Mtodos Matemticos Aplicados Engenharia de Produo

Lgica Fuzzy

Professora: Carla Crrea

Aluna: Rafaela da Silva dos Santos

Matrcula: 201402007949

ndice

Resumo ...............................................................................................................
Introduo ...........................................................................................................
Lgica Fuzzy .......................................................................................................
Conjuntos Fuzzy .................................................................................................
Representao de Conjuntos Fuzzy....................................................................
1.Regras Fuzzy ...................................................................................................
1.1 Fuzzyficao..................................................................................................
1.2 Avaliao das regras Fuzzy...........................................................................
1.3 Agregao das regras Fuzzy.........................................................................
1.4 Defuzzyfucao..............................................................................................

3
4
5
7
7
8
9
9
9
9

Aplicaes............................................................................................................
.

10

Estudo dos casos: Sistemas especialistas Henderson

(2009).............................

11

Especificao do problema e definio das variveis

lingusticas........................

12

Definio dos conjuntos Fuzzy.............................................................................

Elicitao e construo das regras Fuzzy............................................................
Codificao dos conjuntos e regras Fuzzy e dos procedimentos de
interferncia ........................................................................................................
.
Consideraes
finais.............................................................................................
Referncias

13
13

14

15
16

Resumo
Este trabalho apresenta um estudo da Lgica Fuzzy, sendo abordados os principais
conceitos da teoria, incluindo uma breve descrio sobre conjuntos e regras fuzzy.
Alm disso, descreve tambm a aplicao da Lgica Fuzzy no contexto da Inteligncia
Artificial e apresentado um estudo de caso envolvendo a aplicao dessa Lgica no
desenvolvimento de sistemas especialistas inteligentes. Por fim, relata-se brevemente
sobre as pesquisas envolvendo Lgica Fuzzy na Universidade Estcio de S.

Lgica Fuzzy: Conceitos e aplicaes

Introduo
A lgica convencional ou clssica usa distines bem definidas para separar
conjuntos. Por exemplo, pode-se dizer que uma pessoa com 1,70m considerada alta
ou mediana, nunca os dois. Isso fora a construo de linhas que diferenciem
membros dos no membros de uma classe. Essa diviso um processo complicado e
que no reflete a realidade do problema a ser modelado. Por outro lado, a Lgica
Fuzzy reflete a maneira como as pessoas pensam, tentando modelar o seu senso de
palavras, tomada de deciso ou senso comum. Como consequncia, a introduo da
Lgica Fuzzy tem conduzido as pesquisas para sistemas inteligentes mais humanos e
mais adequados realidade. O termo fuzzy em lngua inglesa pode ter vrios
significados, que variam de acordo com o contexto de interesse, mas o conceito
bsico deste adjetivo passa sempre pelo vago, indistinto, incerto. As tentativas de
traduo para o portugus ainda no so unanimidade: nebuloso e difuso so
exemplos mais populares de tradues para fuzzy. Nas prximas sees sero
apresentados os principais conceitos concernentes Lgica Fuzzy e aos conjuntos
fuzzy, que fundamentam essa teoria, bem como as regras de inferncia presentes
nesse contexto. Posteriormente, so apresentadas as aplicaes de maior
notabilidade da Lgica Fuzzy, mais especificamente relacionadas ao contexto da
Inteligncia Artificial, designando-se uma ateno especial utilizao da Lgica
Fuzzy como formalismo de representao do conhecimento para ser representado em
sistemas especialistas, construindo, assim, os sistemas especialistas fuzzy. Por fim,
so elencados aspectos positivos e limitaes que essa lgica no clssica apresenta.

Lgica Fuzzy. Tomando como exemplo a frase a seguir: Embora o

transformador esteja um pouco carregado, podese utilizlo por um tempo. Nessa
frase existem dois termos (um pouco e um tempo) bastante subjetivos e difceis de
representar. Para um especialista que esteja conversando com outro especialista, o
entendimento seria normal; no entanto, durante o processo de aquisio, fica bastante
complicado para o engenheiro de conhecimento entender e representar esse tipo de
conhecimento. Dessa forma, uma maneira de tentar solucionar o processo de
representao de conhecimento impreciso atravs da Lgica Fuzzy. A Lgica Fuzzy
tem como principal objetivo a modelagem computacional do raciocnio humano,
impreciso, ambguo e vago. A Lgica Fuzzy (tambm chamada de lgica
multivalorada) foi primeiramente introduzida em 1930 pelo filsofo e lgico polons Jan
Lukasiewicz. Atravs do estudo de termos do tipo alto, velho e quente, ele props a
utilizao de um intervalo de valores [0,1] que indicaria a possibilidade que uma
declarao fosse verdadeira ou falsa. Em 1937, o filsofo Max Black props a idia de
que continuidade descrevia graus. Ele definiu o primeiro conjunto fuzzy e descreveu
algumas idias bsicas de operaes com conjuntos fuzzy. Em 1965, Lofti Zadeh
publicou o artigo Fuzzy Sets, que ficou conhecido como a origem da Lgica Fuzzy. Na
realidade, Zadeh redescobriu a idia de fuzzyficaco, identificou e explorou tal
conceito, assim como lutou por ele. Portanto, Zadeh ficou e ainda conhecido como o
mestre da Lgica Fuzzy.
Lgica convencional Lgica Fuzzy A teoria clssica de conjuntos
permite o tratamento de classes de objetos e suas interrelaes em um
universo definido. Nessa teoria, a pertinncia de um dado elemento com
relao a um conjunto refere-se ao fato de tal elemento pertencer ou no a
esse conjunto. De forma ilustrativa, considere o grfico apresentado na figura
1, que representa um exemplo tpico da teoria clssica e descreve a altura de
uma pessoa atravs de trs conjuntos: baixo, mdio e alto. Nesse exemplo,
dado um elemento x qualquer, o mesmo pertencer a um dos conjuntos do
grfico; por exemplo, se x = 1,65, ento x pertence ao conjunto mdio e no
aos demais, ou seja, um elemento pertence ou no a um determinado conjunto
e, alm disso, tal elemento no pertence a mais de um conjunto.

1,70

1,50

1,90

Figura 1. Representao na forma de conjuntos da altura de uma

pessoa, sob o ponto de vista da Lgica.

Ao contrrio da Lgica convencional, a Lgica Fuzzy utiliza a idia de que

todas as coisas admitem (temperatura, altura, velocidade, etc.) graus de pertinncias.
Com isso, a Lgica Fuzzy tenta modelar o senso de palavras, tomada de deciso ou
senso comum do ser humano. Ainda tomando como exemplo o grfico da figura 1,
dados dois elementos x1 = 1,69 e x2 = 1,71, se a Lgica clssica for utilizada, esses
dois elementos pertencem a classes diferentes, x1 pertencendo classe mdio e x2
classe alto. No entanto, na realidade fica difcil de dizer que uma pessoa com 1,69 m e
outra com 1,71 m pertencem a classes diferentes. Por outro lado, na Lgica Fuzzy,
tanto o x1 quanto o x2 tm graus de pertinncias aos conjuntos fuzzy definidos, que
podem variar de 0 a 1. Em outras palavras, enquanto que a tomada de deciso na
teoria clssica seria como a da expresso 1, a da Lgica Fuzzy seria como a da
expresso 2, considerando um conjunto A e um elemento x com relao a esse
conjunto.

F(x) = {0
{1

f ( x )=

se, e somente se x A
se, e somente se x A

(1)

{1 se , e somente se , x A
{0 se ,e somente se x A
(2)
{0 ( x ) 1 se pertence parcialmente em A 0

Dessa forma, a Lgica Fuzzy pode ser considerada como um conjunto de

princpios matemticos para a representao do conhecimento baseado no grau de
pertinncia dos termos (graus de verdade). Como pode ser observado na expresso 2,
o intervalo de pertinncia [0,1], onde 0 significa que um elemento no pertence a um
determinado conjunto, 1 significa completa pertinncia ao conjunto, e valores entre 0 e
1 representam graus parciais de pertinncias. Assim, na Lgica Fuzzy, um elemento
pertence a um conjunto com um certo grau de pertinncia, fazendo com que uma
determinada sentena possa ser parcialmente verdadeira e parcialmente falsa. Alm
do mais, um mesmo elemento pode ter graus de pertinncias diferentes de 0 para
mais de um conjunto fuzzy. Para entender melhor o funcionamento da Lgica Fuzzy,
ainda considerando o exemplo descrito acima, a altura de uma pessoa pode ser
descrito atravs de conjuntos fuzzy (explicados com maiores detalhes na prxima
seo), como mostrado no na figura 1. Utilizando os mesmos elementos do exemplo

acima, x1 = 1,69 e x2 = 1,71, percebe-se que ambos tm graus de pertinncia 0 para o

conjunto alto e graus de pertinncia parciais para os conjuntos baixo e mdio.
possvel notar que, com a Lgica Fuzzy, no existe um limite abrupto que define os
elementos que pertencem ou no a um determinado conjunto, como no caso dos
conjuntos alto, mdio e baixo. Por outro lado, os graus de pertinncia dos elementos
possuem variaes suaves no intervalo real [0,1], representando, assim, de forma
mais realista, o conhecimento humano.
Conjuntos fuzzy. Como discutido anteriormente, na Lgica clssica os
conjuntos so bem definidos, de modo que um elemento pertence ou no a um
conjunto; se pertencer, pertence somente a um. Isso evita que ambiguidades
apaream e tornam a lgica mais simples. Ainda considerando o exemplo da utilizao
de conjuntos para separar pessoas pela altura, uma pessoa com 1,69m seria
considerada uma pessoa de altura mediana, se assim fosse definido, estando apenas
nesse conjunto e em nenhum outro; j uma pessoa com 1,71m faria parte do conjunto
das pessoas altas, e somente deste. Todavia, na realidade, fica bem difcil ver que
pessoas com uma diferena de altura to mnima pertencem a conjuntos diferentes.
Por outro lado, pela tica da Lgica Fuzzy, ter-se-ia as duas pessoas com certo grau
de pertinncia aos dois conjuntos, variando entre 0 e 1, ou seja, teramos a tomada de
deciso baseada em fatores mais humanos, mais maleveis. Assim, pode-se concluir
que os conjuntos fuzzy que classificam os elementos de um dado universo so menos
rgidos do que aqueles utilizados na teoria clssica visto que eles admitem graus
parciais de pertinncia.
Representao de conjuntos fuzzy O primeiro passo na representao de
conjuntos fuzzy a escolha da funo de pertinncia. A escolha dessa funo
depende do problema a ser modelado e tambm da capacidade computacional
disponvel para processar o que se deseja. Funes nolineares podem ser mais
eficientes para problemas mais complicados, porm, elas demandam um poder
computacional muito maior do que as funes lineares. Se o universo a ser trabalhado
for curto, ou contnuo, torna-se bem mais simples a aplicao de uma funo para
separar adequadamente os elementos em conjuntos. Um exemplo para a altura seria
o apresentado na tabela 1:

Tabela 1. Altura: conjuntos fuzzy e graus de pertinncia para alguns valores de

x
Grau de pertinncia
(x)

Alto

Mdio

Baixo

X=1,65 x=1,75 x=1,85

X=1,45 x=1,60 x=1,75

X=1,40 x=1,50 x=1,60

0.5

0.5

Nesse caso, tem-se o grau de pertinncia de cada um sendo analisado em

relao aos centmetros. Uma pessoa com menos de 165 centmetros no pode ser
considerada nem um pouco alta, assim como uma pessoa acima de 160 centmetros
no nada baixa.

Como as opes para a escolha de uma funo de pertinncia praticamente

infinita, vale a pena sempre gastar algum tempo nessa etapa do processo e com isso
escolher a funo mais adequada ao problema a ser modelado. A consulta a um
especialista, no caso de sistemas especialistas, sempre uma boa idia. 3.2.
Variveis lingusticas e modificadores Pode-se considerar uma varivel lingustica (ou
fuzzy) como uma entidade utilizada para representar de modo impreciso e, portanto,
lingustico um conceito ou uma varivel de um dado problema. Uma varivel
lingustica, diferentemente de uma varivel numrica, admite apenas valores definidos
na linguagem fuzzy que est utilizando-se dela. Por exemplo: Joo alto A varivel
Joo est recebendo o valor alto, que um dos conjuntos fuzzy definidos para esta
varivel. Os modificadores so termos ou operaes que modificam a forma dos
conjuntos fuzzy (ou seja, a intensidade dos valores fuzzy), podendo-se citar, por
exemplo, os advrbios muito, pouco, extremamente, quase, mais ou menos, entre
outros. Estes podem ser classificados em aumentadores, quando aumentam a rea de
pertinncia de um conjunto fuzzy, ou, analogamente, diminuidores, quando diminuem
a rea de pertinncia de um conjunto fuzzy. 3.3. Operaes e propriedades em
conjuntos fuzzy Como na teoria clssica, os conjuntos fuzzy obedecem a certas
propriedades e podem ser operados de diversas maneiras. As operaes entre
conjuntos so extremamente importantes para os sistemas que se utilizam dessa
lgica, pois os clculos proposicionais, por exemplo, so baseados nessas operaes.
O operador AND nada mais que um teste se o elemento est ou no na interseo
de dois conjuntos.
1.Regras fuzzy. As regras fuzzy so regras normais utilizadas para operar, da
maneira correta, conjuntos fuzzy, com o intuito de obter consequentes. Para criar tais
regras preciso de um raciocnio coerente com o que se deseja manusear e obter.
Para isso, este raciocnio deve ser dividido em duas etapas: (1) avaliar o antecedente
da regra e (2) aplicar o resultado no consequente. Por exemplo, considerando a
sentena se x alto, ento x pesado seguindo os passos 1 e 2 acima, tem-se que
para x = 1,70m, deve-se, primeiramente, verificar o grau de pertinncia da entrada
para o conjunto ao qual se encaixa, alto, que , para este caso, (x) = 0.5. Como o
grau de pertinncia da entrada x tal, ento se deve passar este valor de pertinncia
para um y = 80 kg (por exemplo), pertencente ao conjunto pesado. Para casos em que
existam vrios antecedentes, preciso encontrar um grau de pertinncia resultante de
todos os dos antecedentes. Nos casos em que o conectivo entre os antecedentes seja
e, deve-se utilizar mtodos de combinao, contanto que o resultado no ultrapasse o
valor de menor pertinncia entre os antecedentes; um exemplo de mtodo seria o
mnimo das pertinncias. J nos casos em que o conectivo entre os antecedentes for
ou, deve-se utilizar mtodos de combinao, contanto que o resultado no seja menor
que o maior grau de pertinncia. O raciocnio bem mais simples para casos em que
existam vrios consequentes, pois o grau de pertinncia resultante ser o mesmo para
todos os consequentes. 5. Inferncia fuzzy A inferncia fuzzy um processo de
avaliao de entradas com o objetivo de, atravs das regras previamente definidas e
das entradas, obter concluses utilizando-se a teoria de conjuntos fuzzy. Esse
processo pode ser feito atravs de modelos de inferncia, cuja escolha deve levar em
considerao o tipo de problema a ser resolvido, obtendo-se assim um melhor
processamento. Existem vrios mtodos de inferncia, mas o que geralmente mais
utilizado o mtodo Mamdami, que ser apresentado na subseo 5.1. 5.1. Inferncia

fuzzy (difusa): Estilo Mandami O estilo de inferncia Mandami foi criado pelo professor
Ebrahim Mamdani da Universidade de Londres (Reino Unido) em 1975 no contexto do
desenvolvimento de sistemas fuzzy baseando-se em regras de conjuntos fuzzy no
intuito de representar experincias da vida real. Para a construo desse sistema, foi
definido um processo de raciocnio dividido em quatro passos: (1) fuzzyficao, (2)
avaliao das regras fuzzy, (3) agregao das regras fuzzy e (4) defuzzyficao, cada
uma deles explicadas sucintamente nas subsees a seguir.
1.1 Fuzzyficao Essa etapa obtm o grau de pertinncia com que
cada entrada pertence a cada conjunto fuzzy. Cada uma dessas entradas foi
previamente limitada no universo de discurso em questo e associada a um
grau de pertinncia em cada conjunto fuzzy atravs do conhecimento do
especialista. Ento para obter o grau de pertinncia de uma determinada
entrada crisp basta buscar esse valor na base de conhecimento do sistema
fuzzy.
1.2 Avaliao das regras fuzzy Depois de obter as entradas
fuzzyficadas s aplic-las nos antecedentes obtendo assim o valor do
consequente para cada regra. Para um antecedente composto, os operadores
e e ou so utilizados para obter um nico resultado; no caso do operador ou
utilizada a operao de unio (pega o maior grau de pertinncia), e, no caso do
operador e, utilizada a de interseo (pega o menor grau de pertinncia).
Depois de obter um nico valor para o antecedente necessrio obter o valor
do consequente atravs de um mtodo de correlao dos mesmos. O mtodo
mais comum conhecido como clipped, onde o consequente cortado para o
nvel de valor verdade do antecedente da regra avaliada, ou seja, o valor obtido
simplesmente passado para o consequente dessa regra. Por exemplo, com
base nos graus de pertinncia e nas correlaes entre as variveis lingusticas,
tm-se as regras
1: IF (x is A3 (0) or y is B1 (0.1)) THEN (z is C1 (0.1))
2: IF (x is A2 (0.2) and y is B2 (0.7)) THEN (z is C2 (0.2))
3: IF (x is A1 (0.5)) THEN (z is C3 (0.5))
importante notar que, na regra 1, com a operao ou (or), tem-se que
o grau de pertinncia de z 0.1, o maior entre os graus de x e de y; de forma
similar, com a operao e (and) na regra 2, o grau de pertinncia de z 0.2, o
menor dentre os graus de x e y. Na regra 3 foi aplicado o clipped: como tem-se
apenas um valor na varivel lingustica de entrada que consta no antecedente
(no caso, x), ento o mesmo passado para a varivel lingustica de sada que
consta no consequente (no caso, z).
1.3 Agregao das regras fuzzy Como o nome sugere, nessa etapa
so agregadas todas as funes membro dos consequentes de cada regra em
um nico conjunto fuzzy. Para o exemplo em questo, considerando os
conjuntos fuzzy para a varivel z e respectivos graus de pertinncia,
produzidos pela aplicao das regras fuzzy 1, 2 e 3.

1.4 Defuzzyficao Para se obter uma sada numrica necessrio

defuzzyficar a sada obtida na etapa anterior. O mtodo de defuzzyficao mais
comum a tcnica do centride, que obtm o ponto onde uma linha vertical
divide ao meio um conjunto agregado. A frmula matemtica que obtm esse
ponto expressa da seguinte forma (expresso 3). A preciso do mtodo
depende do intervalo escolhido, quanto maior mais impreciso, porm mais
rpido de calcular.
b

( x )x

COG= x=ab

(x )

(3)

x=a

Considerando o conjunto fuzzy da figura 4, o resultado numrico obtido

com a aplicao da tcnica do centride (COG) dado por (considerando
intervalos percentuais de 10%, variando de 0% a 100%):

COG=

( 0+10+20 ) . 0.1+ ( 30+ 40+50 ) .0.2+ ( 60+ 70+ 80+90+100 ) .0 .5

0.1+0.1+1.1+0.2+0.2+0.2+0.5+ 0.5+0.5

= 67.4
Assim, tem-se que o risco do projeto em questo de 67.4%.

Aplicaes A Inteligncia Artificial talvez a rea onde a Lgica seja mais

usada, visto que ela o principal formalismo de representao do conhecimento, e,
portanto, muito til no desenvolvimento de sistemas inteligentes, em especial os
especialistas e os multiagentes, visto que, conforme comentado por Luger (2005) e
Konar (2000), a representao e a inteligncia so o real desafio da Inteligncia
Artificial. De fato, para muitos problemas reais, a impreciso dos dados e a incerteza
do conhecimento so, por natureza, parte do problema em si, e raciocinar
considerando esses aspectos sem uma fundamentao adequada pode gerar
inferncias imprecisas. no campo da Inteligncia Artificial onde a Lgica Fuzzy
coloca-se como o principal instrumento para uma representao mais adequada do
conhecimento (e do prprio raciocnio), isso se devendo sua capacidade de lidar
com incertezas, raciocnio aproximado, termos vagos e ambguos, com o que as

pessoas pensam, isso tudo indo alm do escopo das lgicas clssicas. Dessa forma, a
Lgica Fuzzy permite aos sistemas computacionais inteligentes raciocinar
considerando aspectos inerentes incerteza e aos processos realsticos e torn-lo
mais humano. Abaixo segue uma lista no-exaustiva de domnios de aplicao da
Lgica Fuzzy, no contexto da Inteligncia Artificial.
Sistemas especialistas;
Sistemas multiagentes;
Reconhecimento de padres;
Robtica;
Sistemas de controle inteligentes;
Sistemas de apoio tomada de deciso;
Algoritmos genticos;
Data mining.

McNeil e Thro (1994) relacionam algumas caractersticas de sistemas onde a

aplicao da Lgica Fuzzy (ao que tambm se chama fuzziness, em ingls)
necessria ou benfica:
sistemas complexos que so difceis ou impossveis de modelar;
sistemas controlados por especialistas [humanos];
sistemas com entradas e sadas complexas e contnuas;
sistemas que se utilizam da observao humana como entradas ou como
base para regras; sistemas que so naturalmente vagos, como os que envolvem
cincias sociais e comportamentais, cuja descrio extremamente complexa.

Estudo de caso: Sistemas especialistas Henderson (2009) define sistemas

especialistas (em ingls, expert systems) como sistemas computacionais que
empregam um determinado conhecimento (proveniente de especialistas do domnio do
problema ou mesmo outras fontes de conhecimento) e regras para lidar com o mesmo
no intuito de apresentar concluses ou resolver problemas, emulando a habilidade de
tomada de deciso de um especialista humano. De acordo com Castillo e Melin
(2008), sistemas especialistas que utilizam Lgica Fuzzy em sua concepo tm sido
aplicados com sucesso a problemas de deciso, controle, diagnstico e classificao,
isso justamente porque eles so capazes de gerenciar o raciocnio complexo
intrnseco a essas reas de aplicao. Os elementos que compem um sistema
especialista so:

 base de conhecimento (de dados) banco de informaes colhidas dos

especialistas sobre o domnio em estudo, nela sendo representado o conhecimento
que os especialistas tm sobre o domnio do problema e contendo, portanto, os
elementos (dados) e formas de conduo para identificao e soluo de um
problema;
mecanismo de inferncia (raciocnio) atua como um processador,
trabalhando com as informaes contidas na base de conhecimento em funo dos
dados do problema em questo (contexto);
internamente, existem regras utilizadas pelo mecanismo de inferncia para
lidar com a base do conhecimento, regras essas que so fuzzy (no caso de sistemas
especialistas que utilizam essa Lgica). Como explicam Castillo e Melin (2008), em
geral, diz-se que um sistema fuzzy implementa um mapeamento no-linear de um
espao de entrada (input space) para um espao de sada (output space). Esse
mapeamento sendo realizado pelas regras fuzzy na forma IFTHEN (implicao se...
ento...), cada uma delas descrevendo o comportamento local do mapeamento. Em
particular, o antecedente da regra define uma regio fuzzy do espao de entrada,
enquanto o consequente especifica a sada na regio fuzzy.
Com o objetivo de ilustrar o projeto de um sistema especialista fuzzy, considere
o problema de operar uma central de servios para peas extras (adaptado de
Negnevitsky (2005)) com a seguinte descrio: Uma central de servios fornece peas
de carros para seus clientes e conserta as peas defeituosas. Um cliente traz uma
pea defeituosa para a central e recebe uma pea boa do mesmo tipo; a pea
defeituosa ento consertada e se torna uma pea extra pronta para ser fornecida ao
usurio. Se existe uma pea extra do mesmo tipo da que o cliente trouxe, o mesmo
recebe a pea extra e vai embora; em caso contrrio, o cliente tem que esperar at
que uma pea do mesmo tipo esteja disponvel, ou seja, o cliente espera at que uma
pea do mesmo tipo seja consertada. O objetivo desse sistema dar sugestes ao
gerente da central para manter o cliente satisfeito com o servio, sempre preocupado
em deixar o tempo de espera do cliente o menor possvel. Analisando a descrio
acima, tem-se que o gerente dessa central de servios para peas extras deseja
definir o nmero de peas extras necessrias para manter o tempo de espera do
cliente dentro de um intervalo aceitvel. Considerando que o desenvolvimento de um
sistema especialista incremental (evolucionrio), os passos a serem seguidos cada
um deles detalhado nas subsees a seguir so:

1. especificar o problema e definir as variveis lingusticas;

2. definir os conjuntos fuzzy;
3. elicitar e construir as regras fuzzy;
4. codificar os conjuntos e regras fuzzy e os procedimentos para realizar a
inferncia no sistema;
5. avaliar e melhorar o sistema.

Especificao do problema e definio das variveis lingusticas O

primeiro passo na construo de um sistema especialista fuzzy a especificao do
problema em termos de engenharia de conhecimento, ou seja, definir as variveis de
entrada e de sada, assim como seus respectivos intervalos de valores. Nesse
problema, existem quatro variveis lingusticas, a saber:
tempo mdio de espera de um cliente (m) no pode exceder o limite
aceitvel pelo cliente e tem de ser o menor possvel;
fator de utilizao de reparo da central (p) mdia entre clientes chegando
(falhas por unidade de tempo) e clientes saindo (reparos por unidade de tempo), que
proporcional ao nmero de empregados e ao nmero de peas extras disponveis;
para aumentar a produtividade da central, o gerente deve manter esse parmetro o
maior possvel;
nmero de empregados (s) nmero de empregados existentes na central,
ou seja, o nmero de pessoas disponvel para o conserto das peas;
nmero de peas extras (n) juntamente com o nmero de empregados,
afeta o tempo de espera, e, consequentemente, tem um grande impacto no
desempenho da central de servios. Aumentando s e n, obtm-se um tempo de espera
pequena; entretanto, h um maior custo para empregar novos empregados e manter
as peas extras nas estantes Nesse exemplo, existem trs variveis de entrada m, s
e p e uma de sada n , esta ltima prefigurando o ponto-chave do sistema, que
o de definir o nmero de peas extras necessrias para manter o tempo de espera do
cliente dentro de um intervalo aceitvel.

Definio dos conjuntos fuzzy Definidos os intervalos de valores para cada

uma das variveis lingusticas, o segundo passo definir a forma dos conceitos,
materializando isso em conjuntos fuzzy. Na construo e representao dos conjuntos
fuzzy, preciso manter interseo suficiente entre conjuntos adjacentes, de modo que
a mudana entre os conceitos seja o mais suave possvel. Alm disso, os conjuntos
fuzzy podem ter uma variedade de formas; entretanto, uma forma triangular ou
trapezide frequentemente fornecem uma representao adequada do conhecimento
especialista e, ao mesmo tempo, simplifica significantemente o processo de
computao.
Elicitao e construo das regras fuzzy Para construir as regras fuzzy
relacionadas ao problema, preciso adquirir o conhecimento envolvido, e isso feito
atravs de entrevistas com especialistas, no intuito de descrever como o problema
pode ser resolvido usando variveis lingusticas, ou atravs de outras fontes de
conhecimento (e.g., livros etc.). Considerando que h trs variveis de entrada e uma
entrada de sada, conveniente representar as regras fuzzy em forma de matriz
(memria associativa fuzzy MAF), cada coordenada representando uma varivel
lingustica de entrada e o valor de uma clula representando um valor da varivel de
sada. A figura 10 mostra um exemplo de memria associativa fuzzy considerando as

variveis lingusticas de entrada m (eixo horizontal) e s (eixo vertical); em cada clula,

tm-se os valores para a varivel lingustica de sada n.
Com base na memria associativa que relaciona as variveis lingusticas,
possvel ento definir as regras fuzzy. Por exemplo, as regras IF (p is B) THEN (n is P)
IF (p is A) THEN (n is G) definem, respectivamente que, se o valor da varivel p B
(fator de utilizao baixo) ento o valor de n ser P (pequeno nmero de peas
extras); se, por sua vez, o valor de p A (fator de utilizao alto), ento o valor de n
ser G (grande nmero de peas extras). As regras fuzzy tambm podem ser mais
complexas; por exemplo, as regras

IF (m is MP) AND (s is P) THEN (n is MG)

IF (m is M) AND (s is G) AND (p is A) THEN (n is PP)
definem, respectivamente, que, se o valor de m MP (tempo mdio de espera
muito pequeno) e o valor de s P (pequeno nmero de empregados) ento o valor de
n MG (nmero muito grande de peas extras), como mostra a clula inferior
esquerda da matriz da figura X; na outra regra, se o valor de m M (tempo mdio de
espera mdio) e o valor de s G (grande nmero de empregados) e o valor de p A
(alto fator de utilizao), ento o valor de n PP (nmero muito pequeno de peas
extras).
Codificao dos conjuntos e regras fuzzy e dos procedimentos de
inferncia Uma vez definidos os conjuntos e as regras fuzzy da base de
conhecimento, agora preciso codific-los, isto , implementar o sistema especialista
em si. Isso pode ser feito de duas maneiras: utilizando uma linguagem de
programao (como C/C++, Java), que a opo preferida dos desenvolvedores
experientes e que prov uma maior flexibilidade, ou; utilizar uma ferramenta de
desenvolvimento para Lgica Fuzzy (como, por exemplo, o Fuzzy Knowledge
BuilderTM), o que confere um rpido desenvolvimento e prototipagem de um sistema
especialista fuzzy. 6.1.5 Avaliao e melhoria do sistema Por fim, o ltimo (e mais
trabalhoso) passo consiste em verificar se o sistema atende aos requisitos
especificados inicialmente no projeto, avaliando-se o mesmo e definindo-se possveis
melhorias que porventura so pertinentes de serem feitas. Nesta fase, a opinio do
especialista importante, pois ele pode estar ou no satisfeito com o sistema. Embora
efetuar melhorias no sistema demanda mais tempo e esforo que determinar os
conjuntos fuzzy e construir as regras fuzzy, as melhorias que podem ser feitas no
intuito de aumentar o desempenho de um sistema especialista fuzzy pode envolver um
conjunto de aes:
1. Rever o modelo das variveis de entrada e de sada e se necessrio
redefinir seus intervalos;
2. Rever os conjuntos fuzzy e se necessrio definir conjuntos adicionais com
relao ao domnio (universo do discurso); nesse ponto, importante ressaltar que um
nmero maior de conjuntos fuzzy torna o funcionamento do sistema mais preciso;

3. Fornecer sobreposio suficiente entre conjuntos fuzzy adjacentes

(recomendado: 25% a 50% nas bases);
4. Rever as regras fuzzy e se necessrio adicionar novas regras base de
regras;
5. Verificar se a incluso de modificadores nos conjuntos fuzzy pode melhorar o
desempenho do sistema;
6. Ajustar o peso de execuo das regras (a maioria das ferramentas para
Lgica Fuzzy permite o controle da importncia das regras);
7. Rever a forma dos conjuntos fuzzy, se necessrio alter-la no intuito de
prover uma maior preciso.

Consideraes finais Como dito anteriormente, a principal vantagem de se

utilizar da Lgica Fuzzy deve-se a sua capacidade de lidar com incertezas, raciocnio
aproximado, termos vagos e ambguos, o que no possvel de se fazer com as
lgicas clssicas. O raciocnio humano envolve todos esses elementos tratados pela
Lgica Fuzzy; por isso ela de suma importncia no contexto da Inteligncia Artificial,
que procura representar o raciocnio, conhecimento humano da forma mais realstica
possvel. Alm disso, conforme apontado por Munkata (2008), para problemas difceis,
mtodos no-fuzzy convencionais normalmente so caros e dependem de
aproximaes matemticas (como, por exemplo, a linearizao de problemas nolineares), o que pode comprometer o desempenho dessas solues. Embora
apresente muitas vantagens, a Lgica Fuzzy tambm apresenta algumas limitaes
relevantes, a saber (Munkata, 2008): Estabilidade. Sistemas fuzzy so estticos, no
sendo capazes de se adaptar a contextos extremamente dinmicos. Falta de
capacidade de aprendizagem. Pelo fato de serem estticos, sistemas fuzzy no
conseguem aprender. Definir boas funes de pertinncia e regras fuzzy no so
tarefas fceis. Questes como o porqu de um determinado sistema especialista fuzzy
precisa de tantas regras, ou quando um desenvolvedor pode parar de adicionar mais
regras no so facilmente respondidas. A verificao e validao de um sistema
especialista fuzzy geralmente requer testes extensivos. Muitos desenvolvedores no
conseguem fazer isso ou mesmo as circunstncias no permitem esses inmeros
testes. Para superar alguns desses problemas, principalmente no tocante
estabilidade e a falta de capacidade de aprendizagem, as atuais pesquisas
envolvendo a Lgica Fuzzy e a sua aplicao em sistemas inteligentes consistem na
combinao (hibridizao) de sistemas fuzzy com outras tcnicas a fim de prover
adaptabilidade, tcnicas essas como as redes neurais [artificiais] (neuro-fuzzy
systems, em ingls) e os algoritmos genticos. Como coloca Coppin (2004), esses
sistemas hbridos que integram esse aspecto adaptativo aprendem a lidar com
situaes que no tinham sido previstas anteriormente nas fases de projeto do
sistema, e, em casos extremos, eles tambm aprendem a sobreviver quando o
ambiente no qual eles operam sofre mudanas.

Referncias
Castillo, Oscar; Melin, Patricia. (2008) Type-2 Fuzzy Logic: Theory and
applications. Springer-Verlag Berlin Heidelberg.
Coppin, Ben. (2004) Artificial Intelligence illuminated. Jones and
Bartlett Publishers.
Hayes-Roth, F.; Waterman, D.A.; Lenat, D.B. (1983) Building expert
systems. AddisonWesley.
Henderson, Harry. (2009) Encyclopedia of Computer Science and
Technology. Facts on File.
Konar, Amit. (2000) Artificial Intelligence and soft computing:
Behavioral and cognitive modeling of the human brain. CRC Press.
Konar, Amit. (2005) Computational Intelligence: Principles, techniques
and applications. Springer-Verlag Berlin Heidelberg.
Luger, George F. (2005) Artificial Intelligence: Structures and
strategies for complex problem solving 5th ed. Pearson Education/Addison
Wesley.
Munakata, Toshinori. (2008) Fundamentals of the new Artificial
Intelligence: neural, evolutionary, fuzzy and more 2nd ed. Springer-Verlag
London.
McNeill, F. Martin; Thro, Ellen. (1994) Fuzzy Logic: A practical
approach. AP Professional/Academic Press.
Negnevitsky, Michael. (2005) Artificial Intelligence: A guide to
Intelligent Systems 2nd ed. Pearson Education/Addison Wesley.

Partridge, Derek. (1998) Artificial Intelligence and Software

Engineering: Understanding the promise of the future. Glenlake Publishing
Company/American Management Association (AMACOM).
Ross, Timothy J. (2004) Fuzzy Logic with Engineering applications
2nd ed. John Wiley & Sons. Sivanandam, S. N.; Sumathi, S.; Deepa, S. N.
(2007) Introduction to Fuzzy Logic using MATLAB. Springer-Verlag Berlin
Heidelberg.