Professional Documents
Culture Documents
EVIDENCIAL E
UANDERSON CELESTINO
(CO-AUTOR- CAPTULOS 3 E 4)
SO PAULO - 2010
Se ouo, esqueo;
Se vejo, gravo;
Se fao, compreendo. (Confcio)
Prefcio
As presentes notas objetivam introduzir o leitor Lgica Paraconsistente
Anotada Evidencial E, caso particular das lgicas anotadas, pertencentes ao
rol das lgicas paraconsistentes e paracompletas, e que ultimamente vem
apresentando interessantes aplicaes nos mais diversos setores do
conhecimento humano.
Hodiernamente a lgica paraconsistente tornou-se tema de discusso comum,
em
Sistemas
de
Informao,
Informtica,
Engenharia,
Psicanlise,
SUMRIO
CAPTULO 1 - PREMBULO LGICA PARACONSISTENTE
1.1 INTRODUO
1.2 ASPECTOS DA CINCIA LGICA
1.3 LGICA CLSSICA E LGICAS NO-CLSSICAS
1.4 A LGICA DEDUTIVA
1.5 A LGICA INDUTIVA
1.6 A CINCIA PURA E A CINCIA EMPRICA
1.7 A QUESTO DA IMPRECISO
1.8 A QUESTO DA INCONSISTNCIA
1.9 A QUESTO DA ONISCINCIA LGICA
1.10 ASPECTOS HISTRICOS DA LGICA PARACONSISTENTE
1.11 TEORIAS INCONSISTENTES E TEORIAS TRIVIAIS
1.12 MOTIVAES PARA O ESTUDO DA LGICA PARACONSISTENTE
1.13 CONCEITUAO
DE
NO-
ALTICA
1.14 A IMPORTNCIA
DOS
EM
CAPTULO 1
PREMBULO LGICA
PARACONSISTENTE
Jair Minoro Abe
1.1 INTRODUO
No leia-a somente!
Faa suas prprias perguntas!
Encontre seus prprios exemplos!
Descubra suas prprias demonstraes!
So as hipteses realmente necessrias?
A recproca da afirmao verdadeira?
O que acontecer no caso especial clssico?
O que acontece nos casos degenerados?
Em que situaes as hipteses foram utilizadas?
Adaptado de Paul Richard Halmos (3/3/1916-2/10/2006)
10
11
2.
3.
Clssica
No Clssica
Dedutiva
Indutiva Clssica
No Clssica
Lgica
13
usual
que
aprendemos
nas escolas
secundrias
nas
Clssica
Zermelo Fraenkel
von Neumann Bernays Gdel
Cantoriana NF
ML
Outros
No Cantoriana
Outros
foram
cultivados
recentemente,
grande
parte
motivados
lgicas
multivaloradas
(ou
lgicas
polivalentes:
lgica
de
15
Epistmicas
Ao
Complementares
Modais
Outros
Polivalente
Intuicioni sta
Difusa
Cn
Imaginria
Heterodoxas
Outros
Defesiable
No-Clssica
Outros
16
17
Qualitativ o
Comparativo
Mtrico
Lgica Indutiva
Inferncia Estatstica
Lgica da Deciso
Clssica
Indutiva
Tcnica da Confirmao (Uso do Clculo de Probabilid ade)
Outros
No Clssica
H casos, porm, em que lgicas heterodoxas so susceptveis de serem
concebidas como complementares da clssica. Com efeito, pode-se juntar
lgica clssica um operador de implicao causal, diga-se, para tratar de certas
questes de fsica; a lgica resultante, portanto, seria uma lgica complementar
da clssica.
18
A cincia constitui uma atividade do ser humano, sendo acima de tudo uma
atividade racional. Ela pode ser dividida em duas categorias: a cincia pura ou
formal e a cincia aplicada ou emprica.
Matemtica
Lgica
Pura
Fsica
Qumica
Naturais Biologia
Astronomia
Outras
Emprica
Cincia
Economia
Psicologia
Humanas
Histria
Outras
processos estocsticos,
quarks,
etc.).
Em
conseqncia,
21
22
proposio, o que o torna trivial. Uma base muito grande formada de mltiplas
fontes de informao freqentemente contm inconsistncias. Outros detalhes
que podem muito bem ocorrer em aplicaes prticas em banco de dados ,
por exemplo, um indivduo malicioso colocar no banco de dados alguma
informao conflitante e corromper, assim, todo o banco de dados.
Recentemente, Sistema Multiagente tornou-se uma rea proeminente em
Cincia da Computao. Sistema multiagente compe comunidades de
entidades que podem compreender e agir em ambientes a fim de alcanarem
suas metas individuais bem como metas conjuntas. O trabalho sobre tais
sistemas integram muitas tecnologias e conceitos da Inteligncia Artificial,
programao lgica e outras reas da computao. Com efeito, h um espectro
grande de aplicaes que tm sido e esto sendo desenvolvidos; desde
mquinas de busca a ajudas educacionais ao comrcio e negcios eletrnicos.
Conflitos entre agentes surgem naturalmente e por diferentes razes,
envolvem conceitos diferentes e negocia-se de modos diferentes, dependendo
do tipo de agentes e do domnio onde eles so considerados. Por exemplo,
agentes podem ter convices contraditrias (quando agentes so pensados
como seres humanos, ento seguramente mantemos crenas conflitantes em
nossas vidas), metas contraditrias, ou podem ter que compartilhar recursos
limitados. Conflitos podem ser expressos como meras diferenas, ou como
contradies (lgicas), ou at mesmo como conflitos sociais (por exemplo,
agresso, luta). Eles podem ser evitados, resolvidos, mantidos, ou at mesmo
criados deliberadamente.
Visto que cada vez mais que se acrescenta problemas ao trabalho de
equipe dos agentes e ao dilogo entre os agentes, conflito naturalmente surge
como um conceito-chave para ser tratado, no s com aplicao, tcnicas
dedicadas, mas, tambm, com ferramentas mais formais e genricas. Torna-se
ento questo de suma importncia o foco em definies de conflitos de
agentes e no papel dele (conflito) dentro de um sistema multiagente, i.e., como
o sistema pode desenvolver-se graas aos conflitos, apesar dos conflitos, ou
por causa dos conflitos. Alguns temas que avizinham so ontologia (do
conflito), medidas de conflito, escalas de conflito, conflito e incerteza,
23
harmonizar-se
com
conflitos,
tipologia
de
administrao
de
conflito,
parece
ser
necessariamente
simtrico:
conflito
(a,
b)
no
implica
24
que
as
seguintes
questes
merecem
ateno
de
especialistas:
de multiagente? Como e por que eles surgem? Como eles podem ser definidos
formalmente?
necessrio
relacionar
ambos
conceitos
como
aspectos
construo de planos;
outros agentes.
Os sistemas multimodais tm recebido ateno especial sobretudo por
servirem de modelamento para diversos conceitos em Inteligncia Artificial,
alguns deles ligados questes de Epistemologia, como tratamento de
conhecimento e crena em sistemas multiagentes. Combinando-se as lgicas
multimodais com a lgica paraconsistente obtemos uma nova classe de lgicas
que podem manipular caractersticas de ambas; ento, ela no possui apenas
valor prtico, de aplicao tecnolgica, mas, tambm, valor terico,
contribuindo para melhor equacionamento dos problemas da lgica, em
particular das lgicas no-clssicas, e da razo humana, num contexto mais
geral.
26
poca.
primeiro
lgico
estruturar um
clculo
proposicional
(premissa)
2. A
(premissa)
3. A (A B)
(esquema vlido)
4. A B
(1, 3, MP)
28
5. B
(2, 4, MP)
29
Significado Matemtico
O estabelecimento dos sistemas paraconsistentes tecnicamente vem a mostrar
questes de extrema fecundidade nos fundamentos da matemtica. Com
efeito, por exemplo, o conjunto de Russell do importante paradoxo (da teoria
30
Significado Prtico
Atualmente a importncia da lgica paraconsistente no motivada somente
por consideraes filosficas ou tericas. Um dos acontecimentos recentes e
marcantes desse tipo de lgica que encontrou aplicaes nos mais variados
campos em inteligncia artificial, automao, robtica, enfim na informtica em
geral. Hoje em dia existem linguagens de programao baseadas nas lgicas
paraconsistentes e possvel o tratamento das inconsistncias de um modo
direto e elegante. Com esse recurso pode-se aplicar em sistemas especialistas,
banco de dados orientados a objetos, representao de conhecimento
contraditrio, etc. com todas as implicaes em inteligncia artificial. Em
robtica foram construdos robs autnomos mveis com capacidade de
processar informaes contraditrias, com aplicaes interessantes em
automao. Obteve-se tambm, controladores aplicados em segurana de
trfego de trens, semforos inteligentes e controladores para pouso de
aeronaves. Foram construdos tambm circuitos eltricos paraconsistentes que
podem tratar sinais em conflito em seu interior, abrindo novas vias de
pesquisas em eletrnica (analgica e digital). Complementando o rol das
aplicaes em computao terica, erigiu-se uma teoria de autmatos
paraconsistentes. Tambm se descobriu uma teoria de redes neurais artificiais
paraconsistentes
com
capacidade
de
aprendizado
de
informaes
31
1.13 CONCEITUAO
DE
NO-
ALTICA
EM
bem
estruturada,
as
linguagens
formais.
Mais
que
isso,
Linguagens Artificiais
Modelos (abstratos)
Poro da Realidade
33
Figura 1
Pelo menos trs dimenses relevantes esto em anlise: a poro da
realidade que se quer estudar, os modelos abstratos de tais realidades e a
linguagem que se refere s diversas estruturas.
As Lgicas No-Clssicas caracterizam-se por amplificar, de algum
modo, a lgica tradicional ou por infringir ou limitar seus princpios ou
pressupostos
fundamentais.
Dentre
as
primeiras,
ditas
Lgicas
34
35
36
Algumas
das
conseqncias
da
estruturao
da
Lgica
37
Negativas: 1) Demonstrao de que certas criticas a dia1tica afiguramse infundados (por exemplo, os conhecidos reparos de Popper); 2) Prova de
que as exigncias metodolgicas impostas s teorias cientificas se mostram
demasiadamente restritivas e mereceriam ser liberalizadas; 3) Evidncia de
que a concepo usual da verdade como correspondncia, a Tarski, no
acarreta as leis da Lgica Clssica, sem suposies extras, geralmente
mantidas implcitas.
Hodiernamente, em IA, precisamos manipular sistemas inconsistentes
de informao; mais ainda, necessitamos processar semelhantes sistemas, via
uma programao paraconsistente. Tentar transformar esses sistemas em
outros
consistentes
seria
no
apenas
impraticvel,
mas,
sobretudo,
CAPTULO 2
A LGICA PARACONSISTENTE
ANOTADA EVIDENCIAL E
JAIR MINORO ABE E JOO INCIO DA SILVA FILHO
2.1 ESCRO HISTRICO
As lgicas paraconsistentes anotadas so uma famlia de lgicas noclssicas surgidas no final da dcada de 90 do sculo passado em
programao lgica [Subrahmanian 87]. Devido s aplicaes obtidas, tornouse conveniente um estudo de suas bases.
Os estudos sobre os fundamentos da lgica paraconsistente anotada
foram efetuados por vrios autores, entre eles, Da costa, Abe, Akama e outros
[Abe 92]. Em [Abe 92] estudou-se a lgica de predicados, teoria de modelos,
teoria anotada de conjuntos e alguns sistemas modais, estabelecendo-se um
estudo sistemtico dos fundamentos das lgicas anotadas apontadas em
trabalhos anteriores. Em particular obteve-se metateoremas de completeza
forte e fraca para uma subclasse de lgica anotada de primeira ordem e fez-se
um estudo sistemtico da teoria anotada de modelos, generalizando a maioria
dos resultados padro para os sistemas anotados.
Outras aplicaes dos sistemas anotados foram iniciados por Abe por
volta de 1993 e juntamente com discpulos diretos implementou-se a linguagem
de programao paraconsistente Paralog [Da Costa et al 95]. Tais idias
aplicaram-se na construo de um prottipo e especificao de uma arquitetura
baseada na lgica paraconsistente anotada que integra vrios sistemas
computacionais planejadores, base de dados, sistemas de viso, etc. de uma
clula de manufatura [Prado 96] e representao de conhecimento por Frames,
permitindo representar inconsistncias e excees [vila 96].
39
controladores
lgicos
baseados
nas
lgicas
anotadas
40
41
matemtica:
um reticulado com operador = <
T
define-se assim:
42
43
Se anotarmos com (0.0, 0.0), a leitura intuitiva ser O aluno passou no exame
com ausncia total de evidncia, nem favorvel, nem contrria.
Exemplo 2. Seja a proposio p O paciente est acometido de pneumonia.
Temos:
Se anotarmos com (1.0, 0.0), a leitura intuitiva ser O paciente est acometido
de pneumonia com evidncia total.
Se anotarmos com (0.0, 1.0), a leitura intuitiva ser O paciente est acometido
de pneumonia com evidncia contrria total (=h uma evidncia total que o
paciente no est acometido de pneumonia).
Se anotarmos com (1.0, 1.0), a leitura intuitiva ser O paciente est acometido
de pneumonia com evidncia totalmente inconsistente. Isto pode se suceder
se, por exemplo, um mdico de opinio que o paciente est acometido de
pneumonia, mas um outro especialista diz que no pode ser pneumonia por um
outro tipo de exame.
Se anotarmos com (0.0, 0.0), a leitura intuitiva ser O paciente est acometido
de pneumonia com ausncia total de evidncia. Isto pode se suceder se no
se pode diagnosticar se pneumonia ou no.
Desse modo, temos algumas leituras interessantes:
p(1.0, 0.0) pode ser lida como uma proposio verdadeira (evidncia favorvel
p(0.0, 1.0) pode ser lida como uma proposio falsa (evidncia favorvel nula e
p(1.0,
1.0)
p(0.0,
0.0)
p(0.5, 0.5) pode ser lida como uma proposio indefinida (evidncia favorvel
45
46
p(1.0, 0.0) pode ser lida como O paciente est infectado de gripe com evidncia
p(0.0, 1.0) pode ser lida como O paciente est infectado de gripe com evidncia
p(1.0, 1.0) pode ser lida como O paciente est infectado de gripe com evidncia
p(0.0, 0.0) pode ser lida como O paciente est infectado de gripe com evidncia
p(0.5, 0.5) pode ser lida como O paciente est infectado de gripe com evidncia
0.0)
1.0)
0.0)
0.5)
47
0.0)
0.4)
48
, (, ) = (, ). Isso
p(, ).
0.5)
, ou seja, p(0.5,
0.5)
p(0.5,
0.5)
0.5)
verdadeira e p(0.5,
0.5)
0.5)
seja
tambm
49
p(, ) q(, ) = p(, ) q(, ) q(, ) p(, ) leia-se p(, ) equivale a q(, )
2.6 O RETICULADO
Voltemos a algumas terminologias. O par (, ) denomina-se constante de
anotao. Tal par um elemento de [0, 1][0, 1] que algumas vezes indicamos
por [0, 1]2. Mune-se esse conjunto de uma relao de ordem assim definida:
(1, 1) (2, 2) 1 2 e 2 1.
Propriedades:
1. , , (, ) (, ) (reflexividade)
2. 1, 1, 2, 2 , (1, 1) (2, 2) e (2, 2) (1, 1), implicam (1, 1) = (2,
2) (anti-simetria)
3. 1, 1, 2, 2, 3, 3 , (1, 1) (2, 2) e (2, 2) (3, 3), implicam (1, 1)
(3, 3) (transitividade)
4. 1, 1, 2, 2 , existe o supremo de {(1, 1), (2, 2)} indicado por (1, 1)
(2, 2) = (Mx{1, 2}, Mn{1, 2})
5. 1, 1, 2, 2 , existe o nfimo de {(1, 1), (2, 2)} indicado por (1, 1)
(2, 2) = (Mn{1, 2}, Mx{1, 2})
6. , , (0, 1) (, ) (1, 0)
O quadrado unitrio [0, 1][0, 1] com a relao de ordem constitui um reticulado
que simbolizamos por <, > ou simplesmente por .
Exerccio. Verifique cada uma das propriedades acima.
50
Segmento de reta
perfeitamente
definido
de reta
2.7 GRAUS DE CERTEZASegmento
E DE INCERTEZA
perfeitamente
indefinido
B (0, 1)
C (1, 1)
Figura 3
No reticulado notamos quatro pontos que nortearo nossas perquiries.
Denominemos de pontos cardeais. Tais so elas:
D (0, 0)
A (1, 0)
51
+ -1 = 0; 0 , 1
- = 0; 0 , 1
Grau de Paracompleteza:
Grau de Veracidade:
Grau de Falsidade:
52
melhor dizermos que a verdade uma faixa de certeza com respeito a certa
proposio. Para determinarmos tais faixas, introduzimos os seguintes
T
conceitos:
F
Vcve = C1 = Valor
de veracidade; 0 Vcve 1
QFde controle
QTV
Vcfa = C2 = Valor de controle
de falsidade; -1 Vcfa 0
QF
QVT
QV
V paracompleteza; -1 V 0
Vcpa = C4 = Valor de controle de
cpa
54
+1
Vcve = C1
QT F
Vcic = C3
QFT
QVT
0
QF
-1
QF
Vcfa = C2
QTV
QV
QV
V
+1
Vcpa = C4
-1
Smbolo
V
F
T
55
T
F
QFT
QTF
Tabela 2
Estados No-Extremos
Quase-verdadeiro tendendo ao Inconsistente
QF
QTV ao Paracompleto
Quase-verdadeiro tendendo
Quase-falso tendendo
ao Inconsistente
QF
QVT
Quase-falso
QV tendendo ao Paracompleto
Quase-inconsistente tendendo
QV ao Verdadeiro
V
Quase-inconsistente tendendo ao Falso
Quase-paracompleto tendendo ao Verdadeiro
Quase-paracompleto tendendo ao Falso
Smbolo
QVT
QV
QFT
QF
QTV
QTF
QV
QF
Figura 6
56
Estado Falso:
Gin(, ) = - = Gfa(, ) - e
e
Estado Inconsistente:
Gce(, ) = + - 1 = Gct(, ) e
e
Estado Paracompleto:
Gce(, ) = + - 1 = Gpa(, ) - e
e
Gce(, ) = + - 1 = Gpa(, ) 0
Estado Quase-Falso tendendo ao Inconsistente:
Gin(, ) = - = Gfa(, ) - e
e
Gce(, ) = + - 1 = Gct(, ) 0
Estado Quase-Falso tendendo ao Paracompleto:
Gin(, ) = - = Gfa(, ) - e
e
Gce(, ) = + - 1 = Gct(, ) 0
Estado Quase-Inconsistente tendendo ao Verdadeiro:
Gce(, ) = + - 1 = Gct(, ) e
e
Gin(, ) = - = Gve(, ) 0
Estado Quase-Inconsistente Falso tendendo ao Falso:
Gce(, ) = + - 1 = Gct(, ) e
e
Gin(, ) = - = Gfa(, ) 0
Estado Quase-Paracompleto tendendo ao Verdadeiro:
Gce(, ) = + - 1 = Gpa(, ) - e
e
Gin(, ) = - = Gve(, ) 0
Estado Quase-Paracompleto tendendo ao Falso:
Gin(, ) = + - 1 = Gpa(, ) - e
e
58
Gce(, ) = - = Gfa(, ) 0
Nota. A incluso ou no dos bordos em determinadas regies fica a cargo do
T
QTF
QF
QTV
QVT
QV
QV
Figura 7
Exemplos
Consideremos as constantes de anotao:
1. (, 0.4)
Gce(, 0.4) = - 0.4 = -0.15 (Grau de falsidade)
Gin(, 0.4) = + 0.4 - 1 = -0.35 (Grau de paracompleteza)
Logo, a constante de anotao pertence ao estado Quase-paracompleto
tendendo ao Falso = QF
2. (0.4, 0.8)
59
60
Figura 8
Observe que todas as constantes de anotao (1, 1) da regio pontilhada
incluindo os bordos so tais que (, ) (1, 1).
As demais constantes de anotao no satisfazem a desigualdade anterior.
2.9 OPERAES NO RETICULADO
Passamos a considerar algumas operaes intuitivamente naturais definidas no
reticulado que sero fundamentais na exposio ulterior.
2.9.1 OPERAO NOT
61
Exemplos:
1. (0.8, 0.6) = (0.6, 0.8)
2. (1.0, 0.0) = (0.0, 1.0)
3. (0.0, 1.0) = (1.0, 0.0)
4. (1.0, 1.0) = (1.0, 1.0)
5. (0.0, 0.0) = (0.0, 0.0)
No exemplo 1, a negao da constante de anotao 80% de evidncia
favorvel e 60% de evidncia contrria a constante de anotao 60% de
evidncia favorvel e 80% de evidncia contrria.
No exemplo 2, a negao da constante de anotao verdadeiro a constante
de anotao falso.
No exemplo 3, a negao da constante de anotao falso a constante de
anotao verdadeiro.
No exemplo 4, a negao da constante de anotao inconsistente a
constante de anotao inconsistente.
No exemplo 5, a negao da constante de anotao paracompleto a
constante de anotao paracompleto.
Propriedades
1) Para qualquer (, ) , temos (, ) = (, ) (Idempotncia)
2) Para qualquer (, ) , temos k(, ) = (, ) se k par e k(, ) = (, )
se k mpar.
5) Para qualquer (, ) , temos (, ) OR (, ) = (Mx{, }, Mn{, })
62
63
(0, 1)
64
(1, 1)
(0, 0)
(0, 1)
65
(1, 2)
(1, 1)
(0, 0)
Figura 11. Operao de minimizao. Exemplo (1, 1) AND (2, 2) = (1, 2).
Note tambm que o conjunto dos limitantes inferiores de (1, 1) AND (2, 2)
constitudo dos elementos da regio retangular determinado pelos vrtices (0,
1), (0, 2), (1, 2) e (1, 1).
Exerccio.
1) Consideremos o conjunto [0, 1]2 munido da relao de ordem . Prove que o
par ([0, 1]2, ) constitui um reticulado, ou seja, um sistema ordenado tal que
a) Para quaisquer (1, 1) e (2, 2) , temos que existem o Sup{(1, 1), (2,
2)} e o Inf{(1, 1), (2, 2)}
Como se trata de nmeros reais com sua ordem ordinria, constata-se
facilmente que tal Sup{(1, 1), (2, 2)} (1, 1) OR (2, 2) e o Inf{(1, 1), (2,
2)} (1, 1) AND (2, 2).
2) Prove que k(, ) = (, ) se k mpar (0 k).
3) Prove que k(, ) = (, ) se k par (0 k).
(0, 1)
(1, 2)
66
(0, 0)
(2, 1)
Figura 12. Para cada para par (1, 1) e (2, 2) temos o Sup{(1, 1), (2, 2)} =
(1, 1) OR (2, 2) = (2, 1) e o Inf{(1, 1), (2, 2)} = (1, 1) AND (2, 2) = (1,
2).
Representao do Reticulado .
O reticulado pode ser representado como na figura abaixo. Geometricamente,
obtm-se rotacionando-se o quadrado unitrio da figura anterior em 90 no
sentido anti-horrio. Assim, obtm-se um losango, com dois segmentos
ascendentes do ponto (0, 1) (falso) com extremidade direita no ponto (0, 0)
(paracompleto) e esquerda no ponto (1, 1) (inconsistente). Os dois
segmentos ascendentes partindo dessas extremidades incidem no ponto
mximo (1, 0) (verdadeiro). Dados dois elementos (1, 1) e (2, 2), traamos
paralelas aos segmentos determinados pelos pontos (0, 1) e (1, 1) bem como
paralelas ao segmento determinado pelos pontos (0, 1) e (0, 0). Tais paralelas
determinam dois pontos de interseco. O Sup{(1, 1), (2, 2)} = (1, 1) OR
(2, 2) = (2, 1) o ponto de interseco que fica acima e o Inf{(1, 1), (2,
2)} =
67
(1, 0)
(0, 1)
(2, 1)
(1, 1)
(1, 2)
(2, 2)
(1, 1)
68
T
F
QF
QV
1.
69
Figura 14
70
2.
QF
QT
QV
Figura 15
3.
QV
Figura 16
71
4.
F
T
QF
QV
Figura 17
5.
V
(1, 1)
(0, 1)
(0, 0)
(1, 0)
Figura 18
72
2.10 SEMNTICA
A semntica da lgica E definida como se segue.
Interpretao. Uma interpretao da lgica E uma funo
I: P , onde P indica o conjunto dos smbolos proposicionais.
Exemplos:
1. I(p) = (0.8, 0.5)
Relativamente interpretao I temos associado uma valorao
VI: F {0, 1}
Tal que
VI(p(, )) = 1 se e somente se I(p) (, ).
Isso quer dizer que, dada uma interpretao I: P , a proposio p(,
73
Como J(p) = (0.9, 0.2) (0.8, 0.4), temos que a proposio p(0.8, 0.4) verdadeira
relativamente interpretao J.
Consideremos a proposio p(0.3, 0.2) onde p A frente do rob est livre. Como
vimos, a leitura intuitiva da proposio A frente do rob est livre com uma
evidncia favorvel de 30% e uma evidncia contrria de 20%. Dada a
interpretao do exemplo anterior I(p) = (0.7, 0.3), temos falso que I(p) = (0.7,
0.3) (0.3, 0.2), pois apesar de 0.7 0.3, no verdade que 0.2 0.3.
Logo, a proposio p(0.3, 0.2) falsa relativamente interpretao I.
Suponhamos a interpretao anterior J(p) = (0.9, 0.2).
Como o caso que J(p) = (0.9, 0.2) (0.3, 0.6), temos que a proposio p(0.3, 0.6)
verdadeira relativamente interpretao J.
2 e 2 1} (onde indica a
74
0A indica A;
1A indica A e
kA indica (k-1A), (k N, k > 0). N indica o conjunto dos nmeros
naturais {0, 1, 2, ...}
Tambm, se , tem-se que:
~0 indica ;
~1 indica ~ e
~k indica ~(~k-1), (k N, k > 0).
Definio 3. [Literal] Se p um smbolo proposicional e uma
constante de anotao, ento a frmula kp (k 0) chama-se hiper-literal (ou
simplesmente literal) e as demais chamam-se frmulas complexas.
Introduzimos o conceito de interpretao para a lgica E.
Definio
[Interpretao].
Seja
conjunto
dos
smbolos
. Dada uma
, ento
77
A, A B
B
(Modus Ponens, que abrevia-se por MP)
(1)
ABA
(2)
ABB
(3)
A (B (A B))
(1)
AAB
(2)
BAB
(3)
(1)
(F G) ((F G) F)
(2)
F (F A)
(3)
F F
(1)
p(0, 0)
(2)
kp(, ) k-1p~(, ), k 1
(3)
(4)
i 1
(i, i)
79
= [0, 1] [0, 1] e =
4 Para detalhes, consultar [Abe 92]. Tambm, deve ser restrito a um subreticulado finito.
81
82
84
A, A B
B
(Modus Ponens, que abrevia-se por MP)
(1)
ABA
(2)
ABB
(3)
A (B (A B))
(1)
AAB
(2)
BAB
(3)
(1)
(F G) ((F G) F)
(2)
F (F A)
(3)
F F
(1)
(2)
kp k-1p~, k 1
(3)
p p ,
n
(4)
p1 p2 ... pn p, onde =
(1)
B A(x) / B xA(x)
(2)
xA(x) A(t)
(1)
A(t) xA(x)
(2)
A(x) B / xA(x) B
(=1)
x=x
i 1
85
(=2)
(=3)
( 4)
p1 p2 ... pn p, onde =
i 1
(1)
p (t1 ,..., t n )
(Regras)
(I)
(I)
(I)
A B
A B
A
A B
[ A]
B
AB
A B A B
A
B
(E)
B
A B
A B
(E)
[ A] [ B]
C C
C
A, A B
B
(E)
86
[ A B]
A
A
(P)
[F ]
G G
(I) G
F
F
(E)
F F
(E) A
(I)
(I)
A(a)
xA( x)
(E)
xA( x )
A(t )
[ A(a )]
xA( x)
A(t )
xA( x)
(E)
k p (t1 ,..., t n )
p k 1 (t1 ,..., t n )
(2)
p k 1 (t1 ,..., t n )
k p (t1 ,..., t n )
(3)
p (t1 ,..., t n )
p (t1 ,..., t n )
(4)
p (t1 ,..., t n )
Por
conseguinte,
v-se
que
os
sistemas
so,
em
geral,
88
CAPTULO 3
Aplicaes
JOO INCIO DA SILVA FILHO, UANDERSON CELESTINO, JAIR MINORO ABE E
HLIO CORRA DE ARAJO
3.1 INTRODUO
A manipulao dos dados por meio das evidencias favorvel e contrria, dos
graus de certeza e de incerteza, mais os valores de controle, permitiram
construir um analisador lgico denominado Para-analisador [Da Silva Filho &
Abe 01]. A materializao do analisador em um circuito eletrnico resultou um
controlador lgico que denominou-se Paracontrol [Da Silva Filho 99]. Assim, foi
possvel a construo do primeiro rob baseado na lgica E {Da Silva Filho ] o
qual foi denominado Emmy. Vrios outros robs foram construdos com base
no citado controlador. Neste captulo, daremos uma idia de como funciona o
Paracontrol e aplicamos num dispositivo eletrnico para auxlio na locomoo
de cegos, que a denominamos de Keller.
3.2 O CONTROLADOR LGICO PARACONTROL
Suponha-se ento que um rob dotados de dois sensores ultrasonicos.
89
Consideremos a proposio
p A frente do rob est livre
H dois sensores acoplados no rob que fazem as seguintes leituras:
O sensor da esquerda d a leitura quantitativa - indica a evidncia favorvel
expressa por p.
O sensor da direita d a leitura quantitativa - indica a evidncia contrria
expressa por p.
Para efeitos de exemplificao, consideremos os seguintes valores de controle:
Vcve = = Valor de controle de veracidade;
QV
Figura 20
90
Figura 21
Obstculo
Figura 22
3) Evidncia favorvel ligeiramente baixa (0.25 0.5)
91
Obstculo
Figura 23
Obstculo
Figura 24
92
Obstculo
Figura 25
2) Evidncia contrria ligeiramente alta (0.5 0.75)
Obstculo
Figura 26
3) Evidncia contrria ligeiramente baixa (0.25 0.5)
Obstculo
Figura 27
93
Figura 28
Analisemos algumas situaes que o paracontrol pode manipular.
Obstculo
Obstculo
Figura 29
Situao 1
= 0.1 - evidncia favorvel baixa
= 0.9 - evidncia contrria alta
Estado: Falso
Deciso: parar imediatamente
Situao 2
= 0.1 - evidncia favorvel baixa
= 0.6 - evidncia contrria ligeiramente alta
Estado: Quase-falso tendendo ao paracompleto
Deciso: parar e girar direita devagar
94
95
Obstculo
Obstculo
Figura 30
a
Situao 3
= 0.1 - evidncia favorvel baixa
= 0.4 - evidncia contrria ligeiramente baixa
Estado: Quase-paracompleto tendendo ao falso
Deciso: parar e girar direita devagar
Situao 4
= 0.1 - evidncia favorvel baixa
= 0.0 - evidncia contrria baixa
Estado: Paracompleto
Deciso: parar e girar direita devagar
96
Obstculo
Obstculo
Figura 31
Situao 6
Situao 5
0.4 - evidncia
favorvel ligeiramente baixa
= 0.4 - evidncia favorvel=ligeiramente
baixa
0.6 - evidncia contrria ligeiramente baixa
= 0.9 - evidncia contrria =
alta
Estado: perfeitamente
definido
Estado: Quase-verdadeiro tendendo
ao inconsistente
Deciso:
diminuir
a
velocidade
(desviar direita ou esquerda)
Deciso: parar e girar devagar esquerda
97
98
Obstculo
Obstculo
Figura 32
Situao 7
= 0.4 - evidncia favorvel ligeiramente baixa
= 0.2 - evidncia contrria baixa
Situao 8
Estado:
Quase-paracompleto tendendo ao verdadeiro
= 0.4 - evidncia favorvel ligeiramente baixa
Deciso:
diminuir a velocidade e desviar suavemente direita
= 0.0 - evidncia contrria baixa
Estado: Quase-paracompleto tendendo ao verdadeiro
Deciso: diminuir a velocidade e desviar direita
um obstculo
relativamente prximo frente de seu lado esquerdo bem como no seu lado
99
um obstculo
relativamente prximo frente de seu lado esquerdo e lado direito est livre.
Assim, a deciso programada pelo rob de diminuir a velocidade e desviar
sua rota direita.
Obstculo
Obstculo
Figura 33
Situao 10
= 0.6 - evidncia favorvel ligeiramente alta
Situao 9
= 0.6 - evidncia contrria lig baixa
= 0.6 - evidncia favorvelEstado:
ligeiramente
alta
Quase-verdadeiro
tendendo ao paracompleto
= 0.9 - evidncia contrriaDeciso:
alta
diminuir a velocidade e desviar suavemente esquerda
Estado: Quase-inconsistente tendendo ao falso
Deciso: para e girar esquerda devagar
100
Situao 10. Temos a situao que a Emmy est se deslocando e a leitura dos
sensores se encontra assim:
= 0.6 - evidncia favorvel que A frente do rob est livre ligeiramente
alta, indicando que h obstculo frente numa distncia moderada
= 0.6 - evidncia contrria que A frente do rob est livre ligeiramente alta,
ou seja, indica que h um obstculo do lado direito sua frente ligeiramente
mais prximo do que seu lado esquerdo.
Grau de Certeza = Gce(0.6, 0.6) = Gfa(0.6, 0.6) = 0.6 - 0.6 = 0
Grau de Incerteza = Gin(0.6, 0.6) = Gct(0.6, 0.6) = 0.6 + 0.6 1 = 0.2
Logo, a informao recebida pelo rob a de que h obstculo frente numa
distncia moderada, sendo que o lado direito est mais prximo do obstculo
do que seu lado esquerdo. Assim, a deciso programada pelo rob de
diminuir a velocidade e desviar suavemente esquerda.
101
Obstculo
Obstculo
Figura 34
Situao 11
12
= 0.6 - evidncia favorvel ligeiramente alta
= 0.4
0.0 - evidncia contrria lig.
baixa
baixa
Estado: perfeitamente
quase-verdadeiro
definido
tendendo ao paracompleto
Deciso: diminuir
desviar suavemente
direita
a velocidade
Situao 11. Temos a situao que a Emmy est se deslocando e a leitura dos
sensores se encontra assim:
= 0.6 - evidncia favorvel que A frente do rob est livre ligeiramente
alta, indicando que h obstculo frente numa distncia moderada
= 0.4 - evidncia contrria que A frente do rob est livre ligeiramente
Baixa. Nota-se que a evidencias favorvel e contrria so complementares.
Grau de Certeza = Gce(0.6, 0.4) = Gfa(0.6, 0.4) = 0.6 - 0.4 = 0.2
Grau de Incerteza = Gin(0.6, 0.4) = Gct(0.6, 0.4) = 0.6 + 0.4 1 = 0
Logo, a informao recebida pelo rob a de que h obstculo frente numa
distncia moderada. Assim, a deciso programada pelo rob de diminuir
suavemente a velocidade.
102
Situao 12. Temos a situao que a Emmy est se deslocando e a leitura dos
sensores se encontra assim:
= 0.6 - evidncia favorvel que A frente do rob est livre ligeiramente
alta, indicando que h obstculo frente numa distncia moderada
= 0.0 - evidncia contrria que A frente do rob est livre baixa, indicando
que seu lado direito est livre.
Grau de Certeza = Gce(0.6, 0.0) = Gfa(0.6, 0.0) = 0.6 - 0.0 = 0.6
Grau de Incerteza = Gin(0.6, 0.0) = Gct(0.6, 0.0) = 0.6 + 0.0 1 = -0.4
Logo, a informao recebida pelo rob a de que h obstculo frente do lado
esquerdo numa distncia moderada. Assim, a deciso programada pelo rob
de diminuir suavemente a velocidade e desviar direita.
Obstculo
Obstculo
Figura 35
Situao Situao
14
13
= 1.0 - evidncia
favorvelfavorvel
alta
= 1.0 - evidncia
alta
= 0.6 - evidncia
contrriacontrria
ligeiramente
= 0.9 - evidncia
baixaalta
Estado: Quase-inconsistente
Estado: Inconsistentetendendo ao verdadeiro
Deciso:Deciso:
diminuir parar
a velocidade
e desviar
suavemente esquerda
e girar devagar
esquerda
103
Situao 13. Temos a situao que a Emmy est se deslocando e a leitura dos
sensores se encontra assim:
= 1.0 - evidncia favorvel que A frente do rob est livre total, indicando
que seu lado esquerdo est livre.
= 0.9 - evidncia contrria que A frente do rob est livre muito alta, ou
seja, A frente do rob est livre praticamente falsa, indicando que h um
obstculo iminente sua frente, do seu lado direito.
Grau de Certeza = Gce(1.0, 0.9) = Gfa(1.0, 0.9) = 1.0 - 0.9 = 0.1
Grau de Incerteza = Gin(1.0, 0.9) = Gct(1.0, 0.9) =1.0 + 0.9 1 = 0.9
Logo, a informao recebida pelo rob a de que seu lado esquerdo est livre
e que h obstculo muito prximo de seu lado direito. Assim, a deciso
programada pelo rob de parar imediatamente e girar direita devagar.
Situao 14. Temos a situao que a Emmy est se deslocando e a leitura dos
sensores se encontra assim:
= 1.0 - evidncia favorvel que A frente do rob est livre total, indicando
que seu lado direito est livre.
= 0.6 - evidncia contrria que A frente do rob est livre ligeiramente alta,
ou seja, A frente do rob est livre ser falsa com grau expressivo, indicando
que h um obstculo do lado esquerdo sua frente.
Grau de Certeza = Gce(1.0, 0.6) = Gve(1.0, 0.6) = 1.0 - 0.6 = 0.4
Grau de Incerteza = Gin(1.0, 0.6) = Gct(1.0, 0.6) = 1.0 + 0.6 1 = 0.6
Logo, a informao recebida pelo rob a de o lado esquerdo est livre e que
h obstculo relativamente prximo de seu lado direito. Assim, a deciso
programada pelo rob de desviar suavemente sua rota esquerda.
104
Obstculo
Figura 36
Situao 15
Situao 16= 1.0 - evidncia favorvel alta
= 0.4 -favorvel
evidnciaalta
contrria ligeiramente baixa
= 1.0 - evidncia
Estado:contrria
Quase-verdadeiro
tendendo ao inconsistente
= 0.0 - evidncia
baixa
Deciso: diminuir suavemente a velocidade e desviar esquerda
Estado: Verdadeiro
Deciso: prosseguir em frente
Situao 16. Temos a situao que a Emmy est se deslocando e a leitura dos
sensores se encontra assim:
= 1.0, ou seja, a evidncia favorvel que A frente do rob est livre total,
indicando que seu lado direito est livre.
= 0.0, ou seja, a evidencia contrria que A frente do rob est livre nula,
ou seja, este sensor tambm nada acusa frente, indicando que seu lado
esquerdo tambm est livre.
Grau de Certeza = Gce(1.0, 0.0) = Gve(1.0, 0.0) = 1 0 = 1
Grau de Incerteza = Gin(1.0, 0.0) = 1 + 0 1 = 0
Logo, a deciso programada pelo rob de seguir sua rota.
105
106
107
108
Figura 37
O dispositivo composto basicamente de dois sensores de ultrassom (um
esquerda e o outro direita), cujo tratamento das informaes captadas pelos
sensores processado atravs de um microcontrolador que possui um
algoritmo de controle que se baseia na Lgica Paraconsistente Anotada
Evidencial E.
O sensor da direita indica o grau de evidncia favorvel (), e o da esquerda
indica o grau de evidncia contrria () ambos relativos proposio
considerada: no h obstculo frente. Pela vibrao gerada por dois
motores vibratrios, o usurio do dispositivo recebe a informao de onde se
encontra um possvel obstculo e escolher o melhor caminho a seguir.
O microprocessador processa as informaes captadas pelos sensores, com o
uso da lgica Paraconsistente Anotada Evidencial E, desta forma possvel
manipular informaes incertas, conflitantes ou at mesmo a falta de
informao.
1,20
1
1,20
0,9
0,75
0,9
0,60
0,5
0,60
0,3
0,25
0,3
0
0
0
Tabela 3 Converso para os graus de evidncia
0
0,25
0,5
0,75
1
110
112
113
Teste
Durao(S)
Falha
Resultado
Descrio
105
Com
Desviou de todos os
sucesso
obstculos
150
Falha
Esbarrou na parede
180
Com
Desviou de todos os
sucesso
obstculos
Com
Desviou de todos os
sucesso
obstculos
Com
Desviou de todos os
sucesso
obstculos
Com
Desviou de todos os
sucesso
obstculos
Falha
Esbarrou na parede
4
5
6
7
120
95
175
90
0
0
0
1
114
115
116
.Informao complementar
QUEM FOI Helen
Adams Keller
Em 1971, a Diretoria do Lions Clubs International declarou que o dia 1 de junho seria lembrado como o "Dia de Helen
Keller". Os Lees do mundo inteiro implementam projetos de servios relativos viso no Dia de Helen Keller.
Nascida Helen Adams Keller, em 27 de junho de 1880 em Tuscumbia, Alabama, EUA, a criana desenvolveu uma febre
aos 18 meses de idade. Em seguida, Helen ficou cega, surda e muda.
Quando tinha seis anos, a professora Anne Mansfield Sullivan, da Perkins School for the Blind (Escola para cegos
Perkins), foi contratada como professora de Helen. A moa, de 20 anos, ensinou a Helen a linguagem de sinais e o
braile. A histria da professora e sua aluna foi recontada na pea e no filme de William Gibson, "The Miracle Worker (O
milagre de Anne Sullivan)".
Aos dez anos, Helen Keller aprendeu a falar. Sarah Fuller, da Escola Horace Mann, foi sua primeira professora de
linguagem.
Em 1898, Helen entrou para a Cambridge School for Young Ladies (Escola para moas Cambridge). No outono de
1900, Helen matriculou-se no Radcliffe College. Conseguiu o bacharelado cum laude (com louvor) em Letras em 1904.
Atravs dos anos, Anne Sullivan permaneceu ao lado de sua aluna.
"Helen Keller in Her Story" (Helen Keller e sua Histria) recebeu o "Oscar" de melhor
117
Em 1971, o Lions do Alabama dedicou-lhe o Helen Keller Memorial Park. O parque est localizado no local onde ela
nasceu, um lugar chamado Ivy Green. Desde a dedicao do parque, Lees de 37 pases tm enviado presentes. O
ponto central do memorial um busto de Helen Keller com uma placa gravada em que se l, "Eu sou sua
oportunidade".
(Fonte: http://www.lionsclubs.org)
CAPTULO 4
Os novos horizontes para
aplicaes da Lgica
Evidencial
JAIR MINORO ABE, JOO INCIO DA SILVA FILHO, UANDERSON CELESTINO E
HLIO CORRA DE ARAJO
118
120
Referncias Bibliogrficas
[Abe 92] ABE, J.M., Fundamentos da Lgica Anotada, Tese de Doutorado,
FFLCH - USP, 135 pp, 1992.
[Abe 97] ABE, J.M., Some Aspects of Paraconsistent Systems and Applications,
Logique et Analyse, 157(1997), 83-96.
[Abe 01] ABE, J.M., Annotated logics Q and model theory, in Logic, Artificial
Intelligence, and Robotics, Frontiers in Artificial Intelligence and Its Applications,
IOS Press, Amsterdan, Ohmsha, Tokyo, Vol. 71, 1-12, 2001.
[Abe & Papavero 92] ABE, J.M. & N. PAPAVERO, Teoria Intuitiva dos
Conjuntos MAKRON Books do Brasil - So Paulo, 1992.
[Akama & Abe 98a] AKAMA, S. & J.M. ABE, Many-valued and annotated modal
logics, IEEE 1998 International Symposium on Multiple-Valued Logic
(ISMVL98), Proceedings, pp. 114-119, Fukuoka, Japo, 1998.
[Akama & Abe 98b] AKAMA, S. & J.M. ABE, Natural Deduction And General
Annotated Logics, atas do The First International Workshop on Labelled
Deduction (LD98), Freiburg, Alemanha, 1-14, 1998. Tambm publicado na
Coleo Documentos, Srie Lgica e Teoria da Cincia, IEA-USP, no 49, 14p.,
1998.
[Arruda, Da Costa & Chuaqui 77] ARRUDA, A.I., N.C.A. DA COSTA & R.
CHUAQUI,
Proceedings of The
Third
Latin-American Symposium on
121
122
[Enriques 22] ENRIQUES, F., Per la Storia della Logica, Zanichelli, Bolonha,
1922.
[Enriques & Santillana 32] ENRIQUES, F. & G. SANTILLANA, Storia del
Pensiero Scientifico, vol. 1, Zanichelli, Bolonha, 1932.
[Enriques & Santillana 36] ENRIQUES, F. & G. SANTILLANA, Compedio di
Storia del Storia del Pensiero Scientifico, Zanichelli, Bolonha, 1936.
[Haack 74] HAAK, S., Deviant Logic, Cambridge University Press, Cambridge,
1974.
[Jaskowski 48] JASKOWSKI, S., Um calcul des propositions pour les systems
dductifs contradictoires, Studia Societatis Scientiarum Torunensis, Sect. A, 1,
57-77, 1948.
[Nakamatsu, Abe & Suzuki 99] NAKAMATSU, K., J.M. ABE & A. SUZUKI,
Defeasible Reasoning Between Conflicting Agents Based on VALPSN,
American Association for Artificial Intelligence - AAAI99 Workshop on Agents
Conflicts, ISBN 1-57735-092-8, TR WS-99-08, AAAI Press American
Association for Artificial Intelligence, Menlo Park, California, USA, 20-27, 1999.
[Negoita & Ralescu 75] NEGOITA, C.V. & D.A. RALESCU, Applications of
Fuzzy Sets to Systems Analysis, John Wiley & Sons, 1975.
[Nelson 59] NELSON, D., Negation and separation of concepts in constructive
systems, A. Heyting (ed.), Constructivity in Mathematics, North-Holland,
Amsterdam, 208-225, 1959.
[Prado 96] PRADO, J.P.A., Uma Arquitetura em IA Baseada em Lgica
Paraconsistente, tese de Doutoramento, Universidade de So Paulo, 1996.
[Sylvan & Abe 96] SYLVAN, R. & J.M. ABE, On general annotated logics, with
an introduction to full accounting logics, Bulletin of Symbolic Logic, 2, 118-119,
1996.
[Rich & Knight 83] Rich, E. & Knigth, K. Artificial Intelligence, Mc Graw Hill, NY,
1983.
[Zadeh 73] ZADEH, L., Outline of a New Approach to the Analysis of Complex
Systems and Decision Processes IEEE Transaction on Systems, Mam and
Cybernectics, vol. SMC-3, No 1, p.p. 28-44, January, 1973.
123