Sistemas de Lgica Difusa - Fundamentos

Ing. Oscar G. Duarte V. M.Sc.

Resumen: El propsito de este artculo es el de presentar los fundamentos de los
Sistemas de Lgica Difusa, partiendo de la teora de Conjuntos difusos, hasta la
exposicin preliminar de las estrategias de entrenamiento. Se presenta tambin una
herramienta de software (UNFUZZY) desarrollada en el Departamento de Ingeniera
Elctrica de la Universidad Nacional de Colombia. El artculo est dirigido a
Ingenieros no conocedores del tema, y es de caracter divulgativo general.

Introduccin
Desde su aparicin en la decada de los 60's hasta nuestros das, las
aplicaciones de la Lgica Difusa se han ido consolidando, paulatinamente al
comienzo, y con un desbordado crecimiento en los ltimos cinco aos. Se
encuentran en soluciones a problemas de control industrial, en prediccin de
series de tiempo, como metodologas de archivo y bsqueda de Bases de
Datos, en Investigacin Operacional, en estrategias de mantenimiento
predictivo y en otros campos ms.
Las principales razones para tal proliferacin de aplicaciones quizs sean la
sencillez conceptual de los Sistemas basados en Lgica Difusa, su facilidad
para adaptarse a casos particulares con pocas variaciones de parmetros,
su habilidad para combinar en forma unificada expresiones lingsticas con
datos numricos, y el no requerir de algoritmos muy sofisticados para su
implementacin.
El propsito fundamental de este artculo es el de presentar los fundamentos
de los Sistemas basados en Lgica Difusa, con la certeza de que algunos de
los lectores encontrarn en ellos una alternativa ms para abordar sus
problemas especficos.
Teora de Conjuntos Difusos
Una buena estrategia para presentar la teora de Conjuntos Difusos,
consiste en recordar algunos aspectos de la teora de conjuntos
convencionales (que llamaremos conjuntos concretos), y a partir de all
hacer una extensin a los conjuntos difusos:
Un conjunto concreto se define como una coleccin de elementos que
existen dentro de un Universo. As, si el universo consta de los nmeros
enteros no negativos menores que 10:

U={0,1,2,3,4,5,6,7,8,9}
entonces podemos definir algunos conjuntos como, por ejemplo:
A={0,2,4,6,8}
B={1,3,5,7,9}
C={1,4,7}
etc.
Con estas definiciones hemos establecido que cada uno de los elementos
del Universo pertenecen o no a un determinado conjunto. Por lo tanto, cada
conjunto puede definirse completamente por una funcin de pertenencia, que
opera sobre los elementos del Universo, y que le asigna un valor de 1 si el
elemento pertenece al conjunto, y de 0 si no pertenece.
Tomando como ejemplo el conjunto C enumerado arriba, su funcin de
pertenencia uC(x) sera de la siguiente forma:
uC(0)=0, uC(1)=1, uC(2)=0, uC(3)=0, uC(4)=1, uC(5)=0, uC(6)=0, uC(7)=1,
uC(8)=0, uC(9)=0
Ahora bien, un Conjunto Difuso se define de forma similar, con una
diferencia conceptual importante: un elemento puede pertenecer
parcialmente a un conjunto. De esta forma, un conjunto difuso D definido
sobre el mismo universo U puede ser el siguiente:
D={20%/1,50%/4,100%/7}1
La definicin anterior significa que el elemento 1 pertenece en un 20% al
conjunto D (y por tanto pertenece en un 80% al complemento de D), en tanto
que el elemento 4 pertenece en un 50%, y el elemento 7 en un 100% .
En forma alternativa, diriamos que la funcin de pertenecia uD(x) del
conjunto D es la siguiente:
uD(0)=0.0, uD(1)=0.2, uD(2)=0.0, uD(3)=0.0, uD(4)=0.5, uD(5)=0.0, uD(6)=0.0,
uD(7)=1.0, uD(8)=0.0, uD(9)=0.0
Las primeras diferencias que se hacen evidentes entre los Conjuntos
Concretos y los Conjuntos Difusos son las siguientes:

Se ha empleado una notacin frecuente, en donde el signo "/" no significa "dividido por".

La funcin de pertenencia asociada a los conjuntos concretos slo puede

tener dos valores: 1 0, mientras que en los conjuntos difusos puede
tener cualquier valor entre 0 y 1.
Un elemento puede pertenecer (parcialmente) a un conjunto difuso y
simultneamente pertenecer (parcialmente) al complemento de dicho
conjunto. Lo anterior no es posible en los conjuntos concretos, ya que
constituira una violacin al principio del tercer excluido.
Las fronteras de un conjunto concreto son exactas, en tanto que las de
un conjunto difuso son, precisamente, difusas, ya que existen elementos
en las fronteras mismas, y estos elementos estn a la vez dentro y fuera
del conjunto.

Qu sentido puede tener el pertenecer parcialmente a un conjunto? En

muchos casos puede tener ms sentido que pertenecer totalmente a un
conjunto; veamos algunos ejemplos:
Ejemplo 1: Supngase que se desea definir el conjunto de los estudiantes de
la carrera de Ingeniera Elctrica de la Universidad Nacional de Colombia
que estn cursando el quinto semestre de la carrera. Cmo clasificar a un
estudiante que cursa dos materias de cuarto semestre, tres de quinto y una
de sexto? y a otro que toma una materia de quinto semestre, y cinco de
sexto? Evidentemente ambos son en parte miembros del conjunto
Estudiantes de quinto semestre, pero slo lo son parcialmente.
Ejemplo 2: Supngase que se desea clasificar a los miembros de un equipo
de ftbol segn su estatura en tres conjuntos, Bajos, Medianos y Altos.
Podra plantearse que se es Bajo si se tiene una estatura inferior a, por
ejemplo, 160 cm, que se es Mediano si la estatura es superior o igual a 160
cm e inferior a 180 cm, y se es alto si la estatura es superior o igual a 180
cm, con lo que se lograra una clasificacin en conjuntos concretos.
Sin embargo, qu tan grande es la diferencia que existe entre dos jugadores
del equipo, uno con estatura de 179.9 cm y otro de 180.0 cm? Ese milmetro
de diferencia quizs no represente en la prctica algo significativo, y sin
embargo los dos jugadores han quedado rotulados con etiquetas distintas:
uno es Mediano y el otro es Alto. Si se optase por efectuar la misma
clasificacin con conjuntos difusos estos cambios abruptos se evitaran,
debido a que las fronteras entre los conjuntos permitiran cambios graduales
en la clasificacin.

Figura 1.
Funciones de pertenencia del ejemplo 2

La figura 1 muestra cmo podra hacerse tal clasificacin: El universo de

discurso sera el conjunto continuo de todas las posibles estaturas (el
intervalo [130cm,210]cm por ejemplo). Las funciones de pertenencia de cada
uno de los tres conjuntos Bajo, Mediano y Alto se han graficado. La forma de
estas funciones de pertenencia no debe ser necesariamente la de la figura 1,
pues depende de lo que se entienda por "Bajo", "Mediano" y "Alto". Las
figuras 2 y 3 muestran otras alternativas para definir dichas funciones.

Figura 2
Representacin alternativa del ejemplo 2

Figura 3
Representacin alternativa del ejemplo 2

Operaciones entre conjuntos difusos

Las tres operaciones bsicas entre conjuntos concretos, Unin, Interseccin
y Complemento, se definen tambin para los conjuntos difusos, intentando
mantener el significado de tales operaciones. La definicin de estas
operaciones se hace empleando el concepto de funcin de pertenencia de
los conjuntos.
Interseccin: el resultado de efectuar la operacin de Interseccin entre dos
conjuntos difusos A y B definidos sobre el mismo Universo, y con funciones
de pertenencia uA(x) y uB(x) respectivamente es un nuevo conjunto difuso
AB definido sobre el mismo universo, y con funcin de pertenencia
uAB(x), dada por:
uAB(x)= uA(x)(*)uB(x)
En donde el operador (*) debe satisfacer las siguientes propiedades:

x(*)y = y(*)x
(x(*)y)(*)z = x(*)(y(*)z)
si x<y y z<w entonces x(*)z < y(*)w
x(*)1=x
Todo operador que satizfaga las propiedades anteriores se conoce como
una T-Norma, y representa la Interseccin de dos conjuntos difusos2. Dos de
los operadores ms sencillos son el mnimo y el producto clsico (en
adelante se denotarn por min y * respectivamente). Las figuras 4 y 5
muestra la interseccin de los conjuntos Bajo y Mediano de la figura 1,
cuando se emplean los operadores mnimo y producto.

Figura 4
Operacin Interseccin de los conjuntos BAJO y
MEDIANO de la fig.1 empleando el mnimo

Figura 5
Operacin Interseccin de los conjuntos BAJO y
MEDIANO de la fig.1 empleando el producto

Unin: el resultado de efectuar la operacin de Unin entre dos conjuntos

difusos A y B definidos sobre el mismo Universo, y con funciones de
pertenencia uA(x) y uB(x) respectivamente es un nuevo conjunto difuso AUB
definido sobre el mismo universo, y con funcin de pertenencia uAUB(x),
dada por:
uAUB(x)= uA(x)(+)uB(x)
En donde el operador (+) debe satisfacer las siguientes propiedades:
x(+)y = y(+)x
(x(+)y)(+)z = x(+)(y(+)z)
si x<y y z<w entonces x(+)z < y(+)w
x(+)0=x
Todo operador que satizfaga las propiedades anteriores se conoce como
una S-Norma, y representa la Unin de dos conjuntos difusos3. Uno de los
operadores ms sencillo es el mximo (en adelante se denotar por max).
2
3

Para una relacin detallada de operadores vase [6]

Para una relacin detallada de operadores vase [6]

La figura 6 muestra la unin de los conjuntos Bajo y Mediano de la figura 1,

cuando se emplea el operador mximo.
Complemento: el resultado de efectuar la operacin de Complemento sobre
un confunto difuso A definido sobre un Universo, y con funcion de
pertenencia uA(x) es un nuevo conjunto difuso A' definido sobre el mismo
universo, y con funcin de pertenencia uA'(x), dada por:
uA'(x)= 1-uA(x)
La figura 7 muestra el complemento del conjunto Bajo de la figura 1.

Figura 6
Operacin Unin de los conjuntos BAJO y MEDIANO de
la fig.1 empleando el mximo

Figura 7
Operacin Complemento del conjunto BAJO de la fig.1

Otras operaciones como las relaciones entre conjuntos difusos, la

composicin de relaciones y el principio de extensin no se incluyen en este
artculo. Se recomiendan [4], [6], [16] y [25].
Principios de Lgica Difusa
Es bien conocido que la teora de conjuntos, el lgebra booleana y la lgica
tradicional son isomorfas, bajo transformaciones adecuadas. Esto significa
que tienen una estructura subyacente similar, y que por tanto las
definiciones que se hagan en una cualquiera de las tres teoras se puede
llevar a las otras dos, mediante transformaciones adecuadas. La Tabla 1
muestra la correspondencia de algunos operadores.
Teora de Conjuntos
lgebra Booleana
Lgica Tradicional
Interseccin
Conjuncin
AND
Unin
Disyuncin
OR
Complemento
Negacin
NOT
Tabla 1 Correspondencia entre operadores de la Teora de Conjuntos, el lgebra Booleana y la Lgica Tradicional.

Ahora bien, el razonamiento lgico consiste en la combinacin de

proposiciones para producir nuevas proposiciones; as, la combinacin de
las proposiciones "X es A" y "Y es B" mediante el operador AND da como
resultado la proposicin "X es A AND Y es B". La tabla 1 sugiere que puede

representarse esta combinacin mediante un operador anlogo a la

Interseccin de Conjuntos.
Lo anterior es posible porque en la lgica tradicional toda proposicin puede
tener uno de dos valores: verdadero o falso, lo que corresponde en la teora
de conjuntos concretos a los nicos dos valores que puede tomar la funcin
de pertenencia para cualquier conjunto: 1 0.
Ahora bien, en lgica difusa una proposicin puede representarse por un
conjunto difuso: "X es A" corresponde a un conjunto A con funcin de
pertenencia uA(x), mientras que "Y es B" corresponde a un conjunto B con
funcin de pertenencia uB(y), y la combinacin de estas dos proposiciones
con el operador AND, es decir la proposicin "X es A AND Y es B"
corresponde a un nuevo conjunto difuso AANDB con funcin de pertenencia
uAANDB(x,y)= min(uA(x),uB(y))
En donde se ha utilizado el operador min para efectuar la interseccin de los
dos conjuntos, pero en general podra haberse utilizado cualquier T-Norma.
Ntese que los universos de discurso sobre los cuales estn definidos los
conjuntos A y B no son necesariamente el mismo, son, por ejemplo U y V
respectivamente, mientras que el conjunto AANDB est definido sobre el
universo UxV (ver figura 8).

Figura 8 Operacin AND

En forma anloga, al operador lgico OR puede hacerse corresponder a una

S-Norma, mientras que al operador lgico NOT puede hacerse corresponder
el complemento.
Operador de Implicacin
Un anlisis especial debe hacerse con el operador lgico de implicacin =>,
que combina dos proposiciones con la expresin SI... ENTONCES... (IF ...
THEN...), y que es el fundamento de las inferencias realizadas en sistemas
de lgica difusa.
Ante todo, conviene precisar que el inters por el operador => consiste en
encontrar una forma de interpretar proposiciones semejantes a las utilizadas
en la experiencia comn para describir conocimientos. Es decir, encontrar un
camino matemtico para evaluar proposiciones como las siguientes: "Si las
vibraciones son altas Entonces el rodamiento est desgastado", o "Si los
ingresos del cliente son bajos Entonces su capacidad de endeudamiento es
poca".
Ahora bien, la implicacin => de la lgica tradicional tiene una tabla de
verdad que se muestra en la Tabla 2
p
Verdad
Verdad
Falso
Falso

q
Verdad
Falso
Verdad
Falso

p=>q
Verdad
Falso
Verdad
Verdad
Tabla 2 Tabla de verdad de la implicacin lgica tradicional

Esta tabla de verdad puede obtenerse tambin con los operadores bsicos
Conjuncin, Disyuncin y Negacin con, por lo menos, dos expresiones
distintas:
(p=>q)<=>(~(p^(~q)))
(p=>q)<=>((~p)q)
Las anteriores equivalencias permiten deducir expresiones para la
implicacin de la lgica difusa: Para combinar dos proposiciones "X es A" y
"Y es B" en la forma "IF X es A THEN Y es B", debe representarse a cada
una de dichas proposiciones por conjuntos difusos con funciones de
pertenencia uA(x) y uB(y) respectivamente, y entonces la proposicin
combinada estar representada por un conjunto difuso A=>B, cuya funcin
de pertenencia estar dada por

uA=>B(x,y) = 1 - min(uA(x),(1 - uB(y))) bien

uA=>B(x,y) = max(1 - uA(x),uB(y))
No obstante, las expresiones anteriores (que llamaremos implicaciones
lgicas o implicaciones IF-THEN) no son necesariamente las ms tiles para
efectuar inferencias, particularmente en aplicaciones de ingeniera. La razn
puede hallarse revisando la Tabla 2: La implicacin de la lgica tradicional
es verdadera en tres condiciones, y slo es falsa si la primera proposicin es
verdadera y la segunda es falsa, lo que puede interpretarse con la mxima
"La verdad nunca implica falsedad".
La tabla de verdad de la implicacin indica en qu condiciones un
razonamiento es formalmente correcto, pero no necesariamente til. Veamos
unos ejemplos:
"Si 1=2 Entonces 3=3" es una implicacin formalmente correcta, porque una
falsedad (1=2) puede implicar una verdad (3=3), y para ello basta con sumar
al lado izquierdo 2 y al lado derecho 1 (recuerdese que partimos de 1=2)4.
De igual forma la proposicin "Si 1=2 Entonces 2=3" tambien es formalmente
correcta, porque una falsedad puede implicar una falsedad, y para ello basta
con sumar 1 a cada lado de la igualdad.
Los dos ejemplos anteriores son formalmente correctos, pero qu utilidad
puede extrarse de ellos en aplicaciones de ingeniera? En realidad slo
implicaciones en las que ambas proposiciones sean verdaderas pueden
tener utilidad prctica, y esto es as porque las relaciones causa-efecto son
las que interesan en Ingeniera, y no el formalismo de una implicacin [16].
Visto lo anterior, se concluye que las expresiones de implicacin que son
tiles para efectuar inferencias lgicas son en realidad operadores AND, es
decir, T-Normas. Al utilizar T-Normas como implicaciones, llamamos a stas
implicaciones de Ingeniera o Implicaciones AND. Nuevamente, las TNormas ms usadas como implicacin son el mnimo y el producto.
Las figuras 9 y 10 muestran grficamente la diferencia que existe entre
emplear Implicaciones lgicas e Implicaciones de Ingeniera. Se ha supuesto
una expresin "IF X es A THEN Y es B", en donde las proposiciones "X es A"
y "Y es B" se han representado por los conjuntos que se muestran en las
figuras. Ntese que la implicacin de Lgica llega a tener funciones de
pertenencia 1 en zonas en dnde los conjunto originales tienen funciones de

Ejemplo tomado de [16]

pertenencia 0 (La falsedad puede implicar falsedad), en tanto que la

implicacin de Ingeneira no lo hace as.

Figura 9. Ejemplo de una Implicacin IF-THEN o Lgica

Figura 10. Ejemplo de una Implicacin AND o de Ingeniera

Inferencia en Lgica Difusa

La Inferencia lgica consiste en la combinacin de proposiciones para
producir nuevas proposiciones. As, al combinar la proposicin "X es A" con
la proposicin "IF X es A THEN Y es B", se puede inferir la proposicin "Y es
B" (ver figura 11)5.
Una inferencia como la presentada en el prrafo anterior slo es posible en
la lgica tradicional si la primera proposicin ("X es A") es idntica a la
primera parte de la segunda proposicin ("(IF) X es A"); sin embargo, en la
lgica difusa estas dos proposiciones no necesariamente deben ser
idnticas, debido a que las fronteras de los conjuntos no son precisas. As, al
combinar la proposicin "X es A*" con la proposicin "IF X es A THEN Y es
B", puede obtenerse la proposicin "Y es B*" (ver figura 12).

Figura 11
Inferencia en Lgica Tradicional

Figura 12
Inferencia en Lgica Difusa

La combinacin de estas proposiciones para efectuar la inferencia tiene su

soporte matemtico en la Extensin Cilndrica y en la Composicin de
Relaciones, temas que no se han tratado en este artculo; sin embargo, la
figura 13 muestra grficamente cmo puede interpretarse esta inferencia.

Figura 13. Representacin grfica de los mecanismos de Inferencia en Lgica Difusa

Sistemas de Lgica Difusa

Los mecanismos de Inferencia presentados en el numeral anterior permiten
obtener Conjuntos difusos a partir de la combinacin de Conjuntos difusos
con reglas de la forma IF... THEN...; Un Sistema de Lgica Difusa aprovecha
esos mecanismos como el motor de clculo de un sistema cuyas entradas y
salidas son nmeros concretos.
5

Se ha presentado aqu un caso de aplicacin de la regla de Inferencia conocida como

Modus Ponens, representado por (p^(p=>q))=>q

La estructura bsica de un Sistema de Lgica Difusa se muestra en la figura

14. El sistema recibe varias entradas numricas y entrega varias salidas
numricas. El bloque Difusor se encarga de convertir las entradas en
conjuntos difusos, que son entregados al bloque Mquina de Inferencia; este
bloque, apoyado en un conjunto de reglas de la forma IF... THEN...
almacenadas en la Base de Reglas, produce varios conjuntos difusos para
que el bloque Concresor los tome y los convierta en salidas numricas
concretas.

Figura 14 Estructura de un Sistema de Lgica Difusa

Cada una de las variables de entrada y de salida tiene una representacin

dentro del Sistema de Lgica Difusa en forma de Variables Lingsticas. Una
variable lingstica tiene, entre otras cosas, una coleccin de atributos que
puede adquirir la variable, y cada atributo est representado por un conjunto
difuso. As, retomando el ejemplo de la figura 1, la variable Estatura tendra
tres atributos, Bajo, Mediano y Alto, y cada uno de estos atributos estara
representado por el conjunto difuso respectivo de la figura 1. Estos atributos
reciben el nombre de Valores Lingsticos.
Debido a que un Sistema de Lgica Difusa puede, en general, tener varias
entradas y varias salidas, la forma genrica de las reglas presentes en la
Base de Reglas es la siguiente:
IF X1 es A1 AND X2 es A2 AND ... AND Xm es Am THEN Y1 es B! AND Y2
es B2 AND... AND Yn es Bn
En estas reglas, A1,A2,..., Am,B!,B2,...,Bn son Valores Lingsticos de las
Variables Lingsticas respectivas.
El siguiente ejemplo sencillo quizs ayude a entender la estructura de un
Sistema de Lgica Difusa:
Ejemplo 3: Una entidad financiera necesita determinar qu tanto dinero
puede prestarle a sus clientes. Para ello quiere utilizar como nicos criterios

de evaluacin los ingresos mensuales y el promedio de ahorro mensual de

cada cliente. Se propone como solucin un Sistema de Lgica Difusa con las
siguientes caractersticas:

Figura 15 Sistema del ejemplo 3

El Sistema recibe dos entradas, el Ingreso Mensual y el Promedio Mensual

de Ahorro y entrega una salida, el monto mximo del Prstamo (ver figura
15). Estas tres variables se representan internamente por las Variables
Lingsticas Ingreso, Ahorro y Prstamo, cuyos Valores Lingsticos se
muestran en la figura 16 6, y se han consignado en la Tabla 3
Ingreso
Muy Bajo
Bajo
Medio
Alto
Muy Alto

Ahorro
Bajo
Medio
Alto

Prstamo
Muy Pequeo
Pequeo
Poco Pequeo
Normal
Poco Grande
Grande
Muy Grande

Tabla 3 . valores lingsticos del ejemplo 3

Figura 16 . valores lingsticos del ejemplo 3

Las reglas que deben existir en la Base se pueden obtener con un poco de
sentido comn; por ejemplo, si el Ingreso es Muy Bajo y el Ahorro es Bajo, el
Prstamo debe ser Muy Pequeo, mientras que si el Ingreso es Muy Alto y el
Ahorro es Alto, el Prstamo debe ser Muy Grande. Lo anterior significa que
deben existir por lo menos las dos reglas siguientes:
IF Ingreso es Muy Bajo AND Ahorro es Bajo THEN Prstamo es Muy
Pequeo.
IF Ingreso es Muy Alto AND Ahorro es Alto THEN Prstamo es Muy Grande.

La escala de las tres grficas se ha normalizado al intervalo [0,1]

En forma similar pueden obtenerse las dems reglas, que se presentan en

forma resumida en la Tabla 4.
AHORRO
Bajo
Medio
Alto

Muy Bajo
Muy Pequeo
Pequeo
Poco Pequeo

INGRESOS
Bajo
Medio
Pequeo
Poco Pequeo
Poco Pequeo
Normal
Normal
Poco Grande
Tabla 4 . Reglas del ejemplo 3

Alto
Normal
Poco Grande
Grande

Muy Alto
Poco Grande
Grande
Muy Grande

Ntese que el diseo de las Variables Lingsticas y de la Base de Reglas

ha seguido criterios subjetivos, pero extraidos del sentido comn, y no ha
sido necesario plantear complejos modelos matemticos. An as, el sistema
diseado permite solucionar el problema planteado, con algunas
caractersticas interesantes: por ejemplo, si las polticas crediticias de la
entidad cambian para restringir los prstamos, basta con modificar algunas
casillas de la tabla 4 para adecuar el sistema, o bien se pueden modificar las
funciones de pertenencia de la figura 16.
Ahora bien, el diseador tambin debe seleccionar varias opciones
matemticas dentro del Sistema de Lgica Difusa. Este punto no se trata en
el presente artculo, por ser tan slo una introduccin al tema, y se remite al
lector a [4], [5] y [6]
La figura 17 muestra los resultados producidos por el sistema del ejemplo 3
con algunas de las opciones matemticas ms utilizadas. Se ha graficado el
Monto Mximo del Prstamo en funcin del Ingreso Mensual, bajo tres
condiciones distintas de Ahorro Medio Mensual.

Figura 17 Resultados del sistema del ejemplo 3

Entrenamiento de Sistemas de Lgica Difusa7

Cuando un Sistema de Lgica Difusa cuenta con un mecanismo de
entrenamiento, se dice que es un Sistema Difuso Adaptativo8. Los
mecanismos de entrenamiento son algoritmos que le permiten al sistema
cambiar su diseo para ajustarse (esto es, para adaptarse) a algunas
exigencias especficas.
En general, los algoritmos de entrenamiento disean slo una parte del
Sistema de Lgica Difusa, generalmente la Base de Reglas, o la definicin
de las Variables Lingsticas, o en algunos casos ambas cosas. Los dems
parmetros los debe seleccionar el usuario.
A nivel mundial, ste es uno de los temas sobre el que ms se investiga
actualmente dentro de los tpicos de Lgica Difusa. Existen diversos
algoritmos, y distintas estrategias dependiendo de la utilizacin que se le
est dando al Sistema de Lgica Difusa. Pero, qu es lo que justifica este
esfuerzo a nivel mundial? existen por lo menos las siguientes razones:
En primer lugar, ciertos Sistemas de Lgica Difusa9 son Aproximadores
Universales, es decir, satisfacen una propiedad segn la cual se sabe que
cualquier funcin real continua puede ser aproximada con el grado de
precisin que se desee por uno de estos Aproximadores.
Esta propiedad asegura entonces la existencia de un Sistema de Lgica
Difusa con el que se puede representar, tan bien como se quiera, cualquier
funcin no lineal continua. Sin embargo, aunque se sabe que tal Sistema
existe, no se conoce un procedimiento exacto para saber cul es. En
general, los algoritmos de entrenamiento son procedimientos lgicos que
intentan disear un Sistema de Lgica Difusa que aproxime alguna funcin
desconocida.
En segundo lugar, un Sistema como el del ejemplo 3 est basado
principalmente en el conocimiento (expresado lingsticamente) que se tiene
sobre un cierto problema, en este caso la asignacin de crdito. Sin
embargo, en muchas ocasiones este conocimiento es insuficiente, o se
7

Debido al alcance que se la ha dado a este artculo, la siguiente es una presentacin de los
mecanismos de entrenamiento de Sistemas de Lgica Difusa en general, es decir, sin entrar
a detallar ninguno de los mecanismos conocidos en la literatura tcnica. Para una
presentacin detallada, vase [25][27][28][29]
8 vase [25] pag 2
9 Por ejemplo aquellos con difusor Singleton, inferencia y operaciones AND con producto, y
concresor de Altura.

encuentra acompaado de informacin numrica. Tal es el caso de muchas

plantas industriales, donde adems de un conocimiento general sobre el
comportamiento de la planta, pueden existir registradores que midan y
almacenen algunas de las variables del proceso.
Los algoritmos de entrenamiento son capaces de incorporar esta informacin
numrica, junto con la informacin lingstica en un mismo Sistema de
Lgica Difusa. Esta unin de los dos tipos de conocimiento, lingstico y
numrico, en un mismo marco conceptual, hace de los Sistemas Difusos
Adaptativos algo excepcional.
Un Sistema Difuso Adaptativo puede entonces intentar disearse l mismo
para cumplir una funcin especfica. Esta propiedad de autoorganizacin
hace que sea sensato proponer los Sistemas de Lgica Difusa como
solucin a problemas complejos, en los que las representaciones
matemticas exactas no se conocen, o son lo suficientemente complicadas
como para que no sea prctico emplearlas.
Tal como se afirma unos prrafos arriba, la investigacin en algoritmos de
entrenamiento es uno de los temas de mayor auge en la actualidad, y por
esa razn an es muy temprano para poder sopesar adecuadamente las
bondades de uno u otro algoritmo en aplicaciones reales. No obstante,
puede hacerse una distincin entre dos tipos de algoritmos, segn el efecto
final que tienen sobre el Sistema de Lgica Difusa:
Ntese que un sistema como el del ejemplo 3 es fcil de entender para una
persona que no haya participado en el diseo del mismo, porque la forma en
que ha quedado expresado el conocimiento en forma de reglas es clara, y la
definicin de los valores lingsticos corresponde tambien a conceptos
sencillos. Dicho de otra forma, a partir del sistema del ejemplo 3 una persona
puede extraer conocimiento de tipo lingstico sobre el proceso de
asignacin de crdito, tan slo observando la figura 16 y la tabla 4.
Pues bien, algunos algoritmos de entrenamiento disean el sistema en forma
tal, que una vez concluido el diseo es virtualmente imposible entenderlo, es
decir, es imposible extraer conocimiento lingstico del sistema diseado.
Otros, por su parte, efectan un diseo tal que es posible emplearlo para
interpretar el sistema diseado. Los primeros son algoritmos Aproximativos y
los segundos son algoritmos Descriptivos.
UNFUZZY - Software de Lgica Difusa

En el Departamento de Ingeniera Elctrica de la Universidad Nacional de

Colombia se ha elaborado una herramienta para al anlisis, diseo,
simulacin e implementacin de Sistemas de Lgica Difusa; este software se
ha denominado UNFUZZY10, y est disponible en Internet11. Las principales
caractersticas de esta herramienta son las siguientes:

Permite el diseo grfico de los Universos de Entrada y Salida.

Permite seleccionar algoritmos de Difusin, Concrecin, Implicacin,
Composicin, Unin-Interseccin y operadores AND, dentro de un
conjunto amplio de opciones.
Permite el diseo de Bases de Reglas Completas o Incompletas, as
como la opcin de Incluir Modificadores Lingsticos.
Provee herramientas de diseo rpido para los Universos de Entrada y
Salida, las variables Lingsticas y la Base de Reglas
Permite analizar el comportamiento global del Sistema mediante Grficos
y Tablas Entrada-Salida.
Permite analizar el comportamiento del Sistema a entradas particulares
mediante la presentacin Paso a Paso de los resultados intermedios de
cada Algoritmo.
Permite entrenar Sistemas de Lgica Difusa mediante el uso de Tablas, a
travs de dos algoritmos diferentes
Provee el cdigo fuente C y C++ del Sistema diseado.

El objetivo inicial del proyecto era el diseo e implementacin de un software

que permitiera disear Sistemas de Lgica Difusa, y analizar su
comportamiento. UNFUZZY cumple con tales objetivos, y adems los
supera, ya que incluye dos funciones adicionales que le dan un potencial
mucho mayor:

La generacin de Cdigo fuente en lenguaje C y C++

La opcin de entrenamiento de Sistemas de Lgica Difusa mediante
Tablas.

La posibilidad de disponer de un cdigo fuente probado permite al usuario

Implementar en software el Sistema de Lgica Difusa diseado. Dicho de
otra forma, no slo puede analizar el comportamiento del Sistema, sino que
adems puede disponer de l para su utilizacin particular, sin tener que
preocuparse por cules son los algoritmos internos del Sistema. El usuario
slo debe utilizar una herramienta grfica de diseo, y sta pone en sus
manos el cdigo fuente.
10

Software diseado por el autor como tesis de Maestra en Automatizacin Industrial.

Vase [5]
11 http://ohm.ingsala.unal.edu.co/ogduarte (seleccionar software)

La opcin de entrenar Sistemas de Lgica Difusa ampla el tipo de

aplicaciones en los que stos son utilizables. Vale la pena resaltar que el
cdigo C++ que genera UNFUZZY incluye la opcin de entrenamiento, y por
lo tanto el usuario dispone de ella en su aplicacin particular.
Agradecimientos
Debo especial agradecimiento al Ingeniero y amigo Gustavo Prez Hoyos
Ph.D. por su especial labor en la direccin de la tesis de Maestra en
Automatizacin Industrial, cuyo principal resultado fue el programa
UNFUZZY. El Ingeniero Alberto Delgado Ph.D. suministr la bibliografia en
la que aparece como autor o coautor Kevin Passino.

Bibliografa
[1] lvarez, Hernn D. Control Difuso y Sistemas de Control Inteligentes en Memorias del Segundo Congreso de la
Asociacin Colombiana de Automtica, Bucaramanga, Colombia, marzo de 1997, pp 331-340
[2] Angasana,A. & Passino,K. Distributed fuzzy control of flexible manufacturing systems en IEEE Transactions on
Control Systems Technology, Vol 2, No.4, dic-94 ,pp 423-435
[3] Antasklis, P.J. & Passino, K, Introduction to intelligent control with high degrees of autonomy en An Introduction to
Intelligent Control and Autonomous Systems, Kluwer Academic Publishers, 1993, pp 1-26
[4] Driankov, Dimiter & otros. An Introduction to Fuzzy Control Springer Verlag, Berlin, 1993
[5] Duarte, Oscar G. "UNFUZZY - Software para el anlisis, diseo, simulacin e implementacin de Sistemas de Lgica
Difusa". M.Sc. Tesis. Universidad Nacional de Colombia, Facultad de Ingeniera, Maestra en Automatizacin
Industrial. 1997.
[6] Klir, George & Yuan, Bo. Fuzzy Sets and Fuzzy Logic Prentice Hall, New Jersey, 1995
[7] Kwong, W. et al. Expert supervision of fuzzy learning systems for fault tolerant aircraft control en Proceedings of the
IEEE, vol 83, No.3, mar 95, pp 466-483
[8] Kwong,W. & Passino, K. Dynamically focused fuzzy learning control en IEEE Transactions on Systems, Man and
Cybernetics - Part B :Cybernetics, Vol 26 No.1, feb 96 pp53-74
[9] Laukonen,E. & Passino,K. Training Fuzzy Systems to perform estimation and identification, Engng. Appl. Artif. Intell.
Vol 8, No 5, Elsevier Science Ltd. Gran Bretaa, pp 449-514
[10] Laukonen,E. et al. Fault detection and isolation for an experimental internal combustion engine via Fuzzy
identification en IEEE Transactions on Control Systems Technology, Vol 3 No. 3, sep 95, pp 347-355
[11] Layne, J. & Passino, K. Fuzzy model reference learning control for cargo ship steering en IEEE Control Systems
Magazine, Vol 13, No. 6, dic 93, pp 23-24
[12] Lee, Chuen Chien. Fuzzy Logic in Control Systems: Fuzzy Logic Controller-Part I en IEEE Transactions on
Systems, Man, and Cibernetics, V 20, No. 3 Marzo/Abril 1990, pp 404-418
[13] Lee, Chuen Chien. Fuzzy Logic in Control Systems: Fuzzy Logic Controller-Part II en IEEE Transactions on
Systems, Man, and Cibernetics, V 20, No. 3 Marzo/Abril 1990, pp 419-435
[14] Lin, Chin-Teng & Lee, George. Neural Fuzzy Systems. A NeuroFuzzy Synergism to Intelligent Systems Prentice
Hall, 1996
[15] Lpez, Jos F. & otros. Comparacin entre sistemas difusos para el control de una banda transportadora dentro de
un proceso de manufactura flexible en Memorias del Segundo Congreso de la Asociacin Colombiana de
Automtica, Bucaramanga, Colombia, marzo de 1997, pp 280-288
[16] Mendel, Jerry. Fuzzy Logic Systems for Engineering: A Tutorial en Procceedingos of the IEEE, V 83, No. 3 Marzo
1995, pp 345-377
[17] Meneses, Jorge E. & otros, Control Fuzzy basado en microcontrolador aplicado a la operacin de un vlvula remota
en Memorias del Segundo Congreso de la Asociacin Colombiana de Automtica, Bucaramanga, Colombia,
marzo de 1997, pp 175-181
[18] Moudgal,V & Passino,K. Rule-based control for a flexible-link robot en IEEE Transactions on Control Systems
Technology, Vol 2, No 4, dic 94, pp 392-405
[19] Ordoez, R. et al. Stable Multiple-Input Multiple-Output adaptative fuzzy control en Proceedings of the 35th
conference on Decision and Control, Kobe, Japan, dec-96, pp 610-615
[20] Passino, Kevin, Intelligent Control en The Control Handbook, IEEE pp 994-1001
[21] Passino, Kevin, Fuzzy Control en The Control Handbook, IEEE pp 1001-1017
[22] Passino, Kevin, Intelligent Control for Autonomous Systems en IEEE Spectrum, Junio 1995 pp 55-62
[23] Passino, K. & Lunardhi,A. Qualitative Analysis of Expert Control systems en Intelligent Control Systems : Theory
and Applications, IEEE press N.Y. 1996
[24] Solano, Karim & otros, Controladores adaptables basados en mecanismos de inferencia Difusa en Memorias del
Segundo Congreso de la Asociacin Colombiana de Automtica, Bucaramanga, Colombia, marzo de 1997, pp
104-113
[25] Wang, Li-Xin Adaptative Fuzzy Systems and Control. Design and Stability Analysis Prentice Hall, New Jersey,
1994
[26] Wang, Li-Xin Fuzzy Systemes are Universal Approxximators en Proceedings of the IEEE International Conference
on Fuzzy Systems, San Diego, California 1992, pp 1163-1170
[27] Wang, Li-Xin & Mendel, Jerry. Back Propagation Fuzzy System as Nonlinear Dynamic Systems Identifiers en
Proceedings of the IEEE International Conference on Fuzzy Systems, Sna Diego, California, 1992 pp 1409-1418
[28] Wang, Li-Xin & Mendel, Jerry. Fuzzy Basis Functions, Universal Approximation, ang Orthogonal Least-Squares
Learning en IEEE Transactions on Neural Networks, Vol 3, No 5, Septiembre 1992, pp 807-814
[29] Wang, Li-Xin & Mendel, Jerry. Generating Fuzzy Rules by Learning from Examples en Proceedings of the IEEE
1991 International Symposium on Intelligent Control 13-15 August, Arlington, Virginia, U.S.A. pp 263-268
[30] Yamakawa, T. A Fuzzy Inference Engine in Nonlinear Analog mode and its applications to a fuzzy logic control en
IEEE Transactions on Neural Networks, Mayo 1993