Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
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.
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:
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 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.
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
Nada 0
Poco 5
Medio 10
Mucho 15
REGLAS
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
Frío d1 = 8 °C - 0= 8°C
d2 = 10'C - 8°C= 2 °C
GM= min(1/5*8, 1/5 *2,1) =.4
GM=0
Caliente d1 = 8°C - I S = -7 °C
d2 = 20°C - 8°C= 12 °C
GM= 0
HUMEDAD
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
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.
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.
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 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.
Temporada (W)
0
A B C
Percepción de los
clientes hacia el
producto (X)
0
A’ B’ C’ D’’
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.
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
⎧ 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 ⎩
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.
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 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.
PERCEPCIÓN
MALA REGULAR BUENA
OFERTA OFERTA OFERTA
BAJA MEDIA ALTA BAJA MEDIA ALTA BAJA MEDIA ALTA
BAJA D (1) D (2) D (3) DP (4) D (5) D (6) M (7) M (8) DP (9)
TEMPORADA
MEDIA M (10) DP (11) D (12) IP (13) M (14) DP (15) I (16) IP (17) M (18)
0
ALTA M (19) DP (20) D (21) IP (22) IP (23) M (24) I (25) I (26) IP (27)
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.
PERCEPCIÓN
MALA REGULAR BUENA
0 0.625 0.375
OFERTA OFERTA OFERTA
BAJA MEDIA ALTA BAJA MEDIA ALTA BAJA MEDIA ALTA
D (1) D (2) D (3) DP (4) D (5) D (6) M (7) M (8) DP (9)
TEMPORADA
BAJA
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)
PERCEPCIÓN
MALA REGULAR BUENA
OFERTA OFERTA OFERTA
BAJA MEDIA ALTA BAJA MEDIA ALTA BAJA MEDIA ALTA
0 0.85 0.15 0 0.85 0.15 0 0.85 0.15
BAJA
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)
* 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.
Reglas Activadas
PERCEPCIÓN
MALA REGULAR BUENA
OFERTA OFERTA OFERTA
BAJA MEDIA ALTA BAJA MEDIA ALTA BAJA MEDIA ALTA
D (1) D (2) D (3) DP (4) D (5) D (6) M (7) M (8) DP (9)
TEMPORADA
BAJA
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)
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
OFERTA OFERTA OFERTA
BAJA MEDIA ALTA BAJA MEDIA ALTA BAJA MEDIA ALTA
0.85 0.15 0.85 0.15
BAJA
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)
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.
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.
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
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.
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.
Para diciembre, significa sumar 6’763,967 más 949,505.39 (14.0377% de factor de ajuste).
La demanda será 7,713,472.39