La lgica difusa o lgica heurstica se basa en lo relativo de lo observado como posicin diferencial.

Este tipo de lgica toma dos valores aleatorios, pero contextualizados y referidos entre s. Es un tipo de lgica multivaluada o polivaluada que admite valores infinitos que varan en grados entre 0 y 1 El razonamiento en la lgica difusa es similar al razonamiento humano. Admite valores aproximados e inferencias, as como datos incompletos o ambiguos, en lugar de depender de datos absolutos (si/no) Es capaz de procesar los datos incompletos y proporcionar soluciones aproximadas a los problemas que por otros mtodos son difciles de resolver Maneja el concepto de verdad parcial, donde el valor de verdad puede oscilar entre completamente

Conjunto borroso: es aquel que no est formado por nmeros sino por etiquetas lingsticas.

Etiqueta lingstica: Es una palabra o conjunto de palabras. Podemos tambin que son los nombres de los conjuntos borrosos
En los conjuntos clsicos se sabe si un elemento de un universo de discurso pertenece o no a l acudiendo a la lgica booleana. Esto no es posible en los conjuntos borrosos, ya que si normalizamos la pertenencia o no en el 0 y 1, en este caso hemos de tomar el intervalo cerrado [0,1] y el valor que se asocie a cada elemento no ser absoluto, sino gradual. Al igual que en los conjuntos clsicos, esto se define mediante un predicado que por su forma de actuar se denomina predicado vago. As, el elemento tendr un valor asociado dentro del conjunto que indicar en qu cantidad" pertenece a dicho conjunto. Esto es lo que se define como grado de pertenencia. Por ello, un conjunto borroso es la unin de los grados de pertenencia de todos aquellos elementos que forman parte de su universo de discurso. Universo de discurso: El universo de discurso de un conjunto borroso es el intervalo en el que se incluyen los posibles valores que pueden tomar los elementos del conjunto. La existencia del grado de pertenencia para saber si un elemento pertenece a un conjunto o no, podemos utilizarla para tratar problemas de imprecisin o

Se basa en reglas heursticas de la forma SI (antecedente) ENTONCES (consecuente), donde el antecedente y el consecuente son tambin conjuntos difusos, ya sea puros o resultado de operar con ellos. Sirvan como ejemplos de regla heurstica para esta lgica (ntese la importancia de las palabras "muchsimo", "drsticamente", "un poco" y "levemente" para la lgica difusa): SI hace muchsimo calor ENTONCES aument drsticamente la temperatura. SI voy a llegar un poco tarde ENTONCES aumento levemente la velocidad. Los mtodos de inferencia para esta base de reglas deben ser simples, veloces y eficaces. Los resultados de dichos mtodos son un rea final, fruto de un conjunto de reas solapadas entre s (cada rea es resultado de una regla de inferencia). Para escoger una salida concreta a partir de tanta premisa difusa, el mtodo ms usado es el del centroide, Las reglas de las que dispone centro de gravedad del rea total resultante. en el que la salida final ser el 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 estn aumentando exponencialmente su capacidad de procesamiento de reglas ao a ao.

Aristteles

Platn

George Berkeley

David Hume

Bertrand Russell

Jan ukasiewicz

Max Black

Lotfi Asker Zadeh

A comienzos de los aos 80, especialmente en Japn, empezaron a aparecer mltiples aplicaciones comerciales relacionadas con la Lgica Difusa. Es por esto que Japn se convirti en el centro de investigacin tanto acadmica como industrial de los sistemas difusos. Ejemplos claros del desarrollo que indicamos los podemos observar en controles de la manufactura del cemento, en procesos de purificacin del agua.

 La principal ventaja de este sistema de control es su facilidad de implementacin.

Este tipo de sistemas estn dando muy buenos resultados en procesos no lineales y de difcil modelizacin
El modo de funcionamiento es similar al comportamiento humano. Es una forma rpida y econmica de resolver un problema. No se necesita conocer el modelo matemtico que rige su funcionamiento.

En las redes neuronales se precisa de un tiempo de aprendizaje para obtener los mejores resultados en la salida.

Ante un problema que tiene solucin mediante un modelo matemtico, obtenemos peores resultados usando Lgica Difusa