Professional Documents
Culture Documents
Abstract The article presents a study concerning to the Fuzzy System. Describing a brief
history since its emergence, concepts, features, fuzzy theory sets, relevance functions ,
examples, linguistic variation, fuzzy system, areas of application, applications, studies of the
area, benefits and prospects.
1 Introdução
Lidar com fatores como ambigüidade, incerteza e informações vagas na
resolução de problemas é uma característica do pensamento humano, que usa
o conhecimento adquirido e experiências para lidar com esses fatores
[Klir,1997] [Mukaidono,2001]. A modelagem computacional convencional não
trabalha com ambigüidades, pois utiliza o conceito de verdadeiro ou falso
[Mukaidono, 2001]. A precisão computacional também é limitada, deixando
sempre uma margem, por mínima que seja, para a incerteza [Klir, 1997]. Em
meio a tanta imprecisão e incertezas, foi desenvolvida, por Zadeh, a Teoria dos
Conjuntos Fuzzy, ou Conjuntos Nebulosos, onde se permite tratar esses níveis
de incertezas e ambigüidade.
O artigo pretende, de forma resumida, abordar essa teoria desenvolvida por
Zadeh, alguns conceitos e algumas aplicações práticas.
Além desses conceitos e aplicações, pretende-se passar um breve histórico do
surgimento da Lógica Fuzzy, bem como suas áreas de aplicações, os estudos
voltados a essa área, suas vantagens e perspectivas.
2 Histórico
Aristóteles foi o fundador da ciência da lógica, e estabeleceu um conjunto de
regras rígidas para que conclusões pudessem ser aceitas logicamente válidas.
O emprego da lógica de Aristóteles levava a uma linha de raciocínio lógico
baseado em premissas e conclusões. Desde então, a lógica Ocidental, assim
chamada, tem sido binária, isto é, uma declaração é falsa ou verdadeira, não
podendo ser ao mesmo tempo parcialmente verdadeira e parcialmente falsa.
Esta suposição e a lei da não contradição, que coloca que "U e não U" cobrem
todas as possibilidades, formam a base do pensamento lógico Ocidental.
A lógica de Aristóteles trata com valores "verdade" das afirmações,
classificando-as como verdadeiras ou falsas. Muitas das experiências humanas
não podem ser classificadas simplesmente como verdadeiras ou falsas, sim ou
não, branco ou preto. Na verdade, entre a certeza de ser e a certeza de não
ser, existem infinitos graus de incerteza. Esta imperfeição à informação
representada numa linguagem natural, tem sido tratada matematicamente no
passado com o uso da teoria das probabilidades
Se a "lógica difusa" tem uma origem, esta reside na tentativa da Lógica de se
adaptar aos paradoxos de Russel e à incerteza de Heisenberg. O lógico
polonês Jan Lukasiewicz desenvolveu uma lógica "multivalente" nos anos de
1920, refinando a lógica binária do sim-não, da física newtoniana, para permitir
estados indeterminados. Em 1965, o matemático Lotfi Zadeh, de Berkeley,
aplicou essa nova lógica à teoria dos conjuntos, em seu artigo "Conjuntos
Difusos", que depois emprestou seu nome à lógica.
3 Conceitos
A Lógica Difusa, ou Fuzzy Logic pode ser definida como sendo uma ferramenta
capaz de capturar informações vagas, em geral descritas em uma linguagem
natural e convertê-las para um formato numérico, de fácil manipulação pelos
computadores de hoje em dia.
A Lógica Difusa, com base na teoria dos “Conjuntos Nebulosos (Fuzzy Set)”,
tem se mostrado mais adequada para tratar imperfeições da informação do que
a teoria das probabilidades.
4 Características
• A Lógica Difusa está baseada em palavras e não em números, ou seja,
os valores verdades são expressos lingüisticamente. Por exemplo:
quente, muito frio, verdade, longe, perto, rápido, vagaroso, médio, etc.
• Possui vários modificadores de predicado como por exemplo: muito,
mais ou menos, pouco, bastante, médio, etc.
• Possui também um amplo conjunto de quantificadores, como por
exemplo : poucos, vários, em torno de, usualmente.
• Faz uso das probabilidades lingüísticas, como por exemplo : provável,
improvável, que são interpretados como números fuzzy e manipulados
pela sua aritmética.
• Manuseia todos os valores entre 0 e 1, tomando estes, como um limite
apenas.
• Embora tenham limitações, os sistemas difusos apresentam
peculiaridades interessantes cujas principais características são:
• Estimam funções entrada-saída;
• Estimam funções sem o uso de modelos matemáticos;
• Aprendem por experiência, a partir de dados numéricos e/ou de dados
lingüísticos;
• Processam informações em uma estrutura paralela;
• Podem ser implementados em software, em circuitos digitais e
analógicos, em hologramas, em dispositivos óticos;
• Processam informações de conhecimento estruturado em forma de
regras;
• Processam informações imprecisas, vagas, nebulosas, incompletas;
• São muito robustos;
• Sistemas difusos adaptativos podem ser construídos e associados a
outras técnicas de busca ou classificação como redes neuronais e
algoritmos genéticos, por exemplo.
• A construção de um sistema difuso não é, em si, um processo complexo.
Mesmo aplicado na modelagem de sistemas reais complexos, envolve
algumas tarefas básicas mais ou menos comuns a qualquer aplicação:
• Escolha das variáveis antecedentes e conseqüentes (de entrada e de
saída);
• Definição dos conjuntos difusos (funções de pertinência);
• Estabelecimento das relações entre as variáveis (regras);
• Interpretação da solução (obtenção de valor determinístico).
• Simulação do sistema (ensaios);
• Para se chegar aos itens apontados, algumas decisões preliminares
precisam ser tomadas. Qualquer modelo de um sistema real, difuso ou
de outra natureza, envolve algum tipo de simplificação. Um sistema real
complexo pode ser decomposto em múltiplos subsistemas, permitindo a
construção de uma estrutura que facilita a análise e o projeto embora
possa, algumas vezes, causar a ocultação de alguma característica ou
relação importante. Seguindo as técnicas usuais de modelagem,
primeiramente procura-se definir qual é a informação que flui para dentro
do sistema difuso, quais são as transformações que essa informação
sofre e qual o resultado que eventualmente o sistema difuso fornece. Ou
seja, uma relação de causa e efeito é estabelecida.
5 Teoria dos Conjuntos Fuzzy
6 Funções de Pertinência
Cada conjunto fuzzy, A, é definido em termos de relevância a um conjunto
universal, X, por uma função denominada de função de pertinência, associando
a cada elemento x um número, A(x), no intervalo fechado [0,1] que caracteriza
o grau de pertinência de x em A. A função de pertinência tem a forma A: X à
[0,1]
Na figura a seguir pode-se representar melhor o conceito de função de
pertinência dos conjuntos de pessoas de estatura baixa, media e alta pelo
método convencional de conjuntos e pelo método fuzzy, no qual são mostradas
as funções de pertinência de cada um dos conjuntos.
Outro exemplo é o conjunto de pessoas felizes. Pode-se dizer que é difuso,
porque muitos de nós somos felizes em um certo grau, talvez em um grau
maior ou em um grau menor, mas quase nunca absolutamente felizes ou
absolutamente infelizes. Uma pesquisa de opinião com perguntas do tipo:
"você está satisfeito com a atuação do presidente? Esse questionamento é
falho, já que muitas pessoas estão satisfeitas ou insatisfeitas somente até certo
ponto. Usar uma escala de 1 a 10 apenas ajuda um pouco, mas ainda estamos
lidando com uma faixa de números precisos para definir uma gama de
opiniões. Nem todas as notas "cinco" vão ser iguais.
Os conjuntos difusos são a chave para as máquinas difusas. A maioria dos
artefatos com os quais se está familiarizado são "burros" — isto é, rigidamente
programados. Sua televisão ou está ligada ou não está; o brilho está em 6 e o
contraste em 3. Um sistema de aquecimento controlado por termostato é o
exemplo clássico da máquina burra. Quando a temperatura cai abaixo de
determinado ponto, o calor é ligado; quando ela ultrapassa essa temperatura, o
calor é desligado. O mecanismo é binário: o calor está "ligado" ou "desligado",
e quando está ligado, está sempre no mesmo grau.
Os conjuntos difusos são a chave para as máquinas difusas. A maioria dos
artefatos com os quais se está familiarizado são "burros" — isto é, rigidamente
programados. Sua televisão ou está ligada ou não está; o brilho está em 6 e o
contraste em 3. Um sistema de aquecimento controlado por termostato é o
exemplo clássico da máquina burra. Quando a temperatura cai abaixo de
determinado ponto, o calor é ligado; quando ela ultrapassa essa temperatura, o
calor é desligado. O mecanismo é binário: o calor está "ligado" ou "desligado",
e quando está ligado, está sempre no mesmo grau.
A famosa máquina de lavar difusa trabalha no mesmo princípio, mantendo um
olho eletrônico em uma gama de variáveis, calculando médias ponderadas e
ajustando suas instruções em resposta. “Que tipo de tecidos temos aqui?”
“Estão muito ou pouco sujos?” “Estamos lidando com graxa, ketchup, café,
barro, suor?” “A carga é grande?” Todas essas variáveis se expressam de
forma gradativa e a máquina de lavar inteligente calibra suas respostas
interativamente. De maneira semelhante, câmeras de vídeo inteligentes
ajustam com precisão seu foco e sua abertura; aparelhos de TV inteligentes
acompanham e ajustam o brilho e o contraste de uma imagem instável.
7 Variáveis Lingüísticas
Uma das grandes vantagens do uso da lógica fuzzy é a possibilidade de
transformar linguagem natural em conjuntos de números, permitindo a
manipulação computacional. Zadeh definiu variáveis lingüísticas como
“variáveis as quais os valores são palavras ou sentenças em linguagem natural
ou artificial. As variáveis lingüísticas assumem valores chamados
lingüísticos, como por exemplo os valores frio, morna, quente são relativos
à variável temperatura da água.
8 Sistema Fuzzy
Os sistemas difusos estimam funções com descrição parcial do comportamento
do sistema, onde especialistas podem prover o conhecimento heurístico, ou
esse conhecimento pode ser inferido a partir de dados de entrada-saída do
sistema. Pode-se dizer que os sistemas difusos são sistemas baseados em
regras que utilizam variáveis lingüísticas difusas (conjuntos difusos) para
executar um
processo de tomada de decisão.
Um sistema de Inferência pode ser composto de 5 blocos principais:
(a) Direita
(b) Esquerda
(c) Reto
Nota-se que muitas áreas são classificadas como Floresta e também como
Lagoa Seca, tal como ocorreu na classificação dicotômica. O mesmo ocorreu
na classificação difusa relativa às outras classes que não estão mostradas. Na
figura 6 mostra-se um mapa de incerteza na classificação difusa na qual as
áreas em branco indicam elevado índice de incerteza.
Mapa de Incerteza na Classificação Difusa
14 Vantagens e Perspectivas
Vantagens:
• Requer poucas regras, valores e decisões;
• Mais variáveis observáveis podem ser valoradas;
• O uso de variáveis lingüísticas nos deixa mais perto do pensamento
humano;
• Simplifica a solução de problemas;
• Proporciona um rápido protótipo dos sistemas;
• Simplifica a aquisição da base do conhecimento.
Perspectivas:
15 Conclusão
A lógica fuzzy foi desenvolvida para o tratamento de fatores como a incerteza
e ambigüidade na definição de parâmetros de um sistema que aumentam muito
a complexidade da modelagem, e muitas vezes se tornam inviáveis.
Este tipo de lógica permite que sejam quantificadas variáveis lingüísticas que
se dá através da teoria de conjuntos fuzzy, a qual possibilita ter graus de
pertinência entre um elemento e os conjuntos ao qual pode pertencer. Constrói-
se uma base de regras onde os valores podem ser imprecisos, dando
flexibilidade e facilitando a compreensão do problema. Nota-se que as
características da lógica fuzzy atraíram a atenção de várias linhas de
pesquisa, que incorporam conhecimento fuzzy em modelos heurísticos
híbridos e sistemas de controle de processos complexos.
16 Referências
[Klir, 1997] KLIR, George, CLAIR, Ute H. St., YUAN, Bo. Fuzzy Set Theory –
Foundations and Applications, Estados Unidos : ed. Prentice Hall, 1997.
[Rao, 1995] RAO, Valluru B., RAO, Haygriva V., Neural Networks & Fuzzy
Logic, New York: ed. Miss Press, 1995, 2a. edição.