You are on page 1of 40

Lgica Fuzzy (Lgica Nebulosa)

Adaptado de material dos profs. Mauro Roisenberg e


Luciana Rech
Lgica Nebulosa
Introduo
Lgica Difusa ou Lgica Fuzzy
extenso da lgica boolena
um valor lgico difuso um valor qualquer no intervalo
de valores entre 0 e 1

As implementaes da lgica difusa permitem que estados no
precisos possam ser tratados por dispositivos de controle.
desse modo, possvel avaliar conceitos no-quantificveis.
Casos prticos:
avaliar a temperatura (quente,morno, frio,etc..)
sentimento de felicidade(radiante,feliz,aptico,triste..)
Introduo
Surgiu com Lofti A. Zadeh, Berkeley (1965).
para tratar do aspecto vago da informao;
1978 desenvolveu a Teoria das Possibilidades
menos restrita que a noo de probabilidade
ligar a lingstica e a inteligncia humana, pois muitos conceitos
so melhores definidos por palavras do que pela matemtica.

uma tcnica baseada em graus de pertinencia (verdade).
os valores 0 e 1 ficam nas extremidades
inclui os vrios estados de verdade entre 0 e 1
idia: todas as inf. admitem graus (temperatura, altura, velocidade,
distncia, etc...)
Conjuntos Fuzzy
Na teoria dos conjuntos nebulosos existe um grau de pertinncia de
cada elemento a um determinado conjunto.
Conjuntos com limites imprecisos.
Altura
(m)
1.75
1.0
Conjunto Clssico
1.0
Funo de
pertinncia
Altura
(m)
1.60 1.75
.5
.9
Conjunto Fuzzy
A = Conjunto de pessoas altas
.8
1.70
Conjuntos Fuzzy
Um conjunto fuzzy A definido no universo de discurso X caracterizado
por uma funo de pertinncia
A
, a qual mapeia os elementos de X
para o intervalo [0,1].

A
:X[0,1]

Desta forma, a funo de pertinncia associa a cada elemento x
pertencente a X um nmero real
A
(x) no intervalo [0,1], que representa
o grau de pertinncia do elemento x ao conjunto A, isto , o quanto
possvel para o elemento x pertencer ao conjunto A.
A funo de pertinncia
A(X)
indica o grau de compatibilidade entre x e
o conceito expresso por A:

A
(x) = 1 indica que x completamente compatvel com A;

A
(x) = 0 indica que x completamente incompatvel com A;
0 <
A
(x) < 1 indica que x parcialmente compatvel com A, com
grau
A
(x)

.

crisp
pode ser visto como um conjunto nebuloso especfico (teoria de
conjuntos clssica)

A
{0,1} pertinncia do tipo tudo ou nada, sim ou no e no
gradual como para os conjuntos nebulosos


Funo caracterstica do conjunto crisp

Conjuntos Fuzzy
Definio formal
Um conjunto fuzzy A em X expresso como um conjunto de pares
ordenados:

} | )) ( , {( X x x x A
A
e =
Universo ou
Universo de discurso
Conjunto
fuzzy
Funo de
pertinncia
Um conjunto fuzzy totalmente caracterizado
por sua funo de pertinncia.
Lgica Fuzzy
Fundamentos
Representaes
Funes de pertinncia representadas em computador
podem ser:
contnuas ou discretas.
No caso contnuo, a funo de pertinncia uma funo
matemtica, possivelmente um programa.
No caso discreto, a funo de pertinncia e o universo so
pontos de uma lista (vetor).
Universo Discreto
X = {SF, Boston, LA} (discreto e
no ordenado)
C = Cidade desejvel para se
viver
C = {(SF, 0.9), (Boston, 0.8),
(LA, 0.6)}

X = {0, 1, 2, 3, 4, 5, 6} (discreto)
A = Nmero de filhos
razovel
A = {(0, .1), (1, .3), (2, .7), (3,
1), (4, .6), (5, .2), (6, .1)}
0 2 4 6
0
0.2
0.4
0.6
0.8
1
X = Nmero de filhos
G
r
a
u

d
e

P
e
r
t
i
n

n
c
i
a

(a) Universo Discreto
Universo Contnuo
X = (Conjunto de
nmeros reais positivos)
(contnuo)

B = Pessoas com idade
em torno de 50 anos

B = {(x,
B
(x)
)| x em X}

B
x
x
( ) =
+

|
\

|
.
|
1
1
50
10
2
0 50 100
0
0.2
0.4
0.6
0.8
1
X = Idade
G
r
a
u

d
e

P
e
r
t
i
n

n
c
i
a

(b) Universo Contnuo
Operaes sobre conjuntos fuzzy


Uma sentena modificada pela palavra no dita negao
da sentena original.
NO-fuzzy(x) = 1 - x

A palavra e usada para juntar duas sentenas formando
uma conjuno de duas sentenas.
E-fuzzy(x,y) = Mnimo(x,y)

De maneira similar a sentena formada ao conectarmos duas
sentenas com a palavra ou dita disjuno das duas
sentenas.
OU-fuzzy(x,y) = Mximo(x,y)

Operadores Fuzzy

Suponha que desejssemos representar de forma fuzzy a altura de Alice
(1,65 m), Bob (1,75 m), Carlos(2,0m) e Denise(1,45 m). Nossas
proposies sero da forma "X alto", e sero:
A = Alice alta, (A)=0,55
B = Bob alto, (B)=0,75
C = Carlos alto, (C) = 1,0
D = Denise alta, (D) = 0,0

Usando os operadores fuzzy, podemos escrever sentenas como:
Carlos no alto, NO(C), (NO(C))= 1,0 - (C) = 0,0
Bob no alto, NO(B), (NO(B))= 1,0 - (B) = 0,25
Denise alta e Alice Alta, D e A, (D e A)= mnimo ((D), (A)) =0,0
20
Sistemas Fuzzy


Sistema de controle fuzzy baseado no modelo de Mamdani.
Componentes do sistema
Definio das variveis fuzzy de entrada e de sada: forma e
valores das variveis
Regras fuzzy
Tcnica de defuzzificao
23
Definio as variveis
Etapa na qual as variveis lingsticas so definidas de forma subjetiva, bem como
as funes membro (funes de pertinncia)
Engloba
Anlise do Problema
Definio das Variveis
Definio das Funes de pertinncia
Criao das Regies
Na definio das funes de pertinncia para cada varivel, diversos tipos de espao
podem ser gerados:
Triangular, Trapezoidal, Gaussiana, ...
24
TRIANGULAR
Frio Normal Quente
TRAPEZOIDAL
Lento Rpido
Exemplos de variveis fuzzy
1
1
Regras Fuzzy

SE condio ENTO concluso, com variveis lingusticas (fuzzy)

Exemplo:

Se a fruta verde ento o gosto azedo

Se a fruta amarela ento o gosto pouco-doce

Se a fruta vermelha ento o gosto doce
27
Defuzzificao
Etapa no qual as regies resultantes so convertidas em valores para
a varivel de sada do sistema

Esta etapa corresponde a ligao funcional entre as regies Fuzzy e o
valor esperado.
converte as variveis fuzzy em valores numricos ou aceitveis
pelo sistema.

28
Tcnica de Defuzzificao
Dentre os diversos tipos de tcnicas de defuzzificao, pode-se
citar:
Centride
O valor de sada o centro da gravidade da funo de
distribuio da possibilidade da ao de controle.

Mtodo do Primeiro dos Mximos
Encontra o primeiro ponto entre os valores que tem o maior
grau de pertinncia inferido pelas regras.

30
Mtodo da Mdia dos Mximos
Encontra o ponto mdio entre os valores que tem o maior
grau de pertinncia inferido pelas regras.
Tcnicas de Defuzzificao
Exemplos:
z
0
z
0
z
0

Centride Primeiro dos
mximos
Mdia dos
Mximos
Etapas do Raciocnio
Lingustico
Numrico
Nvel
Variveis Calculadas
Variveis Calculadas
(Valores Numricos)
(Valores Lingusticos)
Inferncia
Variveis de Comando
Defuzzificao
Objeto
Fuzzificao
(Valores Lingusticos)
Variveis de Comando
(Valores Numricos)
Nvel
Fuzzificao

Etapa na qual os valores numricos so
transformados em graus de pertinncia para
um valor lingstico.
Cada valor de entrada ter um grau de
pertinncia em cada um dos conjuntos difusos.
O tipo e a quantidade de funes de
pertinncia usados em um sistema dependem
de alguns fatores tais como: preciso,
estabilidade, facilidade de implementao...
INFERNCIA: Avaliao das regras
Cada antecedente (lado if) tem um grau de
pertinncia. A ao da regra (lado then)
representa a sada nebulosa da regra.
Durante a avaliao das regras, a
intensidade da sada calculada com base
nos valores dos antecedentes e ento
indicadas pelas sadas nebulosas da regra.
INFERNCIA: Agregao das Regras
So as tcnicas utilizadas na obteno de
um conjunto difuso de sada x a partir da
inferncia nas regras.
Determinam quanto a condio de cada
regra ser satisfeita.
Para cada varivel fuzzy de sada,
considera o resultado de todas as regras.
Por exemplo, considerando a pertinncia
mxima das regras para cada valor da
varivel.

Defuzzificao
Processo utilizado para converter o
conjunto difuso de sada em um valor crisp
correspondente.
Alguns mtodos de defuzzificao:
Centride,
Mdia dos mximos,
Primeiro dos mximos,
ltimo dos mximos,
etc.
37
Um exemplo
Objetivo do sistema:
um analista de projetos de uma empresa que determina o risco de um
determinado projeto
Variveis de entrada:
quantidade de dinheiro e de pessoas envolvidas no projeto

Base de conhecimento
1. Se dinheiro adequado ou pessoal baixo ento risco pequeno
2. Se dinheiro mdio e pessoal alto, ento risco normal
3. Se dinheiro inadequado, ento risco alto

Problema a ser resolvido: dinheiro = 35% e pessoal = 60%
38
Inferncia Fuzzy: Um exemplo
Passo 1: Fuzzificar
( ) 0, 75& ( ) 0, 25
i m
d d = =
Dinheiro
Inadequado
Mdio
Adequado
35
.25
.75
Pessoal
60
Baixo Alto
.2
.8
8 , 0 ) ( & 2 , 0 ) ( = = p p
a b

39
Inferncia Fuzzy: Um exemplo
Passo 2: Avaliao das regras
OU mximo E mnimo
Adequado
Regra 1:
Baixo
0,0
ou
0,2
Risco
mdio
Regra 2:
Alto
0,25
e
0,8
Risco
40
Inferncia Fuzzy
Risco
Inadequado
Regra 3:
0,75
41
Inferncia Fuzzy
Passo 3: Defuzzificao
Risco
0,75
0,25
pequeno
normal alto
0,20
10 20 30 40 70 60 50 100 90 80
4 , 70
8 , 3
5 , 267
75 , 0 75 , 0 75 , 0 25 , 0 25 , 0 25 , 0 2 , 0 2 , 0 2 , 0 2 , 0
75 , 0 * ) 100 90 80 ( 25 , 0 * ) 70 60 50 ( 2 , 0 * ) 40 30 20 10 (
= =
+ + + + + + + + +
+ + + + + + + + +
= C
Outro exemplo
O sistema tem como objetivo determinar a gorjeta que um
cliente deve dar.
Esse sistema possui trs variveis (servio, comida e gorjeta).
As variveis comida e servio so variveis de entrada e gorjeta
a varivel de sada.
Ex. Aplicaes
Copiadora Canon ajusta a voltagem do tambor baseado na
densidade da imagem, temperatura e umidade.
Secadora de roupa Matsushita ajusta a estratgia do tempo de
secagem baseado no tamanho da carga e tipo de tecido
Lavadoras de roupa (Daewoo, Goldstar, Hitachi, Matsushita,
Samsung, Sony, Sharp, etc.) ajustam a estratgia de lavagem,
baseado no nvel sujeira, tipo de tecido, na quantidade de
roupa, e nvel dgua.
Etc.


Bibliografia


Terano, T., Asai, K., Sugeno, M. - Fuzzy Systems Theory and its
Applications - Editora Academic Press, 1992 (ISBN: 0126852456)
Driankov, Dimiter - An introduction to fuzzy control - Editora Springer-
Verlag , 1996 (ISBN: 3540606912)
MAMDANI, E. H. Aplications of fuzzy algorithms for control of simple
dynamic plant. Proc. IEEE 121, vol. 12, p. 1585-1588, 1973.
SUGENO, M.. An introductory survey of fuzzy control. Information
Sciences 36, p. 59-83, 1985.