COE 765 TCNICAS INTELIGENTES APLICADAS A SISTEMAS DE POTNCIA

CONJUNTOS, LGICA E SISTEMAS FUZZY

Djalma M. Falco
COPPE/UFRJ

Agosto de 2002

D.M. Falco COPPE/UFRJ

Conjuntos, Lgica e Sistemas Fuzzy

1 INTRODUO
Modelos matemticos convencionais so: Crisp, isto , ambivalentes (sim ou no, falso ou verdadeiro, maior ou menor, etc.); Determinsticos; Precisos por hiptese; No-ambguos. Algumas situaes no mundo real apresentam: Incertezas (Ex.: carga, afluncias, falhas em equipamentos, etc.); Informaes vagas (Ex.: tenso alta ou baixa, fluxo prximo ao limite, etc.); Ambigidade (Ex.: reservatrio cheio). As caractersticas acima podem ser tratadas por vrios mtodos, alguns dos quais so resumidos a seguir: Modelos Probabilsticos ou Estocsticos: quando existem informaes passadas que podem ser modeladas por mtodos freqenciais; Anlise de Intervalos: avaliao de como dados representados por intervalos se propagam em operaes aritmticas, clculo diferencial e integral, etc; Teoria dos Erros: avaliao de como erros so propagados ao longo de um processo experimental; Modelos Fuzzy (ou modelos baseados em Lgica Fuzzy): quando a incerteza deriva da impreciso ou ambigidade da informao ou conhecimento existente sobre o problema. Os modelos fuzzy so utilizados em: Mtodos de representao de conhecimento em linguagem natural; Modelagem de incertezas para as quais no so disponveis dados estatsticos; Modelagem de conhecimento subjetivo; Medida da qualidade de conhecimento subjetivo; Integrao de mtodos lgicos e numricos; Modelagem de restries e objetivos no-rgidos (soft constraints).

A teoria dos conjuntos fuzzy foi introduzida em 1965 por Lotfi Zadeh1.

2 APLICAES
As reas de aplicao mais importantes em sistemas eltricos de potncia so:

Sistemas de Inferncia Fuzzy; Controladores Fuzzy;

L.A. Zadeh, Fuzzy Sets, Information and Control, vol. 8, pp. 338-353, 1965. 2

D.M. Falco COPPE/UFRJ

Conjuntos, Lgica e Sistemas Fuzzy

Otimizao e Sistemas de Tomada de Decises.

2.1 Sistemas de Inferncia Fuzzy

Incertezas associadas s regras de uma base de conhecimento; Exemplo: Um elevado nvel de hidrognio no leo do transformador freqentemente indica a ocorrncia de descarga no interior do mesmo; A regra acima apresenta duas variveis fuzzy2: elevado e freqentemente; Mecanismo de inferncia: mtodos matemticos para manipular os valores numricos associados s regras.

2.2 Controladores Fuzzy

Regras de controle baseadas na experincia; Exemplo: SE o erro pequeno e positivo E a variao no erro grande e negativa ENTO a sada do controlador pequena e negativa

Pequeno e grande so variveis fuzzy; Projeto de controladores fuzzy: desenvolvimento de um conjunto de regras de controle baseadas em entradas disponveis e estabelecimento de um mtodo para combinar essas regras.

2.3 Otimizao

Incerteza nos dados e/ou objetivos Representao de restries no-rgidas (soft constraints); Problemas multiobjetivos.

3 CONJUNTOS FUZZY 3.1 Conjuntos Convencionais (Crisp) Definidos pela enumerao de seus elementos ou por uma condio que defina se o elemento pertence ou no ao conjunto. Seja A um conjunto definido no universo I dos nmeros inteiros positivos, isto , A I. Neste caso podemos definir o conjunto A como a seguir: A = { 1, 2, 3, ..., 9 } ou A = { x | x I x < 10}

Uma forma alternativa de definir o conjunto acima seria atravs de uma Funo de Pertinncia A (x) como a seguir 1 Se x I x < 10 A(x) = 0 Se x I x 10
2

A denominao mais utilizada Varivel Lingstica o qual ser definido em sees seguintes. 3

D.M. Falco COPPE/UFRJ

Conjuntos, Lgica e Sistemas Fuzzy

a qual tem a seguinte representao grfica

A(x)
1.0

3.2 Conjuntos Fuzzy Podem ser vistos como uma generalizao da noo de conjunto na qual a funo de pertinncia pode assumir valores no intervalo [0,1]3. Neste caso no podemos dizer simplesmente que um elemento pertence ao conjunto e sim que o elemento pertence ao conjunto com um certo grau de pertinncia. Como exemplo, considere o conjunto dos nmeros inteiros prximos ao nmero 7. Este conjunto pode ser definido por uma funo de pertinncia assumindo os valores dados na tabela abaixo. x A (x) 4 0.1 5 0.4 6 0.8 7 1.0 8 0.8 9 0.4 10 0.1

Os elementos do conjunto cujos valores da funo de pertinncia so iguais a zero no foram includos na tabela acima. Essa funo de pertinncia discreta tem a representao grfica mostrada a seguir.
A(x)
1.0

Um outro exemplo de conjunto fuzzy, neste caso infinito, seria o conjunto das tenses prximas tenso nominal (1 pu). Este conjunto pode ser representado pela seguinte funo de pertinncia

0 va a (v ) = b cv cb 0

se se se se

v < a a v b b v c v > c

Em geral, podem assumir valores em qualquer intervalo. 4

D.M. Falco COPPE/UFRJ

Conjuntos, Lgica e Sistemas Fuzzy

onde a=0.95, b= 1.00, e c = 1.05, a qual tem a seguinte representao grfica

V(v)
1.0

0.95

1.00

1.05

De uma maneira geral, um conjunto fuzzy F, definido no universo de discurso U, representado por F = { ( x, F ( x ) ) | x U } ou seja, os elementos do conjunto so definidos por pares constitudos pelos elementos x U e os respectivos valores da funo de pertinncia. 3.3 Variveis Lingsticas So variveis cujos valores no so nmeros, e sim, palavras ou sentenas de uma linguagem natural ou artificial. Por exemplo, consideremos a varivel Tenso. Suponhamos que essa varivel possa assumir os valores lingsticos Muito_Baixa, Baixa, Normal, Alta e Muito_Alta. O conjunto de valores assumidos pela varivel lingstica denominado Conjunto de Termos e representado por T(x), onde x a varivel. Os valores assumidos pela varivel lingstica so representados por conjuntos fuzzy definidos pelas correspondentes funes de pertinncia. No exemplo, teramos Varivel lingstica: Tenso (V) Conjunto de Termos: T(V) = { Muito_Baixa, Baixa, Normal, Alta e Muito_Alta } Funes de Pertinncia dadas no grfico abaixo.

1.0 Muito-Baixa Baixa Normal Alta Muito-Alta

0.7

0.8

0.9

1.1

1.2

1.3

3.4 Funes de Pertinncia A definio das funes de pertinncia utilizadas em uma aplicao de sistemas fuzzy uma etapa fundamental e difcil no desenvolvimento dessa aplicao. No existem regras definitivas para a escolha dessas funes as quais representam o conhecimento de um
5

D.M. Falco COPPE/UFRJ

Conjuntos, Lgica e Sistemas Fuzzy

especialista no assunto em questo ou informaes extradas de um banco de dados. Aplicaes muito sensveis escolha das funes de pertinncia so, em geral, no adequadas para modelagem fuzzy. Algumas caractersticas das funes de pertinncia so: Formato: Triangular, trapezoidal, Gaussiana, sigmoidal, etc; Obteno: escolhidas pelo usurios baseado em sua experincia ou atravs de um processo de otimizao a partir de dados experimentais e/ou obtidos por simulao; Overlapping: No necessrio porm importante para dar robustez ao sistema fuzzy. Em geral o overlapping de duas funes apenas; Normalizao: Geralmente as funes de pertinncia so definidas no intervalo [0,1]. Isto no obrigatrio mas facilita a implementao de sistemas fuzzy.

3.5 Operaes com Conjuntos 3.5.1 Conjuntos Convencionais (Crisp) Sejam os conjuntos A X e B X. Definimos: Unio: AB ={x | x A x B}. Supondo os conjuntos A e B definidos por suas funes de pertinncia, temos: AB (x) = max{ A (x), B (x) }. Essa definio ilustrada na figura abaixo.

A(x)
1

B (x)
1

AB (x)
1

Interseo: AB ={x | x A x B}. Supondo os conjuntos A e B definidos por suas funes de pertinncia, temos: AB = min{ A (x), B (x) }. Essa definio ilustrada na figura abaixo.
B (x)
1 1

A(x)

AB (x)
1

x
c

Complemento: A = {x | x X x A }. Supondo o conjunto A definido por sua funo de pertinncia, temos: Ac (x) = 1 - A (x) . Essa definio ilustrada na figura abaixo.

D.M. Falco COPPE/UFRJ

Conjuntos, Lgica e Sistemas Fuzzy

A(x)
1

Ac(x)
1

Propriedades:

Comutatividade: A B = B A ; A B = B A Associatividade: (A B) C = A ( B C ); (A B) C = A ( B C ) Idempotncia: A A = A ; A A = A Distributividade: A ( B C ) = (A B ) ( A C ) Lei da Contradio: A A = U (universo) Lei da Excluso: A A = (conjunto vazio)

c c

Produto Cartesiano: A x B = {(x , y) | x A y B}

3.5.2 Conjuntos Fuzzy As operaes podem ser definidas de vrias formas. A mais comum similar ao caso dos conjuntos crisp: Unio A B = { (x, AB(x)), x U } AB(x) = max [ A(x), B(x) ]
x AB(x)
1

Interseo A B = { (x, AB(x)), x U } AB(x) = min [ A(x), B(x) ]

AB(x)
1

Complemento A ={ (x, A(x)), x U } Ac (x) = 1 - A(x)

c

Ac (x)
1

D.M. Falco COPPE/UFRJ

Conjuntos, Lgica e Sistemas Fuzzy

Propriedades: Comutatividade, associatividade, distributividade e idempotncia: idnticas ao caso crisp. Lei da Contradio: A A U (no se aplica) Lei da Excluso: A A (no se aplica)
c c

Produto Cartesiano: A x B = { (x , y) , min ( A (x), B (x) ) | x A y B } Exemplo: A = {(3,0.5), (5,1), (7,0.6)}, B = {(3,1), (5,0.6)} A x B = {[(3,3),0.5], [(3,5),0.5], [(5,3),1], [(5,5),0.6], [(7,3),0.6], [(7,5),0.6]}

3.5.2

Definies Bsicas

Dado um conjunto fuzzy A = { (x, A (x)), x X }

Conjunto suporte: S (A) = { x X | A (x) > 0 } Altura: H (A) = o maior grau de pertinncia dos elementos de A Conjunto fuzzy normalizado: se H (A) = 1 Cardinalidade: | A | = A(x) (discreto) ou | A | = A(x) dx (contnuo) Corte de nvel- ou corte-: A = { x X | A (x) } Conjunto fuzzy convexo: se x1,x2 X e [0,1] ento A [ x1 + (1-) x2 ] min [ A(x1), A(x2) ]
A (x)
1

A (x)
1

Conjunto Convexo

Conjunto No-Convexo

3.5.4 Nmeros Fuzzy Um nmero fuzzy M um conjunto fuzzy convexo normalizado definido em tal que i) ii) Existe pelo menos um x0 tal que M (x0)= 1; M (x) continua por partes.

D.M. Falco COPPE/UFRJ

Conjuntos, Lgica e Sistemas Fuzzy

Exemplos de nmeros fuzzy:

(x )
1

(x )
1

(x )
1

a1

a2

a3 a4

a1 a2 = a3

a4

a1

a4

(a1,a2,a3,a4) Trapezoidal

(a1,a2,a2,a4) Triangular

(a1,a1,a4,a4) Retangular

As seguintes operaes aritmticas com nmeros fuzzy podem ser definidas baseadas no chamado Princpio da Extenso [1]: sejam dois nmeros fuzzy trapezoidais (nmeros fuzzy triangulares e retangulares so casos particulares) definidos por: A1 = ( a11 , a12 , a13 , a14 ) e A2 = ( a21 , a22 , a23 , a24)

Adio: A1 A2 = { a11+ a21 , a12+a22 , a13+a23 , a14+a24 } Produto: A1 A2 = { a11 a21 , a12a22 , a13a23 , a14a24 } Produto por nmero real: . A1 = (a11 , a12 , a13 , a14 )

3.5.5 Relaes

Relao Crisp: Representa a presena ou no de associao, interao ou interconexo entre elementos de dois ou mais conjuntos. Para dois conjuntos A e B (crisp), a relao pode ser definida por R(A,B) = { ( (x,y), R (x,y) ) | (x,y) A x B } onde R (x,y) assume os valores 0 ou 1 dependendo do elemento (x,y) satisfazer ou no relao. Exemplo: A = {1, 2, 3, 4}, B = {2, 3, 4, 5} R(A,B) = elementos de A x B tais que x < y A x B = {(1,2), (1,3), (1,4), (1,5), (2,2), (2,3), (2,4), (2,5), (3,2), ...} R(A,B) = {(1,2), (1,3), (1,4), (1,5), (2,3), (2,4), (2,5), (3,4), (3,5), (4,5)}

Para relaes binrias definidas em universos discretos, conveniente colocar a funo de pertinncia na forma de uma Matriz Relacional cujos elementos podem assumir os valores 0 e 1. Neste exemplo teramos

D.M. Falco COPPE/UFRJ

Conjuntos, Lgica e Sistemas Fuzzy

A B 1 2 3 4

2 1 0 0 0

3 1 1 0 0

4 1 1 1 0

5 1 1 1 0

Relao Fuzzy entre Conjuntos Crisp: Representa o grau de presena ou no de associao, interao ou interconexo entre elementos de dois ou mais conjuntos crisp. Definida de forma similar relao crisp com a diferena que a funo de pertinncia pode assumir valores no intervalo [0,1].

Exemplo 1: Seja x A e y B, A = B ; a relao x muito maior que y; a funo de pertinncia pode ser definida como 0 R (x, y) = Se x y

( 1 + ( y x )-2 )-1 Se x > y

Observe que a funo de pertinncia acima definida para a diferena entre duas variveis (x e y). Exemplo 2: A mesma relao do exemplo anterior porm com variveis assumindo apenas valores discretos. Neste caso, a relao pode ser definida por uma matriz relacional como mostrado abaixo.
y1 y2 y3

A = {x1,x2,x3} B = {y1,y2,y3}

x1 x2 x3

0.8 0.6 0.4

0.6 0.4 1.0

0.4 0.2 0.8

4 LGICA FUZZY 4.1 Lgica Clssica Proposio: declarao envolvendo termos previamente definidos. Toda proposio assume os valores Falso (F) ou Verdadeiro (V); Exemplos: A tenso baixa; a injeo de reativos alta, etc. Combinao de proposies: proposies (p, q, r, ...) podem ser combinadas nas formas seguintes produzindo resultados falsos ou verdadeiros. Algumas dessas combinaes so: Conjuno (p q): onde se afirma a verdade simultnea de duas proposies distintas;
10

D.M. Falco COPPE/UFRJ

Conjuntos, Lgica e Sistemas Fuzzy

Disjuno (p q): onde se afirma a verdade de uma ou ambas as proposies; Condicional (p q): a verdade de uma proposio (p) implica na verdade da outra (q); esta a forma usual de modelar as regras do tipo SE < >, ENTO < >; Eqivalncia (p q): onde se afirma que ambas as proposies so verdadeiras ou falsas; Negao ( p ): onde se afixa uma proposio frase falso que.... Dependendo dos valores lgicos assumidos pelas proposies, as combinaes podem produzir resultados falsos ou verdadeiros de acordo com a Tabela Verdade abaixo:
p V V F F q V F V F pq V F F F pq V V V F pq V F V V pq V F F V p F F V V

Tautologia: uma proposio formada pela combinao de outras proposies (p, q, r, ...) a qual verdadeira independentemente das proposies p, q, r, ..., serem verdadeiras ou falsas. Uma tautologia importante no estudo da lgica fuzzy ( p q ) [ p ( q ) ] ou , equivalentemente, ( p q ) ( p ) q Uma prova da validade dessa tautologia, usando tabelas verdades, pode ser encontrada na referncia [2].

Representao por funes de pertinncia 1 Se p verdadeira (V) p (x) = 0 Se p falsa (F)

As operaes da lgica clssica tem relao direta com as operaes de conjuntos e da lgebra Booleana . Algumas dessas relaes so mostradas nas tabelas a seguir
Lgica Teoria dos conjuntos Lgica lgebra Booleana

V F

11

1 0 +

D.M. Falco COPPE/UFRJ

Conjuntos, Lgica e Sistemas Fuzzy

Usando as tautologias ( p q ) [ p ( q ) ] ou ( p q ) ( p ) q, e as eqivalncias entre os operadores lgicos e a teoria dos conjuntos, possvel [2] mostrar que pq (x,y) = 1 - min [p (x), 1 - q (y)] ou , equivalentemente, pq (x,y) = max [1 - p (x), q (y)] = 1 - p (x) [ 1 - q (y)]

4.2 Lgica Fuzzy Como no caso dos conjuntos, a extenso da lgica crisp para a lgica fuzzy realizada pela substituio funes de pertinncia ambivalentes (0 ou 1) por funes de pertinncia fuzzy , ou seja , definidas no intervalo [ 0 , 1 ]. Sejam os conjuntos fuzzy A e B, com elementos x A e y B. A proposio Se x A, Ento y B tem uma funo de pertinncia AB (x,y) [0, 1]. A funo de pertinncia AB (x,y) mede o grau de verdade da proposio. De maneira similar ao caso crisp, as relaes abaixo so vlidas AB (x,y) = 1 min [A (x), 1 - B (y)] AB (x,y) = max [1 - A (x), B (y)] = 1 - A (x) [ 1 - B (y)]

5 SISTEMAS DE INFERNCIA FUZZY 5.1 A Regra SE < >, ENTO < > Fuzzy Sejam x e y variveis lingsticas definidas nos universos de discurso X e Y, respectivamente, e sejam A e B valores assumidos por essas variveis. A regra pode ser ento, enunciada, como Se x A, Ento y B
Antecedente ou Premissa Conseqente ou Concluso

Exemplo: Se <tenso baixa>, Ento <inj._reativos_ind. alta>. Para um valor de tenso de 0.95 0.5 , as funes de pertinncia da varivel tenso mostrada abaixo produz o valor
12

D.M. Falco COPPE/UFRJ

Conjuntos, Lgica e Sistemas Fuzzy

tenso_baixa; isto implica, de acordo com a regra, em um conseqente definido pelo conjunto fuzzy inj.-reativos_alta, como mostrado nos grficos abaixo. O valor da funo de pertinncia do conjunto tenso_baixa, correspondente ao valor de 0.95 pu, 0.5 como mostrado na figura abaixo Para efeito de inferncia fuzzy, a funo de pertinncia cortada na altura 0.5 como ser indicado na seo seguinte.
V
1.0 Muito-Baixa Baixa Normal Alta

Q
1.0

Baixa Mdia Alta

0.7

0.8

0.9

1.1

1.2

1.3

0.2

0.4

0.6

5.2 Estrutura do Sistema de Inferncia A estrutura geral de um sistema de inferncia fuzzy mostrada na figura abaixo.

Base de Regras Entrada Crisp Sada Crisp

Fuzzificador

Defuzzificador

Inferncia

Os elementos dessa estrutura so: Base de Regras: coleo de regras do tipo Se_Ento, as quais podem ser expressas como Regra (r): SE u1 F1r e u2 F2r e un Fnr ENTO v G r, r = 1,,N

onde Fir , r = 1,,N, e Gr so conjuntos fuzzy definidos em Ui , r = 1,,N, e V , respectivamente. Fuzzificador: determina o grau de pertinncia de cada entrada no antecedente da regra. Se o antecedente tem mais de um componente (proposio), os operadores fuzzy E (min) e OU (max) so utilizados para combinar os efeitos como a seguir r = min i=1,,n { i (ui) } ou
13

D.M. Falco COPPE/UFRJ

Conjuntos, Lgica e Sistemas Fuzzy

r = max i=1,,n { i (ui) } onde r : combinao do grau de pertinncia dos antecedentes da regra; i (ui) : grau de pertinncia do i-simo antecedente para o valor da i-sima entrada (ui); Inferncia: determina o grau de validade dos conseqentes das regras e combina os resultado no conjunto fuzzy da sada. O principio utilizado assume que regras com baixo grau de pertinncia no antecedente (r) devem ter pouca validade no conseqente. Esse processo implementado pelo operador Max-Min G = max { min {r , i (ui) ,}, {r (ui)} } A operao acima eqivale a redefinir os conjuntos fuzzy associados ao conseqente das regras (modificao da forma das funes de pertinncia) e a combinao dos mesmos em um conjunto fuzzy da sada. Essa operao realizada em dois passos: i. Min: cortando a funo de pertinncia do conseqente no ponto indicado pelo valor r do antecedente; ii. Max: combinando (unio) os conjuntos fuzzy representando o conseqente das regras. Defuzzificador: produz uma sada crisp a partir do conjunto fuzzy definido pelo bloco de inferncia. Alguns mtodos de defuzzificao utilizados so: i. Valor mximo: ; ii. Valor mdio dos mximos; iii. Bisetor: iv. Centride ou centro de massa.

14

D.M. Falco COPPE/UFRJ

Conjuntos, Lgica e Sistemas Fuzzy

5.3 Exemplo4 Objetivo: Determinao da gorjeta em um restaurante a partir de dados sobre a qualidade_da_comida e o atendimento. Regras: R1: SE atendimento ruim ou qualidade_da_comida ruim, ENTO gorjeta baixa R2: SE atendimento bom, ENTO gorjeta mdia R3: SE atendimento excelente ou qualidade_da_comida excelente, ENTO gorjeta alta Funes de pertinncia:
Atendimento Qualidade_da_Comida Gorjeta

Ruim

Bom

Excelente

Ruim

Excelente 1

Baixa

Mdia

Alta

10

10

10

20

30

Este exemplo foi retirado do manual do Fuzzy Logic Toolbox do Matlab. 15

D.M. Falco COPPE/UFRJ

Conjuntos, Lgica e Sistemas Fuzzy

Fuzzificao: grau de pertinncia das entradas

Atendimento

Qualidade_da_Comida

Ruim

Ruim

10

10

Bom
10

0.3

Excelente 0.4
10

Excelente

0.7

10

7.5

8.0

16

D.M. Falco COPPE/UFRJ

Conjuntos, Lgica e Sistemas Fuzzy

Fuzzificao: combinao dos antecedentes

R1: atendimento ruim ou qualidade_da_comida ruim: max [0 , 0] = 0 R2: atendimento bom: 0.3 R1: atendimento excelente ou qualidade_da_comida excelente: max [0.4 , 0.7] = 0.7 Inferncia: corte das funes de pertinncia e combinao dos conjuntos fuzzy do conseqente

Baixa

10

20

30

Mdia

0.3 10 20 30 10 20 30

1 0.7

Alta

10

20

30

Defuzzificao: centride

10

20

30

17

D.M. Falco COPPE/UFRJ

Conjuntos, Lgica e Sistemas Fuzzy

6 CONTROLE FUZZY Aplicaes em sistemas de modelagem difcil e para os quais no se exige um controle muito preciso; Procedimento de projeto: Identificao das variveis de entrada e sada; Construo das regras de controle; Estabelecer mtodo para representar o estado do sistema em termos de conjuntos fuzzy (funes de pertinncia e mtodo de fuzzificao) Seleo da regra de inferncia; Estabelecer mtodo de defuzzificao.

Exemplo Genrico: Controlador com duas entradas (erro e variao do erro) e uma sada.

Ref +
_
d/dt

.
K

Sistema de Inferncia Fuzzy

Planta

Regra de Inferncia:

SE < > Ai e < > Bi ENTO u Ci

Normalizao: -1 , , u . 1

18

D.M. Falco COPPE/UFRJ

Conjuntos, Lgica e Sistemas Fuzzy

Regras de Controle

GN MN PN ZE PP MP GP

GN GP GP GP MP MP PP ZE

MN GP MP MP MP PP ZE PN

PN GP MP PP PP ZE PN MN

ZE MP MP PP ZE PN MN MN

PP MP PP ZE PN PN MN GN

MP PP ZE PN MN MN MN GN

GP ZE PN MN MN GN GN GN

Funes de Pertinncia Normalizadas

GN

MN

PN

ZE

PP

MP

GP

-1.0

-0.65

-0.3

0.3

0.65

1.0

19

D.M. Falco COPPE/UFRJ

Conjuntos, Lgica e Sistemas Fuzzy

7 OTIMIZAO FUZZY Os modelos convencionais de otimizao (programao linear e no linear, etc.) no contemplam certas caractersticas encontradas em problemas prticos: Incertezas nos dados; Restries flexveis (soft constraints); Mltiplos objetivos; Meios de evitar solues no-realsticas (no implementveis na prtica).

A introduo de conceitos da teoria dos conjuntos fuzzy oferece uma opo para melhorar o desempenho dos modelos de otimizao em relao aos aspectos acima referidos. Esses conceitos sero introduzidos atravs do exemplo abaixo retirado de [1]. Exemplo: encontrar um valor de x tal que Objetivo: x deve ser substancialmente maior que 10; Restrio: x deve estar na vizinhana de 10; Formulao clssica: usando um modelo de programao linear, o problema acima pode ser formulado como Maximizar z = x
x

Sujeito a x 10 x 12

Na formulao acima, o analista precisa utilizar sua experincia para definir os limites da varivel x assim como escolher uma funo objetivo adequada (no seria melhor usar x2 ? ).

20

D.M. Falco COPPE/UFRJ

Conjuntos, Lgica e Sistemas Fuzzy

REFERNCIAS [1] H.J. Zimmermann, Fuzzy Set Theory and Its Applications, Third Edition, Kluwer, 1996. [2] T.J. Ross, Fuzzy Logic with Engineering Applications, McGraw-Hill International Editions, 1997. [3] J.M. Mendel, Fuzzy Logic Systems for Engineering: A Tutorial, Proceedings of the IEEE, vol. 83, no. 3, pp. 345-377, March 1995. [4] K. Tomsovic and M.Y. Chow, Eds., Tutorial on Fuzzy Logic Applications in Power Systems, IEEE PES Winter Meeting, Singapore, January 2000.

21