La lgica difusa ("fuzzy logic" en ingls) se adapta mejor al mundo real en el que vivimos, e incluso

puede comprender y funcionar con nuestras expresiones, del tipo "hace mucho calor", "no es muy
alto", "el ritmo del corazn est un poco acelerado", etc.
La clave de esta adaptacin al lenguaje, se basa en comprender los cuantificadores de cualidad
para nuestras inferencias (en los ejemplos de arriba "mucho", "muy" y "un poco").
En la teora de conjuntos difusos se definen tambin las operaciones
de unin, interseccin, diferencia, negacin o complemento, y otras operaciones sobre conjuntos
(ver tambin subconjunto difuso), en los que se basa esta lgica.
Para cada conjunto difuso, existe asociada una funcin de pertenencia para sus elementos, que
indican en qu medida el elemento forma parte de ese conjunto difuso. Las formas de las
funciones de pertenencia ms tpicas son trapezoidal, lineal y curva.
Se basa en reglas heursticas de la forma SI (antecedente) ENTONCES (consecuente), donde el
antecedente y el consecuente son tambin conjuntos difusos, ya sea puros o resultado de operar
con ellos. Sirvan como ejemplos de regla heurstica para esta lgica (ntese la importancia de las
palabras "muchsimo", "drsticamente", "un poco" y "levemente" para la lgica difusa):
SI hace muchsimo fro ENTONCES aumento drsticamente la temperatura.
SI voy a llegar un poco tarde ENTONCES aumento levemente la velocidad.
Los mtodos de inferencia para esta base de reglas deben ser sencillos, verstiles y eficientes. Los
resultados de dichos mtodos son un rea final, fruto de un conjunto de reas solapadas entre s
(cada rea es resultado de una regla de inferencia). Para escoger una salida concreta a partir de
tanta premisa difusa, el mtodo ms usado es el del centroide, en el que la salida final ser el
centro de gravedad del rea total resultante.
Las reglas de las que dispone el motor de inferencia de un sistema difuso pueden ser formuladas
por expertos, o bien aprendidas por el propio sistema, haciendo uso en este caso de redes
neuronales para fortalecer las futuras tomas de decisiones.
Los datos de entrada suelen ser recogidos por sensores, que miden las variables de entrada de un
sistema. El motor de inferencias se basa en chips difusos, que estn aumentando
exponencialmente su capacidad de procesamiento de reglas ao a ao.
Un esquema de funcionamiento tpico para un sistema difuso podra ser de la siguiente manera:

Funcionamiento de un sistema de control difuso.
En la figura, el sistema de control hace los clculos con base en sus reglas heursticas, comentadas
anteriormente. La salida final actuara sobre el entorno fsico, y los valores sobre el entorno fsico
de las nuevas entradas (modificado por la salida del sistema de control) seran tomadas por
sensores del sistema.
Por ejemplo, imaginando que nuestro sistema difuso fuese el climatizador de un coche que se
autorregula segn las necesidades: Los chips difusos del climatizador recogen los datos de
entrada, que en este caso bien podran ser la temperatura y humedad simplemente. Estos datos
se someten a las reglas del motor de inferencia (como se ha comentado antes, de la forma SI...
ENTONCES... ), resultando un rea de resultados. De esa rea se escoger el centro de gravedad,
proporcionndola como salida. Dependiendo del resultado, el climatizador podra aumentar la
temperatura o disminuirla dependiendo del grado de la salida.
Lgica Difusa Compensatoria (LDC)[editar]
La LDC es un modelo lgico multivalente que permite la modelacin simultnea de los procesos
deductivos y de toma de decisiones. El uso de la LDC en los modelos matemticos permite utilizar
conceptos relativos a la realidad siguiendo patrones de comportamiento similares al pensamiento
humano. Las caractersticas ms importantes de estos modelos son: La flexibilidad, la tolerancia
con la imprecisin, la capacidad para moldear problemas no lineales y su fundamento en el
lenguaje de sentido comn. Bajo este fundamento se estudia especficamente cmo acondicionar
el modelo sin condicionar la realidad.
La LDC utiliza la escala de la LD, la cual puede variar de 0 a 1 para medir el grado de verdad o
falsedad de sus proposiciones, donde las proposiciones pueden expresarse mediante predicados.
Un predicado es una funcin del universo X en el intervalo [0; 1], y las operaciones de conjuncin,
disyuncin, negacin e implicacin, se definen de modo que restringidas al dominio [0; 1] se
obtenga la Lgica Booleana.
Las distintas formas de definir las operaciones y sus propiedades determinan diferentes lgicas
multivalentes que son parte del paradigma de la LD. Las lgicas multivalentes se definen en
general como aqullas que permiten valores intermedios entre la verdad absoluta y la falsedad
total de una expresin. Entonces el 0 y el 1 estn asociados ambos a la certidumbre y la exactitud
de lo que se afirma o se niega y el 0,5 a la vaguedad y la incertidumbre mximas. En los procesos
que requieren toma de decisiones, el intercambio con los expertos lleva a obtener formulaciones
complejas y sutiles que requieren de predicados compuestos. Los valores de verdad obtenidos
sobre estos predicados compuestos deben poseer sensibilidad a los cambios de los valores de
verdad de los predicados bsicos.
Esta necesidad se satisface con el uso de la LDC, que renuncia al cumplimiento de las propiedades
clsicas de la conjuncin y la disyuncin, contraponiendo a stas la idea de que el aumento o
disminucin del valor de verdad de la conjuncin o la disyuncin provocadas por el cambio del
valor de verdad de una de sus componentes, puede ser compensado con la correspondiente
disminucin o aumento de la otra. Estas propiedades hacen posible de manera natural el trabajo
de traduccin del lenguaje natural al de la Lgica, incluidos los predicados extensos si stos surgen
del proceso de modelacin.
En la LDC, el operador conjuncin, expresado como c (and) es la media geomtrica. [1]
La modelizacin de la vaguedad en la Lgica Difusa Compensatoria[editar]
En la LDC la modelizacin de la vaguedad se logra a travs de variables lingsticas, lo que permite
aprovechar el conocimiento de los expertos, al contrario de lo que ocurre en otros mtodos ms
cercanos a las cajas negras y exclusivamente basados en datos, como por ejemplo las redes
neuronales.
Existen autores como Jess Cejas Montero en su Artculo La Lgica Difusa Compensatoria
publicado en el 2011 por la Revista Ingeniera Industrial del Instituto Superior Politcnico Jos
Antonio Echeverra , que marc un hito en la difusin de la LDC, que recomiendan el uso de
funciones de pertenencia sigmoidales para funciones crecientes o decrecientes. Los parmetros de
estas funciones quedan determinados fijando dos valores. El primero de ellos es el valor a partir
del cual se considera que la afirmacin contenida en el predicado es ms cierta que falsa, por
ejemplo pudiera establecerse a partir de 0.5. El segundo es el valor para el cual el dato hace casi
inaceptable la afirmacin correspondiente, por ejemplo pudiera establecerse a partir de 0.1.
En la actualidad existe un Sistema de Soporte a Decisiones Basado en rboles con Operadores de
Lgica Difusa cuyo nombre es Fuzzy Tree Studio 1.0, desarrollado en forma conjunta entre
Universidad CAECE y la Universidad Nacional de Mar del Plata (Argentina), que posee un mdulo
que trabaja con la LDC. Ello permite al agente decisor despreocuparse por el trasfondo
matemtico y centrarse en la formulacin verbal del modelo que le permita tomar una decisin.
En general los modelos basados en LDC combinan la experiencia y el conocimiento con datos
numricos, por lo que puede ser visto como una caja gris. Los modelos basados en LD pueden
verse como cajas blancas, dado que permiten ver su estructura explcitamente. En
contraposicin a los modelos basados en datos exclusivamente, como las Redes Neuronales, que
corresponderan a cajas negras.
Estos modelos pueden ser optimizados cuando se dispone de datos reales numricos. El mtodo
de optimizacin puede provenir de la Inteligencia Computacional. En este contexto, los Algoritmos
Genticos presentan una alternativa interesante. Este enfoque constituye el fundamento de los
sistemas hbridos.
La tendencia de las investigaciones sobre gestin empresarial, mediante las tcnicas de la LDC,
est orientada a la creacin de sistemas hbridos que integren esta con las habilidades de las
Redes Neuronales y las posibilidades de los Algoritmos Genticos y la Lgica de Conjuntos. La
creacin e implementacin de estos sistemas mixtos permite resolver problemas complejos y de
difcil solucin; en las que se usan estimaciones subjetivas sustentadas en la experiencia y en la
informacin disponible, como son: modelos de decisin utilizados con criterios de optimizacin,
ubicacin de centros comerciales, estrategia de entrada a mercados, seleccin de carteras de
productos y servicios, desarrollo de aplicaciones informticas, mtodos para problemas de
descubrimiento de conocimiento, mtodos para evaluar la eficiencia de diferentes tipos de
instituciones, entre otras.
La Lgica Difusa Compensatoria es un modelo lgico multivalente que renuncia a varios axiomas
clsicos para lograr un sistema idempotente y sensible, al permitir la compensacin de los
predicados. En la LD el valor de verdad de la conjuncin es menor o igual a todas las componentes,
mientras que el valor de verdad de la disyuncin es mayor o igual a todas las componentes. La
renuncia de estas restricciones constituye la idea bsica de la LDC.
En conclusin la LDC es un nuevo enfoque para los sistemas multivalentes basado en la Media
Geomtrica que, adems de aportar un sistema formal con propiedades lgicas de notable inters,
constituye un puente entre la Lgica y la Toma de Decisiones. La LDC entra a formar parte del
arsenal de mtodos para la evaluacin multicriterio, adecundose especialmente a aquellas
situaciones en que el agente decisor puede describir verbalmente, frecuentemente en forma
ambigua, la heurstica que utiliza cuando ejecuta acciones de evaluacin/clasificacin multicriterio.
Sin embargo, la consistencia de la plataforma lgica dota a esta propuesta de una capacidad de
formalizacin del razonamiento que rebasa los enfoques descriptivos de los procesos de decisin.
Es una oportunidad para usar el lenguaje como elemento clave de comunicacin en la
construccin de modelos semnticos que faciliten la evaluacin, la toma de decisiones y el
descubrimiento de conocimiento.
Aplicaciones[editar]
Aplicaciones generales[editar]
La lgica difusa se utiliza cuando la complejidad del proceso en cuestin es muy alta y no existen
modelos matemticos precisos, para procesos altamente no lineales y cuando se envuelven
definiciones y conocimiento no estrictamente definido (impreciso o subjetivo).
En cambio, no es una buena idea usarla cuando algn modelo matemtico ya soluciona
eficientemente el problema, cuando los problemas son lineales o cuando no tienen solucin.
Esta tcnica se ha empleado con bastante xito en la industria, principalmente en Japn,
extendindose sus aplicaciones a multitud de campos. La primera vez que se us de forma
importante fue en el metro japons, con excelentes resultados. Posteriormente se generaliz
segn la teora de la incertidumbre desarrollada por el matemtico y economista espaol Jaume
Gil Aluja.
A continuacin se citan algunos ejemplos de su aplicacin:
Sistemas de control de acondicionadores de aire
Sistemas de foco automtico en cmaras fotogrficas
Electrodomsticos familiares (frigorficos, lavadoras...)
Optimizacin de sistemas de control industriales
Sistemas de escritura
Mejora en la eficiencia del uso de combustible en motores
Sistemas expertos del conocimiento (simular el comportamiento de un experto humano)
Tecnologa informtica
Bases de datos difusas: Almacenar y consultar informacin imprecisa. Para este punto, por
ejemplo, existe el lenguaje FSQL.
...y, en general, en la gran mayora de los sistemas de control que no dependen de un
S/No.