Lógica difusa

La lógica difusa (también llamada lógica borrosa) se basa en lo relativo de lo observado como posición
diferencial. Este tipo de lógica toma dos valores aleatorios, pero contextualizados y referidos entre sí. Así, por
ejemplo, una persona que mida dos metros es claramente una persona alta, si previamente se ha tomado el valor
de persona baja y se ha establecido en un metro. Ambos valores están contextualizados a personas y referidos a
una medida métrica lineal.

Fue formulada en 1965 por el ingeniero y matemático Lotfi A. Zadeh.1

Índice
1 Funcionamiento
2 Lógica Difusa Compensatoria (LDC)
3 La modelización de la vaguedad en la Lógica Difusa Compensatoria
4 Aplicaciones
4.1 Aplicaciones generales
4.2 Lógica difusa en inteligencia artificial
5 Ventajas e inconvenientes
6 Véase también
7 Referencias
8 Enlaces externos

Funcionamiento
La lógica difusa (fuzzy logic, en inglés) se adapta mejor al mundo real en el que vivimos, e incluso puede
comprender y funcionar con nuestras expresiones, del tipo «hace mucho calor», «no es muy alto», «el ritmo del
corazón está un poco acelerado», etc.

La clave de esta adaptación al lenguaje se basa en comprender los cuantificadores de cualidad para nuestras
inferencias (en los ejemplos de arriba, «mucho», «muy» y «un poco»).

En la teoría de conjuntos difusos se definen también las operaciones de unión, intersección, diferencia,
negación o complemento, y otras operaciones sobre conjuntos (ver también subconjunto difuso), en los que se
basa esta lógica.

Para cada conjunto difuso, existe asociada una función de pertenencia para sus elementos, que indica en qué
medida el elemento forma parte de ese conjunto difuso. Las formas de las funciones de pertenencia más típicas
son trapezoidal, lineal y curva.

Se basa en reglas heurísticas de la forma SI (antecedente) ENTONCES (consecuente), donde el antecedente y

el consecuente son también conjuntos difusos, ya sea puros o resultado de operar con ellos. Sirvan como
ejemplos de regla heurística para esta lógica (nótese la importancia de las palabras «muchísimo»,
«drásticamente», «un poco» y «levemente» para la lógica difusa):

SI hace muchísimo frío. ENTONCES aumento drásticamente la temperatura.

SI voy a llegar un poco tarde. ENTONCES aumento levemente la velocidad.

Los métodos de inferencia para esta base de reglas deben ser sencillos, versátiles y eficientes. Los resultados de
dichos métodos son un área final, fruto de un conjunto de áreas solapadas entre sí (cada área es resultado de una
regla de inferencia). Para escoger una salida concreta a partir de tanta premisa difusa, el método más usado es
el del centroide, en el que la salida final será el centro de gravedad del área total resultante.
Las reglas de las que dispone el motor de inferencia de un sistema difuso pueden ser formuladas por expertos o
bien aprendidas por el propio sistema, haciendo uso en este caso de redes neuronales para fortalecer las futuras
tomas de decisiones.

Los datos de entrada suelen ser recogidos por sensores que miden las variables de entrada de un sistema. El
motor de inferencias se basa en chips difusos, que están aumentando exponencialmente su capacidad de
procesamiento de reglas año a año.

Un esquema de funcionamiento típico para un sistema difuso podría ser de la siguiente manera:

Funcionamiento de un sistema de control difuso.

En la figura, el sistema de control hace los cálculos con base en sus reglas heurísticas, comentadas
anteriormente. La salida final actuaría sobre el entorno físico, y los valores sobre el entorno físico de las nuevas
entradas (modificado por la salida del sistema de control) serían tomadas por sensores del sistema.

Por ejemplo, imaginando que nuestro sistema difuso fuese el climatizador de un coche que se autorregula según
las necesidades: Los chips difusos del climatizador recogen los datos de entrada, que en este caso bien podrían
ser la temperatura y humedad simplemente. Estos datos se someten a las reglas del motor de inferencia (como
se ha comentado antes, de la forma SI... ENTONCES... ), resultando un área de resultados. De esa área se
escogerá el centro de gravedad, proporcionándola como salida. Dependiendo del resultado, el climatizador
podría aumentar la temperatura o disminuirla dependiendo del grado de la salida.

Lógica Difusa Compensatoria (LDC)

La LDC es un modelo lógico multivalente que permite la modelación simultánea de los procesos deductivos y
de toma de decisiones. El uso de la LDC en los modelos matemáticos permite utilizar conceptos relativos a la
realidad siguiendo patrones de comportamiento similares al pensamiento humano. Las características más
importantes de estos modelos son: La flexibilidad, la tolerancia con la imprecisión, la capacidad para moldear
problemas no lineales y su fundamento en el lenguaje de sentido común. Bajo este fundamento se estudia
específicamente cómo acondicionar el modelo sin condicionar la realidad.

La LDC utiliza la escala de la LD, la cual puede variar de 0 a 1 para medir el grado de verdad o falsedad de sus
proposiciones, donde las proposiciones pueden expresarse mediante predicados. Un predicado es una función
del universo X en el intervalo [0, 1], y las operaciones de conjunción, disyunción, negación e implicación, se
definen de modo que restringidas al dominio [0, 1] se obtenga la Lógica Booleana.

Las distintas formas de definir las operaciones y sus propiedades determinan diferentes lógicas multivalentes
que son parte del paradigma de la LD. Las lógicas multivalentes se definen en general como aquéllas que
permiten valores intermedios entre la verdad absoluta y la falsedad total de una expresión. Entonces el 0 y el 1
están asociados ambos a la certidumbre y la exactitud de lo que se afirma o se niega y el 0,5 a la vaguedad y la
incertidumbre máximas. En los procesos que requieren toma de decisiones, el intercambio con los expertos
lleva a obtener formulaciones complejas y sutiles que requieren de predicados compuestos. Los valores de
verdad obtenidos sobre estos predicados compuestos deben poseer sensibilidad a los cambios de los valores de
verdad de los predicados básicos.
Esta necesidad se satisface con el uso de la LDC, que renuncia al cumplimiento de las propiedades clásicas de
la conjunción y la disyunción, contraponiendo a éstas la idea de que el aumento o disminución del valor de
verdad de la conjunción o la disyunción provocadas por el cambio del valor de verdad de una de sus
componentes, puede ser “compensado” con la correspondiente disminución o aumento de la otra. Estas
propiedades hacen posible de manera natural el trabajo de traducción del lenguaje natural al de la Lógica,
incluidos los predicados extensos si éstos surgen del proceso de modelación.

En la LDC, el operador conjunción, expresado como c (and) es la media geométrica. [1]

La modelización de la vaguedad en la Lógica Difusa Compensatoria

En la LDC la modelización de la vaguedad se logra a través de variables lingüísticas, lo que permite aprovechar
el conocimiento de los expertos, al contrario de lo que ocurre en otros métodos más cercanos a las cajas negras
y exclusivamente basados en datos, como por ejemplo las redes neuronales.

Existen autores como Jesús Cejas Montero en su Artículo La Lógica Difusa Compensatoria publicado en el
2011 por la Revista Ingeniería Industrial del Instituto Superior Politécnico José Antonio Echeverría, que marcó
un hito en la difusión de la LDC, que recomiendan el uso de funciones de pertenencia sigmoidales para
funciones crecientes o decrecientes. Los parámetros de estas funciones quedan determinados fijando dos
valores. El primero de ellos es el valor a partir del cual se considera que la afirmación contenida en el predicado
es más cierta que falsa, por ejemplo pudiera establecerse a partir de 0.5. El segundo es el valor para el cual el
dato hace casi inaceptable la afirmación correspondiente, por ejemplo pudiera establecerse a partir de 0.1.

En la actualidad existe un Sistema de Soporte a Decisiones Basado en Árboles con Operadores de Lógica
Difusa cuyo nombre es Fuzzy Tree Studio 1.0, desarrollado en forma conjunta entre Universidad CAECE y la
Universidad Nacional de Mar del Plata (Argentina), que posee un módulo que trabaja con la LDC. Ello permite
al agente decisor despreocuparse por el trasfondo matemático y centrarse en la formulación verbal del modelo
que le permita tomar una decisión.

En general los modelos basados en LDC combinan la experiencia y el conocimiento con datos numéricos, por
lo que puede ser visto como una “caja gris”. Los modelos basados en LD pueden verse como “cajas blancas”,
dado que permiten ver su estructura explícitamente. En contraposición a los modelos basados en datos
exclusivamente, como las Redes Neuronales, que corresponderían a “cajas negras”.

Estos modelos pueden ser optimizados cuando se dispone de datos reales numéricos. El método de
optimización puede provenir de la Inteligencia Computacional. En este contexto, los Algoritmos Genéticos
presentan una alternativa interesante. Este enfoque constituye el fundamento de los sistemas híbridos.

La tendencia de las investigaciones sobre gestión empresarial, mediante las técnicas de la LDC, está orientada a
la creación de sistemas híbridos que integren esta con las habilidades de las Redes Neuronales y las
posibilidades de los Algoritmos Genéticos y la Lógica de Conjuntos. La creación e implementación de estos
sistemas mixtos permite resolver problemas complejos y de difícil solución; en las que se usan estimaciones
subjetivas sustentadas en la experiencia y en la información disponible, como son: modelos de decisión
utilizados con criterios de optimización, ubicación de centros comerciales, estrategia de entrada a mercados,
selección de carteras de productos y servicios, desarrollo de aplicaciones informáticas, métodos para problemas
de descubrimiento de conocimiento, métodos para evaluar la eficiencia de diferentes tipos de instituciones,
entre otras.

La Lógica Difusa Compensatoria es un modelo lógico multivalente que renuncia a varios axiomas clásicos para
lograr un sistema idempotente y “sensible”, al permitir la “compensación” de los predicados. En la LD el valor
de verdad de la conjunción es menor o igual a todas las componentes, mientras que el valor de verdad de la
disyunción es mayor o igual a todas las componentes. La renuncia de estas restricciones constituye la idea
básica de la LDC.
En conclusión la LDC es un nuevo enfoque para los sistemas multivalentes basado en la Media Geométrica
que, además de aportar un sistema formal con propiedades lógicas de notable interés, constituye un puente
entre la Lógica y la Toma de Decisiones. La LDC entra a formar parte del arsenal de métodos para la
evaluación multicriterio, adecuándose especialmente a aquellas situaciones en que el agente decisor puede
describir verbalmente, frecuentemente en forma ambigua, la heurística que utiliza cuando ejecuta acciones de
evaluación/clasificación multicriterio. Sin embargo, la consistencia de la plataforma lógica dota a esta
propuesta de una capacidad de formalización del razonamiento que rebasa los enfoques descriptivos de los
procesos de decisión. Es una oportunidad para usar el lenguaje como elemento clave de comunicación en la
construcción de modelos semánticos que faciliten la evaluación, la toma de decisiones y el descubrimiento de
conocimiento.

Aplicaciones
Aplicaciones generales
La lógica difusa se utiliza cuando la complejidad del proceso en cuestión es muy alta y no existen modelos
matemáticos precisos, para procesos altamente no lineales y cuando se envuelven definiciones y conocimiento
no estrictamente definido (impreciso o subjetivo).

En cambio, no es una buena idea usarla cuando algún modelo matemático ya soluciona eficientemente el
problema, cuando los problemas son lineales o cuando no tienen solución.

Esta técnica se ha empleado con bastante éxito en la industria, principalmente en Japón, extendiéndose sus
aplicaciones a multitud de campos. La primera vez que se usó de forma importante fue en el metro japonés, con
excelentes resultados. Posteriormente se generalizó según la teoría de la incertidumbre desarrollada por el
matemático y economista español Jaume Gil Aluja.

A continuación se citan algunos ejemplos de su aplicación:

Sistemas de control de acondicionadores de aire

Sistemas de foco automático en cámaras fotográficas
Electrodomésticos familiares (frigoríficos, lavadoras...)
Optimización de sistemas de control industriales
Sistemas de escritura
Mejora en la eficiencia del uso de combustible en motores
Sistemas expertos del conocimiento (simular el comportamiento de un experto humano)
Tecnología informática
Bases de datos difusas: Almacenar y consultar información imprecisa. Para este punto, por ejemplo,
existe el lenguaje FSQL.
...y, en general, en la gran mayoría de los sistemas de control que no dependen de un Sí/No.

Lógica difusa en inteligencia artificial

La lógica difusa es una rama de la inteligencia artificial que le permite a una computadora analizar información
del mundo real en una escala entre lo falso y lo verdadero, manipula conceptos vagos, como "caliente" o
"húmedo", y permite a los ingenieros construir dispositivos que juzgan la información difícil de definir.

En Inteligencia artificial, la lógica difusa, o lógica borrosa se utiliza para la resolución de una variedad de
problemas, principalmente los relacionados con control de procesos industriales complejos y sistemas de
decisión en general, la resolución y la compresión de datos. Los sistemas de lógica difusa están también muy
extendidos en la tecnología cotidiana, por ejemplo en cámaras digitales, sistemas de aire acondicionado, lavar
ropas, etc. Los sistemas basados en lógica difusa imitan la forma en que toman decisiones los humanos, con la
ventaja de ser mucho más rápidos. Estos sistemas son generalmente robustos y tolerantes a imprecisiones y
ruidos en los datos de entrada. Algunos lenguajes de programación lógica que han incorporado la lógica difusa
serían por ejemplo las diversas implementaciones de Fuzzy PROLOG o el lenguaje Fril.
Consiste en la aplicación de la lógica difusa con la intención de imitar el razonamiento humano en la
programación de computadoras. Con la lógica convencional, las computadoras pueden manipular valores
estrictamente duales, como verdadero/falso, sí/no o ligado/desligado. En la lógica difusa, se usan modelos
matemáticos para representar nociones subjetivas, como caliente/tibio/frío, para valores concretos que puedan
ser manipuladas por los ordenadores.

En este paradigma, también tiene un especial valor la variable del tiempo, ya que los sistemas de control
pueden necesitar retroalimentarse en un espacio concreto de tiempo, pueden necesitarse datos anteriores para
hacer una evaluación media de la situación en un período anterior...

Ventajas e inconvenientes
Como principal ventaja, cabe destacar los excelentes resultados que brinda un sistema de control basado en
lógica difusa: ofrece salidas de una forma veloz y precisa, disminuyendo así las transiciones de estados
fundamentales en el entorno físico que controle. Por ejemplo, si el aire acondicionado se encendiese al llegar a
la temperatura de 30º, y la temperatura actual oscilase entre los 29º-30º, nuestro sistema de aire acondicionado
estaría encendiéndose y apagándose continuamente, con el gasto energético que ello conllevaría. Si estuviese
regulado por lógica difusa, esos 30º no serían ningún umbral, y el sistema de control aprendería a mantener una
temperatura estable sin continuos apagados y encendidos.

También está la indecisión de decantarse bien por los expertos o bien por la tecnología (principalmente
mediante redes neuronales) para reforzar las reglas heurísticas iniciales de cualquier sistema de control basado
en este tipo de lógica.

Véase también
Lógica trivalente Sistema
Sistema formal Lógica plurivalente Dinámica de sistemas
Lógica Red neuronal Sistema complejo
Lógica matemática Inteligencia artificial Sistema dinámico
Lógica bivalente Lógica paraconsistente
Lógica trivalente Sistema
Referencias
1. El Mundo. «La Fundación BBVA premia a Lofti Zadeh, el padre de los electrodomésticos 'inteligentes' » (http://www.el
mundo.es/elmundo/2013/01/15/ciencia/1358256898.html). Consultado el 15 de enero de 2013.

Enlaces externos
Centro de investigación español, organiza cursos y seminarios sobre lógica difusa
FuzzyLite: A Fuzzy Logic Control Library written in C++
Morillas Raya, A. (2006): Introducción al análisis de datos difusos PDF
Curso Introductorio de Conjuntos y Sistemas Difusos (Lógica Difusa y Aplicaciones), por el Dr. José
Galindo G., Universidad de Málaga (España)
[2] Aplicación de la lógica difusa compensatoria en el sector empresarial, por el Msc. Jesús Cejas
Montero, Dr. Daniel Alfonso Robaina, Dr. Rafael Espín Andrade Universidad de La Habana (Cuba)

Obtenido de «https://es.wikipedia.org/w/index.php?title=Lógica_difusa&oldid=101141408»

Se editó esta página por última vez el 15 ago 2017 a las 07:46.
El texto está disponible bajo la Licencia Creative Commons Atribución Compartir Igual 3.0; pueden
aplicarse cláusulas adicionales. Al usar este sitio, usted acepta nuestros términos de uso y nuestra política
de privacidad.
Wikipedia® es una marca registrada de la Fundación Wikimedia, Inc., una organización sin ánimo de
lucro.