Universidad Autonoma del Estado

de Hidalgo
Instituto de Ciencias Basicas
e Ingeniera
Inteligencia Artificial
Licenciatura en
Sistemas Computacionales

Karla I. Lopez De La Cruz

mailto:lopezdelacruz ki@yahoo.com

Julio de 2013

Este documento contiene las notas de la unidad 2 para el curso de Inteligencia Artificial. La
unidad tiene como objetivo relacionar los conceptos matematicos estudiados con modelos
computacionales para representar y almacenar conocimiento.

Indice general
1. L
ogica difusa
1.1. Introduccion . . . . . . . . . . . . . . . . .
1.2. Conjuntos difusos y variables ling
usticas .
1.2.1. Representacion de conjuntos difusos
1.2.2. Operaciones entre conjuntos difusos
1.2.3. Relaciones difusas . . . . . . . . . .
1.3. Reglas e inferencia difusa . . . . . . . . . .
1.4. Desarrollo de un sistema experto difuso . .

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

1
1
2
2
5
7
9
9

II

INDICE GENERAL

1
L
ogica difusa
1.1.

Introducci
on

En sentido estricto logica difusa es una generalizacion de la logica clasica para razonamientos con incertidumbre. En un sentido mas amplio, la logica difusa se refiere a todas
las teoras y tecnologas que emplean conjuntos difusos, los cuales son clases con lmites
vagamente definidos.
Entre otras caractersticas que diferencian a la logica difusa de la logica clasica se encuentran
El grado de verdad de una aseveracion en la logica bivalente toma un valor entre un
conjunto finito de valores: verdadero o falso; en la logica difusa, el grado de verdad
es un subconjunto que se puede expresar como verdadero, muy verdadero, bastante
falso, no muy falso, etc.
En la logica clasica los predicados son concretos, mientras que en la logica difusa
pueden ser tanto ntidos como difusos.
La logica bivalente admite solo dos cuantificadores: el universal y el existencial .
La logica difusa admite ademas una gran variedad de cuantificadores difusos como
muchos, pocos, algunos, la mayora, etc. Estos se pueden interpretar como n
umeros
difusos que dan una caracterizacion imprecisa del cardinal de un conjunto difuso o
clasico.
Este tipo de razonamiento aproximado permite distintas interpretaciones de las sentencias: casi cierto, muy falso,poco verdadero, etc.
Principio de incompatibilidad
A medida que la complejidad de un sistema aumenta, disminuye nuestra capacidad para
hacer afirmaciones precisas, incluso significativas sobre su comportamiento, hasta que se
alcanza un umbral mas alla del cual precision y relevancia son caractersticas mutuamente
excluyentes (Zadeh).

1.2.

1.2. Conjuntos difusos y variables ling

usticas

Conjuntos difusos y variables lingu

sticas

Un conjunto clasico tiene lmites duramente definidos, por ejemplo, un conjunto clasico
de numeros reales mayores que 6 puede expresarse como sigue:
A = x|x > 1.8
Donde existe un lmite duramente definido 1.8 tal que si x es mayor que este n
umero,
entonces x pertenece al conjunto A; de otra forma x no pertenece al conjunto. Aunque los
conjuntos clasicos son u
tiles para varias aplicaciones y son una herramienta importante
para las ciencias matematicas y computacionales, no reflejan la naturaleza de los conceptos y pensamientos humanos, que tienden a ser abstractos e imprecisos. Por ejemplo, se
puede expresar matematicamente el conjunto de personas altas como una coleccion de
personas cuya altura es mayor que 1.80m. Si definimos A = personasaltas y x = altura.
De modo que esta es una representacion poco natural e inadecuada del concepto de persona alta. La teora de conjuntos clasica clasificara a una persona de 1.8001m como
una persona alta, pero no a una persona de 1.7999m. Esta distincion es intuitivamente
poco razonable debido a la transicion abrupta entre la inclusion y la exclusion del conjunto.
En contraste a los conjuntos clasicos, un conjunto difuso no tiene lmites duramente definidos, esto significa que la transicion de pertenencia a no pertenencia al conjunto es gradual
y es caracterizada por funciones de pertenencia que dan flexibilidad a los conjuntos difusos
para modelar expresiones ling
usticas como .el agua esta caliente.o la temperatura es alta.
Como Zadeh se
nala, los conjuntos o clases definidos de forma imprecisa tienen un papel
importante en el pensamiento humano, particularmente en el dominio del reconocimiento
de patrones, comunicacion de informacion y abstraccion. La naturaleza difusa no viene de
la aleatoriedad de los miembros del conjunto, sino de la naturaleza incierta e imprecisa
de los pensamientos y conceptos abstractos.
Variable lingu
stica. Es una variable cuyos valores son palabras o sentencias en lenguaje natural o artificial reducido.

1.2.1.

Representaci
on de conjuntos difusos

La funcion caracterstica o funcion de pertenencia indica el grado de pertenencia de

un elemento a un conjunto. Su valor vara de forma continua en un intervalo, admitiendo
la posibilidad de pertenencia parcial de un elemento a un conjunto.
La funcion de pertenencia generalizada toma sus valores de un conjunto L, llamado conjunto de pertenencia. Los elementos de L no tienen que ser necesariamente n
umeros; cualquier
conjunto total o parcialmente ordenado sera igualmente valido. Ordinariamente se toma
el conjunto de n
umeros reales comprendido entre 0 y 1. L = [0, 1]

1 si x A
A (x) =
(1.1)
0 si x
/A
A (x) = [0, 1]

(1.2)

Para el conjunto de solo dos valores, 0 o 1, L = 0, 1, A se reduce a un conjunto ordinario, de manera que la teora clasica de conjuntos es un caso particular de la teora de

1. Logica difusa

conjuntos difusos, en los que la funcion de pertenencia toma exclusivamente valores de 0

o 1.
La funcion de pertenencia puede definirse de forma numerica, mediante un vector (para
universos discretos y finitos) o de forma funcional, em cuyo caso tiene generalmente forma
de campana, triangular, trapezoidal, etc. En este caso puede depender de parametros que
permitan variar su forma. La representacion grafica de una funcion de pertenencia es otra
forma de representar los conjuntos difusos que resulta u
til para compararlos y operar con
ellos.
Un conjunto difuso A es un conjunto de pares ordenados de un elemento generico x
que pertenece al universo de discurso U y su grado de pertenencia al conjunto

A = x|A (x), x U

(1.3)

EJEMPLOS
Funciones de pertenencia generalizadas

Figura 1.1: Funcion de pertenencia triangular

0
xa

xa a x < b
ba
T riangular(x, a, b, c) = cx

bx<c

cb
0
c<x

(1.4)

1.2. Conjuntos difusos y variables ling

usticas

Figura 1.2: Funcion de pertenencia trapezoidal

0
xa

xa

ba a x < b
T rapezoidal(x, a, b, c, d) =
1 bx<c

dx

bx<c

dc

0
d<x

(1.5)

Figura 1.3: Funcion de pertenencia gaussiana

1 xc 2
)

Gaussiana(x, c, ) = e 2 (

(1.6)

1. Logica difusa

Figura 1.4: Funcion de pertenencia Bell

Bell(x, a, b, c) =

1
1 + | xc
|2b
a

(1.7)

Figura 1.5: Funcion de pertenencia sigmoidal

Sigmoidal(x, a, c) =

1.2.2.

1
1+

ea(xc)

(1.8)

Operaciones entre conjuntos difusos

Las operaciones entre conjuntos difusos se definen de la siguiente forma:

Complemento.
C(A) = {x|C(A) (x) = 1 A (x), x U }

(1.9)

1.2. Conjuntos difusos y variables ling

usticas

Uni
on.
A B = {x|AB (x) = max(A (x), B (x)), x U }

(1.10)

A B = {x|AB (x) = min(A (x), B (x)), x U }

(1.11)

Intersecci
on.

Puede equipararse a la interpretacion de los operadores logicos not, and or y and, y se

puede comprobar que incluyen, como casos particulares, a las definiciones para conjuntos
clasicos para L = 0, 1.
La mayora de las propiedades de las operaciones entre conjuntos clasicos se siguen cumpliendo, excepto dos:
Principio de contradicci
on cl
asico
A A 6=

(1.12)

A A 6= U

(1.13)

Ley del tercio excluso cl

asica

Modificadores lingu
sticos. A los conjuntos difusos se les puede aplicar operadores
o reglas de modificacion. Los modificadores ling
usticos son adverbios que se utilizan con
frecuencia en el lenguaje natural para especificar, junto con el predicado, una propiedad
mas concreta. La interpretacion de los modificadores corresponde a un cambio en la forma
de la funcion de pertenencia para representar la accion de ese modificador sobre la funcion
original.
Los modificadores se modelan en la teora de conjuntos difusos mediante operaciones
sobre la funcion de pertenencia asociada al predicado que se esta modificando.
Negaci
on (No). Operacion unaria que da como resultado el complemento.
N EG((x)) = 1 (x)

(1.14)

Concentraci
on (Muy). Operacion unaria que aplicada a un conjunto difuso A, da como
resultado un subconjunto difuso de A tal que la reduccion en los grados de pertenencia
mas altos de la funcion es mucho menor que la reduccion en los grados mas bajos.
CON ((x)) = 2 (x)

(1.15)

1. Logica difusa

Dilataci
on (Algo, casi, m
as o menos). Operacion unaria que da un resultado opuesto
a la concentracion; admite distintas definiciones.
DIL((x)) = 2(x) 2 (x)

(1.16)

Intensificaci
on (Bastante). Operacion unaria que se suele utilizar en combinacion con
alguna otra operacion para hacer mas selectiva una propiedad.
(
22 (x)
si 0 (x) 0.5
IN T (x) =
(1.17)
2
1 2(1 (x))
si (x) > 0.5

1.2.3.

Relaciones difusas

Una relacion representa la presencia o ausencia de asociacion entre dos elementos de

dos o mas conjuntos. Este concepto se puede generalizar asignando a cada grupo de elementos un n
umero comprendido entre 0 y 1 que represente el grado de pertenencia a la
relacion, en este caso difusa.
Relaciones cl
asicas entre conjuntos difusos A y B son conjuntos clasicos definidos sobre el mismo universo de discurso.
Inclusi
on.
A Bsi A (x) B (x), x U

(1.18)

A = Bsi A (x) = B (x), x U

(1.19)

A 6= Bsi A (x) 6= B (x), x U

(1.20)

Equivalencia.

Desigualdad.

Relaciones difusas entre conjuntos cl

asicos Las relaciones definidas de esta forma son binarias, ARB donde A y B son conjuntos clasicos que pueden estar definidos en
universos de discurso diferentes y R es un subconjunto difuso del producto cartesiano de
A y B. Se obtiene como resultado un conjunto de pares ordenados (x, y), cada uno con
un determinado grado de pertenencia R a la relacion R, que indica en que grado o con
que intensidad los elementos (x, y) estan en la relacion R. Las relaciones binarias difusas
pueden representarse mediante matrices. Observe el siguiente ejemplo.

1.2. Conjuntos difusos y variables ling

usticas

x U1 es un familiar cercano de y U2
U1 = {madre, to, primo}
U2 = {hijo}
R
Madre
Hijo
1

To Primo
0.6
0.3

Cuadro 1.1: Relacion difusa es un familiar cercano

Relaciones difusas entre conjuntos difusos R es un subconjunto difuso del producto cartesiano de A y B.
Producto cartesiano. Admite varias definiciones, en la definicion estandar se asigna
a cada pareja formada por un elemento de U1 y otro de U2 , el menor de sus grados de
pertenencia al conjunto A y al conjunto B respectivamente
A B = {(x, y)|AB (x, y) = min(A (x), B (y)), x U1 , y U2 }

(1.21)

La operacion es similar a la definicion de la interseccion, excepto que, como los universos

son diferentes, el conjunto difuso resultante esta formado por parejas.
Composici
on de relaciones. Puede ser expresada como una secuencia de operaciones max , donde es cualquier operador de la clase de las normas triangulares; los
mas usuales son el mnimo, producto algebraico, producto drastico o producto acotado.
El operador es elegido seg
un la aplicacion especfica.
R1 (U1 , U2 ) R2 (U2 , U3 ) = R3 (U1 , U3 )

(1.22)

R3 (U1 , U3 ) = {(x, z)|R1 R2 (x, z), x U1 , y U2 , z U3 }

(1.23)

R1 R2 (x, z) = max[y U2 : min(R1 (x, y), R2 (y, z))]

(1.24)

donde

Existe una similitud entre esta operacion y el producto matricial, asociando la suma
con la operacion max y el producto con la operacion min. En este caso la composicion de
relaciones difusas es conocida con el nombre de producto matricial max min. Observe
el siguiente ejemplo:
U1 = {primavera, verano, otoo, invierno}
U2 = {f ro, calor}
U3 = {shorts, abrigo, impermeable}
Se definen sobre ellos las siguientes relaciones

1. Logica difusa

9
R1 (U1 , U2 )
Fro Calor
Primavera 0.4
0.6
Verano
0
1
Oto
no
0.6
0.4
Invierno
1
0

R2 (U2 , U3 )
Fro
Calor

Shorts Abrigo Impermeable

0.1
0.9
0.6
0.9
0.1
0.4

La composicion de relaciones se ejecuta de la siguiente manera

(1,1) = max[min(0.4, 0.1), min(0.6, 0.9)] = max(0.1, 0.6) = 0.6
(1,2) = max[min(0.4, 0.9), min(0.6, 0.1)] = max(0.4, 0.1) = 0.4
(1,3) = max[min(0.4, 0.6), min(0.4, 0.4)] = max(0.4, 0.4) = 0.4

0.4 0.6
0.6


0
0.1 0.9 0.6
0.9
1

R3 (U1 , U3 ) =
0.6 0.4 0.9 0.1 0.4 = 0.4
1
0
0.1

1.3.

0.1
0.1
0.6
0.9

0.4
0.4

0.6
0.6

(1.25)

Reglas e inferencia difusa

Implicaci
on Mamdani. Sean a y b dos conjuntos difusos,
Para obtener conclusiones a partir de una base de reglas se necesita un mecanismo
que produzca una salida a partir de una coleccion de reglas. Esto se hace usando la regla
composicional de inferencia (CROI). La regla de inferencia modus ponens
a (a b) b

(1.26)

describe que si la sentencia a b es verdadera, y tambien a lo es, entonces podemos

inferir que b es verdadera. La logica difusa generaliza esto en el modus ponens generalizado
(GMP)
a0 (a b) b0
(1.27)
En logica difusa se permite que los conjuntos a0 y b0 sean ligeramente diferentes de a y b

1.4.

Desarrollo de un sistema experto difuso

El problema de la propina. cual es el porcentaje adecuado de propina? Dado un n

umero entre 0 y 10 que representa la calidad del servicio en el restaurante, donde 10 es
excelente. La propina promedio es de 15 % sobre el total de los alimentos consumidos,
aunque el porcentaje vara de acuerdo a la calidad del servicio.

10

1.4. Desarrollo de un sistema experto difuso

Aproximaci
on no difusa
La relacion mas simple posible es suponer que la propina siempre es igual al 15 % de
la cuenta total
tip = 0.15

Figura 1.6: Primera aproximacion no difusa

Esta aproximacion no considera la calidad del servicio, as que se agrega un termino

a la ecuacion. Dado que el servicio, esta representado en una escala de 0 a 10, la propina
puede ir de forma lineal de 5 % si el servicio es malo a 25 %, si el servicio es excelente.
tip = 0.2/10 servicio + 0.05

Figura 1.7: Segunda aproximacion no difusa

1. Logica difusa

11

Hasta ahora la formula no resuelve el problema. Si se desea considerar ademas la

calidad de la comida en el calculo de la propina, el problema extendido se define de la
siguiente forma
Dados dos conjuntos de n
umeros entre 0 y 10, donde 10 es excelente, que representan
la calidad de servicio y de la comida respectivamente, cual es el porcentaje adecuado de
propina?
La formula se modifica con la nueva variable
tip = 0.2/20 (servicio + calidad) + 0.05

Figura 1.8: Tercera aproximacion no difusa

En este caso se debe analizar el resultado mas de cerca. Suponiendo que el servicio es
un factor mas importante que la calidad de la comida. Digamos que el servicio aporte el
80 % al total de la propina y que la comida aporte el 20 % restante
servratio = 0.8
tip = servratio (0.2/10 (servicio + 0.05) + . . .
(1 servratio) (02/10 f ood + 0.05);

El enfoque difuso Sera apropiado capturar solo la esencia del problema, dejando de
lado todos los factores arbitrarios. Al realizar una lista de lo realmente importante en el
problema se obtienen las siguientes descripciones:
1. Si servicio es malo, entonces propina es pobre
2. Si servicio es bueno, entonces propina es regular
3. Si servicio es excelente, entonces propina es generosa

12

1.4. Desarrollo de un sistema experto difuso

El orden de las reglas es arbitrario. Si se desea incluir el efecto de la comida en la propina,

se agregan 2 reglas
4 Si comida es mala, entonces propina es pobre
5 Si comida es deliciosa, entonces propina es generosa
Al combinar las 5 reglas se obtiene
1. Si servicio es malo o comida es mala, entonces propina es pobre
2. Si servicio es bueno, entonces propina es regular
3. Si servicio es excelente o comida es deliciosa, entonces propina es generosa
Estas 3 reglas son la parte principal de la solucion y son parte de un sistema de logica
difusa. A continuacion se proporciona significado matematico a las variables ling
usticas
y el sistema de inferencia difuso estara completo
Pasos
1. Identificar variables ling
usticas asociadas al problema
2. Definir las funciones de pertenencia de cada variable o clases difusas a las cuales
puede pertenecer la variable
3. Definir el rango de validez de las clases difusas
4. Fusificar las entradas o calcular los valores de pertenencia de las variables a las clases
difusas
5. Aplicar operadores logicos difusos
6. Aplicar operador de implicacion
7. Agregar las salidas de cada una de las reglas
8. Defusificar el polgono resultante