Apuntes LD

Lógica Difusa [Escribir texto] Agosto-Diciembre 2009
Lógica difusa
La lógica borrosa o difusa se basa en lo relativo de lo observado. Este tipo de lógica
toma dos valores aleatorios, pero contextualizados y referidos entre sí. Así, por
ejemplo, una persona que mida 2 metros es claramente una persona alta, si
previamente se ha tomado el valor de persona baja y se ha establecido en 1 metro.
Ambos valores están contextualizados a personas y referidos a una medida métrica
lineal.
Tipos de lógica
• En la lógica clásica una proposición sólo admite dos valores: verdadero o falso.
Por ello se dice que la lógica usual es bivalente o binaria. Existen otras lógicas
que admiten además un tercer valor posible (lógica trivaluada) e incluso múltiple
valores de verdad (lógica multivaluada).
• La lógica aristotélica sirve para explicar ciertos fenómenos y problemas, aunque
la gran mayoría de ellos enmarcados en el mundo teórico de la matemática. Por
el contrario, la lógica difusa puede usarse para explicar el mundo en el que
vivimos, puesto que sigue el comportamiento humano de razonar, sacando
conclusiones a partir de hechos observados.
• La lógica multivaluada incluye sistemas lógicos que admiten varios valores de
verdad posibles.
• La lógica difusa (o borrosa) es una de ellas, que se caracteriza por querer
cuantificar esta incertidumbre: Si P es una proposición, se le puede asociar un
número v(P) en el intervalo [0,1] tal que:
1. Si v(P) = 0, P es falso.
2. Si v(P) = 1, P es verdadero.
3. La veracidad de P aumenta con v(P).
Tomando el ejemplo de la definición, la persona más alta será M=2, y la más baja será
M=1. La persona más alta será, por lo tanto, h(2)=Alto, y la más baja h(1)=Bajo. Es
evidente que los valores manejados, se pueden catalogar según la lógica clásica a
valores de Verdadero o Falso. Si h(M) = Alto (o Verdadero) entonces se producen una
serie de consecuencias, si h(M) = Bajo (o Falso) entonces se producen una serie
distinta de consecuencias. La dificultad viene cuando los grados pueden ser
intermedios. Por ejemplo, de forma intermedia podemos decir que una persona que
mida 1,82 m es alta con grado 0,75 indicando que es "bastante alta", teniendo en
cuenta que la persona en cuestión sea masculina.
Salta a la vista la semejanza con la teoría de la probabilidad, aunque la lógica difusa y
esta última teoría persiguen fines distintos.
Dr. Alberto Aguilar Lasserre

Historia
Esta simple idea nació en un artículo de Lofti A. Zadeh publicado en 1965 y titulado
"Fuzzy Sets" (Conjuntos Difusos). La lógica difusa permite representar de forma
matemática conceptos o conjuntos imprecisos, tales como días fríos, meses calurosos,
personas altas, salarios bajos, guisos con mucho condimento, profesores poco
valorados, etc.
Pero hay que tener en cuenta que la idea en sí de que las cosas no son blancas o
negras, sino que existen infinitos matices de grises viene ya desde la época de los
primeros grandes filósofos como Platón.
Posteriormente a ellos, otros grandes pensadores como David Hume o Kant apoyaban
esta idea manteniendo que el razonamiento venía dado por las observaciones de las
que somos testigos a lo largo de nuestra vida y la detección de algunos principios
contradictorios en la lógica clásica.
Tras la publicación de Lotfi A. Zadeh, se comenzó rápidamente a usar la lógica difusa
en distintas aplicaciones prácticas, llegando a su máximo auge a principios de los años
90, y continuando éste hasta la época actual.
Funcionamiento
La lógica difusa se adapta mejor al mundo real en el que vivimos, e incluso puede
comprender y funcionar con nuestras expresiones, del tipo "hace mucho calor", "no es
muy alto", "el ritmo del corazón está un poco acelerado", etc.
La clave de esta adaptación al lenguaje, se basa en comprender los cuantificadores
de nuestro lenguaje (en los ejemplos de arriba "mucho", "muy" y "un poco").
En la teoría de conjuntos difusos se definen también las operaciones de unión,
intersección, diferencia, negación o complemento, y otras operaciones sobre conjuntos
(ver también subconjunto difuso), en los que se basa esta lógica.
Para cada conjunto difuso, existe asociada una función de pertenencia para sus
elementos, que indican en qué medida el elemento forma parte de ese conjunto difuso.
Las formas de las funciones de pertenencia más típicas son trapezoidal, lineal y curva.
Se basa en reglas heurísticas de la forma SI (antecedente) ENTONCES
(consecuente), donde el antecedente y el consecuente son también conjuntos difusos,
ya sea puros o resultado de operar con ellos. Sirvan como ejemplos de regla heurística
para esta lógica (nótese la importancia de las palabras "muchísimo", "drásticamente",
"un poco" y "levemente" para la lógica difusa):
• SI hace muchísimo calor ENTONCES disminuyo drásticamente la temperatura.
• SI voy a llegar un poco tarde ENTONCES aumento levemente la velocidad.
Los métodos de inferencia para esta base de reglas deben ser simples, veloces y
eficaces. Los resultados de dichos métodos son un área final, fruto de un conjunto de

áreas solapadas entre sí (cada área es resultado de una regla de inferencia). Para
escoger una salida concreta a partir de tanta premisa difusa, el método más usado es
el del centroide, en el que la salida final será el centro de gravedad del área total
resultante.
Las reglas de las que dispone el motor de inferencia de un sistema difuso pueden ser
formuladas por expertos, o bien aprendidas por el propio sistema, haciendo uso en este
caso de Redes neuronales para fortalecer las futuras tomas de decisiones.
Los datos de entrada suelen ser recogidos por sensores, que miden las variables de
entrada de un sistema. El motor de inferencias se basa en chips difusos, que están
aumentando exponencialmente su capacidad de procesamiento de reglas año a año.
Un esquema de funcionamiento típico para un sistema difuso podría ser de la siguiente
manera:
Funcionamiento de un sistema de control difuso

En la figura, el sistema de control hace los cálculos con base en sus reglas heurísticas,
comentadas anteriormente. La salida final actuaría sobre el entorno físico, y los valores
de las nuevas entradas sobre el entorno físico (modificado por la salida del sistema de
control) serían tomadas por sensores del sistema.
Por ejemplo, imaginando que nuestro sistema borroso fuese el climatizador de un
coche que se autorregula según las necesidades: Los chips borrosos del climatizador
recogen los datos de entrada, que en este caso bien podrían ser la temperatura y
humedad simplemente. Estos datos se someten a las reglas del motor de inferencia
(como se ha comentado antes, de la forma SI... ENTONCES... ), resultando un área de
resultados. De esa área se escogerá el centro de gravedad, proporcionándola como
salida. Dependiendo del resultado, el climatizador podría aumentar la temperatura o
disminuirla dependiendo del grado de la salida.
Aplicaciones
La lógica difusa se utiliza cuando la complejidad del proceso en cuestión es muy alta y
no existen modelos matemáticos precisos, para procesos altamente no lineales y
cuando se envuelven definiciones y conocimiento no estrictamente definido (impreciso
o subjetivo).

En cambio, no es una buena idea usarla cuando algún modelo matemático ya

soluciona eficientemente el problema, cuando los problemas son lineales o cuando no
tienen solución.
Esta técnica se ha empleado con bastante éxito en la industria, principalmente en
Japón, y cada vez se está usando en gran multitud de campos. La primera vez que se
usó de forma importante fue en el metro japonés, con excelentes resultados. A
continuación se citan algunos ejemplos de su aplicación:
• Sistemas de control de acondicionadores de aire
• Sistemas de foco automático en cámaras fotográficas
• Electrodomésticos familiares (Frigoríficos, lavadoras...)
• Optimización de sistemas de control industriales
• Sistemas de reconocimiento de escritura
• Mejora en la eficiencia del uso de combustible en motores
• Sistemas expertos del conocimiento (simular el comportamiento de un experto
humano)
• Tecnología informática
• Bases de datos difusas: Almacenar y consultar información imprecisa. Para este
punto, por ejemplo, existe el lenguaje FSQL.
• ...y, en general, en la gran mayoría de los sistemas de control que no dependen
de un Sí/No.
Lógica difusa en Inteligencia Artificial
En Inteligencia artificial, la lógica difusa, o lógica borrosa se utiliza para la resolución de
una variedad de problemas, principalmente los relacionados con control de procesos
industriales complejos y sistemas de decisión en general, la resolución la compresión
de datos. Los sistemas de lógica difusa están también muy extendidos en la tecnología
cotidiana, por ejemplo en cámaras digitales, sistemas de aire acondicionado,
lavarropas, etc. Los sistemas basados en lógica difusa imitan la forma en que toman
decisiones los humanos, con la ventaja de ser mucho más rápidos. Estos sistemas son
generalmente robustos y tolerantes a imprecisiones y ruidos en los datos de entrada.
Consiste en la aplicación de la lógica difusa con la intención de imitar el razonamiento
humano en la programación de computadoras. Con la lógica convencional, las
computadoras pueden manipular valores estrictamente duales, como verdadero/falso,
sí/no o ligado/desligado. En la lógica difusa, se usan modelos matemáticos para
representar nociones subjetivas, como caliente/tibio/frío, para valores concretos que
puedan ser manipuladas por los ordenadores.

En este paradigma, también tiene un especial valor la variable del tiempo, ya que los
sistemas de control pueden necesitar retroalimentarse en un espacio concreto de
tiempo, pueden necesitarse datos anteriores para hacer una evaluación media de la
situación en un periodo de tiempo anterior...
Ventajas e Inconvenientes
Como principal ventaja, cabe destacar los excelentes resultados que brinda un sistema
de control basado en lógica difusa: ofrece salidas de una forma veloz y precisa,
disminuyendo así las transiciones de estados fundamentales en el entorno físico que
controle. Por ejemplo, si el aire acondicionado se encendiese al llegar a la temperatura
de 30º, y la temperatura actual oscilase entre los 29º-30º, nuestro sistema de aire
acondicionado estaría encendiéndose y apagándose continuamente, con el gasto
energético que ello conllevaría. Si estuviese regulado por lógica difusa, esos 30º no
serían ningún umbral, y el sistema de control aprendería a mantener una temperatura
estable sin continuos apagados y encendidos.
También está la indecisión de decantarse por los expertos o por la tecnología

(principalmente mediante Redes neuronales) para reforzar las reglas heurísticas
iniciales de cualquier sistema de control basado en este tipo de lógica.
Ejercicio 1. Aire Acondicionado
Temperatura= 8 °C
T Aire T. E. Humedad= 36%
H
Acondicionado Tiempo de encendido= ¿?
TEMPERATURA (T)
P1 P2 P3 P4
Muy frio 0 0 0 5
Frío 0 5 5 10
Normal 0 10 10 15
Tibio 10 15 15 20
Caliente 15 20 20 20

HUMEDAD (H)
P1 P2 P3 P4
Seco 20 20 20 40
Normal 20 40 40 60
Húmedo 40 60 60 60
TIEMPO DE ENCENDIDO (T.E.)
Nada 0
Poco 5
Medio 10
Mucho 15
REGLAS
If T is Muy Frio then TE is Nada

If T is Frio then TE is Nada
If T is Normal and H is Seco then TE is Poco
If T is Normal and H is Normal then TE is Nada
If T is Normal and H is Húmedo then TE is Nada
If T is Tibio and H is Seco then TE is medio
If T is Tibio and H is Normal then TE is Poco
If T is Tibio and H is Húmedo then TE is Poco
If T is Caliente and H is Seco then TE is Mucho
If T is Caliente and H is Normal then TE is Medio
If T is Caliente l and H is Húmedo then TE is Medio
Humedad
Seco NormalHúmedo
Temperatura
Muy Frio nada nada nada
Frío nada nada nada
Normal POCO nada nada
Tibio medio Poco Poco
Caliente Muchomedio Medio

Pendientes
MF
1− 0 1− 0
m1 = = =∞
P2 − P1 0−0
1− 0 1− 0 1
m2 = = =
P3 − P4 0−5 5
FF
FFFFF
FFFFFFF
1− 0 1− 0 1
m1 = = =
P2 − P1 5−0 5
1− 0 1− 0 1
m2 = = =
P3 − P4 10 − 15 5
SECO
1− 0 1− 0 ∞
m1 = = =
P2 − P1 20 − 20
1− 0 1− 0 1
m2 = = =
P3 − P4 20 − 40 20
TEMPERATURA
Muy Frío d 1 = 8°C - 0= 8°C

d2 =5°C - 8°C= -3 °C
GM=0
Frío d1 = 8 °C - 0= 8°C
d2 = 10'C - 8°C= 2 °C
GM= min(1/5*8, 1/5 *2,1) =.4
Normal dl = 8°C - 5 = 3°C

d2 = 15°C - 8°C= 7 °C
GM= min(i/5*3, 1/5 *7,1) =.6
Tibio d1 = 8°C - 10= -2°C

d2 = 20°C - 8°C= 12 °C

GM=0
Caliente d1 = 8°C - I S = -7 °C
d2 = 20°C - 8°C= 12 °C
GM= 0
HUMEDAD
Normal d1 = 36%- 20%= 16

d2 = 60-36 = 24
GM=.8
Seco d1 = 36% - 20% = 16

d2= 40%-36%=4
GM = min (oo * 16%, 1/20 *4, 1 ) =.2
Húmedo d1= 36% - 40%= 4

d2 = 60 - 36= 24
GM=0
Nada * Valor_Nada + Poco * Valor_Poco + Medio * Valor_Medio + Mucho * Valor_Mucho

Valor_Nada + Valor_Poco + Valor_Medio + Valor_Mucho
REGLAS
µMF = 0 if 0 is NADA= 0
µF = .4 .4 NADA= .4
µN=.6 .6 .2 POCO=.2
µT=O .6 .8 NADA=.6
µC=O .6 0 NADA= 0
0 .2 MEDIO= 0
µS=.2 0 .8 POCO= 0
µN = .8 0 0 POCO= 0
µH=O 0 .2 MUCHO= 0
0 .8 MEDIO= 0
0 0 MEDIO= 0
Valor Nada= max (0, 0.4, 0.6, 0)= .6

Valor _Poco= max (0.2, 0, 0 )= 0.2
Valor Medio= max (0, 0, 0)= 0 Valor
Mucho=max(0,0)= 0

D=(0* 0.6) + (5* 0.2) + (10*0) + (15*0)

0.6+0.2+0+0
D=0+ 1+0+0= 1.25 minutos (Tiempo de Encendido)

0.8
Ejercicio 2. Demanda Agregada
La revisión del estado del arte señala que muchos de los métodos tradicionalmente
utilizados en planeación agregada no consideran en su análisis la naturaleza
estocástica de los factores, es decir, no contemplan la incertidumbre o imprecisión de la
información disponible. Esto ocasiona que en muchos casos los planes de producción
desarrollados no se adecuen al escenario de la empresa.
Sin embargo, en los últimos años se ha empezado a utilizar la Lógica Difusa en el

desarrollo de este tipo de modelos. Una de las características de esta tecnología que
ha motivado su empleo en la planeación agregada es la de incorporar la imprecisión y
subjetividad dentro de la formulación y dentro del proceso de solución de los modelos.
Rinks (1981), Turksen (1988), y Ward et al. (1992) desarrollaron algoritmos para
planeación agregada utilizando lógica difusa. Estos algoritmos se basan en reglas
difusas de decisión. Para establecer estas reglas utilizan oraciones condicionales
difusas del tipo IF–THEN, involucrando la tasa de producción y la fuerza de trabajo. Los
algoritmos planteados al basarse en reglas capturan el razonamiento aproximado de
los administradores, obteniéndose un buen plan de producción. El plan obtenido es
cierto pero no necesariamente preciso, es decir, no siempre es el mejor para las
condiciones analizadas. Como la solución obtenida no es la óptima algunos recursos
de la empresa no se aprovechan completamente.
El primer paso del procedimiento es determinar la demanda agregada. El pronóstico

de la demanda agregada para la planta es el siguiente.
2004 2005
Diciembre Enero Febrero Marzo Abril Mayo
Pronóstico 6’763,967 5’492,255 5’207,374 5’974,738 6’071,134 5’925,255
En el segundo paso elegimos al periodo de análisis, diciembre de 2004.

En el tercer paso definimos los parámetros para las variables lingüísticas. Estos son
establecidos de manera conjunta con la empresa. En la tabla siguiente se presentan los
parámetros para el mes de diciembre del 2004.
Variable lingüística Parámetro Valor

A 1
Temporada B 2
C 3
A’ 4
B’ 6
Percepción
C’ 7
D’ 9
A’’ 1
Oferta B’’ 2
C’’ 3
1 Baja Media Alta
Temporada (W)
0
A B C
1 Mala Regular Buena
Percepción de los
clientes hacia el
producto (X)
0
A’ B’ C’ D’’

1 Baja Media Alta
Oferta (Y)
0
A’’ B’’ C’’
En el cuarto paso se definen, en conjunto con la empresa, los valores de las variables
de entrada; posteriormente se realiza la difusificación. Los valores de las variables de
entrada se presentan en la tabla siguiente.
Variable lingüística Valor

Temporada ( W ) 3.00
Percepción ( X ) 7.75
Oferta ( Y ) 2.15
Para la difusificación se evalúan los valores de entrada, tabla anterior, en las funciones
de pertenencia, ecuaciones de la 1 a la 9 (representan el comportamiento de los
conjuntos difusos). Con la difusificación se obtienen los grados de pertenencia a cada
etiqueta lingüística, para cada variable difusa; los cuales son:
Variable Temporada
⎧ 1 ; W ≤1 ⎧ 1 ; W ≤1
⎪ W −1 ⎪
μ Baja (Temporada ) = ⎨1 − ; 1 < W < 2 = ⎨2 − W ; 1<W < 2 (1)
⎪ 2 −1 ⎪ 0
0 ; 2 ≤W ⎩ ; 2 ≤W
⎩
μ Baja (W = 3) = 0 ; 2 ≤W

⎧ 0 ; W ≤1
⎪ 2 −W ⎧0 ; W ≤1
⎪⎪1 − ; 1<W ≤ 2 ⎪W − 1 ; 1<W ≤ 2
2 −1 ⎪
μ Media (Temporada ) = ⎨ =⎨ (2)
W −2
⎪1 − ; 2 < W < 3 ⎪3 −W ; 2 <W < 3
⎪ 3−2 ⎪⎩0 ; 3 ≤W
⎪⎩ 0 ; 3 ≤W
μ Media (W = 3 ) = 0 ; 3 ≤W
⎧ 0 ; W ≤2 ⎧ 0 ; W ≤2
⎪ 3 −W ⎪
μ Alta (Temporada ) = ⎨1 − ; 2 < W < 3 = ⎨W − 2 ; 2 < W < 3 (3)
⎪ 3−2 ⎪ 1
1 ; 3 ≤W ⎩ ; 3 ≤W
⎩
μ Alta (W = 3) = 1 ; 3 ≤W
Variable Percepción
⎧ 1 ; X ≤4 ⎧ 1 ; X ≤4
⎪ X −4 ⎪6 − X
μ Mala (Percepción) = ⎨1 − ; 4< X <6 =⎨ ; 4< X <6 (4)
⎪ 6 −4 ⎪ 2
⎩ 0 ; 6≤X ⎩ 0 ; 6≤X
μ Mala ( X = 7.75 ) = 0 ; 6 ≤ X
⎧ 0 ; X ≤4 ⎧ 0 ; X ≤4
⎪ 6−X ⎪X −4
⎪1 − 6 − 4 ; 4< X <6 ⎪ ; 4< X <6
⎪ ⎪ 2
μ Re gular (Percepción) = ⎨ 1 ; 6 ≤ X ≤7 = ⎨ 1 ; 6 ≤ X ≤7 (5)
⎪ X −7 ⎪9 − X
⎪1 − 9 − 7 ; 7< X <9 ⎪
2
; 7< X <9
⎪ 9≤ X ⎪ 0 9≤ X
⎩ 0 ; ⎩ ;
9− X 9 − 7.75
μ Re gular ( X = 7.75 ) = ; 7< X <9 = = 0.625
2 2
⎧ 0 ; X ≤7 ⎧ 0 ; X ≤7
⎪ 9− X ⎪ X −7
μ Buena (Percepción) = ⎨1 − ; 7< X <9=⎨ ; 7< X <9 (6)
⎪ 9 −7 ⎪ 2
⎩ 1 ; 9≤ X ⎩ 1 ; 9≤ X

X −7 7.75 − 7
μ Buena ( X = 7.75 ) = ; 7< X <9 = = 0.375
2 2
Variable Oferta
⎧ 1 ; Y ≤1 ⎧ 1 ; Y ≤1
⎪ Y −1 ⎪
μ Baja (Oferta ) = ⎨1 − ; 1 < Y < 2 = ⎨2 − Y ; 1<Y < 2 (7)
⎪ 2 −1 ⎪ 0 ; 2≤Y
⎩ 0 ; 2≤Y ⎩
μ Baja (Y = 2.15 ) = 0 ; 2 ≤Y
⎧ 0 ; Y ≤1
⎪ 2 −Y ⎧ 0 ; Y ≤1
⎪⎪1 − ; 1<Y ≤ 2 ⎪Y − 1 ; 1 < Y ≤ 2
⎪
μ Media (Oferta ) = ⎨ 2 − 1 =⎨ (8)
Y −2
⎪1 − ; 2 < Y < 3 ⎪3 − Y ; 2 < Y < 3
⎪ 3−2 ⎪⎩ 0 ; 3≤Y
⎪⎩ 0 ; 3≤Y
μ Media (Y = 2.15 ) = 3 − Y ; 2 < Y < 3 = 3 − 2.15 = 0.85
⎧ 0 ; Y ≤2 ⎧ 0 ; Y ≤2
⎪ 3 −Y ⎪
μ Alta (Oferta ) = ⎨1 − ; 2 < Y < 3 = ⎨Y − 2 ; 2 < Y < 3 (9)
⎪ 3−2 ⎪ 1 ; 3≤Y
⎩ 1 ; 3≤Y ⎩
μ Alta (Y = 2.15 ) = Y − 2 ; 2 < Y < 3 = 2.15 − 2 = 0.15
Gráficamente queda expresado de la siguiente manera:
Baja Media Alta Mala Regular Buena Baja Media Alta

1 1 1
μA(3)
μR(7.75) μM(2.15)
μB(7.75) μA(2.15) Oferta

μM(3)
Temporada 0 Percepción 0
0
1 2 3 4 6 7 7.75 9 1 2 2.15 3
Para el paso cinco y seis, se analiza la base de reglas difusas. Estas reglas se
definen y analizan de manera conjunta con la empresa. La base de reglas se presenta
en la tabla siguiente.

1. Si la TEMPORADA es BAJA, la PERCEPCIÓN es MALA y la OFERTA es BAJA

entonces la DEMANDA AJUSTADA debe de DISMINUIR.
2. Si la TEMPORADA es BAJA, la PERCEPCIÓN es MALA y la OFERTA es MEDIA

3. Si la TEMPORADA es BAJA, la PERCEPCIÓN es MALA y la OFERTA es ALTA

4. Si la TEMPORADA es BAJA, la PERCEPCIÓN es REGULAR y la OFERTA es

BAJA entonces la DEMANDA AJUSTADA debe de DISMINUIR UN POCO.

MEDIA entonces la DEMANDA AJUSTADA debe de DISMINUIR.

ALTA entonces la DEMANDA AJUSTADA debe de DISMINUIR.
7. Si la TEMPORADA es BAJA, la PERCEPCIÓN es BUENA y la OFERTA es BAJA

entonces la DEMANDA AJUSTADA se debe de MANTENER.
8. Si la TEMPORADA es BAJA, la PERCEPCIÓN es BUENA y la OFERTA es MEDIA

9. Si la TEMPORADA es BAJA, la PERCEPCIÓN es BUENA y la OFERTA es ALTA

entonces la DEMANDA AJUSTADA debe de DISMINUIR UN POCO.
10. Si la TEMPORADA es MEDIA, la PERCEPCIÓN es MALA y la OFERTA es BAJA

11. Si la TEMPORADA es MEDIA, la PERCEPCIÓN es MALA y la OFERTA es MEDIA

12. Si la TEMPORADA es MEDIA, la PERCEPCIÓN es MALA y la OFERTA es ALTA

13. Si la TEMPORADA es MEDIA, la PERCEPCIÓN es REGULAR y la OFERTA es

BAJA entonces la DEMANDA AJUSTADA debe de INCREMENTAR UN POCO.


MEDIA entonces la DEMANDA AJUSTADA se debe de MANTENER.

ALTA entonces la DEMANDA AJUSTADA debe de DISMINUIR UN POCO.
16. Si la TEMPORADA es MEDIA, la PERCEPCIÓN es BUENA y la OFERTA es BAJA

entonces la DEMANDA AJUSTADA debe de INCREMENTAR.
17. Si la TEMPORADA es MEDIA, la PERCEPCIÓN es BUENA y la OFERTA es

MEDIA entonces la DEMANDA AJUSTADA debe de INCREMENTAR UN POCO.
18. Si la TEMPORADA es MEDIA, la PERCEPCIÓN es BUENA y la OFERTA es ALTA

19. Si la TEMPORADA es ALTA, la PERCEPCIÓN es MALA y la OFERTA es BAJA

20. Si la TEMPORADA es ALTA, la PERCEPCIÓN es MALA y la OFERTA es MEDIA

21. Si la TEMPORADA es ALTA, la PERCEPCIÓN es MALA y la OFERTA es ALTA

22. Si la TEMPORADA es ALTA, la PERCEPCIÓN es REGULAR y la OFERTA es

BAJA entonces la DEMANDA AJUSTADA debe de INCREMENTAR UN POCO.

MEDIA entonces la DEMANDA AJUSTADA debe de INCREMENTAR UN POCO.

ALTA entonces la DEMANDA AJUSTADA se debe de MANTENER.
25. Si la TEMPORADA es ALTA, la PERCEPCIÓN es BUENA y la OFERTA es BAJA

entonces la DEMANDA AJUSTADA se debe de INCREMENTAR.
26. Si la TEMPORADA es ALTA, la PERCEPCIÓN es BUENA y la OFERTA es MEDIA

entonces la DEMANDA AJUSTADA se debe de INCREMENTAR.

27. Si la TEMPORADA es ALTA, la PERCEPCIÓN es BUENA y la OFERTA es ALTA

entonces la DEMANDA AJUSTADA se debe de INCREMENTAR UN POCO.
PERCEPCIÓN
MALA REGULAR BUENA
OFERTA OFERTA OFERTA
BAJA MEDIA ALTA BAJA MEDIA ALTA BAJA MEDIA ALTA
TEMPORADA
BAJA D (1) D (2) D (3) DP (4) D (5) D (6) M (7) M (8) DP (9)
MEDIA M (10) DP (11) D (12) IP (13) M (14) DP (15) I (16) IP (17) M (18)
ALTA M (19) DP (20) D (21) IP (22) IP (23) M (24) I (25) I (26) IP (27)
La base de reglas difusas está formada por 27 reglas. Como puede observarse, cada
celda de la tabla anterior representa una regla. El número de cada regla se presenta
entre paréntesis y en superíndice.
En el paso siete se aplica el proceso de difusificación. Se aplica el criterio Máximo –

Mínimo. Primeramente se determinan las reglas activadas. Como se muestra en las
tablas siguientes, las reglas difusas activadas son aquellas reglas en las que los grados
de pertenencia de las etiquetas lingüísticas son mayores a cero, para las tres variables
difusas. En el paso cuatro se determinaron los grados de pertenencia a los conjuntos
difusos.
En las tablas siguientes se sombrean las reglas que se encuentran en la relación de los
conjuntos difusos (o etiquetas lingüísticas) con grados de pertenencia mayores a cero,
de todas las variables de entrada.

Variable Temporada ⇒ Alta
PERCEPCIÓN
MALA REGULAR BUENA
BAJA D (1) D (2) D (3) DP (4) D (5) D (6) M (7) M (8) DP (9)
TEMPORADA
0
1
* El número de regla se indica en la parte superior (de la 1 a la 27).
** El grado de pertenencia se indica debajo de cada etiqueta lingüística.
Variable Percepción ⇒ Regular y Buena
PERCEPCIÓN
MALA REGULAR BUENA
0 0.625 0.375
D (1) D (2) D (3) DP (4) D (5) D (6) M (7) M (8) DP (9)
TEMPORADA
BAJA


Variable Oferta ⇒ Media y Alta
PERCEPCIÓN
MALA REGULAR BUENA
0 0.85 0.15 0 0.85 0.15 0 0.85 0.15
D (1) D (2) D (3) DP (4) D (5) D (6) M (7) M (8) DP (9)

TEMPORADA
BAJA
Reglas Activadas
PERCEPCIÓN
MALA REGULAR BUENA
D (1) D (2) D (3) DP (4) D (5) D (6) M (7) M (8) DP (9)
TEMPORADA
BAJA
De la tabla anterior se observa que las reglas activadas son la 23, 24, 26 y 27; y sus
conclusiones son Incrementar un Poco, Mantener, Incrementar e Incrementar un Poco,
respectivamente.
Los valores difusos de salida se obtienen de la siguiente manera. Para cada regla
activada se determina su valor de pertenencia. Utilizando el criterio mínimo, en la tabla
siguiente se puede observar que los grados de pertenencia son: 0.625, 0.15, 0.375 y
0.15, respectivamente para cada regla activada.

PERCEPCIÓN
MALA REGULAR BUENA
0.625 0.375
0.85 0.15 0.85 0.15
D (1) D (2) D (3) DP (4) D (5) D (6) M (7) M (8) DP (9)

TEMPORADA
BAJA
1 0.625 0.15 0.375 0.15
Es decir, la regla 23 se activa por los conjuntos Alta (T), Regular (P) y Media (O), con
grados de 1, 0.625 y 0.85, respectivamente; siendo el valor mínimo 0.625.
De la misma manera, y utilizando la siguiente expresión

μ B ∩ R ∩ B ( X 1 , X 2 , X 3 ) = min{μ B ( X 1 ), μ R ( X 2 ), μ B ( X 3 )} = μ R ( X 2 ) , se pueden calcular los
grados de pertenencia de las reglas activadas.
μ A∩R∩M (3 ,7.75 ,2.15 ) = min{μ A (3 ), μ R (7.75 ), μ M (2.15 )} = min{1,0.625 ,0.85} = 0.625
μ A∩R∩ A (3 ,7.75 ,2.15 ) = min{μ A (3 ), μ R (7.75 ), μ A (2.15 )} = min{1,0.625 ,0.15} = 0.15
μ A∩B∩M (3 ,7.75 ,2.15 ) = min{μ A (3 ), μ B (7.75 ), μ M (2.15 )} = min{1,0.375 ,0.85} = 0.375
μ A∩B∩ A (3 ,7.75 ,2.15 ) = min{μ A (3 ), μ B (7.75 ), μ A (2.15 )} = min{1,0.375 ,0.15} = 0.15
Como se puede observar en los resultados anteriores, ambos criterios proporcionan el

mismo resultado. En la tabla siguiente se presentan los resultados.
Variable de
Variables de entrada
Regla salida Grado de
activada Demanda Pertenencia
Temporada Percepción Competencia
Ajustada
Incrementar un
23 Alta Regular Media 0.625
poco
24 Alta Regular Alta Mantener 0.15

Variable de
Variables de entrada
Regla salida Grado de
activada Demanda Pertenencia
Temporada Percepción Competencia
Ajustada
26 Alta Buena Media Incrementar 0.375
Incrementar un
27 Alta Buena Alta 0.15
poco
Se puede observar que la conclusión Incrementar un Poco se activa dos veces, regla
23 con grado de pertenencia de 0.625, y regla 27 con grado de pertenencia de 0.15.
Como ya se mencionó, el criterio utilizado es el de Máximo – Mínimo. Esto significa que
para conocer el grado de pertenencia de los conjuntos difusos de salida, primero se
calcula el valor mínimo de los conjuntos difusos de las variables de entrada, para las
reglas activadas (cálculos anteriores). En caso de que dos o más reglas activadas
tengan la misma conclusión, se debe obtener el valor máximo de los grados de
pertenencia a las reglas con la misma conclusión. En este caso, el valor máximo de los
grados de pertenencia de las reglas 23 y 27 es de 0.625.
Matemáticamente lo anterior se calcula a través de la siguiente ecuación:

μ Conclusión (DA) = ∨(μ A ( x1 ) ∧ μ B ( x2 ) ∧ μ C (x3 )) .
x
Aplicando la ecuación anterior se obtiene:
μIP (3,7.75,2.15 ) = ∨{∧ {μ A (3 ), μR (7.75 ), μM (2.15 )},∧{μ A (3 ), μB (7.75 ), μ A (2.15 )}}
μ IP (3 ,7.75 ,2.15 ) = ∨{∧ {1,0.625 ,0.85},∧{1,0.375 ,0.15}} = ∨{0.625 ,0.15} = 0.625

Donde ∨ representa el máximo y ∧ representa el mínimo.
En la tabla siguiente se presentan los resultados.
Reglas Grado de
No Conjunto Difuso
Activadas Pertenencia
1 – Disminuir 0
2 – Disminuir un poco 0
3 24 Mantener 0.15
4 23 y 27 Incrementar un poco 0.625
5 26 Incrementar 0.375

Disminuir Disminuir un Mantener Incrementar Incrementar

poco un poco
A’’’ B’’’ C’’’ D’’’ E’’’ F’’’ G’’’

Demanda
Ajustada (Z)

poco un poco
A’’’ B’’’ C’’’ D’’’ E’’’ F’’’ G’’’

Demanda
Ajustada (Z)
El octavo paso permite calcular el valor real de salida, convertir valores difusos a
reales, también llamado desdifusificación.
La desdifusificación, en este caso, significa definir el ajuste de la proyección de la demanda agregada.

Para llevar a cabo el proceso de desdifusificación es necesario determinar los parámetros de la variable
de salida, Ajuste de Demanda. En la tabla siguiente son presentados los parámetros de esta variable, los
cuales fueron definidos de manera conjunta con personal ejecutivo de la empresa. La unidad de medida
de la variable está en porcentaje.

Valor del
No Parámetro
Parámetro
1 A -30.00
2 B -15.00
3 C -6.00
4 D -1.50
5 E 1.50
6 F 6.00
7 G 15.00
8 H 30.00
En la figura siguiente se presentan la variable de salida, los valores de los parámetros, y los grados de
pertenencia a cada conjunto difuso.

poco 1 un poco
0.625
0.375
0.15
0
-30 -15 -6 -1.5 1.5 6 15
Demanda
Ajustada
Para obtener la salida se utilizó el método del centro geométrico, con un resultado de 14.0377. Esto
significa que para obtener el pronóstico agregado ajustado a la proyección inicial debe incrementarse
14.037 por ciento (Factor de Ajuste).
En los pasos nueve y diez, se repite este procedimiento para todos los periodos.

Finalmente, en el paso once, se determina la demanda agregada ajustada, es decir,

incrementamos al pronóstico el factor de ajuste.
Para diciembre, significa sumar 6’763,967 más 949,505.39 (14.0377% de factor de ajuste).
La demanda será 7,713,472.39

Apuntes LD

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Apuntes LD

Caricato da

Copyright:

Formati disponibili

Lógica Difusa [Escribir texto] Agosto-Diciembre 2009

Dr. Alberto Aguilar Lasserre

Dr. Alberto Aguilar Lasserre

Funcionamiento de un sistema de control difuso

Dr. Alberto Aguilar Lasserre

En cambio, no es una buena idea usarla cuando algún modelo matemático ya

Dr. Alberto Aguilar Lasserre

También está la indecisión de decantarse por los expertos o por la tecnología

Ejercicio 1. Aire Acondicionado

Dr. Alberto Aguilar Lasserre

TIEMPO DE ENCENDIDO (T.E.)

If T is Muy Frio then TE is Nada

Dr. Alberto Aguilar Lasserre

Muy Frío d 1 = 8°C - 0= 8°C

Normal dl = 8°C - 5 = 3°C

Tibio d1 = 8°C - 10= -2°C

Dr. Alberto Aguilar Lasserre

Normal d1 = 36%- 20%= 16

Seco d1 = 36% - 20% = 16

Húmedo d1= 36% - 40%= 4

Nada * Valor_Nada + Poco * Valor_Poco + Medio * Valor_Medio + Mucho * Valor_Mucho

Valor Nada= max (0, 0.4, 0.6, 0)= .6

Dr. Alberto Aguilar Lasserre

D=(0* 0.6) + (5* 0.2) + (10*0) + (15*0)

D=0+ 1+0+0= 1.25 minutos (Tiempo de Encendido)

Ejercicio 2. Demanda Agregada

Sin embargo, en los últimos años se ha empezado a utilizar la Lógica Difusa en el

El primer paso del procedimiento es determinar la demanda agregada. El pronóstico

En el segundo paso elegimos al periodo de análisis, diciembre de 2004.

Dr. Alberto Aguilar Lasserre

Variable lingüística Parámetro Valor

1 Baja Media Alta

1 Mala Regular Buena

Dr. Alberto Aguilar Lasserre

1 Baja Media Alta

Variable lingüística Valor

Dr. Alberto Aguilar Lasserre

Dr. Alberto Aguilar Lasserre

μ Media (Y = 2.15 ) = 3 − Y ; 2 < Y < 3 = 3 − 2.15 = 0.85

μ Alta (Y = 2.15 ) = Y − 2 ; 2 < Y < 3 = 2.15 − 2 = 0.15

Gráficamente queda expresado de la siguiente manera:

Baja Media Alta Mala Regular Buena Baja Media Alta

μB(7.75) μA(2.15) Oferta

Dr. Alberto Aguilar Lasserre

1. Si la TEMPORADA es BAJA, la PERCEPCIÓN es MALA y la OFERTA es BAJA

2. Si la TEMPORADA es BAJA, la PERCEPCIÓN es MALA y la OFERTA es MEDIA

3. Si la TEMPORADA es BAJA, la PERCEPCIÓN es MALA y la OFERTA es ALTA

4. Si la TEMPORADA es BAJA, la PERCEPCIÓN es REGULAR y la OFERTA es

5. Si la TEMPORADA es BAJA, la PERCEPCIÓN es REGULAR y la OFERTA es

6. Si la TEMPORADA es BAJA, la PERCEPCIÓN es REGULAR y la OFERTA es

7. Si la TEMPORADA es BAJA, la PERCEPCIÓN es BUENA y la OFERTA es BAJA

8. Si la TEMPORADA es BAJA, la PERCEPCIÓN es BUENA y la OFERTA es MEDIA

9. Si la TEMPORADA es BAJA, la PERCEPCIÓN es BUENA y la OFERTA es ALTA

10. Si la TEMPORADA es MEDIA, la PERCEPCIÓN es MALA y la OFERTA es BAJA

11. Si la TEMPORADA es MEDIA, la PERCEPCIÓN es MALA y la OFERTA es MEDIA

12. Si la TEMPORADA es MEDIA, la PERCEPCIÓN es MALA y la OFERTA es ALTA

13. Si la TEMPORADA es MEDIA, la PERCEPCIÓN es REGULAR y la OFERTA es

Dr. Alberto Aguilar Lasserre

14. Si la TEMPORADA es MEDIA, la PERCEPCIÓN es REGULAR y la OFERTA es

15. Si la TEMPORADA es MEDIA, la PERCEPCIÓN es REGULAR y la OFERTA es

16. Si la TEMPORADA es MEDIA, la PERCEPCIÓN es BUENA y la OFERTA es BAJA

17. Si la TEMPORADA es MEDIA, la PERCEPCIÓN es BUENA y la OFERTA es

18. Si la TEMPORADA es MEDIA, la PERCEPCIÓN es BUENA y la OFERTA es ALTA

19. Si la TEMPORADA es ALTA, la PERCEPCIÓN es MALA y la OFERTA es BAJA

D=(0* 0.6) + (5* 0.2) + (100) + (150)