Você está na página 1de 33

Logica Fuzzy

Conceitos e Aplicaes

Software Craftsman
Software Developer TRE-AL
Graduando Sistemas de Informao

@toni_esteves

Software Developer IFAL


Graduando Sistemas de Informao

Wellison Souza

Lgica Fuzzy

Defini
o
A Lgica Fuzzy (tambm chamada de lgica
multivalorada) foi primeiramente introduzida em
1930 pelo filsofo e lgico polons Jan Lukasiewicz.
Atravs do estudo de termos do tipo alto, velho e
quente, ele props a utilizao de um intervalo de
valores [0,1] que indicaria a possibilidade que uma
declarao fosse verdadeira ou falsa. Em 1937, o
filsofo Max Black props a idia de que
continuidade descrevia graus.

Defini
o
Embora o transformador esteja um pouco carregado,
podese utilizlo por um tempo.

Defini
o
Uma maneira de tentar solucionar o processo de
representao de conhecimento impreciso
atravs da Lgica Fuzzy. A Lgica Fuzzy tem como
principal objetivo a modelagem computacional do
raciocnio humano, impreciso, ambguo e vago.

Lgica Convencional Vs. Lgica


Fuzzy

A teoria clssica de conjuntos permite o tratamento


de classes de objetos e suas inter-relaes em um
universo definido. Nessa teoria, a pertinncia de um
dado elemento com relao a um conjunto referese ao fato de tal elemento pertencer ou no a esse
conjunto.

Lgica Convencional Vs. Lgica


Fuzzy

Ao contrrio da Lgica convencional, a Lgica Fuzzy


utiliza a idia de que todas as coisas admitem
(temperatura, altura, velocidade, etc.) graus de
pertinncias. Com isso, a Lgica Fuzzy tenta modelar
o senso de palavras, tomada de deciso ou senso
comum do ser humano.

Lgica Convencional Vs. Lgica


Fuzzy

Conjuntos Fuzzy

Teoria dos Conjuntos

Pode-se concluir que os conjuntos fuzzy, que


classificam os elementos de um dado universo, so
menos rgidos do que aqueles utilizados na teoria
clssica visto que eles admitem graus parciais de
pertinncia.

Teoria dos Conjuntos

O primeiro passo na representao de conjuntos


fuzzy a escolha da funo de pertinncia. A
escolha dessa funo depende do problema a ser
modelado e tambm da capacidade computacional
disponvel para processar o que se deseja. Funes
no-lineares podem ser mais eficientes para
problemas mais complicados, porm, elas
demandam um poder computacional muito maior
do que as funes lineares.

Regras Fuzzy

Regras

As regras fuzzy so regras normais utilizadas para


operar, da maneira correta, conjuntos fuzzy, com o
intuito de obter consequentes. Para criar tais regras
preciso de um raciocnio coerente com o que se
deseja manusear e obter. Para isso, este raciocnio
deve ser dividido em duas etapas: (1) avaliar o
antecedente da regra e (2) aplicar o resultado no
consequente.

Regras

Considerando a sentena :
se x alto, ento x pesado

Regras

Seguindo os passos 1 e 2 acima, tem-se que para x


= 1,70m, deve-se, primeiramente, verificar o grau
de pertinncia da entrada para o conjunto ao qual
se encaixa, alto, que , para este caso, (x) = 0.5.
Como o grau de pertinncia da entrada x tal,
ento se
deve passar este valor de pertinncia para um y =
80 kg (por exemplo), pertencente ao conjunto
pesado.

Inferncia Fuzzy

Processo de
Avaliao
Avaliao

Regras de Entrada

Atravs

Conjunto de regras
previamente definidas
Obter

Concluses

Processo de
Avaliao

Modelos de Inferncia;

Tipo de Problema;

Mamdami;

Inferncia Fuzzy (difusa) Estilo Mandami


Professor Ebrahim Mamdani da Universidade de
Londres (Reino Unido) em 1975 ;
Baseando-se em regras de conjunto Fuzzy, com
intuito de representar experirncias da vida real;
Definiu um processo de raciocinio dividido em 4
passos

1 - Fuzzyficao

Essa etapa obtm o grau de pertinncia com que cada


entrada pertence a cada conjunto fuzzy. Cada uma dessas
entradas foi previamente limitada no universo de discurso
em questo e associada a um grau de pertinncia em cada
conjunto fuzzy atravs do conhecimento do especialista.
Ento para obter o grau de pertinncia de uma
determinada entrada crisp basta buscar esse valor na base
de conhecimento do sistema fuzzy.

1 - Fuzzyficao

2 - Avaliao das regras

Depois de obter as entradas fuzzyficadas s apliclas nos antecedentes obtendo assim o valor do
consequente para cada regra
Depois de obter um nico valor para o antecedente
necessrio obter o valor do consequente atravs
de um mtodo de correlao dos mesmos.

2 - Avaliao das regras

3 - Agregao das
regras
Nessa etapa so agregadas todas as funes
membro dos consequentes de cada regra em um
nico conjunto fuzzy.

4 - Defuzzyficao
Para se obter uma sada numrica necessrio
defuzzyficar a sada obtida na etapa anterior. O
mtodo de defuzzyficao mais comum a tcnica
do centride, que obtm o ponto onde uma linha
vertical divide ao meio um conjunto agregado.

Aplicaes

Domnios de Aplicao

Em muitos problemas reais, a impreciso dos


dados e a incerteza do conhecimento so, parte do
problema em si
no campo da Inteligncia Artificial onde a Lgica
Fuzzy coloca-se como o principal instrumento para
uma
representao
mais
adequada
do
conhecimento

Domnios de Aplicao
Sistemas especialistas;
Sistemas multiagentes;
Reconhecimento de padres;
Robtica;
Sistemas de controle inteligentes;
Sistemas de apoio tomada de deciso;
Algoritmos genticos;
Data mining.

Consideraes

Vantagens
Capacidade de lidar com incertezas;
Capacidade de lidar com raciocnio aproximado;
Capacidade de lidar com termos vagos e ambguos
Procura representar o conhecimento humano de
forma mais realista possivel;
Para

problemas

difceis,

mtodos

convencionais normalmente so caros;

no-fuzzy

Desvantagens
Estabilidade;
Incapacidade de aprendizagem;
Dificuldade em definir funes de pertinencia e
regras fuzzy;
Requer

testes

verificao

extensivos

para

validao

Referncias:
ftp://ftp.dca.fee.unicamp.br/pub/docs/gudwin/publi

cations/ifsa95.pdf
http://www.cos.ufrj.br/~mario/logica/logicaFuzzy.p

df
http://www.pucsp.br/~logica/Fuzzy.htm