos cl ssicos, compreendendo o a a modelo de Mamdani e o de Larsen, e os modelos de interpolacao, compreendendo o modelo de Takagi Sugeno e o de Tsukamoto (vide [3] [4] [50]). Os modelos diferem quanto a forma de representacao ` dos termos na premissa, quanto a representacao das ` acoes de controle e quanto aos operadores utilizados para implementacao do controlador. 3.3.1 Controle nebuloso cl ssico a Nos modelos cl ssicos, a conclus o de cada regra esa a pecica um termo nebuloso dentre um conjunto xo de termos (geralmente em n mero menor que o n mero de u u 6 c078

regras). Estes termos s o usualmente conjuntos nebuloa sos convexos como tri ngulos, funcoes em forma de sino a (bell-shaped) e trap zios. e Dado um conjunto de valores para as vari veis de esa tado, o sistema obt m um conjunto nebuloso (muitas vee zes sub-normalizado), como o valor da varivel de cona trole. Este conjunto nebuloso representa uma ordenacao no conjunto de acoes de controle aceit veis naquele mo a mento. Finalmente, uma acao de controle global e sele cionada dentre aquelas aceit veis em um processo conhea cido como desfuzicacao. Sejam as regras Rj codicadas como:

Rj : Se x1 e A1;j e : : : e xn e An;j Ent o yj e Cj a

No modelo cl ssico, o processamento de infer ncia e a e feito da seguinte maneira:

. .

Passo 1: Seja xi uma vari vel de estado, denida no a universo Xi , a realizacao de xi e denida como o valor x 2 Xi que esta assume em Xi em um dado i momento; Passo 2: A compatibilidade da i , esima premissa da j , esima regra com x , ou seja, a compatibii lidade de x , 1  i  n, com Ai;j da regra Rj , i 1  j  m, e denida por:

i;j = Ai;j x ; i

1  i  n; 1  j  m

(9)

Passo 3: Com as premissas de uma dada regra avaliadas, a compatibilidade global j da regra Rj , 1  j  m, com os x e determinada com uma i t-norma :

j =  1;j ;

::: ; n;j ;

1jm

(10)

Passo 4: O j assim obtido e relacionado com o respectivo conjunto nebuloso Cj do consequente da 0 regra Rj , dando origem a um conjunto Cj , 1  j  m, atrav s de um operador de implicacao I : e

Cj0 y = I  j ; Cj y; .

8y 2 Y

(11)

Passo 5: Um operador r faz a agregacao das 0 contribuicoes das v rias regras acionadas Cj num a 0: unico conjunto nebuloso C

0 C 0 y = rC10 y; ::: ; Cm y; 8y 2 Y

(12)

O operador r e usualmente uma t-conorma, quando o operador de implicacao I e uma t-norma, e uma t-norma em caso contr rio. a Modelos de Mamdani e Larsen Os modelos cl ssicos a seguem estritamente os passos mostrados acima, sendo que no modelo de Mamdani temos a; b = min a; b, I = min a; b e r a; b = max a; b e no modelo de Larsen temos a; b = a  b, I = a  b e r a; b = max a; b.

As Figuras 8 e 9 ilustram o processo de raciocnio do modelo de Mamdani e do modelo de Larsen, respectivamente. Os controladores de Mamdani e Larsen necessitam da utilizacao de uma interface de desfuzicacao para gerar a acao de controle, isto e, escolher um unico valor no a suporte de C 0 , o que ser visto na Secao 3.4. 3.3.2 Controle nebuloso por interpolacao Nos modelos de interpolacao, cada conclus o e dada a atrav s de uma funcao estritamente monot nica, usuale o mente diferente para cada regra. No modelo de TakagiSugeno, a funcao e uma combinacao linear das entradas, tendo como par metros um conjunto de constantes. No a esquema de Tsukamoto, a funcao e geralmente n o linear, a tendo como domnio os possveis graus de compatibilida de entre cada premissa e as entradas. Em ambos os esquemas, obt m-se, para cada regra, e um unico valor para a vari vel de controle. Finalmen a te, uma acao de controle global e obtida fazendo-se uma m dia ponderada dos valores individuais obtidos, onde e cada peso e o pr prio grau de compatibilidade entre a o premissa da regra e as entradas, normalizado. Para os modelos de interpolacao, tamb m s o v lidos e a a os passos 1, 2 e 3 descritos nos modelos cl ssicos. No a entanto, a operacao de implicacao do passo 4 determi na uma acao de controle precisa para cada regra. Essas acoes individuais s o interpoladas no passo 5, gerando a uma acao de controle unica e precisa. Modelo de Tsukamoto O modelo de Tsukamoto [3] [44] exige que pelo menos os conjuntos nebulosos Cj , que est o associados com os consequentes das regras, a sejam funcoes monot nicas. No passo 4, o m todo de o e 0 interpolacao obt m um valor preciso yj relativo a acao de e ` controle da regra Rj , que e dado por:

onde cada dk e uma constante. A acao de controle obtida por cada regra por:

Rj e dada

como no modelo de Tsukamoto. Na Figura 11, ilustrase a infer ncia atrav s do m todo de Takagi e Sugeno de e e e duas regras MISO. E interessante notar que um controlador nebuloso de Takagi-Sugeno se comporta como um sistema do tipo PD quando existe somente uma unica regra na base, dada por Se x1 = A1 e x2 = A2 Ent o c = d0 + d1  x1 + d2  x2 , a onde:

yj0 = fj x ; x ; ::: ; x  (16) 1 2 m A acao de controle y 0 e ent o obtida pela Equacao 14, a

x1 = erro, x2 = erro; d0 = 0; os termos Ai s o tais que Ai x = 1, 8x 2 Xi ; a


Quando x1 = erro, x2 = erro e d0;j = 0; 1  j  m, um controlador do tipo Takagi-Sugeno se comporta pois como se interpol ssemos os resultados de um cona junto de controladores PD, cada um denido para uma regi o do espaco de estados. a 3.4. Interface de Desfuzicacao Nos controladores nebulosos do tipo cl ssico, a intera face de desfuzicacao e utilizada para obter uma unica acao de controle precisa, a partir do conjunto nebuloso C 0 obtido no passo 4. O procedimento compreende a identicacao do domnio das vari veis de sada num correspondente uni a verso de discurso e com a acao de controle nebulosa in ferida evolui-se uma acao de controle n o nebulosa. a Os m todos de desfuzicacao mais utilizados s o: e a 1. Primeiro M ximo (SOM): Encontra o valor de sada a atrav s do ponto em que o grau de pertin ncia da e e distribuicao da acao de controle atinge o primeiro valor m ximo; a 2. M todo da M dia dos M ximos (MOM): Encontra e e a o ponto m dio entre os valores que t m o maior grau e e de pertin ncia inferido pelas regras; e 3. M todo do Centro da Area (COA): O valor de sada e e o centro de gravidade da funcao de distribuicao de possibilidade da acao de controle. A Figura 12 e um exemplo para o m todo do centro e da area. A selecao do m todo est relacionada diretamente e a com as caractersticas do processo controlado e o com portamento de controle necess rio. O m todo do ultimo a e m ximo ou a m dia dos m ximos, por exemplo, que asa e a semelham o efeito de um controlador bang-bang, podem conduzir a acoes de controle inadequadas ao modo 7 c079

yj0 = Cj  j 

(13)

Por sua vez, no passo 5, os valores obtidos como conclus o nas v rias regras s o agregados em uma unica acao a a a de controle precisa y 0 , atrav s de uma m dia ponderada, e e dada por:

n P,

y0 = j=1

0 j  yj
j

n P

(14)

j =1

Neste caso, a interface de desfuzicacao n o e uti a lizada. A Figura 10 representa uma interpretacao gr ca a do modelo de interpolacao de Tsukamoto. Modelo de Takagi-Sugeno O modelo de Takagi e Sugeno [3] [44] exige que todos os termos nebulosos Ai;j na premissa sejam funcoes monot nicas e que as conclus es o o das regras sejam dadas por funcoes:

fj x1 ; ::: ; xm  = d0;j + d1;j  x1 + ::: + dm;j  xm

(15)

Figura 8: Modelo cl ssico de Mamdani. a

Figura 9: Modelo cl ssico de Larsen. a

Figura 10: Modelo de interpolacao de Tsukamoto.

8 c080

Figura 11: M todo de interpolacao de Takagi-Sugeno. e de operacao (p.ex. produzindo solavancos) e, assim, cau sar danos de ordem pr tica em equipamentos como os a atuadores. Existem ainda outros m todos de desfuzicacao, e apresentando diferencas em termos de velocidade e e ci ncia, caractersticas que devem ser analisadas em cone junto com os requisitos do projeto [44] [51] [46] [3]. E importante lembrar que os controladores nebulosos do tipo interpolacao n o necessitam de uma interface de a desfuzicacao, pois j obt m-se diretamente os valo a e res precisos para as entradas do processo controlado [44] [51] [3]. 3.5. Projeto de Controladores Nebulosos De uma maneira geral, pode-se descrever as tarefas de construcao de um controlador nebuloso brevemente como [46]: 1. Denicao do modelo e das caractersticas opera cionais, para estabelecer as particularidades da arquitetura do sistema (como sensores e atuadores) e denicao das propriedades operacionais do contro lador nebuloso do projeto, como o tipo de controlador, operadores a serem utilizados, desfuzicador, etc; 2. Denicao dos termos nebulosos de cada vari vel. a Para garantir suavidade e estabilidade deve-se permitir que haja uma sobreposicao parcial entre con juntos nebulosos vizinhos; 3. Denicao do comportamento do controle, que en volve a descricao das regras que atrelam as vari veis a de entrada as propriedades de sada do modelo. ` No projeto de controladores nebulosos e necess ria a portanto a denicao de alguns par metros, obtidos a par a 9 c081 tir da experi ncia do projetista ou atrav s de experimene e tos. Tendo em vista um determinado processo, alguns destes par metros s o xos, os denominados par metros a a a estruturais, e outros, os par metros de sintonizacao, s o a a aqueles que variam com o tempo: 1. Par metros estruturais: a N mero de vari veis de entrada e sada; u a Vari veis lingusticas; a Funcoes de pertin ncia parametrizadas; e Intervalos de discretizacao e normalizacao; Estrutura da base de regras; Conjunto b sico de regras; a Recursos de operacao sobre os dados de entra da. 2. Par metros de sintonizacao: a Universo de discurso das vari veis; a Par metros das funcoes de pertin ncia (p.ex. a e n cleo e suporte); u Propriedades da base de regras como a completude, consist ncia, interacao e robustez precisam ser testadas. e A robustez relaciona-se com a sensibilidade do controle frente a rudos ou algum comportamento incomum n o-modelado. Para ser medida, introduz-se um rudo a aleat rio de m dia e vari ncia conhecidas e observa-se o e a ent o a alteracao dos valores das vari veis de sada. a a A sintonizacao e uma tarefa complexa devido a exi ` bilidade que decorre da exist ncia de muitos par metros, e a exigindo esforco do projetista na obtencao do melhor de sempenho do controlador. Alguns dos par metros podem a ser alterados por mecanismos autom ticos de adaptacao e a aprendizado, contudo, normalmente e tarefa do projetis ta o treinamento e a sintonia da maioria dos par metros. a

Figura 12: Desfuzicacao pelo M todo do Centro de Gravidade. Adaptada de Bauer (1998). e Esta sintonizacao e feita atrav s de busca, uma atividade e tpica em Intelig ncia Articial. e A sintonizacao pode ser feita da seguinte maneira: 1. Desenvolve-se um controlador simples, que simule um controlador proporcional com: Conjunto de vari veis mais relevantes; a Baixo n mero de vari veis lingusticas; u a 2. Incrementa-se o conhecimento conforme a experi ncia resultante do processo: e Buscando-se novas vari veis lingusticas ou a fsicas para contornar as diculdades; Ajustando-se as funcoes de pertin ncia e os e par metros do controlador; a Adicionando-se regras ou modicando a estrutura de controle. 3. Valida-se a coer ncia do conhecimento incorporado e com novas condicoes de operacao para o sistema. Essas tarefas necessitam de plataformas sosticadas, com interface poderosa e que permitam uma r pida ina fer ncia. Isto e proporcionado pelos pacotes integrados, e dedicados a an lise de modelos nebulosos 47 . a informacao: na fase de aprendizado, eles t m um com e portamento de redes neurais, e na fase de processamento, eles se comportam como um sistema nebuloso. Estes sistemas s o capazes de solucionar problemas a apresentados pelos paradigmas em que se baseiam. Por exemplo, duas quest es em aberto a respeito de redes o neurais s o: a Como determinar quantas camadas e quantos n s o devem ser usados em uma rede neural para que ela resolva efetivamente um dado problema, de maneira eciente ? Que tipo de conhecimento pode ser extrado de uma rede treinada e como pode ser feita esta extracao ? Por exemplo, se tomarmos um controlador neural para um p ndulo sobre um carrinho (problema do e p ndulo invertido), e possivel extrair conhecimento e do tipo se o p ndulo esta caindo para a direita, moe va o carrinho para a direita ? Em relacao a sistemas nebulosos, uma problema im portante e aparentemente insol vel e: u Como construir um sistema nebuloso, se ao inv s de e um especialista capaz de fornecer regras, temos somente um conjunto de exemplos do funcionamento ideal do sistema ? Como um sistema nebuloso, os sistemas neurofuzzy podem explicar o seu comportamento, atrav s e de regras que modelam o conhecimento do sistema. Como uma rede neural (do tipo supervisionada), o aprendizado do sistema e feito a partir da apresentacao de exem plos. Dito de outra maneira, os sistemas neuro-fuzzy n o apresentam as desvantagens dos paradigmas em que a se baseiam; ao contr rio das redes neurais, os sistemas a neuro-fuzzy n o s o uma caixa preta, e, ao contr rio a a a dos sistemas nebulosos, eles prescindem da necessidade de um especialista que lhes forneca as regras. Na pr xima subsecao, apresentamos um modelo abso trato que serve para modelar tanto redes neurais, quanto controladores nebulosos e sistemas neuro-fuzzy. Em seguida, apresentamos brevemente um dos sistemas neuro-fuzzy mais conhecidos na literatura. 10 c082

4. Aprendizado Usando Redes Neurais


Nos ultimos anos, tem havido um crescente interes se sobre os chamados sistemas neuro-fuzzy [17] [18] [19] [20] [42]. A rigor, qualquer sistema que misture os paradigmas de sistemas nebulosos e sistemas conexionistas poderia ser chamado de neuro-fuzzy, como, por exemplo, a utilizacao de um controlador nebuloso para alterar dinamicamente a taxa de aprendizado de uma rede neural. No entanto, o termo e utilizado para um tipo especco de sistema que de certa forma engloba os dois paradigmas. Nestes sistemas, os termos e regras de um sistema nebuloso s o aprendidos mediante a apresentacao a de pares (entrada, sada desejada). Eles apresentam dois comportamentos distintos, dependendo de estar numa fase de aprendizado ou numa fase de processamento da

4.1. Modelo abstrato Para ilustrar a ligacao entre redes neurais e sistemas nebulosos, vamos utilizar um modelo abstrato que envolve 2 tipos de n s: o 1. N s que computam funcoes, como por exemplo a o desfuzicacao, nos sistemas nebulosos, e a funcao de ativacao, nas redes neurais. Nas guras, eles ser o representados por quadrados e ret ngulos. a a 2. N s que buscam dados, como por exemplo os tero mos nebulosos, nos sistemas nebulosos, e os pesos, nas redes neurais. Nas guras, eles ser o represena tados por crculos e elipses. Por exemplo, cada tipo de controlador nebuloso visto anteriormente utiliza uma inst ncia particular deste moa delo. As Figuras 13, 14 e 15 trazem respectivamente a abstracao dos controladores nebulosos de Mamdani, Su geno e Tsukamoto respectivamente. Nestas guras, os n s de busca de dados s o ilustrados pelos termos A, o a B e C , que representam conjuntos nebulosos (vistos como dados), e por C ,1 , que representa uma funcao tendo graus de pertin ncia em 0; 1 como domnio. Os n s de e o funcoes s o ilustrados pela funcao I (identidade), (uma a t-norma qualquer), ? (uma t-conorma qualquer), D (um m todo de desfuzicacao qualquer),  (m dia ponderae e da) e pela funcao apply que obt m o grau de pertin ncia e e de um valor em um dado domnio em relacao a um con junto nebuloso denido neste mesmo domnio. A Figura 16 ilustra uma rede neural, utilizando as convencoes do modelo abstrato. Os n s de busca de da o dos rotulados como w representam pesos. Os n s de o funcao s o rotulados como I (identidade),  (produto), a  (m dia ponderada). O n da funcao de ativacao est e o a rotulada por uma ilustracao da funcao sigm ide. Os qua o drados pontilhados representam os n s da rede neural, tal o como s o usualmente conhecidos. a Podemos ver nesta gura que o modelo abstrato representa uma rede neural j treinada, independentemente a de fatores tais como a relacao deste modelo abstrato com o modelo biol gico e o m todo de treinamento das redes. o e Os pesos podem ter sido obtidos por algoritmos de aprendizado (p.ex.: backpropagation), ou por outros meios (p.ex.: algoritmos gen ticos). e Podemos notar que neste modelo abstrato, o conceito de camadas e mais geral do que aquele utilizado em redes neurais. 4.2. Modelo de Lin e Lee O modelo de Lin e Lee [18] tem como principal aplicacao a criacao de controladores nebulosos do tipo cl ssico (p.ex. controladores de Larsen ou Mamdani). a Os dados de entrada para este sistema s o o n mero a u de termos nebulosos para cada vari vel (tanto de entraa da quanto de sada). Assume-se que os termos nebulo sos s o modelados por funcoes em formato de sino, com a 11 c083

par metros m (centro do termo) e 2 (largura aproximada a do termo ou vari ncia). a A rede aprende os par metros para cada um dos tera mos nebulosos e tamb m a estrutura da rede, i.e., a que e conclus o ligar cada uma das premissas. a A criacao do sistema pode ser dividida em 4 fases: 1. Aprendizado dos termos nebulosos iniciais: Na primeira fase, o conjunto de treinamento, formado por pares ordenados (vetor de entrada, vetor de sada desejada), s o utilizados para se criar a os termos nebulosos iniciais. Cada termo Ai e re 2 presentado por um par mi ; i . Por exemplo, um termo pode ser denido como 1

Ai ! = e, 2 i 2

!,mi

Para cada vari vel lingustica, os exemplos (elemena tos dos vetores presentes no conjunto de treinamento) saoclusterizados, no esprito da rede de Koho nen, no n mero de termos que a vari vel pode assuu a mir. 2. Criacao de uma estrutura inicial da rede: Na se gunda fase, a estrutura inicial da rede e determinada com um conjunto de 5 camadas de n s de funcao, o como pode ser visto na Figura 17. A camada 1 cont m n s que distribuem a entrada (funcao e o identidade) e e chamada de n s de entrada lin o gustica. A camada 2 cont m n s que computam e o o valor de pertin ncia da entrada em relacao a um e termo nebuloso (funcao apply) e e chamada de camada de n s de termos de entrada. A camada o 3 cont m n s que computam a compatibilidade de e o uma premissa em relacao as entradas (t-norma ) e ` e chamada de camada de n s de regras. A camada 4 o cont m n s que implementam uma dada t-conorma e o ?. Nesta fase, para cada n da camada 3, s o o a criadas conex es para todos os n s da camada 4 (na o o fase seguinte, algumas conex s o eliminadas). oes a Isto e equivalente a se ligar cada premissa com todas as conclus es possveis (termos) da cada o vari vel de sada. A camada 5 cont m n s que a e o implementam a desfuzzicacao, tendo como entrada pares formados pelo valor computado por cada n da camada 3 com um termo nebuloso de o sada associado. A Figura 17 ilustra a estrutura inicial em um sistema com 2 vari veis de entrada a e 2 vari veis de sada, com 3 termos para cada a vari vel (p.ex. o conjunto fN,Z,Pg). a 3. Aprendizado das regras: 3.a) Treinamento para obtencao das regras.

e , criando uma superposic ao muito acentuada dos conjuntos nebulosos.

, !,imi 2

1 No

artigo original, esta formula e dada como

Ai ! =

A1 x1
apply I T

C1
T

A2
apply T

C2
T

B1 x2
apply I T

C3
T

B2
apply T

C4
T

Figura 13: Arquitetura de controlador do tipo Mamdani.

x1 A1
N

C1
F

x1

apply I

A2
apply T N

C2
F

B1 x2
apply I T N

C3
F

B2
apply T N

C4
F

x2
Figura 14: Arquitetura de controlador do tipo Sugeno.

A1 x1
apply I T

C1 ,1
N apply

A2
apply T

C2 ,1
apply N

B1 x2
apply I T

C3 ,1
apply N

B2
apply T

C4 ,1
apply N

Figura 15: Arquitetura de controlador do tipo Tsukamoto. 12 c084

N11 x1
I

!11,21
*

N21

!21,31
*

N22

!12,21
*

!22,31
*

y1

N12 x2
I

!11,22
*

!21,32
*

!12,22
*

!22,32 N31
Figura 16: Rede neural.
*

y2 N32

Camada 1: I

Camada 2: Apply

Camada 3:

Camada 4:

Camada 5: Desf

x1

y1

. . .

x2

y2

Figura 17: Fase de aprendizado das regras no sistema de Lin e Lee.

13 c085

Na primeira parte da terceira fase, treina-se a rede no esprito competitivo e s o determi a nados pesos para as conex es que saem de o uma dada premissa para todas as conclus oes possveis. 3.b) Compilacao das regras (determinacao da estrutura nal). Na segunda parte desta fase, para cada vari vel a de saida, a conex o com maior peso que sai de a uma premissa torna-se a conclus o da regra, e a as demais s o eliminadas. A Figura 18 ilusa tra a compilacao de um sistema, equivalente ao uso da base de regras ilustrada na Tabela 3 para ambas as vari veis de sada. a Tabela 3: Controlador nebuloso. N Z P N N N Z Z N Z P P Z P P

de bits. Em geral, os algoritmos gen ticos utilizam cae deias de caracteres (strings) de tamanho xo, ao contr rio do que ocorre na area de Programacao Gen tica, a e que n o xa a representacao e tipicamente n o h a a a a codicacao dos problemas [54] [53]. 5.1. Est gios de um Algoritmo Gen tico a e Descreve-se em seguida um modelo b sico de algoa ritmo gen tico. Maiores detalhes podem ser encontrados e em 54 34 53 40 . Um ciclo de um algoritmo gen tico consiste dos e est gios de criacao de uma populacao de solucoes potena ciais codicadas (indivduos), avaliacao dos indivduos, selecao dos indivduos mais capazes e geracao de uma nova populacao atrav s de manipulacoes gen ticas, como e e cruzamento e mutacao. Em geral, um AG modela uma solucao possvel para o problema na forma de um vetor com um n mero xo de u posicoes (cromossoma), onde cada posicao assume um valor em f0,1g. Inicialmente, o algoritmo gen tico utiliza uma e populacao inicial de cromossomas, oriunda de um pro cesso aleat rio. Uma funcao, a denominada funcao obo jetivo (tness), verica o quanto a soluc ao represen tada por cada um dos cromossomas da populacao em an lise se aproxima daquela ideal, medindo os efeitos a que ela causa ao ser aplicada como solucao do problema. Uma nova populacao e ent o gerada, atrav s dos opera a e dores gen ticos. Normalmente, substitui-se a populacao e progenitora pela gerada, o que mant m o tamanho da e populacao xo. Os principais operadores s o a selecao, que escoa lhe alguns cromossomas como aptos a passarem suas informacoes para a pr xima geracao, o cruzamento que o toma dois cromossomas selecionados e casando-os aleatoriamente gera lhos que tem caractersticas de am bos os pais, e a mutacao, que introduz uma pequena modicacao em um cromossoma selecionado. As chan ces de um cromossoma ser selecionado s o maiores quana to melhor e seu desempenho em relacao a uma funcao objetivo. Usando-se esse conceito de adequacao, as operacoes gen ticas s o executadas no sentido do apri e a moramento da populacao. Repete-se o ciclo usando a nova populacao e cada no va iteracao neste ciclo d origem a uma geracao. Essa a evolucao ocorre at que alguma condicao de parada seja e satisfeita, como por exemplo quando um n mero m ximo u a de geracoes ou tempo limite e atingido, ou quando e en contrada uma solucao est vel. a A Figura 19 ilustra o esquema do ciclo tpico de um algoritmo gen tico com a sequ ncia das operacoes realie e zadas sobre a composicao de uma geracao, como propos to por 55 . No esquema ilustrado na gura, o mecanismo de selecao e implementado pelo m todo da roleta, no qual e cada indivduo corresponde a um setor circular de angulo 2  fi =f , onde fi e f representam a aptid o do ina 14 c086

4. Otimizacao de termos nebulosos: Na ultima fase, um algoritmo de backpropagation e utilizado para ajustar o centro e a largura de cada termo.

5.

Aprendizado Gen ticos e

Usando

Algoritmos

Os Algoritmos Gen ticos (AG), sobre os quais 52 e e uma das principais refer ncias, constituem um m todo e e de otimizacao baseado na analogia entre otimizacao e a evolucao natural das esp cies, combinando os conceitos e de adaptacao seletiva e sobreviv ncia dos indivduos mais e capazes 40 . Trata-se de um dos paradigmas de uma nova linha de pesquisa alternativa em Ci ncia da Computacao, e conhecida como Computacao Evolutiva (CE), tamb m e considerada uma t cnica emergente de Intelig ncia Are e ticial (IA) por suas caractersticas particulares. Esses algoritmos usam uma base conceitual comum na evolucao de populacoes de estruturas individuais, que representam solucoes possveis para um dado problema, atrav s da aplicacao operacoes de selecao, mutacao e crue zamento nos indivduos de uma dada populacao. O indivduo na populacao recebe uma medida con forme sua adequacao ao ambiente e maior facilidade de reproducao e dada aos indivduos mais aptos. Al m disso, e um processo de mutacao introduz uma leve perturbacao em alguns dos indivduos de uma geracao, o que tende a levar a um aprimoramento das geracoes subsequentes 53 . O modelo gen tico computacional pode ser implee mentado atrav s de vetores de bits ou caracteres que ree presentam os cromossomas e as operacoes gen ticas s o e a implementadas por operadores simples de manipulacao

Camada 1: I

Camada 2: Apply

Camada 3:

Camada 4:

Camada 5: Desf

x1

y1

x2

y2

Figura 18: Fase de compilacao no sistema de Lin e Lee. divduo e a aptid o m dia da populacao, respectivamente. a e Um n mero aleat rio entre 0 e 2 determina qual o setor u o e o indivduo correspondente, que pela pr pria natureza o da roleta, tem a tend ncia de manter o car cter proporcioe a nal nessa determinacao. No esquema ilustrado acima, o cruzamento depende de uma probabilidade pc e a decis o para execut -la e toa a mada usando-se um gerador de n meros aleat rios no inu o tervalo 0; 1 . Somente se o n mero gerado for superior a u pc o cruzamento ser realizado. Para realizar o cruzamena to, outro n mero aleat rio k e utilizado para determinar u o a posicao de corte na cadeia de bits (cromossoma) de ta manho l, com k 2 1; l , 1 . Ent o, o material gen tico a e a direita desse ponto e permutado entre os cromossomas ` selecionados. No esquema acima, a mutacao altera bits numa cadeia de caracteres com a probabilidade pm . Esta operacao introduz novas informacoes, conferindo ao processo de busca da solucao uma caracterstica que o cruzamento por si s n o consegue. Isto permite vasculhar novos pontos o a no espaco de busca, aumentando a probabilidade de se encontrar o otimo global. Esse processo e realizado bit a bit. Para cada bit considerado (bit da posicao k ), gera se um n mero aleat rio no intervalo 0; 1 . A operacao e u o executada se esse n mero e superior a probabilidade pm , u ` e ent o, o valor do bit e alterado. a 15 c087 5.2. Controladores Nebulosos Projetados por um AG Existe atualmente um grande interesse no aprendizado de par metros de sistemas nebulosos com o uso de ala goritmos gen ticos, principalmente, de controladores nee bulosos. A seguir descrevemos um procedimento geral para o aprendizado de um controlador do tipo cl ssico, a implementado em [37], baseado em requerimentos usualmente adotados na construcao de controladores nebulo sos [3] [56] [57] [34]. Nesta implementacao, as estruturas iniciais dos con troladores adotam uma base de regras com um n mero u xo de regras e de termos nebulosos, construda para ca da caso. A tarefa do algoritmo gen tico consistiu ent o em se e a encontrar os centros dos conjuntos nebulosos das premissas e conclus es de cada regra. o Para conferir maior suavidade a superfcie que repre` senta as acoes de controle, foi utilizada a sobreposicao dos conjuntos nebulosos. O ponto de centro de um conjunto corresponde respectivamente ao ponto nal da base do conjunto anterior e ao ponto inicial da base do pr ximo conjunto (Figura 20). o Todos os conjuntos nebulosos centrais s o de forma a triangular e nas extremidades utilizam-se conjuntos trapezoidais. Al m disso, adotou-se a simetria em relacao e

n cleos de t n medio, e e tor neg grande foram espelhau dos a partir de t p medio e tor pos grande. Este esquema foi utilizado no aprendizado de um controlador nebuloso para o controle de atitude de um sat lite e articial a roda de reacao [37], apresentando resultados superiores aqueles relativos ao controlador PD existente ` para o mesmo sat lite. e 5.3. Outros tipos de AG O AG mostrado aqui utiliza operadores gen ticos que e operam sobre cromossomas nos quais cada parmetro e a representado por um n mero xo de bits, codicado seu gundo especicacoes do utilizador. Essa representacao tem desvantagens quando aplicada em cromossomas multidimensionais e problemas num ricos de alta pree cis o, pois o tamanho necess rio ao cromossoma paa a ra a representacao dos v rios par metros com suas res a a pectivas precis es pode ser impratic vel devido ao temo a po de processamento associado. Eventualmente, pode tamb m ocorrer situacoes de converg ncia prematura pae e ra um ponto de otimo n o global ou a inabilidade pa a ra a sintonizacao local na dos par metros. Isso por a que, dependendo da representacao adotada, dois pontos pr ximos no espaco de representacao do AG n o neceso a sariamente est o pr ximos no espaco do problema 2 . a o Uma forma alternativa de evoluir o processo de busca e realizar as operacoes em cromossomas cujos genes est o codicados diretamente em ponto utuante [58]. a Desta maneira, as operacoes de convers o de base s o a a efetuadas diretamente pelo processador. Al m disso, e garante-se que dois pontos pr ximos um do outro no o espaco de representacao do AG tamb m est o pr ximos e a o no espaco do problema (o inverso tamb m e v lido). Essa e a abordagem e recomendada para problemas de otimizacao de par metros com variacao no dom do cont a inio inuo e representa portanto, uma abordagem interessante para desenvolvimentos futuros no contexto deste trabalho.

Figura 19: Estrutura b sica de um Algoritmo Gen tico. a e Adaptada de Hoffmann (1997).

Figura 20: Conjuntos nebulosos para o mapeamento das conclus es das regras de um controlador nebuloso o (ilustracao). ao valor zero de uma vari vel (erro = 0). Desta forma, a os conjuntos nebulosos s o projetados para os valores poa sitivos da vari vel e ent o espelhados para os valores nea a gativos correspondentes. Nestes experimentos os cromossomas do AG codicam os valores relacionados aos possveis centros dos conjuntos nebulosos, mapeados no domnio correspon dente conforme as especicacoes de projeto. Os par metros obtidos na aprendizagem com o AG a s o tratados como porcentagens do intervalo de busca, a tomando-se como refer ncia o centro denido em zero. e Assim o primeiro conjunto ter como centro (n cleo) a a u pr pria porcentagem encontrada, o segundo ser o centro o a anterior mais a porcentagem obtida com o AG e assim sucessivamente. Por exemplo, na Figura 20, o intervalo de busca e da do por 0; :2 , sendo 0 o n cleo do conjunto nebuloso u central tor zero. O sistema aprendeu a porcentagem de 50 tanto para o n cleo do primeiro termo quanto para u o in do n cleo do segundo termo, resultando no valor icio u de 0.1 para t p medio, e de 0.15 para tor pos grande. Os 16 c088

6. Conclus es o
Neste trabalho, apresentamos alguns fundamentos sobre l gica nebulosa. Apresentamos tamb m o uso deste o e paradigma na construcao de sistemas baseados em conhe cimento para controle de processos, os chamados controladores nebulosos. Finalmente, apresentamos brevemente o aprendizado dos par metros envolvidos nestes a sistemas atrav s de redes neurais, os chamados sistemas e neuro-fuzzy, e de algoritmos gen ticos. e Para a criacao destes sistemas, existem ferramentas disponveis no pacote integrado MATLAB, como por exemplo o Toolbox Control Systems [59] [60] [61] [62] [63] [64] [65], Toolbox de Fuzzy, tamb m projetado pee la MathWorks e um algoritmo gen tico desenvolvido por e [66], utilizando como refer ncia o modelo e a estrutura e descrita em [54].
2 Isto pode eventualmente ser atenuado usando-se a codicac ao de Gray [58].

Existem outras diversas ferramentas computacionais disponveis comercialmente e muitas disponibilizadas li vremente por instituicoes educacionais. Alguns exem plos de sisitemas nebulosos s o o FuzzyTECH (Fuzzy a Logic Development System by Inform), FLINT (Fuzzy Logic Toolkit by Logic Programming Associates), ANFIS (Original C code by Roger Jang) e Xfuzzy (A Design Environment for Fuzzy Logic Control Systems). Para simulacoes de orbita pode-se citar o STK (Satellite Tool Kit) e refer ncias para AGs s o o GAGS (Genetic e a Algorithm C++ class library), IlliGAL (Illinois Genetic Algorithms Laboratory), GAGA (General Architecture for Genetic Algorithms), GAOT (GA Optimization Toolbox for Matlab) e o GALOPPS (Genetic ALgorithm Optimized for Portability and Parallelism System by Michigan State University), entre muitos outros. Estas ferramentas podem ser em alguns casos utilizadas em conjunto e constituem-se em alternativas para o desenvolvimento de projetos e pesquisas. Uma ferramenta para aprendizado usando algoritmos gen ticos pode tamb m e e ser encontrada em [37].

Refer ncias e
[1] L. A. Zadeh. Fuzzy sets. Fuzzy Sets, Information and Control, 8:338 353., 1965. [2] L. A. Zadeh. Fuzzy sets as a basis for a theory of possibility. Fuzzy Sets and Systems, 1:328, 1978. [3] D. Driankov, H. Hellendoorn, and M. Reinfrank. An Introduction to Fuzzy Control. Springer-Verlag, 1993. [4] C. C. Lee. Fuzzy logic in control systems: Fuzzy logic controller (part i). IEEE Transactions on Systems, Man an Cybernetics., 20(2):404 418., Marco/Abril 1990. [5] Fuzzy Logic Systems for Engineering: A Tutorial, volume 83. Proceedings of the IEEE, Marco, 1995. [6] J. L. Castro. Fuzzy logic controllers are universal approximators. IEEE Transactions on Systems, Man and Cybernetics,, 25(4):629 635., Abril 1995. [7] S. Dutta. Fuzzy logic applications: Technological an strategic issues. IEEE Transactions on Engineering Management, 40(3):237 254., Agosto 1993. [8] Fuzzy Open-Loop Attitude Control for the FAST Spacecraft, San Diego - CA, Julho 1996. Proc. of the NASA AIAA, Guidance, Navigation and Control Conference. [9] P. of the NASA AIAA, editor. Automated Maneuver Planning Using a Fuzzy Logic Controller, San Diego - CA, Julho 1996. Guidance: Navigation and Control Conference. [10] R. Guerra, S. A. Sandri, and M. L. O. S. (1997a). Dynamics and design of autonomous attitude control of a satellite using fuzzy logic. Anais do COBEM97, (COB 1338), Dezembro 1997. [11] R. Guerra, S. A. Sandri, and M. L. O. S. (1997b). Controle de atitude aut nomo de sat lites usando l gica nebulosa. o e e Anais do SBAI97, pages 337342., Setembro 1997. [12] S. Chiu and S. Chand. Adaptative Trafc Signal Control Using Fuzzy Logic. The Institute of Eletrical and Eletronics Engineers, Inc., New York, 1994. [13] C. L. Karr and E. J. Gentry. Fuzzy control of pH using genetic algorithms. IEEE Transactions on Fuzzy Systems, 1(1):46 53., Fevereiro 1993. [14] H. G. Weil, G. Probst, and F. Graf. Fuzzy Expert System for Automatic Transmission Control. The Institute of Eletrical and Eletronics Enginees, Inc., New York, 1994.

[15] G. J. Klir and T. A. Folger. Fuzzy Sets, Uncertainty, and Informations. Prentice Hall, Englewood Cliffs - New Jersey, 1988. [16] R. DAmore, O. Saotome, and K. H. Kienitz. Controlador nebuloso com deteccao de regras ativas. Anais do 3? Simp sio Brasileiro de Automacao Inteligente,, pages o 313318., Setembro 1997. [17] J. S. R. Jang. ANFIS: Adaptive-network-based fuzzy inference system. IEEE Trans. on SMC, 23(3):665 685., 1993. [18] C.-T. Lin. A neural fuzzy control system with structure and parameter learning. Fuzzy Sets and Systems,, (70):183 212., 1995. [19] B. Kosko. Neural Networks and Fuzzy Systems. Prentice Hall, Englewood Cliffs - NJ, 1992. [20] L. Wang and J. M. Mendel. Generating fuzzy rules by learning from examples. IEEE Transactions on Systems, Man, and Cybernetics., 22(6):1414 1427., Novembro/Dezembro 1992. [21] P. Husbands. Genetic algorithms in optimization and adaptation. Advances in Paralell Algorithms,, pages 227 277., 1992. [22] J. J. Grefenstette. Optimization of control parameters for genetic algorithms. IEEE Transactions on Systems, Man, and Cybernetics, 16(1):122 128., Janeiro/Fevereiro 1986. [23] T. Yoneyama and E. Cardozo. Randomized search m thods for optimization of controller parameters. In e Anais do X Congresso Brasileiro de Autom atica/ VI Congresso Latino Americano de Controle Autom tico, pages a 584 589., Rio de Janeiro - RJ, Setembro 1994. [24] C. Karr. Applying genetics to fuzzy logic. AI Expert,, pages 38 43., Mar. 1991. [25] C. Karr. Adaptive Control with Fuzzy Logic and Genetic Algorithms. Fuzzy Sets, Neural Networks and Soft Computing, (R.R. Yager, L.A. Zadeh, eds), 1994. [26] D. T. Pham and D. Karaboga. Optimum design of fuzzy logic controllers using genetic algorithms. J. Syst. Eng.,, 1,:114 118., 1991. [27] Modications of Genetic Algorithms for Designing and Optimizing Fuzzy Controlers, Orlando - Fl, 1994. Proc. of the 1st IEEE Int. Conf. on Evolutionary Computation. [28] Proc. of the IEEE/IFAC Joint Symp. on Computer-Aided Control Syst. Design. Designing Fuzzy Net Controlers Using GA Optimizing, Tucson - Az, 1994. [29] Generating Fuzzy Rules by Genetic Algorithms, Nagoya - JP, 1994a. Proc of the 3rd IEEE Int. worshop on Robot and Human Communication. [30] Tuning and Optimization of Membership of Fuzy Logic Controlers by Genetic Algorithms, Nagoya - JP, 1994a. Proc of the 3rd IEEE Int. worshop on Robot and Human Communication. [31] Genetic Algorithmes for Fuzzy Control, Part I: Ofine System Development an Application, volume 142. IEE Proc.: Control Theory Appl., Maio, 1995. [32] A. Homaifar and E. McCormick. Simultaneous design of membership functions and rule sets for fuzzy controllers using genetics algoritms. IEEE Transactions on Fuzzy Systems, 3(2):46 53., Maio 1993. [33] K. H. Kienitz. A fuzzy control method based on possibility distribuitions. In II Simp sio Brasileiro de Automacao o Inteligente, pages 79 84, Curitiba, Setembro 1995.

17 c089

[34] E. Sanchez, T. Shibata, and L. A. Zadeh. Genetic Algoritms and Fuzzy Logic Systems: Soft Computing Perspectives, volume 7 of Advances in Fuzzy Systems: Applications and Theory. Singapore: World Scientic Publishing Co. Pte. Ltd., 1997. [35] M. Stachowitz, D. Yao, and T. Chen. Tuning a PID controller based on a genetic algorithm. Technical report, Tech. Report Lab. for Int. Syst., Dept. Elect. and Comp. Eng., Un. of Minnesotta., 1995. [36] K. S. Tang, K. F. Man, S. Kwong, and Q. He. Genetic algoritms and their applications. IEEE Signal Processing Magazine,, 13(6):22 37., Novembro 1996. [37] C. Correa. Uso de algoritmos gen ticos no projeto de e controladores nebulosos para o controle de atitude de um sat lites articial durante a fase de apontamento. Masters e thesis, Instituto Nacional de Pesquisas Espaciais - INPE, S o Jos dos Campos - SP, Marco 1999. a e [38] J. C. C. Aya and O. L. V. Costa. Otimizacao de contro ladores nebulosos usando algoritmos gen ticos. Anais do e SBAI97, pages 207212, Setembro 1997. [39] J. C. A. Silva and C. K. (1997b). Algoritmo gen tico e aplicado a simulacao. Anais do SBAI97,, pages 283 288., Setembro 1997. [40] J. A. D. Vasconcelos, A. M. N. E. N. Cardoso, and F. A. Pinheiro. Algoritmo gen tico aplicado ao controle de e tens o em sistemas el tricos de pot ncia. Anais do 3? a e e Simp sio Brasileiro de Automacao Inteligente,, pages 38 o 44, 1997. [41] D. Dubois and H. Prade. Possibility Theory. Plenum Press, New York, 1988. [42] H.-H. Bothe. Fuzzy neural networks. Seventh International Fuzzy Systems Association World Congress/Tutorials - IFSA97, pages 01387, June 1997. [43] D. Dubois and H. Prade. Fuzzy Sets and Systems: Theory and Aplications. Academic Press, New York, 1980. [44] S. A. Sandri. Introducao a l gica fuzzy. [on o line] http://jupiter.lac.inpe.br/sandri/les/vitoria/ps , Agosto 1997. [45] P. Bauer, S. Nouak, and R. Winkler. A brief course in fuzzy logic and fuzzy control. [online] http://www.ll.unilinz.ac.at/fuzzy/introduction.html , April 1998. [46] R. Guerra. Projeto e simulacao do controle de atitude aut nomo de sat lites usando l gica nebulosa. Masters o e o thesis, Instituto Nacional de Pesquisas Espaciais - INPE, S o Jos dos Campos - SP, Marco 1998. a e [47] F. A. C. Gomide, R. R. Gudwin, and RicardoTanscheit. Conceitos fundamentais da teoria de conjuntos fuzzy, l gica fuzzy e aplicacoes. Sixth International Fuzzy Syso tems Association World Congress/ Tutorials - IFSA95,, pages 01 38., July 1995. [48] E. H. Mamdani. Advances in the linguistic syntesis of fuzzy controllers. Int. J. Man-Mach. Stud., 8:669 678., 1976. [49] E. H. Mamdani, T. Procyk, and N. Baaklini. Application of Fuzzy Logic to Controller Design Based on Linguistic Protocol. Queem Mary College. [50] C. C. Lee. Fuzzy logic in control systems: Fuzzy logic controller (part II). IEEE Transactions on Systems, Man and Cybernetics., 20(2):419 430., Marco/Abril 1990. [51] State University of Campinas - UNICAMP Faculty of Eletrical Engineering - FEE Departament of Computer Engineering and Industrial Automation - DCA. Sixth International Fuzzy Systems Association World Congress Tutorials -IFSA95, S o Paulo - Brazil, July 1995. a

[52] J. H. Holland. Adaptation in natural and articial systems. The Univ. of Michigan Press, 1975. [53] L. A. M. Palazzo. Algoritmos para computac ao evolutiva. [online] http://akira.ucpel.tche.br/bbvirt/ps/comput1.ps http://akira.ucpel.tche.br/bbvirt/art/comput1.htm Grupo de Pesquisa em Intelig ncia Articial - Univere sidade Cat lica de Pelotas - Escola de Inform tica o a lpalazzo@atlas.ucpel.tche.br, Dezembro 1996. [54] D. E. Goldberg. Genetic Algorithms in Search, Optimization and Machine Learning. Addison-Wesley Publishing Company, Inc., 1989. [55] H. Hoffmann. Genetic algorithm. [online] http://www.cs.berkeley.edu/fhoffman/#gaclass http://HTTP.CS.Berkeley.EDU/fhoffman/ga.htm fhoffman@cs.berkeley.edu, May 1997. [56] E. M. Henning Heider, Viktor Tryba. Automatic disign of fuzzy systems by genetic algorithms. Fuzzy Logic and Soft Computing, 1995. [57] P. M. Larsen. Industrial Aplications of Fuzzy Logic Control. Academic Press Inc., London, 1981. [58] Z. Michalewicz. Genetic algorithms + data structures = evolution programs. Springer-Verlag, 1996. 3rd edition. [59] R. H. Bishop. Modern Control Systems Analysis and Design Using MATLAB c . Addison-Wesley Publishing Company, 1993. [60] B. Shahian and M. Hassul. Control System Design Using Matlab c . Prentice Hall, Engewood Cliffs - New Jersey 07632, 1993. [61] D. C. Kuo, B. C.; Hanselman. MATLAB c tools for control system analysis and design. Prentice Hall, 1994. [62] W. S. Leonard, N. E.; Levine. Using MATLAB c to analyse and design control systems. Menlo Park-Ca: Addison-Wesley Publishing Company, 1995. 2rd edition. [63] K. Ogata. Designing linear control systems with MATLAB c . Englewood Cliffs: Prentice Hall, 1994. [64] T. M. Inc. The student edition of MATLABTM : Student user guide. Englewood Cliffs: Prentice Hall, 1992. [65] N. Roger J., J. S.; Gulley. Fuzzy logic toolbox: For use with MATLAB c . Natick: The MathWorks Inc., 1995. [66] A. Potvin. Genetic algorithm m-les. [online] ftp://ftp.mathworks.com/pub/contrib/v4/optim/genetic.zip Modelo original desenvolvido em outubro de 1993. Co pyright (c) 1993 by the MathWorks, Inc.Ultima modicao em 24 de janeiro de 1994., Marco 1998.

18 c090