Académique Documents
Professionnel Documents
Culture Documents
Ricardo R. Gudwin *
Ricardo Tanscheit **
1 - INTRODUO
A lgica fuzzy a lgica baseada na teoria dos conjuntos fuzzy. Ela difere dos sistemas lgicos
tradicionais em suas caractersticas e seus detalhes. Nesta lgica, o raciocnio exato corresponde a um caso
limite do raciocnio aproximado, sendo interpretado como um processo de composio de relaes nebulosas.
Na lgica fuzzy, o valor verdade de uma proposio pode ser um subconjunto fuzzy de qualquer
conjunto parcialmente ordenado, ao contrrio dos sistemas lgicos binrios, onde o valor verdade s pode
assumir dois valores: verdadeiro (1) ou falso (0). Nos sistemas lgicos multi-valores, o valor verdade de uma
proposio pode ser ou um elemento de um conjunto finito, num intervalo, ou uma lgebra booleana. Na lgica
nebulosa, os valores verdade so expressos linguisticamente, (e.g. : verdade, muito verdade, no verdade,
falso, muito falso, ...), onde cada termo lingustico interpretado como um subconjunto fuzzy do intervalo
unitrio.
Outras caractersticas da lgica fuzzy podem ser sumarizadas como segue : nos sistemas lgicos
binrios, os predicados so exatos (e.g. : par, maior que ), ao passo que na lgica fuzzy os predicados so
nebulosos (e.g. : alto, baixo, ...). Nos sistemas lgicos clssicos, o modificador mais utilizado a negao
enquanto que na lgica fuzzy uma variedade de modificadores de predicados so possveis (e.g. : muito, mais
ou menos, ...). Estes modificadores so essenciais na gerao de termos lingusticos (e.g. : muito alto, mais ou
menos perto, etc).
Nos sistemas lgicos clssicos existem somente os quantificadores existenciais () e universais (). A
lgica fuzzy admite, em adio, uma ampla variedade de quantificadores (e.g. : pouco, vrios, usualmente,
frequentemente, em torno de cinco, etc ).
A probabilidade, no contexto da lgica clssica, um valor numrico ou um intervalo. Na lgica
nebulosa existe a opo adicional de se empregar probabilidades lingusticas (e.g. : provvel, altamente
provvel, improvvel, etc), interpretados como nmeros fuzzy e manipuladas pela aritmtica fuzzy (Kaufmann
& Gupta , 1985). Tambm, em contraste com a lgica modal clssica, o conceito de possibilidade
interpretado utilizando-se subconjuntos fuzzy no universo dos reais (Zadeh, 1988).
Nas teorias de controle clssica e moderna, o primeiro passo para implementar o controle de um
processo derivar o modelo matemtico que descreve o processo. O procedimento, requer que se conhea
detalhadamente o processo a ser controlado, o que nem sempre factvel se o processo muito complexo. As
teorias de controle existentes se aplicam a uma grande variedade de sistemas, onde o processo bem definido.
Vrias tcnicas, tais como para controle linear multivarivel (Doyle e Skin, 1981), estimao de estado a partir
de medidas ruidosas (Anderson e Moore, 1979), controle timo (Sage e White, 1977), sistemas lineares
estocsticos (Bertsekas, 1976), alm de certas classes de problemas no-lineares determinsticos (Holtzman,
1970), foram desenvolvidas e aplicadas com sucesso em um grande nmero de problemas bem postulados.
Entretanto, todas estas tcnicas no so capazes de resolver problemas reais cuja modelagem matemtica
impraticvel. Por exemplo, em diversas situaes um volume considervel de informaes essenciais s
conhecido a priori de forma qualitativa. Do mesmo modo, critrios de desempenho s esto disponveis em
termos lingusticos. Este panorama leva a imprecises e falta de exatido que inviabilizam o uso da maioria
das teorias utilizadas at agora.
A modelagem e o controle fuzzy (Lee, 1990) so tcnicas para se manusear informaes qualitativas de
uma maneira rigorosa. Tais tcnicas consideram o modo como a falta de exatido e a incerteza so descritas e,
fazendo isso, tornam-se suficientemente poderosas para manipular de maneira conveniente o conhecimento. A
sua utilizao em sistemas de controle de processos em tempo real, em computadores ou micro-controladores,
das mais convenientes, dado que, geralmente, no envolvem nenhum problema computacional srio. A teoria
de modelagem e controle fuzzy trata do relacionamento entre entradas e sadas, agregando vrios parmetros
de processo e de controle. Isso permite a considerao de processos complexos, de modo que os sistemas de
controle resultantes proporcionam um resultado mais acurado, alm de um desempenho estvel e robusto. A
grande simplicidade de implementao de sistemas de controle fuzzy pode reduzir a complexidade de um
projeto a um ponto em que problemas anteriormente intratveis passam agora a ser solveis.
2 - CONJUNTOS FUZZY
2.1 - Fundamentos
Nesta seo sero apresentadas as idias bsicas sobre conjuntos e lgica fuzzy visando a modelagem e o
desenvolvimento de sistemas em geral e de sistemas de controle em particular. Apesar de existir uma complexa
base formal sustentando, por exemplo, seu uso na modelagem e controle de sistemas, ser evidenciado aqui
somente o necessrio para o entendimento da teoria bsica de sistemas fuzzy (Pedrycz, 1989; Yager et.al.,
1987; Lee, 1990; Albertos, 1992).
Na teoria de conjuntos clssica, um elemento pertence ou no a um dado conjunto. Dado um universo U
e um elemento particular x U, o grau de pertinncia A(x) com respeito a um conjunto A U dado por:
1 se x A
A ( x) =
0 se x A
A funo A(x) : U {0,1} chamada de funo caracterstica na teoria clssica de conjuntos.
Frequentemente, uma generalizao desta idia utilizada, por exemplo, para manipulao de dados com erros
limitados. Todos os nmeros dentro de um erro percentual tero um fator de pertinncia 1, tendo todos os
demais um fator de pertinncia 0. (veja figura 1a). Para o caso preciso, o fator de pertinncia 1 somente no
nmero exato, sendo 0 para todos os demais (veja figura 1b).
(a)
(b)
0
U
(c)
0
U
25
Zadeh (Zadeh, 1965) props uma caracterizao mais ampla, na medida em que sugere que alguns
elementos so mais membros de um conjunto do que outros. O fator de pertinncia pode ento assumir
qualquer valor entre 0 e 1, sendo que o valor 0 indica uma completa excluso e um valor 1 representa completa
pertinncia. Esta generalizao aumenta o poder de expresso da funo caracterstica. Por exemplo, para
expressar a idia de que uma temperatura tem seu valor por volta de 25, pode-se utilizar uma funo de
pertinncia triangular (veja figura 1c), com o pico em 25, para sugerir a idia de que quanto mais perto o
nmero de 25, mais ele se identifica com o conceito representado.
Formalmente, seja U uma coleo de objetos denominados genericamente por {u}. U chamado de
universo de discurso, podendo ser contnuo ou discreto. Um conjunto fuzzy A em um universo de discurso U
definido por uma funo de pertinncia A que assume valores em um intervalo [0,1]:
A : U [0,1]
O conjunto fuzzy A em U , ento, um conjunto de pares ordenados
A = {A(u)/u}, u U
O conjunto suporte de um conjunto fuzzy A o sub-conjunto dos pontos u de U tal que A(u) > 0. Um
conjunto fuzzy cujo conjunto suporte um nico ponto de U com A = 1 chamado de um conjunto unitrio
fuzzy.
A = se e somente se u U, A(u) = 0
Complemento A:
A(u) = 1 - A(u)
Conjuntos iguais:
A subconjunto de B:
Nas operaes com conjuntos fuzzy utilizam-se os conceitos de norma triangular (norma-t) e co-norma
triangular (norma-s). Uma norma triangular uma funo : [0,1] [0,1] [0,1] tal que, x, y, z, w
[0,1]:
(i)
(ii)
(iii)
(iv)
x
x
(x
x
w y z, se x y, w z
y = y x
y) z = x (y z)
0 = 0; x 1 = x
Uma co-norma triangular tal que :[0,1] [0,1] [0,1], satisfazendo as propriedades (i) a (iii) acima
e ainda
(iv)
x 0 = x; x 1 = 1
Exemplos de normas-t incluem o mnimo () e o produto algbrico (.). Como exemplo de normas-s
podem ser citadados o mximo () e a soma limitada () (Pedrycz, 1989).
Para representar a unio e interseo de conjuntos fuzzy, utilizam-se respectivamente normas
triangulares e co-normas triangulares. Assim, utilizando-se os operadores mnimo como norma-t e mximo
como norma-s, tm-se:
Unio de A e B:
Interseco de A e B:
(A')'= A
Idempotncia:
AA=A e AA=A
Comutatividade:
AB=BA e AB=BA
Associatividade:
(A B) C = A (B C) e (A B) C = A (B C)
Distributividade:
A (B C) = (A B) (A C)
A (B C) = (A B) (A C)
Lei Transitiva:
se A B e B C ento A C
Observando que as funes de pertinncia dos conjuntos vazio e universo so definidas como sendo 0 e
1, respectivamente, u U, as seguintes propriedades tambm so vlidas:
A= e AU=A
A=A e AU=U
As propriedades de conjuntos clssicos que no se verificam para conjuntos fuzzy so:
A A' e A A' U
temp
BAIXA
MDIA
ALTA
0
25
50
75
temperatura ( C )
Termos Primrios: nomes de conjuntos fuzzy especificados em um determinado universo (por exemplo
alto, baixo, pequeno, mdio, grande, zero).
(b)
Conectivos Lgicos: A negao NO , conectivos E e OU, e conectivos mascarados, como mas, porm.
(c)
(d)
Termos primrios esto associados diretamente a conjuntos fuzzy. Estes, so usualmente definidos de
trs maneiras diferentes:
Funes de pertinncia analticas.
Funes de pertinncia lineares por partes, resultando em formas triangulares ou trapezoidais.
Funes de pertinncia discretizadas
A negao NO e os conectivos E e OU podem ser definidos em termos das operaes de
complementao, interseco e unio, respectivamente. Os conectivos mascarados correspondem
funcionalmente aos conectivos E e OU. Por exemplo, quente mas no muito quente corresponde
funcionalmente a quente e no muito quente.
Modificadores lingusticos servem para modificar o conjunto fuzzy associado a um termo lingustico,
por meio de uma composio de funes. Por exemplo, seja m:[0,1][0,1] correspondente ao modificador
muito. Se b:U[0,1] corresponder ao conjunto fuzzy associado ao termo lingustico baixo, o conjunto fuzzy
associado ao termo lingustico composto muito baixo ser m(b(u)). Note que os modificadores no so funes
definidas U [0,1], mas sim [0,1][0,1].
Delimitadores so utilizados para evitar ambiguidades. Por exemplo, {a E b OU c E d} pode ser
ambguo, ou seja, pode significar { (a E B) OU (c E D)} ou ento {a E (b OU c) E d}. Para determinar com
preciso a ordem em que os operadores lgicos devem ser considerados, utilizam-se os delimitadores. Quando
esta ordem puder ser determinada sem ambiguidade, os delimitadores podem ser omitidos.
Utilizando todos estes tipos de termos, pode-se gerar um conjunto maior de valores para uma varivel
lingustica a partir de uma coleo de termos primrios. Por exemplo, usando MUITO em conjunto com NO,
E, e o termo primrio grande, pode-se gerar os conjuntos fuzzy MUITO grande, MUITO MUITO grande,
NO MUITO grande, grande E NO MUITO grande, etc.
Formalmente, uma varivel lingustica caracterizada por uma quntupla (X,T(X),U,G,M), onde:
X:
T(X) :
U:
G:
M:
Nome da varivel
Conjunto de termos de X, ou seja, o conjunto de nomes dos valores lingusticos de X.
Universo de discurso
Regra sinttica (geralmente uma gramtica) para gerar os valores de X como uma composio de
termos de T(X), conectivos lgicos (negao, interseo e unio), modificadores e delimitadores.
Regra semntica, para associar a cada valor gerado por G um conjunto fuzzy em U.
A principal funo das variveis lingusticas fornecer uma maneira sistemtica para uma
caracterizao aproximada de fenmenos complexos ou mal definidos. Em essncia, a utilizao do tipo de
descrio lingustica empregada por seres humanos, e no de variveis quantificadas, permite o tratamento de
sistemas que so muito complexos para serem analisados atravs de mecanismos matemticos convencionais.
O operador SE...ENTO tambm conhecido como uma declarao condicional fuzzy. Este operador
descreve a dependncia do valor de uma varivel lingustica em relao ao valor de uma outra (independente).
Seu uso dado por:
SE (x A) ENTO (y B)
Esta pode ser reduzida a uma proposio fuzzy binria:
( (x,y) RA B )
A funo de pertinncia R (x,y) que define a implicao pode ser obtida a partir das funes de
pertinncia individuais A(x) e B(y) de inmeras maneiras (Gaines, 1976; Baldwin & Pilsworth, 1980;
Yager, 1980; Mizumoto, 1982; Whalen & Schott, 1983). De um modo genrico
RA B = { R (x,y) / (x,y) | R (x,y) = f (A (x) , B (y) ) }
Vrias declaraes podem ser combinadas atravs do conectivo OU, formando assim um algoritmo
fuzzy RN, da forma:
RN : R1 OU R2 OU R3 ..... OU Rn
Se A1 , A2 , ...., An so conjuntos fuzzy em X, e B1 , B2, ....., Bn so conjuntos fuzzy em Y, um
algoritmo fuzzy dado por:
((x,y) RN) :
((x,y) RN ) :
Assim, supondo que a funo fOU associativa, ou seja fOU (a, fOU (b,c)) = fOU (fOU (a,b), c) = fOU (a,b,c),
para o algoritmo fuzzy tm-se:
RN (x,y) = fOU (R1(x,y), R2(x,y), .... , Rn(x,y))
= fOU [f (A1(x), B1(y)), f (A2(x), B2(y)), ....., f(An(x), Bn(y))]
As equaes acima foram desenvolvidas para variveis simples A e B, mas podem ser estendidas para
casos de mais variveis. Normalmente as variveis antecedentes so combinadas atravs do conectivo E:
SE ( (x1 A1) E (x2 A2 ) E ... E (xm Am ) ) ENTO (y B)
que se reduz a:
( (x1 , x2 , .... , xm , y) R)
Neste caso, supondo-se do mesmo modo que fE associativa tm-se:
R (x1 , x2 , .... , xm , y) = f ( fE (A1 (x1) , A2 (x2 ) , .... , Am (xm) ) , B (y) )
Consideremos agora, em detalhe, quatro das funes de implicao j utilizadas em aplicaes de
controle. Por uma questo de simplicidade, as sentenas sero do tipo SE A ENTO B.
(1) mnimo, proposta por Mamdani (Mamdani, 1974; Mamdani & Assilian, 1975) como simplificao
de max-min, originariamente proposta por Zadeh, baseada em princpios de lgica:
RA
(2) produto, utilizada por Ostergaard (Holmblad & Ostergaard, 1981) em aplicaes prticas:
RA B (x,y) = A(x) . B(y)
RN (x,y) =
Nos casos (3) e (4) acima, a combinao de n declaraes condicionais d-se atravs do conectivo E,
implementado pelo mnimo. Assim, para VSS:
RN (x,y) =
(1 - Aj (x)) Bj (y))
SE (x A) ENTO (y B)
SE (y B) ENTO (z C)
SE (x A) ENTO (z C)
Como j vimos, a composio R12 = R1 o R2 determinada pela composio sup- . Por exemplo, esta
pode ser definida ou por uma regra do tipo max-min
R12 (x,z) =
(R (x,y) R (y,z))
y
R12 (x,z) =
(R (x,y) . R (y,z))
y
min), emprega-se a regra composicional max-min. No caso de implicaes que envolvem operadores
aritmticos, pode-se usar a regra max-produto.
A questo que se coloca agora a seguinte: dada uma relao entre 2 variveis fuzzy, qual o
consequente para um dado antecedente? Esta questo equivalente a dizermos que temos duas proposies
fuzzy, a primeira uma proposio fuzzy simples, correspondendo a um fato, e a segunda uma proposio fuzzy
binria, correspondendo a uma regra fuzzy. Consideremos duas variveis lingusticas x e y, s quais so
associados os conjuntos fuzzy A e B definidos abaixo:
A = {A(x)/x}
B = {B (y)/y}
xX
yY
e a relao de implicao entre elas R = {R(x,y) / (x,y)}, R (x,y) = f (A (x), B (y) ) gerando a
proposio fuzzy binria
( (x,y) R)
correspondendo regra fuzzy SE (x A) ENTO (y B).
Se dada uma proposio fuzzy simples (fato) (x A'), onde A dado por
A'= {A (x)/x}
pode-se inferir, pela regra da composio:
(y B)
Utilizando-se a regra (lei) de inferncia max-min(Zadeh, 1973) teremos que:
B'= A' o R
B'= {
A interpretao grfica desta regra mostrada pela figura 3 abaixo, onde a interseco interpretada
pela t-norma min e a projeo em Y pelo operador max. Note que, em sntese, esta regra constituida de duas
etapas : interseo da extenso cilndrica de A, A com RAB , e a projeo desta interseco em Y.
A R A B
R AB
B
B (y ) = sup{ A (x ) 7 R
u
A B
(x, y)}
Quando mais de uma regra acionada, as contribuies das diversas regras aps a inferncia so
combinadas pelo operador de agregao (fOU ) . Por exemplo, supondo-se que B'1,...,B'n so os resultados
derivados das diversas regras acionadas, todos relacionados com a mesma varivel lingustica, o resultado
combinado B' :
n
B= U Bi
i
onde
A figura 4 ilustra o processo de inferncia max-min quando existem 2 regras, Ai Bi e Aj Bj. A' o
fato de entrada, representado como um conjunto fuzzy.
Ai
Bi
B
i
U
Aj
Bj
V
Bj
U
f ( x ) = ( x 3)
f(x)
30.0
15.0
0.0
-2.00 0.00 2.00
4.00
6.00
8.00
x
10
A descrio de um sistema com este tipo de equao de grande importncia. , no entanto, muito
difcil de identificar a equao que descreve o sistema exatamente, especialmente em casos de sistemas
complexos e com mltiplas variveis. Em adio, tambm muito difcil reescrever esta equao quando a
relao entre x e f(x) varia. Portanto, esta descrio no apropriada para a maioria de sistemas complexos
tais como, sistemas no lineares e sistemas variantes no tempo. A medida que a complexidade do sistema
aumenta, a possibilidade de descrever um sistema com equaes matemticas diminui (Princpio da
Incompatibilidade de Zadeh).
Uma outra abordagem consiste em descrever a relao entre x e f(x) atravs de regras do tipo:
Regra i : Se x Ai Ento f(x) Bi
i = 1,..., N
15.0
0.0
-2.00 0.00 2.00 4.00 6.00 8.00
Figura 6 - Exemplo de Funo f(x) descrita por Regras Lingusticas com Valores Exatos.
Regra 1
Regra 2
Regra 3
Regra 4
Regra 5
Regra 6
Regra 7
Regra 8
Regra 9
Regra 10
Regra 11
Se x -2
Se x -1
Se x 0
Se x 1
Se x 2
Se x 3
Se x 4
Se x 5
Se x 6
Se x 7
Se x 8
Ento
Ento
Ento
Ento
Ento
Ento
Ento
Ento
Ento
Ento
Ento
f(x) 25
f(x) 16
f(x) 9
f(x) 4
f(x) 1
f(x) 0
f(x) 1
f(x) 4
f(x) 9
f(x) 16
f(x) 25
A vantagem desta descrio a facilidade em mudar a descrio do sistema. Por exemplo, quando
somente uma variao local verificada (indicada por quadrados na figura 6) necessrio somente modificar
os valores correspondentes dos consequentes das regras (e.g. : Regra 7 : 1 para 2; Regra 8 : 4 para 6; Regra 9 :
9 para 13; Regra 10 : 16 para 18) pois as regras so independentes umas das outras. Isto mostra que a
descries na forma de regras so apropriadas para sistemas com aprendizagem, sistemas auto-organizveis e
sistemas adaptativos. Por outro lado, existem tambm algumas desvantagens. Quando dado que x=1 a
concluso obtida f(x) = 4 a partir do casamento entre o dado x=1 com o antecedente x=1 da regra 4. Este ,
essencialmente, o procedimento bsico de inferncia em sistemas baseados em regras da inteligncia artificial
clssica. Contudo, se dado que x = 1.5 nada pode ser inferido a partir do conjunto de regras mencionado pois
no existe nenhuma delas que possui um antecedente com x=1.5, exatamente. Isto mostra que os sistemas
11
clssicos binrios so pouco eficientes com relao a conhecimento impreciso, com rudo ou com variao em
dados de entrada, e que necessrio uma enorme quantidade de regras (base de conhecimento) para se obter
um resultado ou desempenho significativo. Consequentemente, este tipo clssico de inferncia demanda tempo
devido a necessidade de se verificar o casamento entre um dado e uma base de regras (em geral muito grande).
Em adio, este mecanismo de inferncia no apropriado para manusear possveis regras contraditrias
existentes pois, caso contrrio, poderia produzir concluses tambm contraditrias a partir de um mesmo dado.
Estas desvantagens esto tambm presentes nos sistemas clssicos de inteligncia artificial, baseados somente
no processamento simblico, mas no no processamento do significado dos termos lingusticos.
Alternativamente, poderamos utilizar regras do mesmo tipo anterior, mas interpretando-as como regras fuzzy.
Neste caso Ai e Bi seriam termos lingusticos associados varivel x, cada um destes termos associado a um
conjunto fuzzy a fim de se estabelecer seu significado.
Assim, poderamos descrever a relao entre x e f(x) por :
Regra 1 : Se x est no entorno de -2
Ento f(x) est no entorno de 25
Regra 2 : Se x est no entorno de -1
Ento f(x) est no entorno de 16
...
Regra 11: Se x est no entorno de 8
Ento f(x) est no entorno de 25
Neste caso, a relao precisa entre x e f(x) da figura 6 fuzzyficada, tornando-a contnua como
mostrado pela figura 7.
f(x)
30.0
15.0
0.0
-2.00
0.00
2.00
4.00
6.00
8.00
x
1 - apropriada para descrever sistemas complicados com uma razovel quantidade de conhecimento;
2 - fcil selecionar as variveis lingusticas e os correspondentes valores a serem usados nas regras fuzzy
entre uma categoria relativamente pequena de palavras;
12
q j = h w ij . p i j
i
h( x) = [1 + exp( x)]
Utilizando-se deste modelo de neurnio, a relao existente entre x e f(x) pode ser caracterizada pela
rede neural como mostrado na figura 8,onde tanto os pesos wij quanto os limiares j foram obtidos aps
inmeras iteraes de aprendizado utilizando-se dos algoritmos clssicos de propagao retroativa
(backpropagation). Os dados utilizados foram aqueles correspondentes s 11 regras com termos lingusticos
constantes apresentados anteriormente. Como pode ser verificado pela figura 9 a rede neural capaz de
realizar interpolaes de forma similar ao caso da inferncia fuzzy. Contudo em geral muito difcil de
entender, apenas pela observao do conjunto de parmetros, como a rede neural se comporta. Em adio,
existem problemas na determinao da topologia mais apropriada para o problema em questo (nmero de
neurnios, camadas intermedirias, recursividade ou no-recursividade, etc...); bem como problemas de
convergncia durante o processo de aprendizagem. Se o sistema est sujeito a variaes em seu
13
comportamento, nova aprendizagem deve, em geral, ser executada para se obter um novo conjunto de pesos e
limiares correspondentes e muitas vezes os resultados no so razoveis. Isto , existe uma maior dificuldade
em projetar sistemas para fins de modelagem (e controle) com redes neurais do que com sistemas fuzzy. Esta
uma das razes pela qual os sistemas fuzzy tem sido mais populares na soluo de problemas prticos do que as
redes neurais. No entanto, pesquisa recente vem gerando classes de sistemas neuro-fuzzy, onde as limitaes e
vantagens de ambas as abordagens so tratadas de forma a criar sistemas mais eficientes tanto do ponto de
vista da soluo de problemas, quanto da questo de anlise e projeto dos mesmos (Pedrycz, 1992; Gomide &
Rocha, 1992-b; Gomide & Rocha, 1992-c; Figueiredo et.al. 1993). Devido a limitaes de espao, este assunto
(esperamos) dever ser objeto de um artigo no futuro.
f(x)
30.0
15.0
0.0
-2.00
0.00
2.00
4.00
6.00
8.00
x
14
Interface de
Fuzzyficao
Procedimento de
Inferncia
Sensores
Interface de
Defuzzyficao
Processo
Atuadores
0
V
MAX
CDA
MDM
15
B( vk ). vk
CDA = k =1n
MOM =
B ( v k )
v k
k =1 l
l
k =1
(discretizao de V ) e n a discretizao de V
onde Ej, CEj e Uj so subconjuntos fuzzy dos universos E = {e}, CE = {ce}, U = {u}.
Cada regra Rj pode ser expressa, atravs de sua funo de pertinncia, como:
Rj (e,ce,u) = f ( fE ( Ej(e) ,Cej (ce) ), Uj(u) )
16
Ui (u) =
ce
Os clculos podem ser simplificados se considerarmos que os subconjuntos fuzzy das entradas consistem
de valores reais no fuzzy ('singletons'), isto :
Ei (e) = 1
=0
se e = ei
se e ei
Com isto,
U (u) =
Ui (u) =
i
Ou seja:
ce
ce
Ui (u) = RN (e,ce,u))
= 0
(1 1 RN (e,ce,u))
(0 0 RN (e,ce,u))
para e = ei
para e ei
para e = ei
nos outros casos
17
ceR
eR
A expresso E1(ei) CE1(cei), que determina a regio de influncia de uma regra, descreve o quanto
as entradas do controlador so compatveis com os antecedentes de uma regra j. Esta expresso normalmente
chamada de 'degree of fulfilment' da regra j no instante i, ou DOF.
Para um ponto (ei,cei) no espao de estado, as regras que contribuem para o clculo da ao do
controlador so aquelas cujos centros esto a uma distncia de (ei,cei). Se conjuntos suporte de tamanhos
diferentes forem empregados, os quadrados tornam-se paralelogramos e a distncia de uma regra do ponto
(ei,cei) no ser uniforme em todas as direes, tornando a implementao menos simples. Dependendo do
mtodo de defuzzificao empregado, menos regras podem contribuir para o clculo da ao do controlador. Se
COG for utilizado, todas as regras dentro de uma distncia contribuem e devem ser includas nos clculos.
As regras mais prximas de (ei,cei) tero uma contribuio maior que as mais distantes, evidentemente. No
entanto se MOM for empregado, somente as regras mais prximas de (ei,cei) contribuiro, e apenas elas
precisam ser includas nos clculos. Isto se deve ao fato de que, no mtodo MOM, somente os picos no
conjunto fuzzy da sada so relevantes. Esse mtodo efetivamente seleciona as regras com maior DOF, ou seja,
aquelas mais prximas de (ei,cei). Em virtude desta caracterstica, possvel criar algoritmos muito simples
em que conjuntos fuzzy no so usados explicitamente no clculo da ao do controlador.
A regio de influncia de uma regra depender da abrangncia, em termos do universo considerado, dos
conjuntos fuzzy das entradas. Portanto, o tamanho do conjunto suporte certamente influi no clculo da ao de
controle.
Consideremos conjuntos com a mesma abrangncia mas com funes de pertinncia de diferentes
formas. A forma dos conjuntos dos antecedentes de cada regra afeta a determinao de DOF, que ter um efeito
no consequente (ou sada) de cada regra, atravs do mecanismo de inferncia, e no resultado final. A forma do
conjunto do consequente de cada regra afeta o conjunto fuzzy da sada diretamente. No entanto, vejamos o que
ocorre com a sada determinstica do controlador: se MOM for usado, a forma dos conjuntos dos antecedentes
no tem importncia, desde que sejam simtricos e de forma aproximadamente "triangular". S necessrio
saber (atravs de DOF) a distncia da regra de (ei,cei); as magnitudes absolutas dos valores da funo de
pertinncia no so importantes; apenas as magnitudes em relao s de outra regra. Similarmente, a forma
dos conjuntos do consequente tambm no importante. No caso do mtodo COG, a forma dos conjuntos
suporte importante, mesmo quando h simetria. A rea sob a curva Ui (u) afetada diretamente pelo
consequente de cada regra e indiretamente por DOF.
Alm das funes de implicao apresentadas at agora, diversas outras tm sido propostas na literatura
mas geralmente considerando-as apenas sob o ponto de vista lgico (Gaines, 1976; Baldwin & Pilsworth, 1980;
Yager, 1980; Mizumoto, 1982). Com o intuito de verificar tambm o lado prtico, consideraremos alguns casos
com as funes de implicao j apresentadas, em conjunto com os mtodos de defuzzificao COG e MOM.
1. Regra nica a uma distncia de (ei,cei):
As Figs. 12a, 12b e 12c mostram o que ocorre no clculo da ao do controlador para diferentes valores
de DOF. Cabe aqui um parnteses: em uma situao com vrias regras, no caso das implicaes Luk. e VSS, o
efeito criado pelo plat que cobre todo o universo para DOF = 0 contrabalanado pela utilizao do operador
min na combinao dos diversos conjuntos fuzzy de sada de cada regra (conectivo OU). Se max fosse utilizado,
incorrerramos no absurdo de se ter ao mxima mesmo quando a regra no apresenta contribuio alguma.
Retornando figura, com VSS e Luk. os resultados produzidos por COG e MOM so diferentes por causa do
plat. Particularmente no caso de VSS, MOM interpreta melhor o efeito da regra, pois o mtodo COG, em
interpretando o pico mais o plat, desloca a sada ui do valor indicado pelo centro da regra. Isto indesejvel,
pois o plat possui nenhuma informao legtima. Cumpre observar que o uso da implicao min resulta na
sada nada, enquanto que Luk. e VSS do como resultado a sada desconhecida.
18
19
Figura 14 - Ao de Controle Ui (u) para uma regra em (ei , cei ), duas regras distncia 1 e uma distncia 2
Considerando os trs casos, em geral a implicao min aquela que produz os melhores resultados sob
o ponto de vista de controle. As implicaes VSS e Luk. produzem sadas "desconhecidas" em certos casos,
conforme demonstrado. Do ponto de vista lgico, as sadas so corretas; entretanto, do ponto de vista prtico,
mais vantajoso produzir uma sada prxima quela indicada por regras contraditrias do que uma sada "zero".
Com as implicaes VSS e Luk., por vezes no compensa utilizar o mtodo COG, pois os resultados produzidos
podem no representar adequadamente as regras existentes (devido ao plat). Cumpre salientar que a
implicao produto comporta-se de uma maneira semelhante min. A forma dos conjuntos fuzzy da sada
similar, embora mais 'suave' do que com min. O uso do mtodo COG mais indicado neste caso.
A anlise efetuada acima mostra que diversos fatores, tais como funes de implicao, mtodos de
defuzzificao, forma das funes de pertinncia, influem no clculo da ao de controle. Todos estes fatores
devem ser considerados em conjunto; os aspectos prticos, e no apenas os lgicos, devem ser cuidadosamente
considerados.
Parmetros estruturais
-Nmero de variveis de sada
-Nmero de variveis de entrada
-Recursos de operao sobre os dados de entrada (somas, multiplicaes, etc)
-Variveis lingusticas
20
21
encontrado em pacotes integrados. Tais pacotes incluem editores para as regras, funes de pertinncia e outros
parmetros, recursos grficos e um mdulo depurador, para permitir o acompanhamento do processo de
inferncia e a monitorao das variveis do processo. Tais recursos possibilitam uma grande interao com o
projetista
Outro recurso extremamente valioso a existncia de um mdulo supervisor que possa processar alguns
ndices de desempenho, alm dos convencionais. Por exemplo, se uma entrada do tipo degrau aplicada a
alguma entrada, alguns ndices de desempenho tais como o overshoot, o tempo de resposta ou o erro em
regime permanente podem ser calculados. Atravs da anlise sequenciada das amostras no tempo, pode-se
detectar oscilaes, desvios lentos ou algum tipo de comportamento inadequado mais raro, resposta dbia, etc.
Os mdulos supervisores podem tambm se encarregar de tomar algumas aes, tais como:
Mudanas em parmetros : Neste caso, uma mudana lenta e progressiva recomendada
Desconsiderao ou adio de regras : Caso sejam pouco utilizadas, algumas regras
podero ser removidas. Algum tipo de indicador poder recomendar que uma nova regra seja
adicionada. Por exemplo, para reduzir erros estticos, regras que utilizem termos concentrados em
menores universos de discurso podem ser adicionadas, aumentando o ganho esttico. Neste caso, o
teste das aes ir comfirmar a modificao ou recomendar o retorno ao conjunto de regras anterior.
Mudanas em variveis : Funes de pertinncia no discriminantes podero recomendar a
desconsiderao de alguns antecedentes em regras pr-estabelecidas. Um comportamento
insatisfatrio poder indicar a considerao de novas variveis.
Como anteriormente, o procedimento de verificao e teste ir confirmar se as aes de controle so
aceitveis, tendo em vista as especificaes a serem atingidas.
6 - HARDWARE E SOFTWARE
O primeiro chip a implementar a lgica fuzzy foi desenvolvido por Togai e Watanabe nos laboratrios
da AT&T em 1985. Este chip implementava uma mquina de inferncia fuzzy capaz de processar 16 regras em
paralelo. Alm de uma memria para armazenar o conjunto de regras, implementava uma unidade de
processamento de inferncia, um controlador, e interfaces de entrada e sada. Em uma verso mais recente, a
memria foi implementada por uma memria RAM esttica, de modo que fosse possvel efetuar mudanas
dinmicas no conjunto de regras. A unidade de processamento de inferncia foi baseada na regra
composicional de inferncia "max-min". Em testes de desempenho mostrou-se que o chip realizava 250.000
FLIPS (inferncias de lgica fuzzy por segundo) com um relgio de 16 MHz. Posteriormente um acelerador
para operaes em lgica fuzzy foi desenvolvido baseado no chip anterior. Em maro de 1989, o Centro de
Microeletrnica da Carolina do Norte completou com sucesso a fabricao de outra verso do chip, projetada
por Watanabe, com 608.000 transistores, capaz de realizar 580.000 FLIPS.
Um controlador fuzzy de alto desempenho foi proposto por Yamakawa (1986). Composto por uma
plataforma de 15 regras de controle e uma interface de sada implementando um defuzzyficador pelo mtodo
do centro de rea, ele manipula regras fuzzy utilizando os termos lingusticos NL (alto e negativo), NM (mdio
e negativo), NS (baixo e negativo), ZR (zero), PS (baixo e positivo), PM (mdio e positivo) e PL (alto e
positivo). Sua velocidade operacional de 10 MFLIPS (mega FLIPS). O sistema foi testado em uma aplicao
cujo objetivo o de estabilizar um pndulo invertido montado sobre um veculo. Pndulos duplos com
diferentes parmetros foram tambm controlados. O controlador foi integrado em um chip com 40 pinos.
Yamakawa e Miki tambm implementaram 9 funes de uso geral em lgica fuzzy, utilizando-se o
processo CMOS convencional, com um circuito em modo corrente. Posteriormente uma verso preliminar de
um computador fuzzy foi proposta por Yamakawa, tendo sido implementada pela Omron. Este computador
constitua-se de uma memria, um conjunto de mquinas de inferncia, um bloco de operadores de mximo,
um defuzzyficador e uma unidade de controle. A memria fuzzy armazena a informao fuzzy, contida nas
funes de pertinncia.. Inclui uma RAM binria, um registrador e um gerador de funes de pertinncia
(GFP). Este, por sua vez, consiste de uma PROM, um array de transistores e um decodificador. Cada termo
lingustico representado por um cdigo binrio, armazenado na RAM binria. As funes de pertinncia
correspondentes so geradas pelo GFP de acordo com estes cdigos binrios. A mquina de inferncia aplica
operaes de mximos e mnimos, implementados por portas fuzzy em configurao emissor-acoplado, com
circuitos em modo- tenso. As entradas so representadas por tenses analgicas nos barramentos, alimentando
cada mquina de inferncia em paralelo. Os resultados inferidos pelas regras so agregados pelo bloco de
mximos. A sada feita por meio de tenses analgicas.
22
Implementando um controlador fuzzy, o computador fuzzy capaz de processar 10 MFLIPS. Este foi
um grande passo no somente em termos de uma aplicao industrial, mas em termos de processamento de
conhecimento, de um modo geral.
Mais recentemente, a Neuralogix (1991) anunciou o micro-controlador fuzy NLX230, uma mquina de
inferncia VLSI configurvel baseada no esquema de inferncia MAX-MIN. O chip possui 16 interfaces de
fuzzyficao, uma rede neural para comparaes de mnimos, um comparador de mximos, memria de regras,
registradores e circuitos de controle e sincronizao. Apropriadamente programado, pode executar 30 MFLIPS.
Oki tambm desenvolveu um chip VLSI para inferncia em lgica fuzzy, em um PGA cermico de 132
pinos. Sua arquitetura baseada em estruturas do tipo "pipeline". Realiza 7.5 MFLIPS com no mximo 960
regras. Possui todos os circuitos necessrios para uma inferncia fuzzy: buffer de entrada, memria para regras
e funes de pertinncia, interface de fuzzyficao, circuitos MAX-MIN, defuzzyficador e registradores de
sada.
A Omron desenvolveu um dos primeiros controladores fuzzy. Atualmente, anunciou uma nova gerao
de processadores fuzzy digitais, a famlia FP3000. Dotada de uma mquina de inferncia de alta velocidade,
processa em 650 s, com relgio de 24 MHz, um total de 20 regras com 5 antecedentes e 2 consequentes cada,
fornecendo alm disso diversos outros recursos e interfaces.
Do ponto de vista de suporte de software, um grande nmero de ambientes de desenvolvimento
encontra-se hoje disponvel no mercado. A maioria deles implementa recursos para edio de funes de
pertinncia, com suporte grfico, linguagens dedicadas para descrio de regras, pr-compiladores para uma
vasta gama de processadores e micro-controladores e gerao de cdigo automtica para linguagens de alto
nvel, C por exemplo. Exemplos incluem o Togai Til Shell, da Togai Infralogic, o Cubicalc da Hyperlogic, o
Manifold Editor da Fuzzy Systems Engineering, o ambiente integrado da fuzzyTECH, as ferramentas de
desevolvimento FIDE da Aptronix, e a da Omrom, alm do sistema de controle fuzzy da Meiden e o SDAF da
HI Tecnologia. Muitos destes possibilitam a escolha de diferentes procedimentos de inferncia, bem como
diferentes mtodos de defuzzyficao e capacidade de aprendizado.
MCI
Ambiente de
Controlador
Desenvolvimento
Fuzzy
Usurio
Processo
23
7.1 -
Este mdulo foi projetado para operar em microcomputadores do tipo IBM/PC-XT/AT/386/486, sob
sistemas operacionais compatveis com o MS-DOS. Possui uma interface homem-mquina amigvel, dotada de
recursos grficos, menus, janelas de entrada de dados, help sensvel a contexto, operao com ou sem mouse,
etc.
O objetivo deste mdulo permitir a integrao entre o projetista e o hardware do controlador fuzzy,
oferecendo uma interface homem-mquina altamente amigvel. Prov, dentre outros, os seguintes recursos:
Linguagem de Representao de Conhecimento utilizando regras fuzzy;
Editor de funes de pertinncia;
Gerador de Cdigo para o Controlador Fuzzy;
Mecanismos para programao dos canais de comunicao com o processo;
Operao remota do controlador Fuzzy;
Depurador simblico On line;
fuzzy;
Para facilitar a programao, o SDAF permite que as variveis lingusticas de entrada/sada do sistema,
sejam convenientemente escaladas no range equivalente ao do sensor, na unidade de engenharia
correspondente.
24
25
VAR
ANALOGICA Erro[0,100] = { Negativo, Zero, Positivo } ;
ANALOGICA Valvula[0,200]={Diminui, Mantem,
Aumenta } ;
ENTRADA Erro;
SAIDA Valvula;
REGRAS
GRUPO Principal
{
SE Erro==Negativo ENTAO Valvula=Aumenta;
SE Erro == Zero ENTAO Valvula = Mantem;
SE Erro == Positivo ENTAO Valvula = Diminui;
}
FimGrupo
FimRegras
Listagem 1 : Exemplo de Programa na Linguagem LEARN
26
conjunto de regras acrescentado base, e o projetista do sistema, junto com o especialista, deve verificar a
consistncia destas regras, validando o comportamento do sistema.
Uma das tcnicas na elaborao de uma base de conhecimento, que facilita a prpria elicitao do
mesmo e proporciona um incremento no desenpenho computacional do sistema, em ambientes de tempo real,
a utilizao de bases de regras estruturadas, ou modularizadas. O SDAF permite a construo de bases de
regras deste tipo por meio da definio de grupos. Cada grupo deve conter portanto, uma pequena parte do
conhecimento, relativa a uma determinada especializao do mesmo, utilizando um mecanismo conhecido
como foco de ateno. Um dos grupos, normalmente o grupo principal, deve conter o meta-conhecimento, ou
seja, o conhecimento do contedo dos diversos grupos, e de quando acess-los. O SDAF permite que este
acesso seja feito de duas maneiras. A primeira delas, a execuo uma nica vez de um determinado grupo,
processada pelo comando EXECUTA. Este tipo de acesso feito quando se deseja apenas uma aplicao de um
procedimento, de modo semelhante a uma chamada de funo em programao convencional. O segundo modo
de se acessar um grupo por meio do comando CHAVEIA, quando sob determinadas condies levantadas
pelo grupo, determine-se que aquele grupo j no mais o adequado a ser processado, e com isso se deseja
efetivamente chavear o processamento para outro grupo de regras, que est mais adequado situao corrente
do sistema. Para o desenvolvimento de uma base de conhecimento, o procedimento mais usual a
determinao de um grupo principal, onde sejam colocadas as diretrizes gerais de atuao, e a cada etapa,
sejam acrescentados novos grupos de regras, que podem ento ser analisadas pelo projetista, que passa a
validar o funcionamento do grupo, efetuando as correo que forem pertinentes.
Durante este processo, necessrio que o projetista disponha de alguns recursos adicionais, as
ferramentas de depurao, que o auxiliem na avaliao do comportamento do sistema. Este conjunto de
recursos reunido no SDAF no mdulo depurador.
O mdulo depurador do SDAF permite o controle da execuo das regras, permitindo o disparo e a
parada da mquina de inferncia em qualquer ponto da mesma. Com isso, consegue-se executar as regras passo
a passo, sendo exibidas na tela, tanto as regras com o passo sendo executado, como o estado do sistema aps a
execuo do mesmo. Este passo pode ser a nvel de ciclo, regra ou antecedente. A nvel de ciclo, a mquina
executa um ciclo de inferncia e para, esperando um prximo comando do operador. A nvel de regra a
mquina executa uma determinada regra ao comando do operador, parando em seguida, e a nvel de
antecedentes, a mquina para aps executar cada antedente, exibindo o estado do sistema. Um outro comando
auxiliar colocado de modo a reinicializar as variveis do sistema.
Outro recurso importante do depurador o processo pelo qual se pode analisar o contedo das diversas
variveis utilizadas. Com este, permite-se verificar o estado de cada varivel. Caso sejam variveis digitais,
mostra-se seu estado lgico (FALSO/VERDADEIRO). Caso sejam variveis analgicas de entrada, mostra-se o
valor medido da varivel, e para cada predicado lingustico associado mesma, como o mesmo se relaciona
diante do valor medido, dando uma idia da compatibilidade entre o valor medido e o conceito associado ao
predicado lingustico. Para variveis analgicas de sada, mostra-se alm do conjunto completo de conjuntos
fuzzy associados a ela, o estado do conjunto fuzzy inferido, que dar origem ao valor defuzzyficado, que ser
enviado ao controle.
Utilizando-se o depurador, o projetista consegue efetuar o desenvolvimento incremental do sistema, pois
aps a elicitao do conhecimento sobre a forma de regras e funes de pertinncia, o mesmo pode ser validado
executando-se o programa de regras passo a passo, o que permite a deteco de regras com comportamento
inadequado, facilitando sua correo.
27
M
Mdio
G
Grande
P
Pequena
M
Mdia
G
Grande
1.0
0.67
0.33
-5
-1.0
-100
1.0
ERRO NA PORCENTAGEM DE CO
2
N
Negativo
-0.6
Z
Zero
P
Positivo
100
d - ERRO
- VARIAO DO
ERRO
P
M
G
P
N
N
Z
M
N
Z
P
G
Z
P
P
Tabela 1- Exemplo de Regras de Controle
28
0.67
R
4
1.0
R
7
0.33
0.33
-0.6
MIN
Contribuio
de
R
4
Contribuio
de
R
7
u
u0
Figura 19 - Ao Final de Controle
O ltimo passo consiste na determinao do sinal de controle (u0)a ser enviado ao processo (no caso,
sinal proporcional ao incremento de velocidade do exaustor), obtida a partir da defuzzyficao. Por exemplo,
na figura acima, u0 obtido pelo mtodo do centro de rea.
29
x4
w i i
i=1
m
wi
i =1
onde wi o resultado da combinao dos antecedentes da i-sima regra, dados os valores das variveis
de entrada. As funes de pertinncia dos conjuntos fuzzy correspondentes s parties das variveis
lingusticas so mostradas na figura 21 para as variveis x1 e x3 .
Pequena
Mdia
Grande
30
60
90
120
150
(cm)
x3
Esquerda
-60
Frente
-40
-20
Direita
20
40
60
(graus)
30
A figura 22 mostra o resultado proporcionado pelo controlador para o veculo colocado em um ambiente
complexo.
31
NG
NM
NP
ZR
PP
PM
PG
0
U
NG
NM
NG
NP
ZR
PG
PG
NM
PP
PM
PG
NP
NM
NG
PM
NP
PM
ZR
PG
PP
PM
PP
ZR
PP
NP
PM
NM
PG
NG
NM
NG
Nvel do Tanque 1
Nvel do Tanque 2
32
POPULAO
NOVA
ANTERIOR
POPULAO
SELEO
MUTAO
CROSSOVER
eX
e X A
eeX A
X1 A1 e
Regra 1:
Se X1 A11 e
Regra M:
Se X1 A1N
Concluso (a o):
AM
M
1
M
N
M
Ento y g N
Ento y g1
y g
i
onde Xj uma varivel fuzzy, Aj e A j so os conjuntos nebulosos associados, y uma varivel com
valores gj (figura 27).
1
max
a 111
g1
min
x 11
a 1p
max
x1
a N1p
x1p
.
.
.
.
.
.
a 11
div
a M1
x
1
N
1
a Mh
M1
max
1
1
.
.
.
x Mh
min
a M1
aN
Mh
max
33
fi
i =1
genes reais e
fi genes inteiros.
i =1
Os genes relativos s funes de pertinncia so interpretadas de acordo com seu prprio formato e
centro e os formatos e centros das funes imediatamente anterior e posterior. Veja a Tabela 2.
O crossover sempre ocorre e seleciona apenas um ponto de permutao. A mutao possui probabilidade
zero durante quase todas as geraes, ocorrendo apenas em situaes especiais de convergncia. Este tipo de
mutao baseada na estratgia de exploses mutantes peridicas de Kauffman.
A funo objetivo uma funo do nmero de alvos alcanados, distncia mdia percorrida e distncia
ao alvo atual ao final da simulao.
Evoluo da Funo Objetivo
Valor da Funo Objetivo
80000
CtM
70000
60000
50000
BEST
40000
AVG
30000
20000
10000
0
0
10
11
Gerao
34
Formato da
Funo (i)
(seu ponto central
ci )
Triangular
(Trapezoidal)
Formato da
Funo (i+1)
(seu ponto central
ci+1)
Triangular
(Trapezoidal)
Triangular
(Trapezoidal)
ci
i+1
c i+1
Trapezoidal
(Triangular)
ci
c i+1
(c
-c )/3
i+1
i+1
9 - CONCLUSES E PERSPECTIVAS
A tecnologia decorrente da lgica fuzzy tem gerado aplicaes e produtos em diversas reas. Em
controle de processos industriais, rea pioneira, as primeiras experincias datam de 1975 quando foi
demonstrado no Queen College, Londres (Mamdani & Assilian, 1975), que um controlador fuzzy muito
simples controlou eficientemente uma mquina a vapor. Na mesma poca, a primeira aplicao industrial
significativa foi desenvolvida pela indstria de cimento F.L.Smidth Corp. da Dinamarca (Umbers & King,
1980). Neste tipo de aplicao, controladores fuzzy so usados para fornecer sinais de referncia para
controladores do tipo PID, ou seja, aqueles no atuam diretamente sobre a planta, mas em um nvel hierrquico
superior. O sucesso desta aplicao deveu-se em muito ao fato de os operadores humanos (especialistas) terem
sido capazes de traduzir consistentemente, em termos de regras lingusticas, as atitudes que tomavam no ajuste
dos sinais de referncia para os controladores PID. Embora grande parte das aplicaes considere universos
discretos, similarmente ao que foi abordado, para fins de exemplo, neste texto, algumas fizeram uso de
universos "contnuos" e de conjuntos fuzzy definidos por funes (contnuas) de pertinncia (Kickert & Lemke,
1976), ao invs de valores de pertinncia. Um controle fuzzy distinto do mostrado aqui, mas mantendo os
mesmos princpios e o mesmo processo de inferncia, foi empregado em controle de trfego (Pappis &
Mamdani, 1977). Em virtude da preocupao com a aquisio de regras, j mencionada anteriormente,
controladores com capacidade de aprendizado foram desenvolvidos. O primeiro trabalho neste sentido
(Procyk & Mamdani, 1979) deu origem ao controlador fuzzy conhecido como SOC, o qual capaz de
estabelecer sua prpria estratgia de controle atravs da criao e modificao de regras. Para isto, utilizada
uma tabela de ndice de desempenho, oriunda de regras lingusticasdecarter geral, situadas em um nvel
hierrquico superior s regras de controle propriamente ditas. O SOC foi aplicado a diversos processos
simulados e tambm a um brao mecnico (Yamazaki, 1982; Scharf & Mandic, 1985; Tanscheit & Scharf,
1988). A maior dificuldade no uso deste controlador reside na sintonia dos parmetros GE e GCE, pois, alm
de afetarem o controlador propriamente dito, influenciam tambm a criao e modificao das regras
(Tanscheit & Lembessis, 1991). Um procedimento distinto, porm com o mesmo objetivo, consiste da
identificao do modelo fuzzy do processo (Takagi & Sugeno, 1985; Sugeno & Tang, 1986), cujo resultado
um conjunto de regras que descrevem seu comportamento e que podem ser usadas no controle. Um terceiro
procedimento visando o aprendizado de regras foi tambm sugerido (Van der Rhee & Lemke, 1990), mas
ainda merece futuras investigaes. De meados dos anos 80 em diante, o uso de controladores fuzzy em escala
comercial tem mostrado um crescimento bastante significativo, principalmente no Japo. As aplicaes de
maior impacto comercial foram em mquinas de lavar roupa, mquinas fotogrficas e na indstria
automobilstica. Empresas tm produzido controladores fuzzy em "chips" ou cartes para uso em
microcomputadores, possibilitando sua interligao aos mais diver-sos processos. Existem em escala comercial
interfaces que permitem que se defina graficamente conjuntos de vrias formas, em universos de tamanho
varivel, que se escolha as funes de implicao, mtodos de desnebulizao, etc. Resumindo, pode-se afirmar
que a utilizao da Teoria de Conjuntos Fuzzy e de Lgica Fuzzy em Controle tem apresentado resultados
bastante satisfatrios e muitas vezes superiores aos obtidos com outros controladores. A rea de Controle Fuzzy
j est bem estabelecida, inclusive com aplicaes em nvel industrial. Atualmente os trabalhos tm se
concentrado no aprimoramento dos controladores existentes e na busca de novas estruturas, com uma
preocupao em procedimentos automticos de sintonia e em mtodos de aprendizado de regras. Recentemente
tem havido uma integrao entre Controle Fuzzy e Redes Neuronais, abrindo espao para novas investigaes.
35
REFERNCIAS BIBLIOGRFICAS
Albertos, P. (1992). Fuzzy Controllers - AI Techniques in Control - Pergamon Press.
Anderson, B.D.O e J. B. Moore (1979). Optimal Filtering - Prentice-Hall, N.J.
Baldwin, J.F. & Pilsworth, B.W. (1980). Axiomatic Approach to Implication for Approximate Reasoning with
Fuzzy Logic. Fuzzy Sets and Systems, V. 3: 193-219.
Bertsekas, D.P. (1976). Dynamic Programming and Stochastic Control. Mathematics in Science and
Engineering. Vol. 125, Academic Press, NY
Doygle, J.C. e G. Skin (1981). Multivariable feedback design: concept for a classical/modern synthesis. IEEE
Trans. on Automatic Control, vol. AC-26, pp. 4-16
Figueiredo, M. F. Gomide ; W. Pedrycz (1993) - A Fuzzy Neural Network : Structure and Learning - 5th IFSA
World Congress, Seul, Coria. pp 1171-1174.
Gaines, B.R., (1976). Foundations of Fuzzy Reasoning. International J. of Man-Machine Studies, V. 8: 623668.
Goldberg, D. (1989) - Genetic Algorithms in Search, Optimization and Machine Learning - Addison-Wesley,
MA.
Gomide, F.; A. Rocha; P. Albertos (1992-a) Neurofuzzy Controllers - IFAC - LCA92, Viena, Austria
Gomide, F. ; A. Rocha (1992-b) A Neurofuzzy Controller ; 2nd International Conference on Fuzzy Logic and
Neural Networks - IIZUKA92 , Fukuoka, Japan.
Gomide, F. ; A. Rocha (1992-c) Neurofuzzy Components Based on Threshold - IFAC SICICA Symposium,
Malaga, Espanha, pp.425-430
36
Gudwin, R.R ; M.A. Silva, H.J.Almeida Jr.; I.M.C.Ribeiro (1991). SDAF - Uma Ferramenta para
Desenvolvimento e Teste de Sistemas utilizando Lgica Nebulosa - Simpsio sobre Integrao
Computadorizada na Automao Industrial, 18 a 20 Setembro - So Paulo-SP
Hechst-Nielsen, R. (1990) Neurocomputing - Addison Wesley, N.Y.
Holmblad, I.P. & Ostergaard, J.J., (1981). Fuzzy Logic Control: Operator Experience applied in Automatic
Process Control. FLS Review, F.L.Smidth & Co., Copenhagen, Denmark, n. 5: 11-16.,
Hotzman, J.M. (1970) Nonlinear System Theory - Prentice Hall, N.J.
Kaufmann, A. ; M. Gupta (1985) - Introduction to Fuzzy Arithmetic - Van Nostrand, NY.
Kickert, W.J.M. & Van Nauta Lemke, H.R., (1976). The Application of a Fuzzy Controller in a Warm Water
Plant. Automatica, Vol. 12: 301-308.
Lee, C.C (1990). Fuzzy Logic in Control Systems: Fuzzy Logic Controller, part I and II. IEEE Trans. on
Systems, Man and Cybernetics, vol. 20, pp 404-435
Lembessis, E., (1984). Dynamic Learning Behaviour of a Rule-based Self- Organising Controller. Ph. D.
Thesis, University of London.,
Mamdani, E.H., (1974). Application of Fuzzy Algorithms for Control of Simple Dynamic Plant. Proceedings
of the IEE (Control and Science), V. 121: 298-316.
Mamdani, E.H. & Assilian, S., (1975). An Experiment in Linguistic Synthesis with a Fuzzy Logic Controller.
Int. Journal of Man-Machine Studies, Vol. 7: 1-13.
Mizumoto, M., (1982). Fuzzy Inference using max-min composition in the Compositional Rule of Inference.
In: Approximate Reasoning in Decision Analysis, M.M. Gupta, E. Sanchez (Ed.), North-Holland:
67-76.
Oliveira, M. ; M. Figueiredo ; F. Gomide (1994) - A Neurofuzzy Approach for Autonomous Control - 3rd
International Conference on Fuzzy Logic, Neural Nets and Soft Computing, IIZUKA94 Fukuoka,
Japan.
Ollero A., A.Garcia-Cerezo, e J.Aracil. (1991). Design of Rule Based Expert Controllers - ECC91 European
Control Conference, Grenoble, Frana, pp 578-583
Pappis, C.P. & Mamdani, E.H., (1977). A Fuzzy Logic Controller for a Traffic Junction. IEEE Transactions on
Sys., Man and Cybernetics, V. 7: 625-629.
Pedrycz, W. (1989). Fuzzy Control and Fuzzy Systems. - John Wiley and Sons Inc, NY
Procyk, T.J. & Mamdani, E.H., (1979). A Linguistic Self-Organising Process Controller. Automatica, V. 15:
15-30.
Rescher, N. (1969), Many-valued logic, McGraw-Hill, New York.,
Sage, A. e C. White (1977). Optimum Systems Control - Prentice Hall, NJ
Scharf, E.M. & Mandic, N.J., (1985). The Application of a Fuzzy Controller to the Control of a Multi-degree
of Freedom Robot-Arm. In: Industrial Applications of Fuzzy Control, M. Sugeno (Ed.), NorthHolland: 1-61.
Sugeno, M. & Tang, G.T., (1986). Fuzzy Modelling and Control of Multilayer Incinerator. Fuzzy Sets and
Systems, Vol. 18: 329-346.
Tanscheit, R. & Scharf, E.M., (1988). Experiments with the use of a Rule-Based Self-Organising Controller
for Robotics Applications. Fuzzy Sets & Systems, Vol. 26, n. 2: 195-21.
37
Tanscheit, R. & Lembessis, E., (1991). On the Behaviour and Tuning of a Fuzzy Rule-based Self-Organising
Controller. 13th IMACS World Congress on Computation and Applied Mathematics, Dublin,
Irlanda.
Takagi, H. ; M. Lee (1993) - Neural Networks and Genetic Algorithms Approaches to Auto-Design of Fuzzy
Systems - Proc. of Fuzzy Logic in Artificial Intelligence - FLAI93, Linz, Austria.
Takagi, T. & Sugeno, M., (1985). Fuzzy Identification of Systems and its Applications to Modelling and
Control. IEEE Transactions on Systems, Man & Cybernetics, Vol. 15: 116-132.
Umbers, I.G. & King, P.J. (1980). An Analysis of Human Decision-Making in Cement Kiln Control and the
Implications for Automation. International Journal Man Machines Studies, vol. 12 n. 1, pp. 11-23
Van der Rhee, F., Van Nauta Lemke, H.R., Dijkman, J.G., (1990). Knowledge Based Fuzzy Control of
Systems. IEEE Trans. Automatic Control, V. 35: 18-155.
Whalen, T. & Schott, B., (1983). Issues in Fuzzy Production Systems. International Journal of Man-Machine
Studies, Vol. 19: 57-71.
Yager, R., (1980). An Approach to Inference in Approximate Reasoning International Journal of ManMachine Studies, Vol. 13: 323-338.
Yager, R. ; S. Ovchinnikov, R.M. Tong e H. T.Nguyen (1987).
Interscience, NY
Yamakawa, T. (1993). A Fuzzy Inference Engine in Nonlinear Analog Mode and Its Application to a Fuzzy
Logic Control. IEEE Transactions on Neural Networks, vol. 4 n. 3, May, pp. 496-522
Yamazaki, T., (1982). An Improved Algorithm for a Self-Organising Controller. Ph. D. Thesis, Univ.
London.,
Zadeh, L. (1965). Fuzzy Sets - Information and Control, vol. 8, pp 338-353
Zadeh, L. (1973). Outline of a new approach to the analysis of complex systems and decision processes. IEEE
Trans. on Systems Man and Cybernetics, vol SMC-3, pp 28-44
Zadeh, L. (1988) - Fuzzy Logic - IEEE Computer, April, pp. 83-92
38