You are on page 1of 38

Sistemas Fuzzy

Sistemas especialistas Fuzzy


n

Especialistas
n
n

Senso comum para resolver problemas


Impreciso, inconsistente, incompleto, vago
Embora o transformador esteja um pouco carregado, pode-se
us-lo por um tempo
Nenhum problema para outro especialista, mas sim para o EC

Lgica Fuzzy:
n

Idia: todas as coisas admitem graus (temperatura, altura,


velocidade, distncia, etc...)
Desenvolvida por Lofti A. Zadeh da Universidade da Califrnia em Berkeley na
dcada de 60

Grau de Crena x Grau de Verdade


n

Grau de Crena x Teoria das Probabilidades


n

80% dos pacientes com dor de dentes tm cries


n Uma probabilidade de 0.8 no significa
80% verdade mas sim um grau de
crena de 80% na regra Grau de verdade x Lgica Fuzzy

Mrio alto
n A proposio verdadeira para uma altura de Mario 1.65m ?
n

...mais ou menos....

Observar que no h incerteza, estamos seguros da altura de Mario


O termo lingustico alto vago, como interpret-lo?
Por exemplo, a teoria de conjuntos Fuzzy (semntica para lgica fuzzy) permite
especificar quo bem um objeto satisfaz uma descrio vaga (predicado vago)
n

n
n

O grau de pertinncia de um objeto a um conjunto fuzzy representado por algum nmero


em [0,1]

Caractersticas: Lgica Fuzzy (1/2)


n
n

Lgica convencional: sim-ou-no, verdadeiro-ou-falso


Lgica Fuzzy (difusa ou nebulosa):
n
n

Refletem o que as pessoas pensam


Tenta modelar o nosso senso de palavras, tomada de deciso ou senso
comum

Trabalha com uma grande variedade de informaes vagas e


incertas, as quais podem ser traduzidas por expresses do tipo: a
maioria, mais ou menos, talvez, etc.

Caractersticas: Lgica Fuzzy (2/2)


n

Antes do surgimento da lgica fuzzy essas informaes no tinham


como ser processadas
A lgica fuzzy contm como casos especiais no s os sistemas
lgicos binrios, como tambm os multi-valorados
A lgica fuzzy vem sendo aplicada nas seguintes reas
n
n
n
n

Anlise de dados
Construo de sistemas especialistas
Controle e otimizao
Reconhecimento de padres, etc.

Conjunto de princpios matemticos para a representao do


conhecimento baseado no grau de pertinncia dos termos

Conjuntos Fuzzy (1/3)


n

Conjuntos com limites imprecisos


A = Conjunto de pessoas altas

Conjunto Clssico
1.0

Conjunto Fuzzy
1.0
.9
.8

Funo de
pertinncia

.5

1.75

Altura
(m)

1.60 1.70 1.75

Altura
(m)

Conjuntos Fuzzy (2/3)


n

Um conjunto fuzzy A definido no universo de discurso X caracterizado por uma


funo de pertinncia A, a qual mapeia os elementos de X para o intervalo [0,1].
A:X[0,1]

n
n

Desta forma, a funo de pertinncia associa a cada elemento x pertencente a X


um nmero real A(X) no intervalo [0,1], que representa o grau de pertinncia do
elemento x ao conjunto A, isto , o quanto possvel para o elemento x
pertencer ao conjunto A.
Uma sentena pode ser parcialmente verdadeira e parcialmente falsa
A(X) : x [0,1], A(X) = 0
0 < A(X) < 1
A(X) = 1

Conjuntos Fuzzy (3/3)


n

Definio formal
n

Um conjunto fuzzy A em X expresso como um conjunto de pares


ordenados:

A = {( x, A ( x)) | x X }
Conjunto
fuzzy

Funo de
pertinncia
(MF)

Universo ou
Universo de discurso

Um conjunto fuzzy totalmente caracterizado


por sua funo de pertinncia (MF)

Como representar um conjunto Fuzzy


num computador?
1.

Funo de pertinncia
n

n
n

Reflete o conhecimento que se tem em relao a intensidade


com que o objeto pertence ao conjunto fuzzy
Mtodos para adquirir esse conhecimento do especialista
Ex: Perguntar ao especialista se vrios elementos pertencem a
um conjunto

Funo de Pertinncia
n
n
n

Vrias formas diferentes


Representadas uma funo de mapeamento
Caractersticas das funes de pertinncia:
n
n

Medidas subjetivas
Funes no probabilsticas monotonicamente crescentes, decrescentes
ou subdividida em parte crescente e parte decrescente.
!alto no Brasil

MFs
.8
.5

!alto nos EUA

.1

!alto na Itlia

1.75

Altura (m)

Funo de Pertinncia
n

Funo Triangular

x a c x
trimf ( x ; a , b , c ) = max min
,
, 0
b a c b

Funo Trapezoidal

d x
x a
, 1,
, 0
b a
d c

trapmf ( x ; a , b , c , d ) = max min


n

Funo Gaussiana

Funo Sino Generalizada

gaussmf ( x; a, b, c) = e

gbellmf ( x ; a , b , c ) =

1 x c

x c
1+
b

2b

Funo de Pertinncia
(b) Trapezoidal

Grau de Pertinncia"

Grau de Pertinncia"

(a) Triangular
1
0.8
0.6
0.4
0.2
0

20

40

60

80

1
0.8
0.6
0.4
0.2
0

100

1
0.8
0.6
0.4
0.2
0

20

40

60

40

60

80

100

80

100

(d) Sino Gerneralizada

Grau de Pertinncia"

Grau de Pertinncia

(c) Gaussiana

20

80

100

1
0.8
0.6
0.4
0.2
0

20

40

60

Funo de pertinncia: Universo


Discreto
(a) Universo Discreto

ordenado)
n
C = Cidade desejvel para se viver
n
C = {(SF, 0.9), (Boston, 0.8), (LA, 0.6)}

Grau de Pertinncia

X = {SF, Boston, LA} (discreto e no

0.8
n

0.6

X = {0, 1, 2, 3, 4, 5, 6} (discreto)
n

0.4

0.2
0
0

2
X = Nmero de filhos

A = Nmero de filhos
A = {(0, .1), (1, .3), (2, .7), (3, 1), (4, .6),
(5, .2), (6, .1)}

Funo de pertinncia: Universo


Contnuo
n

(b) Universo Contnuo

X = (Conjunto de nmeros reais


positivos) (contnuo)

Grau de Pertinncia

1
0.8

0.6

B = Pessoas com idade em torno de


50 anos

0.4
n

0.2
0
0

50

100

X = Idade

B(x) =

1
x 50
1 +

10

B = {(x,

B(x)

)| x em X}

Partio Fuzzy

Grau de Pertinncia

Partio fuzzy do universo de X representando idade , formada pelos


conjuntos fuzzy jovem , maduro e idoso .

1.2

Jovem

Maduro

Idoso

1
0.8
0.6
0.4
0.2
0

10

20

30

40

50

X = Idade

60

70

80

90

Variveis Lingsticas
n

Uma varivel lingstica possui valores que no so nmeros, mas


sim palavras ou frases na linguagem natural.
n

n
n

Um valor lingstico um conjunto fuzzy.


Todos os valores lingsticos formam um conjunto de termos:
n

Idade = idoso

T(idade) = {Jovem, velho, muito jovem,...


Maduro, no maduro,...
Velho, no velho, muito velho, mais ou menos velho,...
No muito jovem e no muito velho,...}

Permitem que a linguagem da modelagem fuzzy expresse a


semntica usada por especialistas
Exemplo:
If projeto.durao is no muito LONGO
then risco is ligeiramente reduzido

Hedges (modificadores)
n

Termos que so usados para


modificar a forma dos
conjuntos fuzzy
n

n
n
n

Muito, algo mais ou menos, um


pouco

So universais
Compostos de nome e frmula
Muito: M ( x) = ( x) 2
A

Extremamente
M
A

( x) = ( A ( x))

M
A

Muito muito

( x) = ( A ( x) )

Um pouco

M
A

( x) = ( A ( x))

Mais ou menos

Indeed
M
A

1, 3

M
A

( x) = A ( x)
2

( x) = 2 * ( A ( x)) ,0 0,5
M
A

( x) = 1 2(1 A ( x)) ,0,5 < 1

Operaes Bsicas
n
n
n
n

Subconjunto
Igualdade
Complemento
Complemento
Relativo
Unio

A B, se B(x) A(x) para cada x X


A = B, se A(x) = B(x) para cada x X
A = X - A A(x) = 1 - A(x)

E(x) = Max [0, A(x) - B(x)]

C = A B c(x) = max(A(x), B(x))

Interseo

C = A(x) B(x)

C = A B c(x) = min(A(x), B(x))

C = A(x) B(x)

Representao
(a) Conjuntos Fuzzy A e B

Grau de Pertinncia

A est contido em B
1
0.8
0.6
0.4

B
A

1
0.8
0.6
0.4
0.2
0

1
0.8
0.6
0.4
0.2
0

(c) Conjunto Fuzzy "A ou B"

0.2
0

(b) Conjunto Fuzzy no A

1
0.8
0.6
0.4
0.2
0

(d) Conjunto Fuzzy "A e B"


1
0.8
0.6
0.4
0.2
0

Exemplo (Unio|Interseo)
n

X = {a, b, c, d, e}
n
n

A = {1/a, 0.7/b, 0.3/c, 0/d, 0.9/e}


B = {0.2/a, 0.9/b, 0.4/c, 1/d, 0.4/e}
Unio
n C = {1/a, 0.9/b, 0.4/c, 1/d, 0.9/e}
Interseo
n D = {0.2/a, 0.7/b, 0.3/c, 0/d, 0.4/e}

Propriedades
n

Comutatividade
n

AA=A

AA=A

Associatividade
n

AB=BA

Idempotncia
n

AB=BA

A (B C) = (A B) C = A B C

A (B C) = (A B) C = A B C

Distributividade
n

A (B C) = (A B) (A C)

A (B C) = (A B) (A C)

Propriedades padres: Comutatividade, Idempotncia Associatividade,


Distributividade etc. so vlidas para os conjuntos fuzzy. Exceo:
A A
A A X

Regras Fuzzy
Consistem:
n

n
n

Conjunto de condies IF
(usando conectivos and, or ou not)
Uma concluso THEN
Uma concluso opcional ELSE

Exemplo:
Velocidade [0,220]
1.
Se velocidade > 100
Ento DPP 30 metros
2.
Se velocidade < 40
Ento DPP 10 metros

1.

2.

Baixa, Mdia e alta


Se velocidade alta
Ento DPP longa
Se velocidade baixa
Ento DPP curta

Regras Fuzzy
n

E o raciocnio?
n
n
n
n

Avaliar o antecedente
Aplicar o resultado ao conseqente
As regras so ativadas parcialmente, dependendo do antecedente
Ex: Se a altura alta, o peso pesado (altura =1.85, peso = ?)
Alto

Pesado

.75

.75

.5

.5

.1

.1
1.85

90

Regras Fuzzy
n

E no caso de existir vrios antecedentes?

E no caso de existir vrios conseqentes?

Etapas do raciocnio Fuzzy


1 FUZZIFICAO
AGREGAO
2 INFERNCIA
COMPOSIO
3 DEFUZZIFICAO

Etapas do raciocnio Fuzzy


Variveis Calculadas
(Valores Lingusticos)

Nvel
Lingustico

Inferncia

Variveis de Comando
(Valores Lingusticos)

Fuzzificao
Defuzzificao

Nvel
Numrico

Variveis Calculadas
(Valores Numricos)

Objecto

Variveis de Comando
(Valores Numricos)

Fuzzificao
n

Etapa na qual as variveis lingsticas so definidas de forma


subjetiva, bem como as funes membro (funes de pertinncia)
Engloba
n
n
n
n

Anlise do Problema
Definio das Variveis
Definio das Funes de pertinncia
Criao das Regies

Na definio das funes de pertinncia para cada varivel, diversos


tipos de espao podem ser gerados:
n

Triangular, Trapezoidal, ...

Fuzzificao
TRIANGULAR

Frio Normal Quente

TRAPEZOIDAL

Lento Rpido

Inferncia Fuzzy
n

Etapa na qual as proposies


(regras) so definidas e depois
so examinadas paralelamente

Engloba:
n
n
n

Definio das proposies


Anlise das Regras
Criao da regio resultante

O mecanismo chave do modelo


Fuzzy a proposio
A proposio o relacionamento
entre as variveis do modelo e
regies Fuzzy
Na definio das proposies,
deve-se trabalhar com:
Proposies Condicionais
if W is Z then X is Y
Proposies No-Condicionais
X is Y

Inferncia Fuzzy
n

AGREGRAO
n

Calcula a importncia de uma determinada regra para a situao


corrente

COMPOSIO
n

Calcula a influncia de cada regra nas variveis de sada.

Defuzzificao
n

Etapa no qual as regies resultantes so convertidas em valores


para a varivel de sada do sistema
Esta etapa corresponde a ligao funcional entre as regies Fuzzy e
o valor esperado
Dentre os diversos tipos de tcnicas de defuzzificao destaca-se:
n
n
n
n

Centride
First-of-Maxima
Middle-of-Maxima
Critrio Mximo

Defuzzificao
Exemplos:

z0
Centride

z0
First-of-Maxima

z0
Critrio Mximo

Inferncia Fuzzy: Um exemplo


n

Objetivo do sistema:
n

um analista de projetos de uma


empresa que determina o risco de
um determinado projeto
Quantidade de dinheiro e de
pessoas envolvidas no projeto

Representao das variveis de


entrada

n
1.

2.

3.

Base de conhecimento
Se dinheiro adequado ou
pessoal pequeno ento risco
pequeno
Se dinheiro mdio e pessoal
alto, ento risco normal
Se dinheiro inadequado,
ento risco alto

Problema: dinheiro = 35% e pessoal = 60%

Inferncia Fuzzy: Um exemplo


n

Passo 1: Fuzzificar

Dinheiro

Pessoal

.75

.8

.25

.2

35

Inadequado
Adequado
Mdio
i (d ) = 0,25 & m (d ) = 0,75

60

Baixo

Alto

b ( p) = 0,2 & a ( p) = 0,8

Inferncia Fuzzy: Um exemplo


n

Regra 1:

Passo 2: Avaliao das regras


n

Ou mximo e mnimo

0,2
Adequado

0,0

ou

Baixo

Regra 2:

Risco
0,8

mdio

Risco

0,25

e
Alto

Inferncia Fuzzy
Regra 3:

Risco
0,75

Inadequado

Inferncia Fuzzy
n

Passo 3: Defuzzificao
Risco
0,75
0,25
10 20 30 40 50 60 70 80 90 100

C=

(10 + 20 + 30 + 40) * 0,2 + (50 + 60 + 70) * 0,25 + (80 + 90 + 100) * 0,75 267,5
=
= 70,4
0,2 + 0,2 + 0,2 + 0,2 + 0,25 + 0,25 + 0,25 + 0,75 + 0,75 + 0,75
3,8

Inferncia Fuzzy
n

O mtodo de Sugeno
n
n

n
n

Igual ao Mandani
Conseqente Singleton

Computacionalmente eficaz
Mais utilizado em otimizao e adaptao (controle de
sistemas