INTRODUCCIN

Hemos aprendido cmo es el esquema bsico de trabajo en Prolog.

Sabemos que un programa lgico consta de una base de conocimientos donde
expresamos los hechos y reglas de deduccin que aportan la informacin completa
acerca del mundo o dominio que deseamos representar.
Por otro lado, disponemos de un motor de inferencia que aplica un algoritmo,
concretamente el algoritmo de resolucin, que permite inferir nuevos datos relativos al
mundo que estamos representando. Para ello, toma como entrada la base de
conocimientos desarrollada y el objetivo planteado y ofrece como salida un resultado
de verdadero o falso en funcin de si ha podido o no demostrar el objetivo segn la base
de conocimientos. Adems proporciona tambin el conjunto de sustituciones o
unificaciones para los parmetros de salida especificados en el objetivo.
El algoritmo de demostracin del objetivo se basa en el uso de la tcnica de back
tracking, de forma que la inferencia de dicho objetivo se realiza a base de prueba y error.
Debido a este tipo de funcionamiento, podemos notar que el control de la ejecucin lo
lleva la mquina Prolog y, aparentemente, nosotros no podemos interferir en dicho
control.
El hecho de que exista este tipo de control automtico supone una extraordinaria
ventaja a la hora de programar aunque, en ocasiones, tambin limita el funcionamiento
o la eficiencia del programa diseado. Para solventar esta limitacin, se introduce en
Prolog la posibilidad de incluir en nuestras bases de conocimientos unos predicados
especiales que tienen como misin proporcionar una herramienta, un tanto artificial,
para "controlar el control".

1.- PREDICADO CORTE:

Podemos definir el Corte como un predicado que siempre se cumple, es decir, que
genera un resultado verdadero en la primera ejecucin, y falla en el proceso de back
tracking, impidiendo dicho retroceso. Su aplicacin principal es generar cdigo ms
eficiente por el efecto que causa en la reduccin o poda del rbol de bsqueda generado
durante el procedimiento de resolucin.

Para comprender el funcionamiento de este predicado nada mejor que considerar un

par de ejemplos.

Ejemplo:
Base de conocimientos sin utilizar el Corte.

padre(juan, pepe).

padre(juan, luis).
 padre(juan, alberto).

hermanodepadre(X,Y):-padre(Z,X), padre(Z,Y).

Objetivo

?.- hermanodepadre(pepe, ana).

no

El proceso de ejecucin.

Figura 1: rbol de ejecucin para la base de conocimientos y objetivo del ejemplo que no usa corte

Como se observa en el rbol de ejecucin, cuando falla el segundo predicado del

consecuente, al hacer back tracking, ignoramos la solucin obtenida para el primer
predicado en la rama anterior, y buscamos una nueva solucin, con la esperanza de
hallar aquella que, posteriormente, satisfaga al segundo predicado. Sin embargo,
nosotros sabemos, a priori, que dicha solucin no va a ser posible, porque ya hemos
demostrado que juan es el padre de Pepe y no lo es de Ana, luego ambos no son
hermanos de padre, luego, en este caso, no interesa seguir buscando nuevos padres
para pepe (esto sera absurdo e ineficiente). Por tanto, no es necesario desarrollar la
rama de retroceso representada por la lnea discontinua en la Figura 1.
En la Figura 2 se muestra como queda el rbol al introducir en el cdigo, el predicado
corte. La rama que no se procesa se representa en color gris, para que sea posible la
comparacin con el ejemplo anterior.

Ejemplo:
Base de conocimientos utilizando el Corte.

padre(juan, pepe).

padre(juan, luis).

padre(juan, alberto).

hermanodepadre(X,Y):-padre(Z,X), !, padre(Z,Y).

Objetivo

?.- hermanodepadre(pepe, ana).

no

El proceso de ejecucin.

Figura 2: rbol de ejecucin utilizando el corte

UTILIDAD DEL PREDICADO CORTE

Las principales utilidades del Corte se exponen en los puntos siguientes:

Confirmacin de la regla elegida. Por ejemplo, cuando calculamos el factorial,

slo hay una posible solucin para el mismo, sin embargo, desde el entorno de
programacin, en la ventana de objetivos, podemos pedir una nueva solucin.
En lugar de buscarla, un programa correcto debe indicar que no hay ms
soluciones, aunque exista la posibilidad de realizar el procedimiento de
retroceso. La forma de construir dicho programa es mediante el uso del Corte,
es decir manejando desde la base de conocimientos el control de la
mquina Prolog.
Ahorrar comprobaciones innecesarias, como en el caso de los ejemplos vistos en
el punto anterior.
Parar al obtener una solucin y no permitir que se generen nuevas soluciones,
aunque se lo indiquemos de modo forzado.
Para construir la negacin conjuntamente con el predicado fail, como se ver en
la seccin "Implementacin de la negacin y predicado repeat".

2.- EL PREDICADO FAIL:

Se trata de un predicado que siempre falla, por tanto, implica la realizacin del proceso
de retroceso para que se generen nuevas soluciones.Una aplicacin de este predicado,
entre otras que ya se han comentado en el punto anterior, es la generacin de todas las
posibles soluciones para un problema.

Recordemos que cuando la mquina Prolog encuentra una solucin para y devuelve el
resultado de la ejecucin. Con fail podemos forzar a que no pare y siga construyendo el
rbol de bsqueda hasta que no queden ms soluciones que mostrar.

Ejemplo:
Base de conocimientos.

padre(juan, pepe).

padre(juan, luis).

padre(juan, alberto).

listado:-padre(juan,X), write(X), nl, fail.

Objetivo

?.- listado.

pepe
luis
alberto
no.

El proceso de ejecucin.

Figura 3: Ilustracin del funcionamiento del predicado fail.

LOGICA DIFUSA

1. Historia:

Los conjuntos difusos fueron introducidos por primera vez en 1965; la creciente
disciplina de la lgica difusa provee por s misma un medio para acoplar estas tareas. En
cierto nivel, la lgica difusa puede ser vista como un lenguaje que permite trasladar
sentencias sofisticadas en lenguaje natural a un lenguaje matemtico formal. Mientras
la motivacin original fue ayudar a manejar aspectos imprecisos del mundo real, la
prctica temprana de la lgica difusa permiti el desarrollo de aplicaciones prcticas.
Aparecieron numerosas publicaciones que presentaban los fundamentos bsicos con
aplicaciones potenciales. Esta frase marc una fuerte necesidad de distinguir la lgica
difusa de la teora de probabilidad. Tal como la entendemos ahora, la teora de
conjuntos difusos y la teora de probabilidad tienen diferentes tipos de incertidumbre.

En 1994, la teora de la lgica difusa se encontraba en la cumbre, pero esta idea no es

nueva, para muchos, estuvo bajo el nombre de lgica difusa durante 25 aos, pero sus
orgenes se remontan hasta 2,500 aos. An Aristteles consideraba que existan ciertos
grados de veracidad y falsedad. Platn haba considerado ya grados de pertenencia.

En el siglo XVIII el filsofo y obispo anglicano Irlands, George Berkeley y David Hume
describieron que el ncleo de un concepto atrae conceptos similares. Hume en
particular, crea en la lgica del sentido comn, el razonamiento basado en el
conocimiento que la gente adquiere en forma ordinaria mediante vivencias en el
mundo. En Alemania, Immanuel Kant, consideraba que solo los matemticos podan
proveer definiciones claras, y muchos principios contradictorios no tenan solucin. Por
ejemplo la materia poda ser dividida infinitamente y al mismo tiempo no poda ser
dividida infinitamente. Particularmente la escuela americana de la filosofa llamada
pragmatismo fundada a principios de siglo por Charles Sanders Peirce, cuyas ideas se
fundamentaron en estos conceptos, fue el primero en considerar ''vaguedades'', ms
que falso o verdadero, como forma de acercamiento al mundo y a la forma en que la
gente funciona.

La idea de que la lgica produce contradicciones fue popularizada por el filsofo y

matemtico britnico Bertrand Russell, a principios del siglo XX. Estudio las vaguedades
del lenguaje, concluyendo con precisin que la vaguedad es un grado. El filsofo
austraco Ludwing Wittgenstein estudi las formas en las que una palabra puede ser
empleada para muchas cosas que tienen algo en comn. La primera lgica de
vaguedades fue desarrollada en 1920 por el filsofo Jan Lukasiewicz, visualiz los
conjuntos con un posible grado de pertenencia con valores de 0 y 1, despus los
extendi a un nmero infinito de valores entre 0 y 1. En los aos sesentas, Lofti Zadeh
invent la lgica difusa, que combina los conceptos de la lgica y de los conjuntos de
Lukasiewicz mediante la definicin de grados de pertenencia.
2. Introduccin:

La lgica difusa (tambin llamada lgica borrosa) se basa en lo relativo de lo observado

como posicin diferencial. Este tipo de lgica toma dos valores aleatorios, pero
contextualizados y referidos entre s. As, por ejemplo, una persona que mida dos metros
es claramente una persona alta, si previamente se ha tomado el valor de persona baja y
se ha establecido en un metro. Ambos valores estn contextualizados a personas y
referidos a una medida mtrica lineal.

Bsicamente la Lgica Difusa es una lgica multivariada que permite representar

matemticamente la incertidumbre y la vaguedad, proporcionando herramientas
formales para su tratamiento.

Como indica Zadeh, Cuando aumenta la complejidad, los enunciados precisos pierden
su significado y los enunciados tiles pierden precisin., que puede resumirse como
que los rboles no te dejan ver el bosque.

Bsicamente, cualquier problema del mundo puede resolverse como dado un conjunto
de variables de entrada (espacio de entrada), obtener un valor adecuado de variables
de salida (espacio de salida). La lgica difusa permite establecer este mapeo de una
forma adecuada, atendiendo a criterios de significado (y no de precisin).

3. Conceptos bsicos de lgica difusa:

Conjuntos difusos.

La mayora de los fenmenos que encontramos cada da son imprecisos, es decir,

tienen implcito un cierto grado de difusidad en la descripcin de su naturaleza. Esta
imprecisin puede estar asociada con su forma, posicin, momento, color, textura,
o incluso en la semntica que describe lo que son. En muchos casos el mismo
concepto puede tener diferentes grados de imprecisin en diferentes contextos o
tiempo. Un da clido en invierno no es exactamente lo mismo que un da clido en
primavera. La definicin exacta de cuando la temperatura va de templada a caliente
es imprecisa -no podemos identificar un punto simple de templado, as que
emigramos a un simple grado, la temperatura es ahora considerada caliente. Este
tipo de imprecisin o difusidad asociado continuamente a los fenmenos es comn
en todos los campos de estudio: sociologa, fsica, biologa, finanzas, ingeniera,
oceanografa, psicologa, etc.

Conceptos imprecisos.

Aceptamos la imprecisin como una consecuencia natural de ''la forma de las cosas
en el mundo''. La dicotoma entre el rigor y la precisin del modelado matemtico
en todos los campos y la intrnseca incertidumbre de ''el mundo real'' no es
generalmente aceptada por los cientficos, filsofos y analistas de negocios.
Nosotros simplemente aproximamos estos eventos a funciones numricas y
 escogemos un resultado en lugar de hacer un anlisis del conocimiento emprico. Sin
embargo procesamos y entendemos de manera implcita la imprecisin de la
informacin fcilmente. Estamos capacitados para formular planes, tomar
decisiones y reconocer conceptos compatibles con altos niveles de vaguedad y
ambigedad.

4. Qu es la lgica difusa?

Un tipo de lgica que reconoce ms que simples valores verdaderos y falsos. Con lgica
difusa, las proposiciones pueden ser representadas con grados de veracidad o falsedad.
Por ejemplo, la sentencia "hoy es un da soleado", puede ser 100% verdad si no hay
nubes, 80% verdad si hay pocas nubes, 50% verdad si existe neblina y 0% si llueve todo
el da.

La Lgica Difusa ha sido probada para ser particularmente til en sistemas expertos y
otras aplicaciones de inteligencia artificial. Es tambin utilizada en algunos correctores
de voz para sugerir una lista de probables palabras a reemplazar en una mal dicha. La
Lgica Difusa, que hoy en da se encuentra en constante evolucin, naci en los aos 60
como la lgica del razonamiento aproximado, y en ese sentido poda considerarse una
extensin de la Lgica Multivariada. La Lgica Difusa actualmente est relacionada y
fundamentada en la teora de los Conjuntos Difusos. Segn esta teora, el grado de
pertenencia de un elemento a un conjunto va a venir determinado por una funcin de
pertenencia, que puede tomar todos los valores reales comprendidos en el intervalo
[0,1].

Ejemplo de una funcin de pertenencia a un Conjunto Difuso.

La Lgica Difusa (llamada tambin Lgica Borrosa por otros autores) o Fuzzy Logic es
bsicamente una lgica con mltiples valores, que permite definir valores en las reas
oscuras entre las evaluaciones convencionales de la lgica precisa: Si / No, Cierto / Falso,
Blanco / Negro, etc. Se considera un sper conjunto de la Lgica Booleana. Con la Lgica
Difusa, las proposiciones pueden ser representadas con grados de certeza o falsedad. La
lgica tradicional de las computadoras opera con ecuaciones muy precisas y dos
respuestas: Si o no, uno o cero. Ahora, para aplicaciones de computadores muy mal
definido o sistemas vagos se emplea la Lgica Difusa.

Por medio de la Lgica Difusa pueden formularse matemticamente nociones como un

poco calientes o muy fras, para que sean procesadas por computadoras y cuantificar
expresiones humanas vagas, tales como "Muy alto" o "luz brillante". De esa forma, es
un intento de aplicar la forma de pensar humana a la programacin de los
computadores. Permite tambin cuantificar aquellas descripciones imprecisas que se
usan en el lenguaje y las transiciones graduales en electrodomsticos como ir de agua
sucia a agua limpia en una lavadora, lo que permite ajustar los ciclos de lavado a travs
de sensores. La habilidad de la Lgica Difusa para procesar valores parciales de verdad
ha sido de gran ayuda para la ingeniera.
En general, se ha aplicado a: Sistemas expertos. Verificadores de ortografa, los cuales
sugieren una lista de palabras probables para reemplazar una palabra mal escrita.
Control de sistemas de trenes subterrneos.

Los operadores lgicos que se utilizarn en Lgica Difusa (AND, OR, etc.) se definen
tambin usando tablas de verdad, pero mediante un "principio de extensin" por el cual
gran parte del aparato matemtico clsico existente puede ser adaptado a la
manipulacin de los Conjuntos Difusos y, por tanto, a la de las variables lingsticas.

La operacin ms importante para el desarrollo y creacin de Reglas Lgicas es la

implicacin, simbolizada por " " que representa el "Entonces" de las reglas heursticas:
Si (...) Entonces ( ) (...).

As, en la Lgica Difusa hay muchas maneras de definir la implicacin. Se puede elegir
una "funcin (matemtica) de implicacin" distinta en cada caso para representar a la
implicacin.

La ltima caracterstica de los sistemas lgicos es el procedimiento de razonamiento,

que permite inferir resultados lgicos a partir de una serie de antecedentes.
Generalmente, el razonamiento lgico se basa en silogismos, en los que los
antecedentes son por un lado las proposiciones condicionales (nuestras reglas), y las
observaciones presentes por otro (sern las premisas de cada regla).

Los esquemas de razonamiento utilizados son "esquemas de razonamiento

aproximado", que intentan reproducir los esquemas mentales del cerebro humano en
el proceso de razonamiento. Estos esquemas consistirn en una generalizacin de los
esquemas bsicos de inferencia en Lgica Binaria (silogismo clsico).

Tan importante ser la seleccin de un esquema de razonamiento como su

representacin material, ya que el objetivo final es poder desarrollar un procedimiento
analtico concreto para el diseo de controladores difusos y la toma de decisiones en
general. Una vez que dispongamos de representaciones analticas de cada uno de los
elementos lgicos que acabamos de enumerar, estaremos en disposicin de desarrollar
formalmente un controlador "heurstico" que nos permita inferir el control adecuado de
un determinado proceso en funcin de un conjunto de reglas "lingsticas", definidas de
antemano tras la observacin de la salida y normas de funcionamiento de ste.

5. Caractersticas

El Principio de Incompatibilidad dice que la descripcin del comportamiento de un

sistema complejo no puede realizarse de forma absolutamente precisa. Para solucionar
este problema Zadeh plantea la necesidad de obtener herramientas capaces de manejar
de forma rigurosa y fiable informacin imprecisa, lo cual obliga a desarrollar dos
aspectos:
 Representacin de la informacin imprecisa:

Para esto lo que propone es el empleo de la Teora de conjuntos difusos. As

como describir la experiencia de los sistemas complejos en sus relaciones
entrada-salida mediante proposiciones condicionales del tipo Si-Entonces
(Ejemplo: Si la presin es muy alta Entonces vaciamos el recipiente) de manera
que las variables de entrada y las variables de salida quedan ligadas.

Inferencia sobre informacin imprecisa: Ahora se necesita una forma de

combinar esta informacin para obtener nuevos hechos. Entonces Zadeh
establece la necesidad de un mtodo de inferencia generalizado e introduce lo
que se conoce como Regla Composicional de Inferencia.

A partir de este principio, se pueden describir las principales caractersticas

esenciales de la lgica difusa y los sistemas difusos:

1. El razonamiento exacto puede verse como un caso particular del

razonamiento aproximado. Cualquier sistema lgico puede ser fuzzificado.
Mediante lgica difusa se puede formular el conocimiento humano de una
forma sistemtica, y puede ser fcilmente incluido en sistemas de ingeniera.

2. El conocimiento se interpreta como una coleccin de restricciones difusas

sobre una coleccin de variables. Los sistemas difusos son especialmente
interesantes para la definicin de sistemas cuyo modelo exacto es difcil de
obtener (es necesario introducir una aproximacin).

3. La inferencia puede verse como un proceso de propagacin de estas

restricciones difusas.

4. Se utiliza ampliamente en sistemas de ayuda a la decisin. La lgica difusa

permite obtener decisiones con valores incompletos o informacin incierta.

Los sistemas difusos son muy recomendables en aquellos problemas muy complejos
donde no existe un modelo matemtico simple asociado. Igualmente en procesos que
obedecen a un comportamiento no lineal, la solucin difusa plantea grandes ventajas.
La solucin difusa require que el conocimiento experto sea expresado lingsticamente,
requisito que es normalmente fcil de obtener.

6.- Aplicaciones generales

La lgica difusa se utiliza cuando la complejidad del proceso en cuestin es muy alta y
no existen modelos matemticos 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 algn modelo matemtico ya soluciona
eficientemente el problema, cuando los problemas son lineales o cuando no tienen
solucin.
Esta tcnica se ha empleado con bastante xito en la industria, principalmente en Japn,
extendindose sus aplicaciones a multitud de campos. La primera vez que se us de
forma importante fue en el metro japons, con excelentes resultados. Posteriormente
se generaliz segn la teora de la incertidumbre desarrollada por el matemtico y
economista espaol Jaume Gil Aluja.
A continuacin se citan algunos ejemplos de su aplicacin:
Sistemas de control de acondicionadores de aire
Sistemas de foco automtico en cmaras fotogrficas
Electrodomsticos familiares (frigorficos, lavadoras...)
Optimizacin de sistemas de control industriales
Sistemas de escritura
Mejora en la eficiencia del uso de combustible en motores
Sistemas expertos del conocimiento (simular el comportamiento de un experto
humano)
Tecnologa informtica
Bases de datos difusas: Almacenar y consultar informacin imprecisa. Para este
punto, por ejemplo, existe el lenguaje FSQL.
...y, en general, en la gran mayora de los sistemas de control que no dependen
de un S/No.

7.- Lgica difusa en inteligencia artificial

La lgica difusa es una rama de la inteligencia artificial que le permite a una
computadora analizar informacin del mundo real en una escala entre lo falso y lo
verdadero, manipula conceptos vagos, como "caliente" o "hmedo", y permite a los
ingenieros construir dispositivos que juzgan la informacin difcil de definir.
En Inteligencia artificial, la lgica difusa, o lgica borrosa se utiliza para la resolucin de
una variedad de problemas, principalmente los relacionados con control de procesos
industriales complejos y sistemas de decisin en general, la resolucin y la compresin
de datos. Los sistemas de lgica difusa estn tambin muy extendidos en la tecnologa
cotidiana, por ejemplo en cmaras digitales, sistemas de aire acondicionado, lavar
ropas, etc. Los sistemas basados en lgica difusa imitan la forma en que toman
decisiones los humanos, con la ventaja de ser mucho ms rpidos. Estos sistemas son
generalmente robustos y tolerantes a imprecisiones y ruidos en los datos de entrada.
Algunos lenguajes de programacin lgica que han incorporado la lgica difusa seran
por ejemplo las diversas implementaciones de Fuzzy PROLOG o el lenguaje Fril.
Consiste en la aplicacin de la lgica difusa con la intencin de imitar el razonamiento
humano en la programacin de computadoras. Con la lgica convencional, las
computadoras pueden manipular valores estrictamente duales, como verdadero/falso,
s/no o ligado/desligado. En la lgica difusa, se usan modelos matemticos para
representar nociones subjetivas, como caliente/tibio/fro, para valores concretos que
puedan ser manipuladas por los ordenadores.
En este paradigma, tambin 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 evaluacin media de la
situacin en un perodo anterior.

8.- Ventajas e inconvenientes

Como principal ventaja, cabe destacar los excelentes resultados que brinda un sistema
de control basado en lgica difusa: ofrece salidas de una forma veloz y precisa,
disminuyendo as las transiciones de estados fundamentales en el entorno fsico que
controle. Por ejemplo, si el aire acondicionado se encendiese al llegar a la temperatura
de 30, y la temperatura actual oscilase entre los 29-30, nuestro sistema de aire
acondicionado estara encendindose y apagndose continuamente, con el gasto
energtico que ello conllevara. Si estuviese regulado por lgica difusa, esos 30 no
seran ningn umbral, y el sistema de control aprendera a mantener una temperatura
estable sin continuos apagados y encendidos.
Tambin est la indecisin de decantarse bien por los expertos o bien por la tecnologa
(principalmente mediante redes neuronales) para reforzar las reglas heursticas iniciales
de cualquier sistema de control basado en este tipo de lgica.

9.- Funcionamiento
La lgica difusa (fuzzy logic, en ingls) 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 corazn est un poco acelerado, etc.
La clave de esta adaptacin al lenguaje se basa en comprender los cuantificadores de
cualidad para nuestras inferencias (en los ejemplos de arriba, mucho, muy y un
poco).
En la teora de conjuntos difusos se definen tambin las operaciones
de unin, interseccin, diferencia, negacin o complemento, y otras operaciones sobre
conjuntos (ver tambin subconjunto difuso), en los que se basa esta lgica.
Para cada conjunto difuso, existe asociada una funcin de pertenencia para sus
elementos, que indica en qu medida el elemento forma parte de ese conjunto difuso.
Las formas de las funciones de pertenencia ms tpicas son trapezoidal, lineal y curva.
Se basa en reglas heursticas de la forma SI (antecedente) ENTONCES (consecuente),
donde el antecedente y el consecuente son tambin conjuntos difusos, ya sea puros o
resultado de operar con ellos. Sirvan como ejemplos de regla heurstica para esta lgica
(ntese la importancia de las palabras muchsimo, drsticamente, un poco y
levemente para la lgica difusa):
 SI hace muchsimo fro. ENTONCES aumento drsticamente la temperatura.
SI voy a llegar un poco tarde. ENTONCES aumento levemente la velocidad.
Los mtodos de inferencia para esta base de reglas deben ser sencillos, verstiles y
eficientes. Los resultados de dichos mtodos son un rea final, fruto de un conjunto de
reas solapadas entre s (cada rea es resultado de una regla de inferencia). Para escoger
una salida concreta a partir de tanta premisa difusa, el mtodo ms usado es el
del centroide, en el que la salida final ser el centro de gravedad del rea 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 estn
aumentando exponencialmente su capacidad de procesamiento de reglas ao a ao.
Un esquema de funcionamiento tpico para un sistema difuso podra ser de la siguiente
manera:

Funcionamiento de un sistema de control difuso.

En la figura, el sistema de control hace los clculos con base en sus reglas heursticas,
comentadas anteriormente. La salida final actuara sobre el entorno fsico, y los valores
sobre el entorno fsico de las nuevas entradas (modificado por la salida del sistema de
control) seran tomados por sensores del sistema.
Por ejemplo, imaginando que nuestro sistema difuso fuese el climatizador de un coche
que se autorregula segn las necesidades: Los chips difusos del climatizador recogen los
datos de entrada, que en este caso bien podran 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 rea de resultados. De
esa rea se escoger el centro de gravedad, proporcionndola como salida.
Dependiendo del resultado, el climatizador podra aumentar la temperatura o
disminuirla dependiendo del grado de la salida.