Professor Jos Gomes de Carvalho Jnior

4 LGIC A FUZZY
4.1-INTRODUO
Lgica Fuzzy (ou Nebulosa) a cincia que se preocupa com os
princpios formais do raciocnio aproximado. O objetivo modelar
os modos imprecisos do raciocnio que tm um papel fundamental
na habilidade humana de tomar decises.
Lgica Nebulosa uma ferramenta capaz de capturar informaes
imprecisas, descritas em linguagem natural, e convert-las para
um formato numrico.
Sua potencialidade est em fornecer os fundamentos para efetuar
um raciocnio aproximado, com proposies imprecisas, usando a
teoria de conjuntos nebulosos como ferramenta principal.
Histrico
Bivalncia - Desde Aristteles, a lgica clssica se baseia em V/F
Multivalncia - Desenvolvida por Lukasiewicz para lidar com o
Princpio da Incerteza na Mecnica Quntica V,F,IN 1920: 3
valores ; 1930: n valores
Lgica Fuzzy - Desenvolvida por Lofti Zadeh (1965 - Fuzzy Sets)
onde os elementos pertencem a um certo conjunto com diferentes
graus (grau de pertinncia).
Aplicaes comerciais
Controle
Controle de Aeronaves (Rockwell Corp.)
Operaes do Metr de Sendai (Hitachi)
Transmisso Automtica (Nissan, Subaru)
Space Shuttle Docking (NASA)
Otimizao e Planejamento
Elevadores (Hitachi, Fujitech, Mitsubishi)
Anlise do Mercado de Aes (Yamaichi)
Anlise de Sinais
Ajuste da Imagem de TV (Sony)
Autofocus para Cmera de Video (Canon)
Estabilizador de Imagens de Video (Panasonic)
42

Professor Jos Gomes de Carvalho Jnior

4.2-CONCEITOS BSICOS
4.2.1 Conju ntos Fuzzy
Um conjunto fuzzy uma funo que permite a entrada de um
valor escalar e fornece como sada um nmero entre zero e um,
que representa o grau de pertinncia () da entrada ao conjunto
fuzzy. Por exemplo, podemos definir o conjunto de pessoas altas
com dois diferentes tipos de funo:

Funo Crisp

Funo Fuzzy

0
1,80

Altura em
metros

0
1,70

1,80

Altura em
1,90 metros

Para este caso, na funo fuzzy, pessoas com altura menor

que 1,70m possuem grau de pertinncia 0 em relao ao conjunto
de pessoas altas, ou seja, no so definitivamente altas. Pessoas
com altura maior que 1,90m possuem grau de pertinncia 1 em
relao ao conjunto de pessoas altas, ou seja, so definitivamente
altas. J pessoas com altura entre 1,70m e 1,90m possuem algum
grau de pertinncia (0<<1) ao conjunto de pessoas altas.
Outro exemplo:
Conjunto de pessoas de meia idade
1
0,5
Idade em anos
20

30 35 40

50

60

70
43

Professor Jos Gomes de Carvalho Jnior

4.2.2 Sistem as de lgica Fuzzy

Um sistema fuzzy lida com conjuntos fuzzy para fazer as
tarefas de fuzzyficao dos valores escalares do mundo real, para
que possam ser manipulados como entidades lingsticas
(pessoas altas no caso acima) e , aps a aplicao de regras de
inferncia que lidam com essas entidades lingsticas, produzir
atravs de um processo chamado defuzzyficao, novamente
valores escalares que se apliquem ao mundo real. O modelo pode
ser assim representado:
SISTEMA FUZZY
FUZZIFICAO
ENTRADA
ESCALAR

Pertinncias usadas
para ativar as regras

BANCO DE REGRAS
regras que lidam com os
valores lingsticos das
entradas

INFERNCIA
combinao das regras
e dos valores de entrada

DEFUZZIFICAO
SADA
ESCALAR

Conjuntos fuzzy gerados

pela aplicao das regras

As regras combinam variveis lingisticas (quente, alto,

barato, etc.), quantificadores (muito, pouco, extremamente, etc.),
operadores lgicos (E, OU, NO) e de implicao (SE, ENTO).
Por exemplo:
SE temperatura muito quente E fluxo baixo
ENTO gire a torneira muito direita
SE temperatura morna E fluxo mdio
ENTO gire a torneira um pouco esquerda
A defuzzificao combina os valores produzidos pelas
diversas regras que tenham sido acionadas para uma determinada
entrada, produzindo, a partir da combinao dos conjuntos fuzzy,
uma sada escalar adequada.
44

Professor Jos Gomes de Carvalho Jnior

4.2.3 Caract ersticas e vantagens de fuzzy

Lida com propriedades que possuem valores contnuos,
associando-as a parties desses valores que possuem uma
nomenclatura, sendo que as diferentes parties podem se
sobrepor. Por exemplo, com 35 anos, uma pessoa pode, ao
mesmo tempo, pertencer ao conjunto de pessoas de meia idade
e ao conjunto de pessoas jovens (com diferentes graus de
pertinncia a cada um dos conjuntos representados por estas
denominaes lingsticas)
Lida com impreciso e no com ambigidade. Ex:
Se a comida est quente ento ...
necessrio saber se quente se refere temperatura ou
quantidade de tempero (a tcnica fuzzy no lida com este tipo de
ambigidade do conceito lingstico)
Permite elaborar regras que manipulam conceitos conflitantes
(oriundos de especialistas distintos). Por exemplo:
Se vendas esto baixas ento abaixe o preo (Marketing)
Se vendas esto baixas ento aumente o preo (Finanas)
Pela generalidade permitida na elaborao das regras, so
necessrias menos regras para resolver um problema (e regras
mais intuitivas), do que com a tcnica de Sistemas Especialistas.
Permite criar regras que manipulam incertezas de forma a gerar
diferentes valores de sada para diferentes entradas, ao
contrrio de Sistemas Especialistas que geram um mesmo valor
com graus de confiana diferentes. Ex:
Fuzzy: Se temperatura alta ento diminua chama
Sist.Esp.: Se temperatura > 120o ento chama = baixa (F.C.=0,9)
Tratam de forma fcil e intuitiva problemas altamente complexos
que dependem de relaes no lineares entre as variveis (o
que dificultaria a obteno de modelos matemticos)
Grau de pertinncia permite avaliar de uma forma mais clara um
valor do que um fator de confiana. Se dizemos que uma pessoa
alta com =0,85, temos uma boa idia da altura. Se dizemos
que alta com F.C.=0,85 no temos a menor idia da altura.
45

Professor Jos Gomes de Carvalho Jnior

4.2.4 Nomen claturas

Domnio do conjunto fuzzy o universo de valores possveis
para um determinado conjunto. Para o conjunto fuzzy de pessoas
altas, visto anteriormente o domnio aberto (de 0 a +). J para o
conjunto de pessoas de meia idade o domnio fechado (20 a 70).
Suporte do conjunto o subconjunto do domnio para o qual o
grau de pertinncia maior que zero. Para o conjunto de pessoas
de meia idade, o intervalo de 30 a 60.
Universo do discurso o espao completo de variao dos
valores de pertinncia para uma determinada varivel. Por
exemplo, para uma varivel temperatura assim modelada:

O universo do discurso de 100 a 360 graus.

Conjunto Singleton um conjunto fuzzy em que o suporte
um nico ponto do domnio. Por exemplo, o conjunto de notas
ideais em um domnio de 0 a 10, pode ser um conjunto Singleton
em que apenas a nota 10 possui =1 e as demais possuem =0.
Conjunto -cut o conjunto dos elementos do domnio que
possuem > . Por exemplo, para o conjunto de pessoas de meia
idade, o conjunto 0,5-cut formado pelas idades maiores ou iguais
a 35 anos.

46

Professor Jos Gomes de Carvalho Jnior

4.3-FUNES DE PERTINNCIA
O formato das funes de pertinncia pode variar bastante.
Entretanto, os sistemas em geral no so muito sensveis ao
formato das curvas. J a sobreposio das funes no Universo do
Discurso, costuma ser relevante. Os formatos mais usados so:
Trapezoidal
0, xa
1 (b-x)/(b-a), a<xb
c
a
b
d
Tp(x) = 1, b<xc
(d-x)/(d-c), c<xd
0, x>d

Triangular
0, xa
1 (b-x)/(b-a), a<xb
Tr(x) =
(c-x)/(c-b), b<xc
0, x>c
Gaussiana

( x M )2
d2

G(x) =
onde:
M = mdia
d = desvio padro
a

S (quadrtica)
0, x<a-b
(x-(a-b))2/2b2, a-b<xa
S(x) = 1-((a+b)-x)2/2b2, a<xa+b
1, x>a+b

47

Professor Jos Gomes de Carvalho Jnior

Formato Z
Z(x) = 1 - S(x)

Formato Pi
0, xa
S(x), a<xb
Pi(x) = 1, b<xc
Z(x), c<xd
0, x>d
Formato Sino

Si(x) =
b

xc
1+
a

2b

Singleton
a

Sg(x) = 1, x=a
Sg(x) = 0, xa
Irregular
Exemplo: risco de asma

48

Professor Jos Gomes de Carvalho Jnior

4.4-OPERAES COM OS CONJUNTOS FUZZY

As operaes com os conjuntos Fuzzy visam encontrar o grau
de veracidade das afirmativas que fazem parte dos antecedentes
das regras. Essas operaes bsicas (Unio, Interseo,
Complemento) so realizadas com o grau de pertinncia () de um
valor ao conjunto. Para saber se um valor pertence ao conjunto
Fuzzy, devemos saber se o valor pertence ao Domnio do
conjunto, ao seu Suporte e se est acima do limite -cut.
As operaes podem ser aplicveis a uma mesma varivel ou
variveis distintas.
Exemplos para uma varivel:
Se idade criana OU idade velho ento risco de gripe alto
Se idade NO meia-idade ento risco de infarte baixo
Exemplo para duas variveis:
Se temperatura alta E presso baixa ento vazo alta
Para a operao de complemento (Ex: Se x NO A ento...),
a forma de clculo do antecedente, geralmente : 1 - A(x).
Para a Unio e a interseo, existem diferentes formas,
propostas por diferentes autores, para realizar as operaes:
Operador

Interseo
Unio
Se x A E y B ento... Se x A OU y B ento...
De Zadeh
Max [A(x), B(y)]
Min [A(x), B(y)]
Produto
A(x) * B(y)
[A(x) + B(y)] [A(x) *
B(y)]
Mdia
[2 * Min(A(x), B(y)) + 4 *
[A(x) + B(y)] /2
Max (A(x), B(y))] / 6
Lukasiewicz: Max [0, (A(x) + B(y) 1] Min [1, (A(x) + B(y)]
Soma (OU)
e diferena
(E) limitadas

49

Professor Jos Gomes de Carvalho Jnior

Exerccio: Dados os conjuntos e a tabela abaixo, determine o

grau de pertinncia de cada operao, de acordo com as formas
de clculo sugeridas (Zadeh e Produto):

Conjunto de pessoas
de meia idade
1

0,5

Idade em
anos

30 3540 50
ID Idade altura
20

alt

id
A
B
C
D
E
F

Conjunto de pessoas altas

35
45
50
25
60
55

0,5

Altura em
metros

1,60 1,70 1,80 1,90 2,00

60 70
Alto E de Meia
NO Alto OU de meia
Idade
idade
Zadeh Produto 1-alt Zadeh Produto

1,70
1,85
1,65
1,85
1,75
1,90

4.5-USO DE QUANTIFICADORES
Os quantificadores (ou Hedges) modificam os conjuntos Fuzzy
originais, a partir de alguma operao matemtica feita com os
mesmos. Os principais quantificadores podem ser do tipo:
Intensificador: muito, extremamente, super, hiper
Atenuador: pouco, levemente, discretamente
Aproximador: em torno de, por volta de, aproximadamente
muito
Restritivo: no mximo, a partir de, no maior que
quente
quente
Para calcular a influncia dos
n=2
intensificadores em conjuntos Fuzzy,
extremamente
podemos
usar
potncias.
Assim,
quente
n
n=3
intensificador de A = (A) . Por exemplo:
50

Professor Jos Gomes de Carvalho Jnior

Para calcular a influncia dos

atenuadores em conjuntos Fuzzy,
podemos usar potncias fracionrias.
Assim, atenuador de A = (A)1/n. P/ exemplo:

ligeiramente
quente
n = 1/3

quente
Um pouco
quente
n = 1/2

Devemos tomar cuidado porque afirmaes podem se parecer

e serem bem diferentes. Ex: No muito quente Muito no quente.
quente

muito
quente
No muito
quente

quente

no
quente
Muito no
quente

4.6- INFERNCIA FUZZY

A inferncia Fuzzy uma relao lgica que obedece
mesma tabela verdade da Implicao Modus Ponens da lgica
proposicional tradicional (lgica crisp). A diferena que na lgica
crisp, a regra acionada somente se a premissa for verdadeira e
na lgica fuzzy a regra acionada quando a premissa possui um
grau de pertinncia diferente de zero.
A regra uma composio de relaes Fuzzy onde a primeira
relao um conjunto fuzzy (possivelmente resultante de uma
operao Fuzzy) e a segunda relao de implicao. Exemplos:
Se Homem novo ento Homem mau motorista
Se peso gordo E idade meia idade ento risco alto
p
q
Para calcular a relao de implicao, a forma mais usada a
sugerida por Mandani, apesar de existirem outras, propostas por
Zadeh, Takagi-Sugeno, Tsukamoto e outros. Mandani propem
utilizar o mnimo ou o produto dos graus de pertinncia:
Usando o mnimo:
pq (x, y) = min [ p(x), q(y)]
Usando o produto:
pq (x, y) = p(x) . q(y)
51

Professor Jos Gomes de Carvalho Jnior

O conjunto resultante da implicao toma as seguintes formas

para o caso do mnimo e do produto:

Regra 2

Regra 1

Caso haja um conjunto de regras e duas ou mais sejam

acionadas, pode-se calcular o conjunto resultante da aplicao das
diferentes regras, utilizando-se o mximo ou a soma dos conjuntos
Fuzzy do conseqente de cada regra. Por exemplo, utilizando-se
o mnimo para a implicao e o mximo para a composio de
duas regras do tipo: Se x A E y B ento z C, temos o
seguinte conjunto Fuzzy resultante:

52

Professor Jos Gomes de Carvalho Jnior

4.7-DEFUZZIFICAO
Um sistema Fuzzy possui entrada(s) escalar(es) e deve ser
capaz de produzir uma sada tambm escalar. Aps serem
realizadas as inferncias com as regras e aps se haver
determinado o conjunto Fuzzy resultante (conjunto Fuzzy de
sada), deve-se encontrar um valor numrico (escalar) para a
sada. A este processo chama-se Deffuzificao do conjunto de
sada. Existem mtodos propostos por diversos autores. Dois dos
mais usados so:
Centro de rea:
calcula o centro de
gravidade da rea do
conjunto e usa o valor
deste ponto. Problema:
difcil de calcular se o
universo do discurso no
for discreto.

Centro de Gravidade
do conjunto Fuzzy
de sada

Mdia dos mximos:

Observa o conjunto Fuzzy de sada C e determina os valores x
de sada para os quais C (x) mximo, ou seja, pega os valores
de mximo de cada conjunto que contribuiu para formar o conjunto
C de sada. Em seguida, calcula a mdia destes valores de
mximo ponderados pelos graus de pertinncia dos respectivos
conjuntos e usa este valor de mdia como a sada desejada.
S = (M1. 1+ M2. 2) / (1+2)

1
2
M1

M2

53

Professor Jos Gomes de Carvalho Jnior

4.8-EXEMPLO DE APLICAO
Sistemas fuzzy so muito utilizados em aplicaes de
controle. Algumas destas aplicaes, podem ser encontradas em
uma ferramenta que possui uma verso de demonstrao
chamada FuzzyTech. Um destes exemplos, o controle de um
guindaste que se movimenta em uma dimenso linear e deve
posicionar uma determinada carga em uma plataforma. O controle
fuzzy envolve o clculo da potncia a ser aplicada ao motor
(positiva ou negativa para movimentar o guindaste nos dois
sentidos de direo), a partir das informaes de ngulo (em
graus) que a carga faz com o eixo vertical e distncia (em jardas)
que a mesma se encontra da plataforma.
A figura abaixo (retirada do referido aplicativo) ilustra o
sistema que se deseja controlar:

54

Professor Jos Gomes de Carvalho Jnior

A varivel de entrada ngulo, modelada pelos valores

lingsticos pos-big, pos-small, zero, neg-small e neg-big. Seu
universo do discurso dado por:

A varivel de entrada distncia, modelada pelos valores

lingsticos neg-close, zero, close, medium e far. Seu universo do
discurso dado por:

55

Professor Jos Gomes de Carvalho Jnior

A varivel de sada potncia, modelada pelos valores

lingsticos neg-big, neg-me, zero, pos-me e pos-hig. Seu universo
do discurso dado por:

As regras do sistema de controle que calcula a potncia

trabalham com os valores lingsticos das variveis do modelo e
so do seguinte tipo:
Se DISTNCIA = far e NGULO = neg_small
Ento POTNCIA = pos_high
Se DISTNCIA = medium e NGULO = neg_small
Ento POTNCIA = pos_high
Se DISTNCIA = medium e NGULO = neg_big
Ento POTNCIA = pos_medium
Assim, se em um determinado instante, temos valores
especficos para as variveis de entrada, como por exemplo,
distncia = 13 jardas e ngulo = -45 graus, diferentes regras
podem ser concomitantemente acionadas.
56

Professor Jos Gomes de Carvalho Jnior

Para o referido valor de distncia (13 jardas), dois conjuntos

possuem >0 (observe que a linha vertical que parte do valor 13
corta duas curvas de funes de pertinncia). Ou seja,
distncia=medium com =0,76 e distncia=far com =0,24.

Da mesma forma, para o ngulo (-45 graus), dois conjuntos

possuem >0 (observe que a linha vertical que parte do valor -45
tambm corta duas curvas de funes de pertinncia). Neste caso,
ngulo=neg_small com =0,30 e ngulo=neg_big com =0,70.

57

Professor Jos Gomes de Carvalho Jnior

Assim, para a primeira regra,

Se DISTNCIA = far e NGULO = neg_small
Ento POTNCIA = pos_high
temos, na premissa, =0,24 e =0,30. Para combinar estes
valores com o operador lgico E, existem, como vimos, diversos
mtodos. Um dos mais comuns tomar o mnimo dos dois valores.
Assim, o valor da combinao lgica ser MIN (0,24; 0,30) = 0,24 e
este ser o grau de pertinncia da premissa da regra. Usando para
a inferncia tambm o operador de mnimo, a concluso da regra
ser acionada com um grau de pertinncia de, no mximo, =0,24.
Entrando com o valor =0,24 no grfico de funes da varivel
de sada potncia, para o conjunto determinado pela regra
(pos_high), temos o seguinte resultado:

=0,24

Da mesma forma, para a segunda regra,

Se DISTNCIA = medium e NGULO = neg_small
Ento POTNCIA = pos_high
temos uma premissa com MIN(0,76; 0,30) = 0,30. Logo, o
grfico da varivel de sada ter a seguinte forma:
58

Professor Jos Gomes de Carvalho Jnior

=0,30

Finalmente, para a terceira regra,

Se DISTNCIA = medium e NGULO = neg_big
Ento POTNCIA = pos_medium
temos o grau de pertinncia da premissa como MIN(0,76; 0,70) =
0,70. Assim o grfico da varivel de sada ter a seguinte forma:

=0,70

59

Professor Jos Gomes de Carvalho Jnior

Como resultado da aplicao das trs regras, temos:

=0,70

=0,30
=0,24

Como as trs regras foram acionadas, temos a unio dos trs

conjuntos. Para representar a unio, geralmente utiliza-se o
mximo dos conjuntos (Mandani), o que, portanto, resulta em:

=0,70

=0,30

60

Professor Jos Gomes de Carvalho Jnior

Para que possamos encontrar um valor de sada para a

potncia (defuzzificao) podemos utilizar vrios mtodos. Achar o
centro de massa da figura resultante um deles (difcil de
calcular). Outro mtodo, chamado Mdia dos Mximos, calcula a
mdia dos valores tpicos das funes ativadas (valores de
mximo) ponderados pelos graus de pertinncia com que estes
conjuntos foram ativados. Assim, para o caso teramos:

O valor da varivel de sada potncia, para este instante,

dados os valores das variveis de entrada (12 jardas e 45 graus)
e as regras citadas, seria portanto (observe que os valores de
mximo de cada conjunto, usados no clculo da mdia dos
mximos, so os indicados pelas setas na figura anterior) :
Mdia = 10 x 0,7 + 23,5 x 0,3 = 14,05
0,7 + 0,3
Ou seja, para uma distncia de 12 jardas e um ngulo de 45
graus, o controle Fuzzy produz como sada uma potncia de 14,05
KW a ser aplicada ao motor do guindaste.
61