Departamento de Computao Trabalho de Concluso de Curso

TIAGO KOHAGURA

LGICA FUZZY E SUAS APLICAES

Londrina 2007

TIAGO KOHAGURA

LGICA FUZZY E SUAS APLICAES

Trabalho desenvolvido durante o 4 ano do Curso de Graduao em Cincia da Computao da Universidade Estadual de Londrina, como requisito obteno do ttulo de Bacharel.

Orientador: Prof. Dr. Pedro Paulo da Silva Ayrosa

Londrina 2007

TIAGO KOHAGURA

LGICA FUZZY E SUAS APLICAES

COMISSO EXAMINADORA

______________________________________ Prof. Dr. Pedro Paulo da Silva Ayrosa Universidade Estadual de Londrina

______________________________________ Prof. Dr. Maria Anglica de O. C. Brunetto Universidade Estadual de Londrina

______________________________________ Prof. Dbora Elis Souza de Oliveira Universidade Estadual de Londrina

Londrina, 27 de Novembro de 2007

A PRESSA A INIMIGA DO HOMEM Dito popular

AGRADECIMENTOS

A minha famlia pelo total apoio. Aos professores e funcionrios do departamento de computao da UEL. Aos amigos e colegas da UEL. E, finalmente, ao Prof. Dr. Pedro Paulo da Silva Ayrosa, pela orientao do desenvolvimento deste trabalho.

KOHAGURA, Tiago. Lgica fuzzy e suas aplicaes. 2007. Monografia (Graduao em Cincia da Computao) Universidade Estadual de Londrina; Londrina.

RESUMO

A Lgica Fuzzy ou Lgica Difusa diferente da Lgica Clssica, que apenas permite a classificao de Verdadeiro ou Falso, capaz de atribuir valores lgicos intermedirios. Trabalhar em uma lgica que permite classificar dados ou informaes vagas, imprecisas e ambguas, abre muitas possibilidades de desenvolver solues para problemas que envolvem muitas variveis. A utilizao da Lgica Fuzzy em reas de tomada de deciso proporciona o desenvolvimento de ferramentas heursticas melhores para o homem, facilitando tomadas de deciso de forma mais gil e eficaz. Este trabalho objetiva estudo aprofundado sobre a Lgica Fuzzy, e apresentar suas aplicaes, ao mesmo tempo mostrando suas funcionalidades, buscando esclarecer seus conceitos, e propiciar a novas idias para a aplicao dessa lgica. Palavras - chaves: Lgica, Inteligncia Artificial.

KOHAGURA, Tiago. Fuzzy logic and its applications. 2007. Monograph (Graduation in Computer Science) Universidade Estadual de Londrina; Londrina.

ABSTRACT

Fuzzy Logic different of Classic Logic, that only permit a classification in True or False, can attribute logic intermediary value. To work with logic that can classify datas, or vague, imprecise and ambiguous information, it opens many possibilities to develop solutions for problems with many variables. The use of the Fuzzy Logic in decisions-making provides development of better heuristic tools for humanity, facilitating decisions-making with agility and efficacy. This work proposes to make profound study of Fuzzy Logic and introduce its applications, at same time showing its functionality, to be informed about their concepts, and propitiate new ideas using that logic. Key - words: Logic, Artificial Intelligence.

LISTA DE TABELAS

Tabela 1 Tabela de pertinncia para os conjuntos clssicos. ................................ 10 Tabela 2 Tabela de pertinncia para os conjuntos fuzzy........................................ 10 Tabela 3 Resultado da relao do conjunto A com B, interseco ........................ 19 Tabela 4 - Resultado da relao do conjunto A com B, unio ................................... 20 Tabela 5 Operaes de implicao ........................................................................ 35 Tabela 6 Resultado da fuzzificao ........................................................................ 37 Tabela 7 Aplicaes da lgica fuzzy....................................................................... 45

LISTA DE FIGURAS

Figura 1 Desenho comparativo da lgica clssica da fuzzy. .................................... 6 Figura 2 Cesta de mas e laranjas. ........................................................................ 7 Figura 3 Cesta de mas e laranjas misturadas. ..................................................... 7 Figura 4 Respostas da lgica fuzzy. ......................................................................... 8 Figura 5 Grfico representando os conjuntos clssicos. ......................................... 11 Figura 6 Grfico representando os conjuntos fuzzy. ............................................... 11 Figura 7- Comparao do conjunto clssico da fuzzy. .............................................. 12 Figura 8 Grfico representando dois conjuntos fuzzy............................................. 12 Figura 9 Grfico resultante da interseco ............................................................. 13 Figura 10 Grfico resultante da unio .................................................................... 14 Figura 11 Grfico resultante do complemento ........................................................ 15 Figura 12 Condio da funo de pertinncia ........................................................ 24 Figura 13 Grfico da funo triangular ................................................................... 25 Figura 14 Grfico da funo trapezoidal................................................................. 26 Figura 15 Grfico da funo Gaussiana ................................................................. 27 Figura 16 Grfico da funo Cauchy ...................................................................... 27 Figura 17 Grfico da funo Sigmide ................................................................... 28 Figura 18 Esquema do raciocnio fuzzy.................................................................. 29 Figura 19 Grfico das funes de pertinncia de peso ........................................ 31 Figura 20 Grfico das funes de pertinncia de altura ....................................... 31 Figura 21 - Grfico do clculo da pertinncia em peso ........................................... 32 Figura 22 - Grfico do clculo da pertinncia em altura .......................................... 33 Figura 23 - Grfico da pertinncia da sada de inferncia ......................................... 36 Figura 24 Elementos do conjunto A1...................................................................... 38 Figura 25 Elemento do conjunto A1 ...................................................................... 38 Figura 26 Elementos do conjunto B ....................................................................... 39 Figura 27 Composio dos conjuntos de A e R(regra 2) ....................................... 40 Figura 28 Processo simplificado da inferncia (regra 5)......................................... 40 Figura 29 Resultado da inferncia .......................................................................... 41

LISTA DE EQUAES

(1)- Operao de conjunto fuzzy de interseo ......................................................... 13 (2)- Operao de conjunto fuzzy de unio ................................................................ 14 (3)- Operao de conjunto fuzzy de complemento .................................................... 14 (4)- Operao de conjunto fuzzy de produto algebrico ............................................. 15 (5)- Operao de conjunto fuzzy de produto limitado ............................................... 16 (6)- Operao de conjunto fuzzy de produto drstico ................................................ 16 (7)- Operao de conjunto fuzzy de soma algebrica ................................................. 17 (8)- Operao de conjunto fuzzy de soma limitada ................................................... 17 (9)- Operao de conjunto fuzzy de concentrao .................................................... 17 (10)- Operao de conjunto fuzzy de produto dilatao ............................................ 18 (11)- Funo de pertinncia triangular..................................................................... 19 (12)- Relao de conjunto fuzzy, unio .................................................................... 19 (13)- Relao de conjunto fuzzy, projeo ............................................................... 20 (14)- Composio Max-min ...................................................................................... 21 (15)- Composio Max-produto ................................................................................ 22 (16)- Composio Max-mdia .................................................................................. 22 (17)- Funo de pertinncia triangular...................................................................... 24 (18)- Funo de pertinncia trapezoidal ................................................................... 25 (19)- Funo de pertinncia Gaussiana ................................................................... 26 (20)- Funo de pertinncia Cauchy ........................................................................ 27 (21)- Funo de pertinncia Sigmide...................................................................... 28 (22)- Funo de pertinncia triangular para os valores fuzzy(peso) ......................... 30 (23)- Funo de pertinncia triangular para os valores fuzzy(altura) ....................... 31 (24)- Calculo da pertinencia (peso) .......................................................................... 32 (25)- Clculo da pertinncia(alrutra) ......................................................................... 32 (26)- Funo de pertinncia de B ............................................................................ 34 (27)- Operador Mandami min ................................................................................... 37 (28)- Funo de pertinncia resultante da inferncia ............................................... 41 (29)- Mtodo centroide ............................................................................................. 42 (30)- Clculo usando o mtodo centroide................................................................. 42 (31)- Mtodo centro das somas ................................................................................ 43 (32)- Clculo usando o mtodo centro das somas ................................................... 43 (33)- Mtodo da mdia dos mximos ....................................................................... 43 (34)- Clculo usando o mtodo da mdia dos mximos............................................ 43

SUMRIO 1. INTRODUO ........................................................................................................ 1

2. A ORIGEM DA LGICA FUZZY ............................................................................ 3 2.1. Breve histrico da lgica ...................................................................................... 3 2.2. Lotfi Asker Zadeh ................................................................................................. 4

3. LGICA FUZZY ...................................................................................................... 6

4. TEORIA DOS CONJUNTOS FUZZY..................................................................... 10 4.1. Operaes de Conjuntos Fuzzy ......................................................................... 12 4.1.1. Interseo de conjuntos fuzzy ......................................................................... 13 4.1.2. Unio de conjuntos fuzzy ................................................................................ 13 4.1.3.Complemento de um conjunto fuzzy ................................................................ 14 4.1.4. Produto algbrico ............................................................................................ 15 4.1.5. Produto limitado............................................................................................... 15 4.1.6. Produto drstico .............................................................................................. 16 4.1.7. Soma algbrica................................................................................................ 16 4.1.8. Soma limitada .................................................................................................. 17 4.1.9. Concentrao de um conjunto fuzzy ............................................................... 17 4.1.10 Dilatao de um conjunto fuzzy ...................................................................... 18 4.2 Relaes Fuzzy ................................................................................................... 18 4.2.1. Operaes bsicas de relaes fuzzy ............................................................. 18 4.2.2. Composio de relaes fuzzy ........................................................................ 21 4.4. Funes de Pertinncia ...................................................................................... 23 4.3.1. Triangular ........................................................................................................ 24

4.3.2. Trapezoidal ...................................................................................................... 25 4.3.3. Gaussiana ....................................................................................................... 26 4.3.4. Cauchy ............................................................................................................ 27 4.3.5. Sigmide ......................................................................................................... 28

5. RACIOCNIO FUZZY............................................................................................. 29 5.1. Fuzzificao ....................................................................................................... 29 5.2. Inferncia............................................................................................................ 33 5.3. Defuzzificao .................................................................................................... 41 5.3.1 Mtodo Centride ............................................................................................. 42 5.3.2 Mtodo Centro das Somas ............................................................................... 42 5.3.3Mtodo da Mdia dos Mximos ......................................................................... 43

6. APLICAES DA LGICA FUZZY....................................................................... 45

7. CONCLUSO ....................................................................................................... 48

REFERNCIAS ......................................................................................................... 49

1. INTRODUO

A lgica fuzzy surgiu com base na Teoria de Conjuntos Fuzzy, no ano de 1965, em que a primeira vez foi usado o termo lgica fuzzy na publicao feita por Lotfi A. Zadeh nos Estados Unidos (MALUTTA, 2004). O termo em ingls fuzzy traduzido, tem o significado como algo vago, indefinido, incerto. Mas traduzido para o portugus os termos mais utilizados na rea de inteligncia artificial so nebuloso ou difuso. A lgica fuzzy trata de um raciocnio que busca classificar em nmeros uma determinada realidade ou situao, que trabalha com muitas variveis incertas e vagas, afim de facilitar o trabalho ou manipulao dos computadores (SHAW, 2002). A lgica fuzzy considerada imprecisa, pois trabalha com aproximaes de dados vagos (STURM, 2005). Atravs de uma determinada regra, que varia para qual fim a lgica fuzzy utilizada, os dados coletados caracterizados como incertos so analisados de acordo com a regra implementada e aproximados por nmeros para possibilitar a interpretao das mquinas e computadores. Comparando a lgica fuzzy com relao lgica clssica, a lgica fuzzy apesar de ser imprecisa, contrrio da lgica tradicional, ela reporta muito mais informaes no estando restrita ao verdadeiro e falso. Isso permite que a lgica fuzzy descreva um determinado fato com muito mais detalhe e gradual, reduzindo assim a perda de informaes, que conseqentemente estar mais coerente possvel com a realidade em questo (MALUTTA, 2004). Percebendo sua utilidade comeou a ser desenvolvida na Europa, criando aplicaes para esta lgica, e ao longo do tempo a lgica fuzzy introduzida no Japo, que comea a ser utilizada largamente em engenharia de controle. A partir desse momento, a Europa e depois Estados Unidos perceberam a eficcia da lgica e comearam a investir mais nessa tecnologia. E hoje a lgica fuzzy se tornou uma tecnologia padro, que vem sendo aplicada na rea de desenvolvimento industrial, cincias ambientais e at na rea de negcios e finanas. No captulo seguinte ser mostrado um breve histrico da lgica at o surgimento da lgica fuzzy. No captulo 3 ser apresentado sobre o que a lgica fuzzy, apresentando

um panorama geral. Enquanto que no captulo 4 ser abordado os conjuntos fuzzy explicando os conceitos, operaes e relaes de conjuntos que deu a origem a lgica fuzzy. No captulo 5 explicar como funciona o raciocnio fuzzy que bastante utilizada em controladores. No captulo 6 sero mostrados as variadas aplicaes da lgica fuzzy. E finalmente no captulo 7 a concluso do trabalho.

2. A ORIGEM DA LGICA FUZZY

2.1. Breve histrico da lgica

A cincia lgica foi fundada por Aristteles (384-322 a.C.), criando a lgica Aristotlica ou Lgica bivalente clssica (CAMPOS FILHO, 2004), que caracterizada por dois princpios que so a lei da lgica da no contradio e a lei do terceiro excludo. A lei da lgica da no contradio diz que nenhuma afirmao pode ser considerada verdadeira e falsa ao mesmo tempo, enquanto a lei do terceiro excludo diz que uma afirmao tem que ser verdadeira ou falsa. Em 1847 Boole atribui valores numricos para as afirmaes verdadeiras e falsas, valor 1 para as afirmaes verdadeiras e 0 para as afirmaes falsas (CAMPOS FILHO, 2004). Com isso Boole criou a lgebra booleana, sendo uma grande contribuio na rea da computao. Porm em 1903, Bartrand Russell mostrou que nem todos os problemas poderiam ser resolvidos pela lgica bivalente, atravs do problema conhecido como paradoxo de Russell. Em torno de 1930, Jan Lukasiewicz (1878 -1956) desenvolveu a lgica multinvel, em contrapartida a lgica Aristotlica, apresentando a lei da contradio onde uma determinada afirmao pode ser verdadeira ou no, ao mesmo tempo. Isso se torna possvel desde que no apresente apenas dois nveis, verdadeiro e falso, mas sim um grau de verdade, existindo assim vrios nveis (CAMPOS FILHO, 2004). Em 1965 publicado o trabalho de Conjuntos Fuzzy, por Lotfi A. Zadeh, baseado na lgica multinvel. Com este trabalho foi possvel mostrar de forma matemtica o tratamento dos aspectos imprecisos e ambguos apresentados na lei da contradio. E a partir deste trabalho surge a expresso lgica fuzzy.

2.2. Lotfi Asker Zadeh

Nasceu no dia 4 de Fevereiro de 1921 na cidade de Baku em Azerbaijo. Ele matemtico, cientista da computao, e professor em cincia da computao da Universidade da Califrnia, Berkeley. Cresceu no Ir e sua primeira lngua foi o russo. Estudou no colgio Alborz , morou no Iran dos 10 aos 23 anos de idade quando foi estudar na escola Presbiteriana. Desde cedo Zadeh j se sustentava, possui seu prprio carro e seus empregados. Em 1942 estudou na Universidade de Tehran e se formou, sendo bacharel em Engenharia Eltrica. Em 1944 se mudou para os Estados Unidos atravs dos contatos com o Comando do Golfo Prsico dos Estados Unidos onde, entre 100 pessoas, ele conseguiu a vaga para imigrao para os EUA. Nos Estados Unidos foi para o Massachusetts Institute of Technology (MIT) quando em 1946 obtm o ttulo de mestre em engenharia eltrica, e nessa mesma poca seus pais se mudam do Iran para Nova Iorque, conseqentemente ele sai do MIT e vai morar em Nova Iorque para ficar com seus pais. L ele se inscreve na Universidade de Columbia e em 1951 ele consegue seu PhD em engenharia eltrica (KOSKO, 1994). Em 1959 ele foi para Univesidade da Califrnia Berkeley, onde em 1963 ele se torna chefe do departamento de engenharia eltrica. o maior posto que ele obteve em sua carreira na engenharia, sendo que 20 anos antes ele recebia ordens de empregados, e agora ele contrata, inspeciona, promove, e despede alguns dos melhores engenheiros do mundo. Antes de lanar seus trabalhos relacionados a lgica fuzzy,segundo Kosko, Zadeh diz que criou interesse sobre a lgica multinvel em 1950 aproximadamente quando ainda estava na Universidade de Columbia. Em torno de 1956 quando foi convidado a comparecer ao Instituto de Estudos Avanados de Princeton, Zadeh encontrou Stephen Kleene na qual liderava sobre os estudos sobre a lgica multinvel nos Estados Unidos. Junto com Kleene, Zadeh aprendeu a lgica formal e a matemtica da lgica multinvel. Baseado na lgica multinvel juntamente com os trabalhos publicados at ento, em 1965 publicou um trabalho sobre Conjuntos

Fuzzy. Com base na Teoria dos Conjuntos Fuzzy em 1973, Zadeh apresenta sua teoria da Lgica Fuzzy.

3. LGICA FUZZY

Segure uma ma em suas mos. Isso uma ma? Sim. O objeto em sua mo pertence um determinado tempoespao que chamamos de conjunto de mas todas as mas sempre em qualquer lugar. Agora morda a ma, mastigue-a, e engula-a. Deixe seu trato digestivo pegue uma parte das molculas da ma. O objeto em suas mos ainda uma ma? Sim ou no? D outra mordida. O novo objeto ainda uma ma? (KOSKO,

1993, p.4, traduo nossa). Para ter uma idia sobre o que a lgica fuzzy, Kosko apresenta um exemplo sobre a questo da ma. Se a resposta da pergunta apresentada por Kosko apenas entre sim ou no, isto representa a lgica clssica onde os valores so apenas representados como verdadeiro ou falso. Porm se a resposta for, por exemplo, mais ou menos ou quase uma ma, so respostas que existe um meio termo entre ser uma ma ou no. Essa a idia da lgica fuzzy, no apenas fica restrito entre verdadeiro e falso, mas sim existem vrios nveis entre o verdadeiro e falso. De modo figurativo enquanto a lgica clssica enxerga apenas o preto e o branco, a lgica fuzzy capaz de, alm do preto e o branco, enxergar vrios tons de cinza, ilustrada na figura 1.

Figura 1 Desenho comparativo da lgica clssica da fuzzy. Um exemplo interessante parar entender a idia da lgica fuzzy a classificao de cestas de mas e laranjas (MCNEIL, 1994). De acordo com a lgica clssica existe apenas a classificao de apenas duas cestas as de mas e

as de laranjas ilustradas na figura 2:

Figura 2 Cesta de mas e laranjas.

Mas caso existir uma cesta com mas e laranjas misturadas ilustrada na figura 3 como ser classificada esta cesta de acordo com a lgica clssica? Ela considerada uma cesta de mas? Sim ou no?

Figura 3 Cesta de mas e laranjas misturadas.

A lgica fuzzy permitir a classificao das cestas intermedirias entre a cesta que possui apenas mas e a cesta que possui apenas laranjas. A resposta para a pergunta anterior, em que a cesta da figura 3 uma cesta de mas, no estar apenas restrito as respostas de Sim ou No, existiro, tambm, respostas como Quase, Mais ou menos, um pouco que pode ser verificada na figura 4:

Figura 4 Respostas da lgica fuzzy. A fundamentao matemtica da lgica fuzzy se encontra na teoria dos conjuntos fuzzy, que atravs dela deu se o surgimento da lgica fuzzy que ser

apresentada no prximo captulo.

10

4. TEORIA DOS CONJUNTOS FUZZY

A Lgica Fuzzy baseada na teoria dos Conjuntos Fuzzy. A teoria dos Conjuntos Fuzzy diz que dado um determinado elemento que pertence a um domnio, verificado o grau de pertinncia do elemento em relao ao conjunto. O grau de pertinncia a referncia para verificar o quanto possvel esse elemento poder pertencer ao conjunto. O grau calculado atravs de uma determinada funo que retorna geralmente um valor real que varia entre 0 1, sendo que 0 indica que no pertence ao conjunto, e 1 pertence. Diferentemente da teoria clssica, em que os conjuntos so chamados de crisp, o grau de pertinncia binrio, ou seja, pertence ou no pertence no conjunto. Como exemplo existir trs conjuntos para verificar a classificao a altura de um homem adulto, que so baixo, mdio e alto.

Tabela 1 Tabela de pertinncia para os conjuntos clssicos. Baixo 1,50m 1,60m 1,70m 1,80m 1,90m 2,00m 1 1 0 0 0 0 Mdio 0 0 1 1 0 0 Alto 0 0 0 0 1 1

Tabela 2 Tabela de pertinncia para os conjuntos fuzzy. Baixo 1.50m 1,60m 1,70m 1,80m 1,90m 2,00m 1 0.6 0.1 0 0 0 Mdio 0 0.3 1 0.3 0 0 Alto 0 0 0 0.5 1 1

11

Figura 5 Grfico representando os conjuntos clssicos.

Figura 6 Grfico representando os conjuntos fuzzy.

Percebe-se que o conceito da lgica fuzzy se encontra na teoria dos conjuntos fuzzy, como tambm da lgica tradicional se encontra na teoria dos conjuntos clssicos. Enquanto nos conjuntos clssicos apenas classifica o preto ou branco (verdadeiro ou falso) os conjuntos fuzzy permite a classificao em vrios tons de cinza alm do preto e branco, como segue a figura 7:

12

Figura 7- Comparao do conjunto clssico da fuzzy.

4.1. Operaes de Conjuntos Fuzzy

Para exemplificar as operaes sero utilizadas os seguintes dois conjuntos Baixo e Mdio no universo X, apresentado na figura 8.

Figura 8 Grfico representando dois conjuntos fuzzy. Para um elemento x dentro do universo ser mostrado as seguintes operaes

13

4.1.1. Interseo de conjuntos fuzzy

A interseo de dois conjuntos resultar em um conjunto fuzzy cuja sua pertinncia ser a mnima da pertinncia dos conjuntos em questo, representada na equao 1: = min( B , M ); (1) Baixo(X) = { (1.5, 1), (1.6, 0.6) ,(1.7, 0.1) ,(1.8, 0) ,(1.9, 0) ,(2, 0) } Mdio(X) = { (1.5, 0) ,(1.6, 0.3) ,(1.7, 1) ,(1.8, 0.3),(1.9, 0) ,(2, 0) } Baixo Mdio = { (1.5, 0) ,(1.6, 0.3) ,(1.7, 0.1) ,(1.8, 0),(1.9, 0) ,(2, 0) }

Figura 9 Grfico resultante da interseco

4.1.2. Unio de conjuntos fuzzy

A unio de dois conjuntos resultar em um conjunto fuzzy cuja sua pertinncia ser mximo das pertinncias dos conjuntos em questo, representada na equao 2:

14

= max( B , M ); (2) Baixo(X) = { (1.5, 1), (1.6, 0.6) ,(1.7, 0.1) ,(1.8, 0) ,(1.9, 0) ,(2, 0) } Mdio(X) = { (1.5, 0) ,(1.6, 0.3) ,(1.7, 1) ,(1.8, 0.3),(1.9, 0) ,(2, 0) } Baixo U Mdio = { (1.5, 1) ,(1.6, 0.6) ,(1.7, 1) ,(1.8, 0.3),(1.9, 0) ,(2, 0) }

Figura 10 Grfico resultante da unio

4.1.3.Complemento de um conjunto fuzzy

O complemento de um conjunto fuzzy Baixo, por exemplo, resultar em um conjunto cuja a pertinncia a subtrao de 1 pela pertinncia do conjunto Baixo, representado na equao 3: = 1- B ; (3) Baixo(X) = { (1.5, 1), (1.6, 0.6) ,(1.7, 0.1) ,(1.8, 0) ,(1.9, 0) ,(2, 0) } Baixo(X)= { (1.5, 0) ,(1.6, 0.4) ,(1.7, 0.9) ,(1.8, 1),(1.9, 1) ,(2, 1) }

15

Figura 11 Grfico resultante do complemento

4.1.4. Produto algbrico

O valor da pertinncia de um dado x, ser a multiplicao das pertinncias dos conjuntos em questo, que esta representado na equao 4: Tpa (Baixo,Mdio) = B * M (4)

Baixo(X) = { (1.5, 1), (1.6, 0.6) ,(1.7, 0.1) ,(1.8, 0) ,(1.9, 0) ,(2, 0) } Mdio(X) = { (1.5, 0) ,(1.6, 0.3) ,(1.7, 1) ,(1.8, 0.3),(1.9, 0) ,(2, 0) } Tpa(Baixo,Mdio) = { (1.5, 0) ,(1.6, 0.18) ,(1.7, 0.1) ,(1.8, 0),(1.9, 0) ,(2, 0) }

4.1.5. Produto limitado

O valor da pertinncia de um dado x, ser a soma das pertinncias dos conjuntos em questo, mas caso a soma das pertinncias forem maiores que 1, o

16

valor da pertinncia de x ser 1, que esta representado na equao 5:

Tpl (Baixo,Mdio) = B + M;

Se B + M > 1 ento Tpl (Baixo,Mdio) = 1; (5)

Baixo(X) = { (1.5, 1), (1.6, 0.6) ,(1.7, 0.1) ,(1.8, 0) ,(1.9, 0) ,(2, 0) } Mdio(X) = { (1.5, 0) ,(1.6, 0.3) ,(1.7, 1) ,(1.8, 0.3),(1.9, 0) ,(2, 0) } Tpl(Baixo,Mdio) = { (1.5, 1) ,(1.6, 0.9) ,(1.7, 1) ,(1.8, 0.3),(1.9, 0) ,(2, 0) }

4.1.6. Produto drstico

O valor da pertinncia de um dado x ter o valor pela seguinte regra: Tpl (Baixo,Mdio) = B se M =1; Tpl (Baixo,Mdio) = M se B =1; Tpl (Baixo,Mdio) = 0 se B < 1 e M <1; (6)

Baixo(X) = { (1.5, 1), (1.6, 0.6) ,(1.7, 0.1) ,(1.8, 0) ,(1.9, 0) ,(2, 0) } Mdio(X) = { (1.5, 0) ,(1.6, 0.3) ,(1.7, 1) ,(1.8, 0.3),(1.9, 0) ,(2, 0) } Tpl(Baixo,Mdio) = { (1.5, 0) ,(1.6, 0) ,(1.7, 0.1) ,(1.8, 0),(1.9, 0) ,(2, 0) }

4.1.7. Soma algbrica

O valor da pertinncia de um dado x, ser a soma das pertinncias e a subtrao de seu produto dos conjuntos em questo, que esta representado na equao 7:

17

Ssa (Baixo, Mdio) = ( B + M ) - ( B * M ); (7)

Baixo(X) = { (1.5, 1), (1.6, 0.6) ,(1.7, 0.1) ,(1.8, 0) ,(1.9, 0) ,(2, 0) } Mdio(X) = { (1.5, 0) ,(1.6, 0.3) ,(1.7, 1) ,(1.8, 0.3),(1.9, 0) ,(2, 0) } Ssa(Baixo,Mdio) = { (1.5, 1) ,(1.6, 0.72) ,(1.7, 1) ,(1.8, 0.3),(1.9, 0) ,(2, 0) }

4.1.8. Soma limitada

O valor da pertinncia de um dado x, ser o mnimo do universo que varia entre 1 e a soma das pertinncias dos conjuntos em questo, que esta representado na equao 8: Ssl (Baixo, Mdio) = min(1, ( B + M ) ); (8)

Baixo(X) = { (1.5, 1), (1.6, 0.6) ,(1.7, 0.1) ,(1.8, 0) ,(1.9, 0) ,(2, 0) } Mdio(X) = { (1.5, 0) ,(1.6, 0.3) ,(1.7, 1) ,(1.8, 0.3),(1.9, 0) ,(2, 0) } Ssl(Baixo,Mdio) = { (1.5, 1) ,(1.6, 0.9) ,(1.7, 1) ,(1.8, 0.3),(1.9, 0) ,(2, 0) }

4.1.9. Concentrao de um conjunto fuzzy

A concentrao de um conjunto fuzzy resultar em um conjunto cuja a pertinncia a pertinncia ao quadrado, que esta representado na equao 9: = 2 ; (9)

Baixo(X) = { (1.5, 1), (1.6, 0.6) ,(1.7, 0.1) ,(1.8, 0) ,(1.9, 0) ,(2, 0) } Baixo^2(X)= { (1.5, 1) ,(1.6, 0.36) ,(1.7, 0.01) ,(1.8, 0),(1.9, 0) ,(2, 0) }

18

4.1.10 Dilatao de um conjunto fuzzy

A concentrao de um conjunto fuzzy resultar em um conjunto cuja a pertinncia a raiz quadrada da pertinncia, que esta representado na equao 10: = (10)

Baixo(X) = { (1.5, 1), (1.6, 0.6) ,(1.7, 0.1) ,(1.8, 0) ,(1.9, 0) ,(2, 0) } Baixo^2(X)= { (1.5, 1) ,(1.6, 0.77) ,(1.7, 0.31) ,(1.8, 0),(1.9, 0) ,(2, 0) }

4.2 Relaes Fuzzy

uma generalizao das relaes de conjuntos clssicos (crisps), que uma maneira de representar as associaes, interaes e interconexes entre os elementos de dois conjuntos. A diferena entre a relao do conjunto clssico da relao do conjunto fuzzy, esta no grau de associao. A relao clssico fica entre 0 e 1 enquanto a relao fuzzy varia de 0 1. O principal tipos de operaes das relaes fuzzy.

4.2.1. Operaes bsicas de relaes fuzzy

Interseco

Sendo dois conjuntos A e B, o produto entre eles representado da seguinte forma: R = { ( (x,y), (x,y) ) | (x,y) E A x B e (x,y) E [0,1] ) } Sendo que a pertinncia da relao representado por R(x,y) tem o seguinte resultado, que o mnimo entre as pertinncia dos conjuntos em questo, que esta

19

representado na equao 11: R(x,y) = min[ A(x), B(y) ]; (11)

Segue um exemplo: x = { 1,2,3 } e y= { 5,6,7 } A = ( (1, 0.4) ; (2, 0.1) ; (3, 1) ) e B = ( (5, 0.6) ; (6, 0) ; (7, 0.8) ) R = ( ((1,5), 0.4) ; ((2,5), 0.1) ; ((3,5), 0.6) ; ((1,6), 0) ; ((2,6), 0) ; ((3,6), 0) ; ((1,7), 0.4) ; ((2,7), 0.1) ; ((3,7), 0.8) ) Resultando a tabela 3: Tabela 3 Resultado da relao do conjunto A com B, interseco AxB 1 2 3 5 0.4 0.1 0.6 6 0 0 0 7 0.4 0.1 0.8

Unio

Utilizando os mesmos conjuntos A e B, e sendo que o universo de A x, e de B y. O resultado da relao o mximo entre as pertinncias dos conjuntos A e B. R(x,y) = max[ A(x), B(y) ]; (12)

x = { 1,2,3 } e y= { 5,6,7 } A = ( (1, 0.4) ; (2, 0.1) ; (3, 1) ) e B = ( (5, 0.6) ; (6, 0) ; (7, 0.8) ) R = ( ((1,5), 0.6) ; ((2,5), 0.6) ; ((3,5), 1) ; ((1,6), 0.4) ; ((2,6), 0.1) ; ((3,6), 1) ; ((1,7), 0.8) ; ((2,7), 0.8) ; ((3,7), 1) ) Resultando a tabela 4:

20

Tabela 4 - Resultado da relao do conjunto A com B, unio AxB 1 2 3 5 0.6 0.6 1 6 0.4 0.1 1 7 0.8 0.8 1

Projeo

Quando se deseja obter uma relao com uma dimenso menor utilizado a projeo. Por exemplo, quando se tem uma relao de duas dimenses, obtm-se duas projees de uma dimenso. Utilizando a relao anterior de unio, ser obtido duas projees. A primeira obtida da seguinte maneira:

R1(x,y) = max [ R(x,y) ], com y variando de 5 7, mantendo o x fixo.

Ou seja, ir escolher o Maximo da primeira linha da tabela. Pode ser representado pela equao 13:

R1(x,y) =

[ R x, y ] (13)

Enquanto a segunda projeo pela seguinte formula: [ R x, y ]

R2(x,y) =

Ento a primeira projeo ter os seguintes valores de pertinncia: R1 = ( (1, 0.8) ; (2, 0.8) ; (3, 1) ) E a segunda ter os seguintes valores: R2 = ( (5, 1) ; (6, 1) ; (7, 1) )

21

4.2.2. Composio de relaes fuzzy

A composio de relaes fuzzy a parte mais importante deste capitulo. Atravs dela que muitos sistemas de controle fuzzy, utilizam para realizar a inferncia. A composio trabalha com duas relaes, supondo que uma relao de X x Y e a outra Y x Z, a composio permite formar uma nova relao do tipo X x Z Porm existem vrias verses de composio que sero mostradas a seguir. Composio Max-min

Como o prprio nome diz, ele ir utilizar o mximo ( v ) e o mnimo ( ^ ). Supondo duas relaes fuzzy R1(x,y) e R2(y,z), e deseja-se encontrar a R3(x,z). A composio de R1 com R2 so representadas por R1 R2, tendo a frmula 14: [ R1 x, y ^R2 y, z ] (14)

R1 R2(x,z) =

Ele semelhante ao processo de multiplicao de duas matrizes, como veremos nesse exemplo. R1 e R2 tero as seguintes matrizes de representao das pertinncias de suas relaes de X x Y e Y x Z respectivamente. 1 R1 = 0.5 0.2 0.4 0.7 1 0 0.8 0.9 0.9 e R2 = 0.6 0.3 0.4 0.1 0.2 0.4 0 0.8 0.7 0.9 0.6 1 0.4 0.1 0.9 0.3 0.2 1 0.8 0.4 1 0.8 0.4

1 R1 R2 = 0.5 0.2 clculo: 1

Com a primeira de linha de R1 com a primeira coluna de R2 temos a seguinte 0.8 0.4 0 0.6 = [1 ^ 0.8] v [0.4 ^ 0.6] v [0 ^ 0.1] 0.1

= 0.8 v 0.4 v 0 = 0.8

22

Percebe-se que o processo semelhante a uma multiplicao de matrizes, onde a soma representado por ( v ) e a multiplicao representado por ( ^ ). Realizando a composio completa obtm a seguinte matriz: 0.8 0.9 R1 R2 = 0.6 0.5 0.6 0.3 1 0.8 0.8

Composio Max-Produto

Pelo nome este processo de composio ir usar o mximo e a multiplicao. Tendo a frmula 15: R1 R2(x,z) =

[ R1 x, y R2 y, z ] (15)

Utilizando os mesmo dados do exemplo tem-se a resoluo: 1 R1 R2 = 0.5 0.2 0.4 0.7 1 0 0.8 0.9 0.9 0.6 0.3 0.4 0.1 0.2 1 0.8 0.4

A primeira linha de R1 e primeira linha de R2. 1 0.8 0.4 0 0.6 = [1 0.8] v [0.4 0.6] v [0 0.1] 0.1

= 0.8 v 0.24 v 0 = 0.8 Realizando todo processo temos: 0.8 R1 R2 = 0.42 0.6 0.9 1 0.45 0.56 0.3 0.8

Composio Max-mdia

Em relao ao processo de composio anterior, este utiliza a soma ao invs da multiplicao. Porm o grau de pertinncia pode alcanar valores maiores que 1, portanto dividido por 2. Assim temos a equao 16: R1<+>R2(x,z) =

[ 1/2( R1 x, y + R2 y, z )] (16)

23

Utilizando os mesmo dados do exemplo tem-se a resoluo: 1 0.4 R1 <+>R2 = 0.5 0.7 0.2 1 0 0.8 0.9 < +> 0.6 0.4 0.1 0.9 0.3 0.2 1 0.8 0.4

A primeira linha de R1 e primeira linha de R2. = 1/2( [1 + 0.8] v [0.4 + 0.6] v [0 + 0.1] ) = 1/2(1.8 v 1 v 0.1) = 0.9 Realizando todo processo temos: 0.9 0.95 1 R1<+>R2 = 0.65 0.7 0.75 0.8 0.65 0.9

4.4. Funes de Pertinncia

Cada conjunto fuzzy caracterizado pela sua funo de pertinncia, geralmente so representados por (x). atravs delas que sero determinadas o quanto um determinado elemento pertence ao conjunto (ZIMMERMAN, 1991). De acordo com sua aplicao ou a maneira de representar em um determinado contexto existem diferentes tipos de funes de pertinncia. A funo de pertinncia que ir representar um conjunto de nmeros fuzzy deve respeitar algumas condies. Funo ter que ser normal e convexa. Um conjunto fuzzy dita como normal quando sua funo de pertinncia permite classificar um determinado dado em pertencer totalmente ao conjunto. Quanto ao conjunto fuzzy convexo quando sua funo de pertinncia no tenha mais o crescimento e decrescimento dos valores resultantes ao longo do universo dado (TSOUKALAS, 1997). A figura 12 ilustra as caractersticas das funes de pertinncia:

24

Figura 12 Condio da funo de pertinncia A seguir sero mostrados os tipos de funes de pertinncia utilizados na lgica fuzzy.

4.3.1. Triangular

representada pelo modelo de funo 17:

tri(x; a, b, c) = max ( min ( x-a/b-a, c-x/c-b ), 0 ), para a < b < c. (17)

25

Figura 13 Grfico da funo triangular Na figura 13 mostra um grfico de uma funo triangular cujo os valores de a, b e c so respectivamente 2, 4, e 6.

4.3.2. Trapezoidal

representado pela funo 18:

trap(x; a, b, c, d) = max ( min ( x-a/b-a, 1, d-x/d-c ), 0 ), para a < b < c < d. (18)

26

Figura 14 Grfico da funo trapezoidal

Na figura 14 mostra um grfico de uma funo trapezoidal cujo os valores de a, b, c e d so respectivamente 1, 2, 5 e 6.

4.3.3. Gaussiana

representado pela funo 19:

gauss(x; a, b, c) = (19)

27

Figura 15 Grfico da funo Gaussiana

4.3.4. Cauchy
representado pela funo 20:

cauchy(x; a, b, c) = 1 / ( (1 + | (x-c)/a |)^(2b) ), para b > 0. (20)

Figura 16 Grfico da funo Cauchy

28

Na figura 16 mostra um grfico de uma funo Cauchy cujos valores de a, b e c so respectivamente 2, 8 e 4.

4.3.5. Sigmide

representado pela funo 21: sigmide(x; [a,b]) = 1 / ( 1+ exp( -a*(x-b) ) ) (21)

Figura 17 Grfico da funo Sigmide

Na figura 17 mostra um grfico de uma funo Sigmide cujos valores de a e b so 4.

29

5. RACIOCNIO FUZZY

O raciocnio fuzzy composto de por trs etapas que so a fuzzificao, a inferncia e a defuzzificao. Estas trs etapas fecham um ciclo que permitem a resoluo de muitos problemas e que so bastante utilizados em sistemas de controle. Para melhor compreenso de todas as etapas do processo, tem o seguinte exemplo. Supondo que se deseja desenvolver um programa para o controle de obesidade de uma pessoa adulta utilizando a lgica fuzzy. O objetivo desse programa ser retornar o peso ideal ou saudvel, de acordo com os dados pelo usurio. A figura 18 ilustra o esquema do raciocnio, mostrando como as trs etapas se relacionam.

Figura 18 Esquema do raciocnio fuzzy

5.1. Fuzzificao

A primeira etapa a fuzzificao. Consiste em transforma um dado numrico em um termo em linguagem natural. No dia-a-dia a fuzzificao se encontra

30

presente de certa maneira, no momento que um professor diz que um aluno teve uma nota tima por ter tirado uma nota 9.5, ou uma mulher diz que esta gorda por possuir um peso de 60kg, so fuzzificaes realizadas tanto pelo professor e pela mulher. Para uma mquina fuzzificar um determinado dado numrico, so utilizadas as funes de pertinncia para verificar o quanto esse dado pertence a uma determinada classificao (conjunto fuzzy). Voltando ao programa de controle de obesidade, para simplificar, tero apenas dois dados de entrada, o peso e a altura do usurio. O peso e a altura so chamados de variveis fuzzy. As varivel fuzzy so atribudos os conjuntos fuzzy, como muito, pouco, alto ou baixo, estes tipos de atribuio so chamados de valores fuzzy. Ento com as variveis fuzzy determinadas, precisa-se determinar os valores fuzzy possveis para estas variveis. No caso para a varivel fuzzy peso, ter trs valores fuzzy que so leve, mdio e pesado. Enquanto a varivel fuzzy altura, ter baixo, mediano e alto. Para cada valor fuzzy, ter uma funo de pertinncia para que seja possvel o mapeamento dos dados de entrada, que so valores numricos, para os valores fuzzy. Nesse caso sero utilizadas as funes triangulares e trapezoidais pela sua simplicidade e fcil compreenso. Segue as funes de pertinncia dos valores fuzzy de peso nas equaes em 22, e na figura 19 ilustra um grfico com o comportamento das funes em 22:

tri(x; a, b, c) = max ( min ( x-a/b-a, c-x/c-b ), 0 ), Leve(x) = max ( min ( x-40/50-40, 60-x/60-50 ), 0 ), Mdio(x) = max ( min ( x-50/70-50, 80-x/80-70 ), 0 ), Pesado(x) = max ( min ( x-70/90-70, 110-x/110-90 ), 0 ), (22)

31

Figura 19 Grfico das funes de pertinncia de peso

Agora as funes dos valores de altura da equao 23, e na figura 20 o grfico ilustrando o comportamento da equao 23:

Baixo(x) = max ( min ( x-1.40/1.50-1.40, 1.70-x/1.70-1.50 ), 0 ), Mediano(x) = max ( min ( x-1.60/1.70-1.60, 1.90-x/1.90-1.70 ), 0 ), Alto(x) = max ( min ( x-1.80/21.90-1.80, 2.0-x/2.0-1.90 ), 0 ), (23)

Figura 20 Grfico das funes de pertinncia de altura

32

Supondo que o usurio apresente o seguinte dado de entrada, o peso igual a 55kg e uma altura de 1.75m. A partir destes dois dados sero calculados os graus de pertinncia tendo o seguinte resultado na equao 24 e 25:

Leve(55) = max ( min ( 55-40/50-40, 60-55/60-50 ), 0 ) = 0.5 Mdio(55) = max ( min ( 55-50/70-50, 80-55/80-70 ), 0 ) = 0.25 Pesado(55) = max ( min ( 55-70/90-70, 110-55/110-90 ), 0 ) = 0 (24)

Na figura 21 esboa o resultado das pertinncias resultantes da varivel peso.

Figura 21 - Grfico do clculo da pertinncia em peso

Baixo(1.75) = max ( min ( 1.75-1.40/1.50-1.40, 1.70-1.75/1.70-1.50 ), 0 ) = 0 Mediano(1.75) = max ( min (1.75-1.60/1.70-1.60, 1.90-1.75/1.90-1.70 ), 0 ) = 0.75 Alto(1.75) = max ( min (1.75-1.80/21.90-1.80, 2.0-1.75/2.0-1.90 ), 0 ) = 0 (25)

J na figura 22 esboa o resultado das pertinncias resultantes da varivel altura.

33

Figura 22 - Grfico do clculo da pertinncia em altura O aps o clculo da pertinncia verifica-se trs valores fuzzy, leve com grau de pertinncia de 0.5, mdio com 0.25, que so valores da varivel peso, e mediano com 0.75 da varivel altura. Estes valores so os resultados obtidos da fuzzificao que agora sero tratados na prxima etapa que a inferncia.

5.2. Inferncia

A inferncia a etapa importante do raciocnio fuzzy, atravs dela que feita a tomada de deciso. Aps a fuzzificao, onde so determinados os graus de pertinncia de cada conjunto, com os dados resultantes so realizadas as regras do tipo Se-Ento, mapeando para os novos conjuntos, como por exemplo, se a mulher esta gorda, ento tem que praticar exerccios. Como o objetivo emagrecer, ento foi realizada uma inferncia para determinar a ao a ser realizada para a determinada situao que foi praticar exerccios.

Para a realizao da inferncia fuzzy, existem dois procedimentos de inferncia, o Modus Ponens Generalizado (MPG) e o Modus Tollens Generalizado

34

(MTG). O MPG tem a seguinte regra:

Se x A Ento y B x A_________ y B

Atravs desta regra permite a implicao de valores fuzzy que so no caso o A e B. Ao contrrio do Modus Ponens, que a forma clssica de implicao, a regra s vlida quando A e B apenas, no existindo valores intermedirios que so no caso de A e B. J o MTG tem a seguinte regra:

Se x A Ento y B y B x A

Tem a mesma idia do MPG quanto a implicao de valores parciais, porm uma implicao que permite encontrar o antecedente, contrrio do MPG que encontra o procedente. A primeira etapa da inferncia obter uma funo de pertinncia de B, para as regras disparadas do tipo se-ento, atravs da formula 26: B(y) = [ ^(, )] (26)

Percebe-se que foi utilizado a composio max-min para encontrar a funo de pertinncia de B, relao de implicao . Uma relao de implicao uma regra do tipo se-ento. Para determinar uma relao deve-se determinar o tipo de operao de implicao fuzzy. As operaes de implicao fuzzy recebem como entrada os valores de entrada (A(x)) recebidas da fuzzificao, e os valores de sada (B(x)) contidas na inferncia, e o resultado da operao o dado de sada da relao de implicao. enquanto a funo (x,y) a funo de pertinncia da

35

Existem vrios tipos de operadores de implicao como aritmtico, Booleano, drstico entre outros. Na tabela 5 mostra as principais operaes de implicao: Tabela 5 Operaes de implicao Nome m, Zadeh Max-Min c, Mandami min p, Produto Larsen a, Aritmtico b, Booleano bp, Produto Saltado dp, Produto Drstico Operaes de Implicao [ A(x) , B(y) ] = max( min( A(x) , B(y) ), (1- A(x) ) ) min( A(x) , B(y) ) A(x) * B(y) min( 1, (1- A(x) + B(y)) ) max( (1- A(x)) , B(y) ) max( 0, (A(x) + B(y) -1) ) A(x), se B(y) = 1 B(x), se A(y) = 1 0, se A(y)<1, B(y)<1 s, Seqncia Padro , Gougen g, Gdelian 1, se A(x) B(y) 0, se A(x) > B(y) 1, se A(x) B(y) B(y)/ A(x), se A(x) > B(y) 1, se A(x) B(y) B(y), se A(x) > B(y) Fonte: Fuzzy and Neural Approaches in Engineering And And And Interpretao de SENO And Or Or And And Or Or

Voltando ao programa para o controle de peso, para exemplificar, ser necessrio determinar uma varivel fuzzy, que ser estado e escolher os valores fuzzy de ao, que sero trs valores, palito, magro, normal, gordo e elefante, que tambm tero suas funes de pertinncia ilustrada na figura 23 :

36

Figura 23 - Grfico da pertinncia da sada de inferncia

Atravs destes valores, e dos valores determinadas na fuzzificao ter o seguinte conjunto de regras do tipo se-ento:

1. SE peso leve E altura baixo ENTO condio normal SENO; 2. SE peso leve E altura mediano ENTO condio magro SENO; 3. SE peso leve E altura alto ENTO condio palito SENO; 4. SE peso mdio E altura baixo ENTO condio gordo SENO; 5. SE peso mdio E altura mediano ENTO condio normal SENO; 6. SE peso mdio E altura alto ENTO condio magro SENO; 7. SE peso pesado E altura baixo ENTO condio elefante SENO; 8. SE peso pesado E altura mediano ENTO condio gordo SENO; 9. SE peso pesado E altura alto ENTO condio normal;

Determinada a estrutura da inferncia, inicia-se ento o processo de inferncia. Pelos dados recebidos da fuzzificao representados na tabela 6, sero disparadas as regras 2 e 5.

37

Tabela 6 Resultado da fuzzificao Peso leve, Leve(55) = 0.5 mdio, Medio(55) = 0.25 Altura mediano, Mediano(1.75) = 0.75

Ento primeiramente analisa-se a regra 2. O peso, altura e estado so o x, h e y respectivamente, enquanto leve, mediano e magro so A1, A2 e B respectivamente. Os valores apresentados pela fuzzificao com seus graus de pertinncia so o A1 para representar o leve com os graus de pertinncia 0.5, e o A2 representa o mediano com grau de pertinncia 0.75. Enquanto ao B representa o magro, porm no se sabe quanto ser sua pertinncia. Com isso resulta na seguinte regra MPG: Se x A1 E h A2 Ento y B x A1 E h A2_________ y B O E (and) em questo representado como mnimo, e o OU (or) o mximo. Como o A1 tem grau de pertinncia 0.5 e A2 tem 0.75, ento ser escolhido o A1 com grau de pertinncia de 0.5. No ser possvel encontrar exatamente o valor da pertinncia de B, porm ser possvel encontrar uma funo de pertinncia baseada na funo de pertinncia de B. Ser utilizado a formula 26, mas antes ter que definir qual operao de implicao para determinar a funo da relao de implicao. Ser utilizado a operao de Mandami min para exemplificar, tendo a formula: (x,y) = c [ A(x) , B(y) ] = min( A(x) , B(y) ) (27) Ento temos os conjunto de A1, A1 e B apenas destacando alguns pontos onde a pertinncia diferente de zero para simplificar a matriz que ser feita. A1 = ( (45, 0.5) ; (50, 1) ; (55, 0.5) ) Esboando o grfico da figura 24:

38

Figura 24 Elementos do conjunto A1 A1 = ( (55, 1) ) Esboando o grfico da figura 25:

Figura 25 Elemento do conjunto A1

B = ( (5, 0.5) ; (10, 1) ) Esboando o grfico da figura 26:

39

Figura 26 Elementos do conjunto B

Resulta na seguinte relao R: R = ( ( (45, 5), 0.5) ; ( (45, 10), 0.5) ; ( (50, 5), 0.5); ( (50, 10), 1); ( (55, 5), 0.5); ((55, 10), 0.5) ) Resultando na seguinte matriz de relaes R: . . R = . . . A partir destes dados pode se encontrar B da formula abaixo: B(y) = A1(x) R(x,y) . . . . . .

= = .

Resultando o grfico de B na figura 27:

40

Figura 27 Composio dos conjuntos de A e R(regra 2)

Como a regra 5 foi disparada tambm, deve se fazer os mesmo processo, que estar simplificado no grfico da figura 28:

Figura 28 Processo simplificado da inferncia (regra 5)

Como foi usado a operao de implicao Mamdami min, sada da inferncia vai ser a unio (or) dos conjuntos B adquiridas pela regras disparadas (2 e 5). Obtendo grfico da figura 29:

41

Figura 29 Resultado da inferncia E assim possuindo a seguinte funo de pertinncia na equao 28: = () (28)

5.3. Defuzzificao

o contrrio da fuzzificao, ao invs de transformar um dado quantitativo em um termo nebuloso, ele transforma o dado nebuloso em dado quantitativo. Quando um aluno recebe a noticia do professor que sua nota foi tima, logo o aluno percebe que sua nota foi 9 ou maior. A defuzzificao tem um impacto significante no desempenho no controlador fuzzy. Por tanto existem diversos mtodos para a defuzzificao, mas o importante escolher o mtodo que melhor se adequar ao problema. Sero mostrados 3 principais mtodos de defuzzificao, para mostrar como sero utilizados os mtodos, sero definidos alguns parmetros de entrada para as frmulas que sero apresentadas para cada mtodo, e usando o programa de controle de peso. Como visto na formula 28 adquirida pela inferncia tero o seguinte universo de pontos, u = [ -4 ; -2 ; 0 ; 2 ; 4 ; 6 ; 8 ; 10 ; 12 ; 14 ], claro que quanto mais pontos melhor a qualidade da defuzzificao, sero utilizados poucos para facilitar a

42

compreenso.

5.3.1 Mtodo Centride

um dos mtodos mais utilizados na defuzzificao. Este mtodo encontra o centro geomtrico dos valores de sada fuzzy. Segue a formula 29:
n i=1 *saida( ) n i=1 saida( )

u*=

(29)

Agora utilizando a formula para defuzzificar e os dados obtidos pela inferncia do programa de controle de peso ficar da seguinte maneira pela equao 30:
. + .+.+.+.+.+.+.+.+. .+.+.+.+.+.+.+.+.+.

u* =

= 6.0845 (30)

O resultado da defuzzificao foi 6.0845, ento o programa finalmente vai retornar ao usurio e recomendar que ele engorde cerca de 6kg.

5.3.2 Mtodo Centro das Somas

uma variao do mtodo centride, um mtodo caracterizado por conta trechos de interseco mais de uma vez, diferente do mtodo centride conta apenas uma vez. Segue a frmula 31:

43

u* =

N i=1 * = ( ) N i=1 = ( )

(31)

Agora utilizando os dados obtidos pela inferncia do programa de controle de peso ter os clculos representado na equao 32:
+. + +. + +. + +(.+) +. + +. + +. + +(.+)

u* =

= 6.162 (32)

O resultado da defuzzificao foi 6.162, ento o programa vai retornar ao usurio e recomendar que ele engorde cerca de 6kg tambm.

5.3.3Mtodo da Mdia dos Mximos

o mtodo que busca retornar o ponto que possui o maior grau de pertinncia, porm no universo existe mais de um ponto com grau de pertinncia mxima. Ao invs de pegar um ponto aleatrio realiza-se uma mdia entre eles. Tm a formula 33: u* =
=

(33)

Agora utilizando os dados obtidos pela inferncia do programa de controle de peso ter os clculos representado na equao 34:
+++

u* =

=9 (34)

44

O resultado da defuzzificao foi 9, ento o programa vai retornar ao usurio e recomendar que ele engorde cerca de 9kg, j este mtodo teve um valor bem maior que os mtodos anteriores porm, o interessante deste mtodo sua simplicidade.

45

6. APLICAES DA LGICA FUZZY

Apesar de a lgica fuzzy ter sido criado nos Estados Unidos, o pas que comeou utilizar esta tecnologia de forma massiva foi o Japo a partir dos anos oitenta. Abaixo segue uma tabela com a lista de produtos do Japo e da Coria do Sul de 1992: Tabela 7 Aplicaes da lgica fuzzy Produto Ar condicionados Hitachi Matsushita Mitsubishi Sharp Freios anti-trava Nissan Controle dos freios em casos de perigo, baseado na velocidade e da acelerao do carro e da roda. Motor de carro NOK/Nissan Controle da injeo do combustvel e da ignio, atravs do controle do qunatidade de oxignio, resfriamento da gua, RPM, volume do Companhia Previne Funo da lgica fuzzy a grande ao ser variao regulada da e

temperatura

consume menos energia.

combustvel, ngulo da manivela, rudo, presso dos tubos. Transmisso carro do Honda, Nissan, Subaru Misturador produtos qumicos Mquina copiadora Canon de Fuji Eletric Muda de marcha de acordo com a acelerao do motor, estilo de dirigir, e condies da rua. Misturas qumicas baseadas nas condies da plantas. Ajusta a voltagem do tambor de acordo com a densidade da imagem, temperatura e umidade.

46

Produto Controle navegao

Companhia de Isuzu, Nissan, Mitsubishi

Funo da lgica fuzzy Baseado na velocidade e acelerao do carro ajustado o controle da velocidade. Ajusta o ciclo de lavagem, o enxge e estratgias de lavagem de acordo com os nmeros de pratos, e pelos tipos e quantidades de comida

Lavador de pratos

Matsushita

incrustadas nos pratos. Secador Matsushita Converte o tamanho da carga, e o tipo de tecido, e circula o ar quente para secar estrategicamente. Controle do elevador Fujitec, Mitsubishi Eletric, Toshiba Controle fabricao Sistema de Maruman Golf de Omron Reduz o tempo de espera dos usurios baseado passageiros. Listas de tarefas e estratgias das linhas de montagens. Escolha do clube de golfe baseada no fsico e tacada dos jogadores. Mais de 500 regras fuzzy e avalia a sade e o bom estado do no trfico de

diagnostico de Golf Administrao sade de Omron

empregado. Umidificador Casio Ajusta a umidade contida de acordo com as condies da sala. Controle de moinho Nippon Steel de ferro Controle de forno Forno microondas Mitsubishi Chemical Hitachi, Sanyo, Sharp, Toshiba Fonte: Fuzzy Thinking, The new science of fuzzy logic. Combina as entradas de conjuntos de tempo e temperatura. Mistura de cimento. Configura e ajusta a fora e a estratgia de cozinhar.

47

Percebe-se que existem vrias aplicaes da lgica fuzzy executam a funo de controle, configurao, ajuste, e combinaes de variveis. E os grandes benefcios da maioria dos produtos apresentados so da economia de energia, e melhor controle e configurao dos equipamentos. Esta tecnologia pode ser aplicada em muitas reas para os mais variados propsitos. W. J. Parkinson and K.H. Duerre, projetaram um sistema fuzzy determinar a melhor tcnica para a recuperao de leo do cho de forma otimizada. O objetivo extrair aproximadamente dois teros do leo que no pode ser extrado pelas tecnologias atuais. Shigeru Kageyama e colegas desenvolveram um mtodo fuzzy experimental que otimiza o tempo e a quantidade de insulina que o paciente diabtico ir receber atravs da bomba de insulina. Hiroyuki Okada desenvolveu um sistema fuzzy que permite a classificao de ttulo para investimento, verificando se o mesmo seguro ou no. Ao mesmo tempo o sistema utiliza redes neurais para a adaptao das funes de pertinncias. No Japo na cidade de Sendai, os metrs utilizam sistema de controle fuzzy para a acelerao e frenagem do trem, tornando as paradas e sadas precisas e mais suaves.

48

7. CONCLUSO

A modelagem de um sistema fuzzy pode acrescentar inmeras vantagens em relao as modelagens tradicionais. Atravs da utilizao de uma linguagem natural que dentro da teoria chamado de varivel e valor fuzzy busca evitar a utilizao de regras rgidas impostas pelos especialistas diminuem a habilidade de condicionar solues de problemas mais complexos. A utilizao da lgica fuzzy na implementao de sistemas de controle, ou de tomadas de deciso facilitam no desenvolvimento tambm devido desta tecnologia permitir uma aproximao do raciocnio humano atravs da utilizao de variveis e valores fuzzy. A capacidade da lgica fuzzy em descrever ou classificar detalhes de forma gradual, permite uma aproximao muito maior da realidade que marcada por ser um sistema complexo de muitas variveis e valores ambguos e inexatos.

49

REFERNCIAS

CAMPOS FILHO, Pio. Mtodo para apoio deciso na verificao da sustentabilidade de uma unidade de conservao, usando lgica Fuzzy. 2004. Disponvel em: <http://teses.eps.ufsc.br/defesa/pdf/7823.pdf> KOSKO, Bart. Fuzzy Thinking, The new science of fuzzy logic. Hammersmith: Flamingo, 1994. AGUIAR, Hime; JUNIOR, Oliveira. Inteligncia Computacional Aplicada Administrao, Economia e Engenharia Matlab. Thomson Learning, 2007. MALUTTA, Csar. Mtodo de apoio tomada de deciso sobre adequao de aterros sanitrios utilizando a Lgica Fuzzy. 2004. Disponvel em: <http://teses.eps.ufsc.br/defesa/pdf/11633.pdf>. MCNEIL, Martin F.; THRO, Ellen. Fuzzy Logic: A Practical Approach. Chestnut Hill, MA, EUA: AP Professional, 1994. TSOUKALAS, Lefteri H.; UHRIG, Robert E.. Fuzzy and Neural Approaches in Engineering. Nova Iorque, NY, EUA: Wiley Interscience, 1997. SHAW, Ian S. e SIMES, Marcelo Godoy. Controle e Modelagem Fuzzy. So Paulo: Editora Edgard Blcher, 1999 BARROS, Laecio Carvalho de & BASSANEZI, Rodney Carlos Tpicos de lgica fuzzy e biomatemtica. Campinas, UNICAMP-IMECC, 2006. STURM, Wilerson Sturm. Avaliao do potencial de uso da lgica fuzzy para a identificao de indicadres de competncia no currculo lattes. Curitiba, 2005. Disponvel em: <http://www.ppgte.cefetpr.br/semanatecnologia/comunicacoes/logica_fuzzy_na.pdf> ZADEH, Lotfi A.; FU, King-sun;TANAKA, Kokichi, SHIMURA, Masamichi. Fuzzy sets and their applications to cognitive and decision processes. Academic Press, Inc. New York San Francisco London ,1975. ZIMMERMANN, H. J. Fuzzy sets theory and its applications. Boston: Kluwer, 1991.