Baixe o app para aproveitar ainda mais
Prévia do material em texto
Inteligência Artificial Ciência da Computação Profº Adilson Marques Lógica Fuzzy (Lógica Difusa ou Nebulosa) - extensão da lógica boolena. (ela não substitui) - um valor lógico fuzzy (difuso) é um valor qualquer no intervalo de valores entre 0 e 1. • Lógica Fuzzy Usamos conceitos subjetivos para classificar ou considerar algo sobre certas situações. Siga “alguns metros”. O dia está “parcialmente” nublado. Preciso perder “alguns” quilos para ficar “bem”. Nossa moeda é “estável”. O time está com “altos e baixos” no torneio. Todos os termos entre aspas são fuzzy. • Lógica Fuzzy Lógica Fuzzy Tem por objetivo modelar modos de raciocínio aproximados ao invés de precisos. • Lógica Fuzzy Lógica Fuzzy Objetiva fazer com que as decisões tomadas pela máquina se aproximem cada vez mais das decisões humanas. A)principalmente ao trabalhar com uma grande variedade de informações vagas e incertas, as quais podem ser traduzidas por expressões do tipo: a maioria, mais ou menos, talvez, depende etc. B)antes do surgimento da lógica fuzzy essas informações não tinham como ser processadas. • Lógica Fuzzy Por que usar Lógica Fuzzy? @Grande parte da compreensão humana sobre os acontecimentos dos fatos é imprecisa. Em muitos casos, a precisão pode ser um tanto quanto inútil, por outro lado, instruções vagas podem ser melhor interpretadas e realizadas. • Lógica Fuzzy Por que usar Lógica Fuzzy? Na Lógica Binária (clássica), as proposições são unicamente: Verdadeiras V Falsas F Fuzzy Trabalha com a INCERTEZA. • Lógica Fuzzy Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados ausentes ou imprecisos e/ou relações causa-efeito não determinísticas. • Lógica Fuzzy Por que usar Lógica Fuzzy? Raciocínio com Incerteza exige: a)Quantificação de Incerteza b)Método de combinação dos valores de Incerteza • Lógica Fuzzy 10 Grau de crença ���� Teoria das Probabilidades �Ex. 80% dos pacientes com dor de dentes têm cáries. Uma probabilidade de 0.8 não significa “80% verdade” mas sim um grau de crença de 80% na regra, ou seja, em 80% dos casos a regra é verdadeira Grau de Crença versus Grau de Verdade • Lógica Fuzzy 11 Grau de verdade ���� Lógica Fuzzy �Ex. Mario é alto a proposição é verdadeira para uma altura de Mario 1.65m ? ...mais ou menos.... Observar que não há incerteza, estamos seguros da altura de Mario. O termo linguístico “alto” é vago, como interpretá-lo. A Teoria de conjuntos Fuzzy permite especificar quão bem um objeto satisfaz uma descrição vaga. Grau de Crença versus Grau de Verdade • Lógica Fuzzy Por que usar Lógica Fuzzy? Na lógica fuzzy, as proposições podem ter valores intermediários entre “Verdadeiro” e “Falso”. A veracidade destas é uma função que pode assumir qualquer valor entre: 0 – Absolutamente Falso 1 – Absolutamente Verdadeiro. • Lógica Fuzzy Por que usar Lógica Fuzzy? Com isso... As sentenças passarão a ter um Grau de Pertinência* • Lógica Fuzzy Sobre o Grau de Pertinência. - Está no intervalo entre {0, 1}. - Possibilita a transição gradual... ...da falsidade para a verdade... Pertinência é neste caso uma associação ao pertencer ou não. • Lógica Fuzzy Sobre o Grau de Pertinência. -Não existe uma base formal para determinar o grau de pertinência. Ele é escolhido experimentalmente ou empiricamente. • Lógica Fuzzy Sobre o Grau de Pertinência. - Permite representar valores como: Quente - Morno – Frio – Gelado Ótimo – Bom – Razoável – Ruim - Péssimo • Lógica Fuzzy Exemplo de representação em conjuntos. • Lógica Fuzzy • Lógica Fuzzy Eixo X – horizontal (valores 10, 20,...50) Eixo Y – Vertical (0 e 1) Se observar poderá comparar que na representação clássica o valor trinta assume a condição de “pertencer ao conjunto), pois atinge o valor 1. Já no gráfico fuzzy, o valor 30 é assumido gradualmente, atendendo um valor pertinente, ou não. • Lógica Fuzzy Na teoria clássica, os conjuntos são denominados "crisp“, e um dado elemento do universo em discurso(domínio) pertence ou não pertence ao referido conjunto. Na teoria dos conjuntos "fuzzy" existe um grau de pertinência de cada elemento a um determinado conjunto. • Lógica Fuzzy Podemos verificar que não existe uma fronteira bem definida para decidirmos quando um elemento pertence ou não ao respectivo conjunto. Com os conjuntos "fuzzy" podemos definir critérios e graus de pertinência para tais situações. A função característica (crisp sets) pode ser generalizada de modo que os valores designados aos elementos do conjunto universo U pertençam ao intervalo de números reais de 0 a 1 inclusive, isto é [0,1]. • Lógica Fuzzy Estes valores indicam o GRAU DE PERTINÊNCIA dos elementos do conjunto U em relação ao conjunto A, isto é, quanto é possível para um elemento x de U pertencer ao conjunto A. Tal função é chamada de FUNÇÃO DE PERTINÊNCIA e o conjunto A é definido como "CONJUNTO FUZZY". • Lógica Fuzzy EXEMPLO • Lógica Fuzzy Dado o Conjunto Universo. U ={5,10,20,30,40,50,60,70,80} e Considerar os seguintes conjuntos "fuzzy“: A={crianças}, B={jovens}, C={adultos} e D={velhos} Para estes, atribuímos os graus de pertinência dos elementos do conjunto U em uma tabela: segue............................................ • Lógica Fuzzy • Lógica Fuzzy IDADE Criança Jovem Adulto Velho 5 0 1 0 0 10 0 1 0 0 20 0 0.8 0.8 0.1 30 0 0.5 1 0.2 40 0 0.2 1 0.4 50 0 0.1 1 0.6 60 0 0 1 0.8 70 0 0 1 1 80 0 0 1 1 • Lógica Fuzzy IDADE Criança Jovem Adulto Velho 5 0 1 0 0 10 0 1 0 0 20 0 0.8 0.8 0.1 30 0 0.5 1 0.2 40 0 0.2 1 0.4 50 0 0.1 1 0.6 60 0 0 1 0.8 70 0 0 1 1 80 0 0 1 1 Qual o significado deste valor 1 na tabela? • Lógica Fuzzy IDADE Criança Jovem Adulto Velho 5 0 1 0 0 10 0 1 0 0 20 0 0.8 0.8 0.1 30 0 0.5 1 0.2 40 0 0.2 1 0.4 50 0 0.1 1 0.6 60 0 0 1 0.8 70 0 0 1 1 80 0 0 1 1 E qual a representatividade do valor 0,2 como grau de pertinência? • Lógica Fuzzy IDADE Criança Jovem Adulto Velho 5 0 1 0 0 10 0 1 0 0 20 0 0.8 0.8 0.1 30 0 0.5 1 0.2 40 0 0.2 1 0.4 50 0 0.1 1 0.6 60 0 0 1 0.8 70 0 0 1 1 80 0 0 1 1 Observe atentamente a passagem gradual proposta pela função de pertinência Conjuntos Fuzzy Conjuntos com limites imprecisos. Exemplo. • Lógica Fuzzy Conjuntos Fuzzy Altura (m) 1.75 1.0 Conjunto Clássico 1.0 Função de pertinência Altura (m) 1.60 1.75 .5 .9 Conjunto Fuzzy A = Conjunto de pessoas altas .8 1.70 • Lógica Fuzzy Características da Lógica Fuzzy A Lógica Difusa está baseada em palavras e não em números, ou seja, os valores verdades são expressos lingüisticamente. Por exemplo: quente, muito frio, verdade, longe, perto, rápido, vagaroso, médio, etc. -Possui vários modificadores de predicado como por exemplo: muito, mais ou menos, pouco, bastante, médio, etc. -Possui também um amplo conjunto de quantificadores, como por exemplo : poucos, vários, em torno de, usualmente. -Faz uso das probabilidades lingüísticas, como por exemplo : provável, improvável, que são interpretados como números fuzzy e manipulados pela sua aritmética. -Manuseia todos os valores entre 0 e 1, tomando estes, como um limite apenas. • Lógica Fuzzy Conjuntos Fuzzy Um conjunto fuzzy A definido no universo de discurso X é caracterizado por uma função de pertinência µA, a qual mapeia os elementos de X para o intervalo [0,1]. µA:X�[0,1] Desta forma, a funçãode pertinência associa a cada elemento x pertencente a X um número real µA(x) no intervalo [0,1], que representa o grau de pertinência do elemento x ao conjunto A, isto é, o quanto é possível para o elemento x pertencer ao conjunto A. • Lógica Fuzzy Conjuntos Fuzzy A função de pertinência µA(X) indica o grau de compatibilidade entre x e o conceito expresso por A: µA(x) = 1 indica que x é completamente compatível com A; µA(x) = 0 indica que x é completamente incompatível com A; 0 < µA(x) < 1 indica que x é parcialmente compatível com A, com grau µA(x) . crisp pode ser visto como um conjunto nebuloso específico (teoria de conjuntos clássica) µA {0,1} pertinência do tipo “tudo ou nada”, “sim ou não” e não gradual como para os conjuntos nebulosos • Lógica Fuzzy Conjuntos Fuzzy • Lógica Fuzzy Função característica do conjunto “crisp” Conjuntos Fuzzy • Lógica Fuzzy Conjuntos Fuzzy Definição formal: Um conjunto fuzzy A em X é expresso como um conjunto de pares ordenados: • Lógica Fuzzy }|))(,{( XxxxA A ∈= µ Conjunto fuzzy Função de pertinência Universo ou Universo de discurso Conjuntos Fuzzy Conjuntos Normais: função característica - medida de pertença associada ao conjunto A Conjunto Vago (incerto): quando os elementos têm um grau de pertinência relativamente ao conjunto. Exemplo U = {x | x é uma idade entre 0 e 100} A = conjunto das idades jovens • Lógica Fuzzy Conjuntos Fuzzy Representações Funções de pertinência representadas em computador podem ser: contínuas ou discretas. No caso contínuo, a função de pertinência é uma função matemática, possivelmente um programa. No caso discreto, a função de pertinência e o universo são pontos de uma lista (vetor). • Lógica Fuzzy Universo Discreto • X = {SF, Boston, LA} (discreto e não ordenado) ▫ C = “Cidade desejável para se viver” ▫ C = {(SF, 0.9), (Boston, 0.8), (LA, 0.6)} • X = {0, 1, 2, 3, 4, 5, 6} (discreto) ▫ A = “Número de filhos razoável” ▫ A = {(0, .1), (1, .3), (2, .7), (3, 1), (4, .6), (5, .2), (6, .1)}0 2 4 6 0 0.2 0.4 0.6 0.8 1 X = Número de filhos G r a u d e P e r t i n ê n c i a (a) Universo Discreto • Lógica Fuzzy Universo Contínuo • X = (Conjunto de números reais positivos) (contínuo) ▫ B = “Pessoas com idade em torno de 50 anos” ▫ B = {(x, µB(x) )| x em X} µ B x x ( ) = + − 1 1 50 10 2 0 50 100 0 0.2 0.4 0.6 0.8 1 X = Idade G r a u d e P e r t i n ê n c i a (b) Universo Contínuo • Lógica Fuzzy Inferência Fuzzy • Etapa na qual as proposições (regras) são definidas e são examinadas paralelamente; • Engloba a: ▫ Definição das proposições ▫ Análise das Regras ▫ Criação da região resultante • Lógica Fuzzy Inferência Fuzzy � O mecanismo chave do modelo Fuzzy é a proposição. � A proposição é o relacionamento entre as variáveis do modelo e regiões Fuzzy. � Na definição das proposições, deve-se trabalhar com: � Proposições Condicionais if W is Z then X is Y � Proposições Não-Condicionais X is Y • Lógica Fuzzy Inferência Fuzzy • AGREGRAÇÃO ▫ Calcula a importância de uma determinada regra para a situação corrente. • COMPOSIÇÃO ▫ Calcula a influência de cada regra nas variáveis de saída. • Lógica Fuzzy Defuzzificação • Etapa na qual as regiões resultantes são convertidas em valores reais (Crisp) para a variável de saída do sistema. • Ela corresponde a ligação funcional entre as regiões Fuzzy e o valor esperado. • Lógica Fuzzy Exemplo • Objetivo do sistema: • Um analista de projetos de uma empresa quer determinar o risco de um determinado projeto; ▫ Quantidade de dinheiro e de pessoas envolvidas no projeto. • Representação das variáveis de entrada: � Base de conhecimento: 1. Se dinheiro é adequado ou pessoal é pequeno então risco é pequeno; 2. Se dinheiro é médio e pessoal é alto, então risco é normal 3. Se dinheiro é inadequado, então risco é alto • Lógica Fuzzy Fuzzificação 75,0)(&25,0)( == dd mi µµ Dinheiro Inadequado Médio Adequado 35 .25 .75 Baixo Alto Pessoal 60 .2 .8 8,0)(&2,0)( == pp ab µµ • Lógica Fuzzy Avaliação das regras • Ou → máximo; • e → mínimo. Adequado Regra 1: Baixo0,0 ou0,2 Risco médio Regra 2: Alto 0,25 e 0,8 Risco Risco Inadequado Regra 3: 0,75 • Lógica Fuzzy Há algo no seu cotidiano de sala de aula em que podemos utilizar lógica fuzzy? • Lógica Fuzzy Pense............ • Lógica Fuzzy Sistema de notas da universidade......???? • Lógica Fuzzy Por que o sistema de notas é um exemplo fuzzy? • Lógica Fuzzy Qual o conjunto fuzzy existente? • Lógica Fuzzy Processo de Transformação ou Processo de Inferência Fuzzy a) transformar os dados de entrada em valores de pertinência – de acordo com uma função de pertinência. b) unificação das saídas de todas as regras (agregação). c) conversão da unificação das saídas no valor esperado para uma variável de saída do sistema. d) avaliação das regras. • Lógica Fuzzy
Compartilhar