1.

Introduo
A teoria dos Conjuntos Tradicionais foi criada a partir da Lgica Clssica. Constata-se que a
classificao verdadeira ou falsa da Lgica Clssica no adequada em muitas situaes
do cotidiano como, por exemplo, um copo que esta completo, pela metade ou vazio? Esse tipo
de problema muito difcil de ser solucionado usando a Lgica Clssica, pois copo dgua
pela metade no pode ser ao mesmo tempo quase verdadeiro e quase falso.
Para solucionar problemas deste grau de incerteza, busca-se o embasamento em uma lgica
diferente da Lgica Clssica, a Lgica Difusa ou Fuzzy. A Lgica Fuzzy uma ferramenta
capaz de capturar informaes vagas, em geral descritas em uma linguagem natural e
convert-las para um formato numrico, de fcil manipulao pelos computadores de hoje em
dia.
A Lgica Difusa ou Lgica Nebulosa, tambm pode ser definida, como a lgica que abrange
os modos de raciocnio que so aproximados, ao invs de exatos, como estamos naturalmente
acostumados a trabalhar, conforme vivenciamos no nosso dia-a-dia.
De acordo com Jan (2004) os algoritmos baseados na lgica fuzzy apresentam um conceito
distinto dos mtodos determinsticos e probabilsticos, considerando na verdade a natureza
possibilstica das variveis envolvidas.

2. Histria da Lgica Fuzzy

Os princpios de lgica fuzzy foram desenvolvidos primeiramente por Jan Lukasiewicz (18781956), que em 1920 desenvolveu e introduziu conjuntos com grau de pertinncia que
combinados aos conceitos da lgica clssica, desenvolvida por Aristteles, deu embasamento
suficiente para que na dcada de 60, Lofti Asker Zadeh, professor de Cincias da Computao
da Universidade da Califrnia, chegasse a ser o primeiro autor de uma publicao sobre lgica
fuzzy (RINGEL; CHENCI; LUCAS, 2011, p. 19).
Os conceitos de atividades vindouras de problemas embasados na natureza industrial, qumica
ou biolgica, trouxeram Zadeh a insuficincia da lgebra booleana para automatizao das
mesmas.

Entre 1970 e 1980 as aplicaes industriais da lgica fuzzy aconteceram com maior
importncia na Europa. Especificamente em 1974, o Prof. Ebrahim Mamdani conseguiu
controlar uma mquina a vapor com tipos diferentes de controladores aplicando o raciocnio
fuzzy (ABAR, 2004).
E aps 1980, o Japo iniciou seu uso com aplicaes na indstria. Algumas das primeiras
aplicaes foram em um tratamento de gua feito pela Fuji Electric em 1983 e pela Hitachi
em um sistema de metr inaugurado em 1987. Por volta de 1990 que a lgica fuzzy
despertou um maior interesse em empresas dos Estados Unidos (ABAR, 2004).
Inicialmente Zadeh foi criticado por vrios cientistas e estudiosos da rea da computao,
porm logo sua ideia foi aceita nesse meio, sendo alvo de vrias publicaes que abordavam
aplicaes dos sistemas fuzzy (RINGEL; CHENCI; LUCAS, 2011, p. 19).
Atualmente, devido glria comercial das implementaes executadas e das grandes
oportunidades prticas dos sistemas fuzzy, pode-se considerar esta pratica como padro na
tomada de decises em controle de processos presentes no cotidiano.
3. Operao da Lgica Fuzzy
Como analisado a lgica difusa busca modelar o formato de raciocnio impreciso, tendo os
casos precisos como situao limite.
3.1. Conjuntos teoria clssica
Na teoria de conjuntos clssica, um elemento ou pertence a um conjunto ou no. Dado um
universo U e um elemento particular x U, o grau de pertinncia x com respeito a um
conjunto dado por:

a ( x ) = 1 se x A
0 se x A
A funo xU chamada de funo caracterstica na teoria clssica de
conjuntos. Frequentemente, uma generalizao desta ideia utilizada, por exemplo, para
manipulao de dados com erros limitados. Todos os nmeros dentro de um erro percentual
tero um fator de pertinncia 1, tendo todos os demais um fator de pertinncia 0 (GOMIDE;
GUDWIN, 1994, p. 98).
3.2. Conjunto Fuzzy

Formalmente, seja U uma coleo de objetos denominados genericamente por {u}. U

chamado de universo de discurso, podendo ser contnuo ou discreto. Um conjunto fuzzy A em
um universo de discurso U definido por uma funo de pertinncia A que assume valores
em um intervalo [0,1] (GOMIDE; GUDWIN, 1994, p. 98).
Conforme apontado por Sandri e Correa (1999) formalmente, um conjunto nebuloso A do
universo de discurso definido por uma funo de pertinncia . Essa
funo associa a cada elemento x de o grau A(x), com o qual x pertence a A[1]. 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).

4. Componentes de controle da Lgica Fuzzy

Como j visto, na dcada de 1970, as regras do conhecimento clssico foram substitudas por
declaraes difusas dentro do contexto da Lgica Fuzzy. Naturalmente, o mtodo de
inferncia tinha de ser substitudo por um sistema que fosse capaz de deduzir a partir
demonstraes fuzzy. Chamado "unidade computacional". Os primeiros, bem sucedidos,
destes sistemas estavam em aplicao de engenharia de controle. Eles foram, portanto,
chamados de "controladores fuzzy". A entrada para estes sistemas era numrica (medidas do
resultado do processo) e teve de ser transformada em declaraes fuzzy (conjuntos fuzzy),
que foi chamado de "fuzificao". Esta entrada, juntamente com as demonstraes fuzzy da
base de regra, foi ento processada na unidade computacional, que entregou conjuntos fuzzy
novamente como sada. Como a sada foi para controle de processos, que teve de ser
transformado novamente em nmeros reais (Figura 1). Este processo foi chamado de
desfuzificao (ZIMMERMANN, 2010, p. 325).

Figura 1 - Controlador Fuzzy

Fonte: Zimmerman (2010).

A interface de fuzzyficao toma os valores das variveis de entrada, faz um escalonamento

para condicionar os valores universos de discurso normalizados e fuzzyfica os valores,
transformando nmeros em conjuntos fuzzy, de modo que possam se tornar instncias de
variveis lingusticas. A base de conhecimento consiste de uma base de regras, caracterizando
a estratgia de controle e suas metas (GOMIDE; GUDWIN, 1994, p. 103).
A base de dados armazena as definies necessrias sobre discretizaes e normalizaes dos
universos de discurso, as parties fuzzy dos espaos de entrada e sada e as definies das
funes de pertinncia. O procedimento de inferncia processa os dados fuzzy de entrada,
junto com as regras, de modo a inferir as aes de controle fuzzy, aplicando o operador de
implicao fuzzy e as regras de inferncia da lgica fuzzy. A interface de defuzzyficao
transforma as aes de controle fuzzy inferidas em aes de controle no-fuzzy. Em seguida,
efetua um escalamento, de modo a compatibilizar os valores normalizados vindos do passo
anterior com os valores dos universos de discurso reais das variveis. Aps a inferncia da
ao de controle fuzzy, necessria a determinao de uma ao de controle no fuzzy que
melhor represente a deciso fuzzy, para ser efetivamente enviada ao controle (GOMIDE;
GUDWIN, 1994, p. 104).

Figura 2 - Estrutura Bsica Controlador Fuzzy

Fonte: GOMIDE; GUDWIN (1994).

5. Roteiro Projeto para Lgica Fuzzy

texto
6. Estudo de caso de Aplicaes de Controle por Lgica Fuzzy
Com a grande aceitao da Lgica Fuzzy, ocasionou o surgimento de vrios estudos e casos
de aplicao para o desenvolvimento de problemas cotidianos dos mais abrangentes modos.
Esta parte visa abordar alguns exemplos destes estudos e aplicaes de uma maneira breve e
explicativa.
6.1. Aplicao de fuzzy quality function deployment para seleo de indicadores de
eficincia energtica para utilizao em um software de gesto de energia
Uma das possibilidades relevantes para que exista um diagnstico da eficincia energtica a
utilizao de Indicadores de Eficincia Energtica (IEE). Esta utilizao, apoiada por um
software de gesto energtica que utiliza os IEE, pode auxiliar uma concessionria de energia
eltrica a criar programas de eficincia energtica direcionados para setores pertinentes, onde

os IEE evidenciem uma situao com oportunidades de melhoria. O objetivo trata-se de

demonstrar uma anlise bibliomtrica e de contedo referente ao tema Fuzzy QFD Quality
Function Deployment (FQFD), bem como um exemplo de aplicao, realizada por meio de
uma simulao computacional, utilizando o FQFD para se obter a priorizao de IEE como
entrada para o desenvolvimento de um software de gesto de energia (YAMAKAWA;
MIGUEL; AOKI, 2014, p. 21).
As variveis lingusticas que descrevem as relaes entre os requisitos de consumidores e os
indicadores de eficincia energtica foram definidas em consenso entre os especialistas do
instituto de pesquisa e os clientes da concessionria de energia eltrica. A anlise dos artigos
demonstrou que a Lgica Nebulosa (ou Fuzzy) bastante til para se traduzir as variveis
lingusticas das expectativas dos clientes em requisitos de projetos, pois similar aos
fenmenos da natureza onde os estados no so fixos com apenas uma caracterstica, mas so
compostos de vrias caractersticas em conjunto (YAMAKAWA; MIGUEL; AOKI, 2014, p.
21).
6.2. Metodologia multicritrio para a anlise de riscos em projetos de P&D: Um estudo
de caso na light
A legislao brasileira determina que as empresas que atuam no mercado de energia eltrica
no Brasil devem aplicar uma parcela de sua receita operacional lquida em pesquisa e
desenvolvimento tecnolgico (P&D) do setor de energia eltrica. So isentas dessa obrigao
apenas as empresas autorizadas de produo independente que geram energia a partir de
instalaes elica, solar, biomassa, cogerao qualificada ou pequenas centrais hidroeltricas
exclusivamente (CIDAD; MANZANI, 2015, p. 1).
O objetivo principal deste estudo salientado por Cidad e Manzini (2015) a criao de um
mtodo que permita identificar e priorizar os riscos de no conformidade inerentes a projetos
de pesquisa e de eficincia energtica, obtidos a partir da associao a um conjunto de
critrios classificados anteriormente.
A concluso obtida pelos estudos elaborados foi de que com os dados obtidos por meio de
formulrios de comparao pareada se pode definir inputs para os clculos que geraram os
pesos de cada critrio. Esses pesos, quando multiplicados pelas respectivas notas dos eventos
de risco de um projeto (obtidas, analogamente, pelo mtodo FAHP), fornecem um score final
para cada evento. A utilizao dessa tcnica til para a classificao com base nos fatores de

risco dos projetos durante a sua seleo. Assim, este estudo pode se tornar um bom apoio para
o processo de seleo de projetos de P&D da Light (CIDAD; MANZANI, 2015, p. 41).
To prximas as leis da matemtica estejam da realidade, menos prximas da certeza elas
esto. E to prximas elas estejam da certeza, menos elas se referiro realidade
(Albert Einstein)
http://slideplayer.com.br/slide/355970/

REFERNCIAS
ABAR, Celina. O Conceito Fuzzy. Pontifcia Universidade Catlica de So Paulo, 2004.
Disponvel em: http://www.pucsp.br/~logica/Fuzzy.htm. Acessado em 19/06/2015.
RINGEL, D. G. S.; CHENCI, G. P.; LUCAS, C. A. Uma Introduo a Lgica Fuzzy, 2011.
Disponvel em: http://periodicos.unifacef.com.br/index.php/resiget/article/view/153. Acessado
em 19/06/2015.
JAN, D. A. Uma Introduo ao Estudo da Lgica Fuzzy. Hrus Revista de Humanidades e
Cincias Sociais Aplicadas, Ourinhos/SP, N 02, 2004.
ZIMMERMANN, H.-J. Fuzzy set theory, 2010. Disponvel em:
http://wires.wiley.com/WileyCDA/WiresArticle/wisId-WICS82.html. Acessado em
19/06/2015.
GOMIDE, F. A. C.; GUDWIN, R. R. Modelagem, Controle, Sistemas e Lgica Fuzzy. SBA
Controle & Automao, Campinas/SP, Vol.4 n3, p. 97-115, 1994.
YAMAKAWA, E. K.; MIGUEL, P. A. C.; AOKI, A. R. Aplicao de fuzzy quality function
deployment para seleo de indicadores de eficincia energtica para utilizao em um
software de gesto de energia. Cincia & Engenharia (Science & Engineering Journal), v. 23,
n. 2, p. 2131, 2014.
CIDAD, N. C.; MANZANI, P. S. Metodologia multicritrio para a anlise de riscos em
projetos de P&D: Um estudo de caso na light. Universidade Federal do Rio de Janeiro, Rio
de Janeiro, 2015.
SANTOS, G. Q. APLICAO DE UMA METODOLOGIA DE LGICA FUZZY
GESTO DE ESTOQUES: UM ESTUDO DE CASO EM UMA INSTITUIO PBLICA.
Dissertao de Mestrado. Instituto de Tecnologia Universidade Federal do Par, Belm,
2011, 102 pginas.
SANDRI, S.; CORREA, C. Lgica Nebulosa. Escola de Redes Neurais, So Jos dos
Campos/SP, 1999.