Vous êtes sur la page 1sur 11

Pistas Educativas, No. 100, Agosto-Diciembre 2012. Mxico, Instituto Tecnolgico de Celaya.

La lgica borrosa: conjuntos borrosos,


razonamiento aproximado y control borroso

Norma V. Ramrez Prez,


Instituto Tecnolgico de Celaya
normav@itc.mx ,

Martn Laguna Estrada


Departamento de Mecatrnica
Instituto Tecnolgico de Celaya
lmartin@itc.mx

RESUMEN
La lgica borrosa es una herramienta de toma de decisiones. Inicialmente fue
concebida como un concepto matemtico con una nica finalidad de involucrar datos
numricos y trminos lingsticos para representar la forma de razonamiento comn
cualitativo. Esta herramienta se utiliza muy eficientemente para realizar control de
variables fsicas que se adaptan al conjunto de reglas de dicha lgica. En este artculo
se presenta un marco general de la lgica borrosa y sus aplicaciones.

Palabras Clave: Lgica borrosa, conjuntos borrosos, razonamiento aproximado,

Introduccin

La lgica borrosa[9] surge de la necesidad de formalizar en un lenguaje matemtico


algunas situaciones de la vida cotidiana imprecisas o sin valor explicito, es decir, no
cuantificable numricamente. Especialistas en la materia consideran que el
pensamiento humano se construye a partir de elementos lingsticos, no mediante
nmeros, y si la lgica es la ciencia que busca representar el razonamiento, debe tener
en cuenta estos factores. La lgica borrosa, en particular, sirve para representar muy
convenientemente dichos conocimientos y datos inexactos. En la lgica clsica un
elemento pertenece o no pertenece a un determinado conjunto, de tal manera, que si
por ejemplo deseramos hacer una clasificacin de la estatura de las personas en un
conjunto de personas altas y personas de mediana estatura, sera demasiado
aventurado decir que una persona con 1.79 m de estatura pertenezca al conjunto de
personas de mediana estatura y otra con 1,80 m al de conjunto de personas altas. En
lgica borrosa se soluciona este tipo de situaciones, pues all se consideran grados de

Pistas Educativas Ao XXXII - ISSN 1405-1249


Certificado de Licitud de Ttulo 6216; Certificado de Licitud de Contenido 4777; Expediente de Reserva 6 98 62
www.pistaseducativas.itc.mx
~55~
Pistas Educativas, No. 100, Agosto-Diciembre 2012. Mxico, Instituto Tecnolgico de Celaya.

pertenencia a los conjuntos, esto es, un elemento puede pertenecer a ms de un


conjunto en un grado determinado.
La lgica borrosa se puede describir en el contexto de la lgica multivaluada. En
los aos treinta fueron propuestas lgicas multivaluadas para un nmero cualquiera de
valores ciertos (igual o mayor que 2), identificados mediante nmeros racionales en el
intervalo [0,1]. Lofti Zadeh [13] en su artculo Fuzzy Sets, present la teora de
conjuntos borrosos, entre algunos otros artculos derivados de esta teora[1], y
establece que uno de los objetivos es proporcionar las bases del razonamiento
aproximado como un instrumento para formular el conocimiento, adems de introducir
el uso de la lgica borrosa a sistemas de control[17].

Definiciones y conceptos

Teora de conjuntos borrosos

En un conjunto clsico (Crisp) se asigna el valor 0 1 a cada elemento para indicar la


pertenencia o no a dicho conjunto. Esta funcin puede generalizarse de forma que los
valores asignados a los elementos del conjunto caigan en un rango particular, y con ello
indicar el grado de pertenencia de los elementos al conjunto en cuestin. A dicha
funcin se le denomina funcin de pertenencia y el conjunto por ella definida conjunto
borroso. Esta funcin de pertenencia es definida por A para un conjunto borroso A,
determinado por el rango de los nmeros entre [0,1], definido de la siguiente manera:

A = X [0,1]

A diferencia de un conjunto clsico, los elementos pertenecen o no a l totalmente, por


ejemplo, un nmero puede pertenecer o no al conjunto de nmeros pares, pero no
pertenecer con un determinado grado al conjunto, como se hace en los conjuntos
borrosos en donde hay grados de pertenencia en referencia a un universo local.
Retomando el ejemplo expuesto en la introduccin, sobre el conjunto de las personas
altas y el conjunto de las personas de mediana estatura, si una persona con una
estatura de 1.79 m pertenecer al conjunto borroso de personas de mediana estatura
con una grado de pertenencia con un grado de 0.9, en lugar de decir que pertenece
totalmente al conjunto de personas de mediana estatura. Por lo que A ser un
subconjunto borroso de B, cuando

A(x) B(x), x X

En la teora de los conjuntos clsicos, existen operaciones entre ellos, que se extienden
a los conjuntos borrosos, como:

Pistas Educativas Ao XXXII - ISSN 1405-1249


Certificado de Licitud de Ttulo 6216; Certificado de Licitud de Contenido 4777; Expediente de Reserva 6 98 62
www.pistaseducativas.itc.mx
~56~
Pistas Educativas, No. 100, Agosto-Diciembre 2012. Mxico, Instituto Tecnolgico de Celaya.

Negacin

La negacin, tambin denominada complemento a uno, de un conjunto borroso A con


funcin de pertenencia , es denotada por y se define con

Unin

La unin de dos conjuntos borrosos A y B, sus funciones de pertenencia son y


, respectivamente, el cual puede definirse como un conjunto borroso C= A B,
definida por la expresin

Que se expresa de manera reducida de la siguiente manera

Interseccin

La operacin de interseccin de dos conjuntos borrosos A y B, con funciones de


pertenencia y , respectivamente, se define como un conjunto borroso C = A
B cuya funcin de pertenencia se relaciona con A y B de la siguiente forma

Existe tambin otra forma de escribirla de manera abreviada como:

Pistas Educativas Ao XXXII - ISSN 1405-1249


Certificado de Licitud de Ttulo 6216; Certificado de Licitud de Contenido 4777; Expediente de Reserva 6 98 62
www.pistaseducativas.itc.mx
~57~
Pistas Educativas, No. 100, Agosto-Diciembre 2012. Mxico, Instituto Tecnolgico de Celaya.

Posteriormente, en [2] se definieron el conjunto de familias con propiedades


axiomticas adecuadas a la utilidad de cada operador, como las t-normas y t-conormas,
que sirven como modelos de interseccin y la unin respectivamente. Estas familias se
remontan como consecuencias del artculo de Menger, denominado Statistical
Metrics[6], que sirvieron para establecer la desigualdad triangular. Sin embargo, para
completar un tipo de razonamiento anlogo al que se realiza en la lgica clsica, es
necesario definir el concepto de implicacin. Una implicacin borrosa I es en general
una funcin de la forma:

Para cualquiera de los dos valores ciertos a y b de proposiciones borrosas p, q define el


valor cierto de la proposicin condicional si p entonces q. Es una extensin de
la implicacin clsica p q del dominio restringido al dominio completo [0,1]. La
implicacin se puede expresar de diferentes formas en la lgica clsica y todas son
equivalentes, sin embargo sus extensiones a la lgica borrosa resultan no ser
equivalentes y ha dado lugar a diferentes clases de implicacin borrosa.
Existe tambin un principio que permite la generalizacin de conceptos
matemticos crisp a la teora de conjuntos borrosos, donde cualquier funcin que
asocie puntos del conjunto crisp al puede generalizarse de forma que
asocie conjuntos borrosos de en , el cual es denominado principio de extensin[8].

Representacin borrosa del conocimiento

En el lenguaje natural se describen objetos o situaciones en trminos no precisos,


como: grande, joven, viejo, etc., sin embargo, el razonamiento basado en estos
trminos no puede ser exacto, y por lo regular representan impresiones no objetivas,
quizs probables, pero no exactas. La teora de los conjuntos borrosos, permite
representar de forma mas adecuada el conocimiento humano, ya que permite que los
fenmenos y observaciones tengan ms de dos estados lgicos, como lo son en la
lgica clsica que slo tiene verdadero o falso, o bien 0 1.
Una de las aplicaciones de la lgica borrosa es cuando se quiere construir
conjuntos borrosos para ser usados en sistemas inteligentes. Existen tcnicas
especficas de adquisicin de conocimiento, donde una de las ms usadas son las
entrevistas y formularios, sin embargo, es necesario adecuar otras tcnicas al campo
borroso. En los sistemas basados en el conocimiento, la funcin de pertenencia debe
ser obtenida de un experto en ese dominio del conocimiento, y no debe ser confundida
con una distribucin de probabilidad que es basada en la repeticin de las
observaciones, sino en la opinin del experto en la materia. La representacin ms
comn en el conocimiento, es en trminos borrosos realizado por medio de reglas
determinadas como:

Pistas Educativas Ao XXXII - ISSN 1405-1249


Certificado de Licitud de Ttulo 6216; Certificado de Licitud de Contenido 4777; Expediente de Reserva 6 98 62
www.pistaseducativas.itc.mx
~58~
Pistas Educativas, No. 100, Agosto-Diciembre 2012. Mxico, Instituto Tecnolgico de Celaya.

Cada variable que interviene como hiptesis en una regla, tiene asociada un dominio.
Es necesario aclarar que cada dominio puede ser dividido en tantos conjuntos borrosos
que el experto considere oportuno, donde cada una de estas particiones tiene asociada
una etiqueta lingstica. A continuacin se muestra en la figura 1, una representacin de
los conjuntos borrosos, as como algunas definiciones involucradas en los conjuntos[12-
16].

Fig. 1. Representacin Grfica de los componentes de un conjunto Borroso.

La funcin de pertenencia es aquella aplicacin que asocia o empareja a cada


elemento de un conjunto borroso, el grado en que pertenece un valor lingstico
asociado.
La variable lingstica es un concepto calificado de forma borrosa, por ejemplo:
la altura, la edad, la temperatura, etc. A estos conceptos se les aplica el adjetivo
lingstico por la definicin de sus caractersticas mediante el lenguaje hablado.
El universo de discurso es el rango de valores en que est definida la variable
lingstica. En el caso de la representacin en la figura 1, el conjunto de valores est
comprendido entre 100 y 250 m.
Los valores lingsticos son las clasificaciones que se efectan sobre la
variable lingstica. En el caso de la variable altura, el universo de discurso es dividido
en los diferentes valores lingsticos como bajo, mediano y alto.

Pistas Educativas Ao XXXII - ISSN 1405-1249


Certificado de Licitud de Ttulo 6216; Certificado de Licitud de Contenido 4777; Expediente de Reserva 6 98 62
www.pistaseducativas.itc.mx
~59~
Pistas Educativas, No. 100, Agosto-Diciembre 2012. Mxico, Instituto Tecnolgico de Celaya.

Los conjuntos borrosos son caracterizados por sus funciones de pertenencia.


Un conjunto es borroso cuando el concepto al que representa tiene una funcin de
pertenencia borrosa asociada a l.

Razonamiento Aproximado

Lofti Zadeh introdujo la teora del razonamiento aproximado[14] y muchos otros autores
han hecho lo propio con contribuciones importantes en este campo. Aunque
superficialmente pueda parecer que la teora de razonamiento aproximado y la lgica
clsica tienen diferencias enormes, la lgica clsica puede ser vista como un caso
especial de la primera. En ambas reas, se pueden ver a las premisas como inductoras
de subconjuntos de mundos posibles que las satisfacen, aunque en el caso de la teora
de razonamiento aproximado esos conjuntos sern subconjuntos borrosos. La
inferencia en ambos sistemas est basada en una regla de inclusin: una hiptesis se
infiere de una coleccin precisa, si el subconjunto de mundos posibles que satisfacen la
conjuncin de las premisas est contenido en el subconjunto de mundos posibles que
satisfacen la hiptesis.
El uso del razonamiento aproximado es el uso que hace de las variables y la
representacin de las proposiciones en trminos de valores de verdad lingsticos, es
decir -subconjuntos borrosos- como valores de esas variables. La lgica clsica slo
usa de modo implcito la idea de verdad asociada a una proposicin. Sin embargo, su
naturaleza binaria le permite ocultar este hecho ya que se puede referir a una
proposicin verdadera por su denotacin p, y a una que es falsa, simplemente por su
negacin, p, evitando as la introduccin de una variable Vp cuyo valor sea la
valoracin de la proposicin p. El uso del concepto de variable en la teora de
razonamiento aproximado conduce a tratar dominios que no estn dentro del mbito de
la lgica clsica, como es el caso de los problemas que tratan los sistemas expertos
borrosos o los controladores borrosos.
La teora de razonamiento aproximado permite representar tambin
cuantificadores lingsticos como y , que significan para todo y existe
respectivamente, lo que facilita representar enunciados como: la mayora de las
personas de Mxico son muy bajos de estatura. Zadeh indic que un cuantificador
como muy bajos puede ser representado como un subconjunto borroso sobre el
universo del discurso. Los cuantificadores aproximados se usan para representar
conocimiento de sentido comn. Una extensin de la teora del razonamiento
aproximado es la posibilidad de tratar con ella conocimiento prototpico, Reiter [8]
sugiri una aproximacin a la representacin de conocimiento comn y usando reglas
por defecto y Yager lo estudi en el marco de la teora de razonamiento
aproximado[11].
La lgica binaria puede ser vista como un caso especial de la teora del
razonamiento aproximado en el cual los conjuntos base tienen dos elementos {V,F} y
los grados de pertenencia se restringen a 1 0. La lgica posibilista puede ser vista
como una extensin de sta, en tanto que, aunque se restringen los conjuntos base de

Pistas Educativas Ao XXXII - ISSN 1405-1249


Certificado de Licitud de Ttulo 6216; Certificado de Licitud de Contenido 4777; Expediente de Reserva 6 98 62
www.pistaseducativas.itc.mx
~60~
Pistas Educativas, No. 100, Agosto-Diciembre 2012. Mxico, Instituto Tecnolgico de Celaya.

valores a T y F, se permiten que los grados de pertenencia sean nmeros en el


intervalo [0,1].
La Lgica Borrosa es extendida de la lgica binaria permitiendo su formalizacin
en trminos de la teora del razonamiento aproximado. As, si p es verdadero, alcanzar
la representacin de Vp como {1/T, 0/F}; si p es falso, Vp es {0/T, 1/F}. La proposicin
Vp {1/T, 1/F}, indica que el valor de verdad de la proposicin es desconocido. En
cualquiera de los casos, el conjunto base asociado al valor de verdad de la proposicin
p es {T, F}.
La regla principal de inferencia en lgica clsica es su modo de razonamiento
modus ponens, que consiste en que si se tiene la regla A B, es decir, se da por
hecho que de A se puede concluir B. Como ejemplo podemos exponer un sistema
inteligente de riego, donde tenemos dos conjuntos de temperatura y humedad,
asociados a un nivel de riego, determinando la siguiente regla Si la temperatura es fra,
entonces la humedad es media, si se da cierto que la temperatura es fria, entonces
se podr concluir que la humedad es media. En Lgica Borrosa, se puede generalizar
esta regla conocida como el modus ponens generalizado, quedando el esquema de la
siguiente forma:

Regla: Si x es A, entonces y es B.

Hecho: x es A

Conclusin: y es B

Por ejemplo, la regla se puede definir como Si la temperatura es fra y la humedad es


media, entonces riego mucho, es decir de dos conjuntos borrosos se deriva otro
conjunto borroso.
Si suponemos que las variables no estn relacionadas por una funcin, sino por
cualquier relacin, y esa relacin es una relacin binaria borrosa en el universo x .
y son conjuntos borrosos en X e Y respectivamente. Si conocemos y
podramos conocer , por medio de la Regla composicin de inferencia:

Pistas Educativas Ao XXXII - ISSN 1405-1249


Certificado de Licitud de Ttulo 6216; Certificado de Licitud de Contenido 4777; Expediente de Reserva 6 98 62
www.pistaseducativas.itc.mx
~61~
Pistas Educativas, No. 100, Agosto-Diciembre 2012. Mxico, Instituto Tecnolgico de Celaya.

Control Borroso

La teora de conjuntos borrosos es usada en muchos campos tcnicos como control,


modelado, procesamiento de imgenes y seales, sistemas expertos, etc., pero es
quizs en el campo del control su ms frecuente y exitosa aplicacin.
Se debe tener en cuenta que los sistemas con controladores borrosos son
naturalmente no lineales, se les puede configurar para ajustarse a cualquier funcin, es
decir que pueden emular funciones lineales pero en general se trabaja con
configuraciones no lineales [4,5,10]. En general, se trabaja con configuraciones no
lineales, por lo que las herramientas de diseo y anlisis de control lineal no sern tiles
en estos sistemas borrosos, de cualquier manera se hacen aproximaciones lineales
para utilizar en alguna medida las herramientas bien conocidas del control lineal, se
puede recurrir a esto ya que an estn en desarrollo las herramientas de diseo y
anlisis de sistemas borrosos.

Estructura de un controlador borroso

Un controlador borroso est compuesto de los siguientes tres pasos de clculo:


fuzzificacin, inferencia difusa y defuzzificacin. Las reglas lingsticas integradas en la
base de reglas del controlador, implementan la estrategia de control en base al
conocimiento o experiencia de ingeniera que se tiene sobre la aplicacin a controlar.
Un controlador borroso tiene una estructura esttica y determinstica, como se
muestra en la figura 2, la cual se puede describir con una curva de caractersticas de
entrada y salida.

Fig. 2. Estructura Interna de un Controlador Borroso.

Pistas Educativas Ao XXXII - ISSN 1405-1249


Certificado de Licitud de Ttulo 6216; Certificado de Licitud de Contenido 4777; Expediente de Reserva 6 98 62
www.pistaseducativas.itc.mx
~62~
Pistas Educativas, No. 100, Agosto-Diciembre 2012. Mxico, Instituto Tecnolgico de Celaya.

Fuzzificador

La entrada de un sistema de lgica difusa tipo mandami[17], normalmente es un valor


numrico, por ejemplo de un sensor, y para que este valor pueda ser procesado por el
sistema difuso, se hace necesario convertirlo a un "lenguaje" que el mecanismo de
inferencia pueda procesar. Esta es la funcin del fuzzificador, que toma los valores
numricos provenientes del exterior y los convierte en valores "difusos" que pueden ser
procesados por el mecanismo de inferencia. Estos valores difusos son los niveles de
pertenencia de los valores de entrada a los diferentes conjuntos difusos en los cuales
se ha dividido el universo de discurso de las diferentes variables de entrada al sistema.

Mecanismo de inferencia difusa

Teniendo los diferentes niveles de pertenencia arrojados por el fuzzificador, los cuales
deben ser procesados para generar una salida difusa. La tarea del sistema de
inferencia es tomar los niveles de pertenencia para que, apoyado en la base de reglas,
pueda generar la salida del sistema difuso.

Base de Reglas Difusas

La base de reglas es la manera que tiene el control borroso de guardar el conocimiento


lingstico que le permite resolver el problema para el cual ha sido diseado. Estas
reglas son del tipo IF-THEN.
Una regla de la base de reglas o base de conocimiento tiene dos partes: el
antecedente y la conclusin. En la figura 3 se observa esta situacin.

If la entrada es baja entonces la salida es alta

Antecedente Consecuente

Fig. 3. Antecedente y consecuente de la base de reglas borrosas.

En un sistema difuso tipo mandami tanto el antecedente como el consecuente de las


reglas estn dadas por expresiones lingsticas.

Pistas Educativas Ao XXXII - ISSN 1405-1249


Certificado de Licitud de Ttulo 6216; Certificado de Licitud de Contenido 4777; Expediente de Reserva 6 98 62
www.pistaseducativas.itc.mx
~63~
Pistas Educativas, No. 100, Agosto-Diciembre 2012. Mxico, Instituto Tecnolgico de Celaya.

Defuzzificador

La salida que genera el mecanismo de inferencia es una salida difusa, lo cual significa
que no puede ser interpretada por un elemento externo (por ejemplo un controlador)
que slo manipule informacin numrica. Para lograr que la salida del sistema difuso
pueda ser interpretada por elementos que slo procesen informacin numrica, hay que
convertir la salida difusa del mecanismo de inferencia; este proceso lo realiza el
fuzzificador. La salida del mecanismo de inferencia es un conjunto difuso resultante y
para generar la salida numrica a partir de este conjunto, existen varias opciones como
el Centroide [3] y los Centros Promediados, entre otros[17].

Conclusiones

Las ciencias que estudian el mundo real resultan ser, en general, insuficientes para
controlar y estudiar el comportamiento y llevan implcito, algn tipo de cuantificador
meramente subjetivo, sin embargo, la lgica borrosa ha resultado ser una herramienta
importante, por la estrecha relacin con los sistemas de control. Se puede decir que
esta disciplina es un arma apropiada y til en campos con futuro y que ha sido objeto de
mltiples estudios, como en el caso de la inteligencia artificial, la robtica y el desarrollo
de nuevas tecnologas que promuevan la facilidad de las tareas del mundo real y la vida
cotidiana. Sin embargo, hay que reflexionar que falta mucho para la emulacin del
razonamiento humano, pero sin duda la lgica borrosa seguir siendo una herramienta
con un gran potencial para ser utilizada en diferentes reas en el campo de la
investigacin, por lo que se consider importante mencionar en este estudio algunos de
los conceptos ms relevantes de la lgica borrosa, como son: los conjuntos borrosos, la
teora del razonamiento aproximado y el control borroso, de tal manera que el lector
obtenga un conocimiento inicial para adentrarse en este tema.

Referencias

[1] Dubois D. and Prade H. Fuzzy Sets and Systems: Theory and Applications. Academic
Press, New York, NY, USA, 1980.

[2] Klement E.P., Mesiar R., and Pap E. Triangular Norms. Kluwer Academic Publishers,
Dordrecht, 2000.

[3] Lin, B., Hua, C., Buck/Boost, Converter Control with Fuzzy Logic Approach, IECON 1993.

[4] Mendel, J., Fuzzy Logic Systems for Engineering: A tutorial, Proceedings of IEEE, Vol. 83,
No. 3, Marzo, 1995.

[5] Mendel, J., Uncertain Rule based Fuzzy Logic System, Prentice Hall, New York, 2001.

[6] Menger K. Statistical metric spaces. In National Academy of Sciences, volume 37, pages
535-537, USA, 1942.

[7] Nguyen, H.T., A Note on the Extension Principle for Fuzzy Sets, J. Math Anal. Appl. 64,
pages 369-380, 1978.

Pistas Educativas Ao XXXII - ISSN 1405-1249


Certificado de Licitud de Ttulo 6216; Certificado de Licitud de Contenido 4777; Expediente de Reserva 6 98 62
www.pistaseducativas.itc.mx
~64~
Pistas Educativas, No. 100, Agosto-Diciembre 2012. Mxico, Instituto Tecnolgico de Celaya.

[8] Reiter, R. Nonmonotonic Reasonin, Annual Reviews Comput. Sci. No. 2, pp. 147-186,
1987.

[9] Trillas, E., Alsina, C., Terricabras, J., , Barcelona, 1995.

[10] Wang, L., A course in Fuzzy Systems and Control, Prentice Hall, 1997, pp. 1-59.

[11] Yager,.R., OVchinnikov, S.; Tong,R.M. y Nguyen, H.T. (Eds.):Fuzzy Sets and application:
Selected Papers By L.A. Zadeh. Wiley , New York, 1987

[12] Zadeh, L.A. Fuzzy sets as a basis for a theory of possibility. Fuzzy Sets and Systems,
pages 3-28, 1978.

[13] Zadeh, L.A. Fuzzy sets. Information and Control, pages 333-353, 1965.

[14] Zadeh, L.A. The concept of a linguistic variable and its application to approximate
reasoning - I. Information Sciences, pages 199-249, 1975.

[15] Zadeh, L.A.. Semantic inference from fuzzy premises. In Proceedings of the 6th Int.
symposium on Multiple-valued logic,Los Alamitos, CA, USA, IEEE Computer Society
Press. pages 217-218, 1976.

[16] Zadeh, L.A..Similarity relations and fuzzy orderings. Information Sciences, pages 177-200,
1971.

[17] Zak, S., Systems and Control, Oxford University Press, 2003, pp. 62.

Pistas Educativas Ao XXXII - ISSN 1405-1249


Certificado de Licitud de Ttulo 6216; Certificado de Licitud de Contenido 4777; Expediente de Reserva 6 98 62
www.pistaseducativas.itc.mx
~65~