O Que é Lógica Fuzzy?
A Lógica Fuzzy ou Lógica Difusa foi proposta pela primeira vez por Lotfi Zadeh em um artigo de 1965 para a revista Information and Control. Em seu artigo, intitulado “Conjuntos Fuzzy”, Zadeh tentou refletir os tipos de dados usados no processamento de informações e derivou as regras lógicas elementares para esse tipo de conjunto.
“Na maioria das vezes, as classes de objetos encontrados no mundo físico real não têm critérios de adesão definidos com precisão”, explicou Zadeh. “No entanto, permanece o fato de que essas ‘classes’ definidas de forma imprecisa desempenham um papel importante no pensamento humano, particularmente nos domínios do reconhecimento de padrões, comunicação de informações e abstração.”
Desde então, a lógica fuzzy tem sido aplicada com sucesso em sistemas de controle de máquinas, processamento de imagens, inteligência artificial e outros campos que dependem de sinais com interpretação ambígua.
Lógica Fuzzy é uma forma de lógica de muitos valores em que os valores verdadeiros das variáveis podem ser qualquer número real entre 0 e 1, em vez de apenas os valores tradicionais de verdadeiro ou falso. É usado para lidar com informações imprecisas ou incertas e é um método matemático para representar imprecisão e incerteza na tomada de decisões.
A Lógica Fuzzy baseia-se na ideia de que, em muitos casos, o conceito de verdadeiro ou falso é muito restritivo. Permite verdades parciais, onde uma afirmação pode ser parcialmente verdadeira ou falsa, em vez de totalmente verdadeira ou falsa.
A Lógica Fuzzy é usada em uma ampla gama de aplicações, como sistemas de controle, processamento de imagens, processamento de linguagem natural, diagnóstico médico e inteligência artificial.
O conceito fundamental da Lógica Fuzzy é a função de pertinência, que define o grau de pertinência de um valor de entrada a um determinado conjunto ou categoria. A função de adesão é um mapeamento de um valor de entrada para um grau de adesão entre 0 e 1, onde 0 representa não adesão e 1 representa adesão plena.
A Lógica Fuzzy é implementada usando Regras Fuzzy, que são declarações se-então que expressam o relacionamento entre variáveis de entrada e variáveis de saída de uma forma difusa. A saída de um sistema de Lógica Fuzzy é um conjunto fuzzy, que é um conjunto de graus de pertinência para cada valor de saída possível.
Em resumo, a Lógica Fuzzy é um método matemático para representar imprecisão e incerteza na tomada de decisões, permite verdades parciais e é utilizado em uma ampla gama de aplicações. É baseado no conceito de função de pertinência e a implementação é feita por meio de regras Fuzzy.
No valor verdadeiro do sistema booleano, 1,0 representa o valor verdadeiro absoluto e 0,0 representa o valor falso absoluto. Mas no sistema fuzzy, não há lógica para a verdade absoluta e o valor falso absoluto. Mas na lógica difusa, existe um valor intermediário muito presente que é parcialmente verdadeiro e parcialmente falso.
Arquitetura
Base de regras: contém o conjunto de regras e as condições SE-ENTÃO fornecidas pelos especialistas para reger o sistema de tomada de decisão, com base em informações linguísticas. Desenvolvimentos recentes na teoria fuzzy oferecem vários métodos eficazes para o projeto e ajuste de controladores fuzzy. A maioria desses desenvolvimentos reduz o número de regras difusas.
Fuzzificação: É usado para converter entradas, ou seja, números nítidos em conjuntos difusos. As entradas nítidas são basicamente as entradas exatas medidas pelos sensores e passadas para o sistema de controle para processamento, como temperatura, pressão, rpm, etc.
Motor de inferência: Determina o grau de correspondência da entrada difusa atual em relação a cada regra e decide quais regras devem ser disparadas de acordo com o campo de entrada, em seguida, as regras disparadas são combinadas para formar as ações de controle.
Defuzzificação: É utilizada para converter os conjuntos fuzzy obtidos pelo motor de inferência em um valor crisp. Existem vários métodos de defuzzificação disponíveis e o mais adequado é utilizado com um sistema especialista específico para reduzir o erro.
Função de Membro
Um gráfico que define como cada ponto no espaço de entrada é mapeado para um valor de pertinência entre 0 e 1. O espaço de entrada é frequentemente referido como o universo do discurso ou conjunto universal (u), que contém todos os possíveis elementos de interesse em cada aplicação específica.
Existem basicamente três tipos de fuzzificadores: fuzzificardor singleton, fuzzificardor gaussiano e fuzzificador trapezoidal.
O Que é Um Controle Difuso?
- É uma técnica para incorporar pensamentos semelhantes aos humanos em um sistema de controle.
- Pode não ser concebido para fornecer um raciocínio preciso, mas foi concebido para fornecer um raciocínio aceitável.
- Pode emular o pensamento dedutivo humano, isto é, o processo que as pessoas usam para inferir conclusões a partir do que sabem.
- Quaisquer incertezas podem ser facilmente resolvidas com a ajuda da lógica difusa.
Vantagens Dos Sistemas Lógicos Difusos
- Este sistema pode funcionar com qualquer tipo de entrada, seja informação de entrada imprecisa, distorcida ou ruidosa.
- A construção de Sistemas Lógica Fuzzy é fácil e compreensível.
- A lógica difusa vem com conceitos matemáticos da teoria dos conjuntos e o raciocínio disso é bastante simples.
- Fornece uma solução muito eficiente para problemas complexos em todos os campos da vida, pois se assemelha ao raciocínio e à tomada de decisões humanas.
- Os algoritmos podem ser descritos com poucos dados, portanto é necessária pouca memória.
Desvantagens Dos Sistemas Lógicos Difusos
- Muitos pesquisadores propuseram diferentes maneiras de resolver um determinado problema através da lógica difusa, o que leva à ambiguidade. Não existe uma abordagem sistemática para resolver um determinado problema através da lógica fuzzy.
- A prova de suas características é difícil ou impossível na maioria dos casos porque nem sempre obtemos uma descrição matemática de nossa abordagem.
- Como a lógica difusa funciona tanto com dados precisos quanto imprecisos, na maioria das vezes a precisão fica comprometida.
Qual a Diferença Entre Lógica Fuzzy e Redes Neurais?
Uma rede neural artificial é um sistema computacional projetado para imitar os procedimentos de resolução de problemas de um sistema nervoso semelhante ao humano. Isso é diferente da lógica difusa, um conjunto de regras projetadas para chegar a conclusões a partir de dados imprecisos. Ambos têm aplicações na ciência da computação, mas são campos distintos.
Lógica Fuzzy é o Mesmo que Aprendizado de Máquina (Machine Learning)?
A lógica fuzzy costuma ser agrupada com o aprendizado de máquina, mas não são a mesma coisa. O aprendizado de máquina refere-se a sistemas computacionais que imitam a cognição humana, adaptando iterativamente algoritmos para resolver problemas complexos. A lógica fuzzy é um conjunto de regras e funções que podem operar em conjuntos de dados imprecisos, mas os algoritmos ainda precisam ser codificados por humanos. Ambas as áreas têm aplicações em inteligência artificial e resolução de problemas complexos.
Aplicações
- É usado no campo aeroespacial para controle de altitude de espaçonaves e satélites.
- Tem sido utilizado no sistema automotivo para controle de velocidade e controle de tráfego.
- É utilizado para sistemas de apoio à tomada de decisão e avaliação pessoal nos negócios de grandes empresas.
- Tem aplicação na indústria química para controle de pH, secagem e processo de destilação química.
- A lógica fuzzy é usada no processamento de linguagem natural e em diversas aplicações intensivas em Inteligência Artificial.
- A lógica fuzzy é amplamente utilizada em sistemas de controle modernos, como sistemas especialistas.
- A Lógica Fuzzy é usada com Redes Neurais porque imita como uma pessoa tomaria decisões, só que muito mais rápido. Isso é feito agregando dados e transformando-os em dados mais significativos, formando verdades parciais como conjuntos Fuzzy.
Conclusão
A lógica difusa é uma extensão da lógica clássica que incorpora as incertezas que influenciam a tomada de decisão humana. É frequentemente usado para resolver problemas complexos, onde os parâmetros podem não ser claros ou imprecisos. A lógica difusa também é usada em software de investimento, onde pode ser usada para interpretar sinais de negociação ambíguos ou pouco claros.
Fonte:
LIMA, Isaías; SANTOS Flávia; PINHEIRO, Carlos. Inteligência artificial. 1ª ed. Rio de Janeiro: Elsevier, 2014.