RESUMEN DE LOGICA DIFUSA

La lógica difusa es una herramienta muy poderosa y directa, técnica para la solución de problemas, que ha
adquirido recientemente una gran difusión especialmente en áreas de control y toma de decisiones. Ha
surgido como una herramienta para el control de subsistemas y procesos industriales complejos, así como
también para la electrónica de entretenimiento y hogar, sistemas de diagnóstico y otros sistemas expertos.
Tradicionalmente las premisas lógicas tienen sólo dos extremos: o son completamente ciertas o son
totalmente falsas. En el mundo de la lógica difusa, las premisas lógicas cambian en un rango a grado de
verdad de 0 a 100 por ciento, esto permite acercar la matemática al lenguaje impreciso del hombre
común, ya que está repleto de términos vagos como “poco”, “mucho”, “tibio”, etc.
Visto esto, el paradigma del “es” y “no es”, es una seria limitación al construir sistemas de control de
procesos en tiempo real y sistemas expertos de control. Muchos sistemas expertos tienen la habilidad de
tomar decisiones basados en entradas vagas o imprecisas. Esta habilidad es muy difícil o imposible de
obtener empleando lógica convencional, siendo en estos campos donde entra la lógica difusa.

BASE TEÓRICA

Esta teoría nos permite manejar y procesar ciertos tipos de información en los cuales se
manejen términos inexactos, imprecisos o subjetivos. De una manera similar a como lo hace el
cerebro humano, es posible ordenar un razonamiento basado en reglas imprecisas y en datos
incompletos.

Con los conjuntos difusos(Fuzzy sets) podemos definir sub-conjuntos, de una manera tal que
cualquier elemento pueda pertenecer a ellos en diferentes grados.

Fuzzy Sets (Lofti Zadeh, 1965) - La transición desde “pertenecer a un conjunto” hasta “no
pertenecer a un conjunto” es gradual.

¿Cómo representamos un Conjunto Difuso(Fuzzy set)?

Definición 1: Sea X una colección de objetos, expresados de forma genérica por x. Entonces,
un conjunto difuso A en X se define como un conjunto ordenado de pares





 



 

Obtenemos

Con lo que podemos asignar distintos grados de pertenencia.

En la practica vamos a necesitar particionar nuestro universo.

Ejemplo: sea X el concepto edad. Podemos particionar X usando los conjuntos. Joven, maduro
y viejo

Caracterizados por
 joven,  maduro y  viejo
La función de pertenencia puede ser una curva arbitraria.

Dependiendo de la aplicación y del diseñador se pueden elegir diferentes tipos de funciones

de pertenencia (“membership function”). Las más frecuentes son: triangular, trapezoidal,
gausiana.

SISTEMA DIFUSO
Su estructura está constituida por tres bloques principales: el de transformación de los valores
numéricos en valores de Lógica difusa; el motor de inferencia que emplea las reglas; y el
bloque de conversión de los valores de la Lógica difusa en valores numéricos.

En un sistema basado en lógica difusa se transforman los datos o valores numéricos de la

entrada al dominio de las reglas intuitivas y lingüísticas de la LD para realizar el tratamiento de
los mismos y después convertir los resultados en valores numéricos para darles la
representación tradicional.

En resumen, puede decirse que un sistema basado en lógica difusa actúa como lo haría una
persona que tuviera que reaccionar ante términos tan imprecisos como “caluroso” o “rápido”

Si al sistema se le incluye una regla que diga “Si la temperatura es calurosa se ha de acelerar el
ventilador”, se estará aplicando el principio de If/Then y el sistema funcionará sin regirse por
conceptos matemáticos precisos.

ETAPAS DE LA LÓGICA DIFUSA

Fusificación (Fuzzification)

La traducción de valores del mundo real al ambiente Fuzzy mediante el uso de

funciones de membresía.

Por ejemplo, si tenemos un paciente con fiebre, podemos plantearnos a partir de qué
temperatura empieza a tener fiebre.

Pero es más realista plantear un modelo en el que la situación de fiebre no se restringe

sólo a dos valores ( hay fiebre o no hay fiebre), sino que tenemos todo un rango de
temperaturas posible.
 Por lo tanto, la primera etapa de tratamiento de un problema para la lógica difusa
consiste en modelar cada una de las entradas del sistema con curvas que den los
grados o niveles de pertenencia a los diferentes estados identificados anteriormente (
en nuestro caso, fiebre).

Inferencia Lógica.
Después de realizar la Fusificación de las variables de entrada y de salida, tenemos que
establecer reglas que relacionen las entradas con las salidas.

Para poder operar con los Conjuntos Difusos es necesario definir las operaciones
elementales entre ellos. Esto implica definir el modo de calcular las funciones de
pertenencia a estos tres conjuntos.

Sean FP (X) y FP (Y) las funciones de pertenencia correspondientes a los conjuntos

difusos X y Y. Zadeh propone:

Intersección o AND FP (X AND Y) = mínimo de (FP (X), FP(Y))

Unión u OR FP (X OR Y) = máximo de (FP (X), FP (Y))

Complemento o NOT FP (Complemento X) = 1 – FP (X)

En realidad, estas expresiones son bastante arbitrarias y podrían haberse definido de

muchas otras maneras. Esto obliga a considerar otras definiciones más generales para
las operaciones entre los Conjuntos Difusos. En la actualidad se considera correcto
definir el operador intersección mediante cualquier aplicación t-norma y el operador
unión mediante cualquier aplicación s-norma.

Defusificación (Defuzzification)

Después de computar las reglas fuzzy y evaluar las variables fuzzy, necesitaremos
trasladar estos valores nuevamente hacia el mundo real.

El método más popular de defusificación es el cálculo del centro de gravedad ó centroide, el

cual retorna el centro del área bajo la curva. Al igual que en los pasos anteriores existen más
métodos de cálculo
APLICACIONES

La lógica difusa a pesar de su corta historia tiene un crecimiento muy rápido, ya que es
capaz de resolver problemas relacionados con la incertidumbre de la información o del
conocimiento, proporcionando un método formal para la expresión del conocimiento en
forma entendible y compresible por los humanos. Esto hace que se le pueda asegurar y
casi garantizar un amplio campo de aplicaciones con un alto grado de interés. Entre
otras podemos mencionar las siguientes:

En el área médica se ha empleado para el diagnóstico, desde campos como la

acupuntura, hasta el análisis de los ritmos cardíacos o de la arterioestenosis coronaria.

Dentro del apoyo a la toma de decisiones se ha utilizado para la búsqueda de caminos

críticos en la ejecución de proyectos y asesoramiento a la inversión.

En el campo del control de sistemas en tiempo real destaca el control de un helicóptero

por órdenes de voz y el control con derrapaje controlado de un modelo de auto de
carreras.

Dentro del sector automovilístico existen gran número de patentes sobre sistemas de
frenado y cambio de marcha automáticos (Nissan).

En el sector de la fabricación de electrodomésticos se han diseñado buen número de

aplicaciones neuro-fuzzy como lavadoras que evalúan la carga y ajustan por sí mismas,
el detergente necesario, la temperatura del agua y el tipo de ciclo de lavado (Matsushita,
Hitachi, Siemens), tostadoras de pan, controles para la calefacción y el aire
acondicionado, televisiones (SONY), que automáticamente ajustan el contraste, el brillo
y las tonalidades de color.

Para el control de maquinaria destaca el control de frenado de metro de Sendai realizado

por Hitachi (en funcionamiento desde julio de 1987) para mantener los trenes rodando
rápidamente a lo largo de la ruta, frenando y acelerando suavemente, deslizándose entre
las estaciones, parando con precisión sin perder un solo segundo o sacudir fuertemente a
los pasajeros. Se han utilizado para el control de una máquina de perforación de túneles
y para el control de ascensores (Mitsusbishi-Elec., Hitachi, Fuji Tech) que mejoran la
eficiencia en el procedimiento manual que siempre se presenta cuando grandes grupos
esperan para usar el ascensor al mismo tiempo, o para grúas en el manejo y elevación de
contenedores (Hitachi).

Se han aplicado también al procesado de imágenes y al reconocimiento de caracteres

que reconoce los números de los cheques bancarios utilizando un sensor CCD y un
microcontrolador.

Se utiliza también en verificadores de ortografía, los cuales sugieren una lista de

palabras probables para reemplazar una palabra mal escrita, o en correctores de voz para
sugerir un listado de probables palabras para sustituir a una mal dicha.

LOGICA DIFUSA O LOGICA BORROSA

La lógica difusa o borrosa es un tipo de lógica basado en la teoría de conjuntos
y que trata de copiar el método de razonamiento que usualmente los humanos
utilizamos en nuestra vida diaria. Las cosas no son blancas o negras, sino que
tienen un grado muy diverso de matices. A tal diversidad algunos le llaman los
grados de verdad.
¿QUE ES LA LOGICA BORROSA?

Según el Prof. Lotfi Zadeh, creador de la Lógica Borrosa: “ La lógica borrosa

constituye un sistema lógico que está dedicado a la formalización de modos de
razonamiento que son aproximados y no exactos. En ese sentido la lógica
borrosa es una extensión de los sistemas lógicos polivalentes, pero sus
objetivos son bastante diferentes, tanto en espíritu como en esencia.”
(Zadeh). A pesar de que en la vida real las cosas casi nunca son de un carácter
absoluto, por siglos nos hemos limitado mayoritariamente a la lógica
Aristotélica, que solo acepta dos proposiciones: VERDADERO o FALSO. Cuando
en realidad, en ese camino del 0 al 1, existe un amplio rango de situaciones
posibles. La lógica borrosa se trata de una lógica multivaluada. Las
proposiciones no son únicamente de tipo Falso o Verdadero. Existen muchos
grados de verdad. En relación con la Teoría de las Probabilidades, el Prof.
Zadeh afirma que ambas pueden considerarse complementarias y no
competitivas una con la otra. Expresiones tales como “Alto”, “Gordo”, “la
Mayoría”, “Lentamente”, “Viejo”, “Familiar”, “Relevante”, “Mucho Mayor que”,
“Amable” y otras similares, se explican mejor cuando se aplica la lógica Borrosa.
¿Qué significa Alto, Gordo, Muchos, La Mayoría, Lentamente, Viejo, Familiar,
Relevante, Mucho Mayor que, Amable? , Como se podrá ver estamos hablando
de situaciones imprecisas, términos que algunas veces son vagos, y que
utilizando la lógica convencional no podemos transferirlos al lenguaje de las
computadoras, pero que empleando la lógica borrosa sí podemos hacerlo.
Refiriéndose a conceptos de este tipo, el Prof. Zadeh afirma: “Una suposición
clave en la lógica borrosa es que tales conceptos denotan conjuntos borrosos,
es decir clases de objetos en los que la transición de la pertenencia a la no-
pertenencia es gradual y no abrupta". (Zadeh).
HISTORIA DE LA LOGICA BORROSA

Los orígenes de la Lógica Difusa pueden remontarse hasta Platón quien

planteaba que existía una tercera región entre verdadero y falso: los grados de
pertenencia. George Berkeley y David Hume (Siglo XVIII), Bertrand Russell
(principios del siglo XX), Ludwig Wittgenstein (1950s), Jan Lukasiewicz (1920-
1939) y Max Black (1937), deben también ser considerados precursores
importantes en el desarrollo de esta teoría. Fue a principios de los 60s que el
Dr. Lotfi Zadeh, Jefe del Departamento de Ingeniería de la Universidad de
California en Berkley creó la Lógica Difusa y en 1973 propuso la Teoría de la
Lógica Difusa que ha revolucionado la Lógica Clásica. En España los Dres.
Jaume Gil Aluja y Enric Trillas son destacados investigadores y propulsores de
esta Lógica.
En Londres, Inglaterra, en el Imperial College, UK, 1973, el Profesor Mandami
y su alumno S. Assilian fueron quienes diseñaron el primer sistema de Control
aplicando esta Lógica. Más información aquï

¿CÓMO SE APLICA LA LOGICA BORROSA?

“Esta Lógica se basa en reglas heurísticas del tipo if-then SI (antecedente)
ENTONCES (consecuente), el antecedente y el consecuente son también
conjuntos difusos. Estos son ejemplos de reglas heurísticas:
 SI hace muchísimo calor ENTONCES disminuyo drásticamente la
temperatura.
 SI voy a llegar un poco tarde ENTONCES aumento levemente la
velocidad.
Los métodos de inferencia para esta base de reglas deben ser simples, veloces
y eficaces. Los resultados de dichos métodos son un área final, fruto de un
conjunto de áreas solapadas entre sí (cada área es resultado de una regla de
inferencia). Para escoger una salida concreta a partir de tanta premisa difusa, el
método más usado es el del centroide, en el que la salida final será el centro
de gravedad del área total resultante.Las reglas de las que dispone el motor de
inferencia de un sistema difuso pueden ser formuladas por expertos, o bien
aprendidas por el propio sistema, haciendo uso en este caso de redes
neuronales para fortalecer las futuras tomas de decisiones.Los datos de entrada
suelen ser recogidos por sensores, que miden las variables de entrada de un
sistema. El motor de inferencias se basa en chips difusos, que están
aumentando exponencialmente su capacidad de procesamiento de reglas año a
año.

En la vida real aplicamos la lógica difusa que poseemos en forma innata.

Observamos las situaciones, y en forma natural las resumimos, ponderamos y
evaluamos para tomar decisiones. Cuando el tipo de información de que
disponemos está compuesto de términos inexactos, imprecisos y subjetivos, la
lógica difusa viene en nuestra ayuda para procesar esa información. Se amplía
la teoría de conjuntos y la lógica booleana, un individuo puede pertenecer en
forma parcial a un conjunto, y las operaciones lógicas no son solamente con
unos y ceros sino con fracciones tales como 0.03 o 0.70.

En los conjuntos nebulosos se pueden definir sub-conjuntos, y los elementos

pueden pertenecer a ellos en grados diferentes. Utilizando reglas difusas se
procesan relaciones entre variables difusas y se producen salidas fuzzy
(difusas). Y nuevamente partiendo de salidas difusas se puede llegar a
cantidades binarias y cantidades continuas.

Las operaciones utilizadas en la matemática difusa son: Fuzzyficación, que es

traducir a valores difusos los valores del mundo real; Evaluación de reglas: que
es la determinación de la fuerza de las reglas basándose en valores de entrada
y las reglas; y Defuzzyficación: consistente en traducir los resultados difusos
nuevamente a valores del mundo real. Esta lógica ha venido teniendo una
aplicación extensa en muchos países, desde 1990, especialmente en el Japón y
Alemania, y se ha dado origen a más de 5,000 patentes en la industria.Ya
existen muchos productos como cámaras fotográficas y de video con auto foco,
lavadoras inteligentes, medidores de presión sanguínea, aspiradoras,
ascensores, refrigeradoras, hornos de microonda, aires acondicionados
inteligentes, e incluso el metro Senday en Japón que utilizan esta metodología
con gran éxito. También puede aplicarse en control de luminosidad, control de
humedad, control de temperatura, sistemas de reconocimiento y sistemas
basados en Inteligencia Artificial. A pesar de esto algunos miembros de la
comunidad científica ven todavía con desconfianza esta teoría y aún hay países
desarrollados donde se aplica en forma limitada. Según Zadeh: “ La tradición
Cartesiana de respeto por lo que es cuantitativo y preciso, y de desdén por lo
cualitativo e impreciso, está arraigada demasiado profundamente como para
desprenderse de ella sin presentar combate” (Zadeh) La aplicación de la Lógica
Difusa va más allá del campo industrial, José Amozorrutia ha publicado un
trabajo sobre la aplicación de Lógica Borrosa y redes neuronales en las Ciencias
Sociales. (Amozorrutia)

CONCEPTOS IMPORTANTES EN ESTA CLASE DE LOGICA

Entre los conceptos relacionados con este tema y que es conveniente conocer
están:
Conjuntos difusos (Fuzzy Sets) : “Un conjunto difuso A se define como una
Función de Pertenencia que enlaza o empareja los elementos de un dominio o
Universo de discurso X con elementos del intervalo (0,1): A: X----> (0,1)La
palabra fuzzy es un termino fotográfico que se asigna a la condición de movido
o borroso en el sentido de imágenes con los contornos mal definidos. De ahí se
origina la traducción de Difuso o Borroso que empleamos en castellano
Granulación: “Proceso de formar clases borrosas de objetos que están
agrupados por similaridad... La necesidad de granulación obedece a la
capacidad limitada de los humanos para resolver y/o almacenar detalles”
(Zadeh)
Grado de Pertenencia: Establece el punto de transición entre 0 y 1 entre las
condiciones del conjunto difuso. Cuanto más cerca esté A(x) del valor 1, mayor
será la pertenencia del objeto x al conjunto A.Los valores de pertenencia varían
entre 0 (no pertenece en absoluto) y 1 (pertenencia total).
Las funciones de pertenencia pueden ser: Triangular, Gamma, L, S,
Gausiana, trapezoidal, pseudo exponencial y de trapecio extendido.
Resumen de la información: la percepción que tienen los seres humanos de
su entorno es difusa. La gran cantidad de información de conjuntos difusos que
los seres humanos reciben es resumida, diferenciándose así los procesos que
ocurren en los seres humanos con los de las máquinas.
Variable Difusa: cualquier valor que está basado en la percepción humana
más que en valores precisos de medición (ejs. Color, “presión excesiva” en una
caldera, “cantidad excesiva de sal” en una tortilla, “elevada velocidad” del tren,
etc.
Variable lingüística: aquella noción o concepto que vamos a calificar de
forma difusa. Por ejemplo: la altura, la edad, el error, la variación del error... Le
aplicamos el adjetivo "lingüística" porque definiremos sus características
mediante el lenguaje hablado.
Universo de discurso: rango de valores que pueden tomar los elementos que
poseen la propiedad expresada por la variable lingüística. En el caso de la
variable lingüística 'altura', seria el conjunto de valores comprendido entre 1.5 y
2.3 m. Los conceptos anteriores han sido tomados de las siguientes fuentes:

Lógica Disposicional: ¨ En esta lógica, las proposiciones se supone que están

calificadas por usualidad, por ejempl, ^usualmente hace frío y niebla en San
Francisco durante el verano^, y ^usualmente lo que es escaso resulta caro^ ¨.
(Zadeh).
Soft Computing: “Una especie de consorcio o sociedad entre la lógica
borrosa, la neurocomputación y el razonamiento probabilístico, en el que la
última incluiría los algoritmos genéticos, el razonamiento evidencial y los
sistemas caóticos” (Zadeh).
En su discurso presentado para la recepción del Doctorado Honoris Causa por la
Facultad de Ciencias de la Universidad de Oviedo, España (1-XII-1955) el Prof.
Lotfi A. Zadeh presenta su “visión sobre los acontecimientos que han
determinado el nacimiento y evolución de la Lógica Borrosa y sus derivados
conceptuales”.
Discurso

APLICACIÓN DE LA LOGICA BORROSA EN LA COMPLEJIDAD SOCIAL

En un artículo muy interesante (fuzzy-socio) sobre la utilización de la Lógica

Difusa en servicio de un Mundo Mejor, el Dr. Vladimir Dimitrov, de University of
Western Sydney-Hawkesbury, Australia, presenta las ventajas del empleo de la
lógica difusa en el manejo de la Complejidad Social.
Aquí un resumen de algunos de sus conceptos:
En la Emergencia de decisiones grupales, el enfoque de conjuntos difusos
da opciones viables para evitar la indecisión y la confrontación. El Teorema de
la Imposibilidad de Arrow o Paradoja de Arrow (poner referencia a Wikipedia)
que indica la imposibilidad de diseñar una regla de elección social que satisfaga
a todas las preferencias personales de un grupo. Pero la existencia de
Borrosidad en las elecciones personales permitirá suavizar las condiciones de
elección individual y hará posible la emergencia de un agregado socialmente
satisfactorio. Esto es valioso en la negociación y el manejo de conflictos.
En la búsqueda de Orden dentro del Caos: los modelos de borrosidad con
que se visualizan a los otros agentes, mueven el sistema de agentes
interactuantes de un campo caótico hacia un régimen de orden dinámicamente
estable.
Para permanecer en el borde del caos, donde los agentes de un sistema
complejo adaptativo se sitúan para lograr mayor creatividad, la razón de
Borrosidad (fuzziness ratio) les proporciona la flexibilidad y maleabilidad
necesarias para mantener la coherencia y estabilidad necesarias en esta zona
de gran actividad.
El empleo del enfoque Borroso también está relacionado con el nivel de
coherencia dentro de una organización, evitando que se transforme en una
organización dictatorial con imposiciones desde arriba.También los conceptos
Borrosos poseen significado virtual que facilita un espacio para la extensión,
elaboración y negociación y cataliza la creatividad humana y favorece la
interdependencia y la necesidad mutua.Otra ventaja del uso de la Borrosidad en
las interacciones sociales es que permite la ocurrencia del fenómeno de
equivocaciones creativas. Estas se manifiestan cuando se comunican conceptos
borrosos en una sociedad. Si A lleva un concepto borroso a B y B lo
malinterpreta, o sea lo interpreta de manera diferente a como espera A, esto no
destruye la comunicación sino que se amplía el significado virtual del concepto
y se estimula así la creatividad de A. Entonces A y B se vuelven co-creadores
del concepto. Así se facilita el flujo de interacciones sociales y la sobrevivencia y
evolución de la sociedad como un todo.La existencia de Gránulos Borrosos en la
Lógica Borrosa ayuda a trascender la dualidad entre el pensamiento
diferenciador y el unificador. El primero que profundiza en los detalles de los
fenómenos y el segundo que persigue la integración, sabiendo que el
conocimiento disponible del todo es siempre “borroso”. Los fractales y los
gránulos borrosos refuerzan la capacidad de los investigadores sociales para
profundizar en los enigmas y paradojas de la complejidad social.
Finalmente la lógica difusa ayuda a las inteligencias humanas y de máquina a
enlazar A con no A. Las matemáticas difusas nos permiten a enlazar polaridades
del tipo SI y NO, CAOS y Orden, Simplicidad y Complejidad, Palabras y
Números, Subjetivo y Objetivo, Dentro y Fuera, Apego y Desapego. Y aunque
aún no hemos logrado la metodología borrosa necesaria, estamos en caminos
de llegar a trascender otras dualidades más profundas como “mío” y “tuyo”,
“nuestro” y “de ellos”, “nosotros” y “ellos”, “yo” y “el otro”.

El Ing. Hugo Luis Daniel Allevato, presenta en forma muy clara un Documento
de proyecto para la Aplicación de la Lógica Borrosa en el Manejo de datos
Ambientales.
OPERACIONES EN LA MATEMÁTICA DIFUSA

La matemática Fuzzy en general involucra a las siguientes operaciones:

Borrificación (Fuzzyfication): Traducción de los valores del mundo real
a valores difusos.
Evaluación de reglas (Rule Evaluation): Determinación de la fuerza de
las reglas basado en los valores de entrada y las reglas.
Desborrificación (Defuzzyfication): Traducir de vuelta los resultados
difusos a valores del mundo real

La traducción de valores del mundo real al ambiente Fuzzy mediante el uso de

funciones de membresía. Las funciones de membresía de la Fig. 1, traducen
una velocidad= 55 en los valores difusos (Grados de membresía),
SLOW(LENTO)=0.25, MEDIUM(MEDIO)=0.75 y FAST(RÁPIDO)=0