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.

Conjunto Clssico Conjunto Fuzzy

1.0 1.0
.
9.
8

.5
Funo de
pertinncia

1.75 Altura 1.60 1.70 1.75 Altura

(m) (m)
A = Conjunto de pessoas altas
 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 < (x) < 1 indica que x parcialmente compatvel com
A
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:

A {( x, A ( x )) | x X }

Funo de Universo ou
Conjunto
pertinncia Universo de discurso
fuzzy

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)
(a) Universo Discreto
C = Cidade desejvel para se
viver
1 C = {(SF, 0.9), (Boston, 0.8),
(LA, 0.6)}
Grau de Pertinncia

0.8

0.6 X = {0, 1, 2, 3, 4, 5, 6} (discreto)

0.4
A = Nmero de filhos
razovel
0.2 A = {(0, .1), (1, .3), (2, .7), (3,
0
1), (4, .6), (5, .2), (6, .1)}
0 2 4 6
X = Nmero de filhos
 Universo Contnuo
(b) Universo Contnuo X = (Conjunto de
nmeros reais positivos)
1
Grau de Pertinncia

(contnuo)
0.8

0.6

0.4
B = Pessoas com idade
0.2
em torno de 50 anos
0
B = {(x, )| x em X}
0 50 100 B(x)
X = Idade

1
B(x) 2
x 50
1
10
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
 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, ...

23
 Exemplos de variveis fuzzy

TRIANGULAR TRAPEZOIDAL

1
1

Lento Rpido
Frio Normal Quente

24
 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

 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.

27
 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.

28
 Mtodo do Primeiro dos Mximos
Encontra o primeiro ponto entre os valores que tem o

maior grau de pertinncia inferido pelas regras.

 Mtodo da Mdia dos Mximos
Encontra o ponto mdio entre os valores que tem o

maior grau de pertinncia inferido pelas regras.

30
 Tcnicas de Defuzzificao

Exemplos:

z0 z0 z0

Centrid Primeiro dos Mdia dos

e mximos Mximos
 Etapas do Raciocnio

Variveis Calculadas Inferncia Variveis de Comando

(Valores Lingusticos) (Valores Lingusticos)

Nvel
Lingustico Fuzzificao
Nvel Defuzzificao
Numrico

Variveis Calculadas Objeto Variveis de Comando

(Valores Numricos) (Valores Numricos)
 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.
 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%
37
 Inferncia Fuzzy: Um exemplo
Passo 1: Fuzzificar

Dinheiro
Pessoal

.75 .8

.25 .2

35 60
Inadequado Adequado Baixo Alto
Mdio b ( p) 0,2 & a ( p) 0,8
i (d ) 0, 75 & m (d ) 0, 25 38
 Inferncia Fuzzy: Um exemplo
Passo 2: Avaliao das regras
OU mximo E mnimo
Regra 1: Risco

0,2
ou
Adequado 0,0 Baixo

Regra 2: Risco
0,8

e
0,25
mdio Alto
39
 Inferncia Fuzzy

Regra 3:
Risco
0,75

Inadequado

40
 Inferncia Fuzzy
Passo 3: Defuzzificao
Risco

pequeno normal alto

0,75

0,25
0,20
10 20 30 40 50 60 70 80 90100

(10 20 30 40) * 0,2 (50 60 70) * 0,25 (80 90 100) * 0,75 267,5
C 70,4
0,2 0,2 0,2 0,2 0,25 0,25 0,25 0,75 0,75 0,75 3,8

41
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.