Logica fuzzy 1

1. ELEMENTE DE LOGICĂ FUZZY

Logica este ştiinŃa demonstraŃiei al cărei obiect este stabilirea condiŃiilor

corectitudinii gândirii, a formelor şi a legilor generale ale raŃionării corecte,
conforme prin ordinea ideilor cu organizarea logică a realităŃii obiective.
Logica clasică este logica de tradiŃie aristotelică, care studiază formele
logice fundamentale (noŃiunea, judecata, raŃionamentul) precum şi principiile
gândirii. Legea terŃului exclus a lui Aristotel a făcut imposibilă o a treia variantă
a valorii de adevăr a unei propoziŃii, în afară de adevărat sau fals, ceea ce este
în dezacord cu „logica bunului simŃ”, cu „logica comună” cu care este înzestrat
şi conform căreia acŃionează omul în realitate.
Logică matematică (simbolică) este o ramură a logicii care cercetează
operatorii logici şi care are ca obiect aplicarea metodelor matematice în
domeniul logicii formale, în informatică, electronică, cibernetică, lingvistică
etc.
Logica booleană (binară, bivalentă) consideră valoarea de adevăr a
propoziŃiilor, doar în termeni de adevărat (1) sau fals (0).
Este clar că o manieră strictă de evaluare a valorii de adevăr a
propoziŃiilor nu coincide cu modul mult mai flexibil în care gândesc oamenii în
condiŃii de incompletitudine (informaŃie incertă sau imprecisă). Dacă sursa de
informaŃie, instrumentul de măsură sau expertul sunt complet siguri, demni de
încredere, informaŃia este certă, în caz contrar este incertă. Dacă mulŃimea
valorilor specificate în enunŃul corespunzător conŃinutului informaŃiei este
neambiguu, informaŃia este precisă.
De multe ori omul nu poate răspunde categoric la o anumită întrebare
doar cu DA sau NU, nu poate percepe culorile doar în ALB sau NEGRU, nu
poate pune o ştampila categorică de BUN sau RĂU peste orice obiect, adică nu
întotdeauna poate afirma categoric că o propoziŃie este adevărată 100% sau
falsă 100%.
Un tip de logică neconvenŃională, premergător logicii de tip fuzzy, a
apărut încă din 1920, fiind propusă de matematicianul polonez Jan Łukasiewicz
(1878-1956) [Łuk20], [Łuk30], [Łuk41], [Łuk66] (această logică ia în
considerare trei valori de adevăr). ContribuŃii deosebite în acest domeniu a avut
şi logicianul român Grigore C. Moisil (1906-1973) [Moi35] - [Moi75] şi
continuatorii săi: George Georgescu, Sergiu Rudeanu, Afrodita Iorgulescu
[GIR06], Gheorghe Nadiu [DzA06] şi alŃii.

Un suport teoretic valoros care tratează incompletitudinea este teoria

mulŃimilor fuzzy introdusă în 1965 de Lotfi A. Zadeh [Zad65].
2 Logica fuzzy

Lotfi A. Zadeh1 (n.1921) la ICCCC 20082, Băile Felix,

prezentând conferinŃa plenară invitată întitulată
„A New Frontier in Computation –
Computation Described in Natural Language”

L.A. Zadeh şi I. DziŃac3 înainte de deschiderea ICCCC 2008

1
În anul 2003 părintele mulŃimilor şi logicii fuzzy; Lotfi A. Zadeh, a primit titlul de Doctor
Honoris Causa al UniversităŃii „Aurel Vlaicu” din Arad
2
International Conference on Computers, Communications & Control (ICCCC),
http://www.iccc.univagora.ro
3
Autorul acestei cărŃi, fondatorul şi organizatorul ICCCC
 Logica fuzzy 3

Lotfi A. Zadeh la ICCCC 2008,

scriind în cartea de onoare a UniversităŃii Agora

În 1973 Lotfi A. Zadeh a extins teoria posibilităŃii într-un sistem formal

de logică matematică [Zad73]. Sistemul său permitea extinderea valorii de
adevăr a unei propoziŃii la toate numerele reale din intervalul [0,1]. Un număr
din acest interval era interpretat drept posibilitatea ca propoziŃia considerată să
fie adevărată sau falsă. Aceste cercetări au dus la apariŃia teoriei posibilităŃii, o
tehnică de raŃionament în condiŃii de inexactitate. De asemenea, a adus în
discuŃie modalităŃile de lucru cu termeni nuanŃaŃi ai limbajului natural. Acest
instrument de reprezentare şi manipulare a termenilor nuanŃaŃi se numeşte
logica fuzzy. Logica tradiŃională consideră că un obiect poate aparŃine sau nu
unei mulŃimi. Logica fuzzy permite o interpretare mai flexibilă a noŃiunii de
apartenenŃă. Astfel, mai multe obiecte pot aparŃine unei mulŃimi în grade
diferite.
Teoria mulŃimilor fuzzy şi conceptele fuzzy au apărut din necesitatea de a
exprima cantitativ mărimi imprecise. Deşi există numeroase ramuri ale
matematicii mai vechi decât teoria fuzzy, care se ocupă cu studiul proceselor de
natură aleatoare: teoria probabilităŃilor, statistica matematică, teoria informaŃiei,
totuşi nu se pot face substituŃii între acestea şi teoria mulŃimilor fuzzy. Există o
distincŃie între teoria probabilităŃii (care tratează incertitudinea stochastică) şi
teoria posibilităŃii (care tratează incertitudinea epistemică).
Incertitudinea stochastică poate fi modelată foarte uşor cu ajutorul teoriei
probabilităŃilor bayesiene, teorie aplicabilă în acele situaŃii în care evenimentele
4 Logica fuzzy

sunt bine precizate dar apariŃia lor este incertă din cauza lipsei de informaŃie.
Interesul privind calculul probabilităŃilor în sistemele expert a crescut mult după
succesul remarcabil obŃinut în sistemul MYCIN.
În cazul incertitudinii epistemice (subiective), probabilităŃile nu mai pot fi
aplicate din cauza lipsei de informaŃii. Prin urmare, s-a încercat dezvoltarea
altor teorii care să modeleze incertitudinea epistemică. Printre acestea se
numără şi teoria posibilităŃii şi teoria evidenŃei. O prima abordare a
incertitudinii epistemice o reprezintă teoria posibilităŃii, prezentată pentru prima
dată de Lotfi Zadeh, părintele mulŃimilor fuzzy. Unul dintre conceptele
principale ale teoriei posibilităŃii este distribuŃia acesteia. Punctul de plecare l-a
reprezentat noŃiunea de restricŃie fuzzy. Pentru a înŃelege ce este aceasta, să ne
imaginăm un geamantan cu pereŃi elastici şi unul inelastic. Pentru cel cu pereŃi
tari, volumul acestuia este o valoare unică, bine stabilită. Pentru cel cu pereŃi
elastici, volumul depinde de gradul de înghesuire al obiectelor în acesta. Acest
grad de înghesuire poate fi foarte bine reprezentat de o funcŃie similară funcŃiei
de apartenenŃă a unei mulŃimi fuzzy. Astfel distribuŃia posibilităŃii (va fi
numeric egală cu funcŃia de apartenenŃă a unei mulŃimi fuzzy (restricŃie fuzzy),
având însă o interpretare diferită.
Pentru a ilustra diferenŃa dintre distribuŃia posibilităŃii şi distribuŃia
probabilităŃii, Zadeh ne oferă un exemplu foarte concludent:
“Hans mănâncă x ouă la micul dejun. DistribuŃia posibilităŃii poate fi
interpretată ca o măsură a uşurinŃei cu care Hans mănâncă x ouă, în timp ce
distribuŃia probabilităŃii se obŃine în urma observării lui Hans la micul dejun,
într-o anumită perioadă de timp, în scopul surprinderii frecvenŃei cu care Hans
mănâncă x ouă”.
Prin proiectarea de instrumente care să faciliteze sau să facă mai eficientă
modelarea problemelor complexe cu ajutorul tehnologiei fuzzy, numărul şi
dimensiunea ariei de aplicabilitate a acestei tehnologii au crescut rapid.
Teoria mulŃimilor fuzzy se utilizează în următoarele scopuri:
• Modelarea incertitudinilor –incertitudinea poate fi modelată prin
diferite teorii, în funcŃie de cauzele incertitudinii, de tipul şi de cantitatea
informaŃiilor disponibile etc. Teoria mulŃimilor fuzzy este, în acest sens,
una dintre metodele care pot fi utilizate pentru a modela diferite tipuri
de incertitudini, în diferite circumstanŃe;
• Generalizare – modelele si metodele clasice sunt, în mod normal,
bazate pe logica bivalentă. Adesea, această abordare nu surprinde
adecvat realitatea. Teoria mulŃimilor fuzzy a fost utilizată cu precădere
în scopul relaxării sau al generalizării metodelor clasice, de caracterul
gradual;
• Simplificare – tehnologia fuzzy se utilizează în scopul reducerii
complexităŃii datelor la un grad acceptabil, fie prin variabile lingvistice
sau prin analiza fuzzy a datelor;
 Logica fuzzy 5

• Procesarea cunoaşterii – în raŃionamentul aproximativ, cuvintelor si

propoziŃiilor li se ataşează sensuri. Motorul de inferenŃă nu procesează
simboluri, ci expresii lingvistice cu un anume sens.

Tehnologia fuzzy a fost aplicată în multe din problemele tradiŃionale, iar

recent, a fost aplicată în domenii ca: tehnologia informaŃiei, telecomunicaŃii,
controlul traficului şi, nu în ultimul rând, în sistemele energetice.
Sectorul energetic are o importanŃă strategică. Complexitatea,
dimensiunea şi diversitatea proceselor tehnologice pe care le include
accentuează interesul specialiştilor din diverse domenii în dezvoltarea sa.
Creşterea competiŃiei şi presiunea în reducerea costurilor de alimentare cu
energie determină managerii de centrale şi inginerii să forŃeze din ce în ce mai
tare sistemul în fiecare an, aşteptând să obŃină aceleaşi niveluri de fiabilitate sau
chiar creşterea acestora.
Operarea şi controlul sistemelor energetice se realizează pe sisteme în funcŃiune
ale căror parametrii şi structură fluctuează în mod constant. Aceste schimbări şi
fluctuaŃii necesită reacŃii rapide pentru a compensa deviaŃiile şi pentru a furniza
stabilitate sistemului energetic. Natura fluctuaŃiilor şi răspunsul sistemului este
imprevizibilă, deci, managementul şi planificarea sistemului energetic se
confruntă cu incertitudinea asupra cererii de energie, acces limitat la date
precum şi schimbări ale condiŃiilor economice, politice si sociale.
Managerii si inginerii acestor sisteme trebuie să crească eficienŃa
producŃiei de energie electrică într-un mediu variabil, al cărui comportament
este greu de prezis.

Această problemă poate fi rezolvată prin aplicaŃii ale metodologilor inteligente

de conducere. AplicaŃii bazate pe sisteme expert, reŃele neurale şi mulŃimi fuzzy
se pot utiliza în controlul, operarea şi managementul sistemelor energetice.
Teoria mulŃimilor fuzzy este recunoscută de numeroşi cercetători şi
ingineri ca o metodă care poate furniza instrumente moderne în rezolvarea a
numeroase probleme ale sistemului energetic, în particular, în cazul unei
structuri necunoscute a sistemului şi fluctuaŃii de parametrii. Este, de asemenea,
o tehnică promiŃătoare în cazul proceselor necunoscute, în absenŃa datelor
sigure. Metodele fuzzy pot rezolva numeroase probleme dificile, aducând un
plus de calitate care va conduce la o alimentare mult mai sigură cu energie
electrică.

1.1. MulŃimi vagi

Pornind de la concepŃia clasică cu privire la mulŃime şi element al unei

mulŃimi, se poate susŃine că noŃiunea de mulŃime fuzzy reprezintă o abordare
dintr-un unghi diferit a conceptului de mulŃime, mai precis, între apartenenŃa
6 Logica fuzzy

unui element la o mulŃime şi nonapartenenŃă există o serie de situaŃii tranzitorii,

de natură continuă, caracterizate de aşa numitele grade de apartenenŃă.[13]

MulŃimi crisp

În sens Cantor, o mulŃime crisp dihotominează elementele unui univers

ale cărui elemente, o parte aparŃin cu certitudine unei mulŃimi şi o a doua parte
de membri care nu este inclusă în această mulŃime. DistincŃia dintre cele două
categorii - cea a membrilor şi nemembrilor – este exclusivă. Procesul prin care
se defineşte proprietatea de apartenenŃă la una din mulŃimi sau la cealaltă este
evidenŃiat de funcŃia caracteristică (de apartenenŃă):
x∈ A
µ A (x ) = 1
y∉A
µ A (y) = 0
Rezultă că funcŃia de apartenenŃă: µ A = {0;1}

MulŃimi fuzzy

Dacă X este o mulŃime oarecare, se numeşte mulŃime fuzzy (în X)

rezultatul unei aplicaŃii :

A : X → [0;1] . (1.1)

MulŃimea fuzzy A este caracterizată de funcŃia de apartenenŃă:

µ A : X → P[0,1]
(1.2)

Valorile 0 şi 1 reprezintă cel mai mic şi respectiv cel mai mare grad de
apartenenŃă la A al unui element x ∈ X.
În sens Zadeh, o mulŃime pentru care o delimitare evidentă între extremele
aparŃine-nu aparŃine este exprimată gradual.
Oricare mulŃime caracterizată de o „frontieră” de separaŃie”vagă” reprezintă o
mulŃime fuzzy. Aşadar, µ A = [0;1] .
În cazul µ A = {0;1} mulŃimea fuzzy degenerează într-o mulŃime crisp:
Logica binară (Boole) este redată astfel: L2 = {0;1}
{ }
În logica trivalentă (Lukasievicz): L3 = 0; 1 ;1 este prezentă şi
2
apartenenŃa de
 Logica fuzzy 7

valoare medie µ 3 = 1 , cu semnificaŃia de apartenenŃă îndoielnică la mulŃimea

2
de referinŃă.
În logica polivalentă survine necesitatea interpretării unei mulŃimi de
{ }
valori logice, spre exemplu, L4 = 0; 1 ; 2 ;1 , logica tetravalentă a cărei
3 3
interpretare este:
0 – fals;
1/3 – nu neapărat fals;
2/3 – nu neapărat adevărat;
1 – adevărat.

Literatura citează o logică de detaliu, logica endecadenară:

L11 = {0; 0,1; 0,2; 0,3; 0,4; 0,5; 0,6; 0,7; 0,8; 0,9;1}
ale cărei elemente au următoarea semnificaŃie:
0-fals;
0,1-practic fals;
0,2-aproape fals;
0,3-destul de fals;
0,4-mai mult fals, decât adevărat;
0,5-nici adevărat, nici fals;
0,6-mai mult adevărat decât fals;
0,7-destul de adevărat;
0,8-ca şi adevărat;
0,9-practic adevărat;
1-adevărat.
Această ultimă scală –conform experŃilor - setul acestor 11 nivele (valori
logice) oferă suficiente informaŃii pentru o modelare de înalt nivel de
flexibilitate.
Un model mai puŃin extins, dar care se dovedeşte a fi un instrument de
modelare practică, mai ales în cazul sistemelor tehnice, este logica heptenară
(septuatenară):
{
L7 = 0; 1 ; 2 ; 3 ; 4 ; 5 ; 1
6 6 6 6 6
} elementelor sale fiindu-le asociată
semantica:
0-nesatisfăctor
1/6-aproape nesatisfăcător
2/6-puŃin satisfăcător
3/6-satisfăcător
4/6-bine
5/6-aproape foarte bine
8 Logica fuzzy

1-foarte bine

Astfel de scale de ierarhizare (apartenenŃă) în raport cu o anumită mulŃime

pot fi de tip liniar sau neliniar; de asemenea, în varianta non-crisp se preferă
scalele neliniare care conŃin un nivel (funcŃie de apartenenŃă) de mijloc:0,5.
Referitor la valorile de adevăr (funcŃiile de apartenenŃă) incluse în intervalul
[0;1] , acestea nu pot fi interpretate ca probabilităŃi; este necesar a se face
distincŃia între conceptul de aleatorism (randomness) şi punctul de vedere al
logicii nuanŃate (fuzzy), fuzzyness. Valorile de adevăr nu au semnificaŃia unor
numere reale, operaŃiile de sumă/înmulŃire neavând sens. E.Borel afirmă că
valoarea de adevăr a unei propoziŃii reprezintă probabilitatea de a fi adevărată
(de a aparŃine unei anumite mulŃimi).

SubmulŃimi fuzzy

Fie un sistem de referinŃă E definit de mulŃimea:

E = {a, b, c, d , e, f , g}
O submulŃime inclusă în acest sistem A ⊂ E poate fi, spre exemplu A:
A = {b, c, d , f , g }
sau redată în formă binară:

a b c d e f g
A= 0 1 1 1 0 1 1

şi a cărei interpretare este următoarea:

a ∉ A ; b ∈ A; c ∈ A; d ∈ A; e ∉ A; f ∈ A; g ∈ A
Rezultă că un anumit element al lui E aparŃine sau nu submulŃimii A ⊂ E .

Conceptul de submulŃime fuzzy constă în a admite că un element poate aparŃine

sistemului de referinŃă cu o valoare α ∈ [0;1] ; spre exemplu, fie submulŃimea B:

a b c d e f g
B= 0,4 0,6 0,2 0,8 0 1 0,9

(“Tilda” de sub B indică faptul că ne referim la o submulŃime).

1.2. FuncŃii de apartenenŃă

Valoarea din intervalul [0;1] care afectează un anumit element se

numeşte funcŃie de apartenenŃă. Subintervalele de maximă încredere/maximă
 Logica fuzzy 9

prezumŃie sunt caracteristice în cazul în care mărimile x şi µ(x) au o limită

inferioară şi una superioară.
În sistemul nefinit R o submulŃime fuzzy ale cărei elemente x au funcŃiile µ(x)
este prezentată în figura 1.1.

Figura 1.1. SubmulŃime fuzzy în R

Numere fuzzy

În cazul unui sistem de referinŃă R sau a unei submulŃimi aparŃinând lui

R, un număr fuzzy (NF) prezintă proprietăŃile:
- normalitate, α , α ′ ∈ [0;1] ;
- convexitate, [m; n] ≤ [m′; n′] , α ≤ α ′
Logica fuzzy utilizează frecvent numerele fuzzy triunghiulare (NFT) şi
numerele fuzzy trapezoidale (NFTp), redate astfel în figurile 1.2 şi 1.3.

Figura 1.2. Număr fuzzy triunghiular (NFT)

10 Logica fuzzy

Pentru numerele fuzzy triunghiulare de interval (a1 , a 2 , a3 ) - funcŃia de

apartenenŃă triunghiulară este dată de (1.3):

µ (x ) = 0 , x ≤ a1 ;

µ ( x ) = x − a1 , a1 ≤ x ≤ a 2 ;
 a 2 − a1
 (1.3)
µ (x ) = a3 − x , a 2 ≤ x ≤ a3
 a3 − a 2

µ (x ) = 0 , x ≥ a3

Figura 1.3. Număr fuzzy trapezoidal (NFTp)

(a1 ; [a 2 ; a3 ]; a 4 ) - tripletă de încredere
[a 2 ; a3 ] - subinterval de maximă încredere
În cazul numerelor trapezoidale de interval (a1 ; [a 2 ; a3 ]; a 4 ) - funcŃia de
apartenenŃă trapezoidală este dată de (1.4):

µ (x ) = 0 , x ≤ a1 ;

µ ( x ) = x − a1 , a1 ≤ x ≤ a 2 ;
 a 2 − a1

µ ( x ) = 1, a 2 ≤ x ≤ a3 (1.4)
 a −x
µ (x ) = 4 , a3 ≤ x ≤ a 4
 a 4 − a3
µ (x ) = 0 , x ≥ a4

Logica fuzzy utilizează frecvent numerele fuzzy triunghiulare.
 Logica fuzzy 11

Exemplul 1: Fie variabila a ∈ R nivelul de temperatură care caracterizează-

printre multe altele-starea de confort dintr-o locuinŃă şi µ (a k ) funcŃiile de
apartenenŃă ale diverselor valori ale temperaturii la valoarea ambientală cea mai
favorabilă – fie aceasta θ opt = 25 o C - figura 1.4 .

Figura 1.4. Numărul fuzzy triunghiular (NFT)

Nivelul optim de temperatură este θ opt = 25 o C
µ ( x ) - funcŃiile de apartenenŃă la nivelul optim ale celorlalte valori ale
temperaturii

ApartenenŃa nivelului de temperatură θ = +10 o C la valoarea optimă ambientală

θ opt = 25 o C se deduce conform relaŃiei (1.3):
10 − (− 5)
µ (θ = +10 o C ) = ( )
⇒ µ θ = +10 o C = 0,5
25 − (− 5)
De asemenea,
40 − 35
µ (θ = +35 o C ) = ( )
⇒ µ θ = +35 o C = 0,333
40 − 25
Universul lingvistic propus pentru diversele valori ale temperaturii
[ ]
θ ∈ − 5; + 40 o C este:
12 Logica fuzzy



 - total neconfortabil (− 5 C )
o

 - practic neconfortabil (0 C )
o


 - aproape neconfortabil (+ 5 C )o



- puŃin confortabil (+ 10 C ) o


Pentru NFT 
- relativ confortabil (+ 15 C ) o

 - confortabil (+ 20 C ) o



- foarte confortabil (+ 25 C ) o

 - relativ confortabil (+ 30 C ) o



- foarte puŃin confortabil (+ 35 C ) o

 - neconfortabil (+ 40 C ) o




În cazul numerelor fuzzy trapezoidale (NFTp) se consideră

[ ]
subintervalul de maximă încredere + 20 o C ;+25 o C , căruia îi corespunde
subintervalul de maximă prezumŃie, α = 1 - figura 1.5.

Figura 1.5. Numărul fuzzy trapezoidal (NFTp)

( )
Subintervalul de maximă încredere SI mi este + 20 o C ;+25 o C [ ]
α MP
- nivel de maximă prezumŃie α = 1

Exemplul 2: Fie θ = 37 o C , funcŃia de apartenenŃă va fi – conform relaŃiilor

(1.4):
40 − 37
µ (θ = +37 o C ) = ⇒ µ (θ = +37 o C ) = 0,2
40 − 25
 Logica fuzzy 13

Alte modele ale funcŃiilor de apartenenŃă

FuncŃie de apartenenŃă de tip parabolic – figura 1.6.

Figura 1.6. FuncŃie de apartenenŃă de tip parabolic

(D) axă de simetrie

Expresia de calcul a funcŃiei de apartenenŃă este:

2
 x − a2 
µ ( x ) = 1 − 4  (1.5)
a
 3 − a 1 

Exemplul 3:
a1 = 3 
Se consideră:  ⇒ a2 = 5
a3 = 7
2
 4−5
Pentru x = 4 rezultă µ (4 ) = 1 − 4  ⇒ µ (4 ) = 0,75
 7 −3

FuncŃie de apartenenŃă de tip normal (Gauss) – figura 1.7

Figura 1.7. FuncŃie de apartenenŃă de tip Gauss - (D) axă de simetrie

14 Logica fuzzy

Valoarea funcŃiei de apartenenŃă se deduce din expresia (1.6):

( x − a2 )2
−
µ (x ) = e 2 ( a3 − a1 )2
(1.6)

Un alt model îl reprezintă mulŃimea numerelor reale din apropierea cifrei 0 , a

cărei funcŃie de apartenenŃă se obŃine din relaŃia (1.7):

1
µ (x ) = , x ∈ [− 2;+2] (1.7)
1 + 10 x 2

1.3. OperaŃii cu mulŃimi fuzzy

OperaŃiile uzuale din teoria clasică a mulŃimilor se pot redefini în cazul

mulŃimilor fuzzy în termenii funcŃiei de apartenenŃă:

- mulŃimea vidă ∅ ⊆ X este caracterizată de:

µ ∅ (x ) = 0 ; x ∈ X (1.8)

- mulŃimea totală X de:

m A ( x ) = 1, x ∈ X (1.9)

- două mulŃimi fuzzy sunt egale, dacă funcŃiile lor de apartenenŃă sunt
identice :

M = N ⇔ µM = µN ; (1.10)

- mulŃimea fuzzy M este conŃinută în mulŃimea fuzzy N :

M ⊆ N ⇔ µM ≤ µN (1.11)

- între mulŃimile fuzzy M şi N se pot defini operaŃiile:

- reuniune:

M ∪ N , cu µ M ∪ N (x ) = µ M ( x ) ∨ µ N ( x ) , x ∈ X (1.12)
 Logica fuzzy 15

- intersecŃie:

M ∩ N , cu µ M ∩ N ( x) = µ M ( x) ∧ µ N ( x) , x ∈ X (1.13)

- complementara:

C M , cu µ CM ( x ) = µ ( x ) , x ∈ X . (1.14)

- produsul algebric al mulŃimilor fuzzy M şi N, notat M • N ,

este caracterizat de
funcŃia de apartenenŃă:

µ M ⋅N = µ M • µ N (1.15)

- suma algebrică a mulŃimilor fuzzy M şi N, notată M + N , este

caracterizată de
funcŃia de apartenenŃă:

µM +N = µM + µ N − µM • µ N (1.16)

OperaŃiile •, + sunt asociative, comutative, dar nu sunt distributive.

1.4.ImplicaŃii pentru logica fuzzy

În logica fuzzy, implicaŃia este o operaŃie de compunere a formulelor

fuzzy, în sensul corelării a două categorii de evenimente, denumite premise,
respectiv consecinŃe. Rezultatul unei implicaŃii fuzzy este o submulŃime fuzzy.
Variabilele fuzzy sunt mărimi fuzzy asociate celor deterministe. Fiecărui
atribut al unei variabile lingvistice îi este asociată o funcŃie de apartenenŃă, a
cărei valoare (în sens determinist) indică nivelul de încredere cu care unei valori
deterministe i se poate asocia acel atribut al variabilei lingvistice.
ImplicaŃia reprezintă o operaŃie care conectează două evenimente:
premisă şi consecinŃă.
16 Logica fuzzy

Exemplul 4:
Fie mulŃimile M1 şi M2 , respectiv variabilele R1 şi R2 ce aparŃin celor două
submulŃimi:
R1 ∈ M 1
R2 ∈ M 2
unde R1 semnifică, spre exemplu, nivelul de fiabilitate de etichetă “aproape
foarte bun”, constatat de un grup de experŃi cu ocazia efectuării unei expertize
la un echipament tehnic oarecare;
R2 evidenŃiază nivelul de fiabilitate, “practic foarte bun”, propus de un alt grup
de specialişti în urma participării la o contraexpertiză pentru aceeaşi instalaŃie.
S-au considerat următoarele valori ale funcŃiilor de apartenenŃă (valori ale
fiabilităŃii determinate statistic pe baza datelor de exploatare, în momente
diferite de timp):
µ (R1 ) = 0,95 ; µ (R2 ) = 0,92 .
În cazul analizat, implicaŃia fuzzy este următoarea:
DACĂ nivelul R1 este“aproape foarte bun”, ATUNCI R2 este “practic foarte
bun”.
DACĂ nivelul R1 este“aproape foarte bun” = PREMIZA
ATUNCI R2 este “practic foarte bun” = CONSECINłA

Pentru determinarea funcŃiei de apartenenŃă rezultată în urma operaŃiei de

implicaŃie, literatura de profil recomandă diverse modele, astfel:
a) ImplicaŃia în sens Mamdami,

µ M → M (R1 , R2 ) = min (µ (R1 ), µ (R2 ))

1 2
(1.17)

b) ImplicaŃia Boole,

µ M → M (R1 , R2 ) = max (1 − µ (R1 ), µ (R2 ))

1 2
(1.18)

c) ImplicaŃia Zadeh,

µ M → M (R1 , R2 ) = min (1;1 − µ (R1 ) + µ (R2 ))

1 2
(1.19)
 Logica fuzzy 17

Rezultă,
a) µ M1 → M 2 (R1 , R2 ) = min (0,95;0,92 ) = 0,92
b) µ M1 → M 2 (R1 , R2 ) = max (1 − 0,95; 0,92 ) = 0,92
c) µ M1 → M 2 (R1 , R2 ) = min (1;1 − 0,95 + 0,92 ) = 0,97
ImplicaŃia în logica fuzzy reprezintă o operaŃie de compunere a
variabilelor fuzzy, în scopul corelării a două categorii de evenimente denumite
premisă, respectiv consecinŃă.
Acest exemplu evidenŃiază faptul că operaŃia de expertiză a fost confirmată –în
sens valoric fuzzy- de contraexpertiză.

1.5. Operatori de compunere fuzzy

Zadeh, fondatorul logicii fuzzy propune următorii trei operatori:

 - operatorul “ŞI” (∧ ) pentru conjuncŃia logică

 - operatorul “SAU” (∨ ) pentru disjuncŃia logică

 (1.20)

- operatorul complement (− ) (NON)

Fie µ ( x ) , µ ( y ) funcŃiile de apartenenŃă caracteristice mulŃimilor A şi B.

Conform teoriei posibilităŃii,

µ A∧ B ( X , Y ) = min (µ ( x ), µ ( y ));

µ A∨ B ( X , Y ) = max (µ ( x ), µ ( y )); (1.21)

nonµ ( x ) : µ ( x ) = 1 − µ ( x )

Notă: În cazul unor entităŃi, spre exemplu, entităŃile α şi β , relaŃiile logice sunt:
α ∆β (α şi β )
α ∇β (α sau β )
Dezvoltarea impetuoasă a aplicaŃiilor practice în domeniul sistemelor fuzzy a
condus la găsirea altor operatori , similari celor utilizaŃi la combinarea
probabilităŃilor:

- operatorul produs: µ A SI µ B = µ A ⋅ µ B (1.22)

- operatorul sumă: µ A SAU µ B = µ A + µ B − µ A ⋅ µ B (1.23)

18 Logica fuzzy

Operatori utilizaŃi în logica fuzzy pentru modificarea, după caz, a

funcŃiilor de apartenenŃă
Pentru a facilita modificările care se impun asupra funcŃiilor de
apartenenŃă în diferite aplicaŃii, au fost creaŃi doi operatori singulari, unici în
logica fuzzy, denumiŃi “concentrator”, respectiv “dilatator”.

- operatorul de concentrare, CONCENTRATOR,

CONC µ ( x ) = µ 2 (x ) sau µ Ac ( x ) = µ A2 ( x ) (1.24)

- operatorul de dilatare, DILATATOR,

1
DIL µ ( x ) = µ (x ) sau µ AD (x ) = µ A2 (x )
1
2
(1.25)

unde µ A (x ) semnifică nivelul de apartenenŃă a elementului X la mulŃimea A.

Figura 1.8 prezintă NFT la care s-au aplicat operatorii concentrator,
respectiv dilatator.
În mod asemănător pentru NFTp – figura 1.9.

Figura 1.8. Figura 1.9.

NFT la care se aplică operatorii NFTp la care se aplică operatorii
CONC µ ( x ) şi DIL µ ( x ) CONC µ ( x ) şi DIL µ ( x )
 Logica fuzzy 19

Deoarece aplicarea acestor operatori realizează un interval prea extins

între nivelele unei anumite trepte în comparaŃie cu nivelul de apartenenŃă al
scalei – reper (liniară), se propune a se utiliza pentru cei doi operatori
lingvistici, alte relaŃii de calcul menite să atenueze operaŃiile de
concentrare/dilatare, astfel:

- CONCENTRATOR

µ Ac ( x ) = µ ϕA ( x ) (1.26)

- DILATATOR

µ D
A (x ) = µ A (x )
ϕ
(1.27)

unde ϕ reprezintă “numărul de aur”:

1
ϕ = 1+ (1.28)
1
1+
1
1+
1
1+
1 + ...

De asemenea, valoarea aproximativă a acestui număr se deduce din relaŃia:

an
ϕ = lim ≅ 1,618034
n →∞ a
n −1
(1.29)

în care a n şi a n −1 sunt numere Fibonnaci*(incluse în şirul Fibonacci). Un

număr Fibonacci a k rezultă din suma a două numere imediat precedente:
a k = a k −1 + a k − 2 .
* Şirul Fibonacci: 0; 1;2;3;5;8;13;21;34;55;89;144;etc
20 Logica fuzzy

1.6.Fuzificarea şi defuzificarea informaŃiei

Fluxul prelucrării informaŃiei în conformitate cu logica fuzzy este următorul:

MĂRIMI DE INTRARE ⇒ FUZIFICARE ⇒ INFERENłĂ-
DEFUZIFICARE ⇒ MĂRIMI DE IEŞIRE
Fiecare verigă a lanŃului de prelucrare poate fi realizată prin diferite
tehnici şi procedee cunoscute în literatura de specialitate.
Fuzificarea este operaŃia prin care se stabilesc funcŃiile de apartenenŃă
pentru fiecare variabilă de intrare (apreciere), după care se continuă cu
acceptarea unei anumite tehnici de calcul (în general de nuanŃă statistică).
Fuzificarea reprezintă operaŃia de apartenenŃă la fiecare din mărimile de intrare
(inclusiv construirea unor tabele sau grafice sintetice spre a fi utilizate în
următoarea fază).
InferenŃa constă în aplicarea operatorilor logici: ∧ ”ŞI”, ∨ ”SAU”,
respectiv min, max
(conform teoriei posibilităŃii).
Defuzificarea are în vedere obŃinerea din informaŃia fuzzy a unor mărimi
scalare asociate
variabilelor de ieşire – acestea redate, de asemenea, sub forma unei mulŃimi
fuzzy (practic un interval de verosimilitate). Este operaŃia prin care se deduc
mărimile de ieşire şi se interpretează rezultatele obŃinute. O altă serie de metode
sunt folosite pentru obŃinerea unor valori ferme din valori fuzzy. Acestea poartă
numele de metode de defuzzificare. Cele mai folosite metode de defuzzificare
sunt :
- metoda eşantionului maxim - în care din toate regulile activate se
selectează regula cu gradul de realizare maxim, ce va determina prin valoarea
funcŃiei de activare de ieşire valoarea fermă;
- metoda centrului de greutate – prin calculul centrului de greutate al
ariei funcŃiei de apartenenŃă.

1.7. Evaluarea şi aprecierea. Scale liniare şi neliniare

MulŃimi brute
Conceptul de mulŃime brută (introdus de Pawlak) are ca obiectiv abordarea
nediscernământului, neclarităŃii a cărui cauză o constituie un univers imprecis,
incert sau incomplet din punct de vedere informaŃional. O mulŃime brută este
definită prin două aproximări limită: aproximarea-limită inferioară şi
aproximarea-limită superioară.
 Logica fuzzy 21

Referindu-ne la o anumită apreciere de forma: (satisfăcător; foarte bine) a unui

expert, privind starea operaŃională a unui echipament tehnic la un anumit
moment, acest interval constituie o submulŃime brută, aproximările limită fiind:
- aproximarea-limită inferioară: satisfăcător
- aproximarea-limită superioară: foarte bine,
această submulŃime brută fiind inclusă în mulŃimea treptelor scalei propuse
pentru studiu.
Evaluarea – semnifică asocierea unei valori numerice (negativă,
nulă sau pozitivă) unui obiect (concret, abstract) propusă de un expert în
domeniul respectiv.
Aprecierea – reprezintă expresia unui nivel de adevăr α ,
α ∈ [0;1] .
În logica binară unei aprecieri îi corespunde nivele de adevăr, α ∈ {0;1} ,
interpretate în sensul,
0-fals 1-adevărat
sau în logica trivalentă (ternară) Lukasievicz,
0-fals ½ - nici fals, nici adevărat 1-adevărat
Scalele multivalente cu număr de trepte mai mare decât trei fac uz de un număr
cuprins între 4÷11.
Sunt de preferat scalele de număr impar-acestea oferă unei anumite aprecieri un
nivel central α * = 0,5 .
Se prezintă trei scale utilizate în cele ce urmează-tabelele 1.1, 1.2, 1.3 .
Principalii operatori care se referă la aprecieri, intervale de încredere şi triplete
de încredere sunt cei menŃionaŃi:

"∧": min im

"∨": max im (1.30)
"−": complement


Aprecierile privind evoluŃia în timp, a unui sistem tehnic, spre exemplu,

aparŃin unui grup de experŃi. Exprimarea în formă lingvistică (nenumerică) în
concordanŃă cu semantica unei anumite scale (liniară sau neliniară), sunt
translatate în valori numerice, conform nivelelor scalei avute în vedere. De
remarcat faptul că o apreciere are o valoare subiectivă, spre deosebire de
probabilitatea căreia i se atribuie o valoare obiectivă.
Aprecierea a poate fi asociată unui unic nivel semantic al scalei, dar căruia i se
atribuie o valoare numerică .
De asemenea, aprecierea, transpusă numeric, poate fi redată sub formă de
interval:
22 Logica fuzzy

[a1 ; a2 ] ∈ [0;1], a1 ≤ a 2 (1.31)

sau evidenŃiată ca tripletă de încredere (pentru o mai extinsă libertate

suplimentară),

(a1 ; [a 2 ; a3 ]; a 4 ), a1 ≤ a 2 ≤ a3 ≤ a 4 (1.32)

unde [a 2 ; a3 ] semnifică subintervalul de maximă prezumŃie al tripletului de

încredere.
Scalele prezentate în tabelele 1.1., 1.2, 1.3 sunt de tip liniar (nivele
echidistante). Realitatea confirmă faptul că aprecierile privind o anumită
propoziŃie (spre exemplu, opinii ale unui grup de specialişti referitoare la
nivelul de fiabilitate al unui echipament tehnic), se pot ierarhiza într-un mod
neliniar sau uneori astfel de puncte de vedere include un interval de încredere şi
un interval de maximă încredere şi cărora le corespund intervalul de prezumŃie,
respectiv intervalul de maximă prezumŃie sub forma:

(a1 ; [a 2 ; a3 ]; a 4 ) ⇒ (α 1 ; [α 2 ;α 3 ];α 4 ) (1.33)

Tabelul 1.1.
SCALA LINIARĂ HEPTENARĂ
k Semantică Simbol Nivel Pas
α ∆α
1 Nesatisfăcător N 0 0
2 Aproape nesatisfăcător AN 1/6 1/6
3 PuŃin satisfăcător PS 2/6 1/6
4 Satisfăcător S 3/6 1/6
5 Bine B 4/6 1/6
6 Aproape foarte bine AFB 5/6 1/6
7 Foarte bine FB 1 1/6
 Logica fuzzy 23

Tabelul 1.2.
SCALA LINIARĂ NONATENARĂ
k Semantică Simbol Nivel Pas
α ∆α
1 Nesatisfăcător N 0 0
2 Aproape nesatisfăcător AN 1/8 1/8
3 PuŃin satisfăcător PS 2/8 1/8
4 Aproape satisfăcător AS 3/8 1/8
5 Satisfăcător S 4/8 1/8
6 Aproape bine AB 5/8 1/8
7 Bine B 6/8 1/8
8 Aproape foarte bine AFB 7/8 1/8
9 Foarte bine FB 1 1/8

Tabelul 1.3.
SCALA LINIARĂ ENDECADENARĂ
k Semantică Simbol Nivel Pas
α ∆α
1 Nesatisfăcător N 0 0
2 Aproape nesatisfăcător AN 1/10 1/10
3 Destul de nesatisfăcător DN 2/10 1/10
4 PuŃin satisfăcător PS 3/10 1/10
5 Aproape satisfăcător AS 4/10 1/10
6 Satisfăcător S 5/10 1/10
7 Satisfăcător spre bine SB 6/10 1/10
8 Aproape bine AB 7/10 1/10
9 Bine B 8/10 1/10
10 Aproape foarte bine AFB 9/10 1/10
11 Foarte bine FB 1 1/10
24 Logica fuzzy

DistanŃa Hamming
Fie mulŃimile A şi B şi µ A ( X K ) , µ B ( X K ), k = 1, nt , nt fiind un număr finit, spre
exemplu, numărul de trepte al unei scale oarecare (liniară sau neliniară).
DistanŃa Hamming între cele două mulŃimi este obŃinută din relaŃia (1.34) :

d HA− B = ∑ µ A ( X k ) − µ B ( X k ) (1.34)
k

FuncŃia în “S” de alură signoidă-logistică

Acest gen de funcŃie modelează “suficient de concludent” evoluŃia în timp, spre
exemplu, a unei multitudini de procese/fenomene: tehnice, economice,
biologice, sociale, deoarece graficul său prezintă un punct de inflexiune şi are
tendinŃă asimptotică de creştere (plafonare) – figura 1.10.

Figura 1.10. Graficul funcŃiei în “S”de tip sigmoid-logistic (model Lenz-

Pearl):
M(X*,Y*) - punct de inflexiune; L-plafonul asimptotic

Expresia analitică a acestei funcŃii este:

L
y= (1.35)
1 + a ⋅ e −bt

unde
L reprezintă nivelul asimptotic (adimensional),
a-mărime adimensională de poziŃie,
b-mărime ce determină panta graficului,
t-mărime variabilă, spre exemplu, timpul.
Mărimile L, a şi b se determină pe baza unui protocol de date statistice. Se
recomandă în acest sens metoda celor mai mici pătrate sau, în funcŃie de
condiŃii fenomenologice, restricŃii.
 Logica fuzzy 25

Cercetătorul D. de Solla Price atribuie funcŃiei logistice rolul exclusiv de

modulare a tuturor fenomenelor de creştere; studii privind prognoza
tehnologică, inclusiv în energetică au elaborat Lenz, Pearl, Hartman.
În prezenta lucrare vom folosi următoarea formă de funcŃie logistică:

1
α= (1.36)
1 + a ⋅ e −b⋅ k

în care,
a,b-au semnificaŃiile precizate,
α - exprimă nivelul unei aprecieri pe o anumită scală,
k – numărul corespunzător unei trepte a scalei, k = 1; nt
nt – numărul de trepte

Se consideră,

α = 0 , pentru k = 1

 1
α = α = , pentru k ∈ (1; nt ) (1.37)
 1 + a ⋅ e −b⋅ k
α = 1, pentru k = nt

Graficul funcŃiei (23) este prezentat în figura 1.11.

Figura 1.11. Graficul funcŃiei α = f (k )

k , d * - coordonatele punctului de inflexiune (M)
*

Scale neliniare pe intervale de maximă încredere de tip signoid - logistic

(scala de tip logistic în “s”)
26 Logica fuzzy

Se propun trei scale combinate: [3,4]

- heptenară (7 nivele);
- nonatenară (9 nivele);
- endecadenară (11 nivele).
Se preferă alura în “S” a funcŃiei α = f (k ) , deoarece evoluŃia nivelelor de
apartenenŃă asociate treptelor scalei în intervalul fuzzy [fals; adevărat] sau
[nesatisfăcător; foarte bine], trebuie să prezinte conform concepŃiilor filozofice
(logicii evoluŃioniste) – o tendinŃă rapidă (pozitivă) de creştere până la un
anumit punct de inflexiune, după care această tendinŃă se diminuează (devine
negativă) şi tinde asimptotic spre nivelul maxim teoretic ( α = 1 ); deci expresia
(1.37) este operaŃională – aşa cum s-a precizat - numai pentru α (k ), k ∈ (1; nt ) .
În tabelele 1.4, 1.5 şi 1.6 sunt prezentate detaliat cele trei scale. Nivelele de
prezumŃie, corespunzătoare intervalelor de încredere asociate opiniilor grupului
de experŃi sunt stabilite astfel:
- pentru α ∈ (0;0,5):

( 2
[
α k ∈ conc(α kL ) ; conc(α kL ) ; conc(α kL ) ; α kL
ϕ ϕ
] ) (1.38)

- pentru α ∈ (0,5;1):

α k ∈  α kL ; dil (α kL ) ϕ ; dil (α kL ) ϕ ; dil (α kL ) 2 

1 1 1
(1.39)
   

unde ϕ reprezintă “numărul de aur”.

NotaŃiile din următoarele trei tabele au semnificaŃiile:

( )
conc α kL
2
( )
= C LP ; dil α kL
1
2
= D LP
(1.40)
conc(α ) L ϕ
dil (α )
1
k = C Lϕ ; L
k
ϕ
= D Lϕ
α − nivel
∆α − pas
C LP / DLP − graficele concentrat / dilatat de tip parabolic ale scalei
C Lϕ / DLϕ − graficele concentrat / dilatat de tip "ϕ " ale scalei liniare
 Logica fuzzy 27

A. SCALA HEPTENARĂ Tabelul 1.4

k Semantică Simbol
Nivel αk Scala signoidă-logistică

L
C LP D LP C Lϕ D Lϕ Nivel αk Pas ∆α k
1. Nesatisfăcător N 0 0 0 0 0 0 0

2. Aproape AN 0,167 0,026 0,408 0,055 0,331 0,026; 0,026;

nesatisfăcător [0,055;0,055];
0,167 [0,055;0,055];
0,167
3. PuŃin PS 0,333 0,111 0,577 0,169 0,507 0,111; 0,085;
satisfăcător [0,169;0,169]; [0,114;0,114];
0,333 0,167
4. Satisfăcător S 0,5 0,25 0,707 0,326 0,652 0,5 0,389;
[0,331;0,331];
0,167
5. Bine B 0,667 0,444 0,816 0,519 0,778 0,667; 0,167;
[0,778;0,778]; [0,278;0,278];
0,816 0,316
6. Aproape AFB 0,833 0,694 0,913 0,744 0,893 0,833; 0,167;
foarte bine [0,893;0,893]; [0,115;0,115];
0,913 0,097
7. Foarte bine FB 1 1 1 1 1 1 0,167;
[0,107;0,107];
0,087

Figura 1.12. Scala heptenară:

28 Logica fuzzy

B. SCALA NONATENARĂ Tabelul 1.5

k Semantică Simbol Nivel αk Scala signoidă-logistică

C LP D LP C Lϕ D Lϕ Nivel αk Pas ∆α k
L
1. Nesatisfăcător N 0 0 0 0 0 0 0

2. Aproape AN 0,125 0,016 0,353 0,035 0,277 0,016; 0,016;

nesatisfăcător [0,035;0,035]; [0,035;0,035];
0,125 0,125
3. PuŃin PS 0,250 0.063 0,500 0,106 0,424 0,063; 0,047;
satisfăcător [0,106;0,106]; [0,071;0,071];
0,250 0,125
4. Aproape AS 0,375 0,141 0,612 0,205 0,545 0,141; 0,078;
satisfăcător [0,205;0,205]; [0,099;0,099];
0,375 0,125
5. Satisfăcător S 0,5 0,250 0,707 0,326 0,652 0,5 0,359;
[0,295;0,295]
0,125
6. Aproape bine AB 0,625 0,391 0,791 0,467 0,748 0,625; 0,125;
[0,748;0,748]; [0,248;0,248];
0,791 0,291
7. Bine B 0,750 0,563 0,866 0,628 0,837 0,750; 0,125;
[0,837;0,837]; [0,089;0,089];
0,866 0,075
8. Aproape AFB 0,875 0,766 0,935 0,806 0,921 0,875; 0,125;
foarte bine [0,921;0,921]; [0,084;0,084];
0,935 0,069
9. Foarte bine FB 1 1 1 1 1 1 0,125;
[0,079;0,079];
0,065

Figura 1.13. Scala nonatenară

α − nivel ; ∆α − pas
 Logica fuzzy 29

C. SCALA ENDECADENARĂ Tabelul 1.6

k Semantică Simbol
Nivel αk Scala signoidă-logistică

L
C LP D LP C Lϕ D Lϕ Nivel αk Pas ∆α k
1. Nesatisfăcător N 0 0 0 0 0 0 0

2. Aproape AN 0,1 0,01 0,316 0,024 0,241 0,01; 0,01;

nesatisfăcător [0,024;0,024]; [0,024;0,024];
0,1 0,1
3. Destul de DN 0,2 0,04 0,447 0,074 0,370 0,04; 0,03;
nesatisfăcător [0,074;0,074]; [0,050;0,050];
0,2 0,1
4. PuŃin PS 0,3 0,09 0,548 0,142 0,475 0,09; 0,05;
satisfăcător [0,142;0,142]; [0,068;0,068];
0,3 0,1
5. Aproape AS 0,4 0,16 0,632 0,227 0,568 0,16; 0,07;
satisfăcător [0,227;0,227]; [0,085;0,085];
0,4 0,1
6. Satisfăcător S 0,5 0,25 0,707 0,326 0,651 0,5 0,34;
[0,273;0,273];
0,1
7. Satisfăcător SB 0,6 0,36 0,775 0,437 0,729 0,6; 0,1;
spre bine [0,729;0,729]; [0,229;0,229];
0,775 0,275
8. Aproape bine AB 0,7 0,49 0,837 0,562 0,802 0,7; 0,1;
[0,802;0,802]; [0,073;0,073];
0,837 0,062
9. Bine B 0,8 0,64 0,894 0,697 0,871 0,8; 0,1;
[0,871;0,871]; [0,069;0,069];
0,894 0,057
10. Aproape foarte AFB 0,9 0,81 0,949 0,843 0,937 0,9; 0,1;
bine [0,937;0,937]; [0,066;0,066];
,949 0,055
11. Foarte bine FB 1 1 1 1 1 1 0,1;
[0,063;0,063];
0,051

Figura 1.14. Scala endecadenară

30 Logica fuzzy

α − nivel ; ∆α − pas
C LP − graficul concentrat parabolic al scalei liniare;
D LP − graficul dilatat parabolic al scalei liniare;
C Lϕ − graficul concentrat "ϕ " al scalei liniare;
DLϕ − graficul dilatat "ϕ " al scalei liniare.

Mărimile definitorii ale acestor scale combinate sunt-figura 1.15-:

- intervalul de încredere, exprimat astfel,
a) –dublet : (a1 ; a 2 )
b) –triplet: (a1 ; [a 2 = a 3 ]; a 4 ) sau (a1 ; [a 2 ; a3 ]; a 4 )
- intervalul de prezumŃie determinat de nivele de prezumŃie.

Figura 1.15. corespunzătoare tripletei de verosimilitate

(încredere): (a1 ; [a 2 ; a 3 ]; a 4 )
În această figură:
I V - intervalul de încredere;
SIMV – subintervalul de maximă încredere;
IP – intervalul de prezumŃie;
SIMP- subintervalul de maximă prezumŃie.
SemnificaŃiile notaŃiilor: L, C LP , C Lϕ , D LP , D Lϕ au fost precizate anterior.
 Logica fuzzy 31

BIBLIOGRAFIE

[Alb06] Albrecht K., Social Intelligence – The New Science of Succes,

Published by Jossey – Bass, San Francisco, California, 2006
[AJL07] Ahola T., Juuso E., Leiviskä K., Variable Selection and Grouping
in a Paper Machine Application, Int. J. of Computers,
Communications & Control, Vol. II (2007), No. 2, pp. 111-120
[ARD07] Andonie R., Russo J. E., Dean R., Crossing the Rubicon: A Generic
Intelligent Advisor, Int. J. of Computers, Communications &
Control, Vol. II (2007), No. 1, pp. 5-16
[Ano07] Anohina A., Advances in Intelligent Tutoring Systems: Problem-
solving Modes and Model of Hints, Int. J. of Computers,
Communications & Control, Vol. II (2007), No. 1, pp. 48-55
[And96] Andrews F. E.: The Principle Of Excluded Middle Then And Now:
Aristotle and Principia Mathematica,
http://www.mun.ca/animus/1996vol1/andrews.htm
[Băr07] Bărbat B. E., DOMINO: Trivalent Logic Semantics in Bivalent
Syntax Clothes, Int. J. of Computers, Communications & Control,
Vol. II (2007), No. 4, pp. 303-313
[BS+06] Benrejeb M., Soudani D., Sakly A., Borne P., New Discrete Tanaka
Sugeno Kang Fuzzy Systems Characterization and Stability
Domain, Int. J. of Computers, Communications & Control, Vol. I
(2006), No. 4, pp. 9-19
[Cio06] Ciobanu G., A Programming Perspective of the Membrane Systems,
Int. J. of Computers, Communications & Control, Vol. I (2006), No.
3, pp. 13-24
[Cop95] Coppieters K.: Knowledge Representation,
http://ijgj229.infj.ulst.ac.uk/BillsWeb/PGCert/InfoSys/4.knowrep.ht
ml, 1995
[CóC] Córdova F.M., Cañete L. R., The Challenge of Designing Nervous
and Endocrine Systems in Robot, Int. J. of Computers,
Communications & Control, Vol. I (2006), No. 2, pp. 33-40
[DEX98] DicŃionarul explicativ al limbii române, Academia Română,
Institutul de Lingvistică "Iorgu Iordan", Editura Univers
Enciclopedic, 1998
[Dum99] Dumitrescu D.: Principiile inteligenŃei artificiale, Ed. Albastră,
Cluj-Napoca, 1999
[DuC99] Dumitrescu D., Costin H.: ReŃele neuronale, Teorie şi aplicaŃii, Ed.
Teora, Bucureşti,1996
[DF+08] Dzitac S., Felea I., Dzitac I., Vesselenyi T., An Application of
Neuro-Fuzzy Modelling to Prediction of some Incidence in an
32 Logica fuzzy

Electrical Energy Distribution Center, Int. J. of Computers

Communications & Control, Vol. 3( suppl. issue):287-292, 2008.
[DFM08] Dzitac I., Filip F. G., Manolescu M.-J. (eds.), - Proceedings of
ICCCC 2008, Int. J. of Computers, Communications & Control
(IJCCC), Vol. III,supplementary issue, 2008
[DFM06] Dzitac I., Filip F. G., Manolescu M.-J. (eds.) - Proceedings of
ICCCC 2006, International Journal of Computers, Communications
& Control (IJCCC), Vol. I (2006), supplementary issue, 2006
[DMP04] Dzitac I., Maghiar T., Popescu C. (eds.), - Proceedings of
International Conference on Computers and Communications
(ICCC 2004), 27-29 May, 2004, Baile Felix- Oradea, Ed. Univ. din
Oradea, 2004
[DzA06] Dzitac I., Andrei L., (2006), 65 Years from Birth of Prof. Gheorghe
S. Nadiu (1941-1998), International Journal of Computers
Communications & Control, 1(3):93-98.
[Dzi08] Dzitac I., ICCCC 2008 & EWNLC 2008 Celebrates Bardeen's
Centenary and Welcomes Professor Zadeh, Int. J. of Computers
Communications & Control, 3(suppl. issue):16-25, 2008.
[Dzi08] Dzitac I., Interaction between Mathematics and Artificial
Intelligence: Fuzzy Logic versus Boolean Logic, Conference on
Applied and Insdustrial Mathematics, CAIM 2008 (in print)
[DzP06] Dzitac I., Pop B., On Triangular Fuzzy Numbers Arithmetic
Approximations in Linear Optimization, Bull. Transilv. Univ.
Brasov Ser. B , 48(2006), pp. 15-20, 2006
[DS+01] Dzitac I., Seremi L., Dzitac S., Catas A., Oros G. I.,Matematici
speciale– Elemente de algebra, Geometrie analitica, Probabilitati,
Ed. Univ. din Oradea, 2001
[Eis02] Eisenberg M.: Problem Solving, Issues and Methods,
www.cs.colorado.edu/~duck/issmeth02/lectures/IssMeth0129.pdf,
2002
[GâL07] Gâlea D., Leon F., InteligenŃă artificială,
http://eureka.cs.tuiasi.ro/~fleon/curs_ia.htm, 2007
[Gar83] Gardner H. (1983). Frames of mind: The theory of multiple
intelligences. New York: Basic Books.
[Gar06] Gardner H. (2006). Multiple intelligences: New horizons. New
York: Basic Books.
[GIR06] Grigore C. Moisil (1906 - 1973) and his School in Algebraic Logic,
Int. J. of Computers, Communications & Control, Vol. I (2006),
No.1, pp. 81-99
[GIR06] Georgescu G., Iorgulescu A., Rudeanu S., Grigore C. Moisil (1906
- 1973) and his School in Algebraic Logic, Int. J. of Computers,
Communications & Control, Vol. I, No. 1, pp. 81-99, 2006
 Logica fuzzy 33

[Gol04] Goleman D., InteligenŃa emoŃională, cheia succesului în viaŃă, Ed.

Allfa, 2004, Bucuresti
[Gol07] Goleman D., InteligenŃa socială. Noua ştiinŃă a relaŃiilor umane,
Ed. Curtea Veche, 2007
[Har98] Harris R.: Introduction to Problem Solving,
http://www.virtualsalt.com/crebook3.htm, 1998
[HiG01] Hillman C., Gunesch R.: Entropy in the Humanities and Social
Sciences, http://www.math.psu.edu/gunesch/Entropy/soc.html, 2001
[Hof96] Hoffman F. (ed.), Mathematical Aspects of Artificial Intelligence,
Proc. of Symposia in Applied Mathematics, AMS, Orlando, Florida,
1996
[Łuk20] Łukasiewicz J., On three-valued logic (Polish), Ruch Filozoficzny,
5, 160-171, 1920
[Łuk30] Łukasiewicz J., Tarski A., Untersuchungen über den
Aussagenkalkül, C.R. Séances Soc. Sci. Lettres Varsovie, Cl. III,
23, 1930, 30-50.
[Łuk41] Łukasiewicz J., Die Logik und das Grundlagenproblem, Les
entretiens de Zurich sur les fondements et la méthode des sciences
mathématiques, 1941, 88-100.
[Łuk66] Łukasiewicz J., Philosophische Bemerkungen zur mehrwertigen
Systemen des Aussagenkalküls, C.R.Séances Soc. Sci. Lettres
Varsovie, Cl. III, 23, 1930, 51-77. Romanian translation in: Logică
şi Filozofie, Ed. Politică, Bucureşti, 295-320, 1966
[Moi35] Moisil Gr. C., Recherches sur l’algèbre de la logique, Ann. Sci.
Univ. Jassy, 22, 1935, 1-117.
[Moi38] Moisil Gr. C., Sur le mode problématique, C.R. Séances Acad. Sci.
Roumanie, 2, No. 2, 1938, 101-103.
[Moi40] Moisil Gr. C., Recherches sur les logiques non-chrysippiennes,
Ann. Sci. Univ. Jassy, 26, 1940, 431-466.
[Moi41] Moisil Gr. C., Contributions à l’étude des logiques non-
chrysippiennes. I. Un nouveau système d’axiomes pour les algèbres
Łukasiewicziennes tétravalentes, C.R. Acad. Sci. Roumanie, 5,
1941, 289-293.
[Moi42a] Moisil Gr. C., Contributions à l’étude des logiques non-
chrysippiennes. II. Anneaux engendrés par les algèbres
Łukasiewicziennes centrées, C.R. Acad. Sci. Roumanie, 6, 1942, 9-
14.
[Moi42b] Moisil Gr. C., Logique modale, Disquis. Math. Phys., 2, 1942, 3-98.
[Moi56] Moisil Gr. C., Utilization of three-valued logics in the theory of
switching circuits. II. The characteristic equation of a relay. III.
Actual-contact circuits. IV. Realization of the working functions in
34 Logica fuzzy

actual operation (Romanian). Comun. Acad. R.P. Române, 6, 1956,

231-239, 385-386, 971-973.
[Moi57] Moisil Gr. C., Applications of three-valued logics to the study of
actual operation of relay-contact circuits (Romanian), Bul. Mat.
Soc. St. Fiz. R.P. Române, 1(49), 1957, 147-191.
[Moi58] Moisil Gr. C., Utilization of three-valued logics to the theory of
switching circuits. V. P-I circuits (Romanian), Comunic. Acad. R.P.
Române, 8, 1958, 1127-1128.
[Moi59a] Moisil Gr. C., Utilization of three-valued logics to the theory of
switching circuits. VI. Polarized relays with unstable neutral. VII.
Operation of ordinary relays under low self-maintaining current.
VIII. –twoterminals with contacts and resistances. IX. -two-
terminals with contacts, valves and resistances. X. Physical
interpretation of the characteristic function of a multiterminal
(Romanian), Comunic. Acad. R.P. Române, 9, 1959, 411-413, 531-
532, 533-535, 665-666, 667-669.
[Moi59b] Moisil Gr. C.,, Sur l’application de la logique à trois valeurs à
l’étude des circuits électriques à contacts, redresseurs et résistances,
Rev. Math. Pures Appl. , 4, 1959, 173-183.
[Moi69] Moisil Gr. C., The algebraic Theory of Switching Circuits
(Romanian), Ed. Tehnic˘a Bucure¸sti. English translation 1969,
Pergamon Press, Oxford, and Editura Tehnic˘a Bucure¸sti.
[Moi60] Moisil Gr. C., Sur les idéaux des algèbres Łukasiewicziennes
trivalentes, Analele Univ. C.I. Parhon, Seria Acta Logica, 3, 1960,
83-95.
[Moi61] Moisil Gr. C., On predicate calculus in three-valued logics
(Russian), An. Univ. C.I. Parhon, Acta Logica, 4, 1961, 103-112.
[Moi62] Moisil Gr. C., Sur la logique à trois valeurs de Łukasiewicz, An.
Univ. C.I. Parhon, Acta Logica, 5, 1962, 103-117.
[Moi63] Moisil Gr. C., Les logiques non-chrysippiennes et leurs
applications, Acta Philos. Fennica, 16, 1963, 137-152.
[Moi64a] Moisil Gr. C., The interest of the actual operation of switching
circuits for the logician, An. Univ. Bucure¸sti, Acta Logica, 7-8,
1964, 131-139.
[Moi64b] Moisil Gr. C., Sur les logiques de Łukasiewicz à un nombre fini de
valeurs, Rev. Roum. Math. Pures Appl., 9, 1964, 905-920.
[Moi65] Moisil Gr. C., Încerc˘ari vechi ¸si noi de logic˘a neclasic˘a (Old and
New Essays on Non-Classical Logics), Edit. Stiin¸tific˘a, Bucharest,
1965.
[Moi67] Moisil Gr. C., Théorie structurelle des automats finis, Gauthiers-
Villars, Paris, 1967.
 Logica fuzzy 35

[Moi72] Moisil Gr. C., Essais sur les logiques non-chrysippiennnes, Ed.
Academiei R.S.R., Bucharest, 1972.
[Moi75] Moisil Gr. C., Lec¸tii despre logica ra¸tionamentului nuan¸tat
(Lectures on the Logic of Fuzzy Reasoning), Ed. ¸ Stiin¸tific˘a ¸si
Enciclopedică, Bucharest, 1975.
[Mar06] Marcus S., Grigore C. Moisil: A life becoming a myth, International
Journal of Computers, Communications & Control, vol. 1 (2006),
no. 1, 73–79.
[OR+06] Osorio C. R., Romero J.A., Mario Peña C., López-Juárez I.,
Inteligent Line Follower Mini-Robot System, Int. J. of Computers
Communications & Control, Vol. I, No. 2, pp. 73-83, 2006
[Pău06] Păun G., One More Universality Result for P Systems with Objects
on Membranes, Int. J. of Computers Communications & Control,
Vol. I (2006), No. 1, pp. 25-32
[PoD06] Pop B., Dzitac I., On Choosing Proper Linguistic Description for
Fractional Functions in Fuzzy Optimization, Acta Univ. Apulensis,
Math. and Informatics, No. 12(2006), pp. 63-72, 2006
[PoD06a] Pop B., Dzitac I., Fuzzy Control Rules in Convex Optimization,
Studies in Informatics and Control, 16(4):363-366, 2006
[PoD06b] Pop B., Dzitac I, On a Fuzzy Approach to Solving Multiple Criteria
Fractional Programming Problem, Int. J. of Computers
Communications & Control , 1(supll.issue):381-385, 2006
[PoD07] Pop B., Dzitac I., Mixed Variables Fuzzy Programming Algorithm,
Studies in Informatics and Control, 17(2):185-190, 2007
[RuF06] Rudas I. J., Fodor J., Information Aggregation in Intelligent Systems
Using Generalized Operators, Int. J. of Computers
Communications & Control, Vol. I (2006), No. 1, pp. 47-57
[RuN02] Russel S., Norvig P.: Artificial Intelligence: A Modern Approach,
Prentice Hall, 2002
[Sâm97] Sâmbotin C.: Sisteme expert cu Prolog, Ed. Tehnică, Bucureşti,
1997
[Set01] Setzer V. W.: Data, Information, Knowledge and Competency,
http://www.ime.usp.br/~vwsetzer/data-info.html, 2001
[Sha48] Shannon C. E.: A Mathematical Theory of Communication, Bell
System Technical Journal, vol. 27, pp. 379-423 and 623-656, July
and October 1948, http://cm.bell-labs.com/cm/ms/
what/shannonday/shannon1948.pdf
[StB08] Stein S.J., Book H.E., EQ - ForŃa inteligentei emoŃionale, Ed. All,
2008
[Ste12] Stern W., The Psychological Methods of Intelligence Testing, 1912
36 Logica fuzzy

[Ste38] Stern W., General Psychology from the Personalistic Standpoint,

1938
[Tro02] Trochim W. M. K.: Deductive and Inductive Thinking,
http://trochim.human.cornell.edu/kb/dedind.htm, 2002
[VD+07] Vesselenyi T., Dzitac S., Dzitac I., Manolescu M.-J., Fuzzy and
Neural Controllers for a Pneumatic Actuator, Int. J. of Computers
Communications & Control, 2(4):375-387, 2007
[VD+08] Vesselenyi T., Dzitac I., Dzitac S., Vaida V., Surface Roughness
Image Analysis using Quasi-Fractal Characteristics and Fuzzy
Clustering Methods, Int. J. of Computers Communications &
Control,3(3):304-316, 2008
[Zad65] Zadeh L. A., Fuzzy sets, Information and Control, vol.8, 1965
[Zad73] Zadeh, L. A., Outline of a new approach to the analysis of complex
system and decision processes, Proceedings of the IEEE
(Transactions on Systems Man and Cybernetics), 3: 28-44, 1973
[ZT+08] Zadeh L.A., Tufis D., Filip F. G., Dzitac I.(eds.), From Natural
Language to Soft Computing: New Paradigms in Artificial
Intelligence , Editing House of Romanian Academy, 2008

Webgrafie

http://www.psihodiagnostic.ro/lucrari-psihomil-iii/155/inteligenta-emotionala-
sau-inteligenta-sociala.html