Académique Documents
Professionnel Documents
Culture Documents
• Zadeh percebeu que a complexidade do sistema • 80% dos pacientes com dor de dentes têm cáries
vem de como as variáveis foram representadas e – Uma probabilidade de 0.8 não significa “80%
verdade” mas sim um grau de crença de 80% na
manipuladas. regra
• Zadeh representa o raciocínio humano em termos de • Mário é alto
conjuntos fuzzy. • A proposição é verdadeira para uma altura de Mario 1.65m ?
– ...mais ou menos....
Princípio de Zadeh: • Observar que não há incerteza, estamos seguros da altura
de Mario
“Quando a complexidade do problema cresce, nossa
• O termo linguístico “alto” é vago, como interpretá-lo?
habilidade para tornar as proposições precisas
• Por exemplo, a teoria de conjuntos Fuzzy (semântica
diminui até um limiar que está fora do nosso alcance. para lógica fuzzy) permite especificar quão bem um
Isto torna a precisão e a relevância duas objeto satisfaz uma descrição vaga (predicado vago)
características incompatíveis.” – O grau de pertinência de um objeto a um conjunto fuzzy é
representado por algum número em [0,1]
1
Conjuntos Nebulosos Conjuntos Nebulosos
• São funções que mapeam o valor que poderia ser um membro Um projeto Longo
do conjunto para um número entre 0 e 1.
• O grau de pertinência 0 indica que o valor não pertence ao 1
conjunto. Grau de Pertinência
• O grau 1 indica significa que o valor é uma representação µ (x)
completa do conjunto.
• Um conjunto fuzzy indica com qual grau um projeto
específico é membro do conjunto de projetos LONGOS.
0 2 4 6 8 10 12 14 16 18
• A definição do que é um projeto LONGO depende do
Duração(em semanas)
contexto.
• Algumas variáveis lingüísticas do conjunto LONGO • Permitem que a linguagem da modelagem fuzzy
com qüalificadores: expresse a semântica usada por especialistas.
– muito LONGO • Exemplo:
– um tanto LONGO If projeto.duração is positivamente não muito LONGO
– ligeiramente LONGO then risco is reduzido um pouco
– positivamente não muito LONGO
• Encapsula as propriedades dos conceitos imprecisos
numa forma usada computacionalmente.
Conjunto Fuzzy • Reduz a complexidade do problema.
Variáveis
Variáveis
Lingüísticas
Linguísticas • Sempre representa um espaço fuzzy.
Qüalificadores
2
Operadores dos Conjuntos Operadores dos Conjuntos
Nebulosos Nebulosos
• Intersecção • União
3
Sistemas Nebulosos Sistemas Nebulosos
4
Etapas do Raciocínio Etapas do Raciocínio
AGREGAÇÃO
Nível
Linguístico Fuzzificação
2ª INFERÊNCIA Nível
Numérico
Defuzzificação
COMPOSIÇÃO
Variáveis Calculadas Objeto Variáveis de Comando
(Valores Numéricos) (Valores Numéricos)
3ª DEFUZZIFICAÇÃO
5
Elementos Básicos de um
Exemplo:
Exemplo: Guindaste
Guindaste para
para container
container
Sistema de Lógica Fuzzy
Fechando o “loop”
loop”
Loop de controle do Guindaste de Conteiner
com palavras!
controlado por Ló
Lógica Fuzzy:
Fuzzy:
Linguistic
Level
1. Fuzzification 3. Defuzzification
Numerical
Level
Duas variá
variáveis de
medida e uma variá
variável Angle, Distance Container Crane Power
(Numerical Values) (Numerical Values)
de comando!
Fuzzificação Fuzzificação
Engloba:
Análise do Problema; • Os mais comuns são: Triangular, Trapezoidal, Singleton e
Shouldered
Definição das Variáveis;
Definição das Funções de Pertinência; e
Criação das Regiões.
Fuzzificação Fuzzificação
TRIANGULAR: TRAPEZOIDAL:
6
1. Fuzzificação: 1. Fuzzificação:
Variáveis Linguísticas Variáveis Linguísticas(Cont.)
Definiç
Definição de termos: Definiç
Definição de termos:
Ângulo := {pos_grande
{pos_grande,, pos_pequeno,
pos_pequeno, zero, neg_pequeno,
neg_pequeno, neg_grande}
neg_grande} Distância := {longe, mé
média, perto, zero, neg_perto}
neg_perto}
Definiç
Definição de funç
função de pertinência: Definiç
Definição de funç
função de pertinência:
µ neg_close zero close medium far
1
µ zero
neg_big neg_small pos_small pos_big
1
0
0
-90° -45° 0° 45° 90° -10 0 10 20 30
Angle Distance [yards]
1. Fuzzificação: 1. Fuzzificação:
Variáveis Linguísticas(Cont.) Variáveis Linguísticas(Cont.)
Definiç
Definição de termos: Definiç
Definição de termos: As Variá
Variáveis liguí
liguísticas são
Potência := {pos_alta
{pos_alta,, pos_mé
pos_média,
dia, zero, neg_mé
neg_média,
dia, neg_alta}
neg_alta} Distância := {longe, mé o “}vocabulá
média, perto, zero, neg_perto}
neg_perto vocabulário“
rio“ de um
sistema de LóLógica Fuzzy!
Fuzzy!
Ângulo := {pos_grande
{pos_grande,, pos_pequeno,
pos_pequeno, zero, neg_pequeno,
neg_pequeno, neg_grande}
neg_grande}
Potência := {pos_alta
{pos_alta,, pos_mé
pos_média,
dia, zero, neg_mé
neg_média,
dia, neg_alta}
neg_alta}
Definiç
Definição de funç
função de pertinência:
Definiç
Definição de funç
função de pertinência:
µ neg_high neg_medium zero pos_medium pos_high µ zero
µ neg_close zero close medium far
neg_big neg_small pos_small pos_big
1 1 1
0.9
0.8
0.2
0.1
0 0 0
-90° -45° 0° 4° 45° 90° -10 0 10 20 30
-30 -15 0 15 30 12m
Angle Distance [yards]
Power [Kilowatts]
Inferência Inferência
• Etapa na qual as proposições (regras) são definidas e • O mecanismo chave do modelo Fuzzy é a proposição.
depois são examinadas paralelamente.
• A proposição é o relacionamento entre as variáveis do
modelo e regiões Fuzzy
Engloba: • Na definição das proposições, deve-se trabalhar com:
Definição das proposições;
Análise das Regras; e
PROPOSIÇÕES CONDICIONAIS
Criação da região resultante. PROPOSIÇÕES NÃO CONDICIONAIS
7
2. Inferência Fuzzy:
Inferência Regras “IF-THEN”
Implementaç
Implementação das regras “IF-
IF-THEN”
THEN”:
• PROPOSIÇÕES CONDICIONAIS: #1: IF Distância = mé
média AND Ângulo = pos_pequeno THEN Potência =
pos_mé
pos_média
if W is Z then X is Y #2: IF Distância = mé
média AND Ângulo = zero THEN Potência = zero
#3: IF Distância = longe AND Ângulo = zero THEN Potência = pos_mé
pos_média
#4: IF Distância = longe AND Ângulo = pos_pequeno THEN Potência =
• PROPOSIÇÕES NÃO-CONDICIONAIS: pos_mé
pos_média
? Agregaç
Agregação: Cá
Cálculo da parte do “IF”
IF”
X is Y ? Composiç
Composição: Cá
Cálculo da parte do “THEN”
THEN”
As regras do sistema de
Lógica Fuzzy são as
“Leis“
Leis“ que ele executa!
Defuzzificação 3. Defuzzificação
• Etapa no qual as regiões resultantes são convertidas em Encontrando um resultado usando “Centro-
Centro-de-
de-gravidade”
gravidade”:
valores para a variável de saída do sistema;
µ neg_high neg_medium zero pos_medium pos_high
1
“Resultado
• Dentre os diversos tipos de técnicas de defuzzificação discreto para a
destacamos: potência”
potência”
8
Defuzzificação Outro exemplo
Objetivo do sistema: um analista de projetos de
Exemplos: uma empresa que determina o risco de um
determinado projeto.
Outro exemplo
Outro exemplo
• Passo 1: Fuzzificar
• Passo 2: Avaliação das regras
– ou → máximo e → mínimo
Regra 1: Risco
Dinheiro
Pessoal
0,2
.75 .8 ou
Adequado 0,0 Baixo
.25 .2
35 60 Regra 2: Risco
Inadequado Adequado Pequeno Alto
0,8
Médio
µi (d ) = 0,25 & µm (d ) = 0,75 µb ( p) = 0,2 & µa ( p) = 0,8 0,25
e
médio Alto
Regra 3: Risco
Risco
0,75 0,75
0,25
Inadequado 10 20 30 40 50 60 70 80 90 100
(10+ 20 + 30 + 40) * 0,2 + (50+ 60 + 70) * 0,25+ (80+ 90 +100) * 0,75 267,5
C= = = 70,4
0,2 + 0,2 + 0,2 + 0,2 + 0,25+ 0,25+ 0,25+ 0,75+ 0,75+ 0,75 3,8
9
Lógica Fuzzy no Mundo Conclusão
Bibliografia
10