lógica nebulosa
Transcrição
1 LÓGICA NEBULOSA PRAIA GRANDE 2010 2 PAULINE ANDRADE GOMES LÓGICA NEBULOSA Trabalho de Conclusão de Curso submetido a avaliação, como requisito para obtenção do titulo de Bacharel em Sistemas de Informação, da Faculdade do Litoral Sul, sob orientação do Prof. Paulo Schroeder. PRAIA GRANDE 2010 3 PAULINE ANDRADE GOMES LÓGICA NEBULOSA Trabalho de Conclusão de Curso submetido a avaliação, como requisito para obtenção do titulo de Bacharel em Sistemas de Informação, da Faculdade do Litoral Sul, sob orientação do Prof. Paulo Schroeder. ____________, ____ de __________________de _______. Local data ___/___/___ Parecer da Banca Examinadora: TCC - Aprovado ( ) Aprovado com Louvor ( ) Reprovado ( ) ________________________________________________ (Nome, titulação e assinatura) ________________________________________________ (Nome, titulação e assinatura) ______________________________________________ __ (Nome, titulação e assinatura) 4 PAULINE ANDRADE GOMES LÓGICA NEBULOSA Trabalho de Conclusão de Curso submetido a avaliação, como requisito para obtenção do titulo de Bacharel em Sistemas de Informação, da Faculdade do Litoral Sul, sob orientação do Prof. Paulo Schroeder. Avaliação: ____________________________________________________________________________ ____________________________________________________________________________ ____________________________________________________________________________ ____________________________________________________________________________ ____________________________________________________________________________ ____________________________________________________________________________ ____________________________________________________________________________ ____________________________________________________________________________ ____________________________________________________________________________ ____________________________________________________________________________ Nota: (____) ____________, ____ de __________________de _______. Local data ___/___/___ 5 AGRADECIMENTOS Agradeço a todos que, direta e indiretamente, contribuíram para a realização deste trabalho e também ao nosso coordenador Professores Paulo Schroeder e Alexandre pela colaboração que foi de suma importância para a concretização do mesmo. 6 RESUMO O presente trabalho aborda a Lógica fuzzy ou Lógica nebulosa, suas vantagens e desvantagens a aplicação nas empresas, sua funcionalidades e disposição ao homem e máquina. E suas funções do falso e verdadeiro, a lógica, os gráficos utilizados a medida exatas e variáveis, representa o certo ou errado em questões da lógica nas empresas e no seu dia a dia. Este trabalho objetiva o estudo sobre a lógica fuzzy e suas aplicações buscando aperfeiçoar seus conceitos quanto a lógica. Palavras chaves: lógica difusa, lógica nebulosa, inteligência artificial 7 ABSTRACT This paper addresses the fuzzy logic or fuzzy logic, its advantages and disadvantages of the application in companies, their capabilities and willingness to man and machine true or false fuzzy logic in words. And their functions true and false, the logic, the graphics used to accurate measurement and variable, represents the right or wrong in matters of logic in business and in their day day. This work aims the study of fuzzy logic and its applications seeking to improve their concepts and the logic. Keywords fuzzy logic, fuzzy logic, artificial intelligence 8 LISTA DE FIGURAS FIGURAS 1..................................................................................................................18 FIGURAS 2 E 3 ...........................................................................................................19 FIGURA 6 E 7.............................................................................................................22 FIGURA 8, 9 E 10........................................................................................................24 FIGURAS QUALIFICADORES APROXIMADAMENTE E BASTANTE.............25 FIGURAS QUALIFICADORES UM POUCO E NÃO.............................................26 FIGURAS QUALIFICADORES MAIS QUE E MENOS QUE...............................27 TABELA DE CONTROLE.......................................................................................30 9 SUMÁRIO 1- INTRODUÇÃO .......................................................................................................10 1.1-MOTIVAÇÃO........................................................................................................11 1.2 - OBJETIVO............................................................................................................11 2 - REFERENCIAL TEÓRICO....................................................................................12 2.1- LÓGICA DIFUSA.................................................................................................13 2.2 -PROCESSO BÁSICO INFERÊNCIA..................................................................14 2.3 – CONJUNTOS NEBULOSOS.............................................................................15 2.3.1 - INFERÊNCIA DIFUSA...................................................................................16 2.3.2 - VANTAGENS E DESVANTAGENS..............................................................17 2.3.3 - APLICAÇÕES NAS EMPRESAS....................................................................17 3 -ESTUDO DE APLICAÇÕES DA LÓGICA FUZZI...............................................28 3.1- USO LA LÓGICA FUZZY NA TRANSMISSÃO DA NISSAN........................29 3.2 - USO DA LÓGICA FUZZY NO SISTEMA ROCKWELL................................31 4 - CONCLUSÕES.......................................................................................................32 REFERÊNCIAS BIBLIOGRÁFICAS.........................................................................33 10 1. INTRODUÇÃO A palavra ‘lógica’ está presente na nossa vida desde muito cedo, mas a sua compreensão, assim como ocorre com muitas outras palavras e suas respectivas definições, sofre variações a medida em que vamos crescendo e observando o mundo com outros olhos. Logo no início da infância a lógica representa aquilo que é certo (ou a certeza de algo). “É lógico!”, responde o garoto ao pai num domingo de verão ensolarado, quando indagado por este se deseja ir à praia. Mais tarde, o jovem estudante tem o primeiro contato com a disciplina de filosofia no colégio, e é apresentado a lógica numa versão um pouco mais “romântica”... “Mas afinal, o que significa lógica questionados a respeito do tema em algum momento da vida estudantil, e para muitos em mais de uma ocasião. Seja nas aulas de filosofia, física e matemática do segundo grau ou em alguma disciplina universitária de um curso de ciências exatas, o estudo da lógica, ou uma introdução a respeito da mesma, é obrigatório. Não por acaso, a resposta a essa questão nunca é dada de modo preciso. A Lógica, ciência fundada por Aristóteles, lida com verdadeiro ou falso, uma proposição pode ser verdadeira ou falsa em uma ocasião, se é verdadeira, possuem um valor verdadeiro igual a Se não, possuem um valor verdadeiro igual a zero. Proposições podem ser combinadas para gerar outras proposições, através de operadores lógicos. Quando se diz que uma proposição é verdadeira ou falsa, está se fazendo uma Declaração com certeza. Estas são chamadas declarações “crisp”. Por outro lado, existem declarações onde há apenas um certo grau de certeza. Foi para este tipo de situação que a Lógica fuzzy foi criada. Tratar com proposições que são verdadeiras até um certo grau de certeza – algo entre 0 e 1. 11 1.1. Motivação A lógica nebulosa é uma iniciativa de tornar computacionalmente tratáveis duas habilidades humanas notáveis e capacidade de tomar decisões racionais em um ambiente caracterizado por informação imperfeita, onde vigoram imprecisão, incerteza, informações incompletas, informações conflitantes e até verdades parciais;medidas) e sem realizar cálculos numéricos. Em lugar de manipular medidas, o ser humano manipula inteligências. Com base em conceitos de sistemas nebulosos, é possível tratar proposições derivadas de linguagem natural como objetos de computação. Principais fatores distintivos da lógica nebulosa: Precisiation: é uma operação que modifica um objeto, p, em um outro objeto, p*,sendo que este último, em algum sentido específico, é definido mais precisamente que. Em lógica nebulosa, há uma diferença entre dois sentidos da palavra precisão: orientada à máquina (sem-precisão, matemática). A lógica nebulosa é a base para a computação com palavras, ou seja, para a computação com informações descritas em linguagem natural, que permite a mecanização do entendimento da linguagem natural e também permite lidar com a incerteza sobre a incerteza. Em suma, a progressão da lógica bivalente para a lógica nebulosa pode ser interpretada como um passo positivo na evolução da ciência. Em grande medida, o mundo real é um mundo nebuloso. Ao longo dos próximos anos, espera-se que a lógica nebulosa ganhe ainda mais lógica fuzzy na transferência da Nissan. 1.2. Objetivo Segundo a teoria da complexidade a aplicação da Lógica Fuzzy bem sucedida foi no desenvolvimento de controladores industriais. Controladores que se baseiam na Lógica Fuzzy são chamados de Controladores Fuzzy, comumente a lógica nebulosa é aplicada para lógica fuzzy. Não é preciso sopesar muita matemática ou em profundidade a teoria de controle para se ampliar uma aplicação em controle. Controladores Fuzzy (Nebulosos) tratam igualmente sistemas lineares e não lineares, além de não requererem a modelagem matemática do processo a ser controlado. Isto tem sido, sem dúvida, o grande atrativo dos Sistemas. 12 Sistemas baseados na Lógica Fuzzy têm apontado grande utilidade em uma variedade de operações de controle industrial e em tarefas de conceito de padrões que se desdobram desde reconhecimento de texto manuscrito, até a avaliação de crédito financeiro. Existe também uma importância crescente em se utilizar Lógica Fuzzy em sistemas especialistas para torná-los mais maleáveis. No Japão, a Lógica Fuzzy já se faz presente no dia a dia do setor industrial e muitos produtos comerciais já se encontram disponíveis. 2. Referencial teórico A palavra ‘lógica’ está presente na nossa vida desde muito cedo, mas a sua compreensão, assim como ocorre com muitas outras palavras e suas respectivas definições, sofre variações a medida em que vamos crescendo e observando o mundo com outros olhos. Logo no início da infância a lógica representa aquilo que é certo (ou a certeza de algo). “É lógico!”, responde o garoto ao pai num domingo de verão ensolarado, quando indagado por este se deseja ir à praia. Mais tarde, o jovem estudante tem o primeiro contato com a disciplina de filosofia no colégio, e é apresentado a lógica numa versão um pouco mais “romântica”... “Mas afinal, o que significa lógica?”; praticamente todos já foram questionados a respeito do tema em algum momento da vida estudantil, e para muitos em mais de uma ocasião. Seja nas aulas de filosofia, física e matemática do segundo grau ou em alguma disciplina universitária de um curso de ciências exatas, o estudo da lógica, ou uma introdução a respeito da mesma, é obrigatório. Não por acaso, a resposta a essa questão nunca é dada de modo preciso. A Lógica, ciência fundada por Aristóteles, lida com verdadeiro ou falso, uma proposição pode ser verdadeira ou falsa em uma ocasião, se é verdadeira, possuem um valor verdadeiro igual a Se não, possuem um valor verdadeiro igual a zero. Proposições podem ser ajustadas para gerar outras proposições, através de operadores lógicos. Quando se diz que uma hipótese é verdadeira ou falsa, está se fazendo uma Declaração com certeza. Estas são chamadas declarações “crisp”. Por outro lado, existem declarações onde há apenas um certo grau de certeza. Foi para este tipo de situação que a Lógica fuzzy foi criada. Tratar com proposições que são verdadeiras até um certo grau de certeza – algo entre 0 e 1. A lógica nebulosa, também conhecida como lógica fuzzy, foi desenvolvida por Lofti A. Zadeh, originalmente um engenheiro e cientista de sistemas, durante a década de 1960. O artigo publicado pelo autor em 1965 pela Universidade da Califórnia, em Berkeley, revolucionou o assunto com a criação de sistemas Nebulosos. Citando o próprio autor, nas palavras registradas por ele no prefácio da recente obra de Cox [5], “meu artigo de 1965 sobre conjuntos nebulosos foi motivado em grande escala pela convicção de que os métodos 13 tradicionais de análise de sistemas não serviam para lidar com sistemas em que relações entre variáveis não era preciso algo mais do que somente dois valores de verdade possíveis. Ainda segundo Fernandes & Santos, “a lógica desenvolvida por Zadeh combina lógica multivalorada, teoria probabilística, inteligência artificial e redes neurais para que possa representar o pensamento humano, ou seja, ligar a lingüística e a inteligência humana, pois muitos conceitos são melhores definidos por palavras do que pela matemática”. Guimarães complementa, afirmando que “a lógica nebulosa objetiva fazer com que as decisões tomadas pela máquina se aproximem cada vez mais das decisões humanas, principalmente ao trabalhar com uma grande variedade de informações vagas e incertas. Os conjuntos nebulosos são o caminho para aproximar o raciocínio humano à forma de interpretação da máquina”. Assim, os conjuntos nebulosos são na verdade uma “ponte” que permite ainda o emprego de quantitativas, “muito quente” e “muito frio”. Nos conjuntos convencionais temos limites bruscos entre os elementos pertencentes ao conjunto e os elementos não pertencentes. Em um conjunto nebuloso a transição entre o membro e o não membro está numa faixa gradual, sendo associado um grau entre "0" (totalmente não membro) e "1" (totalmente membro). Em 1974, segundo Guimarães Prof. Mamdani, do Queen Mary College, Universidade de Londres, após inúmeras tentativas frustradas em controlar uma máquina a vapor com tipos distintos de controladores somente conseguiu fazê-lo através da aplicação do raciocínio nebuloso”. Ainda na primeira metade da década de 1980, a lógica nebulosa atinge outros aproveitamentos, como o controlador nebulosa de operação de fornos de cimento, plantas nucleares, refinarias, processos biológicos e químicos, trocador de calor, máquina diesel e tratamento de água. Porém, lembra que embora a lógica nebulosa tenha sido descrita e examinada por quase trinta anos, apenas na última década ganhou real destaque na imprensa popular e técnica. 2.1. Lógica difusa A lógica difusa, proposta por L. Zadeh em 1965 (Zadeh, 1965; Pedrycz, 1998; Sugeno, 1985), é uma lógica de múltiplos valores que pode ser utilizada para resolver problemas em sistemas de controle onde o modelamento do mesmo É muito difícil ou quase impossível de ser obtido pelo método clássico. A lógica difusa utiliza a opinião de um especialista da área onde se deseja implementar o controle, para se estabelecer um conjunto de regras condicionais que serão utilizadas na implementação do referido controle. As regras condicionais utilizadas estão na forma de expressões lingüísticas, ao invés de expressões matemáticas, como nos sistemas baseados na metodologia clássica. Um controle de 14 temperatura de uma sala será utilizado para ilustrar os conceitos básicos da lógica difusa. O sistema de controle possuirá como variável de entrada a temperatura do ar na sala e a velocidade de um ventilador Será a variável de saída, Fig. (1). O ponto de partida para o projeto de um controlador baseado na lógica difusa é caracterizar a faixa de valores para as variáveis de entrada e saída do sistema. Após a realização desta etapa devem ser. Geradas regras condicionais que relacionam as entradas com as saídas do sistema. As regras devem possuir o seguinte formato: SE <condição> ENTÃO <conseqüência>. Um controlador difuso recebe os valores de entradas, desenvolve alguns cálculos e gera um valor de saída para o sistema sob controle. Este processo pode ser denominado de processo de inferência difusa, sendo necessárias três etapas para realizá-lo: Fuzificação: onde a entrada real é transformada em um valor difuso; Inferência: onde a base de conhecimento do sistema a ser controlado é armazenada, nesta etapa são gerados os valores de saída do controlador (valores difusos); Defuzificação: onde a saída difusa é convertida para um valor real. Para o exemplo, controle da temperatura, considere que durante a etapa de fuzificação o valor real da temperatura do ar de 12oC será inserido no sistema difuso. Este valor é transformado em um valor difuso, ou seja, a este valor será dado um valor de pertinência que poderá variar entre [0, 1]. Neste exemplo o valor da temperatura do ar de 12oC será transformado através do conjunto denominado de FRESCO com um valor de 0,6 (60%) e pelo conjunto MORNO com valor verdade 0,4 (40%). 2.2. Processo básico inferência Fazer uma inferência difusa significa aplicar regras do tipo SE X ENTÃO Y de forma que X e Y, e a própria sentença, sejam noções difusas.Dessa forma, se torna mais fácil interpretar matematicamente e implementar sistemas a partir do conhecimento humano, como em: SE A TEMPERATURA É ALTA E A PRESSÃO É ALTA ENTÃO O FLUXO DE COMBUSTÍVEL DEVE SER PEQUENO. É importante notar que no caso acima, uma versão de uso corrente da lógica difusa, a regra é igual a uma regra nítida que seria usada em um sistema especialista. Porém, os conjuntos (ALTO, MÉDIO e BAIXO para temperatura, por exemplo) permitem graus de pertinência, onde uma temperatura pode ter algum grau em todos os conjuntos, enquanto em um sistema nítido, apenas um valor seria possível. 15 Assim, em sistemas difusos, com um conjunto de regras, várias regras aparentemente contraditórias são válidas simultaneamente, possuindo ainda um grau de validade. A solução final é obtida por meio da agregação dos resultados por meio de alguma operação matemática, como o cálculo do centro de massa da resposta obtida. No caso da inferência, para cada conjunto de operações básicas NÃO, E e OU escolhidos, são possíveis várias versões da implicação. Isso porque, na lógica nítida, A B (A implica B) é equivalente a várias sentenças. Outra forma de inferência difusa é aplicar regras como o modus ponens e modus tolens. Isso permite várias variações. Em uma delas, sabendo que "A implica B" de forma nítida, e tendo apenas um valor difuso de A, é possível calcular o valor de B. 2.3. Conjuntos nebulosos O conceito formal de conjunto nebuloso, fundamentado da Lógica Difusa, foi introduzido por Lofti A. Zadeh em 1965. Na teoria clássica dos conjuntos, os conjuntos são ditos "crisp", de tal forma que um dado elemento do universo em discurso (domínio) pertence ou não pertence ao referido conjunto. Na teoria dos conjuntos nebulosos existe um grau de pertinência de cada elemento a um determinado conjunto. Este conceito parece ser bastante natural e facilmente percebido ao examinarmos a lista de conjuntos abaixo: conjunto dos números naturais ( c ) conjunto dos caracteres ASCII ( c ) conjuntos dos números naturais muito maiores do que dez ( f ) conjunto dos clientes com alta renda ( f ) Existe claramente uma diferença fundamental entre os conjuntos marcados com "c" e os conjuntos marcados com "f". Por exemplo, apresentado um caracter podemos afirmar sem nenhuma discussão ou dúvida se esse caráter pertence ou não pertence ao conjunto dos caracteres ASCII. Esta questão não é tão simples quando lidamos, por exemplo, com o conjunto dos homens altos. Uma pessoa que tenha 1:74 metros de altura, seria considerada como pertencente a esse conjunto? E a de 1:75 ? Vemos claramente que não existe uma fronteira bem definida que separe os elementos do conjunto dos homens altos dos elementos do conjunto dos homens não altos. Definição: Um conjunto nebuloso A definido no universo de discurso U é caracterizado por uma função de pertinência µA, a qual mapeia os elementos de U para o intervalo [0 , 1]. µA:U => [0 , 1] Desta forma, a função de pertinência associa com cada elemento x pertencente a U um número real µA(x) no intervalo [0 , 1], que representa o grau de possibilidade de que o elemento x venha a pertencer ao conjunto A, isto é, o quanto é possível para o elemento x pertencer ao conjunto A. 16 Um conceito relacionado com conjuntos nebulosos é o de variável lingüística. Entende-se por variável um identificador que pode assumir um dentre vários valores. Deste modo, uma variável lingüística pode assumir um valor lingüístico dentre vários outros em um conjunto de termos lingüísticos. Formalmente, uma variável lingüística é caracterizada pela quíntupla {X, T(X), U, G, M}, onde X é o nome do conjunto de termos, U o universo de discurso, G uma gramática para gerar os termos T(X), e M o significado dos termos lingüísticos, representado através de conjuntos nebulosos. Variáveis lingüísticas podem também conter modificadores (também lingüísticos) que alteram seu valor. Exemplos de modificadores válidos são: muito, pouco, não muito, mais ou menos. Existem também conectivos que podem ser aplicados à estas variáveis, "e" e "ou". Assim, um valor válido para a variável lingüística altura seria não muito alto e não muito baixo. Os modificadores lingüísticos podem ser definidos matematicamente, como no exemplo dos conjuntos, baixo e muito baixo, onde o modificador muito é caracterizado por elevar cada ponto da função de pertinência à segunda potência. Os conectivos and(e) e or(ou) são equivalentes à operações de união e intersecção de conjuntos, respectivamente, podendo dar origem a conjuntos complexamente definidos, porém representados lingüisticamente de maneira simples. 2.3.1. Inferência difusa Fazer uma inferência difusa significa aplicar regras do tipo SE X ENTÃO Y de forma que X e Y, e a própria sentença, sejam noções difusas. Dessa forma, se torna mais fácil interpretar matematicamente e implementar sistemas a partir do conhecimento humano, como em: SE A TEMPERATURA É ALTA E A PRESSÃO É ALTA ENTÃO O FLUXO DE COMBUSTÍVEL DEVE SER PEQUENO. É importante notar que no caso acima, uma versão de uso corrente da lógica difusa, a regra é igual a uma regra nítida que seria usada em um sistema especialista. Porém, os conjuntos (ALTO, MÉDIO e BAIXO para temperatura, por exemplo) permitem graus de pertinência, onde uma temperatura pode ter algum grau em todos os conjuntos, enquanto em um sistema nítido, apenas um valor seria possível. Assim, em sistemas difusos, com um conjunto de regras, várias regras aparentemente contraditórias são válidas simultaneamente, possuindo ainda um grau de validade. A solução final é obtida por meio da agregação dos resultados por meio de alguma operação matemática, como o cálculo do centro de massa da resposta obtida. 17 No caso da inferência, para cada conjunto de operações básicas NÃO, E e OU escolhidos, são possíveis várias versões da implicação. Isso porque, na lógica nítida, A contém B (A implica B) é equivalente a várias sentenças. Outra forma de inferência difusa é aplicar regras como o modus ponens e modus tolens. Isso permite várias variações. Em uma delas, sabendo que "A implica B" de forma nítida, e tendo apenas um valor difuso de A, é possível calcular o valor de B. 2.3.2. Vantagens e desvantagens A lógica nebulosa esta baseada em palavras e não em números, valores verdades são expressos linguisticamente, exemplos: quente, muito frio, verdade, longe, perto, rápido, vagaroso, médio. Possui predicados, tais como muito, pouco, mais ou menos, bastante, médio. Possui também um amplo conjunto de quantificadores como poucos, vários, em torno de, usualmente. Faz uso da probabilidades lingüísticas como PE provável e improvável que são interpretados como números nebulosos e manipulados pela sua aritmética. Requer poucas regras valores e decisões simplifica a solução de problemas e a aquisição da base do conhecimento. Mais variáveis observáveis podem ser valorizadas mais fáceis de entender, manter e testar. São robustos operam com falta de regras ou com regras defeituosas. Proporciona um rápido protótipo dos sistemas. E suas desvantagens. Não aprendem facilmente, tens dificuldades de estabelecer regras corretamente, não há uma definição precisa. 2.3.3. Aplicações nas Empresas Originalmente, com o trabalho de Zadeh, a lógica nebulosa encontrou aplicabilidade imediata no campo de Controladores (de processos) Industriais. Controladores baseados na lógica nebulosa são chamados de controladores nebulosos, e Guimarães et all explica que “(...) controladores nebulosos tratam igualmente sistemas lineares e não lineares, além de não requererem o modelamento matemático do processo a ser controlado”. Para ele, “isto tem sido, sem dúvida, o grande atrativo dos Sistemas Nebulosos”. Sistemas baseados na lógica nebulosa têm mostrado grande utilidade em uma variedade de operações de controle industrial e em tarefas de reconhecimento de padrões que se estendem desde reconhecimento de texto manuscrito, até a avaliação de crédito financeiro. Existe também um interesse crescente em se utilizar a Lógica Nebulosa em sistemas especialistas para torná-los mais flexíveis. 18 - CONSTRUÇÃO t: temperatura p: pressão a: ângulo f: fluxo Construir os conjuntos difusos fundamentais (Variáveis Lingüísticas sem qualificador). Construir os qualificadores. Definir as estratégias para o passo de composição e de defuzzificação. Construir as regras: condicionais. Incondicionais Construindo os conjuntos difusos fundamentais FIGURA 1 19 FIGURA 2 FIGURA 3 20 CONSTRUINDO O QUALIFICADOR: MUITO FIGURA 4 FIGURA 5 21 Escolhendo a estratégia de composição: min-max ou aditiva Vamos escolher aditiva. Escolhendo a estratégia de defuzzificação: centróide, máximos, ou etc... Vamos escolher centróide Construir as regras incondicionais. a is Fechado f is fraco Suponha a seguinte situaçao: t = 60°C p = 4 atm O agente vai inferir os valores de a e f, a partir de t e p. Os três passos serão realizados: Fuzzificação Composição Defuzzificação 22 FUZZIFICAÇÃO If t is morno and p is alta then a is muito aberto 50% and 100% 50% FIGURA 6 FIGURA 7 23 COMPOSIÇÃO FIGURA 8 FIGURA 9 FIGURA 10 24 FIGURA 11 4.4 DEFUZIFICAÇÃO FIGURA 12 5.TIPOS DE QUALIFICADORES 25 O QUALIFICADOR APROXIMADAMENTE FIGURA 1 O QUALIFICADOR “BASTANTE “ FIGURA 2 26 5.3 O QUALIFICADOR “UM POUCO” FIGURA 3 O QUALIFICADOR “NÃO” FIGURA 4 27 O QUALIFICADOR “MAIS QUE” FIGURA 5 O QUALIFICADOR “MENOS QUE“ FIGURA 6 28 3. Estudo de aplicações da lógica fuzzi As aplicações da Lógica Fuzzy se expandiram em várias direções. A interpretação através da lógica fuzzy de uma estrutura de dados é um caminho muito natural e intuitivamente plausívelpara a formulação e resolução de problemas. O Modelo Coppe-Cosenza de Hierarquia Fuzzytem a Lógica Fuzzy em suas bases. Os sistemas fuzzy são capazes de utilizar, em sua modelagem, elementos imprecisos e ambíguos e tornam este modelo capaz de trabalhar com uma vasta maioria de problemas de hierarquização que têm por característica a sua complexibilidade e a não exigência de precisão. É relevante integrar a tecnologia ao processo de ensino-aprendizagem do jovem, de maneira equilibrada e coerente, observando os aspectos benéficos e úteis do computador. De acordo com Passerino (1998), torna-se necessário realizar previamente uma avaliação consciente do mesmo, desde a interface de interação usuáriomáquina, analisando aspectos pedagógicos e de qualidade de software, até a situação pré-jogo e pós-jogo que se deseja atingir. Partindo desta necessidade, a modelagem e implementação do jogo Mercadão GL baseou-se em uma pesquisa de opinião aplicada a jovens e adultos de escolas públicas e privadas, referente aos conteúdos matemáticos integrantes do plano curricular do Ensino Fundamental (5ª a 8ª séries). A pesquisa buscou coletar informações sobre a utilidade do computador no dia-a-dia dos 1950 jovens consultados, além de captar o real interesse dos conteúdos por parte dos jovens e professores, associado-os a idéias de ambientes motivacionais de ensino.Esta investigação provou a aceitação dos alunos, das instituições de ensino e do seu corpo educador em utilizar, nas suas atividades e programações, softwares educacionais (jogos) que auxiliem no processo de construção e radicar do conhecimento. Compete aqui lembrar que entre os recursos didáticos citados nos Parâmetros Curriculares Nacionais (PCN) destacam-se os ''jogos''. Segundo os PCN (1997), volume 3, não existe um caminho excepcional para o ensino da Matemática, é imperioso que o educador conheça diversas probabilidades de trabalho em sala de aula , forme e levante sua prática educativa. Aplicações de lógica fuzzy tem capacidade de serem encontradas nas mais variadas áreas do conhecimento. Um Integrante do Projeto CNPq/ COSAEMAF nº 552.247/2002-2 – Construção de Softwares para Auxílio no Ensino de Matemática Fundamental. VII Congresso Iberoamericano de Informática Educativa 128 segundo eventos realizados. Na área da educação, podemos destacar a proposta de Chen (2003), que propõe uma aplicação que permite combinar o comportamento de um sistema multiagentes dentro de um ambiente de tarefas centralizado, através de um framework difuso.Zeleznikow (2001) utiliza uma lógica neuro-fuzzy para treinar e integrar técnicas estatísticas e simbólicas de busca de dados em sistemas do conhecimento. A lógica fuzzy é utilizada no acompanhamento do desempenho do aluno (ou de um grupo de alunos) em cursos de Ensino a Distância (EAD), gerar se o aluno está apto ou não a avançar um módulo. 29 Por sua vez, Queiroz (2002) apresenta um algoritmo para geração automática de currículo para ambientes de EAD, aproveitar um agente pedagógico que utiliza camadas cognitivas, por intermédio da lógica fuzzy e redes de Petri. O sistema procura gerar uma lista ordenada de objetos de aprendizado que fornecerão ao estudante todo o conhecimento necessário para completar adequadamente um curso de EAD. A experiência de desenvolvimento “Mercadão GL” visa equipar uma nova ferramenta na supervisão de ensino, ajudando o professor na escolha de abordagens pedagógicas e matemáticas individualizadas e adequadas a cada aluno com dificuldade de aprendizagem, por intermédio de um sistema tutor inteligente – fuzzy e micro-mundo tridimensional, além de oferecer ao jovem um ambiente atrativo e cativante. Os próximos tópicos a seguir destacam as técnicas de modelagem utilizadas e a descrição do jogo. Modelagem do Sistema Tutor Inteligente – Fuzzy Baseado em Viccari (1990), podemos definir que STI's são programas computacionais preocupados em auxiliar no ensino e aprendizagem, possuindo um certo grau de autonomia em relação à interação com o usuário. Para tanto, estes sistemas necessitam possuir várias formas de aspecto de conhecimento e também variados tipos de raciocínios. Assim, ele será capaz de distinguir o que ensinar e qual estratégia usar para ensinar determinado conteúdo. Segundo Giraffa (1999), a razão fundamental para modelar STI são suas capacidades de comunicação e interação. Por intermédio de agentes, capacidade de desenvolver ambientes educacionais que se indiquem a considerar o comportamento do usuário. Conforme Russel and Norvig (1995), um agente é como um sistema capaz de alcançar através de sensores e agir em um dado ambiente através de atuadores. O STI do Jogo Mercadão GL trabalha com dois tipos de agentes: • Assistente: este agente trabalha dentro do módulo Administração, auxiliando o professor na interpretação das ações do aluno. Através do monitoramento destas VII Congresso Iberoamericano de Informática Educativa 129 ações, o agente armazena informações a um banco de dados, associando as mesmas a regras lingüísticas. 3.1. Uso da lógica fuzzy na transmissão da Nissan Ar condicionados Hitachi Matsushita Mitsubishi Sharp Previne a grande variação da temperatura ao ser regulada e consume menos energia. Freios anti-trava Nissan Controle dos freios em casos de perigo, baseado na velocidade e da aceleração do carro e da roda. Motor de carro NOK/Nissan Controle da injeção do combustível e da ignição, através do controle do qunatidade de oxigênio, resfriamento da água, RPM, volume do combustível, ângulo da manivela, ruído, pressão dos tubos. 30 Transmissão do carro Honda, Nissan, Subaru Muda de marcha de acordo com a aceleração do motor, estilo de dirigir, e condições da rua. Misturador de produtos químicos Fuji Eletric Misturas químicas baseadas nas condições da plantas. Máquina copiadora Canon Ajusta a voltagem do tambor de acordo com a densidade da imagem, temperatura e umidade. Tabela de controle Produto Controle de navegação companhia Isuzu, Nissan, Mitsubishi função da lógica fuzzy Baseado na velocidade e aceleração do carro é ajustado o controle da velocidade. Lavador de pratos Matsushita Ajusta o ciclo de lavagem, o enxágüe e estratégias de lavagem de acordo com os números de pratos, e pelos tipos e quantidades de comida incrustadas nos pratos. Secador Matsushita Controle do elevador Fujitec, Mitsubishi Eletric, Toshiba Converte o tamanho da carga, e o tipo de tecido, e circula o ar quente para secar estrategicamente. Reduz o tempo de espera dos usuários baseado no tráfico de passageiros. Controle de fabricação Omron Listas de tarefas e estratégias das linhas de montagens. Sistema de diagnostico de Golf Maruman Golf Administração de saúde Omron Escolha do clube de golfe baseada no físico e tacada dos jogadores. Mais de 500 regras fuzzy e avalia a saúde e o bom estado do empregado. Umidificador Casio Controle de moinho de ferro Nippon Steel Controle de forno Forno microondas Mitsubishi Chemical Hitachi, Sanyo, Sharp, Toshiba Ajusta a umidade contida de acordo com as condições da sala. Combina as entradas de conjuntos de tempo e temperatura. Mistura de cimento. Configura e ajusta a força e a estratégia de cozinhar. 31 Percebe-se que existem várias aplicações da lógica fuzzy executam a função de controle, configuração, ajuste, e combinações de variáveis. E os grandes melhoramentos da maioria dos produtos apresentados são da economia de energia, e melhor controle e configuração dos equipamentos. Esta tecnologia pode ser aplicada em muitas áreas para os mais variados propósitos. W. J. Parkinson and K.H. Duerre, projetaram um sistema fuzzy motivar a melhor técnica para a recuperação de óleo do chão de forma otimizada. O objetivo é extrair aproximadamente dois terços do óleo que não pode ser extraído pelas tecnologias atuais. Shigeru Kageyama e colegas aumentaram um método fuzzy experimental que otimiza o tempo e a quantidade de insulina que o paciente diabético irá receber através da bomba de insulina. Hiroyuki Okada desenvolveu um sistema fuzzy que permite a classificação de título para aquisição, averiguar se o mesmo é seguro ou não. Ao mesmo tempo o sistema aproveita redes neurais para a adequação das funções de pertinências. No Japão na cidade de Sendai, os metrôs empregam sistema de controle fuzzy para a ponderação e frenagem do trem, tornando as paradas e saídas precisas e mais suaves. 3.2. Uso da lógica fuzzy no sistema aeronáutico da Rockwell As funções de um sistema de controle estão se tornando cada vez mais distribuídas por componentes mais inteligentes de sistemas de controle, capazes de executar operações localizadas uma vez que a responsabilidade é do controlador mestre centralizado. Os componentes inteligentes distribuídos podem diminuir os custos do sistema enquanto aumentam o desempenho e a confiabilidade do sistema em relação às arquiteturas de controlador centralizado tradicionais. Como acontece com a maioria dos avanços de novas tecnologias, o passar do tempo descobrirá inúmeras maneiras de se utilizar e se beneficiar de componentes inteligentes de controle distribuído. Hoje a primeira geração de dispositivos inteligentes está aqui e, certamente, será seguida por dispositivos mais sofisticados no futuro. Para aqueles que querem investir nessa nova tecnologia de sistemas de controle, os benefícios poderão ser altamente compensadores tanto agora como no futuro. Este trabalho apresenta uma implementação do controle da sensibilidade de tato em uma garra robótica de dois dedos equipada com sensor tátil a base de feltro de carbono. Este controle é realizado utilizando lógica difusa (fuzzy), projetado e simulado com o auxílio do software matlab. São ainda apresentados no trabalho os conceitos utilizados para verificação do agarramento e também do escorregamento e os testes e resultados obtidos nos experimentos são apresentados e comentados. 32 4- Conclusões A modelagem de um sistema fuzzy pode acrescentar inúmeras vantagens em relação as modelagens tradicionais. Através da emprego de uma linguagem natural que dentro da teoria é chamado de variável e valor fuzzy busca evitar a utilização de regras rígidas impostas pelos especialistas diminuem a habilidade de condicionar soluções de problemas mais complexos. A utilização da lógica fuzzy na implementação de sistemas de controle, ou de tomadas de decisão facilitam no acréscimo também devido desta tecnologia permitir uma aproximação do inteligência humana através da emprego de variáveis e valores fuzzy. A competência da lógica fuzzy em apresentar ou classificar proeminência de forma gradual, permite uma acumulação muito maior da realidade que é abalizada por ser um sistema difícil de muitas variáveis e audácia ambíguas e inexatas. 33 Referências bibliográficas W. Pedrycz and F. Gomide; “Fuzzy Systems Engineering : Toward Human-Centric Computing”; Wiley/IEEE Press, 2007 ; ISBN 978-0-471-78857-7 02/09/2010 C. J. Harris, C. G. Moore & M. Brown; “Intelligent control : Aspects of Fuzzy Logic and Neural Nets”; World Scientific, 1993; ISBN 981-02-1042-6 02/10/2010 Kosko, Bart; “Neural networks and fuzzy systems: a dynamical systems approach to machine intelligence”; Prentice-Hall International, 1992; ISBN 0-13-612334-1 Earl Cox; “The Fuzzy Systems Handbook : a Practitioner's Guide to Building, Using and Maintaining Fuzzy Systems”; Professional, 1994 ; ISBN 0-12-194270-8 http://sare.unianhanguera.edu.br/index.php/anudo/article/viewFile/459/449 acessado 17/10/2010 http://dici.ibict.br/archive/00000807/01/T155.pdf http://200.169.53.89/download/CD%20congressos/2002/SBC%202002/PDF/ARQ0086.PDF http://www.abepro.org.br/biblioteca/ENEGEP2003_TR0608_0657.pdf http://www.niee.ufrgs.br/eventos/RIBIE/2004/comunicacao/com127-136.pdf Todd. M. Bissell - Redator Técnico Sênior da Rockwell Automation http://controleinstrumentacao.com.br/arquivo/ed_92/art.html
Documentos relacionados
Clique Aqui Para Baixar o Arquivo
valores de uma variável linguística são representados por conjuntos difusos. Uma proposição difusa expressa relações entre variáveis linguísticas e conjuntos difusos [Oliveira, 1999]. Onde pressão ...
Leia maisBaixar este arquivo PDF
numérico relativo ao formato e torná-lo adequado à semântica do usuário, precisamos fazer uso de uma técnica numérica um pouco mais sofisticada. Os conceitos da Lógica Nebulosa destinam-se a tratar...
Leia maisLógica Fuzzy - Conceitos e aplicações
É importante notar que, na regra 1, com a operação ou (or), tem-se que o grau de pertinência de z é 0.1, o maior entre os graus de x e de y; de forma similar, com a operação e (and) na regra 2, o g...
Leia maisDissertação Francisco das Chagas Barbosa de Sena
torno de seu eixo horizontal (TAN, 2000). Sistemas de controle através de lógica fuzzy tem ao longo dos últimos anos, crescido em popularidade e aplicações entre os engenheiros. Este aumento pode ser
Leia mais