Está en la página 1de 13

LOGICA DIFUSA

Empecemos por plantearnos las siguientes preguntas: ¿qué significa la teoría difusa?, ¿Porqué
utilizar el término difuso?

El término fuzziness que en español entenderemos como difusificar, se encuentra en nuestras


decisiones, en nuestro pensamiento, esto es, en la forma de cómo procesamos la información,
pero particularmente en nuestro lenguaje, ya que en muchas ocasiones no expresamos con
claridad lo que queremos comunicar.

Frases como: "Nos vemos luego", "un poco más", "no me siento muy bien", son expresiones
difusas, decimos que son difusas porque la difusificación surge de las diferentes interpretaciones
que damos a "luego", "un poco más", "muy bien". Por ejemplo "luego", para el análisis de
fenómenos rápidos en ingeniería puede ser del orden de nanosegundos, pero para paleontólogos
del orden de miles de años. Como se puede observar la magnitud del orden es relativa, por lo tanto
si se emplea una unidad difusa (fuzzy), hay que tener bien claro el contexto donde se esta
utilizando para así encontrar un punto de referencia y una unidad de medida.

En ocasiones, enunciados difusos indican unidades relativas y subunidades más no unidades


absolutas. Consideremos el siguiente ejemplo:

"El corredor A es rápido."

"El corredor B es más rápido que el corredor A." y

"El corredor C es más lento comparado con B."

Con base a lo anterior podemos hacer dos observaciones: la oración difusa puede
establecer:

B es más rápido que A y C es lento comparado con B.

de la misma manera podemos caer en una ambigüedad de modo que no nos quede claro
si A es más rápido que C o si C es más rápido que A; por tanto no se tiene una medida de
la velocidad de A, B ó C.
Otro ejemplo donde no se hace referencia a medida alguna sería el enunciado
"Francisco es muy alto".
LOGICA CLASICA VS. LOGICA DIFUSA.

Probablemente estémos familiarizado con algún tipo de lógica clásica (binaria, trivalente, etc.), las
cuales tienen bien definidos sus valores de umbral. Por ejemplo en la lógica binaria o booleana,
existen dos valores de verdad (o de umbral): verdadero ó falso, 1 ó 0, sí ó no.

La lógica trivalente es una lógica de tres respuestas definitivas:

A diferencia de la lógica clásica, la lógica difusa no tiene bien definidos sus umbrales de
decisión. Por ejemplo, si tomamos la lógica trivalente y la difusificamos (cambiamos los
niveles de decisión), entonces podemos expresar los valores de umbral como un rango
de valores, esto es, 0, .5, 1 serán reemplazados por intervalos de: "0 a .4", "0.2 a 0.8",
"0.6 a 1", respectivamente.

Recordemos que "lógica es la ciencia que estudia las leyes, los modos y las
formas del razonamiento". De esta forma la "lógica difusa estudia las leyes, los
modos y las formas del razonamiento aproximado".

Lógica difusa proporciona un medio para enfrentar situaciones del mundo real,
situaciones complejas y dinámicas, que son más fácilmente caracterizadas por palabras
que por matemáticas.
FUNCIÓN DE MEMBRESÍA.

Como ya se mencionó la pertenencia o membresía es una relación que vincula a


cada elemento con un conjunto. En otra palabras, en un conjunto bien definido (lógica
clásica), la pertenencia o no pertenencia de un elemento x a un conjunto A se describe
mediante la función característica  A (x) donde:

Dicha función es llamada función de membresía ó función característica de A y esta


definida para todos los elementos del universo. La función de membresía hace un mapeo
de todo el universo U a su conjunto de evaluación de dos elementos {0,1}, esto se
escribe:
 A (x) : U  0, 1

Con una identificación de {0,1} y {verdadero, falso}, esta función característica puede
jugar un papel importante en la asignación de valores de verdad a proposiciones
referentes al conjunto A.
OPERACIONES SOBRE CONJUNTOS
DIFUSOS
Existen seis tipos de operaciones:
1- Inclusión o subconjunto:
A es un subconjunto de B:

2- Unión:
La unión de los conjuntos difusos A y B es el conjunto difuso C y se escribe como
C= A OR B;
su función de pertenencia está dada por:

3- Intersección:
La intersección de los conjuntos difusos A y B es el conjunto difuso C y se escribe
como C= A AND B;

su función de pertenencia está dada por:

4- Negación o complemento:
El complemento del conjunto difuso A, denotado por ¬A o NOT A, se define como:

5- Producto cartesiano:
Si A y B son conjuntos difusos en X e Y, el producto cartesiano de los conjuntos A y
B en el espacio X x Y tiene la función de pertenencia:
6- Co-producto cartesiano:
A + B en el espacio X x Y tiene la función de pertenencia:

Cabe añadir que las operaciones de intersección, unión y complemento cumplen al igual
que en la teoría clásica deconjuntos, las propiedades asociativa, conmutativa, distributiva
y las leyes de Morgan. Sin embargo, a diferencia de la teoría clásica, los conjuntos difusos
no cumplen el principio de contradicción ni el de exclusión.

SISTEMAS BASADO EN LÓGICA BORROSA


Un sistema basado en lógica borrosa siempre estará compuestopor los siguientes
bloques:

Fuzzificación
La primera etapa de un proyecto que utilice la lógica difusa como herramienta de análisis
y solución es la denominada fuzzificación. El proceso de fuzzificación puede ser definido
como la conversión del conjunto de entradas numéricas en conjuntos difusos. Las
operaciones realizadas en la lógica difusa son efectuadas en términos de conjuntos
difusos, de esta forma, los datos de entrada deberán expresarse como conjuntos difusos
o singletones (elementos unitarios), que son un tipo especial de conjunto difuso. Los
valores de entrada necesitan ser designados como valores de pertinencia de uno o más
conjuntos difusos en que el universo analizado haya sido dividido. Estos valores de
pertinencia son determinados a partir de la intersección del conjunto de datos con los
conjuntos difusos del universo seleccionado.

Ejemplo:

Para comprender mejor veamos la Figura arroja los siguientes datos:


μAlta(77)=0.45
μMedia(77)=0.20
μBaja(77)=0.00
El valor de velocidad igual a 77 pertenece a dos conjuntos con distintos grados en cada
uno.
A partir de ahora y durante el resto de las operaciones en el interior del corazón fuzzy
estos datos (0.45, 0.20 y 0.00, son valores de las funciones de membresía) representarán
a las variables sensados del proceso. A tales datos les llamaremos μ en sentido genérico
para diferenciarlos de otras funciones de membresía. μA(x) = μ.

Toma de decisiones
Una vez concluido el proceso de fuzzificación se procede con la siguiente fase del
proyecto, esta etapa es conocida como la toma de decisiones. En este paso, un motor de
inferencia es empleado con el propósito de determinar los valores de salida del proyecto.
Para conseguirlo, el sistema de inferencia se apoya de una base de conocimientos
construida a partir de la información disponible del sistema analizado. Esta base de
conocimientos está constituida por un banco de datos (funciones de pertinencia) y por un
conjunto de reglas que describen el sistema (variables lingüísticas, formato de reglas
condicionales, etc.).

Reglas borrosas
Los controladores difusos usan reglas, estas combinan uno o más conjuntos
borrosos de entrada llamados antecedentes o premisas y le asocian un conjunto
borroso de salida llamado consecuente o consecuencia. Involucran a conjuntos
difusos, lógica difusa e inferencia difusa. A estas reglas se les llama reglas
borrosas o difusas o fuzzy rules. Son afirmaciones del tipo SI-ENTONCES. Los
conjuntos borrosos del antecedente se asocian mediante operaciones lógicas
borrosas AND, OR, etc.
Las reglas borrosas son proposiciones que permiten expresar el conocimiento que
se
dispone sobre la relación entre antecedentes y consecuentes. Para expresar este
conocimiento de manera completa normalmente se precisan varias reglas, que se
agrupan formando lo que se conoce como basa de reglas, es decir, la edición de
esta base determina cual será el comportamiento del controlador difuso y es aquí
donde se emula el conocimiento o experiencia del operario y la correspondiente
estrategia de control.
La base de reglas suele representarse por tablas. Esta es clara en el caso de 2
variables de entrada y una de salida. En la medida que la cantidad de variables
lingüísticas crece,también lo hará la tabla, y más difícil se hará su edición.

Defuzzificación

La defusificación (defuzzyfication) es un proceso matemático usado para convertir un


conjunto difuso en un número real. El sistema de inferencia difusa obtiene una conclusión
a partir de la información de la entrada, pero es en términos difusos. Esta conclusión o
salida difusa es obtenida por la etapa de inferencia borrosa, esta genera un conjunto
borroso pero el dato de salida del sistema debe ser un número real y debe ser representativo
de todo el conjunto obtenido en la etapa de agregado, es por eso que existen diferentes
métodos de defusificación y arrojan resultados distintos, el “más común y ampliamente
usado” es el centroide. Con el método de defusificación del centroide se transforma la
salida difusa en un número real el cual es la coordenada equis (x) del centro de gravedad de
tal conjunto difuso de salida.

Ecuación 1: Defusificación por centro de gravedad.

Donde μY es la función de pertenencia del conjunto de salida Y, cuya variable de salida es


y. S es el dominio o rango de integración.
Este método en realidad trae una carga computacional importante, por lo que se emplean
en general otros esquemas con menor carga.
Uno de los defusificadores más usados es el centro de área (COA, center of area) también
llamado de altura.

Método del centro de área (COA).


Este método es sensible al resultado de todas las reglas al momento de hacer la
Defuzzificación, lo que produce una salida de control más suave.
Asumimos que se produce una acción de control con una función de membresía
dada por  C. El método de centro del área calcula el centro de gravedad de la
distribución para la acción de control. Asumiendo un universo de discurso discreto:

donde q es el número de niveles de cuantización


de salida, Zj es la suma de las salidas de control en el nivel de cuantización
j y  c(Zj) representa los valores de la función de membresía en c. En otras
palabras, este método asigna el centro del área de la salida difusa final al valor
desdifusificado. El centro de área también es llamado centro de gravedad o
centroide.

Método del criterio del máximo.


Este método considera únicamente la acción de control sugerida por la regla
cuya conclusión fue evaluada con el valor de verdad más alto. El punto de
desdifusificación encontrado por este método es el que se encuentra donde la
salida difusa final alcanza su valor máximo por primera vez, en el sentido de los
valores crecientes del eje horizontal.
Método de desdifusificación de Criterio del Máximo.
Desdifusificación para cuando las salidas están en función de las entradas.

Como ya se mencionó, las reglas de control difuso pueden escribirse en


función de sus entradas. Por ejemplo:

Regla 1: SI x es Ai y y es Bi ENTONCES z es f(x,y) asumiendo que  i es el valor


de la regla i:

donde n es el número de reglas empleadas.

EJEMPLO: Se tienen las siguientes dos reglas.

Regla 1: SI X es A1 y Y es B1 ENTONCES Z es C1
Regla 2: SI X es A2 y Y es B2 ENTONCES Z es C2

Supongamos que x0 y y0 son las lecturas obtenidas de los sensores para las
variables difusas X y Y, y las siguientes son sus funciones de membresía:
Además supóngase que se los valores obtenidos de las mediciones son x0 = 4 y
y0 = 8. En el presente ejemplo ilustraremos como calcular:

 La función de membresía para la acción de control recomendada por la


combinación de las dos reglas.

 El valor de la acción de control utilizando dos métodos: COA y MOM.

El primer paso es relacionar las lecturas de los sensores x0 y y0 con los


correspondientes valores de los antecedentes A1 y B1, lo cual produce:

de forma similar para la regla 2:

y
El valor para la regla 1 se obtiene de:

 1 = Min ( (x0), (y0) = Min (2/3,1) = 2/3

 2 = Min ( (x0), (y0) = Min (1/3,2/3) = 1/3

Aplicando  1 a la conclusión de la regla 1 se obtiene el área trapezoidal


sombreada de la figura 17 para C1, de forma similar para C2.

Desdifusificación de la combinación de las conclusiones de las reglas.

Aplicando el método de desdifusificación del Centro del Area (COA), se obtiene:


mientras que si se utiliza la estrategia de desdifusificación MOM (Método del máximo de
la media), tenemos 3 valores cuantizados cuyas funciones de membresía corresponden
con el máximo valor (ejemplo: 3,4,5 con 2/3). Así:

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.
Del mismo ejemplo puede observarse otra de las principales ventajas de estos
sistemas, que es la capacidad de adelantarse en el tiempo a los acontecimientos,
estabilizando siempre el entorno físico que controla.

 Como principal incoveniente cabe destacar la dificultad de elegir una correcta


función de pertenencia para los conjuntos difusos, ya que en ocasiones no es
sencillo especificar el efecto de los cuantificadores de nuestro lenguaje en dicha
función. El hecho de que cualquier función de pertenencia del sistema estuviese
mal especificada, haría fallar, muy probablemente, todo el sistema completo.
También está la indecisión de decantarse por los expertos o por la tecnología
(principalmente mediante Redes neuronales) para reforzar las reglas

Aplicaciones
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, y cada vez se está usando en gran multitud de campos. La primera vez que se
usó de forma importante fue en el metro japonés, con excelentes resultados. 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 reconocimiento 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.

También podría gustarte