Академический Документы
Профессиональный Документы
Культура Документы
Inteligencia Artificial 101
Lógica Difusa
La primera aparición del concepto de Lógica Difusa (“Fuzzy logic”) se dio en la obra de Lofti Zadeth
(1965). A diferencia de la lógica de Boole, donde se contemplan sólo opciones de verdadero y falso,
en este tipo de lógica se puedes observar múltiples variables de respuesta que se encuentran entre
ambas.
En la lógica discreta se considera si hay pertenencia o no, en la lógica difusa se evalúa el grado de
pertenencia o no pertenencia. La lógica discreta es un caso particular de la lógica difusa cuando la
verdad o falsedad son absolutas.
Esta nueva rama de la ciencia ha provocado una renovación en diversos campos de estudio, sobre
todo en los que implican el estudio de procesos muy complejos o desordenados. Esto se debe a que
los algoritmos convencionales sólo resuelven procesos ordenados, dejando atrás los contextos
complejos y caóticos.
En conclusión, este nuevo tipo de lógica ha aumentado las posibilidades de que una máquina o
sistema informático pueda comprender y adoptar el pensamiento humano.
Para consolidar tu entendimiento de la lógica difusa, veamos un ejemplo que se usa en los aires
acondicionados (que suele ser el más común para explicar el tema).
https://inteligenciaartificial101.wordpress.com/2013/09/23/logica-difusa/ 1/5
27/11/2018 Lógica Difusa – Inteligencia Artificial 101
(h ps://inteligenciaartificial101.files.wordpress.com/2013/09/pertenenciatemperatura.png)
Funciones de Grado de Pertenencia para una
temperatura T
Lo primero que debes observar son los términos que se usan para describir la temperatura:
Son términos relativos, es decir, no existe una convención de a cuántos grados centígrados (Grados
Celsius (h p://es.wikipedia.org/wiki/Grado_Celsius)) es correcto decir que el ambiente es caluroso.
Entonces, como se describió al inicio de la entrada, debemos buscar darle un valor numérico a estos
“cuantificadores imprecisos”.
Quizá te preguntes cómo fue que se llegó a decidir que eje horizontal fuera de -10°C a 40°C, pues
sigue siendo relativo y a convención personal de quien modela el problema, pero piensa ¿qué tan
prudebte habría sido tomar valores entre -100°C y 100°C?
Ahora sí, hablemos de lógica difusa con un poco de matemáticas. Analiza las siguientes funciones de
pertenencia:
F(10°C)
= 0.0 = 0% muy frío
= 1.0 = 100% frío
= 0.0 = 0% templado
= 0.0 = 0% caluroso
https://inteligenciaartificial101.wordpress.com/2013/09/23/logica-difusa/ 2/5
27/11/2018 Lógica Difusa – Inteligencia Artificial 101
Seguramente ya comienzas a entender un poco más la idea. Lo más interesante es cuando sucede que
un trapecio solapa (h p://lema.rae.es/drae/?val=solapar)a otro, es decir, una misma temperatura tiene
cierto grado de pertenencia (cierta verdad) para dos cuantificadores distintos, por ejemplo, 22.5°C es
tanto templado como caluroso pero no en términos absolutos (al 100%), solo en parte es verdad (en
50% cada uno).
Lo cual es una condición muy simple de entender, y bastante evidente. Pero quizá te preguntes,
¿cómo se evaluán las operaciones lógicas OR y AND en lógica difusa si no son lógica de Boole?
(h ps://inteligenciaartificial101.files.wordpress.com/2013/09/tabla-
(h ps://inteligenciaartificial101.files.wordpress.com/2013/09/tabla-
de-verdad- de-verdad-
or.png) and.png)
Tabla de Verdad Tabla de Verdad
para el operador para el operador
lógico OR. (V: lógico AND. (V:
Verdadero, Verdadero,
F:Falso) F:Falso)
Pero en la lógica difusa no tenemos que una variable es totalmente verdad o totalmente falsa, sino
que tienen un grado de pertenencia. Es por eso que se deben definir los operadores lógicos AND y
OR para lógica difusa. Existen varias maneras de definirlas, para este caso las definimos como sigue
(es una forma simplificada, la definición formal la puedes ver aquí
(h p://en.wikipedia.org/wiki/Fuzzy_set_operations)):
NOT a
1–a
a OR b (Union)
Max{a, b}
a AND b (Intersection)
https://inteligenciaartificial101.wordpress.com/2013/09/23/logica-difusa/ 3/5
27/11/2018 Lógica Difusa – Inteligencia Artificial 101
Min{a, b}
F(2.5°C)
IF 50% fría OR 50% demasiado frío AND 100% templado THEN calentar
Como puedes apreciar, una proposición en lógica difusa no siempre es 100% cierta, solo lo es en
cierto grado. Para este caso solo es verdad la proposición en 50%. Aquí es donde uno se da cuenta
que se necesita saber cuánto se debe calentar dada una proposición hasta cierto grado cierta. Para ello
se suele usar otra función de pertenencia para calentar, pero se necesitar hacer la operación inversa,
en vez de hacer difuso (fuzzy) se necesita defuzzificar (defuzzification). De tal modo que dado cierto
grado de pertenencia, se debe obtener un valor nítido (crisp value) para saber exactamente a qué ritmo
calentar.
Para ello hay varios métodos que quedan fuera de esta entrada, pero supóngase que si las potencias
de calentar son tres:
Baja
Media
Alta
Entonces, lo más seguro (no estamos sustentando con ninguna función de pertenencia, solo mera
intuición) es que se deba calentar a potencia “Media”.
Referencias:
A Short Fuzzy Logic Tutorial. (2010), (Figure 2), 1-6. Recuperado a partir de
h p://www.cs.bilkent.edu.tr/~bulbul/depth/fuzzy.pdf
(h p://www.cs.bilkent.edu.tr/~bulbul/depth/fuzzy.pdf)
Colom Cañellas, A. J., & Ballester Brage, L. (2006). Lógica difusa: una nueva epistemología para las
Ciencias de la Educación. Revista de educación, (340), 995-1008.
https://inteligenciaartificial101.wordpress.com/2013/09/23/logica-difusa/ 4/5
27/11/2018 Lógica Difusa – Inteligencia Artificial 101
Advertisements
REPORT THIS AD
REPORT THIS AD
Uncategorized Logica Difusa
https://inteligenciaartificial101.wordpress.com/2013/09/23/logica-difusa/ 5/5