Sunteți pe pagina 1din 10

Logica FUZZY

Scurt istoric
Noţiunea de fuzzy, introdusă în ştiinţă de Lotfi A.Zadeh în 1965, în sens curent în limba engleză
înseamnă vag, estompat, nuanţat. Termenul fuzzy, nuanţat, cum va fi utilizat în limba română,
este asociat cu submulţimile dintr-un domeniu de existenţă, care, spre deosebire de cele definite
în matematica clasică şi care au frontiere nete, se caracterizează printr-o frontieră constituită
dintr-un domeniu în care amplitudinea elementelor se estompează gradual, până la dispariţie.

Lotfi A.Zadeh, în 1965, a avansat ideea că raţionamentele umane sunt superioare în conducerea
proceselor faţă de maşinile existente în ceea ce priveşte capabilitatea de a emite decizii pe baza
informaţiilor lingvistice imprecise. De aici rezultă posibilitatea de a îmbunătăţi performanţele
regulatoarelor electronice prin modelarea căilor prin care oamenii raţionează cu acest tip de
informaţie.

Logica fuzzy a luat naştere în baza principiului izomorfismului cu logicile tradiţionale


(aristotelică, matematică şi booleană). În lucrarea de pionierat citată a lui L. A. Zadeh, acesta a
subliniat faptul că: „clasele imprecise definite joacă un rol important în gândirea umană, în mod
particular în domeniul recunoaşterii formelor, în comunicarea informaţiei şi în abstractizare”. În
anul 1971, Zadeh a introdus teoria ecuaţiior de stare pentru descrierea comportării sistemelor
fuzzy, la care parametrii sunt evaluaţi în formă nuanţată. La început, teoria logicii nuanţate a
evoluat încet, iar din anul 1970 a atras atenţia mai multor cercetători, în special din universităţile
americane, majoritatea acestora fiind matematicieni, la care s-au alăturat şi un număr mic de
ingineri japonezi. Interesul acestei noi logici a fost la început pur teoretic, neintuindu-se o
aplicabilitate practică în inginerie. În acest interval de timp s-au pus bazele proprietăţilor
mulţimilor nuanţate, s-au precizat noţiunile fundamentale ale logicii fuzzy şi s-au explorat
numeroase variante ale logicii fuzzy. Abia în anul 1972 Chang şi Zadeh au schiţat utilitatea
logicii fuzzy în conducerea proceselor tehnologice prin introducerea noţiunii de variabilă
lingvistică, o variabilă care constă din termeni lingvistici, din vorbe, iar nu din numere. În
continuare, utilizarea logicii fuzzy în sisteme logice fuzzy de conducere a proceselor inginereşti a
crescut în mod exploziv, astfel că numărul lucrărilor publicate în acel deceniu a ajuns la câteva
mii. Evident la început, natura lucrărilor a fost teoretică, incluzând reprezentarea cunoştinţelor
fuzzy, scheme de raţionamente aproximative utilizând mulţimi şi submulţimi fuzzy, ramificaţii
filozofice ale logicii fuzzy şi ale teoriei mulţimilor nuanţate, procedee de fuzificare ale diferitelor
ramuri ale matematicii şi a diferitelor problematici emise de teoreticienii probabilişti şi de
cercetătorii care se ocupau cu inteligenţa artificială. Pe baza ideilor lui Chang şi Zadeh, în anul
1975, Mamdani a demonstrat viabilitatea sistemului logic fuzzy pe un mic model de maşină cu
vapori (locomotivă cu aburi). Prima aplicaţie majoră a sistemului logic fuzzy a fost efectuată de
Holmblad şi Ostergaard privind automatizarea unui cuptor de ciment în anul 1982, continuându-
se cu aplicaţii în intersecţii de mare trafic şi în instalaţii de epurare a apei. Primul cip capabil să
realizeze procesul de decizie fuzzy, inferenţa, a fost realizat, în aceeaşi perioadă de Togai şi
Watanabe la AT&T – Bell Laboratories utilizând implementarea digitală a operaţiilor logice
„MIN-MAX”, care exprimă operaţiile elementare de reuniune şi intersecţie.

Contrar abordării tradiţionale, procesul inferenţial în logica fuzzy este descris la nivel semantic
(şi nu sintactic): în fapt, se urmăreşte codificarea cunoştinţelor exprimate lingvistic într-un
formalism semantic. Fac obiectul codificării nu doar cunoştinţele graduale, ci şi cele imprecise,
în sensul în care ele nu specifică în mod unic starea lumii subiacente.

În termeni generali, un sistem formal pentru o logică fuzzy constă în:

1. un limbaj, adică o gramatică ce produce formule bine formate;


2. o mulţime de valori de adevăr L, care este întotdeauna o latice; elementele maximal,
respectiv minimal, ale lui L se notează prin 1 si 0;
3. o semantică, adică o multime de interpretări ce asociază fiecărui termen concret al
limbajului un model interpretativ şi fiecărei formule bine formate închise, o valoare de
adevăr din L;
4. o mulţime de valori de adevăr desemnate, reductibilă uneori la elementul maximal 1;
plecând de la această mulţime se definesc tautologiile, adică acele formule pentru care
toate interpretările corespund unei valori de adevăr desemnată;
5. o sintaxă, reprezentând un sistem formal compus din axiome şi din reguli de inferenţă. O
formulă derivabilă în acest sistem formal este o teoremă, iar derivarea sa o demonstraţie.
În raport cu semantica, sintaxa este corectă dacă toate teoremele sunt tautologii şi este
completă dacă toate tautologiile sunt teoreme.

Conceptul de Sistem Logic Fuzzy a fost introdus de către Mamdani în 1983 la conferinţa IEEE
despre sistemele fuzzy de la San Francisco, în care a demonstrat că spre deosebire de
regulatoarele tradiţionale convenţionale PID (Proporţional, Integral, Derivativ) la care sistemul
condus este modelat analitic prin ecuaţii diferenţiale, în cazul controler-ului fuzzy acesta este
bazat pe un model care reprezintă acţiunile pe care gândirea unui operator uman le poate efectua
în conducerea manuală a procesului tehnologic. Prin realizarea de sisteme de conducere utilizând
logica fuzzy se obţine un nou domeniu de activitate a Inteligenţei Artificiale pe lângă Sistemele
Expert şi Reţelele Neuronale Artificiale.

În istoria de dată recentă a sistemelor logice fuzzy se menţionează momentul inaugurării


metroului din oraşul Senday din nordul Japoniei, ale cărui rame au fost dotate cu controlere cu
logică fuzzy, care asigură performanţe deosebite privind controlul acceleraţiei, frânării, opririi la
platformă şi realizează şi economie de energie.

Cunoştinţe obiective şi subiective


Sistemele logice cu mulţimi nuanţate utilizează două categorii de cunoştinţe total diferite:
obiective şi subiective.

• a. Cunoştinţe obiective sunt acelea care sunt ultilizate în mod obişnuit în formulările
inginereşti, ca de exemplu: ecuaţia mişcării unui mobil, ecuaţiile mişcării unui robot,
modele convenţionale care descriu un canal de comunicaţii, reflecţia unui proces
seismologic, stabilirea a-priori a valorilor unui parametru dintr-un proces aleator. Aceste
cunoştinţe sunt exprimate prin relaţii funcţionale matematice între diferite mărimi care în
esenţă sunt numere, numite şi variabile concise.
• b. Cunoştinţe subiective sunt reprezentate prin informaţii lingvistice care sunt imposibil
de cuantificat prin metodele matematicii tradiţionale. Aceste cunoştinţe constau din
reguli, informaţii expert, clauze prin caietul de sarcini la anteproiect, succesiunea de
reguli pentru ţintirea unui obiectiv inamic, termeni inginereşti în caracterizarea
contextuală.

Mulţimi concise
O mulţime concisă A în domeniul de existenţă U (care furnizează setul de valori permise pentru
o variabilă) poate fi definită prin listarea tuturor elementelor conţinute sau prin identificarea
elementelor. Această a doua cale se poate efectua prin specificarea unei condiţii prin care şi în
acest caz A poate fi definit cu: A={x|x cunoaşte anumite condiţii}. O altă soluţie este de a
introduce o funcţie de apartenenţă zero-unu (denumită şi funcţie caracteristică, funcţie de
comunitate, funcţie discriminatorie sau funcţie indicatoare) pentru A, notată prin μA(x), astfel
încât A=>μA(x)=1 dacă şi μA(x)=0 dacă. Submulţimea A este matematic echivalentă cu funcţia sa
de apartenenţă, în sensul că, cunoscând pe μA(x) este echivalent cu a cunoaşte pe A însăşi.

Mulţimi nuanţate(fuzzy)
O mulţime nuanţată (fuzzy) F, definită într-un domeniu de existenţă U, este caracterizată printr-
o funcţie de apartenenţă μF(x) care ia valori în intervalul [0,1]. O mulţime nuanţată este o
generalizare a mulţimii ordinare, concise, descrisă în paragraful precedent, la care funcţia de
apartenenţă ia numai una din două valori, zero şi unu. Funcţia de apartenenţă furnizează o
masură a gradului de similaritate a unui element U din submulţimea nuanţată F. Spre deosebire
de mulţimile şi submulţimile concise caracterizate prin frontiere nete, frontierele mulţimilor şi
submulţimilor nuanţate sunt realizate din regiuni în care valorile funcţiilor de apartenenţă se
estompează gradual spre exterior, până la dispariţie. În plus,zonele de frontieră ale acestor
submulţimi nuanţate se pot întrepătrunde, în sensul că elementele din aceste zone pot aparţine la
două submulţimi alăturate, în acelaşi timp.

Generarea submulţimilor nuanţate


Zadeh a mai afirmat în lucrările sale că „motivaţia pentru utilizarea cuvintelor sau declaraţiilor în
locul numerelor consta în aceea că această caracterizare lingvistică este mai puţin specifică decât
caracterizarea numerică”. Dacă u este numele unei variabile lingvistice (de exemplu temperatura
sau presiunea), valorile numerice ale variabilei lingvistice u le notăm cu x, unde. Variabilele x şi
u sunt interschimbabile, în special când variabila lingvistică este o literă sau cuvânt, aşa cum este
cazul în aplicaţiile inginereşti. Variabila lingvistică se descompune într-o muţime de termeni
T(u) care acoperă întreg domeniul de existenţă a parametrului considerat.

Funcţiile de aparteneţă μF(x), în aplicaţiile inginereşti, care utilizează logica mulţimilor nuanţate,
sunt asociate cu termenii sau mulţimile ce intervin în regulile fuzzy compuse din antecedenţi şi
consecvenţi. Dacă la acestea sunt formulate şi sunt precizate variabilele lingvistice u, pentru
fiecare termen se va aloca câte o funcţie de apartenenţă repartizată de-a lungul abscisei, pe care
este contată numeric variabila generică x. Porţiunea de pe abscisă pentru care funcţia de
apartenenţă îndeplineşte condiţia μF(x)>0 se numeşte suportul acesteia, iar punctul în care cele
două funcţii de apartenenţă se întretaie se numeşte punct de intersecţie sau de încrucişare, punct
caracterizat prin egalitatea funcţiilor de apartenenţă ale celor două mulţimi fuzzy învecinate.
Trebuie remarcat că valorile funcţiilor de apartenenţă, fiind cuprinse între 0 şi 1, sunt mărimi
raportate, ca urmare a diviziunii cu valoarea maximală sup(μF(x)) a valorilor reale ale acestor
funcţii de apartenenţă. Trebuie subliniat că alocarea submulţimilor nuanţate de-a lungul
variabilei generice x este arbitrară, subiectivă, depinzând de contextul procesului examinat.

Sistemul logic cu mulţimi nuanţate


Un sistem logic cu mulţimi nuanţate este un transcriptor neliniar al unui vector de intrare într-un
scalar la ieşire, adică transpune numere în numere. Avantajul logicii cu mulţimi nuanţate constă
în aceea că există un număr enorm de posibilităţi care conduce la o mare diversitate de
transpoziţii, care evident trebuie validate. Această situaţie este similară cu modul diferit de
abordare în problemele inginereşti de conducere. În cazul acestora se poate aborda una din
metodele tradiţionale de identificare şi conducere optimală ca abordare în domeniul timpului,
abordarea operaţională sau frecvenţială, utilizarea caracterizării temporal-topologică cu ajutorul
mărimilor de stare şi utilizarea metodelor iterative cu semnale eşantionate. Metoda aleasă va fi
cea care este agreeată. O situaţie similară apare şi în cazul alegerii sistemului logic cu mulţimi
nuanţate. Scopul nostru este acela de a arăta cum trebuie să interpretăm o transpoziţie utilizând
logica mulţimilor nuanţate, aşa cum este ea utilizată în activitatea de conducere automată a
proceselor tehnologice, inginereşti, ca apoi să se scrie o formulă y=f(x), detaliată pentru relaţia
intrare-ieşire. După ce se concepe şi se analizează un sistem logic cu mulţimi nuanţate, se
elaborează algoritmul pentru acesta, cu scrierea programului pe calculator, care încorporează
sistemul logic cu mulţimi nuanţate în aplicaţiile specifice, sub formă de controler fuzzy. Un
sistem logic cu mulţimi nuanţate este constituit din patru blocuri: fuzificatorul, blocul regulilor
de bază, blocul de inferenţă şi defuzificatorul.

• a. Fuzificatorul transcrie intrarea concisă în mulţimi nuanţate (fuzzy) de intrare, care


sunt exprimate prin funcţii de apartenenţă ce stau la baza următoarelor operaţii din
sistemul logic.
• b. Blocul de reguli conţine, după cum arată şi numele, regulile ce se vor utiliza în blocul
de inferenţă sau de decizie. Aceste reguli, în majoritatea lor de tip condiţional: „IF-
THEN” sunt elaborate din date numerice concise sau din formaţii subiective într-o
colecţie de judecăţi sau raţionamente, fiind exprimate în termeni lingvistici şi având
mulţimi nuanţate asociate cu ele. Regulile activate din această bază sau colecţie de
reguli, sunt utilizate în procesul de inferenţă.
• c. Blocul de inferenţă transpune mulţimile nuanţate de intrare în mulţimi nuanţate la
ieşire, acest bloc fiind considerat ca un bloc de decizie, posedând mijloacele prin care
regulile activate sunt combinate în acţiunea lor asupra mulţimilor de date concise de la
intrare. După cum oamenii utilizează diferite tipuri de proceduri deductive pentru
înţelegerea şi interpretarea fenomenelor, tot aşa există şi diverse proceduri inferenţiale
fuzzy. Dintre toate acestea numai un număr restrâns sunt utilizate în aplicaţii inginereşti.
• d. Defuzificatorul transpune mulţimea nuanţată de la ieşire sub formă de numere
concise. În aplicaţiile de automatizare, de exemplu, un astfel de număr corespunde unei
mărimi de comandă la intrarea unui proces tehnologic, realizându-se astfel un sistem de
reglare automată. În tratarea semnalelor un astfel de număr corespunde, după natura
procesului, la o amplitudine a acestui proces, ca de exemplu în cazul predicţiei activităţii
solare; alte exemple sunt cele când exprimă coeficientul de risc în cazul evaluării
fiabilităţii unui sistem fizic, sau la previziunea financiară, respectiv la o locaţie mobilă în
tehnica militară.
Eficienţa sistemelor cu mulţimi nuanţate
Inteligenţa artificială ca nouă ştiinţă definită încă din anul 1956, are drept obiect realizarea de
metodologii computerizate pentru a stimula şi emula procesele gândirii umane. În ultimul secol
s-au depus eforturi deosebite de neuro-fiziologi pentru a înţelege procesele de gândire umană. În
anul 1954 George Boole a publicat o lucare intitulată în traducere: „Investigaţii asupra legilor
gândirii”, lucrare care a stat la baza realizării algebrei binare, algebra boole, sau logică binară
care utilizează numai numerele 0 şi 1. Pe baza acestor algebre s-au dezvoltat circuitele logice
integrate care au condus la un enorm progres în instalaţiile de supraveghere şi de protecţie ale
instalaţiilor tehnologice şi la realizarea echipamentelor de calcul electronic, cu ajutorul cărora s-
au soluţionat o multitudine de probleme de tip algoritmic de o oarecare complexitate. În deceniul
al şaptelea s-a constatat ca utilizarea calculatoarelor prezintă limitări în abordarea unor
problematici aferente unor procese tehnologice afectate de imprecizie şi complexitate. Ieşirea din
această situaţie dificilă a prezentat o nouă cale de restructurare a softului care corespunde într-o
oarecare măsură fenomenului de gândire umană, proces denumit Sistem Expert. Această
tehnică, prevazută cu posibilitatea comunicării dintre operatori şi maşina de calcul s-a răspândit
în anii ’80 în numeroase ramuri ale activităţii umane: conducerea proceselor industriale,
medicină, agricultură, tehnică militară, managementul informaţiei şi în alte domenii.
Metodologia sistemelor expert era afectată de limitări, specifice calculatorului electronic, ca
instrument specific de prelucrare secvenţială.

În baza logicii mulţimilor nuanţate, iniţiată şi dezvoltată de Zadeh, s-au elaborat studii
teoretice aprofundate care au stat ulterior la baza aplicaţiilor, în special datorită şi
pragmatismului japonez, prin realizarea de sisteme de conducere pe baza logicii cu mulţimi
nuanţate, utilizând raţionamentul aproximativ. Aceste aplicaţii care au pornit de la automatizarea
unor modele de procese în laborator, s-au extins în mod surprinzător în numeroase domenii de
activitate, ca urmare a efectuării calculului paralel şi al utilizării pe lângă cunoştinţele obiective,
de factură numerică şi a cunoştinţelor subiective realizate prin informaţiile lingvistice. În prezent,
lista bibliografică a lucrărilor teoretice şi a aplicaţiilor sistemelor logice cu mulţimi nuanţate
depăşeşte cifră de 2000 şi este în curs de majorare. Trebuie subliniat că factorii care au condus la
un interes atât de mare în utilizarea tehnicii fuzzy l-au constituit: complexitatea ridicată a
proceselor, gradul de imprecizie al parametrilor acestora şi neliniaritatea relaţiei dintre
intrarea şi ieşirea sistemelor. Astfel sistemele logice fuzzy constituie a doua metodologie a
inteligenţei artificiale după sistemele expert, de la care a împrumutat baza de reguli şi inferenţa,
completate cu informaţiile lingvistice şi de raţionamentul aproximativ.

Al treilea domeniu al inteligenţei artificiale îl constituie reţelele neuronale artificiale care îşi
propune să simuleze sistemul nervos al creierului uman. În combinaţie cu reţelele neuronale
artificiale, sistemele logice fuzzy realizează sistemele neuronale fuzzy de inferenţă, prin care
parametrii procesului sunt identificaţi prin procedeul de propagare înapoi a reţelei neuronale.

Logica mulţimilor nuanţate


Proprietatea de izomorfism dintre logicile tradiţionale si logica binară booleană se traduce prin
similaritatea logicilor sau operaţiilor fundamentale cu care operează aceste logici. Oricare dintre
aceste legi pot fi transpuse cu uşurinţă dintr-o logică în celelalte două. S-a arătat că aceste logici
operează cu mulţimi caracterizate prin frontiere nete şi cărora le sunt asociate funcţii de
apartenenţă cu valori unitate pentru elementele din interiorul mulţimilor definite şi cu valori zero
pentru elementele din afara frontierelor. Principiul izomorfismului se poate extinde şi asupra
logicii cu mulţimi nuanţate, dar se va constata că nu toate logicile sau operaţiile din logicile
tradiţionale rămân valabile şi în logica fuzzy.

În ceea ce priveşte utilizarea logicilor mulţimilor nuanţate în aplicaţiile inginereşti, trebuie să se


ţină seama de faptul că raţionamentele efectuate cu această nouă logică trebuie să satisfacă
principiul cauzalităţii, care în multe cazuri nu este respectat în logicile tradiţionale. Acest
deziderat va conduce la modificarea unor relaţii şi compoziţii ale logicilor tradiţionale, de aşa
manieră ca şi noile operaţii să poată fi utilizate în procesul de decizie din blocul de inferenţă al
sistemelor logice fuzzy.

Ca urmare a faptului că mulţimile nuanţate sunt caracterizate prin frontiere, care nu sunt nete,
fiind formate din zone în care valoarea mulţimii nuanţate scade gradual până la dispariţie,
raţionamentul clasic exprimat prin Modus Ponens, va fi modificat în mod corespunzător pentru
mulţimile nuanţate, noua frontieră fiind „Modus Ponens Generalizat”. Acest raţionament care
în esenţă stă la baza logicii fuzzy a determinat ca pentru denumirea acestei logici nuanţate sa fie
utilizată expresia de „raţionament aproximativ”.

Operaţii fundamentale ale logicii fuzzy


În logica fuzzy primele trei legi fundamentale: uniunea, intersecţia şi complementul sunt definite
prin funcţii de apartenenţă aferente. Dacă A şi B sunt două mulţimi nuanţate, descrise prin
funcţiile lor de apartenenţă μA(x) şi μB(y), rezultă următoarele definiţii:

• a. Uniunea fuzzy care este exprimată prin funcţia de apartenenţă:

μAUB(x) = max[μA(x), μB(x)]

• b. Intersecţia fuzzy, exprimată prin expresia:

μA∩B(x) = min[μA(x), μB(x)]

• c. Complementul fuzzy, cu funcţia de apartenenţă:

μB(x) = 1-μB(x)

• d. Principiul sau legea contradicţiei:

A+Ä ≠ U

• e. Principiul sau legea excluderii mediei:

A∩Ä ≠ ɸ

Alte operaţii ale logicii fuzzy

Trebuie subliniat că operatorii „max” şi „min” sunt singurii utilizaţi pentru definirea operaţiilor
de uniune şi intersecţie. L. A. Zadeh, în articolul său în care a iniţiat logica mulţimilor nuanţate, a
definit doi operatori speciali pentru aceste operaţii:
• a. Uniunea fuzzy, ca maximum şi sumă algebrică prin expresia:

μAUB(x) = μA(x)+ μB(x)- μA(x)* μB(x)

• b. Intersecţia fuzzy, ca minimum şi produs algebric:

μA∩B(x) = μA(x)*μB(x)

Mai târziu au fost introduşi şi alţi operatori pe bază axiomatică:

• c. Operatorul „normet”(t-norm):
• produs liniar (bounded product):

x*y = max(0,x+y-1)

• produs sever (drastic product):

x*y = x, dacă y = 1
x*y = y, dacă x = 0
x*y = 0, dacă

Aceste două relaţii permit să substituie operatorii „max” şi „min” între ei. Regulile „t-norm”,
„t-conorm” şi „complement”, sub aspect teoretic, furnizează o supraabundenţă de operaţii logice
care se pot utiliza în sistemele logice nuanţate. Zimmerman a elaborat opt criterii în selectarea
acestor operatori logici conectivi de factură teoretică, dar caracterul lor pronunţat subiectiv nu
permite utilizarea lor directă în aplicaţiile inginereşti.

Majoritatea aplicaţiilor inginereşti cu mulţimi nuanţate utilizează urmatoarele operaţii:

• a. „minimum”, adică procesul algebric „t-norm” pentru intersecţia fuzzy;


• b. „maximum”, adică suma algebrică „t-conorm” pentru uniunea fuzzy;
• c. „complementul” fuzzy 1 - μA(c).

Toţi aceşti operatori sunt utilizaţi pentru uniunea, intersecţia şi complementul, similare cu cele
furnizate de logica binară booleană, la care funcţiile de apartenenţă sunt restrânse la două valori:
0 şi 1, în timp ce funcţiile de apartenenţă aferente mulţimilor nuanţate sunt creditate cu valori
cuprinse între 0 şi 1, inclusiv limitele.

Reguli fuzzy cuantificate


Se numeşte regulă fuzzy, o implicaţie al cărei antecedent poate fi o propoziţie compusă
(construită prin conjuncţii, disjuncţii sau negaţii de propoziţii fuzzy); antecedentul defineşte
premiza regulei, iar consecventul , concluzia acesteia.

Implicaţiile şi regulile fuzzy exprimă de fapt o legatură de cauzalitate suplă între două variabile
U şi V, în sensul impunerii de restricţii asupra valorilor lui y, atunci când se ştie ca x verifică
anumite condiţii.
Exprimarea lingvistică a anumitor cunoştinţe sau raţionamente solicită cuantificarea regulilor
fuzzy. Aceasta se referă nu numai la situaţiile extreme reprezentate de cuantificatorii universal şi
existenţial, ci şi la situaţiile intermediare, reflectând o cardinalitate relativă.

Un cuantificator fuzzy este o mulţime fuzzy definită pe referenţialul R al numerelor reale, care
descrie un număr de cazuri, sau o propoziţie aproximativă, de tipul: „în general”, „în majoritatea
cazurilor”, „în anumite cazuri”. Atunci când cuantificarea nu este universală, regula fuzzy
presupune existenţa excepţiilor şi solicită implicit o procedură de tratare a acestora.

Fie Q un cuantificator fuzzy, având funcţia de apartenenţă μQ. O regulă fuzzy cuantificată este de
forma „Q DACĂ X este A ATUNCI Y este B” şi poate fi ilustrată prin următorul exemplu: „în
majoritatea cazurilor(Q), DACĂ provenienţa mărfii(X) este din import(A), ATUNCI preţul(Y)
este ridicat(B)”. Explicitarea regulilor de această natură se poate face astfel: posibilitatea ca
proporţia perechilor de elemente (u,v), cu şi , ce satisfac respectiv premiza A şi concluzia B, să
fie egală cu valoarea μQ (p).

Modus Ponens generalizat


Principalul inconvenient al celor mai cunoscute scheme de raţionamente ale logicii clasice
(modus ponens şi modus tollens) este că nu autorizează decât fapte care convin perfect
premizelor, aşadar oricărei imprecizii sau incertitudini. Cadrul oferit de modelele probabiliste, au
permis transgresarea acestor scheme prin edificarea unei logici a plauzibilului, în care procesul
inferenţial este grefat pe un mecanism de reprezentare şi propagare a incertitudinii. Totuşi, ele nu
constituie totodată şi un formalism adecvat pentru a surprinde imprecizia şi caracterul gradual al
cunoşterii.

În 1979, Zadeh a generalizat schema clasică de raţionament bazată pe modus ponens, într-o
manieră care îi asigură întreaga supleţe necesară pentru a opera cu reguli fuzzy şi a accepta fapte
ce nu corespund decît imperfect premizelor. Noua schemă, numită modus ponens generalizat se
poate reprezenta astfel:

DACĂ X este A ATUNCI Y


Regula fuzzy:
este B
Funcţii de apartenenţă :
μA μB
Fapt observat: X este A
Funcţia de aparteneţă: μA
Concluzia:
Y este B μB
Funcţia de apartenenţă:

Mulţimile fuzzy A, A', respectiv B, B' sunt definite pe referenţialele U, respectiv V. Informaţiile
disponibile pentru a determina concluzia B' sunt:

• pe de o parte, cele relative la regulă(cuantificată pe referenţialul U×V prin implicaţia


fuzzy μR ), ce descrie legătura cauzală între premiza „X este A” şi concluzia „Y este B”;
• pe de alta parte, cele relative la faptul observat, cuantificat prin funcţia de apartenenţă μA
. Prin urmare, funcţia de apartenenţă a lui B' se va calcula ca o combinaţie între μR şi μA
sub formă generică:
μB(v) = supT(μA(u), μR(u,v))

unde μR(u,v) = Φ(μΛ(u), μB(v)) = μΛ(u)* → μB(v), este o implicaţie fuzzy, interpretată la nivel
semantic ca o distribuţie de posibilităţi conditionată ΠY|X , iar T este o t-normă, numită operator
al lui modus ponens generalizat şi aleasă astfel încât să păstreze compatibilitatea cu modus
ponens ordinar(adică să se obţină μB, identic cu μB' de îndată ce μA este identic cu μA').

Operatorul lui modus ponens


Implicaţiile fuzzy compatibile
generalizat
TZadeh(x,y) = min(x,y) RBG , RRG, RG, RM, RP
TLukasiewiey(x,y) = max(x+z-1.0) RBG , RRG, RKD, RI, RR, RW , RG, RM, RP
Tprobabilist(x,y) = x*y RBG , RRG, RG, RM, RP

Aplicaţii ale logicii fuzzy


În prezent un număr impresionant de aplicaţii ale sistemelor logice fuzzy, care sunt prezentate în
articole sau în manuale în edituri prestigioase şi pot fi obţinute cu uşurinţă, fiind accesibile la
bibliotecile marilor universităşi din ţară, sau prin reţeaua Internet.

Fiabilitatea proceselor tehnologice

În cazul proceselor de mare complexitate, afectate de incertitudine şi neliniaritate, determinarea


fiabilităţii necesită utilizarea unor raţionamente subiective, date incerte şi modele de sistem
aproximative. Dar pe măsură ce complexitatea acestor procese creşte, cu atât mai mult este
necesară asigurarea fiabilităţii lor. S-au dezvoltat numeroase metodologii pentru evaluarea
fiabilităţii sistemelor complexe în funcţie de parametrii mai mult sau mai puţin cunoscuţi cu
precizie, în vederea determinării ratei de degradare. Dificultăţile în aceste analize se datorează
incertitudinilor din fazele de proiectare, de dezvoltare, de producţie şi de exploatare a instalaţiilor
tehnologice. Aceste incertitudini sunt datorate faptului că defectările sunt evenimente relativ
rare, câteva la sute de mii sau la un milion. În faza de proiectare, rata de experienţă şi date
statistice, sau prin analogie cu sistemele similare. Toate aceste eforturi conduc însă la o creştere a
incertitudinii, motiv pentru care, în evaluarea fiabilităţii, se apelează la alte metodologii
neconvenţionale.

Teoria mulţimilor nuanţate, prin logica fuzzy, bazată pe raţionamentul aproximativ, şi prin
sistemele logice fuzzy, care admit imprecizia, poate rezolva problema fiabilităţii sistemelor
foarte complexe, fără a forţa precizia, care în fapt este imposibil de atins prin orice metodă.

La evaluarea fiabilităţii sistemelor complexe prin utilizarea logicii fuzzy, se recurge la concepte
noi ca: posibilitatea defectării, arbori de defectări, arbori de evenimente, securitatea şi riscul ca
măsură globală a fiabilităţii.

Noţiunea de posibilitate a fost introdusă de L. A. Zadeh, ea exprimând în mod concret uşurinţa


de a putea realiza un eveniment, valoarea ei fiind asociată cu funcţia de apartenenţă , care poate
fi privită ca o funcţie de repartiţie a posibilităţii. Evenimentele care nu sunt posibile nu sunt nici
probabile, evenimentele înalt posibile pot fi înalt probabile, această ultimă aserţiune fiind
obligatorie. Trebuie evidenţiat faptul că funcţia de repartiţie a posibilităţii nu trebuie confundată
cu aceea a repartiţiei probabilităţii. Noţiunea de probabilitate este utilizată în evaluarea
fiabilităţii, întrucât ea poate fi asociată cu varibile lingvistice, ceea ce permite utilizarea
sistemelor logice fuzzy. Conceptul de posibilitate este utilizat în fiabilitate pentru elaborarea
arborilor de defecte şi a arborilor de evenimente în vederea elaborării riscului de avarie.

Automatizarea maşinilor de spălat

Tehnica logicii fuzzy este utilizată în prezent de firme prestigioase japoneze, ca Matsushita şi
Hitachi, în perfecţionarea maşinilor casnice de spălat. Eforturile acestor firme au fost îndreptate
spre realizarea unor performanţe ridicate, legate de conservarea apei, descreşterea zgomotului,
conservarea calităţii rufelor şi scurtarea timpului de spălare. La implementarea sistemului logic
fuzzy de conducere s-a apelat la beneficiul colectării experienţei de la gospodinele care au lucrat
cu maşinile de spălat conduse manual.

Alte aplicaţii

Aplicaţii în conducerea sistemelor, inclusiv a navelor cosmice. (Rockwell Corporation).

1. Conducrea rachetelor de croazieră (Nissan).


2. Transmisii automate (Nissan, Subaru).
3. Operaţii subacvatice (Hitachi).
4. Autoparcarea vehiculelor (Hitachi,Fujitech,Mitsubishi).
5. Planificarea şi optimizarea operaţiilor la elevatoare şi roboţi industriali (Hitachi).
6. Cuplarea navetelor spaţiale (Nasa).
7. Analiza stocurilor pe piaţă (Yamaguchi).
8. Analiza şi interpretarea semnalelor (Sony).
9. Corecţia imaginilor TV (Sony).
10. Recunoaşterea scrisului manual (Sony).
11. Autofocalizarea camerelor video (Sony, Fisher, Panasonic).
12. Stabilizarea imaginilor video (Sanyo, Fisher, Canon).
13. Analiza sistemelor electro-energetice(General Electric).
14. Automatizarea acţionărilor electromecanice (Texas Instruments).

Bibliografie
1. Vasile Georgescu, Proiectarea sistemelor expert în logica fuzzy şi teoria
probabilităţilor, Ed. INTARF, Craiova, 1995
2. Ştefan Gârlaşu, Bazele teoretice ale logicii fuzzy, Ed. „Eftimie Murgu”, Reşiţa, 2000