Você está na página 1de 42

PPGCC- Parte 2

Soft Computing: Suporte a Deciso em Ambientes de Incerteza


Prof. Morais

Uma introduo Lgica Fuzzy

Uma breve descrio de Sistemas Fuzzy


Aristteles, filsofo grego (384 322 a . C.), foi o criador da cincia da lgica, e estabeleceu um conjunto de regras rgidas para que concluses pudessem ser aceitas logicamente como vlidas. O emprego da lgica de Aristteles levava a uma linha de raciocnio lgico baseada em premissas e concluses. Como por exemplo: se observado que todo ser vivo mortal (premissa 1), a seguir constatado que pssaro um ser vivo (premissa 2), logo, como concluso temos que pssaro mortal. Desde ento, a lgica ocidental, assim chamada, tem sido binria, isto , uma declarao falsa ou verdadeira, no podendo ser ao mesmo tempo parcialmente verdadeira e parcialmente falsa. Esta suposio e a lei da no contradio, que coloca que U e no U cobrem todas as possibilidades, formam a base do pensamento lgico ocidental.

Uma breve descrio de Sistemas Fuzzy (cont.)


Na verdade, entre a certeza de ser e a certeza de no ser, existem infinitos graus de incerteza. Esta imperfeio intrnseca informao representada numa linguagem natural, tem sido abordada no passado com o uso da teoria das probabilidades.

Uma breve descrio de Sistemas Fuzzy (Cont)


Em 1965 Lofti A. Zadeh da Universidade da Califrnia Berkeley, observou que os recursos tecnolgicos disponveis eram incapazes de automatizar as atividades relacionadas a problemas de natureza industrial, biolgica ou qumica, que compreendessem situaes ambguas, no passveis de processamento atravs da lgica computacional fundamentada nos princpios da Lgica de Boole. Procurando solucionar esses problemas, Zadeh publicou em 1965, um artigo resumindo os conceitos dos conjuntos fuzzy, revolucionando o assunto com a criao dos Sistemas Fuzzy.

Uma breve descrio de Sistemas Fuzzy (Cont.) Podemos definir Lgica Fuzzy como sendo uma ferramenta capaz de capturar informaes vagas, em geral descritas em linguagem natural e convert-las para um formato numrico, de fcil manipulao pelos computadores contemporneos. Ela possibilita capturar com clareza e conciso as diversas nuances das vises utilizadas pelo homem em seu raciocnio usual, sem a necessidade de enquadr-lo obrigatoriamente em modelos s vezes incompatveis com o grau de difuso apresentado pelo problema em questo.

Uma breve descrio de Sistemas Fuzzy (Cont.)


O exemplo ilustra de forma simples este problema. Se solicitarmos uma classificao quanto ao preenchimento dos retngulos idnticos abaixo representados, utilizando apenas os predicados PINTADO e NO PINTADO, como podemos expressar a situao do retngulo central?

No pintado

50% pintado

pintado

O retngulo central est meio PINTADO ou meio NO PINTADO?

Uma breve descrio de Sistemas Fuzzy (Cont.) Numa abordagem fuzzy, a resposta seria:
1. O retngulo da esquerdal est PINTADO com grau de 0% e NO PINTADO com grau de 100%. 2. O retngulo central est PINTADO com grau de 50% e NO PINTADO com grau de 50%. O retngulo da direita est PINTADO com grau de 100% e NO PINTADO com grau de 0%.

3.

Raciocinando sob imprecises Proposies como as relacionadas a seguir, tem sido a principal motivao, para a utilizao de conjuntos fuzzy:
A temperatura est alta. Maria tem cerca de 30 anos. Joo baixo. Mrio est ligeiramente gordo. O carro estava em alta velocidade.

Conjuntos Fuzzy
A idia bsica da teoria de conjuntos fuzzy que um elemento pertence a um conjunto fuzzy com um certo grau de pertinncia. Assim, uma proposio no verdadeira ou falsa, mas pode ser parcialmente verdadeira ou parcialmente falsa em qualquer grau. Este grau geralmente tomado no intervalo [0, 1]. 1
150 180 cm

1
150 180 cm

Conj. Crisp (homem alto)

Conj. Fuzzy(Homem alto)

Conjuntos Fuzzy
Em teoria fuzzy, um conjunto fuzzy A do universo de discurso X definido pela funo (x), chamada funo de pertinncia do conjunto A.
A(x) : X [0, 1] onde se x est totalmente em A; 1 A(x) = 1 A(x) = 0 se x no est em A; 0 < A(x) < 1 se x est parcialmente em A.
150 180 cm 150 180

cm

Conjuntos fuzzy
(x)

Fuzzificao

Fuzzificao

X
X

Representao de um subconjunto Crisp e Fuzzy de

Conjuntos fuzzy
X
A

Subconjunto fuzzy

Subconjunto Crisp

A
X

Representao de um subconjunto Crisp e Fuzzy de

Conjuntos fuzzy

() 1.0
P e r ti n n c i a 0.8 0.6 0.4 0.2 0.0 150 165 180 Altura em cm 210 cm

Baixo

Mdio

Alto

Conjunto CRISP para altura humana

Conjuntos fuzzy

() 1.0
P e r ti n n c i a 0.8 0.6 0.4 0.2 0.0 150 160 170 180 1.90 210 cm

Baixo

Mdio

Alto

Altura em cm

Conjuntos fuzzy para altura Baixa, Mdia e Alta

Conjuntos fuzzy

() 1.0
P e r ti n n c i a 0.8 0.6 0.4 0.2 0.0 150 160 170 180 1.90 210 cm Muito baixo

Muito alto

Baixo

Mdio

Alto

Altura em cm

Conjuntos fuzzy para altura Baixa, Mdia, Alta, Muito baixa e Muito alta

Raciocinando sob imprecises


A Figura mostra os conjuntos fuzzy utilizados para a varivel lingstica velocidade (x) e as funes de pertinncia (x) .

baixa 1 mdia alta

40

80

120

vmax

Km/h

Velocidade de um carro como uma varivel lingstica que pode assumir os valores dos conjuntos fuzzy baixa, mdia e alta

Da Figura anterior, segundo Zadeh podemos definir: X o nome da varivel lingstica. No exemplo, a velocidade do carro; T o conjunto de valores lingsticos que x pode assumir. No exemplo, T ={baixa, mdia, alta}; U o universo de discurso no qual a varivel lingstica x toma seus valores quantitativos (crisp). No exemplo, U = [ 0, Vmax ]; M a regra semntica que relaciona o valor de cada varivel lingstica em T com um conjunto fuzzy em U. No exemplo, M relaciona baixa,mdia e alta com as funes de pertinncia mostradas na Figura.

Um Sistema Fuzzy

Base de Regras Fuzzy (IF-THEN...)

Entrada
Fuzzificador X em U Mquina de Inferncia Fuzzy
1

Defuzzificador

Sada
Y em V

Conjuntos Fuzzy em U

Conjuntos Fuzzy em V

Organizao bsica de um Sistema Fuzzy

Componentes de um Sistema Fuzzy

Componentes: Fuzzificadores ( Gaussiano Triangular Trapezoidal, etc) Defuzzificadores (Centro Ponderado, Mximo Valor, Centro de
Gravidade, etc.) O Centro Ponderado o mais comumente utilizado em sistemas e controle fuzzy

Base de Regras Fuzzy


IF < proposio fuzzy > THEN < proposio fuzzy >

Mquina de Inferncia Fuzzy


Mtodo da implicao mnima de Mamdani, (T-Norma) IF <FP1 > THEN <FP2>

Jantar para dois:


Regra 1- IF servio POBRE ou comida RUIM then gorjeta BAIXA

Entrada 1

Servio (0 -1) Regra 2- IF servio BOM then gorjeta MEDIA

Sada Gorjeta (0-25%)

Entrada 2

Comida (0 -1)

Regra 3- IF servio EXC ou comida DELICIOSA then gorjeta GENEROSA

As Entradas so CRISP (no-Fuzzy) nmeros limitados para uma faixa especfica

As Regras so avaliadas em paralelo usando raciocnio fuzzy

Os resultados das O resultado um regras so combi- nmero crisp nadas e destiladas (no fuzzy) (defuzzificada)

Operadores da Lgica Fuzzy


Operadores da Lgica Fuzzy:
Observemos primeiro os operadores lgicos Booleanos (Aristotlicos) atravs das suas respectivas tabelas verdade:

AND
A 0 0 1 1 B 0 1 0 1

min (A,B)
A 0 0 0 1 0 0 1 1

OR
B 0 1 0 1

max (A,B)

NOT (1 - A) A
0 1 1 0

0 1 1 1

Consideremos agora a Lgica Multivalorada representada por conjuntos fuzzy

Consideremos agora a Lgica Multivalorada representada por conjuntos fuzzy

1 A

NOT A

Complemento

A UNIO dos conjuntos resulta em:

max(A,B) OR = max

OR

A INTERSEO dos conjuntos resulta em:

min (A,B) AND = min

AND

Exemplo- Seja a REGRA:


Se servio EXCELENTE ou comida DELICIOSA ento gorjeta GENEROSA
GENEROSA

EXCELENTE

DELICIOSA

0.7

GENEROSA
0.0

0
0.3

0
0.8

25%

Servio

Comida

Gorjeta

(servio = EXC ) = 0.0


IF ( 0.0
OR

(comida = DELICIOSA) = 0.7

0.7 ) THEN gorjeta GENEROSA

Usando o operador max para os valores CRISP teremos:

max ( 0.0 , 0.7 ) = 0.7

O Defuzzificador Centro Ponderado

w1 y* = w2

y1 w1 + y2 w2 w1 + w2

y1

y*

y2

Uma representao grfica do defuzzificador Centro Ponderado

Mdia ponderada dos centros (altura dos conjuntos Fuzzy resultanres) / soma dos pesos

Um exemplo:
Sistema que atribua o valor da gorjeta adequada para um servio de restaurante, considerando: 1. 2. 3. Se o SERVIO ou a comida forem ruins, a gorjeta BAIXA; Se o SERVIO for BOM a gorjeta MDIA; Se o SERVIO excelente ou a comida deliciosa, a gorjeta GENEROSA; Usar como mquina de INFERNCIA, o mtodo da implicao mnima de Mamdani (T-Norma)

Implicao de cada regra( Mtodo da implicao de Mamdani ) REGRA 1: 1. Se o servio ou comida RUIM ento gorjeta BAIXA; (
Operao fuzzy nas entradas( OR = max.) )
1
GENEROSA

RUIM

RUIM
0.4

BAIXA

0 0.3 Servio

1 0.8 Comida

0 0.7 Gorjeta

25%

(servio = RUIM ) = 0.4

(comida = RUIM) = 0.0

IF ( 0.4 OR 0.0 ) THEN gorjeta BAIXA Usando o operador max para os valores CRISP teremos: max ( 0.4 , 0.0 ) = 0.4

Implicao de cada Regra ( Implicao mnima de Mandami )


REGRA 2: 2. Se servio BOM gorjeta MEDIA;

GENEROSA

BOM

0.5

MEDIA

0 0.3

1 0

0 0.5

25%

Servio

Comida

Gorjeta

(servio = BOM ) = 0.5 IF ( 0.5) THEN gorjeta MEDIA Usando o operador max para os valores CRISP teremos: max ( 0.5 ) = 0.5

Implicao de cada Regra (Implicao mnima de Mandami ) REGRA 3:


Se servio EXCELENTE ou comida DELICIOSA ento gorjeta GENEROSA
(Operao fuzzy nas entradas (OR = max.) )
EXCELENTE
DELICIOSA
0.7

GENEROSA

GENEROSA
0,0

0 0.3

0 0.8

25%

Servio
(servio = EXC ) = 0.0 IF ( 0.0
OR

Comida

Gorjeta

(comida = DELICIOSA) = 0.7

0.7 ) THEN gorjeta GENEROSA

Usando o operador max para os valores CRISP teremos:

max ( 0.0 , 0.7 ) = 0.7

Defuzzificador Centro de Gravidade

Resultado aps a agregao dos consequentes das regras

Baixa

Mdia

Generosa

0%

25%

Gorjeta = 16.7%

Mquina de inferncia de Sugeno

Porque Mquina de inferncia de Sugeno?


A mquina de inferncia de Mamdani em funo do processo de defuzzificao em geral no computacionalmente eficiente. Um processo de clculo envolvendo figuras geomtricas necessrio para encontrar um valor crisp para uma varivel de sada num sistema fuzzy.

Mquina de inferncia de Sugeno Podemos diminuir o tempo de inferncia fuzzy? Podemos usar um singleton como funo de
pertinncia no conseqente da regra. Este mtodo foi proposto por Michio Sugeno, o Zadeh do Japo, em 1985. Um singleton ou mais precisamente um singleton fuzzy, um conjunto fuzzy com uma funo de pertinncia que unitria num simples ponto particular no universo de discurso e zero nas demais partes.

Mquina de inferncia de Sugeno

Qual a novidade introduzida?


A mquina de inferncia de Sugeno similar de Mamdani. Sugeno mudou apenas o conseqente (ao) da regra. Ao invs de um conjunto fuzzy, ele usou uma funo matemtica da varivel de entrada.
1

ki

Mquina de inferncia de Sugeno

Regras fuzzy estilo-Sugeno


IF AND THEN x y z is is is A B f(x,y)

Onde x, y e z so variveis lingsticas; A e B so conjuntos fuzzy nos universos de discursos respectivos de X e Y; e f(x,y) uma funo matemtica.

Mquina de inferncia de Sugeno


O modelo fuzzy de ordem-zero de Sugeno o mais comumentemente utilizado. Ele aplica as regras fuzzy da seguinte forma: IF x is A AND y is B THEN z is k
onde k uma constante.

Neste caso, a sada de cada regra fuzzy constante. Em outras palavras, todas as funes de pertinncia conseqentes so representadas por singletons.

Implicao de cada regra (Inferncia fuzzy estilo Sugeno )


REGRA 1: 1. Se o servio ou comida RUIM ento gorjeta BAIXA; (
Operao fuzzy nas entradas( OR = max.) )
1
BAIXA MEDIA GENEROSA

RUIM

RUIM
0.4

0 0.3 Servio

1 0.8 Comida

12.5 20 25% 0.7

Gorjeta

(servio = RUIM ) = 0.4

(comida = RUIM) = 0.0

IF ( 0.4 OR 0.0 ) THEN gorjeta BAIXA Usando o operador max para os valores CRISP teremos: max ( 0.4 , 0.0 ) = 0.4

Implicao de cada Regra (Inferncia fuzzy estilo Sugeno )


REGRA 2: 2. Se servio BOM gorjeta MEDIA;

BAIXA

MEDIA GENEROSA

BOM

0.5

0.3 Servio

0 Comida

12.5 20 Gorjeta

25%

(servio = BOM ) = 0.5


IF ( 0.5) THEN gorjeta MEDIA Usando o operador max para os valores CRISP teremos: max ( 0.5 ) = 0.5

Implicao de cada Regra (Inferncia fuzzy estilo Sugeno ) REGRA 3:


Se servio EXCELENTE ou comida DELICIOSA ento gorjeta GENEROSA
(Operao fuzzy nas entradas (OR = max.) )
EXCELENTE
DELICIOSA
0.7

BAIXA MEDIA GENEROSA

0,0 0 0.3 1 0 0.8 1 0 5 12.5 20 25%

Servio
(servio = EXC ) = 0.0 IF ( 0.0
OR

Comida

Gorjeta

(comida = DELICIOSA) = 0.7

0.7 ) THEN gorjeta GENEROSA

Usando o operador max para os valores CRISP teremos:

max ( 0.0 , 0.7 ) = 0.7

Defuzzificao (Mdia Ponderada dos singletons)

Resultado aps a aplicao dos consequentes das regras 1

0.7
0.5 0.4 0

Baixa

Mdia

Generosa

*
0% 5% 12.5% 20% 25%

Gorjeta = (0.45 +0.512.5 +0.720)/(0.4 + 0.5 + 0.7) 14%

Mamdani x Sugeno. Qual utilizar?


A mquina de inferncia de Mamdani amplamente aceita por captar o conhecimento do expert. Ela nos permite descrever a expertise de modo mais intuitivo, semelhante ao modo humano. Entretanto, a inferncia fuzzy tipo Mamdani envolve uma substancial sobrecarga de custo computacional. A mquina de inferncia de Sugeno computacionalmente efetiva e trabalha bem com otimizao e tcnicas adaptativas o que a torna bastante atrativa em problemas de controle, particularmente em sistemas dinmicos no lineares.

Você também pode gostar