LÓGICA FUZZY (LF)

Curso de Análise e Desenvolvimento de Sistemas

Faculdade de Tecnologia de Jundiaí

AULA 7

Prof. Ms. Nathan Cirillo e Silva

nathan.cirillo@fatec.sp.gov.br
Como Representar o Senso Comum?

 Especialistas geralmente utilizam o senso comum e termos vagos para

resolver os seus problemas;

 Um eletricista pode dizer: “O transformador está sobrecarregado, mas

posso manter essa carga por enquanto”;

 Outro especialista em elétrica certamente não teria

problemas em compreender essa afirmação;

 Mas e se um engenheiro precisa-se mapear esse

conhecimento em um computador? Difícil, não é mesmo!

Prof. Nathan Cirillo e Silva (IA) 2019 2

Eis que Surge a Lógica Fuzzy

 A lógica fuzzy (difusa) é uma lógica utilizada para

buscar descrever imprecisões; Fuzzy Logic

 Ela parte do princípio que todas as coisas admitem

variações (graus): temperatura; altura; velocidade; etc;

 No entanto, tais variações são difíceis de serem observadas sem o

auxílio da lógica fuzzy;

 Exemplo: São Paulo é uma cidade bonita. Tudo bem, mas qual é o seu
grau de beleza?

Prof. Nathan Cirillo e Silva (IA) 2019 3

Outros Exemplos

Quando uma colina se torna uma montanha?;

Tom é um rapaz muito alto!;

Carros elétricos não são muito rápidos!;

Um carro de fórmula 1 precisa de regulagens muito rápidas e precisas;

Campinas está a uma distância bem curta de São Paulo.

Prof. Nathan Cirillo e Silva (IA) 2019 4

A Lógica Tradicional

 A lógica tradicional (booleana) nos obriga a ter uma distinção clara dos
membros de um dado conjunto;

 Suponha que as pessoas com uma altura >= 180 cm sejam

classificadas como altas, caso contrário são baixas;

 David com os seus 179,99 cm de altura é uma pessoa

baixa! Será mesmo? Um centésimo, quanta diferença...

 Note portanto que a lógica tradicional (a que estamos acostumados) opera

somente com valores 1 (true) e 0 (false).

Prof. Nathan Cirillo e Silva (IA) 2019 5

Surgimento da Lógica Fuzzy

 A lógica fuzzy ou multivalorada foi apresentada em 1930 pelo

matemático e filósofo polonês Jan Lukasiewicz;

 Ele estudou a representação matemática de imprecisões

baseadas em termos como: alto, velho, quente, etc;

 A sua lógica ao invés de operar somente com valores 0 e

1 utiliza uma gama de valores reais entre 0 e 1;

 A gama de possibilidades de classificações em verdadeiro ou falso de uma

afirmação aumenta.

Prof. Nathan Cirillo e Silva (IA) 2019 6

Exemplo: Escala de Cores

 Como mencionado a lógica fuzzy é

multivalorada, ou seja, ela trabalha com
graus de verdade;

 Utiliza para isso valores lógicos contínuos

entre 0 (completamente falso) e 1
(completamente verdadeiro);

 Imagine uma escala de cores, ao invés de

ser apenas preto e branco, ela terá um
espectro de cores.

Prof. Nathan Cirillo e Silva (IA) 2019 7

Teoria dos Conjuntos

 A teoria dos conjuntos é essencial para a matemática,

pois estuda coleções de elementos;

 Sendo X um conjunto clássico (nítido) e x um possível

elemento, então: (x  X) ou (x  X);

 Note que há um limite claro para os seus membros: se estiver no conjunto

recebe o valor 1, caso contrário 0;

 Isso é conhecimento como princípio da dicotomia: divisão de um elemento

em duas partes contrárias.

Prof. Nathan Cirillo e Silva (IA) 2019 8

Problema da Teoria dos Conjuntos
(Segundo a Lógica Fuzzy)

Considere o seguinte paradoxo da lógica:

Questão: Um filósofo cretense está falando a verdade quando diz: “todos os
cretenses sempre mentem”?

 Lógica Booleana: Essa afirmação contém uma contradição.

 Lógica Fuzzy: O filósofo diz e não diz a verdade!.

Portanto:
“Um conjunto nítido não é capaz de representar conceitos vagos e costuma
falhar ao trazer respostas para paradoxos como este!”

Prof. Nathan Cirillo e Silva (IA) 2019 9

Teoria do Conjunto Fuzzy

 A ideia da teoria do conjunto fuzzy é que: um elemento pode pertencer a

um conjunto em diferentes graus;

 Portanto, um paradoxo como o anterior, não é

nem verdadeiro e nem falso;

 Na verdade, ele é parcialmente verdadeiro ou

parcialmente falso com variações de grau;

 Como já mencionado, tais variações são representadas por um número

real no intervalo [0,1].

Prof. Nathan Cirillo e Silva (IA) 2019 10

Teoria Fuzzy na Prática!
(Continua)

 Imagine que os elementos de um conjunto fuzzy sejam todos homens

com alturas diferentes;

 Caso o homem seja baixo recebe grau 0, se for alto recebe grau 1, e para
alturas intermediárias os graus variam;

 Salienta-se que pode haver diferentes pontos de vista

sobre a classificação da altura;

 Para esse exemplo, as alturas e classificações consideradas

estão dispostas na tabela a seguir.

Prof. Nathan Cirillo e Silva (IA) 2019 11

Teoria Fuzzy na Prática!
(Continua)

Um conjunto nítido certamente

perguntaria:
“Os homens são altos?”

Já um conjunto fuzzy
perguntaria:
“Quão altos são os homens?”

Prof. Nathan Cirillo e Silva (IA) 2019 12

Teoria Fuzzy na Prática!
(Continua)

Ao perguntar “Os homens são altos?” o conjunto nítido limita as

respostas a valores booleanos (sim ou não).

Prof. Nathan Cirillo e Silva (IA) 2019 13

Teoria Fuzzy na Prática!

Já o conjunto fuzzy ao perguntar “Quão altos

são os homens?” acaba provendo uma
transição mais delicada entre os limites. O
universo não é mais composto somente por
homens altos e baixos, mas sim por homens
muito baixos, homens baixos, homens
médios, homens altos e homens muito altos.

Prof. Nathan Cirillo e Silva (IA) 2019 14

Função Característica
(Conjuntos Nítidos)

A função característica é utilizada para descrever o universo e os limites de

um conjunto nítido:

: → 0, 1
 X = universo
Onde:

1,
 = elementos do universo
=
0,
 = função característica de A

Prof. Nathan Cirillo e Silva (IA) 2019 15

Função Associação
(Conjuntos Fuzzy)

A função de associação é utilizada para descrever o universo e os limites de um

conjunto fuzzy:
: → [0, 1]
 X = universo Onde:
= ( á )
 = elementos do universo
= ( ã á )

< < ( á " #$% )

 ( ) = função associação de A

Prof. Nathan Cirillo e Silva (IA) 2019 16

Conjuntos Fuzzy Computacionais

 Para representar um conjunto fuzzy computacionalmente a sua função de

associação deve ser conhecida;

 Técnicas de aquisição de conhecimento são aplicadas para formar o conjunto

fuzzy. Ex: conhecimento de especialistas;

 Eles são questionados se os elementos pertencem

ou não a um dado conjunto;

 Uma nova técnica é a utilização de redes neurais

para formar conjuntos fuzzy automaticamente.

Prof. Nathan Cirillo e Silva (IA) 2019 17

Conjunto Nítidos: Limites Bem Definidos
 Após a aquisição de conhecimento sobre as alturas dos alunos de uma
classe pode-se criar conjuntos;

 Os alunos poderiam ser separados em três conjuntos nítidos, sendo:

baixos; médios; e altos.

Prof. Nathan Cirillo e Silva (IA) 2019 18

Conjuntos Fuzzy: Limites Variáveis
 Na lógica fuzzy um elemento pode estar parcialmente em múltiplos
conjuntos;

 Um aluno com 184 cm poderia ser membro do conjunto dos alunos

médios e também do conjunto dos alunos altos.

Prof. Nathan Cirillo e Silva (IA) 2019 19

Variáveis Linguísticas

 Na raiz da teoria dos conjuntos fuzzy está a ideia de variável linguística

que é uma variável fuzzy;

 Quando dizemos “John é alto” isso implica que a variável linguística John
está recebendo o valor linguístico alto;

 As variáveis linguísticas são utilizadas em sistemas especialistas fuzzy

para criar regras.

IF VENTO ESTÁ FORTE IF VELOCIDADE É BAIXA IF PROJETO É LONGO

THEN VELEJAR É BOM THEN PARADA É RÁPIDA THEN RISCO É ALTO

Prof. Nathan Cirillo e Silva (IA) 2019 20

Universo da Variável Linguística

 O universo de uma variável linguística consiste de todos os possíveis valores

que ela pode assumir;

 Imagine um veículo que atinge no máximo 220 km/h, a sua variável

linguística velocidade estará entre 0 e 220 km/h;

 Os valores de uma variável linguística podem ser

categorizados em subconjuntos fuzzy;

 A velocidade, por exemplo, poderia ser classificada

em: muito baixa, baixa, média, alta e muito alta.

Prof. Nathan Cirillo e Silva (IA) 2019 21

Qualificadores de Conjuntos Fuzzy

 Os qualificadores de conjuntos fuzzy (hedges) modificam a forma do

conjunto;

 Eles são compostos por advérbios, como: muito; um pouco; bastante;

mais; menos; levemente; etc;

 Eles são capazes de modificar verbos, adjetivos, advérbios e até mesmo

sentenças inteiras;

 O contrário de concentração é dilatação que pode expandir um

conjunto, por exemplo.

Prof. Nathan Cirillo e Silva (IA) 2019 22

Uso dos Qualificadores

 Para todos os fins: muito, bastante ou extremamente;

 Para valores verdade: bem verdade ou na maior parte falso;

 Para probabilidade: bastante provável ou não muito provável;

 Para quantificar: mais, vários ou poucos;

 Para possibilidades: quase impossível ou muito possível.

Prof. Nathan Cirillo e Silva (IA) 2019 23

Exemplo de Conjunto Fuzzy com Qualificador

Prof. Nathan Cirillo e Silva (IA) 2019 24

Vantagens dos Sistemas Fuzzy

 Facilita a utilização da linguagem natural na elaboração

das proposições linguísticas;

 Capaz de controlar processos não lineares na qual a

determinação do modelo matemático é complexo;

 A implementação de técnicas baseadas na experiência de especialistas e em

aspectos intuitivos é mais fácil;

 Um controlador fuzzy com bom desempenho é capaz de controlar sistemas

com muitas variáveis de saída.

Prof. Nathan Cirillo e Silva (IA) 2019 25

Desvantagens dos Sistemas Fuzzy

 A sua precisão é limitada pela experiência do especialista que

configurou os seus parâmetros;

 A grande quantidade de parâmetros envolvidos e as funções a serem

desempenhadas podem deixá-los complexos;

 O fato de lidar com imprecisões torna a análise de

estabilidade e robustez complicada.

Prof. Nathan Cirillo e Silva (IA) 2019 26

Aplicações Reais da Lógica Fuzzy
(Continua)

 Mitsubishi: projetou um ar condicionado com controlador fuzzy que

economiza 24% de energia;

 Metrô de Sendai (Japão): utilizam controladores fuzzy para deixar a

viagem mais agradável em todas as condições de ambiente;

 Câmeras e Gravadoras: o ajuste automático de foco e a redução de

tremores é feito por algoritmos fuzzy;

 Secadora Matsushita: ajusta a estratégia de secagem com base no

tamanho da carga e tipo de tecido.

Prof. Nathan Cirillo e Silva (IA) 2019 27

Aplicações Reais da Lógica Fuzzy

 Nissan: possui projetos de sistemas de freio, controle de transmissão e

injetores de combustível fuzzy;

 Aplicações de Software: algoritmos fuzzy buscam e comparam imagens

por certas regiões (pixels) de interesse;

 Copiadora Canon: ajusta a voltagem do tambor baseado na densidade da

imagem, temperatura e umidade;

 Lavadoras de Roupa: definem a estratégia de lavagem com base no nível

de sujeira, tipo e quantidade de roupa, e nível d’água.

Prof. Nathan Cirillo e Silva (IA) 2019 28

Dúvidas?

Prof. Nathan Cirillo e Silva (IA) 2019 29

 Enviar a lista por e-mail conforme as regras apresentadas
Vamos Trabalhar! na aula 1. Entregar ainda hoje!

Prof. Nathan Cirillo e Silva (IA) 2019 30