You are on page 1of 80

INTELIGNCIA

ARTIFICIAL
Parte 10
Lgica Fuzzy

Prof. Me. Celso Gallo - 2013

1
Lgica Fuzzy

Inteligncia Artificial Parte 2 Prof. Celso Gallo Slide 2

1 Lgica Fuzzy
1.1 Introduo:
Lgica a cincia que estuda e modela as leis do
raciocnio humano.
A Lgica Proposicional mostra-se como um importante
auxlio na automatizao do raciocnio, porm
insuficiente para a representao de problemas
complexos onde necessrio considerar valores
intermedirios entre verdadeiro e falso.

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 3

1 Lgica Fuzzy
1.1 Introduo:
Lgica Clssica de Aristteles

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 4

1 Lgica Fuzzy
1.1 Introduo:
Lgica Clssica de Aristteles

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 5

1 Lgica Fuzzy
1.1 Introduo:
Lgica Booleana faz uso de vriveis e constantes
formando um conjunto discreto e finito, que unicamente
podem assumir dois valores: 1 ou 0, representando Sim
ou No.

George Boole (1815-1864)


Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 6

1 Lgica Fuzzy
1.1 Introduo:
Lgica Booleana faz uso de vriveis e constantes
formando um conjunto discreto e finito, que unicamente
podem assumir dois valores: 1 ou 0, representando Sim
ou No.

A(x): X {0,1}

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 7

1 Lgica Fuzzy
1.1 Introduo:
Lgica Fuzzy (nebulosa) a cincia que estuda e modela
o modo aproximado do raciocnio humano. Considera a
possibilidade de algo ser e no ser ao mesmo tempo.

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 8

1 Lgica Fuzzy
1.1 Introduo:
Lgica Fuzzy (nebulosa) a cincia que estuda e modela
o modo aproximado do raciocnio humano. Considera a
possibilidade de algo ser e no ser ao mesmo tempo.

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 9

1 Lgica Fuzzy
1.1 Introduo:
Lgica Fuzzy uma tcnica inteligente que tem como
objetivo modelar o modo aproximado de raciocnio,
imitando a habilidade humana de tomar decises em um
ambiente de incerteza e impreciso.
Exemplos: Risco de um investimento, limiares de temperatura,
maturidade de uma pessoa, intensidade de fluxos, etc.

Permite que sistemas inteligentes de controle e suporte


deciso lidem com informaes imprecisas ou nebulosas.

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 10

1 Lgica Fuzzy
1.1 Introduo:
Exemplo de aplicao: qual a idade que define se uma
pessoa jovem ou velha?

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 11

1 Lgica Fuzzy
1.1 Introduo:
Exemplo de aplicao: qual a idade que define se uma
pessoa jovem ou velha?

Fuzificao: define-se os graus de pertinncia:

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 12

1 Lgica Fuzzy
1.1 Introduo:
Lgica Fuzzy aplicada em problemas onde o
conhecimento envolve conceitos subjetivos e
intrinsicamente imprecisos, e onde deseja-se obter
explicaes sobre o resultado do problema.
Fuzificao o processo de transformar nmeros reais
em uma representao Fuzzy, com o objetivo de
express-lo como uma medida de impreciso.

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 13

1 Lgica Fuzzy
1.2 Grau de Pertinncia:
o nvel de compatibilidade (incerteza) de um elemento
do conjunto com o conceito semntico deste conjunto.
No contexto da Lgica Fuzzy, o grau de pertinncia
descreve propriedades que tm valores contnuos,
associando as parties desses valores com um conceito
semntico.
Essas parties podem, e devem, coincidir (overlap) para
modelagem da ambiguidade.

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 14

1 Lgica Fuzzy
1.2 Grau de Pertinncia:
Exemplo de aplicao: Fabiana, com 43 anos, velha?

graus de pertinncia

idade
Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 15

1 Lgica Fuzzy
1.2 Grau de Pertinncia:
Exemplo de aplicao: Fabiana, com 43 anos, velha?

graus de pertinncia
0,9
0,4
idade
Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 16

1 Lgica Fuzzy
1.2 Grau de Pertinncia:
Exemplo de aplicao: Fabiana, com 43 anos, velha?
Fabiana tem grau de pertinncia 0,4 para velho e 0,9 para jovem.
Assim, Fabiana mais jovem do que velha!
Fabiana jovem e velha ao mesmo tempo, porm com graus de
pertinncia diferentes.
graus de pertinncia
0,9
0,4
idade
Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 17

1 Lgica Fuzzy
1.2 Grau de Pertinncia:
Exemplo de aplicao: Fabiana, com 43 anos, velha?
Clculo para Fuzzificao:
LINEAR CRESCENTE: A(x) = (x - x1)/(x2 - x1)

graus de pertinncia
0,9
0,4
idade
Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 18

1 Lgica Fuzzy
1.2 Grau de Pertinncia:
Exemplo de aplicao: Fabiana, com 43 anos, velha?
Clculo para Fuzzificao:
LINEAR CRESCENTE: A(x) = (x - x1)/(x2 - x1)
velho(43) = (43 - 38) / (50 - 38)
velho(43) = 5 / 12
velho(43) = 0,41667
graus de pertinncia
0,9
0,41667
idade
Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 19

1 Lgica Fuzzy
1.2 Grau de Pertinncia:
Exemplo de aplicao: Fabiana, com 43 anos, velha?
Clculo para Fuzzificao:
LINEAR DECRESCENTE: B(x) = (x2 - x)/(x2 - x1)

graus de pertinncia
0,9
0,41667
idade
Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 20

1 Lgica Fuzzy
1.2 Grau de Pertinncia:
Exemplo de aplicao: Fabiana, com 43 anos, velha?
Clculo para Fuzzificao:
LINEAR DECRESCENTE: B(x) = (x2 - x)/(x2 - x1)
jovem(43) = (50 - 43) / (50 - 42)
jovem(43) = 7 / 8
jovem(43) = 0,875
graus de pertinncia
0,875
0,41667
idade
Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 21

1 Lgica Fuzzy
1.2 Grau de Pertinncia:
No contexto da Probabilidade, a pertinncia explica
eventos que ocorrem em um espao aleatrio.
baseada em um espao de amostras e no em instncias
individuais.
Antes de selecionar um elemento de uma certa populao sabese as chances do evento ocorrer.
Aps selecionar o elemento, no existe mais a probabilidade (a
incerteza).

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 22

1 Lgica Fuzzy
1.2 Grau de Pertinncia:
No contexto da Probabilidade:
Exemplo: Para fazer o drink Cuba Livre deve-se misturar
refrigerante base de Cola, Run e Gelo, sendo:
Refrigerante pode ser Coca-Cola (50ml a 60ml) ou Pepsi-Cola
(60ml a 70ml), Run (10ml a 30ml) e Gelo (20ml).
1. Qual a probabilidade e encontrarmos Coca-Cola neste drink?
2. Qual a probabilidade de encontrarmos Run neste drink?
3. Qual a probabilidade de encontrarmos Gelo neste drink?
4. Qual a probabilidade de encontrarmos Guaran neste drink?

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 23

1 Lgica Fuzzy
1.2 Grau de Pertinncia:
No contexto da Probabilidade:
Exemplo: Para fazer o drink Cuba Livre deve-se misturar
refrigerante base de Cola, Run e Gelo, sendo:
Refrigerante pode ser Coca-Cola (50ml a 60ml) ou Pepsi-Cola
(60ml a 70ml), Run (10ml a 30ml) e Gelo (20ml).
1. Qual a probabilidade e encontrarmos Coca-Cola neste drink?
2. Qual a probabilidade de encontrarmos Run neste drink?
3. Qual a probabilidade de encontrarmos Gelo neste drink?
4. Qual a probabilidade de encontrarmos Guaran neste drink?

50%
100%
100%
0%

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 24

1 Lgica Fuzzy
1.2 Grau de Pertinncia:
No contexto da Lgica Fuzzy:
Exemplo: Para fazer o drink Cuba Livre deve-se misturar
refrigerante base de Cola, Run e Gelo, sendo:
Refrigerante pode ser Coca-Cola (50ml a 60ml) ou Pepsi-Cola
(60ml a 70ml), Run (10ml a 30ml) e Gelo (20ml).

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 25

1 Lgica Fuzzy
1.2 Grau de Pertinncia:
No contexto da Lgica Fuzzy:
Exemplo: Para fazer o drink Cuba Livre deve-se misturar
refrigerante base de Cola, Run e Gelo, sendo:
Refrigerante pode ser Coca-Cola (50ml a 60ml) ou Pepsi-Cola
(60ml a 70ml), Run (10ml a 30ml) e Gelo (20ml).

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 26

1 Lgica Fuzzy
1.2 Grau de Pertinncia:
No contexto da Lgica Fuzzy:
Exemplo: Para fazer o drink Cuba Livre deve-se misturar
refrigerante base de Cola, Run e Gelo, sendo:
Refrigerante pode ser Coca-Cola (50ml a 60ml) ou Pepsi-Cola
(60ml a 70ml), Run (10ml a 30ml) e Gelo (20ml).
1 - Qual grau de pertinncia de
Coca-Cola para um drink forte?

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 27

1 Lgica Fuzzy
1.2 Grau de Pertinncia:
No contexto da Lgica Fuzzy:
Exemplo: Para fazer o drink Cuba Livre deve-se misturar
refrigerante base de Cola, Run e Gelo, sendo:
Refrigerante pode ser Coca-Cola (50ml a 60ml) ou Pepsi-Cola
(60ml a 70ml), Run (10ml a 30ml) e Gelo (20ml).
1 - Qual grau de pertinncia de
Coca-Cola para um drink forte?
Entre 0,5 e 0,55 aproximadamente

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 28

1 Lgica Fuzzy
1.2 Grau de Pertinncia:
No contexto da Lgica Fuzzy:
Exemplo: Para fazer o drink Cuba Livre deve-se misturar
refrigerante base de Cola, Run e Gelo, sendo:
Refrigerante pode ser Coca-Cola (50ml a 60ml) ou Pepsi-Cola
(60ml a 70ml), Run (10ml a 30ml) e Gelo (20ml).
2 - Qual o paladar para Run e Gelo
com o mesmo grau de pertinncia?

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 29

1 Lgica Fuzzy
1.2 Grau de Pertinncia:
No contexto da Lgica Fuzzy:
Exemplo: Para fazer o drink Cuba Livre deve-se misturar
refrigerante base de Cola, Run e Gelo, sendo:
Refrigerante pode ser Coca-Cola (50ml a 60ml) ou Pepsi-Cola
(60ml a 70ml), Run (10ml a 30ml) e Gelo (20ml).
2 - Qual o paladar para Run e Gelo
com o mesmo grau de pertinncia?
Suave, independente do
refrigerante escolhido.

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 30

1 Lgica Fuzzy
1.2 Grau de Pertinncia:
No contexto da Lgica Fuzzy:
Exemplo: Para fazer o drink Cuba Livre deve-se misturar
refrigerante base de Cola, Run e Gelo, sendo:
Refrigerante pode ser Coca-Cola (50ml a 60ml) ou Pepsi-Cola
(60ml a 70ml), Run (10ml a 30ml) e Gelo (20ml).
3 Qual o grau de pertinncia de
Gelo para este drink?

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 31

1 Lgica Fuzzy
1.2 Grau de Pertinncia:
No contexto da Lgica Fuzzy:
Exemplo: Para fazer o drink Cuba Livre deve-se misturar
refrigerante base de Cola, Run e Gelo, sendo:
Refrigerante pode ser Coca-Cola (50ml a 60ml) ou Pepsi-Cola
(60ml a 70ml), Run (10ml a 30ml) e Gelo (20ml).
3 Qual o grau de pertinncia de
Gelo para este drink?
0,2; independente do paladar e do
refrigerante escolhido.

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 32

1 Lgica Fuzzy
1.2 Grau de Pertinncia:
No contexto da Lgica Fuzzy:
Exemplo: Para fazer o drink Cuba Livre deve-se misturar
refrigerante base de Cola, Run e Gelo, sendo:
Refrigerante pode ser Coca-Cola (50ml a 60ml) ou Pepsi-Cola
(60ml a 70ml), Run (10ml a 30ml) e Gelo (20ml).
4 Qual o grau de pertinncia de
Guaran para este drink?

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 33

1 Lgica Fuzzy
1.2 Grau de Pertinncia:
No contexto da Lgica Fuzzy:
Exemplo: Para fazer o drink Cuba Livre deve-se misturar
refrigerante base de Cola, Run e Gelo, sendo:
Refrigerante pode ser Coca-Cola (50ml a 60ml) ou Pepsi-Cola
(60ml a 70ml), Run (10ml a 30ml) e Gelo (20ml).
4 Qual o grau de pertinncia de
Guaran para este drink?
No existe.

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 34

1 Lgica Fuzzy
1.2 Grau de Pertinncia:
No contexto da Lgica Fuzzy, o que significa dizer:
Gabriela alta com grau de pertinncia 0,85.

No contexto da Probabilidade, o que significa dizer:


Gabriela tem a probabilidade 0,85 de ser alta.

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 35

1 Lgica Fuzzy
1.2 Grau de Pertinncia:
No contexto da Lgica Fuzzy, o que significa dizer:
Gabriela alta com grau de pertinncia 0,85.
Gabriela bem compatvel com uma pessoa alta, pois possui
0,85 de grau de pertinncia para a caracterstica alta.

No contexto da Probabilidade, o que significa dizer:


Gabriela tem a probabilidade 0,85 de ser alta.
No se faz a menor ideia da altura de Gabriela, pois ela pode at
ser uma an, pois ela apenas tem 85% de chance de ser alta.

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 36

1 Lgica Fuzzy
1.3 Vantagens e Desvantagens:
Vantagens:

Facilidade de lidar com dados imprecisos.


Facilita as descries das regras pelos especialistas.
Diminuio da quantidade de regras.
Permite a explicao do raciocnio.

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 37

1 Lgica Fuzzy
1.3 Vantagens e Desvantagens:
Desvantagens:
Necessidade de especificar funes de pertinncia.
Necessidade de especialista do domnio.
Necessidade de conhecimento de dados histricos.

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 38

2
Operaes com Conjuntos Fuzzy

Inteligncia Artificial Parte 2 Prof. Celso Gallo Slide 39

2 Operaes com Conjuntos Fuzzy


2.1 Operadores Fuzzy:
Dados 2 conjuntos Fuzzy, A e B, temos:
a) Unio ou Disjuno (OU lgico):

(AB)(x) = (A+B)(x) = mximo { (A)(x) , (B)(x) }

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 40

2 Operaes com Conjuntos Fuzzy


2.1 Operadores Fuzzy:
Dados 2 conjuntos Fuzzy, A e B, temos:
b) Interseo ou Conjuno (E lgico):

(AB)(x) = (A.B)(x) = mnimo { (A)(x) , (B)(x) }

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 41

2 Operaes com Conjuntos Fuzzy


2.1 Operadores Fuzzy:
Dados 2 conjuntos Fuzzy, A e B, temos:
c) Negao ou Complemento (No lgico):

(A)(x) = 1 - (A)(x)

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 42

2 Operaes com Conjuntos Fuzzy


2.1 Operadores Fuzzy:
Dados 2 conjuntos Fuzzy, A e B, temos:
d) Condicional (Se..ento lgico):
a b a + b
(AB)(x) = mximo { 1-(A)(x) , (B)(x) }
Ou ainda, aplicando De Morgan:
a b (a . b)
(AB)(x) = 1 mnimo { (A)(x) , 1 - (B)(x) }
Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 43

2 Operaes com Conjuntos Fuzzy


2.1 Operadores Fuzzy:
Dados 2 conjuntos Fuzzy, A e B, temos:
e) Ou Exclusivo (Xor):
a b (a b)
a b ((a b) (a b) )

(A B)(x) = 1 ( mnimo {mximo { 1-(A)(x) , (B)(x) },


mximo { 1-(B)(x) , (A)(x) } )

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 44

2 Operaes com Conjuntos Fuzzy


2.2 Operaes com Conjuntos Fuzzy:
Modificadores Lingusticos:
Utilizados para representar conceitos causadores de
ambiguidades:

a) Muito: 2(A)(x)

b) Pouco: (A)(x)

c) Extremamente: 3(A)(x)

d) Mais ou Menos: (A)(x)

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 45

2 Operaes com Conjuntos Fuzzy


2.2 Operaes com Conjuntos Fuzzy:
Modificadores Lingusticos:
Exemplo 1:

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 46

2 Operaes com Conjuntos Fuzzy


2.2 Operaes com Conjuntos Fuzzy:
Modificadores Lingusticos:
Exemplo 2:

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 47

2 Operaes com Conjuntos Fuzzy


2.2 Operaes com Conjuntos Fuzzy:
Variveis Lingusticas:
Permitem que a linguagem da modelagem Fuzzy expresse
a semntica usada por especialistas.
So os qualificadores.
Encapsula conceitos imprecisos numa forma
computacionalmente eficiente.
Tm a funo de fornecer uma maneira sistemtica para a
caracterizao aproximada de fenmenos complexos ou
mal definidos. So os nomes dos conjuntos Fuzzy.
Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 48

2 Operaes com Conjuntos Fuzzy


2.2 Operaes com Conjuntos Fuzzy:
Variveis Lingusticas:
Por exemplo:
SE temperatura NO MUITO alta ENTO risco reduzido um POUCO.

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 49

2 Operaes com Conjuntos Fuzzy


2.3 Formato de Conjuntos Fuzzy:
a) Linear Crescente e Decrescente:
So os tipos mais simples.

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 50

2 Operaes com Conjuntos Fuzzy


2.3 Formato de Conjuntos Fuzzy:
b) Triangular:
Caso especial, derivado do tipo linear.

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 51

2 Operaes com Conjuntos Fuzzy


2.3 Formato de Conjuntos Fuzzy:
c) Formato S:
Equao Quadrtica.

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 52

2 Operaes com Conjuntos Fuzzy


2.3 Formato de Conjuntos Fuzzy:
d) Formato Z:
Complemento do Formato S: Z(x,a,b) = 1 S(x,a,b)

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 53

2 Operaes com Conjuntos Fuzzy


2.3 Formato de Conjuntos Fuzzy:
e) Formato Pi:
Juno das curvas S e Z.

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 54

2 Operaes com Conjuntos Fuzzy


2.3 Formato de Conjuntos Fuzzy:
f) Gaussiana:
Simtrica, radial e unimodal.

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 55

2 Operaes com Conjuntos Fuzzy


2.4 Defuzificao:

Transforma o valor fuzzy em um valor relativo


realidade.
Deve ser tambm especificado por especialista do
domnio.
Principais modelos de defuzificao:

Mtodo do Critrio Mximo


Mtodo da Mdia dos Mximos
Mtodo do Centro Geomtrico

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 56

3
Aplicao da Lgica Fuzzy

Inteligncia Artificial Parte 2 Prof. Celso Gallo Slide 57

3 Aplicao da Lgica Fuzzy


3.1 Aplicando Operadores e Formatos:
Exemplo 1: Quem alto e de meia idade?

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 58

3 Aplicao da Lgica Fuzzy


3.1 Aplicando Operadores e Formatos:
Exemplo 1: Quem alto e de meia idade?

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 59

3 Aplicao da Lgica Fuzzy


3.1 Aplicando Operadores e Formatos:
Exemplo 1: Quem alto e de meia idade?

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 60

3 Aplicao da Lgica Fuzzy


3.1 Aplicando Operadores e Formatos:
Exemplo 1: Quem alto E de meia idade?

(AB)(x) = mnimo { (MeiaIdade)(x) , (Alto)(x) }

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 61

3 Aplicao da Lgica Fuzzy


3.1 Aplicando Operadores e Formatos:
Exemplo 1: Quem alto E de meia idade?

(AB)(x) = mnimo { (MeiaIdade)(x) , (Alto)(x) }

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 62

3 Aplicao da Lgica Fuzzy


3.1 Aplicando Operadores e Formatos:
Exemplo 1: Quem alto E de meia idade?

Resposta: Abel, Joo, Pedro, Felipe e Andr.

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 63

3 Aplicao da Lgica Fuzzy


3.1 Aplicando Operadores e Formatos:
Exemplo 2: Quem alto OU de meia idade?

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 64

3 Aplicao da Lgica Fuzzy


3.1 Aplicando Operadores e Formatos:
Exemplo 2: Quem alto OU de meia idade?

(AB)(x) = mximo{ (MeiaIdade)(x) , (Alto)(x) }

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 65

3 Aplicao da Lgica Fuzzy


3.1 Aplicando Operadores e Formatos:
Exemplo 2: Quem alto OU de meia idade?

(AB)(x) = mximo{ (MeiaIdade)(x) , (Alto)(x) }

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 66

3 Aplicao da Lgica Fuzzy


3.1 Aplicando Operadores e Formatos:
Exemplo 2: Quem alto OU de meia idade?

Resposta: Todos.

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 67

3 Aplicao da Lgica Fuzzy


3.1 Composio por Produto Cartesiano:

Para encontrar respostas para relaes entre conjuntos


Fuzzy, bastante usual utilizar a composio por
produto cartesiano entre matrizes.
Efetua-se a multiplicao entre as matrizes relacionais,
substituindo cada multiplicao pela operao mnimo
e cada adio pela operao mximo.
(AoB)(a, c) = mximo {mnimo { (A)(a,b) , (B)(b,c) }}

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 68

3 Aplicao da Lgica Fuzzy


3.2 Composio por Produto Cartesiano:
Exemplo 1: Qual a relao entre Ventilador, Casaco e
Guarda-chuva, com as estaes do ano?
R1(U1,U2)
Primavera
Vero
Outono
Inverno

R1
0,3 0,6
0,1 1
0,7 0,5
1
0,2

Frio

Calor

0,3
0,1
0,7
1

0,6
1
0,5
0,2

0,1
1

R2
0,9
0,2

R2(U2,U3)
Frio
Calor

Ventilador

Casaco

Guarda-chuva

0,1
1

0,9
0,2

0,5
0,7

Casaco

Guarda-chuva

0,3
0,2
0,7
0,9

0,6
0,7
0,5
0,5

R3
R(U1,U3)
Ventilador
0,63 ? 0,6 ?
Primavera
0,5 ?
? 1 ?
Vero =
0,7 ?
? 0,5 ?
Outono
Inverno

? 0,2 ?

Na matemtica clssica, temos:


AoB[1,1] = a[1,1].b[1,1]+a[1,2].b[2,1] = 0,03+0,6 = 0,63
Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 69

3 Aplicao da Lgica Fuzzy


3.2 Composio por Produto Cartesiano:
Exemplo 1: Qual a relao entre Ventilador, Casaco e
Guarda-chuva, com as estaes do ano?
R1(U1,U2)
Primavera
Vero
Outono
Inverno

R1
0,3 0,6
0,1 1
0,7 0,5
1
0,2

Frio

Calor

0,3
0,1
0,7
1

0,6
1
0,5
0,2

0,1
1

R2
0,9
0,2

R2(U2,U3)
Frio

Ventilador

Casaco

Guarda-chuva

0,1
1

0,9
0,2

0,5
0,7

R3
Ventilador

Casaco

Guarda-chuva

0,3
0,2
0,7
0,9

0,6
0,7
0,5
0,5

Calor

R(U1,U3)
0,6
Primavera
0,5 ?
Vero =
0,7 ?
Outono
Inverno

?
?
?
?

0,6 ?
1 ?
0,5 ?
0,2 ?

Na lgica fuzzy, temos:


(AoB)[1,1] = mximo {mnimo { (0.3,0.1) , mnimo { (0.6,1) }} = 0.6
Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 70

3 Aplicao da Lgica Fuzzy


3.2 Composio por Produto Cartesiano:
Exemplo 1: Qual a relao entre Ventilador, Casaco e
Guarda-chuva, com as estaes do ano?
R1(U1,U2)
Primavera
Vero
Outono
Inverno

R1
0,3 0,6
0,1 1
0,7 0,5
1
0,2

Frio

Calor

0,3
0,1
0,7
1

0,6
1
0,5
0,2

0,1
1

R2
0,9
0,2

R2(U2,U3)
Frio
Calor

R(U1,U3)
0,6
Primavera
0,5 ?
Vero =
0,7 ?
Outono
Inverno

Ventilador

Casaco

Guarda-chuva

0,1
1

0,9
0,2

0,5
0,7

R3
Ventilador

Casaco

Guarda-chuva

0,3
0,2
0,7
0,9

0,6
0,7
0,5
0,5

0,30,6 ?
? 1 ?
? 0,5 ?
? 0,2 ?

Na lgica fuzzy, temos:


(AoB)[1,2] = mximo {mnimo { (0.3,0.9) , mnimo { (0.6,0.2) }} = 0.3
Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 71

3 Aplicao da Lgica Fuzzy


3.2 Composio por Produto Cartesiano:
Exemplo 1: Qual a relao entre Ventilador, Casaco e
Guarda-chuva, com as estaes do ano?
R1(U1,U2)
Primavera
Vero
Outono
Inverno

R1
0,3 0,6
0,1 1
0,7 0,5
1
0,2

Frio

Calor

0,3
0,1
0,7
1

0,6
1
0,5
0,2

0,1
1

R2
0,9
0,2

R2(U2,U3)
Frio
Calor

R(U1,U3)
0,6
Primavera
0,5 1
Vero =
0,7 0,5
Outono
Inverno

0,2

Ventilador

Casaco

Guarda-chuva

0,1
1

0,9
0,2

0,5
0,7

R3
Ventilador

Casaco

Guarda-chuva

0,3
0,2
0,7
0,9

0,6
0,7
0,5
0,5

0,30,6 0,6
0,2 1 0,7
0,70,5 0,5
0,90,2 0,5

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 72

3 Aplicao da Lgica Fuzzy


3.2 Composio por Produto Cartesiano:
Exemplo 1: Qual a relao entre Ventilador, Casaco e
Guarda-chuva, com as estaes do ano?
R1(U1,U2)
Primavera
Vero
Outono
Inverno

0,6
1
0,5
0,2

R3
0,3
0,2
0,7
0,9

Frio

Calor

0,3
0,1
0,7
1

0,6
1
0,5
0,2

0,6
0,7
0,5
0,5

R2(U2,U3)
Frio
Calor

R3(U1,U3)
Primavera
Vero
Outono
Inverno

Ventilador

Casaco

Guarda-chuva

0,1
1

0,9
0,2

0,5
0,7

Ventilador

Casaco

Guarda-chuva

0,6
1
0,5
0,2

0,3
0,2
0,7
0,9

0,6
0,7
0,5
0,5

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 73

3 Aplicao da Lgica Fuzzy


3.3 Composio por Produto Cartesiano (Tabelas):
Exemplo 2: Qual jquei deve ser contratado?
Tabela 1

Tabela 2

Tabela 1: graus de pertinncia em cada componente, de cada jquei.


Tabela 2: graus de pertinncia desejado para a contratao (Regras Fuzzy).

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 74

3 Aplicao da Lgica Fuzzy


3.3 Composio por Produto Cartesiano (Tabelas):
Exemplo 2: Qual jquei deve ser contratado?
Tabela 1

Tabela 2

Tabela 3

muito_leve = leve^2
excelente_piloto = piloto^3
pouco_salrio = sqrt(salrio)

Tabela 3: graus de pertinncia de cada jquei, adaptado contratao.


Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 75

3 Aplicao da Lgica Fuzzy


3.3 Composio por Produto Cartesiano (Tabelas):
Exemplo 2: Qual jquei deve ser contratado?
(contratar)(jquei) = mx {mn { (peso); (altura); (piloto); (salrio) }}
Gervsio
Peso
Altura
Piloto
Salrio

(contratar) =
Anestsio
Peso
Altura
Piloto
Salrio

(contratar) =

Jquei Contrato
0,01
0,90
0,90
0,70
1,00
0,50
0,71
0,80
Mx

Jquei Contrato
0,49
0,90
0,50
0,70
0,34
0,50
0,89
0,80
Mx

Min
0,01
0,70
0,50
0,71

0,71
Min
0,49
0,50
0,34
0,80

0,80

Pancrio
Peso
Altura
Piloto
Salrio

(contratar) =
Chulsio
Peso
Altura
Piloto
Salrio

(contratar) =

Jquei Contrato
0,81
0,90
0,70
0,70
0,13
0,50
0,45
0,80
Mx

Jquei Contrato
1,00
0,90
0,40
0,70
0,51
0,50
0,77
0,80
Mx

Min
0,81
0,70
0,13
0,45

0,81
Min
0,90
0,40
0,50
0,77

0,90

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 76

3 Aplicao da Lgica Fuzzy


3.3 Composio por Produto Cartesiano (Tabelas):
Exemplo 2: Qual jquei deve ser contratado?
(contratar)(jquei) = mx {mn { (peso); (altura); (piloto); (salrio) }}
(contratar)(Gervsio) = mx {mn { 0.01; 0.7; 0.5; 0.71 }} = 0.71
(contratar)(Anestsio) = mx {mn { 0.49; 0.5; 0.34; 0.8}} = 0.8
(contratar)(Pancrio) = mx {mn {0.81; 0.7; 0.13; 0.45}} = 0.81
(contratar)(Chulsio) = mx {mn {0.9; 0.4; 0.5; 0.77 }} = 0.9
Deve-se contratar = mx {(contratar)(jquei)} = 0,9 = Chulsio

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 77

Na medida em que a complexidade de um sistema


aumenta, nossa habilidade de fazer afirmaes precisas e
ainda significativas sobre seu comportamento diminui, at
um limiar em que a preciso e a significncia (relevncia)
tornam-se caractersticas praticamente exclusivas
mutuamente.
[Zadeh, em O Princpio da Incompatibilidade, 1973]

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 78

Bibliografias
1.
2.
3.
4.

ROSA, Joo Luis Garcia. Fundamentos da Inteligncia Artificial. 1 ed. Rio


de Janeiro: LTC, 2011.
ARTERO, Almir Olivette. Inteligncia Artificial: Terica e Prtica. 1 ed. So
Paulo: Livraria da Fsica, 2009.
SIMES, Marcelo Godoy; SHAW, Ian S. Controle e Modelagem Fuzzy. 2 ed.
So Paulo: Blusher Fapesp, 2007.
NASCIMENTO JR., Cairo Lcio; YONEYAMA, Takashi. Inteligncia
Artificial em Controle e Automao. 2 ed. So Paulo: Blusher Fapesp, 2004.

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 79

Outras Referncias
1.
2.

3.

THOMAZ, Carlos E. Inteligncia Computacional. Departamento de


Engenharia Eltrica do Centro Universitrio da FEI, 2010.
BARRETO, Guilherme de Alencar. Redes Neurais Artificiais: Conjuntos
Fuzzy e Redes RBF. Departamento de Engenharia de Teleinformtica da
Universidade Federal do Cear, 2008.
GOMIDE, Fernando. Sistemas Fuzzy. DCA-FEEC-Unicamp,
http://www.dca.fee.unicamp.br/~gomide/courses/EA072/transp/EA072SistemasFuzz
y7.2.pdf

Inteligncia Artificial Parte 10 Prof. Celso Gallo Slide 80