LGICA FUZZY : CONCEITOS E APLICAES

Alex da Costa
{alex.da.costa.@bol.com.br}

Antonio Gabriel Rodrguez

{antonio@exatas.unisinos.br}

Etiene P. Lazzeris Simas

{lazzeris@terra.com.br}

Roberto da Silva Arajo

{betoara@ig.com.br}
Universidade do Vale do Rio dos Sinos UNISINOS
Centro de cincias Exatas e Tecnolgicas - Exatec

Abstract: this paper presents a study of fuzzy logic. Its described a historic, the concepts of fuzzy
sets and control fuzzy systems. A example of a control fuzzy system is showed, yet its industrial
applications. Its related the studies in the area and showed the conclusions.
Resumo: Neste trabalho objetiva-se apresentar um estudo a respeito da lgica fuzzy. Descreve-se
um histrico de seu surgimento, os conceitos de conjuntos fuzzy e sistema fuzzy de controle. Um
exemplo de sistema de controle fuzzy apresentado, assim como as aplicaes industriais deste
conceito. relatado brevemente estudos realizados na rea e feitas as concluses.
Palavras chave: Lgica Fuzzy, Teoria de Conjuntos, Sistema de Controle
Keywords: fuzzy logic, Set theory, Control Systems

1. Introduo
Lidar com fatores como ambigidade, incerteza e informaes vagas na resoluo de problemas
uma caracterstica do pensamento humano, que usa o conhecimento adquirido e experincias para
lidar com esses fatores [Klir,1997] [Mukaidono,2001]. Nos problemas de difcil soluo, em que se
faz necessrio o auxlio matemtico/computacional, modelar tais fatores extremamente difcil. A
modelagem computacional convencional no trabalha com ambigidades, pois utiliza o conceito de
verdadeiro ou falso [Mukaidono, 2001]. A preciso computacional tambm limitada, deixando
sempre uma margem, por mnima que seja, para a incerteza [Klir, 1997]. A vagueza de informaes
advinda da linguagem natural agrava ainda mais os fatores citados. Para lidar com isso de forma
matemtica, foi desenvolvida por Zadeh a Teoria dos Conjuntos Fuzzy (nebulosos), teoria a qual
permitia serem tratados nveis de incerteza a ambigidade.
Neste trabalho ser abordada, de maneira resumida, a Lgica Fuzzy (e seus elementos bsicos)
desenvolvida por Zadeh, seu conceito e suas aplicaes prticas.
No item 2 ser apresentado um resumido histrico sobre o aparecimento da Teoria Fuzzy. O
conceito de lgica Fuzzy e comparaes com outras reas de conhecimento descritos nos itens 3 e
4, respectivamente. Nos itens 5 e 6 so mostrados os conceitos da teoria de conjuntos Fuzzy e dos
Sistemas Fuzzy. As aplicaes da lgica fuzzy e os estudo na rea so apresentados nos itens 7 e 8.
No item 9 feita a concluso.

2. Histrico
Na dcada de 60, um professor de engenharia eltrica e cincias da computao, chamado Lotfi
Zadeh (1965) desenvolveu uma variao da tradicional teoria dos conjuntos e lgica booleana para
tornar a anlise e controle de sistemas complexos de controle mais tratveis. Zadeh observou que

muitas regras que as pessoas usavam para fazer inferncias no eram conscientes, ou seja, no
podiam ser explicadas pelas pessoas que as usavam. Por exemplo, podemos olhar para uma pessoa e
dizer ele parece ter por volta de 35 anos, mas no se est preparado para explicar como sabemos
disso. A idia de Zadeh levou-o a desenvolver o que conhecido como lgica fuzzy [Russ, 1996].
Apesar de ter sido criticada inicialmente, lgica fuzzy acabou sendo bem aceita por engenheiros e
cientistas da computao, tornando-se comuns as suas aplicaes.
Desde a publicao dos conceitos de lgica fuzzy em 65, houveram muitas outras aplicaes,
como em 1980, no controle Fuzzy de operao de um forno de cimento. Vieram em seguida, vrias
outras aplicaes, destacando-se, por exemplo, os controladores Fuzzy de plantas nucleares,
refinarias, processos biolgicos e qumicos, trocador de calor, mquina diesel, tratamento de gua e
sistema de operao automtica de trens.

3. Conceito
Do comeo da cincia moderna at o fim do sculo XX incerteza era geralmente indesejvel,
uma idia a ser evitada. Esta atitude foi gradativamente mudada com o surgimento dos mecanismos
estatsticos. Para lidar com grandes complexidades de processos mecnicos no nvel molecular,
mecanismos estatsticos permitiam o uso de mdias e a teoria de probabilidade era aplicada com
sucesso em vrias reas da cincia. Mesmo assim, a teoria de probabilidade no era capaz de tratar a
incerteza em todas as suas manifestaes [Klir, 1997]. Em particular incapaz de tratar a incerteza
resultante dos termos da linguagem natural vagos. Um exemplo disso a palavra meia-idade
[Mukaidono, 2001]. comum classificar uma pessoa de meia idade ou no, apesar de no se saber
exatamente quando comea e termina esse perodo. Vamos assumir um exemplo de que o perodo
de meia idade vai de 35 a 55 anos. Pela lgica tradicional, um homem de 34 anos s poderia
pertencer ao grupo de meia idade depois do dia de seu aniversrio de 35 anos. Da mesma forma, um
homem de 56 anos no pertenceria mais a esse grupo. Mas no desejado tamanha preciso em
relao a este conceito, dado que o limite de meia idade no pode ser definido precisamente. Na
verdade, se tem uma idia vaga a respeito dos limites de meia idade. A Figura 1 mostra a definio
de meia idade segundo a teoria de conjuntos convencional.

Figura 1 definio de meia idade em conjuntos convencionais

Pode-se notar que os limites do conjunto de meia idade so muito rgidos no exemplo
apresentado. Seria desejvel ter limites graduais, onde fossem associados graus de certeza de que
uma pessoa seria ou no de meia idade. Na Figura 2 pode-se notar que o grau de certeza que uma
pessoa de 25 anos pertena a meia idade muito menor que o de uma pessoa de 45 anos
[Mukaidono, 2001].

Figura 2 definio fuzzy de meia idade.

Ao contrrio da lgica tradicional, lgica fuzzy no impe limites bruscos, proporcionando graus
de pertinncia de elementos a uma determinada categoria.
Pode-se definir lgica difusa como sendo uma ferramenta capaz de capturar informaes vagas, em
geral descritas em linguagem natural e convert-las para um formato numrico, de fcil
manipulao. A extrao (representao) destas informaes vagas se d atravs do uso de
conjuntos nebulosos (fuzzy set) [Adilea, 2003], que sero abordados nos prximos itens.

4. Comparaes entre Lgica Fuzzy, Lgica Booleana e Probabilidade

Aristteles, filsofo grego (384 322 a.C.) foi o fundador da cincia da lgica e estabeleceu um
conjunto de regras rgidas para que as concluses pudessem ser aceitas como logicamente vlidas.
O emprego da lgica de Aristteles leva a uma linha de raciocnio lgico baseado em premissas e
concluses, sendo considerada binria, pois uma declarao verdadeira ou falsa (a declarao
deve fazer parte de apenas um conjunto, o das declaraes verdadeiras ou o das declaraes
falsas)[Adilea, 2003]. A lgica fuzzy permite uma transio gradual de uma proposio dentre os
conjuntos a que esta pode pertencer, pela associao de graus de pertinncia desta em relao aos
conjuntos analisados. A lgica fuzzy, em suma, permite a dualidade, estabelecendo que algo pode
coexistir com seu oposto [Adilea, 2003].
Probabilidade e lgica fuzzy podem ser usadas para mensurar tipos de incertezas. Uma maneira
de descrever a diferena entre elas dizendo que a teoria das probabilidades lida com a expectativa
de eventos futuros, baseado em fatores conhecidos. O senso de incerteza relativo a predio de
ocorrncia de um evento. O senso de incerteza representado pela lgica fuzzy resultante da
impreciso de significado de um conceito expresso pela linguagem natural. Geralmente a lgica
fuzzy trabalha com a comparao entre um indivduo e um dado conceito impreciso [Klir, 1997].

5. Teoria dos Conjuntos Fuzzy

Como visto no item 3, na teoria clssica de conjuntos so definidos os limites so requeridos
para determinar a pertinncia de um elemento a um conjunto com toda a certeza [Klir, 1997],
refletindo a lgica clssica, onde cada proposio tratada como definitivamente falsa ou
verdadeira. Porm a maioria dos conjuntos e proposies no podem ser caracterizados de maneira
to exata. Um exemplo o conjunto de pessoas altas um conjunto onde o limite exato no pode
ser precisamente definido. Na lgica fuzzy, a pertinncia de um elemento a um conjunto ocorre
gradativamente, expressa atravs de uma funo de pertinncia.
Nos itens a seguir veremos os componentes da teoria dos Conjuntos Fuzzy, a funo de
pertinncia e as variveis lingsticas.
5.1. Funes de Pertinncia
Cada conjunto fuzzy, A, definido em termos de relevncia a um conjunto universal, X, por
uma funo denominada de funo de pertinncia, associando a cada elemento x um nmero, A(x),
no intervalo fechado [0,1] que caracteriza o grau de pertinncia de x em A. A funo de pertinncia
tem a forma [Klir, 1997]:
A: X

[0,1]

Para representar melhor o conceito de funo de pertinncia, ilustrado na figura 3 os conjuntos de

pessoas de estatura baixa, media e alta pelo mtodo convencional de conjuntos e pelo mtodo fuzzy,
no qual so mostradas as funes de pertinncia de cada um dos conjuntos.

Figura 3 Funes de pertinncia dos conjuntos de estatura humana segundo a teoria clssica de conjuntos e
a teoria fuzzy de conjuntos.

5.2. Variveis Lingsticas

Uma das grandes vantagens do uso da lgica fuzzy a possibilidade de transformar linguagem
natural em conjuntos de nmeros, permitindo a manipulao computacional. Zadeh definiu

variveis lingsticas como variveis as quais os valores so palavras ou sentenas em linguagem

natural ou artificial (Zadeh apude [Russ, 1996]). As variveis lingsticas assumem valores
chamados lingsticos, como por exemplo os valores FRIO, MORNA, QUENTE so relativos
varivel TEMPERATURA DA GUA.

6. Sistemas Fuzzy
Os sistemas difusos estimam funes com descrio parcial do comportamento do sistema, onde
especialistas podem prover o conhecimento heurstico, ou esse conhecimento pode ser inferido a
partir de dados de entrada-sada do sistema. Pode-se dizer que os sistemas difusos so sistemas
baseados em regras que utilizam variveis lingsticas difusas (conjuntos difusos) para executar um
processo de tomada de deciso [Adilea, 2003].
Um sistema de Inferncia pode ser composto de 5 blocos principais [Jang, 1993]:

Figura 4 - Sistema de Inferncia Fuzzy

A seguir sos descritos os blocos que compem um sistema fuzzy.

Base de Regras: contm um conjunto de regras/proposies fuzzy onde as variveis
antecedentes/conseqentes so variveis lingsticas e os possveis valores de uma varivel
lingstica so representados por conjuntos difusos. Uma proposio difusa expressa relaes
entre variveis lingsticas e conjuntos difusos [Oliveira, 1999]. As proposies podem estar no
formato If-Then, como por exemplo:
If presso is alta then volume is pequeno
Onde presso e volume so variveis lingsticas, alta o antecedente (premissa) e volume o
conseqente.
Base de Dados: Define as funes de pertinncia do conjunto difuso nas regras fuzzy.
Unidade de Deciso Lgica: realiza operaes de inferncia, para obter, a partir da avaliao dos
nveis de compatibilidade das entradas com as condies impostas pela base de regras, uma ao
a ser realizada pelo sistema.

Interface Fuzzyfication: utilizando as funes de pertinncia pr-estabelecidas, mapeia cada

varivel de entrada do sistema em graus de pertinncia de algum conjunto difuso que representa
a varivel em questo.
Interface Defuzzyfication: transforma os resultados difusos da inferncia em valores de sada.
Calcula a sada com base na inferncia obtida no mdulo Unidade de Deciso Lgica, com as
funes de pertinncia das variveis lingsticas da parte conseqente das regras para obter uma
sada no difusa Nessa etapa as regies resultantes so convertidas em valores de sada do
sistema.
6.1. Exemplo de um Sistema Fuzzy Especialista
Neste tpico ser apresentado um exemplo de sistema fuzzy especialista com a tarefa de manter
um carro na estrada. Neste exemplo est sendo considerado apenas o fator direo do carro, ou seja,
o controle do ngulo da direo [Mukaidono, 2001].
Sendo x o ngulo do carro e y o ngulo da direo, tm-se as seguintes regras fuzzy:
Regra 1: Se x direita, ento y virar para a esquerda
Regra 2: Se x esquerda, ento y virar para a direita
Regra 3: Se x reto, ento y mantido o mesmo

Figura 5 - direo de um carro

Tm-se 6 conjuntos fuzzy, sendo 3 dos ngulos dos carros (direita, esquerda e reto) e os
movimentos da direo (virar para a esquerda, virar para a direita e manter o mesmo ngulo). So
definidas as funes de pertinncia para os conjuntos fuzzy, como mostra as figuras 6 e 7.

(a) Direita

(b) Esquerda

(c) Reto
Figura 6 Funes de pertinncia para ngulo do carro

(a) Virar para a esquerda

(b) Virar para a Direita

(c) Manter o mesmo

Figura 7 Funes de pertinncia para movimento da direo

Tm-se o conjunto universal de ngulos de um carro, U, variando de 15 +15; o conjunto

universal de ngulos da direo, V, consistindo de 45 at +45. Assim sendo, considera-se que o
conjunto U consiste de {-15, -10, -5, 0, +5, +10, +15} e o conjunto V consiste de {-45, -30,
-15, 0, +15, +30, +45}. Outros graus so linearmente interpolados.

Assim sendo tem-se a regra 1 representada na relao fuzzy R1, mostrada na Tabela 1 (a). De
acordo com o mtodo de truncagem, escolhido neste exemplo, quando o ngulo do carro
definitivamente direita, a exemplo, o valor de pertinncia de direita 10 (Figura 7) 1 dado o
conjunto Virar para a esquerda em V. Quando o valor de pertinncia pequeno, como 0,5 com 5
na Figura 7(a), a truncagem do conjunto fuzzy virar para a esquerda resulta no valor de 0,5. Da
mesma maneira so feitas as relaes R2 e R3 na tabela 1 (b) e (c) para as regras 2 e 3,
respectivamente.
Considera-se que o ngulo do carro +5. A relao R2 retorna uma funo de pertinncia A na
Figura 9 e a relao R3 retorna a funo de pertinncia B. Mas R1 no retorna nada. O resultado da
inferncia de um sistema fuzzy especialista definido pelo conjunto formado pela unio de todos os
conjuntos gerados por cada regra fuzzy. As regras so examinadas independentemente uma a cada
vez.
Tabela 1: Relaes Fuzzy R1, R2, R3
(a) Relao Fuzzy R1 representando a regra fuzzy 1
V
-45 -30 -15 0 +15 +30 +45
15
1
1 0,5 0
0
0
0
10
1
1 0,5 0
0
0
0
5 0,5 0,5 0,5 0
0
0
0
U 0
0
0
0 0
0
0
0
-5
0
0
0 0
0
0
0
-10 0
0
0 0
0
0
0
-15 0
0
0 0
0
0
0
(b) Relao Fuzzy R2 representando a regra fuzzy 2
V
-45 -30 -15 0 +15 +30 +45
15
0
0
0 0
0
0
0
10
0
0
0 0
0
0
0
5
0
0
0 0
0
0
0
U 0
0
0
0 0
0
0
0
-5
0
0
0 0 0,5 0,5 0,5
-10 0
0
0 0 0,5
1
1
-15 0
0
0 0 0,5
1
1
(c) Relao Fuzzy R3 representando a regra fuzzy 3
V
-45 -30 -15 0 +15 +30 +45
15
0
0
0
0
0
0
0
10
0
0
0
0
0
0
0
5
0
0 0,5 0,5 0,5
0
0
U 0
0
0 0,5 1
0,5
0
0
-5
0
0 0,5 0,5 0,5
0
0
-10 0
0
0
0
0
0
0
-15 0
0
0
0
0
0
0

Figura 8 Sada para x = +5

Fazendo uma interpretao verbal da regra fuzzy resultante, quando o carro est virando
suavemente para a direita (5), aplicam-se ambas regras de virar a direo para a esquerda e manter
o carro no mesmo ngulo, as quais resultam em um ngulo mdio entre esquerda e reto.

7. Aplicaes
A seguir so ilustradas algumas aplicaes dos conceitos de lgica fuzzy no controle de sistemas
mecnicos.

Aspiradores de p Matsushita usam controladores de 4 bits rodando algoritmos sensores de p e

ajustam o poder de suco;
Mquinas de lavar Hitachi usam controladores fuzzy para controle de peso, verificao de tipo
de tecido, e sensores de sujeira e automaticamente designam os ciclos de lavagem para uso
otimizado de potncia, gua, e detergente;
Um ar condicionado industrial projetado pela Mitsubishi usa 25 regras de resfriamento e 25
regras de aquecimento. Um sensor de temperatura fornece a entrada, com controle de sada
alimentado por um inversor, uma vlvula compressora, e um ventilador. Comparado com o
projeto anterior, o ar condicionado com controlador fuzzy aquee 5 vezes mais rpido, reduz o
consumo de potncia em 24%, incrementa a estabilidade da temperatura por um fator de 2, e
usa menos sensores;
Uma mquina de lavar pratos inteligente baseado em um controlador fuzzy e um one stop
sensing module que combina um teristor (para medida de temperatura), um sensor condutivo
(para medir o nvel de detergente atravs dos ons presentes na gua), um sensor de turvao
que difundi a medida e transmite luz para medir a sujeira na lavagem, e um sensor magntico
para ler a taxa de giro. O sistema determina uma otimizao no ciclo de lavagem para qualquer
carga obter os melhores resultados com o mnimo de energia, detergente, e gua;
Utilizao de lgica fuzzy em servios prestado a bibliotecas, gerando indicadores de
desempenho dos servios realizados por essa. So definidas variveis como tempo de
resposta, acesso, cortesia e confiana;
Usa-se lgica fuzzy na determinao de parmetros de controle de altitude e guiamento de
aeronaves no tripuladas, onde existem uma srie de regras baseadas em varivesi e valores
lingsticos.

8. Estado da Arte
A caracterstica de lidar com a impreciso e ambigidade da linguagem natural fez com que a
lgica fuzzy se tornasse alvo de pesquisas em diversas reas, como controle de sistemas e
inteligncia artificial. A seguir sero mostrados estudos que esto sendo realizados envolvendo
lgica fuzzy.
Na rea de controle de sistemas, lgica fuzzy tem sido ferramenta til e alvo de pesquisas. Papa
e Wood utilizam lgica fuzzy para avaliar a robustez de um sistema de controle a variaes de
parmetros significativos [Papa, 2001]. Rainer e Driankov utilizam fuzzy para melhor suportar o
problema de escalonamento [Rainer, 2001].
Utiliza-se fuzzy no auxlio extrao de conhecimento de sistemas complexos. Campello e
Amaral estudam o modelo de relaes fuzzy e propem um algoritmo para a extrao de
conhecimentos de um sistema complexo [Campello, 2001]. Branco e Dente analisam fatores como a
presena de rudos pode afetar a extrao de concluses de regras fuzzy e a implementao de um
modelo Fuzzy de aprendizado [Branco, 2001].
Krone e Taeger fazem consideraes a respeito de erros de abordagem e interpretao de
resultados na modelagem de um sistema fuzzy na tentativa de resolver o problema de encontrar a
regra fuzzy mais adequada na soluo de um problema [Krone, 2001].
Os sistemas hbridos, envolvendo lgica fuzzy e outras heursticas so largamente estudados.
Pode-se citar Pedrycs e Sosnowski utilizam lgica fuzzy para otimizar a construo de rvores de
deciso na resoluo de problemas complexos [Pedrycs, 2001]. Castro e Zurita estudam o
aprendizado de mquinas, onde fuzzy utilizado para aumentar a capacidade de formao e
interpretao de uma base de conhecimento [Castro, 2001]. Wang e Yeung propem uma estrutura
de dados matricial e um novo algoritmo para aumentar a tolerncia a rudos em relaes de sistemas
fuzzy [Wang, 2001]. Rao e Rao discutem a utilizao conjunta de lgica fuzzy e redes neurais em
seu livro [Rao, 1995].

9. Concluses
Pode-se dizer que fatores como incerteza e ambigidade na definio de parmetros de um
sistema so fatores que aumentam muito a complexidade da modelagem, tornando-a em muitos
casos invivel. Para o tratamento desses fatores foi desenvolvida, baseada na teoria clssica de
conjuntos, a lgica fuzzy. Este tipo de lgica permite que sejam quantificadas variveis lingsticas,
ou seja, que no possuem valores precisos. Esta quantificao se d atravs da teoria de conjuntos
fuzzy, a qual possibilita ter graus de pertinncia entre um elemento e os conjuntos ao qual pode
pertencer. Constri-se uma base de regras onde os valores podem so lingsticos (imprecisos),
dando flexibilidade ao sistema (quanto a estados que este pode assumir) e facilitando a
compreenso do problema. Nota-se que as caractersticas da lgica fuzzy atraram a ateno de
vrias linhas de pesquisa (a exemplo, sistemas de controle e inteligncia artificial), que incorporam
conhecimento fuzzy em modelos heursticos hbridos e sistemas de controle de processos
complexos.

10. Referncias Bibliogrficas

[Klir, 1997] KLIR, George, CLAIR, Ute H. St., YUAN, Bo. Fuzzy Set Theory Foundations and
Applications, Estados Unidos : ed. Prentice Hall, 1997.
[Mukaidono, 2001] MUKAIDONO, Masao. Fuzzy Logic for beginners, Singapore: ed. World
Scientific, 2001.
[Adilea, 2003] WAGNER, Adila. Extrao de Conhecimento a partir de Redes Neurais aplicada
ao Problema da Cinemtica Inversa na Robtica. 2003. 120 f. Dissertao

(Mestrado em Computao Aplicada) - Universidade do Vale do Rio dos Sinos,

Coordenao de Aperfeioamento de Pessoal de Nvel Superior.

[Russ, 1996] RUSS, Eberhart, SIMPSON, Pat, DOBBINS, Roy. Computational Intelligence PC
tools, London: ed. AP Professional, 1996.
[Rao, 1995] RAO, Valluru B., RAO, Haygriva V., Neural Networks & Fuzzy Logic, New York: ed.
Miss Press, 1995, 2a. edio.
[Aguiar, 1999] AGUIAR, Hime, OLIVEIRA, Jr., Lgica Difusa Aspectos prticos e aplicaes,
Rio de janeiro: ed. Intercincia, 1999.
[Papa, 2001] PAPA, Maurcio; WOOD, Jason; SCHENOBI, Sujeet.; Evaluation Controller
Robustness Using Cell Mapping. Fuzzy Sets and Systems, n. 121, p. 3-12, 2001.
[Palm, 2001] PALM, Rainer; DRIANKOV, Dimiter; design of a fuzzy gain scheduler using sliding
mode control principles, Fuzzy Sets and Systems, n. 121, p. 13-23, 2001.
[Branco, 2001] BRANCO, P. J. C.; DENTE, J. A.; Fuzzy Systems Modeling In Pratice, Fuzzy Sets

and Systems, n. 121, p. 73-93, 2001.

[Campello, 2001] CAMPELLO, R. J. G. B.; AMARAL, W. C.; Modeling And Linguistic Knowledge
Extration From Systems Using Fuzzy Relation Models, Fuzzy Sets and Systems, n.
121, p. 113-126, 2001.
[Pedrycz, 2001] PEDRYCZ, Witold; SOSNOWSKI, Zenon A.; The Design Of Decision Trees In
The Framework Of Granular Data And Their Application To Software Quality
Models, Fuzzy Sets and Systems, n. 123, p. 271-290, 2001.

[Wang, 2001] WANG, X.Z. et alli New Appoach To Fuzzy Rule Generation: Fuzzy Extension
Matrix, Fuzzy Sets and Systems, n. 123, p. 291-306, 2001.
[Castro, 2001] CASTRO, J. L.; CASTRO-SCHEZ, J. J.; ZURITA, J. M.; Use Of Fuzzy Machine
Learning Technique In The Knowledge Acquisition Process, Fuzzy Sets and
Systems, n. 123, p. 307-320, 2001.
[Krone, 2001] KHRONE, Angelika; TAEGER, Heike; Data-Based Fuzzy Rule For Fuzzy Modelling,

Fuzzy Sets and Systems, n. 123, p. 343-358, 2001.