Professional Documents
Culture Documents
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.
3
1.5 - Como se Opera com a Lógica Fuzzy ? possui flexibilidade de ajuste fino da solução;
permite realizar computação com palavras.
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:
2 – TEORIA DE CONJUNTOS FUZZY
2.1 – Conjuntos Clássicos
raciocinar sobre situações vagas, imprecisas ou pouco conhecidas;
manipulação de idéias e conceitos subjetivos; Um conjunto clássico é definido como uma coleção de objetos, pessoas, animais, ou
definir variáveis e predicados lingüísticos; coisas as quais chamamos de elementos do conjunto e denominamos de forma mais
buscar um algoritmo para tratar com todos esses conceitos (vagos, geral por { x }, pertencente a um universo U, x ∈U.
imprecisos, etc) e que tenha flexibilidade para tratar vários casos
com mesmo núcleo de decisão. 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
1.6 - Por que Usar a Lógica Fuzzy ? pertence utilizamos o símbolo ∉.
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)
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:
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
195 1 0 0
a) Suporte
1,0 1,0
elementos pertencem ao universo do discurso, x ∈U , tal que µ A (x ) > 0 .
0,75 0,75
0 5 10 0
5 10
a) Triangular b) Trapezoidal
1,0
1
0,75 U
0
0,50 Suporte
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
Um conjunto fuzzy cujo µ A (x ) = 0 para todos os seus elementos é dito vazio. FIGURA 2.5
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.
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
11
l) Número 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
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:
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 = 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) 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:
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
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.
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
16
3.2 – Projeção e Extensão Cilíndrica Seja uma relação fuzzy R( X ) ou um conjunto fuzzy R em X, denominamos
Exemplo 3.2: [R ↑ Y ] = R X Y
Considere a relação R( X , Y ) do exemplo anterior, então: [R ↑ X ] = X X R
R = µ R ( x1 ) x1 + µ R ( x2 ) x2
1 2
e Y = 1 y1 + 1 y2 , então:
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
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
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
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
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 0,5x2
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:
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
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
[
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:
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
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:
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
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;
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;
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,
26
T ("Temperatura") = {frio, morno, quente, muito quente, ....} 5.2 – Modificadores
M (Frio ) = Temperatura abixo de 20 0 C Apresentaremos a seguir operações de conjuntos fuzzy que são freqüentemente
usadas para definir modificadores lingüísticos:
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.
Seja o conjunto
aII) Conjunção
0 0,2 0,3 0,5 0,6 0,8 0,9 1 1 1
A ="Velhos" = + + + + + + + + + ,
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
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).
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
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”
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.
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
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