Introduç ˜ao ao Estudo das Implicaç ˜oes Fuzzy Valoradas
Transcrição
Introduç ˜ao ao Estudo das Implicaç ˜oes Fuzzy Valoradas
UNIVERSIDADE CATÓLICA DE PELOTAS ESCOLA DE INFORMÁTICA PROGRAMA DE PÓS-GRADUAÇÃO EM INFORMÁTICA Introdução ao Estudo das Implicações Fuzzy Valoradas Intervalarmente por Marı́lia do Amaral Dias Trabalho Individual I TI-2009/2-005 Orientador: Profa. Dr. Renata Hax Sander Reiser Pelotas, março de 2010 Dedico este trabalho a professora e colega , Viviane Mattos , que me incentivou a fazer este mestrado. AGRADECIMENTOS Agradeço a Deus, por me dar força, dia após dia ao longo desta caminhada, e em especial a Santa Edwiges. Ao meu esposo e ao meu filho , pela compreensão e carinho nos momentos de cansaço e pela força e colaboração nesta jornada. A Professora orientadora, pela compreensão, competência e empenho na orientação deste trabalho e pela confiança depositada em mim. A todos os meus colegas de mestrado pelo carinho, paciência e companheirismo demonstrado pelo apoio nos momentos de desânimo. E por fim, a todas as pessoas que de forma direta ou indireta, contribuı́ram para a realização deste trabalho. ”A lógica é a cola que gruda os métodos do raciocı́nio” D. F.S SUMÁRIO LISTA DE FIGURAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 LISTA DE TABELAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 LISTA DE ABREVIATURAS E SIGLAS . . . . . . . . . . . . . . . . . . . . . 9 RESUMO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 ABSTRACT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1 INTRODUÇÃO . . . . . 1.1 Tema . . . . . . . . . . 1.2 Motivação . . . . . . . 1.3 Objetivos . . . . . . . 1.4 Metodologia . . . . . . 1.5 Organização do Texto . . . . . . 13 14 14 16 16 17 2 LÓGICA FUZZY . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1 Lógica clássica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2 Lógica Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.1 Conjunto fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.2 Caracterização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.3 Aplicações da Lógica Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . 2.2.4 Estudo de Caso: Aplicação do sistema baseado em regras fuzzy no controle da qualidade de água para o consumo humano . . . . . . . . . . . . 18 18 20 20 22 22 3 AGREGADORES DA LÓGICA FUZZY . . . . . . . . . . 3.1 Norma Triangular Fuzzy e Conorma Triangular Fuzzy . 3.1.1 Norma Triangular Fuzzy . . . . . . . . . . . . . . . . . 3.1.2 Conorma Triangular Fuzzy . . . . . . . . . . . . . . . . 3.1.3 Relação de Dualidade . . . . . . . . . . . . . . . . . . . 3.1.4 Automorfismo e Norma triangular . . . . . . . . . . . . 3.1.5 Automorfismo e Conorma triangular . . . . . . . . . . . 3.2 Negação Fuzzy . . . . . . . . . . . . . . . . . . . . . . . 3.2.1 Negação Fuzzy e Negação Fuzzy Forte . . . . . . . . . . 3.2.2 Exemplos de Negação Fuzzy . . . . . . . . . . . . . . . 3.2.3 Automorfismo e Negação . . . . . . . . . . . . . . . . . 3.3 Implicações Fuzzy . . . . . . . . . . . . . . . . . . . . . 29 29 29 33 38 39 40 41 41 41 42 43 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.3.1 3.3.2 3.3.3 Propriedades das Implicações Fuzzy . . . . . . . . . . . . . . . . . . . . Principais Classes de Implicações Fuzzy . . . . . . . . . . . . . . . . . . Exemplos de implicações fuzzy obtidas a partir de outros conectivos fuzzy 4 LÓGICA FUZZY INTERVALAR . . . . . . . . . . . . . . . . . . 4.1 Matemática Intervalar . . . . . . . . . . . . . . . . . . . . . . . 4.1.1 Noções Básicas da Matemática Intervalar . . . . . . . . . . . . 4.2 Lógica Fuzzy Intervalar . . . . . . . . . . . . . . . . . . . . . . 4.3 Norma Triangular Intervalar e Conorma Triangular Intervalar 4.3.1 Norma Triangular Intervalar . . . . . . . . . . . . . . . . . . . 4.3.2 Conorma Triangular Intervalar . . . . . . . . . . . . . . . . . . 4.4 Negação Fuzzy Intervalar . . . . . . . . . . . . . . . . . . . . . 4.5 Implicação Fuzzy Intervalar . . . . . . . . . . . . . . . . . . . . 4.5.1 S-implicação Intervalar . . . . . . . . . . . . . . . . . . . . . . 4.5.2 Automorfismo Intervalar . . . . . . . . . . . . . . . . . . . . . 4.5.3 Construção Canônica de um Automorfismo Intervalar . . . . . . 4.5.4 Automorfismo Intervalar e S-implicação intervalar . . . . . . . . . . . . . . . . . . . . . 54 54 55 56 57 57 58 60 60 61 62 62 62 CONCLUSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 45 52 LISTA DE FIGURAS Figura 2.1 Figura 2.2 Figura 2.3 Figura 2.8 Sistemas Baseados em Regras Fuzzy. . . . . . . . . . . . . . . . . . Estrutura do sistema baseado em regras fuzzy. . . . . . . . . . . . . . Funções de Pertinência dos conjuntos fuzzy assumidos pela variável linguı́stica Aparência da Água (A). . . . . . . . . . . . . . . . . . . Funções de Pertinência dos conjuntos fuzzy assumidos pela variável linguı́stica pH (H). . . . . . . . . . . . . . . . . . . . . . . . . . . . Funções de Pertinência dos conjuntos fuzzy assumidos pela variável linguı́stica Turbidez (T). . . . . . . . . . . . . . . . . . . . . . . . . Funções de Pertinência dos conjuntos fuzzy assumidos pela variável linguı́stica Qualidade da Água (Q). . . . . . . . . . . . . . . . . . . Resultado da qualidade da água para a aparência 15, o pH 7 e a turbidez 0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Qualidade da água em função da aparência, pH e turbidez. . . . . . . 28 28 Figura 3.1 Figura 3.2 Figura 3.3 Figura 3.4 t-norma triangular do mı́nimo(intersecção). . . . . t-norma triangular do produto algébrico. . . . . . . t-conorma triangular do máximo (união). . . . . . t-conorma triangular do produto (soma algébrica). 30 31 34 35 Figura 2.4 Figura 2.5 Figura 2.6 Figura 2.7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 25 25 26 26 27 LISTA DE TABELAS Tabela 2.1 Tabela 2.2 Tabela 2.3 Tabela 2.4 Tabela 2.5 Tabelas verdade para as operações fundamentais da lógica Tabelas verdade para as operações fundamentais da lógica Regras fuzzy quando a aparência da água é boa . . . . . . Regras fuzzy quando a aparência da água é adequada . . Regras fuzzy quando a aparência da água é inadequada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 19 26 26 27 Tabela 3.1 Tabela 3.2 Exemplos básicos de t-normas e t-conormas e suas propriedades . . . . . . Exemplos básicos de QL-implicações e suas propriedades . . . . . . . . . 38 51 LISTA DE ABREVIATURAS E SIGLAS I Implicação T t-norma S t-conorma N Negação T t-norma intervalar S t-conorma intervalar I Implicação intervalar QL QL-implicação MI Matemática Intervalar D D-Implicação R R-implicação S S-implicação V verdade F Falso H Hipótese Eq. Equação T M t-norma do mı́nimo T L t-norma de Lukasiewicz T D t-norma drástica do produto T P t-norma do produto T M t-conorma do máximo T L t-conorma de Lukasiewicz T D t-conorma drástica da soma T P t-conorma do produto t-norma Norma triangular t-conorma Conorma triangular IA Inteligência artificial RESUMO Este trabalho contribui para compreensão dos fundamentos da lógica fuzzy valorada intervalarmente, integrando conceitos de Matemática Intervalar e Lógica fuzzy. Assim o tratamento da incerteza dos resultados aproximados em algoritmos numéricos da computação cientı́fica pode ser considerado em sistemas dedutı́veis capazes de geração de saı́da lógica a partir de um conjunto de entradas com informações vagas, ambı́guas e imprecisas. Na lógica fuzzy intervalar, faz-se uso de intervalos para representação dos valores de pertinência intermediários entre os valores de verdadeiro([1,1]) e falso([0,0]). As t-normas , t-conormas, negação padrão e implicações são operações sobre [0,1] que satisfazem determinadas propriedades generalizando os conectivos lógicos de conjunção, disjunção, negação e implicação, respectivamente, de maneira a preservar certas propriedades da lógica clássica. Neste estudo, é generalizado a noção de t-conormas, negação fuzzy e implicação fuzzy para a representação da teoria intervalar, e também é introduzido a forma canônica de obter os conetivos fuzzy para a versão intervalar, mostrando que esses conetivos preservam as propriedades dos conetivos fuzzy. Palavras-chave: Lógica Fuzzy , Normas e Conormas Triangulares, Negação Fuzzy, Implicação Fuzzy Intervalar. TITLE: “INTRODUCTION TO THE STUDY OF FUZZY IMPLICATIONS VALUED INTERVALARMENTE” ABSTRACT This work contributes to understanding the foundations of fuzzy valued intervalarmente, integrating concepts of Mathematics and Interval Fuzzy logic. Thus the treatment of uncertainty of results in approximate numerical algorithms, scientific computing can be considered deductible in systems capable of generating output logic from a set of entries with information vague, ambiguous and imprecise. Interval fuzzy logic, makes use of intervals to represent the values of membership intermediate between the values of true ([1,1]) and false ([0,0]).The t-norms, t-conorm, denial and implications are standard operations on [0,1] that satisfy certain properties generalizing the logical connectives of conjunction, disjunction, implication and negation, respectively, in order to preserve certain properties of classical logic. In this study, is the widespread notion of t-conorm, denial fuzzy implication and fuzzy for the representation theory of the interval, and also introduced the canonical form to obtain the fuzzy connectives to version interval, showing that these connectives preserve the properties of connective fuzzy. Keywords: Fuzzy Logic, Norms and Conorms Triangulares, Fuzzy Negation,Interval Fuzzy Implication. 13 1 INTRODUÇÃO Na lógica clássica, o raciocı́nio lógico bivalente está baseado em premissas e conclusões, onde determinada afirmação é falsa ou verdadeira, não podendo ser ao mesmo tempo parcialmente verdadeira e parcialmente falsa, isto é, o meio é excluı́do(DUBOIS; PRADE, 1996). Entretanto, os sistemas do mundo real nem sempre são bivalentes, nem sempre estão constituı́dos por fatos absolutamente verdadeiros ou falsos, justificando-se a necessidade de lógicas multivalentes para tratar e representar incertezas(ROSS, 1995; SILER; BUCKLEY, 2004; CARLSSON; FULLER, 2002). A lógica fuzzy surge num contexto onde os recursos tecnológicos disponı́veis são incapazes de automatizar as atividades relacionadas a problemas de natureza real que correspondem às situações ambı́guas. Uma das importantes vantagens do uso da lógica fuzzy em sistemas dedutı́veis é a possibilidade de gerar uma saı́da lógica a partir de um conjunto de entradas com informações vagas, ambı́guas e imprecisas. Neste aspecto, os sistemas fuzzy auxiliam para que as decisões tomadas pela máquina se aproximem cada vez mais das decisões humanas(FODOR; ROUBENS, 1994) (HáJEK, 1998) (ROSS, 1995). Fundamentada na Teoria de Conjuntos Fuzzy, esta lógica faz uso de variáveis linguı́sticas, as quais são interpretadas como números fuzzy e manipuladas pela sua aritmética, permitindo representar valores de pertinência intermediários entre os valores de verdadeiro (1) e falso (0) da lógica binária. A Lógica Fuzzy fundamenta a geração de técnicas para a solução de problemas com aplicabilidade, especialmente nas áreas de controle e tomada de decisão (GRIGOLETTI et al., 2006)(ESCARDó, 1996). Assim, os operadores fuzzy foram definidos à semelhança dos tradicionalmente utilizados na lógica clássica, e embora freqüentemente introduzidos por necessidades de caráter eminentemente prático, tem-se consolidado como uma área de pesquisa formal, incluindo análise de propriedades e extensões. As normas triangulares (t-normas) e conormas triangulares (t-conormas) constituem uma ferramenta indispensável para a interpretação da conjunção e disjunção em lógica fuzzy(HáJEK, 1998), contribuindo junto com a negação fuzzy, na definição das implicações fuzzy (BEDREGAL; DIMURO; REISER, 2009; BEDREGAL et al., 2007a; BEDREGAL; REISER; DIMURO, 2009). Estas operações binárias, definidas sobre o intervalo unitário fechado [0,1] de números reais, desempenham um papel importante em sistemas fuzzy aplicados em estatı́sticas (DIMURO; COSTA, 2006), bem como nas teorias de medidas (KLEMENT; MESIAR; PAP, 1999) e na modelagem de jogos cooperativos (BUTINARIU; E.P., 1993) Por outro lado, a matemática intervalar vem sendo empregada no tratamento 14 da incerteza dos resultados aproximados em algoritmos numéricos da computação cientı́fica(ACIÓLY, 1991), onde os valores incertos são armazenados através de intervalos, cujos extremos são pontos flutuantes(HU et al., 2008),(FODOR; ROUBENS, 1994). O uso da teoria intervalar viabiliza a elaboração de algoritmos autovalidáveis, com controle automático para o limite dos erros inerentes aos processos numéricos quando do tratamento da precisão em sistemas computacionais, proporcionando maior confiabilidade em relação a critérios como tempo de execução, memória, arredondamentos e truncamentos(GRIGOLETTI et al., 2006),(ALEFELD; FROMMER; LANG, 1996),(ALEFELD; HERZBERGER, 1983). Busca-se na integração destas duas teorias uma modelagem matemática que trate ambos os contextos, a incerteza da informação e a precisão dos dados computados. Portanto, faz-se uso de subintervalos do intervalo unitário [0, 1] para atribuir valores verdades às proposições fuzzy referentes a uma determinada propriedade de um sistema. Esta extensão da lógica fuzzy é conhecida como lógica fuzzy valorada intervalarmente ou simplesmente lógica fuzzy intervalar. Por conseguinte, segue-se a teoria axiomática proposta por (BEDREGAL et al., 2007b), a qual está focada na fundamentação para extensões intervalares dos operadores da lógica fuzzy, capaz de preservar as propriedades lógicas dos operadores clássicos e permitir definições obtidas de forma canônica(BEDREGAL, 2007),(BEDREGAL; REISER; DIMURO, 2009),(BACZYNSK; JAYARAM, 2009). A abordagem para obter as generalizações intervalares consideradas neste trabalho se constitui num estudo teórico da lógica fuzzy intervalar no sentido restrito, de acordo com o proposto em (BEDREGAL et al., 2007a), obtendo-se uma extensão das construções e conceitos usuais que preserva as relações dos casos pontuais já estabelecidos. 1.1 Tema O tema deste trabalho se refere ao estudo das implicações fuzzy intervalares, considerando a análise das propriedades analı́ticas, incluindo as importantes classes referenciadas na literatura e nas aplicações, e seguindo a abordagem proposta em (BEDREGAL; TAKAHASHI, 2006)que considera a representação canônica intervalar. O desenvolvimento deste trabalho procura responder a dois questionamentos diferentes, constituindo relevantes temas de pesquisa da área de computação fuzzy: • Como incentivar o estudo da lógica fuzzy intervalar no sentido restrito,chamando a atenção para a sua aplicação em sistemas fuzzy ? • Como aproximar a área de fundamentação da matemática intervalar com a lógica fuzzy? Esta aproximação deverá promover uma visão integrada, viabilizando soluções oportunas e melhoria na compreensão dos fundamentos da lógica fuzzy intervalar. 1.2 Motivação A bivalência está profundamente enraizada no modo de pensar,ou seja, algo é verdadeiro ou não-verdadeiro, branco ou preto,um ou zero. Não há nada entre ambas, o meio é excluı́do. Por exemplo, alguém é feio ou bonito. Mas, é comum ouvir a expressão “É bonitinha”(significando que é um pouco bonita). 15 Há um considerável descompasso entre o mundo real e a nossa visão bivalente do mesmo, a começar pelo fato que o mundo real contém um número infinito de sombreamento e graus de cinza entra as cores preta e branca. Um outro exemplo tı́pico ocorre em diagnósticos médicos: o profissional costuma contabilizar em sua mente um número enorme de fatores diferentes, e até contraditórios, para se descrever a doença do paciente (SILER; BUCKLEY, 2004). No mundo real, tem-se um número infinito de opções em vez de duas. Ou seja, o mundo real é analógico, não digital, com muitos tons de cinza entre branco e preto. Portanto, o objetivo da lógica fuzzy é o de capturar esses tons de cinza e graus de verdade. Por outro lado, os computadores são baseados na bivalência: 0 e 1. Os computadores não conseguem entender os termos fuzzy da comunicação humana. A lógica fuzzy pode preencher esse vazio e traduzir os graus de verdade das informações de uma maneira que os computadores possam processar tal informação. Ao pensar, raciocinar as pessoas utilizam a implicação lógica, que consiste na formulação de uma conexão entre causa e efeito, ou uma condição e sua consequência. Implicações lógicas são encontradas em todas as situações, por exemplo, ao se operar uma máquina, ao se resolver problemas matemáticos, programar um computador, seguir um procedimento em um manual de instruções, ou até tomar uma decisão de qual produto comprar. Nesses casos, segue-se consciente ou inconscientemente certas regras de inferências, da seguinte forma: SE condição 1 = A e condição 2 = B ENTÃO consequência = C onde A,B e C são conjuntos. Analogamente, na lógica fuzzy tem-se o raciocı́nio com números fuzzy e conjuntos fuzzy, e as deduções podem ser consideradas como regras práticas, como na seguinte situação(SIMÕES; SHAW, 2007): SE o trânsito está INTENSO na Avenida X ENTÃO mantenha o sinal verde por MAIS TEMPO , onde os termos INTENSO E MAIS TEMPO representam conjuntos fuzzy. Neste caso, INTENSO é uma função que determina o grau de densidade do trânsito e MAIS TEMPO é uma função que determina o grau de duração do tempo de operação do sinal. O fato de se implantar “inteligência”no controlador de semáfaro consiste então em associar esses termos fuzzy através de uma inferência fuzzy, expressa por regras SE ... ENTÃO, as quais podem ser obtidas por implicações fuzzy. Entretanto, se na modelagem de um controlador de trânsito cosideram-se mais de um especialista pode-se considerar diferentes graus de pertinências para a mesma variável. Neste caso, tem-se os conjuntos fuzzy valorados intervalarmente, e as regras de inferência podem ser obtidas a partir das implicações fuzzy intervalares. O estudo de propriedades das implicações fuzzy valoradas intervalarmente, as extensões dos casos pontuais e as diferentes classes podem contribuir na generalização de sistemas especialistas, ou possı́veis extensões. A motivação para este trabalho pode ser creditada ao desejo de investigar estas idéias ou de contribuir no sentido de que se tornem mais claras e precisas e, além disso, colaborar na proposta de novas questões de pesquisa, mais precisas e objetivas. A organização para este estudo está feita de forma que sejam contemplados os objetivos previstos na seção seguinte, incluindo um estudo das principais classes de implicações fuzzy. 16 1.3 Objetivos Este trabalho individual aborda a pesquisa em lógica fuzzy intervalar e visa contribuir para o estudo das implicação fuzzy intervalares, no sentido da análise e extensão intervalar das principais propriedades para o desenvolvimento teórico e de aplicações mais relevantes. Mais especificamente, busca-se: • Revisar os fundamentos da lógica fuzzy e da matemática intervalar. • Caracterizar o estado da arte da lógica fuzzy intervalar. • Estudar os principais operadores fuzzy, incluindo as correspondentes extensões intervalares. • Analisar as propriedades e diferentes tipos de implicações fuzzy e as correspondentes extensões intervalares. • Consolidar a participação no Grupo de Matemática e Fundamentos da Computação (GMFC). 1.4 Metodologia A metodologia utilizada neste trabalho foi o levantamento bibliográfico dos fundamentos da lógica fuzzy intervalar visando um estudo introdutório das principais classes de implicações fuzzy (S-implicações, R-implicações, QL-implicações e D-implicações) e as correspondentes representações intervalares. Esta metodologia considera o desenvolvimento de atividades que envolvem: • Revisão bibliográfica da matemática intervalar e identificação das aplicações cientı́ficas. • Estudo dos fundamentos da lógica fuzzy, incluindo aplicações de sistemas fuzzy; • Identificação e análise dos principais implicações fuzzy, principais propriedades e as correspondentes aplicações; • Estudo da lógica fuzzy valorada intervalarmente, baseada na representação canônica de funções intervalares, de acordo com o trabalho de pesquisa do grupo de pesquisa GMFC; • Análise da representação canônica das principais implicações fuzzy valoradas intervalarmente, • Avaliação dos resultados obtidos e construção do texto final. Salienta-se ainda que as atividades de revisão bibliográfica e estudo compreendem: (i) estudo individual de várias referências bibliográficas; (ii) apresentação de seminários e exposição oral sobre o assunto, incluindo discussão no grupo de pesquisa, com periodicidade semanal; (iii) elaboração de um texto detalhado para consulta do grupo de pesquisa. De forma análoga, a atividade de avaliação compreende elaboração de texto final e definição da continuidade deste estudo a partir da revisão das atividades propostas de acordo com a avaliação dos resultados obtidos. 17 1.5 Organização do Texto A apresentação deste texto está organizada em 5 capı́tulos, brevemente resumidos logo a seguir. O Capı́tulo 1 é a corrente introdução, aonde estão registrados a motivação e os objetivos do trabalho descrito neste texto. No Capı́tulo 2, descreve-se sobre os fundamentos da lógica fuzzy , fazendo uma distinção entre a lógica clássica e a lógica fuzzy. Ainda considera-se, caracterização e aplicações da lógica fuzzy através de um estudo de caso. No Capı́tulo 3, discorre-se sobre a teoria dos conetivos fuzzy (funções de agregação), mais especificamente, as normas triangulares e as conormas triangulares, incluindo a negação fuzzy, as implicações fuzzy, as classes de implicações fuzzy e suas propriedades. No Capı́tulo 4 são resumidos os princı́pios da Matemática Intervalar, operações aritméticas intervalares e propriedades, sua importância para a computação, incluindo a negação intervalar, as normas triangulares intervalares e as conormas triangulares intervalares e as implicações fuzzy intervalares. No Capı́tulo 5 são destacadas os principais tópicos exploradas no texto e apresentadas as conclusões obtidas. Às conclusões gerais acrescentam-se ainda observações finais e continuidade do trabalho. 18 2 LÓGICA FUZZY A lógica fuzzy é uma ferramenta matemática que permite operar com situações onde as fronteiras entre o verdadeiro ou falso são incertos. Tem relevante utilidade computacional, pois a lógica fuzzy fornece condições de traduzir informações vagas, difusas em valores numéricos, possibilitando a inclusão da experiência humana em controle computadorizado, tornando possı́vel decisões em problemas complexos. Este capı́tulo apresenta uma fundamentação teórica dos conceitos de lógica fuzzy e de conjunto fuzzy, fazendo uma distinção entre lógica fuzzy e lógica clássica. É analisado também, um sistema de regras fuzzy, através de um estudo de caso. 2.1 Lógica clássica Por que a Lógica clássica não é suficiente para modelagem de sistemas reais? Certamente porque não consegue modelar a incerteza. A Lógica Clássica, ciência fundada por Aristóteles, lida com verdadeiro ou falso. Uma proposição pode ser verdadeira ou falsa,mas em diferentes ocasiões. Se é verdadeira, possui um valor verdade igual a 1. Se não, possui um valor verdade 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 não tem-se apenas um certo grau de certeza. A modelagem deste tipo de situação por sistemas especialistas pode ser obtida pela aplicação da Lógica Fuzzy. A abordagem fuzzy trata com proposições que são valoradas como verdadeiras a partir de um certo grau de certeza - algo entre 0 e 1. Incorporando o conceito de grau de verdade, a teoria dos conjuntos fuzzy estende a teoria dos conjuntos tradicionais. Os conjuntos são classificados qualitativamente (exemplos: morno, pequeno, perto, ativo, quase, alto, parcialmente). Os elementos destes conjuntos são classificados segundo o grau de pertinência. Por exemplo, a velocidade de um carro a 80 km/h e a 150k/h, pertencem ao mesmo conjunto, mas com diferentes graus de pertinência. Uma das caracterı́sticas da Lógica Clássica é o axioma do Terceiro Excluı́do, isto é não existe alternativa para um valor verdade além de verdadeiro ou falso. Ao lidar com problemas reais, no entanto, verifica-se que o conhecimento disponı́vel não é nem absolutamente verdadeiro nem absolutamente falso, podendo ser, indeterminados, confusos, verdadeiros em geral ou ainda, falsos com uma certa probabilidade. Para estender a Lógica Clássica de maneira a permitir o tratamento deste tipo de conhecimento, é ne- 19 cessário alterar o conjunto de valores, e neste caso, não mais restrito a verdadeiro ou falso. A Lógica Fuzzy constitui-se num dos formalismos propostos para alterar este conjunto de valores. Na lógica clássica proposicional, lida-se com proposições, que podem ser verdadeiras ou falsas. As combinações de proposições p e q, para formar novas proposições, são derivadas a partir de operações lógicas básicas. A partir de proposições dadas podem se construı́das outras proposições pelo uso dos conectivos(CASTRUCCI, 1984),(FILHO, 1986): (i) Conjunção: p ∧ q (determina a verdade quando as proposições p e q são ambas verdadeiras e a falsidade nos demais casos); (ii) Disjunção: p ∨ q (estabelece a verdade quando ao menos uma das proposições p ou q é verdadeira e a falsidade quando ambas as proposições são falsas); (iii)Implicação: p −→ q (determina a falsidade apenas quando o antecedente p for verdadeiro e o consequente q for falso); (iv) Negação: ¬p (a negação literalmente, nega a proposição que tem como argumento, “é falso que” ou “não e verdade que” são expressões semânticas destes conectivos, onde ¬0 = 1 e ¬1 = 0); (v) Bicondicional: p ↔ q (determina a verdade quando ambas as proposições são verdadeiras ou ambas são falsas). Na lógica proposicional, proposições não relacionadas entre si podem ser combinadas para formar uma implicação, e não se considera nenhuma relação de causalidade, tão presente no mundo real, conforme descreve a tabela 2.1. Tabela 2.1: Tabelas verdade para as operações fundamentais da lógica p q p ∧ q p ∨ q p −→ q p ←→ q ∼ p V V V V V V F V F F V F F F F V F V V F V F F F F V V V Ou de forma análoga, podemos utilizar 1 para verdade e 0 para falsidade, conforme mostrado na tabela 2.2. Tabela 2.2: Tabelas verdade para as operações fundamentais da lógica p q p ∧ q p ∨ q p −→ q p ←→ q ∼ p 1 1 1 1 1 1 0 1 0 0 1 0 0 0 0 1 0 1 1 0 1 0 0 0 0 1 1 1 20 2.2 Lógica Fuzzy As primeiras noções da lógica dos conceitos “vagos” foi desenvolvida por um lógico polonês Jan Lukasiewicz (1878-1956) em 1920 que introduziu conjuntos com graus de pertinência sendo 0 , 21 e 1 e, mais tarde, expandiu para um número infinito de valores entre 0 e 1. A primeira publicação sobre lógica fuzzy data de 1965, quando recebeu este nome. Seu autor foi Lotfi Asker Zadeh, professor em Berkeley, Universidade da California(ZADEH, 1965),(ZADEH, 1994). Zadeh introduziu a lógica fuzzy combinando os conceitos da lógica clássica e os conjuntos de Lukasiewicz, definindo os graus de pertinência. A lógica fuzzy é multivalente, isto é, reconhece vários valores, assegurando que a verdade é uma questão de ponto de vista ou de graduação, definindo o grau de veracidade em um intervalo numérico [0,1]. A lógica fuzzy provê uma forma de gerenciamento de incertezas, através da expressão de termos com um grau de certeza. Num intervalo numérico [0,1], a certeza absoluta é representada pelo valor 1 e a falsidade, por 0. Expressões verbais, imprecisas, qualitativas, inerentes da comunicação humana, que possuem vários graus de incerteza, são perfeitamente manuseáveis através da lógica fuzzy. No raciocı́nio humano, consistindo de implicações lógicas, ou também chamado por inferência lógica, a entrada ou condição e a saı́da ou conseqüência, são associados por regras de raciocı́nio, com graus de verdade no intervalo [0,1]. desta forma a lógica fuzzy pode, sistematicamente, traduzir os termos da comunicação humana em valores fuzzy compreensı́veis por sistemas especialistas(SIMÕES; SHAW, 2007). Uma proposição fuzzy é uma frase do tipo x está em A, onde x é o nome de uma variável linguı́stica e A é um conjunto fuzzy pertencente ao universo X. Sendo o grau de pertinência de x em A (µA (x)) um número real no intervalo [0,1] As proposições fuzzy podem ser combinadas por intermédio de diferentes operadores, que podem ser os conectivos lógicos (e e ou), a negação (não) e a implicação (se...então). Com, isso as proposições fuzzy podem ser escritas em termos de relações fuzzy(METCALFE, 2003). Uma regra linguı́stica constitui uma frase do tipo se x esta em A então y está em B, a qual contém em sua formação o operador de implicação se...então. Uma variável linguı́stica é uma variável cujo valor é expresso qualitativamente, por um termo linguı́stico que fornece um conceito à variável, por exemplo bonito, feio, gordo ,magro e quantitativamente, por uma função de pertinência que determina o grau de pertinência. A variável linguı́stica é composta por uma variável simbólica e por um valor numérico. Os termos linguı́sticos são usados para expressar conceitos e conhecimentos na comunicação humana(RUIZ-AGUILERA; TORRENS, 2009). 2.2.1 Conjunto fuzzy A Lógica Fuzzy está baseada na teoria dos Conjuntos Fuzzy(CHEN; PHAM, 2001). Tradicionalmente, uma proposição lógica tem dois extremos: ou completamente verdadeiro ou completamente falso. Entretanto, na Lógica Fuzzy, uma premissa varia em grau de verdade de 0 a 1, o que leva a ser parcialmente verdadeira ou parcialmente falsa. Com a incorporação do conceito de grau de verdade, a teoria dos Conjuntos Fuzzy estende a teoria dos Conjuntos Tradicionais. Os grupos são rotulados qualitativamente (usando termos lingüı́stico, tais como: alto, morno, ativo, pequeno, perto, etc.) e os 21 elementos deste conjuntos são caracterizados variando o grau de pertinência (valor que indica o grau em que um elemento pertence a um conjunto). Por exemplo, um homem de 1,80 metro e um homem de 1,75 metro são membros do conjunto “alto”, embora o homem de 1,80 metro tenha um grau de pertinência maior neste conjunto. Um conjunto fuzzy é definido, matematicamente, por meio da atribuição de um valor que representa o grau de pertinência ao conjunto de cada indivı́duo no universo. Formalmente um conjunto fuzzy A é caracterizado por uma função de pertinência µA (x) , a qual associa a cada elemento de um universo U, um número real no intervalo unitário[0, 1]. O valor de µA (x) em U representa o grau de pertinência de x em A (ZADEH, 2008). Um conjunto fuzzy representa uma coleção de objetos com valores associados entre 0 (exclusão total) e 1 (pertinência total). Os valores associados expressam o grau com o qual cada elemento é compatı́vel com as propriedades que são definidas para o conjunto. Um subconjunto fuzzy A de U é definido em termos de uma função pertinência µ que a cada elemento x de U associa um número µ(x), entre 0 e 1, que é chamado o grau de pertinência de x em A. Assim o conjunto a é definido como: µA : U → [0, 1]. Os valores µA (x) = 1 e µA (x) = 0 significam a pertinência e a não pertinência, respectivamente do elemento x ∈ A. Na teoria clássica dos conjuntos, o conceito de pertinência de um elemento a um conjunto fica bem definido. Dado um conjunto A em um universo U, os elementos deste universo simplesmente pertencem ou não pertencem àquele conjunto. Isto pode ser expresso pela função caracterı́stica µA : X → {0, 1}. Logo, dado um universo U e um elemento particular x ∈ U, a função de pertinência muA (x) em relação ao conjunto A ⊆ U é definida por: ( 1, se x ∈ A µA (x) = (2.1) 0, se x < A; Se µA = 0 , então x está no complemento de A, x ∈ A = X − A . Mas, Zadeh propôs uma caracterização mais ampla, generalizando a função caracterı́stica de modo que ela pudesse assumir um número infinito de valores no intervalo [0,1], sendo µA (x) : U → [0, 1] o conjunto fuzzy A representando por um conjunto de pares ordenados: A = {µA (x) | x ∈ X} Um determinado elemento pode pertencer a mais de um conjunto fuzzy, com diferentes graus de pertinência. O conjunto suporte de um conjunto fuzzy A é o subconjunto dos pontos x em U tal que µA (x) > 0. Neste sentido a lógica fuzzy estende os conceitos da lógica tradicional para os número reais. Ao contrário da lógica tradicional que tem somente dois valores, verdadeiro ou falso, a lógica fuzzy é multivalorada, sendo os valores representados por conjuntos fuzzy. Ou seja, a lógica fuzzy oferece uma ferramenta para tratar palavras ao invés de números. A teoria dos conjuntos fuzzy permite lidar com problemas em que a imprecisão não resulta do comportamento aleatório de pertinência a um determinado conjunto. As 22 variáveis linguı́sticas podem assumir valores, cujos graus de precisão não podem ser mensurados com certeza. 2.2.2 Caracterização A caracterı́stica especial da lógica Fuzzy(também referida como lógica nebulosa e em alguns casos por teoria de possibilidades) é a de representar uma forma inovadora de manuseio de informações imprecisas, de forma muito distinta da teoria de probabilidades(SIMÕES; SHAW, 2007). A lógica fuzzy provê um método de traduzir expressões verbais, vagas, imprecisas e qualitativas, comuns na comunicação humana em valores numéricos. Isso abre as portas para se converter a experiência humana em uma forma compreensı́vel pelos sistemas especialistas sendo extensı́vel aos sistemas computacionais(ZADEH, 1975),(CARLSSON; FULLER, 2002). Assim, a tecnologia favorecida pelo enfoque fuzzy tem um imenso valor prático, na qual se torna possı́vel a inclusão da experiência de operadores humanos em controladores computadorizados, possibilitando estratégias de tomadas de decisão em problemas complexos. A lógica fuzzy caracteriza-se por: • Possuir vários modificadores de predicado: muito, mais ou menos, pouco, bastante, médio; • Possuir também um amplo conjunto de quantificadores: poucos, vários, em torno de, usualmente; • Fazer uso das probabilidades linguı́sticas: provável, improvável, expressões que são interpretadas como números fuzzy e manipuladas pela sua aritmética. • Manusear todos os valores entre 0 e 1, tomando estes, como um limite apenas. A lógica fuzzy estende os conceitos da lógica tradicional para os número reais. Ao contrário da lógica tradicional que tem somente dois valores, verdadeiro ou falso, a lógica fuzzy é multivalorada, sendo os valores representados por conjuntos fuzzy. Ou seja, a lógica fuzzy oferece uma ferramenta para tratar palavras ao invés de números. A teoria dos conjuntos fuzzy permite lidar com problemas em que a imprecisão não resulta do comportamento aleatório de pertinência a um determinado conjunto. As variáveis linguı́sticas podem assumir valores, cujos graus de precisão não podem ser mensurados com certeza. 2.2.3 Aplicações da Lógica Fuzzy A lógica fuzzy tem fundamentado novas técnicas para aproximar a decisão computacional da decisão real. Isto é feito de forma que a decisão de uma máquina não se resuma apenas a um sim ou um não, mas também tenha decisões abstratas, do tipo um pouco mais, talvez sim, e outras tantas variáveis que representem as decisões humanas(BOJADZIEV; BOJADZIEV, 1995). Entre 1970 e 1980 as aplicações da lógica fuzzy aconteceram com maior importância na Europa e após 1980, o Japão iniciou seu uso com aplicações na indústria. Algumas das primeiras aplicações foram em um tratamento de água feito pela Fuji Electric em 1983 e pela Hitachi em um sistema de metro inaugurado em 1987. Por volta de 1990, a lógica fuzzy despertou um maior interesse em empresas dos Estados Unidos. 23 Devido ao desenvolvimento e as inúmeras possibilidades práticas dos sistemas fuzzy e o grande sucesso comercial de suas aplicações, a lógica fuzzy é considerada hoje uma técnica standard e tem uma ampla aceitação na área de controle de processos industriais (LODWICK, 2004)(BARROS; BASSANEZI, 2006),(BANDO, 2002). Uma aplicação da lógica fuzzy está no desenvolvimento das Redes Neurais e das técnicas mais recentes de Inteligência Artificial(IA)(expressão utilizada para designar um tipo de inteligência construı́da pelo homem para dotar a máquina de comportamentos inteligentes). (BARBOZA; DIMURO; REISER, 2004),(MENDEL, 2007). Os primeiros estudos sobre IA surgiram na década de 40, que foi marcada pela II Guerra Mundial. O desenvolvimento do computador, primeiramente impulsionado pela aplicabilidade militar e posteriormente comercial, mostrou-se viável. Seu rápido progresso, desde o surgimento dos primeiros computadores eletrônicos (1943 - Collossus, na Inglaterra e 1946 - ENIAC, nos Estados Unidos) até o surgimento dos microcomputadores (na década de 70) demonstra que essa área recebeu grandes investimentos. A partir da estruturação desse novo campo do conhecimento o fenômeno da inteligência começou a ser pesquisado de forma intensa. Vários esforços foram e têm sido feitos no sentido de simular os tipos de raciocı́nios utilizados pelo ser humano e implementá-los no computador. Isso se tornou possı́vel em grande parte graças ao desenvolvimento dos sistemas especialistas, da lógica fuzzy e das redes neurais. 2.2.4 Estudo de Caso: Aplicação do sistema baseado em regras fuzzy no controle da qualidade de água para o consumo humano O sistema para controle da qualidade da água para consumo humano será descrito em quatro etapas, (de A a D)(JACELINE; BARROS; BASSANEZI, 2005) A) Sistemas Baseados em Regras Fuzzy(Figura 2.1) Os sistemas baseados em regras fuzzy, também conhecidos como: sistema de inferência fuzzy, sistema especialista fuzzy, modelo fuzzy, controlador fuzzy ou apenas sistema fuzzy, são constituı́dos por quatro componentes principais: • Processador de Entrada (Fuzzificação): nesta etapa as variáveis de entrada do sistema são traduzidas em conjuntos fuzzy em seus respectivos domı́nios. É o processo de designar ou calcular um valor para representar o grau de pertinência de uma entrada, em um ou mais grupos qualitativos, chamados conjuntos difusos.Para a modelagem do fenômeno a ser analisado é de fundamental importância a atuação de um especialista no momento em que são construı́das as funções de pertinências para a descrição das entradas. • Base de Regras: descreve relações entre as variáveis linguı́sticas, para serem utilizadas na máquina de inferência fuzzy. Constitui-se numa coleção de proposições fuzzy na forma Se...então... • Máquina de inferência: nesta etapa cada proposição fuzzy é traduzida matematicamente por meio de técnicas de raciocı́nio aproximado. Os operadores matemáticos serão selecionados para definir a relação fuzzy que modela a base de regras. Desta forma, a máquina de inferência fuzzy é de fundamental importância para o sucesso do sistema fuzzy, já que fornece a saı́da a partir de cada entrada fuzzy e da relação definida pela base de regras. Um dos métodos utilizados para o processo de dedução 24 é o de Mamdani. Método de MAMDANI Uma regra Se (antecedente) então (consequente) é definida pelo produto cartesiano fuzzy dos conjuntos fuzzy que compõem o antecedente e o consequente da regra. Este método agrega as regras através do operador lógico OU ( t-conorma) que é modelado pelo operador máximo e, em cada regra, o operador lógico E (t-norma) é modelado pelo operador mı́nimo. • Processador de saı́da (Defuzzicação): é o processo de se representar um conjunto fuzzy por um número real, baseados nas variáveis de entrada. Um dos métodos utilizados para defuzzicar a saı́da e obter um número real que a represente é pelo centro de gravidade através da fórmula do centróide. Figura 2.1: Sistemas Baseados em Regras Fuzzy. Para esta análise da qualidade da água, são considerados três aspectos relacionados com a sua potalidade (água para consumo humano), os quais consistem nas variáveis de entrada. B) Variáveis de Entrada Para a fuzzificação, ou seja, para a determinação das variáveis de entrada são utilizadas informações da SABESP (Companhia de Saneamento Básico do Estado de São Paulo). As váriáveis de entradas escolhidas para garantir a potalidade da água são: cor aparente (medida em UH - unidade Hazen), pH (potencial de hidrogeniônico, ou seja, concentração de ı́ons de Hidrogênio, onde os valores variam de 0 a 14), e a turbidez (causada pela presença de substâncias suspensas e coloidais, é determinada pela quantidade de luz dispersada quando ela passa através de uma amostra e é medida em UT, ou seja, unidades de cor). Para o estudo em questão considera-se as seguintes variáveis de entrada: 1. Cor aparente • Menor ou igual a 5UH - boa • Maior que 5UH e menor ou igual a 15UH - adequada • Maior que 15UH - inadequada 25 2. pH • De 6,5 a 8,5 - bom • De 6 a 10 - adequado • Menor que 6 ou Maior que 10 - inadequado 3. Turbidez • Menor ou igual a 1UT - boa • Maior que 1UT e menor que 5UT - adequada • Maior que 5UT - inadequada Na Figura 2.2 está representada a estrutura do sistema baseado em regras fuzzy construı́do para determinar o tipo da qualidade da água. Considerando as variáveis: Aparência (A), pH, Turbidez(T) como as variáveis linguı́sticas que influenciam na qualidade de água (Q) para o consumo. Figura 2.2: Estrutura do sistema baseado em regras fuzzy. Nas Figuras 2.3, 2.4 e 2.5 estão representadas as variáveis de entrada com suas funções de pertinências trapezoidais. Figura 2.3: Funções de Pertinência dos conjuntos fuzzy assumidos pela variável linguı́stica Aparência da Água (A). 26 Figura 2.4: Funções de Pertinência dos conjuntos fuzzy assumidos pela variável linguı́stica pH (H). Figura 2.5: Funções de Pertinência dos conjuntos fuzzy assumidos pela variável linguı́stica Turbidez (T). C) Variável de Saı́da Para esta análise a variável de saı́da é a qualidade da água com os termos linguı́sticos: boa, adequada e inadequada para o consumo. A figura 2.6, representa a variável de saı́da. Tabela 2.3: Regras fuzzy quando a aparência da água é boa pH(H)\T urbidez(T ) Boa Adequada Inadequada InadequadoBaixo Inadequada Inadequada Inadequada Adequada Adequada Adequada Inadequada Bom Boa Boa Inadequada InadequadoAlto Inadequada Inadequada Inadequada Tabela 2.4: Regras fuzzy quando a aparência da água é adequada pH(H)\T urbidez(T ) Boa Adequada Inadequada InadequadoBaixo Inadequada Inadequada Inadequada Adequada Adequada Adequada Inadequada Bom Boa Adequada Inadequada InadequadoAlto Inadequada Inadequada Inadequada 27 Figura 2.6: Funções de Pertinência dos conjuntos fuzzy assumidos pela variável linguı́stica Qualidade da Água (Q). Tabela 2.5: Regras fuzzy quando a aparência da água é inadequada pH(H)\T urbidez(T ) Boa Adequada Inadequada InadequadoBaixo Inadequada Inadequada Inadequada v Inadequada Inadequada Adequada Bom Adequada Adequada Inadequada Inadequada Inadequada Inadequada InadequadoAlto Nesta análise temos um sistema composto por 36 regras formadas a partir de 3 termos lingüı́sticos da variável aparência, 4 termos lingüı́sticos da variável pH e 3 termos lingüı́sticos da variável turbidez.(Tabelas 2.3, 2.4 e 2.5) A Figura 2.6 representa a saı́da (qualidade de água) a partir das variáveis de entradas. Para a obtenção do valor de saı́da foi utilizada o método do centro de gravidade e aplicado a fórmula do centróide. Na figura 2.7 temos um exemplo do resultado da qualidade da água considerando-se para a aparência 15, o pH 7 e a turbidez 0. A Figura 2.8 representa a superfı́cie tridimensional obtida com a modelagem deste sistema fuzzy. Qualidade da água em função da aparência, pH e turbidez. D) Conclusão Através das informações da SABESP e do sistema fuzzy podemos constatar que a qualidade da água é boa para o consumo quando a cor aparente e a turbidez se aproximam de zero e o pH se manter em torno de 7. Desta forma, o controle da qualidade da água para o consumo humano, deve ser cuidadoso, com o intuito de evitarmos doenças posteriores, e a lógica fuzzy é uma ferramenta útil para este tipo de controle, uma vez que para análise da água são envolvidas muitas variáveis não numéricas. Além dessas três variáveis da água que foram analisadas, poderı́amos utilizar outras, tais como: odor e sabor, nı́vel de flúor, nı́vel de cloro residual, quantidade de coliformes fecais e totais. Neste caso terı́amos mais variáveis de entrada, o que acarretaria em um número bem maior de base de regras para a formação do sistema de inferências. 28 Figura 2.7: Resultado da qualidade da água para a aparência 15, o pH 7 e a turbidez 0. Figura 2.8: Qualidade da água em função da aparência, pH e turbidez. . 29 3 AGREGADORES DA LÓGICA FUZZY As normas triangulares, ou simplesmente t-normas, foram simultaneamente introduzidas em(MENGER, 1942) e (SCHWEIZER; SKLAR, 1961) . Estes trabalhos deram uma axiomatização para as normas triangulares, estendendo estes conectivos proposicionais clássicos para o conjunto [0,1] e preservando suas propriedades lógicas. As noções intuitivas de t-normas e t-conormas foram modeladas à partir dos conectivos de conjunção e disjunção, respectivamente. Outros conectivos proposicionais fuzzy são gerados através desses axiomas, desde que exista uma ligação forte entre esses conectivos proposicionais fuzzy, sendo possı́vel obter uma implicação fuzzy à partir de uma t- norma, ou uma negação fuzzy à partir de uma implicação(FODOR, 1995).Várias generalizações de normas triangulares são encontradas na literatura (KLEMENT; MESIAR; PAP, 2000),(BEDREGAL; TAKAHASHI, 2006),(DESCHRIJVER, 2008),(BEDREGAL; TAKAHASHI, 2007),(TAKAHASH; BEDREGAL, 2006),(BUTINARIU; E.P., 1993), (KLEMENT; NAVARA, 1999). 3.1 Norma Triangular Fuzzy e Conorma Triangular Fuzzy Generalizando os operadores de união e intersecção tem-se as normas triangulares, que são nomeadas como norma triangular e conorma triangular. Esta seção apresenta a definição de norma triangular e conorma triangular. São consideradas também os exemplos mais referenciados na literatura, incluindo as classificações referentes à continuidade, e análise com respeito à relação de dualidade. Automorfismo atuando sobre t-normas e t-conormas são estudados, mostrando que estes operadores preservam tais funções de agregação. 3.1.1 Norma Triangular Fuzzy Definição 1. Seja o intervalo unitário real U = [0, 1] ⊆ <. Uma norma triangular, conhecida como t-norma, é uma operação binária T : U 2 → U, utilizada geralmente para representar o operador (e) ou a intersecção,que satisfaz as seguintes propriedades: T 1 Comutatividade: T (x, y) = T (x, y); T 2 Associatividade: T (x(T (y, z)) = T (T (x, y), z); T 3 Elemento Neutro: T (x, 1) = x; 30 T 4 Monotonicidade: T (x, y) ≤ T (x, z) se y ≤ z. Proposição 1. A função T M : U 2 → U, T M (x, y) = min(x, y) é uma t-norma, denominada norma triangular do mı́nimo. Demonstração. Sejam T M (x, y) = min(x, y) e x, y, z ∈ U. Tem-se que: (i) T M é comutativa: T M (x, y) = min(x, y) = min(y, x) = T M (y, x) (ii) T M é associativa: T M (x, T M (y, z)) = = = = min(x, T M (y, z)) min(x, min(y, z)) min(min(x, y), z)) min(T M (x, y), z) = T M (T M (x, y), z) (iii) T M satisfaz a propriedade do elemento neutro: T M (x, 1) = min(x, 1) = x (iv) T M é monotônica: y ≤ z → min(x, y) ≤ min(x, z) → T M (x, y) ≤ (T M (x, z) Logo T M é uma t-norma. Figura 3.1: t-norma triangular do mı́nimo(intersecção). Proposição 2. A função T P : U 2 → U, T P (x, y) = x.y é uma t-norma, denominada norma triangular produto . Demonstração. Sejam T P (x, y) = x.y e x, y, z ∈ U. Tem-se que: 31 (i) T P é comutativa: T P (x, y) = x.y = y.x = T P (y, x) (ii) T P é associativa: T P (x, T P (y, z)) = = = = T P (x, y.z)) x.(y.z) (x.y).z) (T P (x, y).z) = T P (T P (x, y).z) (iii) T P satisfaz a propriedade do elemento neutro: T P (x, 1) = x.1 = x (iv) T P é monotônica: y ≤ z → x.y ≤ x.z → T P (x, y) ≤ (T P (x, z) Logo T P é uma t-norma. Figura 3.2: t-norma triangular do produto algébrico. Proposição 3. A função T L : U 2 → U, T L (x, y) = max(x + y − 1, 0) é uma t-norma, denominada norma triangular de Lukasiewicz. Demonstração. Sejam T L (x, y) = max(x + y − 1, 0) e x, y, z ∈ U. Tem-se que: (i) T L é comutativa: T L (x, y) = max(x + y − 1, 0) = max(y + x − 1, 0) = T L (y, x) 32 (ii) T L é associativa: T L (x, T L (y, z)) = = = = = T L (x, max(y + z − 1, 0)) max(x + max(y + z − 1, 0) − 1, 0) max(max(x, 0) + max(y − 1, 0) + max(z, 0) − 1, 0) max(max(x + y − 1, 0) + z − 1, 0) max(T L (x, y) + z − 1, 0) = T L (T L (x, y), z) (iii) T L satisfaz a propriedade do elemento neutro: T L (x, 1) = max(x + 1 − 1, 0) = max(x, 0) = x (iv) T L é monotônica: y ≤ z → max(x + y − 1, 0) ≤ max(x + z − 1, 0) → T L (x, y) ≤ (T L (x, z) Logo T L é uma t-norma. Proposição 4. Drástica do Produto T D (x, y) ( 0, Se (x, y) [0, 1[2 T D (x, y) = min{x, y}, c.c; (3.1) Observação 1. Pela definição, temos que T D (1, y) = y;T D (x, 1) = x;T D (x, y) = 0 ,com x, y , 1 Demonstração. Considerando ∀x, y e z ∈ [0, 1],tem-se: (i) T D é comutativa: A) (x, y) ∈ [0, 1[2 → (y, x) ∈ [0, 1[2 → T D (x, y) = T D (y, x) B) T D (x, y) = min(x, y) = min(y, x) = T D (y, x) (ii)T D é associatividade: A) Se (x, y) ∈ [0, 1[2 então T D (x, y) = 0. Se z ∈ [0, 1[2 então T D (x, T D (y, z) = T D (T D (x, y), z) = 0 . Se z < [0, 1[2 então z=1, logo T D (x, T D (y, z) = T D (T D (x, y), z) = 0 . B) Se (x, y) ∈ [0, 1[2 então x = y = 1 e S D (x, y) = min(x, y) = 0 Se z ∈ [0, 1[2 então S D (S D (x, y), z) = S D (1, z) = min(1, z) = 0 . Se z < [0, 1[2 então z=1, logo S D (S D (x, y), z) = S D (x, S D (y, z) = 0 . iii) T D satisfaz a propriedade do elemento neutro: Se x ∈ [0, 1[2 então T D (x, 1) = x 33 Se x < [0, 1[2 então T D (x, 1) = min(x, 1) = x . (iv) T D é monotônica: A) Se (x, y) ∈ [0, 1[2 então T D (x, y) = 0. Se z ∈ [0, 1[2 então T D (x, z) = 0, logo T D (x, y) ≤ T D (x, z). Se z < [0, 1[2 então T D (x, z) = min(x, z) = x = 0 .Logo T D (x, y) ≤ T D (x, z) B) Se (x, y) < [0, 1[2 então x = y = 1 . Logo T D (x, y) = T D (x, z) = 0 . Logo S D é uma t-conorma. 3.1.2 Conorma Triangular Fuzzy Definição 2. Seja o intervalo unitário real U = [0, 1] ⊆ <. Uma conorma triangular, indicada por t-conorma, é uma operação binária S : U 2 → U que satisfaz as seguintes propriedades: S 1 Comutatividade: S (x, y) = S (x, y); S 2 Associatividade: S (x(S (y, z)) = S (S (x, y), z); S 3 Elemento Neutro: S (x, 0) = x; S 4 Monotonicidade: S (x, y) ≤ S (x, z) se y ≤ z. Proposição 5. A função S M : U 2 → U, S M (x, y) = max(x, y) é uma t-conorma, denominada conorma triangular do máximo. Demonstração. Sejam S M (x, y) = max(x, y) e x, y, z ∈ U. Tem-se que: (i) S M é comutativa: S M (x, y) = max(x, y) = max(y, x) = S M (y, x) (ii) S M é associativa: S M (x, (S M (y, z)) = = = = max(x, (S M (y, z)) max(x, (max(y, z)) max(x, y), z)) max(S M (x, y), z) = S M (S M (x, y), z) (iii) S M satisfaz a propriedade do elemento neutro: S M (x, 0) = max(x, 0) = x 34 (iv) S M é monotônica: y ≤ z → max(x, y) ≤ max(x, z) → S M (x, y) ≤ (S M (x, z) Logo S M é uma t-conorma. Figura 3.3: t-conorma triangular do máximo (união). Proposição 6. A função S P : U 2 → U, S P (x, y) = x+y−xy é uma t-conorma, denominada conorma triangular produto . Demonstração. Sejam S P (x, y) = x + y − xy e x, y, z ∈ U. Tem-se que: (i) T P é comutativa: S P (x, y) = x + y − xy = y + x − yx = S P (y, x) (ii) S P é associativa: S P (x, S P (y, z)) = = = = = = S P (x, y + z − yz)) (x + y + z − yz − x(y + z − yz)) (x + y + z − yz − xy − xz + xyz) (x + y − xy + z − yz − xz + xyz) (x + (1 − x)y + z − (yz + xz − xyz)) (S P (x, y).z) = S P (S P (x, y).z) 35 (iii) S P satisfaz a propriedade do elemento neutro: S P (x, 0) = x + 0 − x.0 = x (iv) S P é monotônica: y ≤ z → x + y − xy ≤ x + z − xz ⇒ S P (x, y) ≤ (S P (x, z) Logo S P é uma t-conorma. Figura 3.4: t-conorma triangular do produto (soma algébrica). Proposição 7. A função S L : U 2 → U, S L (x, y) = min(x + y, 1) é uma t-conorma, denominada conorma triangular de Lukasiewicz. Demonstração. Sejam S L (x, y) = min(x + y, 1) e x, y, z ∈ U. Tem-se que: (i) S L é comutativa: S L (x, y) = min(x + y, 1) = min(y + x, 1) = S L (y, x) 36 (ii) S L é associativa: S L (x, S L (y, z)) = = = = = S L (x, min(y + z, 1)) min(x + min(y + z, 1), 1) min(min(x, 1) + min(y, 1) + min(z, 1), 1) min(min(x + y, 1) + z, 1) min(S L (x, y) + z, 1) = S L (S L (x, y), z) (iii) S L satisfaz a propriedade do elemento neutro: S L (x, 0) = min(x + 0, 1) = x+0= x (iv) S L é monotônica: y ≤ z → min(x + y, 1) ≤ min(x + z, 1) → S L (x, y) ≤ (S L (x, z) Logo S L é uma t-conorma. Proposição 8. A função S D : U 2 → U, é uma t-conorma, denominada Drástica da Soma . ( 1, Se (x, y) ∈ [0, 1[2 S D (x, y) = (3.2) max(x, y), c.c; Demonstração. Sejam x, y, z ∈ U,tem-se que: (i) S D é comutativa: Se (x, y) ∈ [0, 1[2 então (y, x) ∈ [0, 1[2 . Logo S D (x, y) = S D (y, x) = 1 Se (x, y) < [0, 1[2 então x = y = 1 . Portanto max(x, y) = max(y, x) = 1 (ii) S D é associativa: A) Se (x, y) ∈ [0, 1[2 então S D (x, y) = 1. Se z ∈ [0, 1[2 então S D (x, S D (y, z) = S D (S D (x, y), z) = 1 . Se z < [0, 1[2 então z=1, logo S D (x, S D (y, z) = S D (S D (x, y), z) = 1 . B) Se (x, y) = [0, 1[2 então x = y = 1 e S D (x, y) = max(x, y) = 1 Se z ∈ [0, 1[2 então S D (S D (x, y), z) = S D (1, z) = max(1, z) = 1 . Se z < [0, 1[2 então z=1, logo S D (S D (x, y), z) = S D (x, S D (y, z) = 1 . (iii) S D satisfaz a propriedade do elemento neutro: 37 Se x ∈ [0, 1[2 então S D (x, 0) = 1 Se x < [0, 1[2 então S D (x, 0) = max(x, 0) = x . (iv) S D é monotônica: A) Se (x, y) ∈ [0, 1[2 então S D (x, y) = 1. Se z ∈ [0, 1[2 então S D (x, z) = 1, logo S D (x, y) ≤ S D (x, z). Se z < [0, 1[2 então S D (x, z) = max(x, z) = z = 1 .Logo S D (x, y) ≤ S D (x, z) B) Se (x, y) < [0, 1[2 então x = y = 1 . Logo S D (x, y) = S D (x, z) = 1 . Logo S D é uma t-conorma. Definição 3. (KLEMENT; MESIAR; PAP, 2000) A t-norma T (t-conorma S, respectivamente) é dita (i) contı́nua, se for contı́nua em ambos os argumentos; (ii) contı́nua à esquerda, se for contı́nua à esquerda em ambos os argumentos ; (ii) contı́nua à direita, se for contı́nua à direita em ambos os argumentos ; (iii) idempotente, se T (x, x) = x(S (x, x) = x, respectivamente) para todo x ∈ U; (iv) Arquimediana, se para cada x, y ∈ U existe n ∈ ℵ tal que xT[n] < y(xS[n] > y, respectivamente); (v) estrita, se T(S, respectivamente) é continua e estritamente monotônica, i.e., T (x, y) < T (x, z)) sempre x > 0 (S (x, y) < S (x, z)) sempre x < 1, respectivamente) e y < z. (vi) nilpotente, se T(S, respectivamente) é contı́nua e se x ∈ U é um elemento nilpotente, i. e., se para cada x ∈ U existe n ∈ ℵ tal que xT[n] = 0(xS[n] = 1, respectivamente). (vii) positiva, se T (x, y) = 0 (S (x, y) = 1,respectivamente) implica que seja x = 0 ou y = 0(x = 1 ou y = 1, respectivamente). Observação 2. T M e T P são positivas enquanto as t-normas T L , T D e T nM não são. Da mesma forma, S M e S P são positivas enquanto as t-conormas S L , S D e S nM não são. Na Tabela 3.1, apresenta-se uma listagem de t-normas e t-conormas básicas e as respectivas propriedades satisfeitas. 38 Tabela 3.1: Exemplos básicos de t-normas e t-conormas e suas propriedades t-norma t-conorma Propriedades TM SM Contı́nua, Idempotente TP SP Estrita TL SL Nilpotente TD SD Arquimediana, não-contı́nuas T nM Não-Arquimediana, contı́nua a esquerda S nM Não-Arquimediana, contı́nua a direita 3.1.3 Relação de Dualidade Definição 4. A função S : [0, 1]2 → [0, 1] é uma t-conorma se, e somente se, existe a t-norma T tal que para todo (x, y) ∈ [0, 1]2 cada uma das seguintes equivalências são satisfeitas: S (x, y) = 1 − T (1 − x, 1 − y), (3.3) T (x, y) = 1 − S (1 − x, 1 − y). (3.4) A t-conorma dada por Eq.(3.3) é chamada de dual t-conorma de T e, analogamente, a t-norma dada por Eq.(3.4) diz-se dual t-norma se S corresponde a negação NC definida por N(x) = 1 − x. Proposição 9. (T M , S M ), (T P , S P ), (T L , S L ) e (T D , S D ) são pares duais em relação a NC e as t-normas e as t-conormas são mutuamente duais, respectivamente. Demonstração. (i) (T M , S M ) é um par dual 1 − T M (1 − x, 1 − y) = = = = 1 − min(1 − x, 1 − y) max(1 − (1 − x), 1 − (1 − y)) max(x, y) S M (x, y) (ii) (T P , S P ) é par dual: 1 − T P (1 − x, 1 − y) = = = = 1 − (1 − x).(1 − y) 1 − (1 − x − y + xy) 1 − 1 + x + y − xy S P (x, y) (iii) (T L , S L ) é par dual: 1 − S L (1 − x, 1 − y) = = = = 1 − min((1 − x) + (1 − y) − (1 − 1), (1 − 0)) max(1 − (1 − x) + 1 − (1 − y) − 1 − (1 − 1), 1 − (1 − 0)) max(x + y − 1, 0) T L (x, y) 39 (iv) (T D , S D ) é par dual: A)T D (x, y) = = = = B)T D (x, y) = = = = = 3.1.4 0, (x, y) ∈ [0, 1[2 1−0 1 S D (x, y) min(1 − x, 1 − y) max(1 − (1 − x), 1 − (1 − y)) max(1 − 1 + x, 1 − 1 + y) max(x, y) S D (x, y) Automorfismo e Norma triangular Definição 5. Automorfismo: A função φ : U → U é um automorfismo se, e somente se é bijetora e monotônica. Ou seja, φ é uma função contı́nua e estritamente crescente, tal que: φ(0) = 0 e φ(1) = 1. A Proposição 10 assegura que os automorfismos preservam as t-conormas. Proposição 10. Seja S uma t-conorma,T uma t-norma e N uma negação forte, então temse: T φ (x, y) = φ−1 (T (φ(x), φ(y))), ∀x, y ∈ [0, 1] é uma t-norma. Demonstração. Para ser uma t-norma , as propriedades T 1 ,T 2 ,T 3 e T 4 (comutatividade, associatividade, monotonicidade e elemento neutro) devem ser satisfeitas, então : (T 1 ) (T 2 ) (T 3 ) T φ (x, y) = φ−1 (T (φ(x), φ(y))) = φ−1 T (φ(y), φ(x)) = T φ (y, x) logo é comutativa. T φ (x, T φ (y, z)) = = = = = = = T φ (x, φ−1 (T (φ(y), φ(z)) φ−1 (T (φ(x), φ.φ−1 (T (φ(y), φ(z)) φ−1 (T (φ(x), (T (φ(y), φ(z)) φ−1 T (T (φ(x), φ(y), φ(z)) φ−1 T (φ.φ−1 (T (φ(x), φ(y)), φ(z)) T φ (φ−1 (T (φ(x), φ(y)), z) T φ (T φ (x, y), z) logo é associativa. Se x1 ≤ x2 . Então φ(x1 ) ≤ φ(x2 ). T φ (x1 , y) = φ−1 T (φ(x1 ), φ(y)) ≤ φ−1 T (φ(x2 ), φ(y)) = T φ (x2 , y) logo é monotônica no 1o argumento. 40 e de forma análoga:T φ (x, y1 ) ≤ T φ (x, y2 ) sempre que y1 ≤ y2 T φ (x, y1 ) = φ−1 T (φ(x), φ(y1 )) ≤ φ−1 T (φ(x), φ(y2 )) = T φ (x, y2 ) logo é monotônica no 2o argumento. (T 4 ) 3.1.5 T φ (x, 1) = = = = φ−1 T (φ(x), φ(1)) φ−1 (T (φ(x), 1)) T φ (φ(x)) x logo 1 é o elemento neutro. Automorfismo e Conorma triangular A próxima proposição mostra que os automorfismos preservam as t-conormas fuzzy. Proposição 11. Seja S uma t-conorma,T uma t-norma e N uma negação forte, então temse: S φ (x, y) = φ−1 (S (φ(x), φ(y))), ∀x, y ∈ [0, 1] é uma t-conorma. Demonstração. Para ser uma t-conorma , as propriedades T 1 ,T 2 ,T 3 e T 4 (comutatividade, associatividade, monotonicidade e elemento neutro) devem ser satisfeitas, então : (S 1 ) S φ (x, y) = φ−1 (S (φ(x), φ(y))) = φ−1 (S (φ(y), φ(x))) = S φ (y, x) logo é comutativa. (S 2 ) S φ (x, S φ (y, z)) = = = = = = = (S 3 ) S φ (x, φ−1 (S (φ(y), φ(z)) φ−1 (S (φ(x), φ.φ−1 (S (φ(y), φ(z)) φ−1 (S (φ(x), (S (φ(y), φ(z)) φ−1 S (S (φ(x), φ(y), φ(z)) φ−1 S (φ.φ−1 (S (φ(x), φ(y)), φ(z)) S φ (φ−1 (S (φ(x), φ(y)), z) S φ (S φ (x, y), z) logo é associativa. Se x1 ≤ x2 . Então φ(x1 ) ≤ φ(x2 ). S φ (x1 , y) = φ−1 S (φ(x1 ), φ(y)) ≤ φ−1 S (φ(x2 ), φ(y)) = S φ (x2 , y) logo é monotônica no 1o argumento. 41 e de forma análoga:S φ (x, y1 ) ≤ S φ (x, y2 ) sempre que y1 ≤ y2 S φ (x, y1 ) = φ−1 S (φ(x), φ(y1 )) ≤ φ−1 S (φ(x), φ(y2 )) = S φ (x, y2 ) logo é monotônica no 2o argumento. (S 4 ) 3.2 S φ (x, 0) = = = = φ−1 S (φ(x), φ(0)) φ−1 (S (φ(x), 0)) S φ (φ(x)) x logo 0 é o elemento neutro. Negação Fuzzy Esta seção considera o estudo das funções de complemento, negação fuzzy. São definidas e exemplificadas negações fuzzy forte, estritas e contı́nuas. Ponto de equilı́brio de uma negação é apresentado assim como também é considerada a ação de automorfismo em funções de negação. 3.2.1 Negação Fuzzy e Negação Fuzzy Forte A função N : U → U é uma negação fuzzy se N1 : N(0) = 1 e N(1) = 0; N2 : Se x ≥ y então N(x) ≤ N(y), ∀x, y ∈ U. Uma negação fuzzy se satisfaz a propriedade involutiva então é chamada de negação fuzzy forte. (BUSTINCE; BURILLO; SORIA, 2003; KLEMENT; MESIAR; PAP, 2000): N3 : N(N(x)) = x, ∀x ∈ U. Além disso, uma negação fuzzy é contı́nua e estrita quando: N4 : Se x > y então N(x) < N(y), ∀x, y ∈ U. Sabe-se, que toda negação fuzzy forte é estrita. Um elemento e ∈ U é dito ser ponto de equilı́brio se a negação fuzzy N sempre N(e) = e. Se N é uma negação fuzzy estrita , então existe: um único ponto de equilı́brio eN ∈ U e admite N(x) ≥ eN , para todo x ≤ eN . Por outro lado, tem-se N(x) ≤ eN , para todo x ≥ eN . 3.2.2 Exemplos de Negação Fuzzy Exemplo 1. Um tı́pico exemplo de uma negação fuzzy forte é Negação Complementar ou Negação Padrão, ou seja, é a função dada por NC (x) = 1 − x. Exemplo 2. A Negação de Gödel é uma negação fuzzy, mas não é estrita e nem forte. ( 0, se x ∈ ]0, 1] NG (x) = (3.5) 1, se x = 0; 42 Exemplo 3. Sendo T e S, respectivamnete a t-norma e a t-conorma. A função NT , NS : U → U é definida como NT (x) = sup{t ∈ U|T (x, t) = 0}, (3.6) NS (x) = in f {t ∈ U|S (x, t) = 1}, (3.7) São chamadas negação natural de T(eq.4.2) e a negação natural de S (eq.4.3). O seguinte, exemplo básico de negação natural de t-normas e t-conormas são considerados: (i) NC é uma negação natural se T L e é uma negação natural se S L ; (ii) NC é uma negação natural se a positiva t-norma T (t-conorma S L ); (iii) ND2 é uma negação natural se T D1 e ND1 é uma negação natural se S D ; (iv) NC é uma negação natural se T nM e é uma negação natural seS nM . Observação 3. Para qualquer T t-norma e S t-conorma temos T (x, 0) = x e S (x, 1) = 1, pode-se definir os conjuntos Eq. (3.6) e Eq. (3.7) não-vazios. Observe que, se S (x, y) = 1 para algum x, y ∈ U, então y ≥ NS (x) e se T (x, y) = 0 para algum x, y ∈ U, então y ≤ NS (x). Além disso, se z < NT (x) então T (x, z) = 0 e se qualquer z > NS (x) então T (x, z) = 0, quando z, x ∈ U. Quando na t-norma considerada, é possı́vel estabelecer uma ordem parcial relacionada a uma negação fuzzy . Considerando duas negações fuzzy N1 e N2 ,esta ordem parcial é definida como: N1 ≤ N2 se, para cada x ∈ U, N1 (x) ≤ N2 (x). Observação 4. Se N1 ≤ N2 ex ≥ y então N1 (x) ≤ N2 (y). 3.2.3 Automorfismo e Negação Proposição 12. (BUSTINCE; BURILLO; SORIA, 2003)[Teorema 2] A t-norma T continua é tal que T (x, N(x)) = 0 vale para todo x ∈ [0, 1]com uma negação estrita N se e somente se existir um automorfismo φ neste intervalo. T (x, y) = φ−1 (max(φ(x) + φ(y) − 1, 0)) N(x) ≤ φ−1 (1 − φ(x)). Proposição 13. Uma negação fuzzy é forte se, e somente se existir um automorfismo φ para todo x ∈ [0, 1] , tal que: N(x) = φ−1 (1 − φ(x)) ∀x ∈ [0, 1] Proposição 14. Seja N uma negação forte, então tem-se: N φ (x) = φ−1 (N(φ(x)) ∀x ∈ [0, 1] é uma negação forte. 43 Demonstração. Para ser uma negação forte, as propriedades N1,N2 e N3 dever ser satisfeitas, então : N φ (0) = = = = (N1) φ−1 (N(φ(0)) φ−1 (N(0)) φ−1 (1) 1 e N φ (1) = = = = (N2) como mostrado a seguir: φ−1 (N(φ(1)) φ−1 (N(1)) φ−1 (0) 0 Seja x ≤ y. Então φ(x) < φ(y). Logo N φ (x) ≥ N φ (y) , N φ (x) = φ−1 (N(φ(x)) ≥ φ−1 (N(φ(y)) = N φ (y) (N3) 3.3 N φ (N φ (x)) = = = = = N φ (φ−1 (N(φ(x)) φ−1 (N(φ.φ−1 (N(φ(x))) φ−1 (N(N(φ(x))) φ.φ−1 x Implicações Fuzzy A implicação fuzzy generaliza a implicação clássica e desempenha um papel importante em lógica fuzzy, em especial na fase de fuzzificação de um sistema fuzzy. Fazer uma inferência difusa significa aplicar regras do tipo se X então Y de forma que X e Y, e a própria proposição, sejam noções difusas. Dessa forma, se torna mais fácil interpretar matematicamente e implementar sistemas a partir do raciocı́nio humano, pois o pensamento humano consiste de implicações lógicas. Nesta seção considera-se o estudo das implicações fuzzy, suas propriedades e mais precisamente, caracterizações de algumas classes de implicações fuzzy. Esta discussão centra-se principalmente em quatro importantes classes de implicações fuzzy: Simplicações, R-implicações, QL-implicações e D-implicações. Definição 6. Uma função I : [0, 1]2 → [0, 1] é uma implicação fuzzy se verifica, no mı́nimo, as seguintes condições: I(1, 1) = I(0, 1) = I(0, 0) = 1 e I(1, 0) = 0 44 Portanto, uma implicação fuzzy é uma extensão da implicação clássica, ou seja, compreende-se o operador de implicação como uma forma de modelar regras de inferência do tipo se ... então (se ”premissa”então ”conclusão”). 3.3.1 Propriedades das Implicações Fuzzy Existem inúmeras propriedades das implicações fuzzy apresentadas em (RUIZAGUILERA; TORRENS, 2009; FODOR; ROUBENS, 1994; BACZYNSKI, 2004; BACZYNSKI; JAYARAM, 2008; BACZYNSK; JAYARAM, 2009; BALASUBRAMANIAM, 2007; BEDREGAL; REISER; DIMURO, 2009; BUSTINCE; BURILLO; SORIA, 2003; BACZYNSKI; JAYARAN, 2007; FODOR, 1995; MAS; MONSERRAT; TORRENS, 2007; MAS et al., 2007; SAINIO; TURUNEN; MESIAR, 2008; RUAM; KERRE, 1993; YAGER, 2004, 1983). As propriedades das implicações fuzzy relevantes para este estudo, estão enunciadas abaixo: Considere∀x, y, z ∈ [0, 1] I1 Se x ≤ z então I(x, y) ≥ I(z, y)(antitonicidadeno primeiro argumento) I2 Se y ≤ z então I(x, y) ≤ I(x, z), ∀x, y, z ∈ [0, 1](isotonicidade no segundo argumento) I3 I(1, x) = x (princı́pio da neutralidade) I4 I(x, I(y, z)) = I(y, I(x, z)) (princı́pio da troca) I5 I(x, y) = I(x, I(x, y)) I6 I(x, N(x)) = N(x)(onde N é uma negação fuzzy forte) I7 N(x) = I(x, 0) = x ( é uma negação fuzzy forte) I8 I(x, 1) = 1 (dominância da verdade do consequente) I9 I(x, y) ≥ y I10 I(x, y) = I(N(y), N(x)) (onde N é uma negação fuzzy forte)(lei da contraposição) I11 I(0, y) = 1 (dominância da falsidade do antecedente) I12 I(x, y) ≥ NI (x) I13 I(x, y) = 0 se e somente se x = 1 e y = 0. I14 S (x, N(x)) = 1 (lei do terceiro excluı́do) I15 I(x, y) = 0 sex ≤ y (princı́pio da ordenação) I16 I(x, x) = 1 (princı́pio da identidade) Proposição 15. Se I : U 2 → U é uma implicação fuzzy satisfazendo a propriedade I1: então NI : U → U, definida por NI (x) = I(x, 0), é uma negação fuzzy (BACZYNSKI; JAYARAM, 2008). 45 Demonstração. NI : U → U é uma negação fuzzy. Pela definição de implicação fuzzy, tem-se que NI satisfaz N4 : NI (0) = I(0, 0) = 1 NI (1) = I(1, 0) = 0 Além disso, NI satisfaz N2 , seja x ≤ y, então NI (x, z) ≥ NI (y, Z) Portanto, NI é uma negação fuzzy. 3.3.2 Principais Classes de Implicações Fuzzy O conjunto de todas as implicações fuzzy pode ser dividido em classes(YAGER, 2004). Essas classes podem ser construı́das a partir das propriedades I1, I2 ... I16. • S-Implicações Uma S-Implicação é uma generalização da condicional da lógica proposicional(RUIZ-AGUILERA; TORRENS, 2009),(BACZYNSKI; JAYARAM, 2008), ou seja, p → q ≡ ¬p ∨ q Onde o conectivo ∨ (ou) representa a operação de máximo (união padrão). Seja S uma t-conorma e N uma negação forte, então: IS (x, y) = S (N(x), y) , ∀ x, y ∈ [0, 1] ou de outra forma: IS ,N (x, y) = S (N(x), y) , ∀ x, y ∈ [0, 1] Exemplo 4. Considerando S (x, y) = max(x, y) e N(x) = 1 − x, tem-se que: IS (x, y) = max(1 − x, y) • R-Implicações Seja T uma t-norma, então (BEDREGAL et al., 2007): IR (x, y) = sup{z ∈ [0, 1] | T (x, z) ≤ y } Exemplo 5. Considerando T (x, y) = min(x, y), tem-se que: IR (x, y) = sup{z ∈ [0, 1] | min(x, y) ≤ y } 46 • QL-Implicações Seja S uma t-conorma, T uma t-norma e N uma negação forte, então: IQL (x, y) = S (N(x), T (x, y)) , ∀ x, y ∈ [0, 1] ou representada da seguinte forma: IS NT (x, y) = S (N(x), T (x, y)) , ∀ x, y ∈ [0, 1] As QL-implicações estendem a noção de implicação da lógica proposicional, dada pela expressão: co ¬p ∨ (p ∧ q) onde, os conectivos ∨(ou)disjunção e ∧(e)conjunção são representadas, respectivamente, pelas operações de máximo (união) e de mı́nimo(intersecção), e ¬ (não)negação pela negação padrão fuzzy. Exemplo 6. Considerando S (x, y) = max(x, y) , T (x, y) = min(x, y)e N(x) = 1 − x, tem-se que: IQL (x, y) = max(1 − x, min(x, y)) • D-Implicações Seja S uma t-conorma, T uma t-norma e N uma negação forte, então: ID (x, y) = S (T (N(x), N(y)), y) , ∀ x, y ∈ [0, 1] ou simbolizada por: IS ,T,N (x, y) = S (T (N(x), N(y)), y) , ∀ x, y ∈ [0, 1] Pela lógica proposicional, pode-se definir como: p → q ≡ (¬p ∧ ¬q) ∨ q Proposição 16. A função I : U 2 → U é uma S- implicação fuzzy forte se e somente se I satifaz as propriedades I1,I2,I3,I4 e I10: Demonstração. Sejam x, y, z ∈ [0, 1]. Tem-se que, se I é uma S-implicação fuzzy forte, satisfaz as seguintes propriedades: (I1) x ≤ z → I(x, y) ≥ I(z, y) IS N (x, y) = S (N(x), z) ≥ S (N(y), z) = IS N (z, y) (I2) y ≤ z → I(x, y) ≥ I(x, z) IS N (x, y) = S (N(x), y) ≤ S (N(x), z) = IS N (x, z) 47 (I3) I(1, x) = x IS N (1, x) = S (N(1), x) ≤ S (0, x) = x (I4) I(x, I(y, z)) = I(y, I(x, z)) IS N (x, IS N (y, z)) = = = = = = = S (N(x), IS N (y, z)) S (N(x), S (N(y), z) S (S (N(x), N(y)), z) (pela comutatividade de S ) S (S (N(y), N(x)), z) (pela associatividade de S ) S (N(y), S (N(x), z) S (N(y), IS N (x, z)) IS N (y, IS N (x, z)) (I10) I(x, y) = I(N(y), N(x)), sendo N uma negação forte. IS N (N(y), N(x)) = = = = S (N(N(y)), N(x)) S (y, N(x)) (pela comutatividade de S ) S (N(x), y) IS N (x, y) Proposição 17. A função I : U 2 → U é uma S- implicação fuzzy forte se e somente se IS N satifaz as propriedades I1-I4 e I7: Demonstração. Se IS N é forte, satisfaz as propriedades I1-I4 (provadas anteriormente) e I7: (I7) N(x) = I(x, 0) Considerando IS N (x, 0) = S (N(x), 0) (pelo elemento neutro da S ) = N(x) (3.8) (3.9) N(N(x)) = N(I(x, 0)) = N(S (N(x), 0)) (3.10) (3.11) e Tem-se que: IS N (IS N (x, 0), 0) = = = = = = S (N(IS N (x, 0)), 0) (pela eq. 5.1) S (N(S (N(x)), 0), 0) (pela eq. 5.3) S (S (N(N(x), 0), 0) S (S (x, 0), 0) S (x, 0) IS N (x, 0) 48 Proposição 18. A função I : U 2 → U é uma S- implicação fuzzy forte se e somente se IS N satifaz as propriedades I8-I13 : Demonstração. Sejam x, y, z ∈ [0, 1] e N uma negação fuzzy forte: (I8) I(x, 1) = 1 IS N (x, 1) = S (N(x), 1) = S (N(x), y) = 1 (I9) I(x, y) ≥ y IS N (x, y) = ≥ ≥ ≥ S (N(x, y)) S (N(1), y)) S (0, y)) y (I10) I(x, y) = I(N(y), N(x)) ( anteriormente demonstrada ). (I11) I(0, x) = 1 IS N (0, x) = S (N(0), x) = S (1, x) = 1 (I12) I(x, y) ≥ NI (x) IS N (x, y) ≥ ≥ ≥ = S (N(x), y) S (N(x), 0) IS N (x, 0) NI (x) (I13) I(x, y) = 0 se e somente se x = 1 e y = 0 Se x = 1 e y = 0 então IS N (1, 0) = S (N(1), 0) = S (0, 0) = 0 Se IS N (x, y) = 0 então S (N(x), y) = 0, logo S (N(x), y) = S (0, 0). Portanto y = 0 e N(x) = 0 → x = 1 49 Proposição 19. Seja I : U 2 → U uma implicação fuzzy forte e se I é do tipo QLimplicações então as propriedades I1,I2,I3 e I7 são satisfeitas: Demonstração. Considerando IS NT = S (N(x, y)). (I1) x ≤ z → I(x, y) ≥ I(z, y) IS NT (x, y) = ≥ ≥ = S (N(x), T (x, y)) S (N(z), T (x, y)) (troca do 1o argumento) S (N(z), T (z, y)) IS NT (z, y) (I2) y ≤ z → I(x, y) ≥ I(x, z) IS NT (x, y) = S (N(x), T (x, y)) ≤ S (N(x), T (x, z)) = IS NT (x, z) (I3) I(1, x) = x IS NT (1, x) = = = = S (N(1), T (1, x)) S (0, T (1, x)) (1 é neutro na T) S (0, x) (0 é neutro na S) x (I7) N(x) = I(x.0), sendo N uma negação forte. IS NT (x, N(x)) = S (N(x), T (x, N(x))) (definição de t-norma: V ∧ F = F) = S (N(x), 0) (0 é neutro na S) = N(x) Proposição 20. Se uma QL-implicação satisfaz a simetria contrapositiva, com respeito a propriedade I10, então S (x, N(x)) = 1 , ∀x ∈ U. Demonstração. (I10) I(x, y) = I(N(y), N(x)) IS NT (x, y) = S (N(x), T (x, y)) S (x, N(x)) = = = = = = = = = S (N(x), x) (comutatividade da S) S (N(x), T (x, 1)) (elemento neutro na T e definição de QL-implicação) I(x, 1) I(N(1), N(x)) I(0, N(x)) (definição de QL-implicação) S (N(0), T (0, N(x)) S (1, T (0, N(x)) (elemento absorvente da T) S (1, 0) (elemento neutro da S) 1 Proposição 21. Se IS NT satisfaz I1, então : S (x, N(x)) = 1 50 Demonstração. (I1) x ≤ z → I(x, y) ≥ I(z, y) IS NT (x, y) = = = ≥ = S (N(x), T (x, y)) S (N(x), T (x, 1)) (elemento neutro da T) I(x, 1) (definição de QL-implicação) IS NT (1, 1) (definição do domı́nio U = [0, 1]) 1 Logo,S (x, N(x)) = 1 Proposição 22. Se IS NT satisfaz I8, então : S (x, N(x)) = 1, ∀x ∈ U Demonstração. (I8) I(x, 1) = 1 S (x, N(x) = = = = S (N(x), x) S (N(x), T (x, 1)) IS NT (x, 1) 1 Proposição 23. Seja T M uma t-norma mı́nima, uma negação fuzzy forte e S uma tconorma satisfazendo S (x, N(x)) = 1. Então a correspondente QL-implicação IS NT M é dada por: ( IS NT M = 1, S (N(x), y), se x ≤ y c.c; Demonstração. Considere primeiramente que (H1) x ≤ y.Tem-se: IS NT M (x, y) = S (N(x), T (x, y)) S (x, N(x)) = = = = = S (N(x), T M (x, y)) S (N(x), min(x, y)) S (N(x), x) comutatividade da S S (x, N(x)) 1 Agora, seja x, y ∈ U tais que x > y. logo, tem-se que: (H2) x > y IS NT M (x, y) = S (N(x), T M (x, y)) = S (N(x), min(x, y)) = S (N(x), y) Proposição 24. Seja IS M NT uma QL-implicação.Então: (i) IS M NT (x, N(x)) = N(x) e (ii) IS M NT (x, y) = 1 se, e somente se x = 0 e x = y = 1 (3.12) 51 Tabela 3.2: Exemplos básicos de QL-implicações e suas propriedades N IS ,N,T Nome NC IK,D (x, y) = max(1 − x, y) Kleene-Dienes NC IR,C (x, y) = 1 − x + xy Reichenbach NC IL (x, y) = min(1 − x + y, 1) Łukasiewicz ( S SL SL SL T TL TP TM S nM TM NC SD TP NC SM T NK SP T ND2 1, if x ≤ y; max{1 − x, y}, otherwise; y, if x = 1; 1 − x, if y = 0; IDP (x, y) = 1, x < 1 and y > 0 I M,K (x, y) =(max(1 − x2 , y) 1, if x < 1; ID2 (x, y) = y, x = 1 IF (x, y) = Propriedades I3, I4 I3, I4 I3, I4, I15, I16. Fodor I3, I4, I15, I16. Dubois-Prade I3, I4, I15. - I3, I4 Weber I3, I4, I16. Demonstração. (i) IS M NT (x, N(x)) = N(x) IS M NT (x, N(x))) = = = = S M (N(x), 0) (definição da T (p ∧ ¬p = 0)) S (N(x), T (x, 1)) max(N(x), 0) (x ∈ [0, 1]) N(x) (ii) IS M NT (x, y) = 1 se, e somente se x = 0 e x = y = 1 A) Se x = 0 IS M NT (0, y) = = = = S M (N(0), T (0, y)) S M (1, 0) max(1, 0) 1 (0 é o elemento absorvente da T) B) Se x = y = 1 IS M NT (1, 1) = = = = S M (N(1), T (1, 1)) S M (0, 1) max(0, 1) 1 A Tabela 6.1 apresenta exemplos de QL-implicações e as propriedades satisfeitas por estas implicações frequentemente referenciadas na literatura. Proposição 25. Uma D-implicação corresponde a contraposição com relação a negação de uma QL-implicação. (i) IS T N (x, y) = N(IS NT (N(y), N(x)) (ii) IS NT (x, y) = N(IS T N(N(y), N(x)) 52 Demonstração. Considerando-se IS NT (x, y) = S (N(x), T (x, y)) (QL-implicação) e IS T N (x, y) = S (T (N(x), N(y)), y) (D-implicação), tem-se que: A)IS T N (N(y), N(x)) = S (T (y, x), N(x)) = S (N(x)T (x, y)) = IS NT (x, y) B)IS NT (N(y), N(x)) = = = = (comutatividade da S e T) S (N(N(y)), T (N(y), N(x))) S (y, T (N(y), N(x)) (comutatividade da S e T) S (T (N(x), (N(y)), y) IS T N (x, y) Portanto, verifica-se a dualidade. Proposição 26. Seja T uma t-norma , S uma t-conorma e N uma negação fuzzy forte.Se I é uma D-implicação satisfaz a propriedade I2 (monotonicidade do segundo argumento), então tem-se: S (x, N(x)) = 1, ∀x ∈ [0, 1](princı́pio do meio excluı́do).Ou seja,a proposição diz que quando é monotônica satisfaz o princı́pio do meio excluı́do. Demonstração. S (x, N(x)) = = = = ≥ = 3.3.3 S (x, T (N(x), 1)) (como o neutro da T é 1, aplicou-se uma T) S (x, T (N(x), N(0)) (comutatividade da S e T) S (T (N(0), (N(x)), x) (definição de D-implicação) ID (0, x) ID (0, 0) 1 Exemplos de implicações fuzzy obtidas a partir de outros conectivos fuzzy 1) IS P,NC,T P (x, y) = 1 + x2 y − x Sejam: S (x, y) = S P (x, y) = x + y − xy T (x, y) = T P (x, y) = x.y N(x) = 1 − x, então 53 IS P,NC,T P (x, y) = = = = S P (N(x), T P (x, y)) S P (1 − x, x.y) 1 − x + x.y − x.y = x2 y 1 + x2 y − x 2) A Implicação de Gödel é uma R-implicação ( 1, Se x ≤ y IG (x, y) = y, c.c; Considerando a t-norma T M (x, y) = min(x, y) e a definição de R-implicação, tem-se que: • (i) x ≤ y → T (x, 1) ≤ y → sup{t ∈ [0, 1] | T (x, t) ≤ y} = 1 • (ii)x > y A) x ≤ y → T (x, t) = min(x, t) = x ≤ y (contradição) B) x > t → T (x, t) = t ≤ y → sup{t ∈ [0, 1] | T (x, t) ≤ y → I(x, y) = y } Portanto, por (i) e (ii) Gödel implicação é uma R-implicação. 3) A implicação de LuKasiewics que é igual ao mı́nimo entre 1 e 1-x+y é uma Simplicação Ou seja: IL (x, y) = min(1, 1 − x + y) Considerando IS N (x, y) = S (N(x), Y) IL (x, y) = min(x + y, 1) NC (x) = 1 − x. Então: IS N (x, y) = S (N(x), y) = S (1 − x, y) = min(1 − x + y, 1) 54 4 LÓGICA FUZZY INTERVALAR Este capı́tulo apresenta um resumo sobre Matemática Intervalar e das principais operações intervalares. Discorre-se ainda, sobre a importância da lógica fuzzy intervalar. Conceitos sobre operadores da lógica fuzzy são extensivos para a abordagem intervalar, descrevendo as t-normas fuzzy intervalares e t-conormas fuzzy intervalares, bem como as propriedades que devem ser consideradas para fundamentar este estudo. É feito um estudo sobre as implicações fuzzy valoradas intervalarmente com ênfase nas S-implicações.E também, analisando automorfimos, a construção canônica de automorfimo intervalar e mostrando -se as condições para que automorfismos preservam implicações fuzzy intervalares. 4.1 Matemática Intervalar A Matemática Intervalar(MI) é uma teoria introduzida com o objetivo de automatizar a análise de erro computacional. Ela trata de dados na forma de intervalos numéricos, buscando controlar os limites de erro dos processos de desenvolvimento de métodos operacionais construtivos (Matemática Numérica) para a resolução aproximada de problemas que podem ser representados por um modelo matemático exato e eficiente. neste contexto vem proporcionando a máxima economia e confiabilidade em termos dos fatores envolvidos, como tempo de execução, memória e erros de arredondamento e de truncamento(CLAUDIO; MARINS, 1989). Os números representados como intervalos servem como controladores da propagação do erro, uma vez que garantem que a resposta correta de determinado problema pertence ao intervalo obtido (BEDREGAL; DIMURO; REISER, 2009). Os intervalos, na computação cientı́fica, podem ser aplicados para representar valores desconhecidos e, também, para representar valores contı́nuos(números reais). Servem para controlar o erro de arredondamento e para representar dados inexatos, aproximações e erros de truncamento de procedimentos (DESCHRIJVER; KERRE, 2005),(MENDOZA; MELIN; LICEA, 2009). Os primeiros pesquisadores a utilizarem uma forma de Aritmética Intervalar para descrever resultados foram Burkill, 1924 e Young, em 1931 e os primeiros registros de trabalhos independentes nessa área devem-se a P.S. Dwyer, M.Warmus, T. Sunaga e Ramon E. Moore(MOORE, 1962),(DWYER, 1951),. Mas quem consolidou a Aritmética Intervalar foi Moore, com publicações de artigos e em especial com a sua monografia, em 1966. Seu trabalho despertou a comunidade cientı́fica para aplicação da Matemática Intervalarcomo uma área de pesquisa computacional. Leslie Fox, em 1974, nas suas pesquisas 55 propõe um avanço desta teoria combinando diferentes áreas, como análise intervalar, topologia intervalar, álgebra intervalar e outras. Atualmente, a Matemática Intervalar vem sendo empregada na elaboração de algoritmos numéricos auto-validáveis e com controle automático de erro. Sem o uso de intervalos, a validação da aritmética através do controle do erro é praticamente impossı́vel em computação cientı́fica. A necessidade do uso de intervalos para controle do erro numérico em computação cientı́fica é um fato conhecido entre pesquisadores e a implementação do tipo intervalo em linguagens, desenvolvimento de algoritmos e métodos intervalares têm sido uma frutı́fera área de pesquisa(ALSINA; TRILLAS; VALVERDE, 1980). O interesse de se ter uma teoria consistente e mais precisa é que surgiu a análise de intervalos, uma teoria matemática com origem na década de 60,(MOORE, 1979), integrando áreas como análise intervalar, topologia intervalar, álgebra intervalar, lógica intevalar e outras. Os algoritmos intervalares, em contraste com os algoritmos pontuais, computam um intervalo como solução, com a garantia de que a resposta pertence a este intervalo. A vantagem do uso da aritmética intervalar aparece principalmente em problemas onde a instabilidade numérica (decorrente do uso da aritmética de ponto flutuante e da natureza dos problemas) é crı́tica(ACIÓLY, 1991),(MOORE, 1962). O benefı́cio é resultante da forma como os números reais são representados (um intervalo de pontos flutuantes que contém o real) e do fato de que os cálculos produzem um intervalo que, com certeza, contém o resultado real(MOORE, 1966). Ou seja, o uso da MI permite um controle de erros com limites confiáveis, além de provas de existência da solução de diversas equações. A desvantagem decorrente da complexidade de cálculo das operações intervalares é compensada pela segurança e qualidade do resultado e pela aceleração decorrente da exploração do paralelismo das operações intervalares em arquiteturas multiprocessadas. A computação consiste numa seqüência finita de operações, no entanto a solução exata de um problema, em muitos casos, requer uma seqüência infinita de operações aritméticas exatas. Isso nos motiva integrar a Aritmética Intervalar na solução desses problemas, pois desta forma torna-se viável o controle rigoroso sobre os erros, como também nos possibilita o tratamento e modelagem da incerteza em computação. 4.1.1 Noções Básicas da Matemática Intervalar • Intervalo de Números Reais Um intervalo de reais (ACIÓLY, 1991),(CLAUDIO; MARINS, 1989)é uma representação da forma A = [a, b] = {x ∈ R | a ≤ x ≤ b}, em que a, b ∈ R, e tal que a ≤ b. • Conjunto IR É o conjunto de todos os intervalos reais, ou seja: IR = {[a, b] | a, b ∈ R, a ≤ b} • Operações aritméticas em IR Sejam A = [a1 , a2 ] e B = [b1 , b2 ] ∈ IR, as operações aritméticas com intervalos são executadas sobre os extremos de seus intervalos. Assim, as operações de soma, subtração, multiplicação e divisão em IR são definidas por: A ~ B = {a ~ b | a ∈ A ∧ b ∈ B},em que ~ ∈ {+, −, /, ∗} No caso da divisão, 56 assume-se que o 0 < Bpara que a operação esteja bem definida. As operações entre intervalos A e B são definidas como: A + B = [(a1 + b1 ); (a2 + b2 )] A − B = [(a1 − b2 ); (a2 − b2 )] A ∗ B = [min(a1 ∗ b1 , a1 ∗ b2 , a2 ∗ b1 , a2 ∗ b2 ); max(a1 ∗ b1 , a1 ∗ b2 , a2 ∗ b1 , a2 ∗ b2 )] A/B = [min(a1 /b2 , a1 /b1 , a2 /b2 , a2 /b1 ); max(a1 /b2 , a1 /b1 , a2 /b2 , a2 /b1 )] , com 0 < [b1 , b2 ] • Função Intervalar Seja a função: f:X→Y X → F(X) Se X = Dom(f) ⊆ IR eY = CD(f) ⊆ IR, então diz-se que f é uma função intervalar de uma variável intervalar. • Representação Canônica Intervalar Sejam U = [0, 1] ⊆ R o intervalo unitário e U = {[a, b] | 0 ≤ a ≤ b ≤ 1} o correspondente conjunto de todos os subintervalos de U, tem-se as projeções: l, r : U → U, l(X) = l([a, b]) = a = X, r(X) = r([a, b]) = b = X. As ordens parciais no contexto da Matemática Intervalar são: 1. Ordem Produto: X ≤ Y se, e somente se, X ≤ Y e X ≤ Y. 2. Ordem de Inclusão: X ⊆ Y se, e somente se, X ≥ Y e X ≤ Y Definição 7. Para cada função f : U n → U, a função intervalar b f : Un → U, b ~ = [inf{ f (~x) : ~x ∈ X}, ~ sup{ f (~x) : ~x ∈ X}] ~ f (X) é denominada a representação canônica intervalar de f. 4.2 Lógica Fuzzy Intervalar Na computação cientı́fica, mesmo quando se utiliza na resolução de um modelo matemático um método que apresenta a solução exata para o modelo, pelo fato de este envolver um número muito grande de operações elementares (adição, subtração, multiplicação e divisão) e sendo essas processadas em equipamento com capacidade limitada para armazenar dados, pode-se cometer erros, fazendo com que os cálculos com esses dados produzam resultados imprecisos. Os erros mais comuns que podem ocorrer na fase de resolução de um problema são os erros de arredondamento e de truncamento. Conforme descrito na seção anterior, como a qualidade de um processo computacional depende do controle sobre seu erro, é desenvolvida na década de 60, inicialmente por Moore, uma teoria matemática capaz de resolver esta questão, a aritmética intervalar, que 57 visa dar suporte a problemas computacionais que lidam com a incerteza(BEDREGAL; TAKAHASHI, 2006). Por outro lado, a força da lógica fuzzy deriva da sua habilidade em inferir conclusões e gerar respostas baseadas em informações vagas, ambı́guas e qualitativamente incompletas e imprecisas. Neste contexto, os sistemas especialistas baseados na lógica fuzzy têm habilidade de raciocinar de forma semelhante à dos humanos. Seu comportamento é representado de maneira muito simples e natural, levando à construção de sistemas compreensı́veis e de fácil manutenção. 4.3 4.3.1 Norma Triangular Intervalar e Conorma Triangular Intervalar Norma Triangular Intervalar Seja I[0, 1] = {[a, b] | 0 ≤ a ≤ b ≤ 1} o conjunto dos intervalos entre 0 e 1. Considerando-se que X ∈ I[0, 1] então X = [xi , xk ]. Definição 8. Uma norma triangular intervalar, conhecida como t-norma intervalar, é uma operação binária T : I[0, 1]2 → I[0, 1],que satisfaz as seguintes propriedades: T1 Comutatividade: T(X, Y) = T(Y, X) T2 Associatividade: T(X(T(Y, Z)) = T(T(X, Y), Z) T3 Elemento Neutro: T(X, [1, 1]) = X T4 Monotonicidade: A)T(X, Y) ≤ T(Z, W) produto) se X ≤ Z e Y ≤ W (monotônica em relação à ordem B)T(X, Y) ⊆ T(Z, W) se X ⊆ Z e Y ⊆ W (monotônica em relação à inclusão) Proposição 27. Se T : [0, 1]2 → [0, 1] é uma t-norma, então T : I[0, 1]2 → I[0, 1] definida por T(X, Y) = [T (xi , yi ), T (xk , yk )] é uma t-norma intervalar, denominada de t-norma intervalar derivada de T. Demonstração. Sejam X, Y, Z, W ∈ I[0, 1]. Tem-se que, se T é uma t-norma intervalar, satisfaz as seguintes propriedades: (i) Comutativa: T(X, Y) = [T (xi , yi ), T (xk , yk )] = [T (yi , xi ), T (yk , xk )] = T(Y, X) 58 (ii) Associativa: T(X, T(Y, Z)) = = = = = T(X, [T (yi , zi ), T (yk , zk )]) [T (xi , T (yi , zi )), T (xk , T (yk , zk ))] [T (T (xi , yi ), zi ), T (T (xk , yk ), zk )] T([T (xi , yi ), T (xk , yk ), Z) T(T(X, Y), Z) (iii) Elemento neutro: T(X, [1, 1]) = [T (xi , 1), T (xk , 1)] = [xi , xk ] = X (iv) Monotônica: A) Se X ≤ Z e Y ≤ W então xi ≤ zi , xk ≤ zk , yi ≤ wi e yk ≤ wk Logo,T (xi , yi ) ≤ T (zi , wi ) e T (xk , yk ) ≤ T (zk , wk ). Assim, [T (xi , yi ), T (xk , yk )] ≤ [T (zi , wi ), T (zk , wk )]. Portanto T(X, Y) ≤ T(Z, W). B) Se X ⊆ Z e Y ⊆ W então zi ≤ xi ≤ xk ≤ zk e wi ≤ yi ≤ yk ≤ wk Por definição, T(X, Y) = [T (xi , yi ), T (xk , yk )] e T(Z, W) = [T (zi , wi ), T (zk , wk )]. Logo, pela monotonicidade de T, tem-se que T (zi , wi ) ≤ T (xi , yi ) ≤ T (xk , yk ) ≤ T (zk , wk ). Portanto T(X, Y) ⊆ T(Z, W). Logo, pelo demonstrado acima, T é uma t-norma intervalar. 4.3.2 Conorma Triangular Intervalar Definição 9. Uma conorma triangular intervalar, conhecida como t-conorma intervalar, é uma operação binária IS : I[0, 1]2 → I[0, 1],que satisfaz as seguintes propriedades: S1 Comutatividade: S T (X, Y) = S T (Y, X) S2 Associatividade: S T (X(S T (Y, Z)) = S T (S T (X, Y), Z) S3 Elemento Neutro: S T (X, [0, 0]) = X S4 Monotonicidade: A)S T (X, Y) ≤ S T (Z, W) se X ≤ Z e Y ≤ W (monotônica em relação à ordem produto) B)S T (X, Y) ⊆ S T (Z, W) se X ⊆ Z e Y ⊆ W (monotônica em relação à inclusão) Proposição 28. Se S : [0, 1]2 → [0, 1] é uma t-conorma, então S : I[0, 1]2 → I[0, 1] definida por S(X, Y) = [S (xi , yi ), S (xk , yk )] 59 é uma t-conorma intervalar, denominada de t-conorma intervalar derivada de S. Proposição 29. Seja T uma t-norma intervalar. Então S T : I[0, 1]2 → I[0, 1] definida por S T (X, Y) = [1, 1] − T([1, 1] − X, [1, 1] − Y) é uma t-conorma intervalar, denominada de t-conorma intervalar derivada de T. Demonstração. Sejam X, Y, Z, W ∈ I[0, 1]. Tem-se que, se S T é uma t-conorma intervalar, satisfaz as seguintes propriedades: (i) Comutativa: S T (X, Y) = [1, 1] − T([1, 1] − X, [1, 1] − Y) = [1, 1] − T([1, 1] − Y, [1, 1] − X) = S T (Y, X) (ii) Associativa: S T (X, S T (Y, Z)) = = = = = = = S T (X, [1, 1] − T([1, 1] − Y, [1, 1] − Z)) [1, 1] − T([1, 1] − X, [1, 1] − ([1, 1] − T([1, 1] − Y, [1, 1] − Z))) [1, 1] − T([1, 1] − X, T([1, 1] − Y, [1, 1] − Z)) [1, 1] − T(T([1, 1] − X, [1, 1] − Y), [1, 1] − Z) [1, 1] − T([1, 1] − ([1, 1] − T([1, 1] − X, [1, 1] − Y)), [1, 1] − Z) S T ([1, 1] − T([1, 1] − X, [1, 1] − Y), Z) S T (S T (X, Y), Z) (iii) Elemento neutro: S T (X, [0, 0]) = = = = [1, 1] − T([1, 1] − X, [1, 1] − [0, 0]) [1, 1] − T([1, 1] − X, [1, 1]) [1, 1] − ([1, 1] − X) X (iv) Monotônica: A) Se X ≤ Z e Y ≤ W então [1, 1] − X ≤ [1, 1] − Z e , [1, 1] − Y ≤ [1, 1] − W. Logo,pela monotonicidade de T,T([1, 1] − X, [1, 1] − Y) ≤ T([1, 1] − Z, [1, 1] − W). Assim, [1, 1] − T([1, 1] − X, [1, 1] − Y) ≤ [1, 1] − T([1, 1] − Z, [1, 1] − W). Portanto, S T (X, Y) ≤ S T (Z, W). B) Se X ⊆ Z e Y ⊆ W então [1, 1] − X ⊆ [1, 1] − Z e [1, 1] − Y ⊆ [1, 1] − W Pela monotonicidade de T, T([1, 1] − X, [1, 1] − Y) ⊆ T([1, 1] − Z, [1, 1] − W). Logo, [1, 1] − T([1, 1] − X, [1, 1] − Y) ⊆ [1, 1] − T([1, 1] − Z, [1, 1] − W). Portanto, S T (X, Y) ⊆ S T (Z, W). Logo, pelo demonstrado acima, S T é uma t-conorma intervalar. 60 Teorema 1. Seja T uma t-norma, então ST = S T (4.1) Observação 5. Este teorema afirma que as construções de t-conormas intervalares à partir de t-conormas são derivadas de uma t-norma, corresponde com a de t-conorma intervalar derivada da t-norma intervalar obtida à partir de t-norma. Ou seja, temos a comutatividade garantida pela eq.4.1. Demonstração. Sejam X, Y ∈ I[0, 1] , X = [xi , xk ] e Y = [yi , yk ]. Considerando as proposições 8,9 e 10, tem-se que: ST (X, Y) = = = = = = 4.4 [S T (xi , yi ), S T (xk , yk ) [1 − T (1 − xi , 1 − yi ), 1 − T (1 − xk , 1 − yk )] [1, 1] − [T (1 − xk , 1 − yk ), T (1 − xi , 1 − yi )] [1, 1] − IT ([1 − xk , 1 − xi ], [1 − yk , 1 − yi ]) [1, 1] − IT ([1, 1] − X, [1, 1] − Y) S T (X, Y) Negação Fuzzy Intervalar Definição 10. Uma função intervalar N : U → U é uma negação fuzzy intervalar se, para todo X, Y ∈ U, as seguintes condições são satisfeitas: N1: N([0, 0]) = [1, 1] e N([1, 1]) = [0, 0]. N2a: Se X ≥ Y então N(X) ≤ N(Y). N2b: Se X ⊆ Y então N(X) ⊇ N(Y). Se N também satisfaz a propriedade involutiva, N é uma negação fuzzy intervalar forte: N3: N(N(X)) = X. b é negação fuzzy intervalar. Teorema 2. Seja N : U → U uma negação fuzzy. Então N b Além disso, se N negação fuzzy forte então N é também uma negação fuzzy intervalar b é dada pela expressão:Prova em(BEDREGAL et al., forte. Uma caracterização de N 2007c) b N(X) = [N(X), N(X)]. (4.2) 4.5 Implicação Fuzzy Intervalar Definição 11. Uma função intervalar I : U2 → U é uma implicação fuzzy intervalar se as seguintes condições são satisfeitas: I([1, 1], [1, 1]) = I([0, 0], [0, 0]) = I([0, 0], [1, 1]) = [1, 1], I([1, 1], [0, 0]) = [0, 0]. A seguir, tem-se extensão intervalar das propriedades das implicações fuzzy consideradas na seção 3.3. I1 Se X ≤ Z então I(X, Y) ≥ I(Z, Y) 61 I2 Se Y ≤ Z então I(X, Y) ≤ I(X, Z) I3 I([1, 1], X) = X I4 I(x, [1, 1]) = [1, 1] I5 I([0, 0], Y) = [1, 1] I6 Se W ⊆ Y e X ⊆ Z então I(W, X) ⊇ I(Z, Z) I7 I(X, I(Y, Z)) = I(Y, I(X, Z)) I8 I(X, Y) ⊆ I(X, I(X, Y)) I9 I([x, x], Y) = I([x, x], I([x, x], Y)) Teorema 3. Seja I : U 2 → U uma implicação fuzzy tal que I(x, y) = 1 se x ≤ y e satisfazendo as propriedades I1 e I2. Então a representação intervalar de I, b I : U2 → U é dado pela Eq. (4.3) b (4.3) I(X, Y) = [I(X, Y), I(X, Y)] 4.5.1 S-implicação Intervalar Se S uma t-conorma e N uma negação fuzzy, então uma S-implicação fuzzy é dada pela Eq. (4.4): IS ,N (x, y) = S (N(x), y). (4.4) As S-implicações fuzzy constituem extensões das condicionais (→) definidas pela equivalência lógica dada pela seguinte expressão x → y ⇔ ¬x ∨ y, envolvendo negação (¬) e disjunção (∨) da lógica clássica. Definição 12. Seja S uma t-conorma intervalar e N uma negação intervalar. Uma implicação intervalar IS,N é uma S-implicação intervalar se satisfaz a Eq. (4.5) IS,N (X, Y) = S(N(X), Y). (4.5) Teorema 4. Seja S uma t-conorma e N uma negação fuzzy. Então IbS ,Nb = Id S ,N . Proposição 30. Se I é um S-implicação então I é uma S-implicação intervalar. Sejam as seguintes classes e correspondentes denotações: • C(N) e C(N) para as classes das negações fuzzy e negações fuzzy intervalares; • C(S ) e C(S) para as classes das t-conormas fuzzy e t-conormas fuzzy intervalares; • C(I) e C(I) para as classes das S-implicações fuzzy e S-implicações fuzzy intervalares. A partir dos Teoremas 2, 3 e 4 verifica-se a comutatividade da Classe das S-implicações intervalares. Proposição 31. Seja T uma t-norma intervalar, então a função IT : U2 → U é uma implicação fuzzy intervalar, definida por 62 IT (X, Y) = sup{Z ∈ U | T(X, Y) ≤ Y} (4.6) Teorema 5. Seja T uma t-norma, então IT = IbT (4.7) Observação 6. Este teorema afirma que as construções de implicações intervalares à partir de implicações derivadas de uma t-norma, corresponde com a implicação intervalar derivada da t-norma intervalar obtida à partir de t-norma. Ou seja, temos a comutatividade garantida pela eq.5.10. Demonstração. Sejam X, Y, Z ∈ U. Considerando o conjunto {Z ∈ U | [T (xi , zi ), T (xk , zk )] ≤ Y}, tem-se que: IT (X, Y) = = = = = 4.5.2 sup{Z ∈ U | IT (X, Y) ≤ Y} sup{Z ∈ U | [T (xi , zi ), T (xk , zk )] ≤ Y} [sup{Z ∈ U | T (xk , z) ≤ yi }, sup{Z ∈ U | T (xi , z) ≤ yk }] [IT (xi , yi ), I((xk , yk )] IIT (X, Y) Automorfismo Intervalar Definição 13. A função φ : U → U é um automorfismo se é bijetiva e monótona (x ≤ y implica que φ(x) ≤ φ(y)). Aut(U) representa o conjunto dos automorfismos. Se φ é um automorfismo e I uma implicação fuzzy(BUSTINCE; BURILLO; SORIA, 2003). Pela ação de φ em I, I φ (x, y) = φ−1 (I(φ(x), φ(y))), (4.8) é uma implicação fuzzy . Se I é uma S-implicação então I φ também é uma S-implicação. 4.5.3 Construção Canônica de um Automorfismo Intervalar A função ϕU → U é um automorfismo intervalar se e somente se é bijetiva e monotônica pela relação de ordem produto (X ≤ Y → ϕ(X) ≤ ϕ(Y)). O conjunto de todos os automorfismos intervalares ϕ : U → U é denotado por Aut(U). Teorema 6. Se ϕ : U → U é um automorfismo intervalar. Então existe um automorfismo φ : U → U tal que (4.9) ϕ(X) = [φ(X), φ(X)]. 4.5.4 Automorfismo Intervalar e S-implicação intervalar Teorema 7. Se ϕ : U → U é um automorfismo intervalar(BEDREGAL et al., 2007b) e I : U2 → U é uma S-implicação intervalar. A função I : U2 → U é uma S-implicação intervalar, quando Iϕ (X, Y) = ϕ−1 (I(ϕ(X), ϕ(Y))). 63 Proposição 32. Se I é uma S-implicação intervalar e ϕ1 e ϕ2 é um automorfismo intervalar. Então (Iϕ1 )ϕ2 = Iϕ1 ◦ϕ2 . 64 5 CONCLUSÃO A máquina e o raciocı́nio humano nunca estiveram tão próximos quanto atualmente. A IA avança evoluindo os algoritmos que modelam e implementam os sistemas reais, tornando-os mais capazes e propondo soluções cada vez mais realistas a problemas, anteriormente, somente possı́veis ao cérebro humano. Para este desenvolvimento cientı́fico muito tem de contribuição da área de sistemas especialistas, em especial da lógica fuzzy. A teoria da lógica fuzzy tem participado desse processo pelas suas caracterı́sticas que atraı́ram a atenção de várias linhas de pesquisa, pois ela tem sido desenvolvida para lidar com o conceito de verdade parcial, ou seja, com valores de verdade entre o complemento verdadeiro e o complemento falso da lógica clássica. No nosso cotidiano real poucos são os casos em que temos total certeza sobre as coisas ou fatos, sabe-se que faz parte do pensamento humano tomar decisões considerando a verdade parcial existente. A lógica fuzzy é a lógica que suporta os modos de raciocı́nio que são aproximados ao invés de exatos. Derivada do conceito de conjuntos fuzzy, a lógica fuzzy constitui a base para o desenvolvimento de métodos e algoritmos de modelagem e controle de processos, permitindo a redução da complexidade de projeto e implementação, tornandose a solução para problemas de controle até então intratáveis por técnicas clássicas. Neste estudo, foram revisados os conceitos da Teoria dos Conjuntos Fuzzy, onde o valor verdade de uma proposição pode ser um subconjunto fuzzy de qualquer conjunto parcialmente ordenado, ao contrário dos sistemas lógicos binários, onde o valor verdade só pode assumir dois valores: verdadeiro (1) ou falso (0). Nos sistemas lógicos multivalorados, o valor verdade de uma proposição pode ser um elemento de um conjunto finito. Um conjunto fuzzy corresponde a alargar a noção de conjunto, para permitir a representação de conceitos qualitativos ou difusos. A função de pertinência a um conjunto fuzzy indica com que grau um conceito especı́fico é membro de um conjunto. São funções que mapeam o valor que poderia ser um membro do conjunto para um número entre 0 e 1, onde o grau de pertinência 0 indica que o valor não pertence ao conjunto e o grau 1 significa que o valor é uma representação completa do conjunto. Utilizando-se esta lógica este trabalho considerou um estudo de caso, denominado Aplicação do sistema baseado em regras fuzzy no controle da qualidade de água par o consumo humano, onde os valores verdade são expressos linguisticamente sendo cada termo linguı́stico é interpretado como um subconjunto fuzzy do intervalo unitário. A modelagem e o controle fuzzy são técnicas para se manusear informações qualitativas de uma maneira rigorosa. Tais técnicas consideram o modo como a falta de exatidão e a incerteza são descritas e, fazendo isso, tornam-se suficientemente podero- 65 sas para manipular de maneira conveniente o conhecimento. A teoria de sistemas fuzzy trata do relacionamento entre entradas e saı́das, agregando vários parâmetros de processo e de controle. A grande simplicidade de implementação de sistemas de controle fuzzy pode reduzir a complexidade de um projeto a um ponto em que problemas anteriormente inviáveis passam agora a ser solúveis. Logo, a principal função das variáveis linguı́sticas é fornecer uma maneira sistemática para uma caracterização aproximada de fenômenos complexos ou mal definidos. Ou seja, a utilização do tipo de descrição linguı́stica empregada por seres humanos, e não de variáveis quantificadas, permite o tratamento de sistemas que são muito complexos para serem analisados através de mecanismos matemáticos convencionais simples. A Matemática Intervalar aliada com a teoria fuzzy permite, em princı́pio, tratar tanto com a incerteza quanto com a imprecisão dos valores de entrada. Baseando-se na Teoria dos Conjuntos Fuzzy, este estudo foi relevante para compreender que a lógica fuzzy, inicialmente construı́da a partir dos conceitos já estabelecidos na lógica clássica, operadores aqui foram definidos à semelhança dos tradicionalmente utilizados . Assim também as funções de pertinência, tem representações equivalentes dos conjuntos fuzzy, podem ser utilizadas para definir as operações básicas de intersecção, união e complemento fuzzy, sendo representadas tomando o mı́nimo, máximo e complemento das correspondentes funções caracterı́sticas. O trabalho desenvolvido mostra que proposições fuzzy podem ser combinadas utilizando-se diferentes operadores, gerando novas proposições fuzzy, incluindo os conectivos lógicos e e ou, bem como o operador de implicação se ...então. As proposições fuzzy resultantes da combinação podem ser descritas em termos de relações fuzzy. A determinação do valor desta relação fuzzy, em função dos conjuntos fuzzy de cada operando,pode ser realizada de muitas maneiras diferentes. Na teoria de conjuntos fuzzy, as normas triangulares têm um papel fundamental para fornecer os modelos genéricos para as operações de intersecção e união, devendo possuir as propriedades de comutatividade, associatividade, monotonicidade e satisfazer o elemeto neutro. Existem muitas formas de estender os conectivos proposicionais clássicos para o conjunto U. Neste estudo, a representação canônica consiste num operador cujas extensões preservam tanto as propriedades lógicas dos conectivos clássicos como os critérios de optimalidade e corretude da análise numérica sobre intervalos de reais. As normas triangulares intervalares formam classes gerais de intersecção e união respectivamente caracterizadas por normas intervalares (t-normas intervalares) e por conormas intervalares (s-normas intervalares). Pelas propriedades da representação canônica das normas triangulares, o operador inf é uma t-norma intervalar e o operador sup é uma s-norma intervalar, então as operações sobre conjuntos fuzzy intervalar podem ser interpretadas como conectivos lógicos fuzzy e as t-normas e as s-normas como conectivos lógicos fuzzy intervalares conjuntivos e disjuntivos, respectivamente. Portanto, com este estudo conseguiu-se generalizar os conectivos proposicionais clássicos utilizando os conceitos de normas triangulares fuzzy (normas triangulares intervalar), de negação fuzzy ( negação fuzzy intervalar) e de implicação( implicação fuzzy intervalar) e interpretando a t-norma como a conjunção, a t-conorma como a disjunção e a implicação como a condicional. Considerando a importância de implicações fuzzy no desenvolvimento de aplicações práticas em sistemas fuzzy, a maior contribuição deste trabalho foi a análise das diferentes classes de implicações(QL-S-R-D-implicações) e de suas principais propriedades e consequências, com base nas t-normas, t-conormas e negação 66 fuzzy, incluindo as correspondentes extensões intervalares. Para trabalhos futuros pretende-se aprofundar o estudo em relação as implicações fuzzy intervalar, objetivando análise de outras propriedades e de suas importantes classes, levando-se em consideração a representação canônica intervalar. 67 REFERÊNCIAS ACIÓLY, B. M. Computational foundations of Interval mathematics. 1991. Tese (Doutorado em Ciência da Computação) — PGCC/UFRGS, Porto Alegre. (in Portuguese). ALEFELD, G.; FROMMER, A.; LANG, B. Scientific Computing and Validated Numerics: Proceedings of the International Symposium on Scientific Computing, Computer Arithmetic and Validated Numerics, Wuppertal, 1995. Berlin: AkademieVerlag, 1996. (Mathematical Research, v.90). ALEFELD, G.; HERZBERGER, J. Introduction to Interval Computations. New York: Academic Press, 1983. ALSINA, C.; TRILLAS, E.; VALVERDE, L. On non-distributive logical connectives for fuzzy set theory. Busefal, [S.l.], v.3, p.18–29, 1980. BACZYNSK, M.; JAYARAM, B. (U,N)-implications and their characterizations. Fuzzy Sets and Systems, [S.l.], v.160, n.14, p.2049–2062, 2009. BACZYNSKI, M. Residual Implications Revisited. Notes on the Smets-Magrez. Fuzzy Sets and Systems, [S.l.], v.145, n.2, p.267–277, 2004. BACZYNSKI, M.; JAYARAM, B. (S,N)- and R-implications: A state-of-the-art survey. Fuzzy Sets and Systems, [S.l.], v.159, n.14, p.1836–1859, 2008. BACZYNSKI, M.; JAYARAN, B. On the characterization of (S,N)-implications. Fuzzy Sets and Systems, [S.l.], v.158, n.15, p.1713–1727, 2007. BALASUBRAMANIAM, J. Yager’s New Class of Implications J f and Some Classical Tautologies. Information Sciences, [S.l.], v.177, n.3, p.930–946, 2007. IMECC (Ed.). Sistemas fuzzy e aproximação universal, Tese de Mestrado. [S.l.]: Universidade Estadual de Campinas, Campinas, Brasil, 2002. BARBOZA, L. V.; DIMURO, G. P.; REISER, R. H. S. Towards Interval Analysis of the Load Uncertainty in Power Electric Systems. In: Proceedings of the 8th International Conference on Probability Methods Applied to Power Systems, Ames, 2004. Los Alamitos: IEEE Computer Society Press, 2004. p.538–541. BARROS, L.; BASSANEZI, R. Tópicos de Lógica Fuzzy e Biomatemática. [S.l.]: Campinas, São Paulo, 2006. 68 BEDREGAL, B. A normal form which preserves tautologies and contradictions in a class of fuzzy logics. Journal of Algorithms, [S.l.], 2007. doi: 10.1016/J.Algor.2007.04.003. BEDREGAL, B. C.; SANTIAGO, R. H. N.; DIMURO, G. P.; REISER, R. H. S. Interval Valued R-Implications and Automorphisms. In: Pre-Proceedings of the 2nd Workshop on Logical and Semantic Frameworks, with Applications. Ouro Preto: UFMG, 2007. p.82–97. BEDREGAL, B. C.; SANTIAGO, R. H. N.; REISER, R. H. S.; DIMURO, G. P. Properties of fuzzy implications obtained via the interval constructor. TEMA – Tendencies in Computational and Applied Mathematics, [S.l.], v.8, n.1, p.33–42, 2007. available at http://www.sbmac.org.br/tema. BEDREGAL, B. C.; SANTIAGO, R. H. N.; REISER, R. H. S.; DIMURO, G. P. The Best Interval Representation of Fuzzy S-Implications and Automorphisms. In: IEEE INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS, LONDRES, 2007, 2007, Los Alamitos. Proceedings. . . IEEE, 2007. p.3220–3230. BEDREGAL, B. C.; SANTIAGO, R. H. N.; REISER, R. H. S.; DIMURO, G. P. Analyzing Properties of Fuzzy Implications Obtained via the Interval Constructor. In: 12th GAMM - IMACS International Symposium on Scientific Computing, Computer Arithmetic and Validated Numerics, 26-29 September, Duisburg, 2006, SCAN 2006 Conference Post-Proceedings. Los Alamitos: IEEE Computer Society, 2007. n.13. BEDREGAL, B. C.; TAKAHASHI, A. The Best Interval Representation of T-Norms and Automorphisms. Fuzzy Sets and Systems, [S.l.], v.157, n.24, p.3220–3230, 2006. BEDREGAL, B. C.; TAKAHASHI, A. Interval Representations of N-dual t-conorm. In: CONGRESS ON LOGIC APPLIED TO TECNOLOGY, LAPTEC’07, 6., 2007, Santos. Proceedings. . . Unisanta, 2007. p.1–8. BEDREGAL, B. R. C.; DIMURO, G. P.; REISER, R. H. S. An Approach to IntervalValued R-Implications and Automorphisms. In: INTERNATION FUZZY SYSTEMS ASSOCIATION WORLD CONGRESS/EUROPEAN SOCIETY FOR FUZZY LOGIC AND TECHNONOLY CONFERENCE, 2009, Lisboa. Proceedings. . . IFSA/EUSFLAT, 2009. (to appear). BEDREGAL, B. R. C.; REISER, R. H. S.; DIMURO, G. P. Xor-Implications and EImplications: Classes of fuzzy implications based on fuzzy Xor. In: BENEVIDES, M.; PIMENTEL, E. (Ed.). Proceedings of the Third Workshop on Logical and Semantic Frameworks, with Applications, Salvador, 2008. Amsterdam: Elsevier, 2009. (Electronic Notes in Theoretical Computer Science). (to appear). BOJADZIEV, G.; BOJADZIEV, M. Fuzzy Sets, Fuzzy Logic, Aplications. [S.l.]: World scientific, 1995. v.5. BUSTINCE, H.; BURILLO, P.; SORIA, F. Automorphism, Negations and Implication Operators. Fuzzy Sets and Systems, [S.l.], v.134, n.2, p.209–229, 2003. BUTINARIU, D.; E.P., K. Triangular Norm-Based Measures and games With Fuzzy Coalitions. [S.l.]: Klumer Academic Publishers,Dordrecht, 1993. 69 CARLSSON, C.; FULLER, R. Fuzzy Reasoning in Decision Making and Optimization. Heidelberg: Physiva-Verlag Springer, 2002. GEEM (Ed.). Introdução à Lógica Matemática. 6.ed. [S.l.]: São Paulp:GEEM, 1984. v.1. CHEN, G.; PHAM, T. T. Fuzzy Sets, Fuzzy Logic, and Fuzzy Control Systems. Boca Raton: CRC Press, 2001. CLAUDIO, D. M.; MARINS, J. M. Cálculo Numérico Computacional:Teoria e Prática. [S.l.]: São Paulo:Altas S.A., 1989. v.1. DESCHRIJVER, G. A representation of t-norms in interval-valued L-fuzzy set theory. Fuzzy Sets and Systems, [S.l.], v.159, n.13, p.1597–1618, 2008. DESCHRIJVER, G.; KERRE, E. Implicators based on binary aggregation operators in interval-valued fuzzy set theory. Fuzzy Sets and Systems, [S.l.], v.153, n.2, p.229–248, 2005. DIMURO, G. P.; COSTA, A. C. R. Interval-based Markov Decision Processes for Regulating Interactions Between Two Agents in Multi-Agent Systems. In: SELECTED PAPERS OF THE 7TH INTERNATIONAL CONFERENCE ON APPLIED PARALLEL COMPUTING, PARA’04, LYNGBY, 2006, Berlin. Anais. . . Springer, 2006. n.3732, p.102–111. (LNCS). DUBOIS, D.; PRADE, H. Fuzzy Sets and Systems. New York: Academic Press, 1996. DWYER, P. S. Computation with Approximate Numbers. In: LINEAR COMPUTATIONS, 1951, New York. Anais. . . Wiley & Sons Inc, 1951. p.11–35. ESCARDó, M. H. PCF extended with real numbers: A domain-theoretic approach to higher-order exact real number computation. 1996. Tese (Doutorado em Ciência da Computação) — Imperial College of the University of London, London. (available at http://www.dcs.ed.ac.uk/lfcsreps/ EXPORT/97/ECS-LFCS-97-374/index.html). FILHO, E. d. A. Iniciação à Lógica Matemática. 16.ed. [S.l.]: São Paulo:Nobel, 1986. v.1. FODOR, J. C. Contrapositive Symmetry of Fuzzy Implications. Fuzzy Sets and Systems, [S.l.], v.69, n.2, p.141–156, 1995. FODOR, J.; ROUBENS, M. Fuzzy Preference Modelling and Multicriteria Decision Support. Dordrecht: Kluwer Academic Publisher, 1994. GRIGOLETTI, P.; DIMURO, G. P.; BARBOZA, L. V.; REISER, R. H. S. Análise Intervalar de Circuitos Elétricos. TEMA – Tendencies in Computational and Applied Mathematics, [S.l.], v.7, n.2, p.287–296, 2006. available at http://www.sbmac.org.br/tema. HáJEK, P. Basic fuzzy logic and BL-algebras. Soft Computing, [S.l.], v.2, p.124–128, 1998. HU, C.; KEARFOTT, R. B.; KORVIN, A. de; KREINOVICH, V. (Ed.). Knowledge Processing with Interval and Soft Computing. London: Springer Verlag, 2008. 70 JACELINE, R.; BARROS, L.; BASSANEZI, R. Teoria dos Conjuntos Fuzzy com Aplicações. In: PAULO, S. C.-S. (Ed.). . [S.l.]: ISBN, 2005. (Notas em Matemática Aplicada). KLEMENT, E. P.; MESIAR, R.; PAP, E. Quasi- and pseudo-inverses of monotone functions, and the construction of t-norms. Fuzzy Sets and Systems, [S.l.], v.104, n.1, p.3–13, 1999. KLEMENT, E. P.; MESIAR, R.; PAP, E. Triangular Norms. Dordrecht: Kluwer Academic Publisher, 2000. KLEMENT, E. P.; NAVARA, M. A survey on different triangular norm-based fuzzy logics. Fuzzy Sets and Systems, [S.l.], v.101, n.2, p.241–251, 1999. LODWICK, W. Preface. Reliable Computing, [S.l.], v.10, n.4, p.247–248, 2004. MAS, M.; MONSERRAT, M.; TORRENS, J. Two types of implications derived from uninorms. Fuzzy Sets and Systems, [S.l.], v.158, n.3, p.2612–2626, 2007. MAS, M.; MONSERRAT, M.; TORRENS, J.; TRILLAS, E. A Survey on Fuzzy Implication Functions. IEEE Transactions on Fuzzy Systems, [S.l.], v.15, n.6, p.1107–1121, 2007. MENDEL, J. M. Advances in Type-2 Fuzzy Sets and Systems. Information Sciences, [S.l.], v.177, n.1, p.84–110, 2007. MENDOZA, O.; MELIN, P.; LICEA, G. A hybrid approach for image recognition combining type-2 fuzzy logic, modular neural networks and the Sugeno integral. Information Sciences, [S.l.], v.179, n.13, p.2078–2101, 2009. MENGER, K. Statical metrics. Proceedings Nat. Acad. Sci., [S.l.], v.37, p.535–537, 1942. METCALFE, G. Proof theory for propositional fuzzy logics. 2003. Tese (Doutorado em Ciência da Computação) — King’s College London. MOORE, R. Methods and aplications of interval analysis. [S.l.]: Philadelfia,SIAM, 1979. MOORE, R. E. Interval Arithmetic and Automatic Error Analysis in Digital Computing. 1962. Tese (Doutorado em Ciência da Computação) — Stanford University, Stanford. MOORE, R. E. Interval Anlysis. [S.l.]: New jersey:Prentice Hall, 1966. ROSS, T. J. Fuzzy logic with engineering applications. [S.l.]: Nueva York, EUA : McGraw-Hill, 1995. RUAM, D.; KERRE, E. fuzzy implication operators and generalized fuzzy methods of cases. Fuzzy Sets and Systems, [S.l.], v.1, n.54, p.23–37, 1993. 71 RUIZ-AGUILERA, D.; TORRENS, J. S- and R-implications from uninorms continuous in ]0, 1[2 and their distributivity over uninorms. Fuzzy Sets and Systems, [S.l.], v.160, n.6, p.832–852, 2009. SAINIO, E.; TURUNEN, E.; MESIAR, R. A characterization of fuzzy implications generated by generalized quantifiers. Fuzzy Sets and Systems, [S.l.], v.159, n.4, p.491–499, 2008. SCHWEIZER, B.; SKLAR, A. Associative Functions and Statistical Triangle Inequalities. Publicationes Mathematicae Debrecen, [S.l.], v.8, p.168–186, 1961. SILER, W.; BUCKLEY, J. J. Fuzzy Expert Systems and Fuzzy Reasoning. New York: John Wiley, 2004. SIMÕES, M. G.; SHAW, I. Controle e Modelagem Fuzzy. II.ed. [S.l.]: Paulo:Blucher, 2007. São TAKAHASH, A.; BEDREGAL, B. T-Normas,t-Conormas, Complementos e Implicações Intervalares. TEMA.Tend.Mat.Apli.Comput., [S.l.], v.7, n.1, p.139–148, 2006. YAGER, R. R. On the implication operator in fuzzy logic. Information Sciences, [S.l.], v.31, n.2, p.141–164, 1983. YAGER, R. R. On some new classes of implication operators and their role in approximate reasoning. Information Sciences, [S.l.], v.167, n.1–4, p.193–216, 2004. ZADEH, L. A. Fuzzy Sets. Information and Control, [S.l.], v.8, n.3, p.338–353, 1965. ZADEH, L. A. The concept of a linguistic variable and its application to approximate reasoning - I. Information Sciences, [S.l.], v.8, n.3, p.199–249, 1975. ZADEH, L. A. Fuzzy Logic, Neural Networks, and Soft Computing. Communications of the ACM, [S.l.], v.37, n.3, p.77–84, 1994. ZADEH, L. A. Is there a need for fuzzy logic? Information Sciences, [S.l.], v.178, n.13, p.2751–2779, 2008.