INTRODUÇÃO À LÓGICA FUZZY

PROF. DURVAL DE ALMEIDA SOUZA

VITÓRIA DA CONQUISTA , BA,FEVEREIRO DE 2006

 1 - INTRODUÇÃO
SUMÁRIO
1.1 - Histórico

Na década de 60 um professor do Departamento de Ciência da Computação, da

1 - INTRODUÇÃO ..........................................................................................................2 Universidade de Berkeley, chamado Lotfi A. Zadeh, com base na teoria clássica de
1.1 - Histórico ................................................................................................2 conjuntos, desenvolveu a Lógica Fuzzy. Zadeh sentiu-se motivado pela convicção de
1.2 - Motivação ..............................................................................................2
1.3 - Definições .............................................................................................3 que os métodos tradicionais de análise eram inadequados para descrever sistemas
1.4 – O que é a Lógica Fuzzy ?....................................................................3 nos quais as variáveis não estivessem relacionadas por equações diferenciais, ou
1.5 - Como se Opera com a Lógica Fuzzy ?...............................................4
1.6 - Por que Usar a Lógica Fuzzy ? ...........................................................4 seja, em campos nos quais os sistemas são de natureza mais humanística do que
2 – TEORIA DE CONJUNTOS FUZZY..........................................................................4 mecanicistas, pois os métodos tradicionais são voltados para o uso de técnicas
2.1 – Conjuntos Clássicos ...........................................................................4
2.2 – Definição de Conjunto Fuzzy .............................................................5 numéricas.
2.3 – Função de Pertinência ........................................................................7
2.4 – Propriedades Básicas dos Conjuntos Fuzzy....................................8
2.5 - Operações Básicas nos Conjuntos Fuzzy .......................................13 No entanto, algumas das idéias da teoria desenvolvidas pelo Prof. Lotfi A. Zadeh já
2.6 – Princípio da Extensão .......................................................................15 haviam sido estudadas por alguns filósofos, lógicos e matemáticos do passado. De
3 – RELAÇÕES FUZZY ...............................................................................................16
3.1 – Discussão Preliminar ........................................................................16 forma que o trabalho de Zadeh se aproxima muito dos trabalhos do filósofo Max
3.2 – Projeção e Extensão Cilíndrica ........................................................17 Black, em 1937, sobre vagueza; e em 1963, sobre raciocínio utilizando conceitos
3.3 – Composição de Relação Fuzzy ........................................................18
4 - TEORIA DA POSSIBILIDADE FUZZY E ARITMÉTICA FUZZY............................20 vagos.
4.1 - Fuzziness e Probabilidade ................................................................20
4.2 - Teoria da Possibilidade .....................................................................20
4.3 - Aritmética Fuzzy.................................................................................21 A primeira aplicação da lógica fuzzy foi implantada pioneiramente por Mandani e
5– LÓGICA FUZZY ......................................................................................................26
Assilian em 1974, para regulação de uma máquina de vapor. Hoje, a lógica fuzzy tem
5.1 – Variáveis Lingüísticas.......................................................................26
5.2 – Modificadores ....................................................................................27 ampla aplicação numa infinidade de sistemas. No Japão, por exemplo, o uso da lógica
5.3 – Lógica Fuzzy ......................................................................................28
fuzzy é bastante difundido em muitas áreas como: em controle de processos, controle
6 – APLICAÇÃO DA LÓGICA FUZZY .......................................................................30
6.1 – Uma Aplicação Particular da Lógica Fuzzy – O Controlador Fuzzy de veículos, operações de trens automáticos e etc.
......................................................................................................................30
6.1.1 - Base de Conhecimento.................................................31
6.1.2 – Interface de Fuzzificação ...............................................32 1.2 - Motivação
6.1.3 – Tomada de Decisão ou Inferência “Fuzzy”..................32
6.1.4 – Interface de Defuzzificação ...........................................33
O uso da lógica fuzzy em sistemas computacionais aplicados a controle de processos
7– CONCLUSÃO .........................................................................................................33
8 – REFERÊNCIA BIBLIOGRÁFICA..........................................................................33 é motivado por algumas situações que estão relacionados à natureza humana ou que
são complexos demais para serem implementados por computação numérica
convencional.
Alguns desses motivadores são citados a seguir:

1º - Na vida prática cerca de 99% dos problemas a se resolverem são: 1.3 - Definições
complexos demais para aplicações de modelos convencionais ou clássicos; a maioria
Lógica clássica: É a ciência dos princípios formais e normativos do
dos problemas são definidos de maneira vaga, imprecisa ou incertas; as dificuldades
raciocínio. Constitui um mecanismo que possibilita descrever
qualitativas ( como: dirigir com velocidade mais ou menos baixa; ou deixar a
relações entre símbolos.
temperatura da água um pouco quente; etc) não impedem normalmente que se
Lógica fuzzy: É a ciência dos princípios formais e normativos do
cheguem a resultados quantitativos.
raciocínio aproximado, considerando o raciocínio preciso como
caso limite.
2º - Algumas classes de objetos não admitem tratamento convencional. Essas
classes dependem da nossa habilidade de inferir uma resposta para a questão,
1.4 – O que é a Lógica Fuzzy ?
baseada no conhecimento prévio que detemos sobre a questão em pauta.

É uma ferramenta matemática que permite:

Ex: João é mais alto que a maioria dos seus amigos.

extrair conclusões categóricas a partir de situações com certa

Quão alto é João ?
ambigüidade, assemelhando ao comportamento humano na
tomada de decisões;
A resposta a esta questão depende do conceito de alto de que se tem.
encontrar soluções precisas a partir de dados aproximados;
expressar o conhecimento de um especialista ( ou de um operador
3º - Além das situações anteriores existem, ainda, problemas que apesar de se
de um sistema) em linguagem natural;
chegarem a número precisos, a questão da precisão não é importante ou até mesmo,
expressar conceitos subjetivos ( muito quente; mais ou menos frio;
ela pode vir a impedir que uma solução que satisfaça as condições especificadas seja
etc);
encontrada.
operar com conceitos subjetivos;
construir algoritmos de decisões computacionais para obter
Ex: Parar perto da faixa de pedestre; e
conclusões concretas a partir de informações vagas, imprecisas e
incertas.
Parar a 5,987 cm da faixa de pedestre.

3
1.5 - Como se Opera com a Lógica Fuzzy ?
Boa parte dos modelos de controle utilizando lógica fuzzy, está baseado no
conhecimento de um especialista ou de um operador (humano) de processos. Assim,
as tomadas de decisões estão baseadas na construção de um “modelo mental” do
problema a ser solucionado. Isto envolve:
raciocinar sobre situações vagas, imprecisas ou pouco conhecidas;
manipulação de idéias e conceitos subjetivos;
definir variáveis e predicados lingüísticos;
buscar um algoritmo para tratar com todos esses conceitos (vagos,
imprecisos, etc) e que tenha flexibilidade para tratar vários casos
com mesmo núcleo de decisão.
1.6 - Por que Usar a Lógica Fuzzy ?
possui flexibilidade de ajuste fino da solução;
permite realizar computação com palavras.
2 – TEORIA DE CONJUNTOS FUZZY
2.1 – Conjuntos Clássicos
Um conjunto clássico é definido como uma coleção de objetos, pessoas, animais, ou
coisas as quais chamamos de elementos do conjunto e denominamos de forma mais
geral por { x }, pertencente a um universo U, x ∈U.
Um elemento pode pertencer ou não pertencer a um dado conjunto. Assim, indicamos
que um elemento pertence a um dado conjunto utilizando o símbolo ∈ e quando não
pertence utilizamos o símbolo ∉.

Devido a sua flexibilidade e a sua aproximação com o raciocínio humano, podemos

x ∈ A (lê-se: x pertence a A)
dizer que a lógica fuzzy é altamente recomendada para situações do tipo:

x ∉ A (lê-se: x não pertence a A)

sistemas definidos de maneira vaga, imprecisa ou incerta;
sistemas modelados empiricamente;
Os símbolos ∈ e ∉ são utilizados para relacionar elementos com conjunto. A definição
sistemas poucos conhecidos ou muito complexos.
acima é a definição de conjuntos ordinários ou primários. Para distinguir estes
conjuntos dos conjuntos fuzzy, chamaremos os conjuntos ordinários de conjuntos
Uma outra justificativa reside no fato de que a lógica fuzzy:
clássicos ou “crisp”.

utiliza um novo paradigma;

Um outro conceito importante na teria de conjuntos, é o conceito de função
é uma metodologia de projeto alternativa;
característica, a qual é definida como a função utilizada para expressar a pertinência
pode-se obter menor custo com desempenho superior;
de um elemento x pertencente ao conjunto “A” contido no universo ”U”.
modela o comportamento do especialista e não o sistema em si
mesmo;

4
 µ A
: U → {0,1}
2.2 – Definição de Conjunto Fuzzy

1, sse x ∈ A
µ (x ) = 0, caso contrário
Segundo o Prof. Lotfi A. Zadeh, “ a teoria de subconjuntos fuzzy constitui, de fato, um
A
 passo na aproximação entre a precisão da matemática clássica e a pervasiva
imprecisão do mundo real”.

Seja {
U = x ∈ R+ } e {
A = x ∈ R + / 5 ≤ x ≤ 10 }. O gráfico a seguir
Os conjuntos fuzzy podem ser considerados como uma abordagem matemática para

representa bem a função característica de A, µ A (x ) onde podemos ver a representar ambigüidade lingüística.Toda linguagem natural e toda comunicação ou
troca de informação a ela associada, contém conceitos vagos e ambigüidade. A teoria
pertinência e a não pertinência de cada elemento. Note que µ A (x ) possui fronteiras fuzzy (muitos autores traduz para o português como teoria nebulosa) é uma
abruptas e bem definidas entre a pertinência, 1, e a não pertinência, 0. generalização da teoria clássica de conjuntos, onde a fronteira de pertinência, na
função característica, não necessariamente tem que ser abrupta, cabendo a
subjetividade.
µA(x)

1 Um conjunto fuzzy A. no universo do discurso U pode ser definido como sendo um

conjunto de pares ordenados,

x ∈ U
0 5 10
A = {(x, µ A ( x )) / x ∈ U }
FIGURA 2.1

Contudo, várias classes de objetos existentes na natureza não possui uma definição
precisa e clara sobre a pertinência de um elemento, x, em um conjunto A. Assim,
nestes casos a teoria clássica se torna inadequada e inconveniente para representar onde, µ A (x ) será chamado de função de pertinência e representa o grau de
tais conjuntos. pertinência de x em A.
5
Exemplo 2.1: Na sua forma contínua, um conjunto fuzzy A pode ser representado da seguinte
forma:

Seja U ∈R e A = {x ∈ U / x é próximo de 5} . Seja também, sua função

de pertinência fuzzy representada pelo gráfico a seguir: A= ∫ µ A (x ) / x
U

µA(x) onde o símbolo de integral representa a união dos conjuntos unitário fuzzy. Se o
1,0 conjunto é discreto, então podemos representar o conjunto fuzzy A da seguinte forma:

n
A = ∑ µ A ( x ) / xi
0,5 i =1

U ou de outra forma:

3 4 5 6 7 x
A = µ A ( xi ) / xi + µ A ( x2 ) / x2 + ... + µ A ( xn ) / xn
FIGURA 2.2

No exemplo acima, a função de pertinência pode ser representada pela função: Cabe ressaltar que o sinal + (mais) não significa soma aritmética, e sim união. O
símbolo / (barra) não expressa uma divisão, sendo somente para separar cada
elemento do seu respectivo grau de pertinência.
1
µ A (x ) = 1 + 10(x − 5)2
Exemplo 2.2:

Assim, podemos representar o conjunto fuzzy, A, da seguinte forma: Para a representação do caso contínuo, podemos usar a função de pertinência do
exemplo 2.1.


[
A =  ( x, µ A ( x )) / µ A ( x ) = 1 + 10( x − 5)2 ]
−1 

  1 
A = ∫ 2
/x
R 1 + 10( x − 5) 

6
Exemplo 2.3 0 0 0,1 0,5 0,8 1 0,8 0,5 0 0
B = Estatura Mediana = + + + + + + + + +
155 160 165 170 175 180 185 190 195 200
Seja U o conjunto das possíveis estaturas de um grupo de jogadores de voleibol em
centímetros, U= {155,160,165,170,175,180,185,190,195,200}. Seja também três
conjuntos fuzzy, A = Estatura Alta; B = Estatura Mediana; e C=
Estatura Baixa. Considere a tabela abaixo onde esses conjuntos são representados
com suas respectivas funções de pertinência. 1 1 0,9 0,7 0,5 0,3 0,1 0 0 0
A = Estatura Baixa = + + + + + + + + +
Tabela 2.1 – Conjuntos fuzzy 155 160 165 170 175 180 185 190 195 200
Altura ( cm ) A = Estatura Alta B = Estatura Mediana C = Estatura Baixa

155 0 0 1

160 0 0 1

165 0 0,1 0,9 Uma outra forma de representar o conjunto fuzzy A, por exemplo, seria através de

170 0 0,5 0,7 pares ordenados (x, µ A (x )) .

175 0,1 0,8 0,5

180 0,3 1 0,3

185 0,5 0,8 0,1

190 0,8 0,5 0

A = {(155;0 ), (160;0 ), (165;0 ), (170;0 ), (175;0,1), (180;0,3), (185;0,5), (190;0,8), (195;1), (200;1)}

195 1 0 0

200 1 0 0 Da mesma forma segue para B e C.

Assim, podemos representar cada conjunto, A, B e C como segue:

2.3 – Função de Pertinência

0 0 0 0 0,1 0,3 0,5 0,8 1 1

A = Estatura Alta = + + + + + + + + +
155 160 165 170 175 180 185 190 195 200
A função de pertinência fuzzy, que representa o grau de pertinência de um conjunto
fuzzy A, é na maioria das vezes definida com base no conhecimento de especialista
e, portanto, muito subjetiva, variando de acordo com o problema.
7
 A seguir são mostrados alguns tipos de funções de pertinência: 2.4 – Propriedades Básicas dos Conjuntos Fuzzy

a) Suporte

O suporte de um conjunto fuzzy A, é um conjunto clássico ou “crisp” onde todos os

1,0 1,0
elementos pertencem ao universo do discurso, x ∈U , tal que µ A (x ) > 0 .
0,75 0,75

0,50 0,50 Suporte A = {x ∈ A / µ A ( x ) > 0}

µA(x)
0,25 1
0,25

0 5 10 0
5 10
a) Triangular b) Trapezoidal

1,0
1
0,75 U
0

0,50 Suporte

0,25 FIGURA 2.4

0 5 10 5 Exemplo 2.4:

c) Monotônica d) Gaussiana Tomemos com exemplo os conjuntos fuzzy A, B e C do exemplo 2.3. Assim,
tem-se:

FIGURA 2.3
Suporte A = {175, 180, 185, 190, 195, 200}

8
Suporte B = {165, 170, 175, 180, 185, 190} O núcleo de um conjunto fuzzy é um conjunto “crisp” onde todos os seus elementos

possuem grau de pertinência igual a 1, ou seja, x ∈U tal que µ A (x ) = 1 .

Suporte C = { 155, 160, 165, 170, 175, 180, 185}
Núcleo( A) = {x / µ A ( x ) = 1}
µA(x)
Se µ A ( x ) é definida como uma função de pertinência contínua, então: 1

0, para155 ≤ x ≤ 170

µ A ( x ) = µ Estatura Alta ( x ) = 
{
 1 + [(x - 170 ) / 5] }
− 2 −1
, para 170 < x ≤ 200

Suporte A = Intervalo (170, 200] 0 x ∈ U

Centro
b) Conjunto Fuzzy Vazio

Um conjunto fuzzy cujo µ A (x ) = 0 para todos os seus elementos é dito vazio. FIGURA 2.5

Assim, o suporte de um conjunto vazio é também um conjunto “crisp” vazio.

c) Conjunto Fuzzy Unitário

e) Altura

Um conjunto fuzzy é dito unitário, quando o seu suporte possui um único elemento em

U com µ A ( x ) = 1 , e é referido como um “fuzzy singleton”. A altura de um conjunto fuzzy A é o supremo de µ A ( x ) sobre U.

A = µ A (x ) / x Altura ( A) ≡ sup µ A (x )
x

d) Núcleo ou Centro

9
 µA(x) h) Ponto de Cruzamento ( “Crossover point”)
1
São os pontos onde os elementos possuem grau de pertinência igual 0,5, ou seja
A
l 1
t µ A (x ) = .
2
u
r µi
a 1,0
0
x ∈ U Jovens Velhos
0,75
FIGURA 2.6
0,5
Se o conjunto fuzzy for normalizado, sua altura é igual a 1. Um conjunto fuzzy A pode Crossover
0,25
ser normalizado dividindo-se µ A ( x ) por Altura ( A) .
U
f) Igualdade de Conjuntos Fuzzy 0 10 20 30 40 50 60 70 80 90 100
FIGURA 2.7
Dois conjuntos fuzzy A e B são iguais, se e somente se:
i) α - Corteα

µ A (x ) = µ B (x )
Um α-corte de um conjunto fuzzy A, é um conjunto clássico, Aα, que contém todos os
elementos do conjunto universo, U, os quais possuem função de pertinência maior ou
g) Subconjunto - A⊂ B igual a α.

Um conjunto fuzzy A está contido em um outro conjunto fuzzy B, se e somente se:

Aα = { x ∈ U / µ A ( x ) ≥ α } α ∈ (0,1]
µ A (x ) ≤ µ B (x )

10
Exemplo 2.5 k) Convexidade

Seja o conjunto fuzzy, B, do exemplo 2.3: Um conjunto fuzzy é convexo se e somente se cada um dos seus α-cortes forem um
conjunto convexo. De outra forma podemos dizer, também, que um conjunto fuzzy é
0 0 0,1 0,5 0,8 1 0,8 0,5 0 0
B = Estatura Mediana = + + + + + + + + + convexo se e somente se:
155 160 165 170 175 180 185 190 195 200

µ A (λx1 + (1 − λ )x2 ) ≥ min (µ A ( x1 ), µ A ( x2 ))

B0,5 = {170, 175, 180, 185, 190}
onde, x , x2 ∈ U e λ ∈ [0,1]
µA1
Se Aα = {x ∈ U / µ A ( x ) > α } , então, dizemos que o α-corte é forte.
1,0
j) Conjunto dos Níveis

O conjunto de todos os níveis α ∈ (0, 1] que representam distintos α-cortes de um

dado conjunto fuzzy A, é chamado conjunto dos níveis de A.
0 X1 X2 x
Λ A = {α / µ A ( x ) = α } para x ∈ U µA a)Convexo

Exemplo 2.6: 1,0

Λ A = Λ Estatura Alta = { 0,1; 0,3; 0,5; 0,8; 1}

Λ B = Λ Estatura Mediana = { 0,1; 0,5; 0,8; 1} 0 X1 XA XB X2 x

b)Não Convexo
Λ C = Λ Estatura Baixa = { 0,1; 0,3; 0,5; 0,7; 0,9; 1} FIGURA 2.8

11
l) Número Fuzzy

Número fuzzy é um caso particular de um conjunto fuzzy, convexo, normalizado n) Cardinalidade

definido na reta dos números reais, R, onde a função de pertinência é contínua por
partes e cada α-corte é um intervalo fechado. A cardinalidade escalar de um conjunto fuzzy é o somatório dos graus de pertinência
de todos os elementos de x em A.
m) Partição Fuzzy

Uma partição é uma n-upla de conjuntos fuzzy (A1, A2, A3, ..., An) contidos no universo
do discurso U, onde:
A = ∑ µ (x )
x∈U
A

n
∀x ∈ U , ∑ µ (x ) = 1
j =1
A
A cardinalidade relativa de A é definida como:

A1 A2 A3 A4 A5
1.0 A
A Re l =
U
0.5

x onde U = número de elementos do universo U.

a)Partição Linear
1.0 B1 B2 B3 B4 B5 B6 Quando um conjunto fuzzy tem um suporte finito, sua cardinalidade pode ser definida
como um conjunto fuzzy. Esta cardinalidade foi definida por Zadeh [1978] e é
denominada por:
0.5

α
x
Af = ∑ Aα
b) Partição não linear α∈Λ A

FIGURA 2.8

12
 A0,8 = 3
Exemplo 2.6:

A1 = 2
Seja o conjunto fuzzy A das “Estaturas Altas” do exemplo 2.1, assim, tem-se:

A = 0,1 + 0,3 + 0,5 + 0,8 + 1 + 1 = 3,7 0,1 0,3 0,5 0,8 1

Af = + + + +
6 5 4 3 2

3,7
A Re l = = 0,37 onde a cardinalidade fuzzy pode ser interpretada como aproximadamente 3.
10
o) Propriedade Fundamental de Conjuntos Fuzzy

A0,1 = {175, 180, 185, 190, 195, 200}

A∩ A ≠ φ
Note que A0,1 é um conjunto “crisp” e, portanto, seu grau de pertinência para todos os
elementos pertencentes ao conjunto é igual a 1.
A∪ A ≠ U

A0,1 = 1 + 1 + 1 + 1 + 1 + 1 = 6 Portanto, a lei do meio termo excluído e a lei da contradição não são válidas em
conjuntos fuzzy.

A mesma observação anterior serve para os demais conjuntos de α-cortes.

2.5 - Operações Básicas nos Conjuntos Fuzzy

A0,3 = 5 Sejam A e B dois conjuntos fuzzy no universo do discurso U:

a) Intersecção

A0,5 = 4
A intersecção entre A e B, A ∧ B , é definida por:

13
µ A∩ B (x ) = min[µ A (x ), µ B (x )] = µ A (x ) ∧ µ B (x ) ∀x ∈ U b) União

onde o conectivo ∧ equivale a intersecção. A união de dois conjuntos fuzzy A e B, denotado por A ∪ B , é definida por:

Às operações de intersecção, estão associadas as normas triangulares ou t- µ A∪ B ( x) = max[µ A ( x ), µ B ( x )] ≡ µ A ( x ) ∨ µ B ( x ) ∀x ∈ U

normas. Além do mínimo, existem algumas operações de intersecção, as quais serão
mostradas, logo em seguida, aquelas mais comuns.
Mínimo: µ A∩ B ( x ) = µ A ( x ) t µ B (x ) = min[µ A ( x ), µ B ( x )] = µ A (x ) ∧ µ B (x )
A união é equivalente ao conectivo ∨ (ou). As operações de união mais comuns estão
associadas às co-normas triangulares, t-conormas, ou também chamadas de s-
normas e serão apresentadas a seguir:

Produto Limitado: µ A∩ B (x ) = µ A (x ) t µ B (x ) = µ A (x ) ⊗ µ B (x ) = máx[0, (µ A (x ) + µ B (x ) − 1)] Máximo: µ A∪ B ( x) = µ A ( x ) s µ B ( x ) = max[µ A ( x ), µ B ( x )]

Produto Drástico: Soma Algébrica:

µ A∪ B ( x ) = µ A ( x ) s µ B ( x ) = µ A + B ( x ) = µ A ( x ) + µ B ( x ) − µ A ( x ) ⋅ µ B ( x )
∧
µ A ( x ), se µ B (x ) = 1

µ A∩ B ( x ) = µ A (x ) t µ B ( x ) = µ A (x ) ⋅ µ B ( x ) = µ B (x ), se µ A (x ) = 1 Soma Limitada:
0, se µ A (x ), µ B ( x ) < 1


µ A∪ B ( x) = µ A ( x ) s µ B ( x ) = µ A⊕ B ( x ) = min[1, µ A ( x ) + µ B ( x )]
OBSERVAÇÃO: A maior entre as normas triangulares é a intersecção (mínimo) e a
Soma Drástica:
menor é o produto drástico.

∧ •
µ A ( x ), se µ B (x ) = 0
µ A ( x ) ⋅ µ B ( x ) ≤ µ A ( x ) tµ B ( x ) ≤ µ A ( x ) ∧ µ B ( x ) 
µ A∪ B ( x ) = µ A (x ) s µ B ( x ) = µ A (x )∨ µ B ( x ) = µ B ( x ), se µ A (x ) = 0
1, se µ A (x ), µ B ( x ) > 0


14
Soma Disjunta: f) Produto Cartesiano

µ ∪ B (x ) = µ A (x ) s µ B ( x ) = µ A∆B ( x ) = máx{ mín[µ A ( x ),1 − µ B ( x )], mín[1 − µ A ( x ), µ B ( x )]} Sejam A1, A2, A3, ...,An conjuntos fuzzy nos seus respectivos universos do discurso,
U1, U2, U3, ... , Un. O produto cartesiano de A1 x A2 x A3 x ...x An é um conjunto fuzzy
no espaço do produto U1 x U2 x U3 x ... x Un com função de pertinência dada por:
OBSERVAÇÃO: A menor entre as co-normas triangulares é a união, e a maior é a

soma drástica.
•
µ A ( x ) ∨ µ B (x ) ≤ µ A (x ) s µ B (x ) ≤ µ A (x )∨ µ B (x ) µ A XA XA X .. X . A ( x1 , x2 , x3 ,..., xn ) = min[µ A ( x1 ), µ A ( x2 ), µ A ( x3 ),..., µ A ( xn )]
1 2 3 n 1 21 3 n

c) Complemento
x1 ∈ U1 , x2 ∈ U 2 , ... , xn ∈ U n
O complemento está associado ao conectivo NÃO e é definido como sendo o
conjunto cujo grau de pertinência é exatamente 1 menos o grau de pertinência do 2.6 – Princípio da Extensão
conjunto original.
O princípio da extensão, introduzido por Zadeh [1978] é uma das ferramentas mais

µ A (x ) = 1 − µ A (x ) ∀x ∈ U importantes da teoria de conjuntos fuzzy. Este princípio permite a generalização dos

conceitos da matemática clássica para conjuntos fuzzy. Especificamente, o princípio
da extensão permite que um mapeamento f de pontos em um universo U seja
d) Dupla Negação
estendido para conjuntos fuzzy de U.

A= A Dada a função f :U → V e um conjunto fuzzy A em U, onde

e) Leis de De Morgan
A = µ1 ( xi ) / xi + µ 2 ( x2 ) / x2 + ... + µ n ( xn ) / xn , pelo princípio da extensão
podemos afirmar que :

A∪ B = A∩ B

A∩ B = A∪ B f ( A) = f (µ1 (xi ) / xi + µ 2 (x2 ) / x2 + ... + µ n ( xn ) / xn ) = µ1 (x1 ) / f (x1 )1 + µ 2 (x2 ) / f (x2 ) + ... + µ n (xn ) / f (xn )

15
Exemplo 2.7:

Seja U = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10} . Um conjunto fuzzy A = “Grande” é dado No caso mais simples, que é considerar dois conjuntos clássicos X1 e X2,

como : A ="Grande" = 0,5 + 0,7 + 0,8 + 0,9 + 1 . R ( X1, X 2 ) = { [( x1, x2 ), µ R ( x1, x2 )]/ ( x1, x2 ) ∈ X1xX 2 }
6 7 8 9 10

Se a função f é uma operação quadrática e é expressa por: y = f ( x ) = x 2 , então é uma relação fuzzy de X1 x X2.

pelo princípio da extensão, o conjunto fuzzy A = “ Grande “ pode ser facilmente

Exemplo 3.1:
calculado como:

Seja
0,5 0,7 0,8 0,9 1
A = ("Grande") = X = {x1 , x2 } = {Salvador (SSA ), Vitória da Conquista (VCO )}
2
+ + + + e
36 49 64 81 100
Y = {y1 , y 2 , y3 } = {Anagé (ANA ), Jequié (JEQ ), Guanambi (GBI )}
3 – RELAÇÕES FUZZY . Seja R a representação da relação “Muito perto”. Se R é uma relação fuzzy, então R

µ R (xi , y j ) .
3.1 – Discussão Preliminar
será definido pela seguinte função de pertinência
A relação fuzzy, introduzida por Zadeh [1965], é usada para representar valores
intermediários entre a presença (1) e a ausência (0) de associação, interação ou
correspondência dos valores de dois ou mais conjuntos. Uma relação fuzzy é definida
como um conjunto fuzzy no produto cartesiano de conjuntos clássicos
y1 y2 y3
{X1 , X 2 , ..., X N }, onde as uplas (x1 , x 2 , ..., x x ) pode variar o grau dentro da x1  0,2 0,4 0,1
R( X ,Y ) =  
relação.
x2 1 0,8 0,7 

R( X 1 , X 2 ,..., X N ) = ∫ µ R ( x1 , x2 ,..., xn ) / (x1 , x2 ,..., xn ) 0,2 0,4 0,1 1 0,8 0,7

X 1 xX 2 x ... xX N R( X , Y ) = + + + + +
(SSA, ANA ) (SSA, JEQ ) (SSA, GBI) (VCO, ANA ) (VCO, JEQ ) (VCO, GBI)
xi ∈ X i

16
3.2 – Projeção e Extensão Cilíndrica Seja uma relação fuzzy R( X ) ou um conjunto fuzzy R em X, denominamos

a) Projeção [R ↑ Y ] de extensão cilíndrica de R em Y. Assim, [R ↑ Y ] é uma relação fuzzy

em X X Y com função de pertinência definida por:
Seja uma relação fuzzy [
R( X , Y ) , denominamos R ↓ Y ] de projeção de R em
Y. então [R ↓ Y] é um conjunto fuzzy (relação) em Y onde a função de pertinência µ[R ↑Y ]( x, y ) = µ R ( x ) ∀x∈X e y∈Y
é definida por:
Podemos usar o produto cartesiano para definir a extensão cilíndrica. Se, por

µ[R ↓Y ]( y ) = máxµ R ( x, y ) exemplo, assumirmos X = {x1, x2 } e Y = {y1, y 2 }

Exemplo 3.2: [R ↑ Y ] = R X Y
Considere a relação R( X , Y ) do exemplo anterior, então: [R ↑ X ] = X X R

[R ↓ X ] = 0x,4 + x1 Se, por exemplo, assumirmos X = {x1, x2 } e Y = {y1, y 2 } sendo

R = µ R ( x1 ) x1 + µ R ( x2 ) x2
1 2
e Y = 1 y1 + 1 y2 , então:

[R ↓ Y ] = y1 + 0y,8 + 0y,7 [R ↑ Y ] = R X Y = µ(xR,(yx1)) + (µxR,(yx1 )) + µ(xR ,(xy2 )) + (µxR ,(xy2 ))

1 2 3
1 1 1 2 2 1 2 2

b) Extensão Cilíndrica

µ R ( y1 ) µ R ( y1 ) µ R ( y2 ) µ R ( y2 )
[R ↑ X ] = X X R= + +
(x1, y1 ) (x1, y2 ) (x2 , y1 ) (x2 , y2 )
+

17
 Seja a relação R = 0,9 y1 + 0,5 y2 + 0,4 y3 e

Exemplo 3.3: X = 1 x1 + 1 x2 + 1 x3 , tem-se:

Seja a relação fuzzy R = 1 x1 + 0,7 x2 + 1 x3 e

Y = 1 y1 + 1 y2 + 1 y3 , então:
[R ↑ X ] = X X R = (x0,,9y ) + (x0,,9y ) + (x0,,91y ) + (x0,,5y ) + (x0,,5y ) + (x0,,5y ) + (x0,,4y ) + (x0,,4y ) + (x0,,4y )
1 1 2 1 3 1 1 2 2 2 3 2 1 3 2 3 3 3

[R↑Y] = R X Y= (x 1, y ) + (x ,1y ) + (x 1, y ) + (x0,,7y ) +(x0,,7y ) + (x0,,7y ) +(x 1, y ) + (x 1, y ) + (x 1, y )

y1 y2 y3
x1  0,9 0,5 0,4 
 
[ ]
1 1 1 2 1 3 2 1 2 2 3 3 3 1 3 2 3 3
R ↑ X = x2  0,9 0,5 0,4 
x3  0,9 0,5 0,4 

y1 y2 y3 3.3 – Composição de Relação Fuzzy

x1 1 1 1 
  Uma das mais importantes operações de relações fuzzy, é a composição de relações
[ ]
R ↑ Y = x2  0,7 0,7 0,7  fuzzy. Há, basicamente, dois tipos de operadores de composição: a) composição

x3 1 1 1  máximo-mínimo; e b) composição mínimo-máximo.

a) Composição máx-mín

Exemplo 3.4:
Sejam as relações P ( X , Y ) e Q(Y , Z) em X X Y e Y X Z, respectivamente. A

composição máx-mín de P e Q, denotada por P( X , Y ) ° Q(Y , Z) , tem a função

de de pertinência definida por:

18
µ P o Q ( x, z ) = máx mín [µ P ( x, y ), µQ ( y, z )] ∀ x ∈ X, z ∈ Z z1 z2
(0,2∧0) ∨(0,1∧1) ∨(0,8∧0,6) (0,2∧0,5) ∨(0,1∧0,8) ∨(0,8∧0,3)  0,6 0,3 x1
= =
( 0,5∧0) ∨(0,3∧1) ∨(1∧0,6) (0,5∧0,5) ∨(0,3∧0,8) ∨(1∧0,3)  0,6 0,5x2

Exemplo 3.5: b) Composição mín-máx

Sejam X = {x1 , x 2 } , Y = {y1 , y 2 , y3 } e Z = {z1 , z 2 } e as relações Sejam as relações P( X , Y ) e Q(Y , Z) , denominamos P( X , Y ) Q(Y , Z)
P( X , Y ) e Q(Y , Z) a composição mín-máx, onde sua função de pertinência é definida por:

[
µ P =Q ( x, z ) = mín máx µ P ( x, y ), µQ ( y, z ) ] ∀ x ∈ X, z ∈ Z

z1 z2
y1 y2 y3
x1  0 0,5  Exemplo 3.6:
x  0,2 0,1 0,8   
P ( X , Y ) = 1   Q(Y , Z ) = x2  0,8 
1 
e
x2  0,5 0,3 Considere o exemplo 3.5 e determine a composição mín-máx das relações P e Q
x3  0,6 0,3 

0 0,5 
0,2 0,1 0,8 
µ P Q ( x, z ) =  1 0,8 =
0,5 0,3 1  
0,6 0,3 
0 0,5 
0,2 0,1 0,8 
µ P o Q ( x, z ) =   o 1 0,8 =
0,5 0,3 1 
0,6 0,3 

19
 z1 z2
(0,2∨0) ∧(0,1∨1) ∧(0,8∨0,6) (0,2∨0,5) ∧(0,1∨0,8) ∧(0,8∨0,3)  0,2 0,3 x1
= =
(0,5∨0) ∧(0,3∨1) ∧(1∨0,6) (0,5∨0,5) ∧(0,3∨0,8) ∧(1∨0,3)  0,5 0,5 x2 Exemplo 4.1:

Suponha um conjunto A = {x1, x 2 , ... , x100 } de 100 aves dentro de um viveiro.

Supondo B um subconjunto de A, contendo 50 aves que só voam. Se for feita uma
escolha aleatória de uma ave, entre as demais que estão no viveiro, a probabilidade
de que esta ave seja uma ave que só voe é P(B)= 0,5 ou 50%. No entanto, se a ave
escolhida for uma ave que voe e mergulhe, podemos dizer que esta ave tem um grau

de pertinência µ B ( x ) = 0,5 no conjunto das aves que só voam.

4 - TEORIA DA POSSIBILIDADE FUZZY E ARITMÉTICA FUZZY

4.2 - Teoria da Possibilidade

4.1 - Fuzziness e Probabilidade

Zadeh evidencia que a imprecisão intrínseca à linguagem natural é, em sua grande

A teoria de conjuntos fuzzy é calcada em informações vagas, imprecisas, ambíguas.
parte, possibilística ao invés de probabilística. Assim, como os conjuntos clássicos, os
Assim, o termo fuzziness está associado à dificuldade de decidir sobre quais
conjuntos fuzzy são caracterizados por seu vetor de pertinência, exceto que os graus
elementos pertencem e quais não pertencem a um dado conjunto e a sua
de pertinências individualmente são multivalentes dentro do intervalo numérico [0, 1].
ambigüidade, caracterizada pela dificuldade em decidir sobre qual entre as classes
Esses graus de pertinências são considerados como medidas que expressam a
A1, A2, A3, ..., An de um universo U, um elemento x pertence.
possibilidade de um dado elemento ser membro de um conjunto fuzzy.

Já a teoria probabilística lida com a incerteza de ocorrência ou não ocorrência de um

determinado evento. Cabe ressaltar que enquanto a função de pertinência descreve o
quanto cada elemento pertence ao conjunto, a função de probabilidade descreve a
probabilidade de cada elemento pertencer ou não a um dado conjunto.
Uma distribuição de possibilidade é definida como um conjunto fuzzy F em um
universo do discurso U, o qual é caracterizado por uma função de pertinência µF ,
com grau de pertinência µ F ( x ) e expressa a compatibilidade de x com F.

20
A função de distribuição de possibilidade associada a um conjunto X é dada por πX e é 4.3 - Aritmética Fuzzy
definida numericamente como a função de pertinência de F.
Como definido na seção 2.3, item l), um número fuzzy é um subconjunto normalizado
e convexo dentro de R onde sua função de pertinência é contínua por partes. Isto é,
π X = µF
cada α-corte Aα, α ∈ [0, 1] , de um número fuzzy A é um intervalo fechado de R e

Exemplo 4.2: o valor da altura de µA é igual a unidade. Assim, dado dois conjuntos fuzzy A e B

em R, para um αi específico, α i ∈ [0, 1] , podemos obter dois intervalos fechados,

[Zadeh, 1978]. Considere a sentença “ Hans come X ovos no café da manhã “ com X

assumindo valores em U = { 1, 2, 3, ..., 8}. [

Aα i = a1(α i ) , a2(α i ) ] para o número fuzzy A e [
Bα i = b1(α i ), b2(α i ) ] para

o número fuzzy B.
Podemos associar uma função de distribuição de possibilidade com X interpretando

π X (x ) como o “ grau de facilidade “ com que Hans pode comer x ovos. Podemos, Considerando as operações aritméticas de intervalos fechados e usando o princípio
da extensão e considerando ainda que um número fuzzy é um intervalo fechado com
também, associar a função de distribuição de probabilidade com X, P(x ) . Os características definidas acima podemos, então, operar com número fuzzy como

valores de π X ( x ) e P (x ) são mostrados na tabela a seguir. segue:

a) Adição e Subtração de Número Fuzzy em R

x 1 2 3 4 5 6 7 8

π X (x ) 1 1 1 1 0,8 0,6 0,4 0,2

[
Aα (+ )Bα = a1α + b1α , aα2 + b2α ]
P(x ) 0,1 0,8 0,1 0 0 0 0 0

[
Aα (− )Bα = a1α − b2α , aα2 − b1α ]
Da tabela podemos observar que ∑ P (x ) = 1 e ∑ π X (x ) não necessariamente
tem que ser 1. Observamos, também, que um alto ou baixo grau de possibilidade não
acarreta um alto ou baixo grau de probabilidade. Eventos que são impossíveis são
também improváveis, porem eventos improváveis não são necessariamente
impossíveis [Zadeh,1978].

21
b) Multiplicação e Divisão de Número Fuzzy em R + = [0, ∞ ] 0, se x ≤ -6
( x + 6 ) 4 , se - 6 < x ≤ -2

µ A (x ) = 
[
Aα (×)Bα = a1α ⋅ b1α , aα2 ⋅ b2α ] (- x + 3) 5 ,
0,
se - 2 < x ≤ 3 e

se x > 3
Multiplicação de um número fuzzy por uma constante:

0, se x ≤ -1
[
(k ⋅ A)α = k ⋅ Aα = k ⋅ a1(α ), k ⋅ a2(α ) ] ( x + 1) 5 ,
 se - 1 < x ≤ 4
µ B (x ) = 
(- x + 10 ) 6 , se 4 < x ≤ 10
 a (α ) a (α )  0, se x > 10
Aα (÷ )Bα =  1(α ) , 2(α )  b(2α ) > 0
 b2 b1  1,0

A B
Exemplo 4.3:

Efetuar a soma e a subtração de dois números fuzzy triangulares A e B mostrados na

0,5
figura abaixo, onde suas respectivas funções de pertinência são definidas como [Lee,
C. S. George & Lin, Chin-Teng]:

x∈U
-16 -12 -8 -4 0 4 8 12 16

FIGURA 4.1

22
Devemos, primeiramente, encontrar os intervalos [a(α ),
1 a2(α ) ] [b(α ),
e 1 b2(α ) ] . Para obtermos a função de pertinência, façamos o seguinte: chamemos c1α e cα2
de x.

a1α + 6
=α ⇒ a1α = 4α − 6 x+7
4 x = 9α − 7 ⇒ α=
9

− aα2 + 3 - x + 13
=α ⇒ aα2 = − 5α + 3 x = −11α + 13 ⇒ α=
5 11

Aα = [4α − 6, - 5α + 3] Lembrando que α ∈ [0, 1] , poderemos obter os limites inferior e superior do

intervalo e a função de pertinência de Aα (+ )Bα será dada por:

α
b1 + 1
=α ⇒ b1α = 5α − 1 se x ≤ -7
5 0,
(x + 7 ) 9 , se - 7 < x ≤ 2

µ A ( + )B ( x ) = 
(- x + 13) 11, se 2 < x ≤ 13
− b2α + 10
=α ⇒ b1α = - 6α + 10 0, se x > 13
6 1,0
A B
Bα = [5α − 1, - 6α + 10]
A+B
0,5
Assim:

Aα (+ )Bα = [9α − 7, - 11α + 13] = c1α , cα2[ ] -16 -12 -8 -4 0 4 8 12 16

x∈U

FIGURA 4.2

23
Usando o mesmo raciocínio encontraremos Aα (− )Bα .

A B
Aα (− )Bα = [10α − 16, - 10α + 4] = c1α , cα2 [ ]
0, se x ≤ -16
(x + 16) 10 , se - 16 < x ≤ -6

µ A ( − )B ( x ) = 
(- x + 4 ) 10 , se - 6 < x ≤ 4
0, se x > 4 x∈ U
5 10 15
FIGURA 4.3

Exemplo 4.4:

Efetuar a multiplicação e divisão de dois números fuzzy triangulares A e B, mostrados

na figura abaixo cujas respectivas funções de pertinência são as seguintes: [Lee, C.
Devemos, primeiramente, encontrar os intervalos [a(α ),
1 a2(α ) ] [b(α ),
e 1 b2(α ) ] .

S. George & Lin, Chin-Teng]

a1α − 1
0, se x ≤ 1 =α ⇒ a1α = 2α + 1
2
( x − 1) 2 , se 1 < x ≤ 3

µ A (x ) =  e
(- x + 6) 3 , se 3 < x ≤ 6
− aα2 + 6
0, se x > 6 =α ⇒ aα2 = − 3α + 6
3

0, se x ≤ 2
(x − 2 ) 2 ,
 se 2 < x ≤ 4 Aα = [2α + 1, - 3α + 6]
µ B (x ) = 
(- x + 7 ) 3 , se 4 < x ≤ 7
0, se x > 7 1,0
b1α − 2 α
=α ⇒ b1 = 2α + 2
2

24 0,5
− b2α + 7 0, se x ≤ 2
=α ⇒ b1α = - 3α + 7
3 (
)
 − 3 + 1 + 4x 4,
µ A(× )B (x ) = 
se 2 < x ≤ 12
( )
 13 - 1 + 4x 6 , se 12 < x ≤ 42
0,
Bα = [2α + 2, - 3α + 7]  se x > 42
1,0
Assim:
AxB
[ ] [
Aα (×)Bα = 4α 2 + 6α + 2, 9α 2 − 39α + 42 = c1α , cα2 ] 0,5

Obtendo a função de pertinência: x∈ U

0 5 10 15 20 25 30 35 40 45
FIGURA 4.4
4α 2 + 6α + 2 = x

Usando o mesmo raciocínio, encontraremos Aα (÷ )Bα .

9α 2 − 39α + 42 = x

 2α + 1 - 3α + 6 
Resolvendo as duas equações acima em α, tem-se:
Aα (÷)Bα =  , 
 − 3α + 7 2α + 2 
(
α = − 3 ± 1 + 4x 4 ) e ( )
α = 13 ± 1 + 4 x 6
0, se x ≤ 1 7
(7 x − 1) (3 x + 2 ), se 1 7 < x ≤ 3 4
OBSERVAÇÃO: o sinal apropriado para raiz quadrada é determinado satisfazendo 
µ A(÷ )B ( x ) = 
α ∈ [0, 1] . (− 2 x + 6) (2x + 3), se 3 4 < x ≤ 3
0, se x > 3

25
5– LÓGICA FUZZY
Seja X = " Quente " com U = {10, 20, 30, ..., 100, 120, 150} e

0,1 0,15 0,2 0,3 0,4 0,5 0,7 0,8 0,9 0,95 1 1
R(x ) = + + + + + + + + + + +
10 20 30 40 50 60 70 80 90 100 120 150
Assim como a teoria de conjuntos fuzzy é uma extensão da teoria de conjuntos
clássicos, a lógica fuzzy também é uma extensão da lógica bivalente clássica. Neste
capítulo apresentaremos ao leitor uma noção básica da lógica fuzzy. Cabe ressaltar R(x) é uma restrição de “ Quente “.
que o assunto não se esgota com essa noção básica ( como está enfatizado, isto é
apenas uma noção básica). Uma variável lingüística onde os valores são palavras ou sentenças em uma
linguagem natural ou artificial, possuindo ordem maior que a variável fuzzy e
Porém, antes de iniciarmos com os operadores da lógica fuzzy, introduziremos o caracterizada por uma quíntupla [ x, T(x), U, G, M ], onde:
conceito de variável lingüística e modificadores fuzzy.
x = nome da variável;

T(x) = termo do conjunto x, ou seja, é o conjunto de nomes de valores lingüísticos de

5.1 – Variáveis Lingüísticas x, com cada valor sendo uma variável fuzzy em U;

G = regra sintática para generalizar os nomes dos valores de x;

Uma variável fuzzy é caracterizada por uma tripla [X,U, R(x)], onde: M = regra semântica para associar cada valor de x com seu significado.

X = nome da variável;

U = universo do discurso; Exemplo 5.2:

R(x) =subconjunto fuzzy de U que representa uma restrição fuzzy imposta por X. Suponha a variável lingüística “ Temperatura “ no universo do discurso

Exemplo 5.1: [
U = 0 0C , 50 0 C ]
, ou seja, x = " Temperatura " , assim,

T ("Temperatura") pode ser:

26
 T ("Temperatura") = {frio, morno, quente, muito quente, ....} 5.2 – Modificadores

Modificador (linguistic hedge) é definido como sendo um operador capaz de modificar

Note que a regra sintática G para gerar os nomes em T ("Temperatura") é o significado de um outro operador ou um conjunto fuzzy para criar um novo operador
ou um novo conjunto fuzzy. Por exemplo, no conjunto fuzzy “ Muito frio “ , “muito” é
bastante intuitiva. Podemos definir a regra semântica M como:
um modificador.

M (Frio ) = Temperatura abixo de 20 0 C Apresentaremos a seguir operações de conjuntos fuzzy que são freqüentemente
usadas para definir modificadores lingüísticos:

M (Morno ) = Temperatura próximo de 25 0 C

a) Concentração: CON ( A)

M (Quente ) = Temperatura acima de 35 0 C

µCON ( A) ( x ) = [µ A ( x )]2

b) Dilatação: DIL( A)
A figura a seguir mostra as funções de pertinência desses conjuntos fuzzy.

µ µ DIL( A) ( x ) = [µ A ( x )]1 2 = µ A ( x )
µFrio µMorno µQuente
1 0
c) Intensificação: INT ( A)

0 5
2[µ A ( x )]2 , se µ A (x ) ∈ [0; 0,5]
µ INT ( A) ( x ) = 
1 - 2[1 − µ A ( x )]2 ,
o
Temperatura ( C)
em outros casos
5 10 15 20 25 30 35 40 45 50

FIGURA 5.1

27
A seguir, apresentaremos alguns modificadores de uso mais freqüente em aplicações 5.3 – Lógica Fuzzy
da lógica fuzzy.

2
Muito (A) = CON(A) = A
3 A lógica fuzzy é uma extensão da lógica clássica ou lógica bivalente, onde os valores
Extremamente (A) = A
1/2 verdade são termos da variável lingüística “ Verdade “. Seu objetivo é prover
Mais ou menos (A) = DIL (A) = A
fundamentos para aproximadores de raciocínio com uma proposição imprecisa
Aproximadamente (A) = DIL [DIL(A)]
1,25 usando a teoria de conjuntos fuzzy.
Mais (A) = A
0,75
Menos (A) = A
a) Valores Verdade

Alem desses modificadores, existem outros de uso popular e outros que podem ser
aI) Negação
criados usando o bom senso e o conhecimento prévio de um especialista.

Exemplos 5.3: v(NÃO A ) ≡ 1 − v( A)

Seja o conjunto
aII) Conjunção
0 0,2 0,3 0,5 0,6 0,8 0,9 1 1 1
A ="Velhos" = + + + + + + + + + ,

v( A e B ) ≡ v( A) ∧ v(B ) = mín[v( A), v(B )]

10 20 30 40 50 60 70 80 90 100
então:

aIII) Disjunção
0 0,04 0,09 0,25 0,36 0,64 0,81 1 1 1
B =" Muito velho" = + + + + + + + + +
10 20 30 40 50 60 70 80 90 100
v( A ou B ) ≡ v( A) ∨ v(B ) = máx[v( A), v(B )]

aIV) Implicação
0 0,4 0,5 0,7 0,8 0,9 0,95 1 1 1
C =" Mais ou menos velho" = + + + + + + + + +
10 20 30 40 50 60 70 80 90 100
v( A ⇒ B ) ≡ v( A) ⇒ v(B ) = max{1 − v( A), mín[v( A), v(B )]}

28
b) Usando o princípio da extensão com valores verdade
∑ min (α , β )
i i
v ( A ⇒ B ) = v ( A) ⇒ v(B ) = i

máx[1 − vi , mín (vi , wi )]

Se v ( A) e v (B ) são valores linguísticos verdade das proposições A e B,

respectivamente, e sendo v( A) = α1 v1 + α 2 v2 + α 3 v3 + ... + α n vn e c) Tabela verdade para a conjunção e disjunção

v(B ) = β1 w1 + β 2 w2 + β 3 w3 + ... + β n wn com

Sejam os conjuntos:

α i , β i , vi , wi ∈ [0, 1] , então pelo princípio da extensão, temos:

0,5 0,7 1 1 1
A =" Mais ou menos verdade" = + + + +
0,6 0,7 0,8 0,9 1
bI) Negação

0,6 1 0,6
v(NÃO A) = α1 (1 − v1 ) + α 2 (1 − v2 ) + α3 (1 − v3 ) + ... + α n (1 − vn )
B ="Quase verdade" = + +
0,8 0,9 1

bII) Conjunção Tomemos três valores lógicos: verdade (V), falso (F) e desconhecido (V+F).

∑ mín(α i , β i ) A B A∧B A∨B

v ( A e B ) = v ( A) ∧ v ( B ) = i
mín(vi , wi )
V V V V

V F F V

V V+F V+F V
bIII) Disjunção
F V F V

∑ máx(α i , β i ) F F F F
v( A ou B ) = v( A) ∨ v(B ) = i
F V+F F V+F
máx(vi , wi )
V+F V V+R V

V+F F F V+F
bIV) Implicação
V+F V+F V+F V+F

Esta é a idéia básica de tabela verdade para lógica fuzzy proposta por Zadeh.

29
d) Proposição fuzzy 6 – APLICAÇÃO DA LÓGICA FUZZY

Com o intuito de melhorar a capacidade de um raciocínio aproximado, a lógica fuzzy

faz uso de predicados fuzzy, modificadores de predicado fuzzy, quantificadores fuzzy
As aplicações mais comuns da lógica fuzzy estão relacionadas ao ambiente industrial,
e qualificadores fuzzy, os quais apresentaremos a seguir:
mais precisamente na automação de processos. No entanto, não só a indústria pode
fazer uso da lógica fuzzy, mas também setores relacionados com: sistemas
Predicado fuzzy: Alto, Mal, Jovem, Em breve
financeiros, onde a tomada de decisão supõe um tratamento de conceitos vagos e
subjetivos; sistemas de decisão relacionados à aplicação médica, lingüística, etc. De
Ex.: “Joana é jovem”
maneira mais geral, podemos dizer que a lógica fuzzy tem sua maior aplicação em
sistemas computacionais, através dos quais implementamos algoritmos de tomadas
Modificadores de predicados fuzzy: Muito, Mais ou menos, Um
de decisão.
pouco, Extremamente, Bastante, etc.

Ex.: “Joana é extremamente jovem”

6.1 – Uma Aplicação Particular da Lógica Fuzzy – O Controlador Fuzzy

Quantificador fuzzy: O maior, Muitos, Vários, Pouco,
Freqüentemente, ocasionalmente, etc.

Ex.: “Muita gente foi à lavagem do Bonfim”

Um controlador “fuzzy” é composto basicamente das seguintes partes:

Qualificadores fuzzy:
Base de conhecimento;
Interface de fuzzificação;
Tomada de decisão ou inferência “fuzzy”; e
Interface de defuzzificação.
Ex.: “Joana é jovem não é muito verdade”

Joana é jovem = proposição qualificada

Não é muito verdade = valor verdade fuzzy qualificante.

30
 A figura 6.1 ilustra a configuração básica de um controlador “fuzzy”. A base de dados forma as definições numéricas necessárias às
CONTROLADOR LÓGICO FUZZY - CLF funções de pertinências usadas nos conjuntos “fuzzy”. Aqui a base
de dados é composta pelos conjuntos normalizados de torque de
carga e velocidade como mostrado na tabela 6.1.
Base de Conhecimento Tabela 6.1 – Base de Dados
Universo Normalizado
Variáveis Lingüísticas
Base de Dados Base de Velocidade Torque de Carga
Regras ZE 0 a 0,2 0 a 0,1
PP 0,2 a 0,5 0,1 a 0,3
PM 0,5 a 0,8 0,3 a 0,7
PG 0,8 a 1,0 0,7 a 1,0

Entrada Saída Na tabela 6.1 as variáveis lingüísticas são: ZE= zero; PP= positivo pequeno; PM=
Interface Fuzzy Tomada de Fuzzy Interface
de Decisão de positivo médio; e PG= positivo grande.
Fuzzificação (Inferência) Defuzzificação
A base de regras é formada por um conjunto de regras lingüísticas
que definem a estratégia de controle do sistema.

Variável de Variável de Tabela 6.2 – Base de Regras

entrada “crisp” saída “crisp”
ωr
PROCESSO ZE PP PM PG
TL

ZE 0,0 0,5 0,8 1

FIGURA 6.1 – Configuração do controlador “fuzzy”
PP 0,8 0,6 0,9 0,8

6.1.1 - Base de Conhecimento PM 0,5 0,6 0,8 0,7

A base de conhecimento é composta da base de dados e da base de regras. Ela PG 0,4 0,5 0,8 1
representa o modelo do sistema a ser controlado.

31
 6.1.2 – Interface de Fuzzificação µTL
A fuzzificação consiste em expressar uma variável de entrada através de um conjunto ZE PP PM PG
1.0
“fuzzy”. A entrada do controlador “fuzzy” é a velocidade e o torque de carga, e cada
entrada é particionada em cinco conjuntos (ZE, PP, PM e PG). A figura 6.2 mostra os
conjuntos “fuzzy” normalizados seus universos pertencentes ao intervalo de zero a
um, U∈[0, 1]. 0.5

Tl (pu)
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
PP PM PG
1.0 ZE P1 P2 P3
J
1 2 3 4
0.5 FIGURA 6.2 – Partição dos conjuntos “fuzzy” de entrada

ωr (pu) Na figura 6.2, os índices I e J são usados para identificar a posição de cada regra
disparada na BR. O índice I está relacionado à linha e J à coluna de uma matriz da
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 base de regras.
L1 L2 L3
I
6.1.3 – Tomada de Decisão ou Inferência “Fuzzy”
1 2 3 4
A tomada de decisão usa a implicação “fuzzy” para emular a tomada de decisão do
operador. A partir das condições de entrada do sistema, chamadas de antecedentes,
são geradas as ações de controle da saída, chamadas de conseqüentes. Para um
sistema de duas entradas e uma saída, a regra Ri da BR é expressa como:

Se TL é PM e ωm é PG, então Ii é PM

Onde TL e ωm são os antecedentes e Ii o conseqüente, i=A, B, C, D.

32
 6.1.4 – Interface de Defuzzificação É notório, no entanto, que se trata de uma ferramenta relativamente simples de se
usar e que tem como objetivo emular a tomada de decisão com base no
Defuzzificação é o processo de conversão da saída “fuzzy” para um valor numérico,
conhecimento prévio de um especialista ou operador humano. Portanto, fica evidente
ou “crisp”.
sua grande aplicação em sistemas aproximadores de raciocínio humano, podendo ser
empregado conjuntamente com outras ferramentas matemáticas para o
µRi desenvolvimento de algoritmos de inteligência artificial.

1.0
8 – REFERÊNCIA BIBLIOGRÁFICA
[1] Zadeh, Lotfi A., Fuzzy Logic, Transaction IEEE, April 1988.
0.67
[2] Lin, Chin-Teng & Lee, C. S. George, Neural Fuzzy Systems, Prentice Hall, 1995.
0.33
[3] Shaw, Ian S. & Simões, Marcelo Godoy, Controle e Modelagem Fuzzy, FAPESP,
0.25 Editora Edgard Blücher LTDA, São Paulo, 1999.
Variável de [4] Ferreira, Edson de Paula, Introdução à Lógica Fuzzy – Tutorial, Universidade
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 Saída (pu) Federal do Espírito Santo, 2001.
Saída [5] Nobre, Farley Simon Mendes & Palhares, Álvaro Geraldo Badan, Introdução a
defuzzificada Teoria de Conjuntos Nebulosos – Tutorial, UNICAMP, 1996.
[6] Azevedo, Haroldo Rodrigues de, Conjuntos Fuzzy Aplicados ao Controle de
7– CONCLUSÃO Processos, Universidade Federal de Uberlândia, 1999.
[7] Araújo, José Mário, Controle de Posição de um Motor de Indução Trifásico Através
A lógica bivalente possui dois princípios básicos que a torna em alguns casos distante de Lógica “Fuzzy”, Dissertação de Mestrado, Universidade Federal do Espírito Santo,
da linguagem natural empregada no dia-a-dia pelo homem na tomada de suas UFES, 2003.
decisões. O primeiro princípio é o da contradição, e o segundo é o princípio do meio [8] Souza, Durval de Almeida Souza, Otimização do Rendimento de Motores de
termo excluído. A lógica fuzzy vem acalhar justamente esta dificuldade inerente da Indução Utilizando Controle Fuzzy Adaptativo, Dissertação de Mestrado, Universidade
lógica bivalente, oferecendo a facilidade de se quantificar até quando ou quanto um Federal do Espírito Santo, UFES, 2003.
termo pertence a um dado conjunto. [9] Tutorial sobre Lógica Fuzzy do MATLAB
[10] Jager, René – Fuzzy Logic in Control. Thesis for the degree of Doctor in Eletrical
Essa facilidade em modelar a linguagem natural, torna-se atrativa em implementações Engineering, Amsterdam, 1995.
de sistemas altamente vagos, imprecisos, incertos, ou seja, sistemas de uma alta [11] Sousa, G. C. D. – Application of Fuzzy Logic for Performance Enhancement of
subjetividade. Sua maior aplicação é sem sobra de dúvida na implementação de Drives. Dissertation for the degree of Doctor of Philosophy , PhD, with a major in
algoritmos computacionais aplicados às diversas áreas do saber. Eletrical Engineering, University of Tennessee, Knoxville, 1993.

33