LGICA DIFUSA

La lgica difusa es una herramienta de gran potencial para el desarrollo de nuevos mtodos o tcnicas de la
Inteligencia Artificial. Se menciona que este tipo de lgica permite valores intermedios para poder definir estados
convencionales como s/no, verdadero/falso, negro/blanco, etc. Este tipo de nociones como ms caliente o poco
fro pueden expresarse matemticamente y ser procesados por computadoras. Al hacer esto se est realizado el
intento de aplicar la forma del pensamiento humano a la programacin de computadoras, que es lo que busca la
inteligencia artificial con sus aplicaciones en diferentes sistemas.
En inteligencia artificial, la lgica difusa se utiliza para la resolucin de una variedad de problemas, principalmente
los relacionados con control de procesos industriales complejos y sistemas de decisin en general, la resolucin la
comprensin de datos.
Caractersticas:

Soporta datos imprecisos

Es conceptualmente fcil de entender
El flexible
Es tolerante a los datos imprecisos
Se basa en el lenguaje humano
Se basa en la experiencia de expertos conocedores del problema en cuestin
Puede modelar funciones no lineales de alguna complejidad
Combina en forma unificada expresiones lingsticas con datos numricos

Aplicaciones:
Sistemas de control de acondicionadores de aire
Sistemas de foco automtico cmaras fotogrficas
Sistemas expertos del conocimiento
Tecnologa informtica
Sistemas de escritura
Bases de datos difusas ; almacenar y consultar informacin imprecisa
Ventajas:

Facilidad de implementacin
Buenos resultados en procesos no lineales y de difcil modelizacin
Modo de funcionamiento similar al cuerpo humano
Forma rpida y econmica de resolver un problema
No se necesita conocer el modelo matemtico que rige el su funcionamiento

1.- TEORA DE CERTEZA:

La certeza es el conocimiento claro y seguro de algo. Quien tiene una certeza est convencido de que sabe algo
sin posibilidad de equivocarse, aunque la certeza no implica veracidad o exactitud. Esto quiere decir que
una persona puede afirmar que tiene una certeza y, sin embargo, la informacin que maneja es falsa o errnea.
La certeza, por lo tanto, se basa en una evidencia en lo que el sujeto toma como una evidencia de carcter
irrefutable. Lo evidente del conocimiento posibilita la afirmacin y la posesin de la verdad.
Una situacin de certeza es aquella en la que un sujeto tiene informacin completa sobre una situacin
determinada, sobre cmo evolucionar y conoce el resultado de su decisin. Ejemplo: decisiones sobre compras
cuando se conoce la demanda.
La toma de decisiones en un marco de certeza no implica dificultad alguna, ms all de las relacionadas con
la gestin empresarial.

2.- FACTOR DE CERTEZA:

Es un artificio para la combinacin de grados de creencia e incredulidad en un solo nmero. Tal nmero es
necesario para facilitar comparaciones de la fuerza probatoria de hiptesis rivales, tambin podemos decir que el
factor de certeza representa la certidumbre en la Hiptesis cuando se observa la evidencia. Estos factores de
certeza varan entre -1(creencia nula) y 1(creencia total).
3.- TEORA DE CONJUNTOS DIFUSOS:
La lgica fuzzy, difusa, borrosa, nebulosa fue expuesta por Lofti Zadeh (USA) en 1965 para modelar la manera en
que las personas resuelven sus problemas cotidianos y para tomar decisiones en situaciones complejas. En
general, las personas usan variables lingsticas para denotar valores y dar respuestas.
3.1 Conjuntos usuales o nitidos o crisps
En los conjuntos usuales (G. Cantor) la funcin caracterstica tiene valor 0 o 1, o sea, es binaria.
Sea A = {a, b} un conjunto definido en un universo U= {a, b, c}. Entonces, a y b pertenecen a A, con funcin
caracterstica 1, y c pertenece al complemento A de A, en el universo U.

3.2 Conjuntos difusos (FS)

En los conjuntos difusos la funcin caracterstica puede tener infinitos valores y es llamada funcin de
pertenencia, designada por .

()

Figura 1: Pertenencia ntida

()

Figura 2: Pertenencia Difusa

Un conjunto difuso FS (fuzzy set) es definido como:
A = {x, A (x)}
Consta de elementos x y sus respectivos grados de pertenencia al conjunto.

Figura 3: Conjunto A ntido o difuso

En la figura A U, donde U es el universo de discurso que incluye la totalidad de los elementos de
inters.
Si A es u conjunto usual, crisp o ntido, los elementos a y b pertenecen a A, y c y d pertenecen a A, el
complemento de A.
Si A es difuso el elemento a pertenece a A ms que el elemento b. asimismo el elemento c no
pertenece a A, menos que el elemento d. O bien, d pertenece ms a A que c.
Los elementos b, c, difusos estn en pertenencia difusa a A si consideramos que el lmite, o frontera entre
A y A es incierto.
3.3 Breve historia
Platn aceptaba que ciertos eventos pueden no ser necesariamente verdaderos (V) o falsos (F), Aristteles,
su discpulo, solo aceptaba que un evento es ya sea V o F.
El criterio binario (V, F) aristoteliano prim durante siglos, como en la lgica de Boole, por ejemplo.
Lukasiewicz (Polonia, 1900) propugn la lgica ternaria, reafirmada en cierto modo por Knuth (USA).
En 1965, L.Zadeh, como se mencion, introdujo la lgica fuzzy, y Mandami (1974) la aplic en control
automtico.
La lgica y control difuso no prendieron en USA y Europa, al principio, pero fueron adaptados con gran
intensidad y vastedad en Japn.
Las aplicaciones son muy vastas en control de: aguas, trenes, metros, gras, elevadores, ascensores,
reactores, vehculos, tneles, cmaras fotogrficas, acondicionadores de aire, lavadoras, ollas, hornos
diversos, helicpteros, y muchos otros.

3.4 Incertezas, incertidumbres

Pueden ser objetivas, usualmente tratadas con probabilidades, o subjetivas (lingsticas), comnmente
tratadas con lgica difusa.
Imprecisin generalidad, vaguedad, ambigedad son vocablos generalmente asociados con lgica difusa.

3.5 Pertenencia
La funcin de pertenencia es subjetiva, pero no arbitraria, y depende del contexto del tema o problema.
Como ejemplo, sea A el conjunto de personas altas en estatura. Se puede adoptar un A (x) de la forma de la
figura 4.
A (x)

Figura 4: Pertenencia
3.6 Definiciones en (x) difusa
(x)

Figura 5: Definiciones en (x)

a) (x) es normalizada si (x)max = 1. S, por ejemplo, la velocidad mxima de un motor es de 1500 [rpm], los
valores reales de velocidad se dividen por 1500. Siempre se considera x normalizada
b) soporte compacto es el intervalo de valores de x para los cuales A (x) > 0. En la figura 5 sera el intervalo
af.
c) Ncleo (N). Es el conjunto de x tales que A x = 1. Es el intervalo cd en la figura 5.
d) Cruces. Son los x para los cuales A x =0.5. Son los puntos b y e en la figura 5.
e) Anchura de banda (B). Es el intervalo de x entre los puntos de cruce. Es el intervalo B = e-b en la figura 5

f)

Cortes son los conjuntos difusos tales que A x , 0 1. Un conjunto difuso puede ser expresado
como una superposicin de estos cortes .

3.7 Operaciones bsicas sobre conjuntos difusos

Se definen en base a las funciones de pertenencia: unin; interseccin, max = el mayor de; min = el
menor de.
Entonces:

Son posibles otras formas

Ejemplo. Se ofrecen trabajos A, B, C con las siguientes valoraciones como pertenencias de lgica difusa.

Inters
profesional
Sueldo
Interes sueldo

0,2
0,4
0,2

0,5 0,6
0,6 0,7
0,5 0,6

Convendra elegir el trabajo C.

Notacin de Zadeh

No son sumas, ni cuocientes ni integracin!

Ejemplo:

3.8 Algunos tipos de funciones de pertenencia, difusa.

1. Triangular

2. Gamma Tipo1

3. Trapezoidal, tipo 1

4. Gaussiana

rea no tiene que ser 1, como en probabilidades.

5. Exponencial, tipo 1

3.9 Otras operaciones en conjuntos:

3.10 Variables lingsticas (VL)

Son familias de conjuntos de la forma (gramtica) siguiente:
VL = {x, T(x), U, G, M }

x: nombre de la variable (velocidad, temperatura,)

T(x): conjunto de trminos (alto, bajo, )
U: universo
G: regla sintctica para generar nombres de valores de x
M: regla semntica asociadora

3.11 Dos reglas de inferencia difusas

Sean P1, P2 las premisas (o antecedentes) y C los consecuentes (o consecuencias).
1.- Modus Ponens Generalizado:

P1:x es A
P2:Si x es A, y es B
C: y es B
Se reduce a Modus Ponens ntido si A = A y B = B

2.- Modus Tollens Generalizado:

P1:y es B
P2:Si x es A, y es B
C: x es A
Se reduce a Modus Tollens Ntido si B = B no B y A = A
Representan enlaces (de reglas) hacia delante o hacia atrs A B , A B
Adems de reglas IF THEN se pueden usar representaciones con Redes Semnticas o con
Marcos.

3.12 Caractersticas de los conjuntos difusos

Extienden la teora de conjuntos usuales a clases de conjuntos con fronteras imprecisas
Permiten considerar vaguedad, ambigedad, incerteza, ambivalencia

 Reconcilian la precisin de las matemticas con la imprecisin del mundo real.

Permiten considerar bordes borrosos, restricciones suaves, informacin ambigua.
Permiten describir y modelar fenmenos complejos o imprecisos (tales como: no-linealidades, multilazos,
sistemas tempovariantes, parmetros variables en t).
Trabajan con un espacio grande de soluciones
Son de gran simplicidad
Permiten paralelismo
Pueden aproximar cualquier mapa o funcin continua
Por el principio de extensin, se pueden extender teoremas de conjuntos usuales a conjuntos difusos, con
ciertas precauciones.
3.13 Esquema de controlador con lgica Fuzzi

Esquema de controlador con lgica difusa

KB

Base de datos y base de control lingstica (ej. Reglas IF..THEN)

LD

Lgica decisional (simulador de decisiones humanas) Kernel

ID

Interfaz difusificadora

IDD

Interfaz desdifusificadora
(F) Seales difusas (lingsticas)
(N) Seales ntidas (anlogas o digitales usuales)

IDD

Opera segn el centro de gravedad (centroide), o segn otro mtodo, como media mxima,
momentos, etc.

4.- SISTEMA BASADO EN REGLAS:

Los sistemas basados en reglas trabajan mediante la aplicacin de reglas, comparacin de resultados y
aplicacin de las nuevas reglas basadas en situacin modificada. Tambin pueden trabajar por inferencia lgica
dirigida, bien empezando con una evidencia inicial en una determinada situacin y dirigindose hacia la
obtencin de una solucin, o bien con hiptesis sobre las posibles soluciones y volviendo hacia atrs para
encontrar una evidencia existente (o una deduccin de una evidencia existente) que apoye una hiptesis en
particular.
Algunos ejemplos de sistemas expertos son:
Dendral.- Fue ideado a finales de los aos 1970 para generar una representacin estructural de
las molculas orgnicas a partir de los datos de un espectrgrafo de masas. Tal solucin tiene los

siguientes pasos:
Obtener las limitaciones de los datos.
Generar estructuras candidatas.
Predecir espectros de masa con los candidatos.
Comparar los resultados con los datos.

Este sistema ilustra la solucin comn de resolver problemas en Inteligencia Artificial (IA) de generacin y
prueba.

MYCIN.-

fue

diseado

mediados

de

los

setenta.

Es

un

sistema

interactivo

que diagnostica infecciones bacterianas y suministra la terapia de antibiticos. MYCIN representa el

razonamiento experto como una serie de reglas condicin - conclusin, que relacionan los datos del
paciente con hiptesis de infeccin y al tiempo estiman la certeza de cada regla. Trabaja hacia atrs con
diagnosis hipottica, empleando reglas para estimar los factores de certeza de las conclusiones basadas
en los factores de certeza de su historial para comprobar si la evidencia apoya la diagnosis. Si no hay
informacin suficiente para comprobar la hiptesis, pedir al mdico datos adicionales y evaluarn en
forma exhaustiva todas las hiptesis. Cuando ha finalizado, MYCIN da los tratamientos para todas

aquellas diagnosis que han alcanzado un alto valor de certeza.

G2 de Gensym.- G2 de Gesnym es un programa computacional del tipo Rule Engine para soluciones
de procesos crticos que automatizan las decisiones en tiempo real. Con G2 las organizaciones ms
grandes del mundo dedicadas a la manufactura, al servicio pblico, comunicaciones, transporte urbano,
aeroespaciales, finanzas y gestin gubernamental, maximizan la agilidad de su negocio y logran
mayores niveles de rendimiento.
Entre los usuarios de G2 estn:
ABB, Alcan, Codelco, Dow Chemical, DuPont, Ericsson, ExxonMobil, Foxboro, Petrobrs, Shell, Unilever,
Ford, Hitachi, HP, JEA, Lafarge, Motorola, Nokia, Canal de Panam, Siemens, Tokio electric and
Power, Toyota, General Electric, NASA, el gobierno de Estados Unidos y muchos otros.

5.- SISTEMAS DE CONTROL DIFUSO:

5.1 Sistemas de control
Control es un concepto muy comn y es ampliamente usado por muchas personas en la vida cotidiana. El
trmino es usado habitualmente para hacer referencia a la interaccin entre el hombre y lo que lo rodea, ms
especficamente a la interaccin hombre-mquina, un ejemplo sencillo es el de conducir un automvil donde
es necesario controlar el vehculo para lograr llegar al destino deseado, sistemas como este son llamados de
control manual. El control automtico involucra solamente a mquinas, un ejemplo comn es el control del
nivel de agua de un tanque, donde dependiendo del nivel del lquido se abrir o cerrar la vlvula
correspondiente a su llenado. Ambos temas son un amplio campo de estudio con aplicacin en las ms
diversas ramas de la ingeniera. Algunas aplicaciones son: en robtica se controla la velocidad, posicin y
fuerza con la que manipuladores interactan con el medio, en la industria qumica el control es aplicado al
flujo de lquidos, presin de gas, nivel de lquidos en depsitos, etc., incluso el cuerpo humano cuenta con
mecanismos que trabajan como control automtico, por ejemplo el dimetro de la pupila del ojo, la presin
sangunea, el ritmo respiratorio, etc., son procesos biolgicos que se los puede ver como equivalentes al
control automtico realimentado. Los sistemas a controlar pueden ser de la ms variada naturaleza. En los
ltimos 50 aos una gran cantidad libros y publicaciones sobre control han sido presentados, de estos, los
mtodos de anlisis y diseo son herramientas muy importantes para el ingeniero que realiza control. El
control automtico surge para liberar al hombre de tareas repetitivas, donde la complejidad del sistema a
controlar es elevada o la operacin es riesgosa, puede haber una gran cantidad de motivos por la cual se
opta por el control automtico. El control manual es llevado a cabo por personas que conocen (aunque sea
de manera aproximada) el proceso a controlar y saben cmo debe ser el resultado de su control y como
lograrlo, en la industria, estas personas (operarios) cuentan con experiencia y conocimiento suficiente para
cumplir con los objetivos de control. Este concepto de experiencia o base de conocimiento es muy importante
en sistemas de control difuso.
5.2 Lgica difusa y sistemas de control
La incorporacin de lgica difusa a los sistemas de control da lugar a lo que llamaremos sistemas de control
difuso. Dentro de los sistemas de control se encuentran dos grandes reas, el modelado o identificacin y el
control propiamente dicho o control directo. Nos enfocaremos en el control de procesos suponiendo conocido
el modelo de este. La idea es muy simple, se trata de determinar de manera lgica que se debe hacer para
lograr los objetivos de control de mejor manera posible a partir de una base de conocimiento proporcionada
por un operador humano, sin esta base no es posible desarrollar una aplicacin y que esta funcione de
manera correcta. Se utiliza el conocimiento y experiencia de un operador humano para construir un
controlador que emule el comportamiento de tal persona. Comparado con el control tradicional, el control
difuso tiene dos ventajas prcticas, una es que el modelo matemtico del proceso a controlar no es requerido
y otra es que se obtiene un controlador no lineal desarrollado empricamente sin complicaciones
matemticas, en realidad los desarrollos matemticos de este tema todava estn en su infancia. [1][2] En el
presente trabajo se usa de manera indistinta los siguientes trminos para referirse a: lgica difusa: fuzzy

logic, lgica borrosa; para sistemas de control: fuzzy system, control borroso, control fuzzy; controladores con
lgica difusa: fuzzy logic controllers (FLC), fuzzy inference system (FIS), controladores fuzzy, controlador
borroso o difuso.