ads:
PRINCÍPIO DE EXTENSÃO DE ZADEH
APLICADO A FUNÇÕES NÃO MONÓTONAS
COM DOIS PARÂMETROS FUZZY
GABRIEL JESUS ALVES DE MELO
2009
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
GABRIEL JESUS ALVES DE MELO
PRINCÍPIO DE EXTENSÃO DE ZADEH APLICADO A FUNÇÕES NÃO
MONÓTONAS COM DOIS PARÂMETROS FUZZY
Dissertação apresentada à Universidade Federal de Lavras,
como parte das exigências do Curso de Mestrado em Engenharia
de Sistemas, área de concentração em Modelagem de Sistemas
Biológicos, para obtenção do título de “Mestre”.
Orientador / Co-orientador
Prof. Onofre Rojas / Prof. Sérgio Martins
LAVRAS
MINAS GERAIS-BRASIL
2009
ads:
Ficha Catalográfica Preparada pela Divisão de Processos Técnicos da
Biblioteca Central da UFLA
Melo, Gabriel Jesus Alves de.
Princípio de extensão de Zadeh aplicado a funções não monótonas com
dois parâmetros fuzzy / Gabriel Jesus Alves de Melo. – Lavras: UFLA, 2009.
69p. : il.
Dissertação (Mestrado)- Universidade Federal de Lavras, 2009.
Orientador: Onofre Rojas.
Bibliografia.
1. Lógica fuzzy. 2. Frequência 3. Amplitude. 4.Parâmetro incerto. 5.
Oscilador harmônico I. Universidade Federal de Lavras. II. Título.
CDD - 515.39
GABRIEL JESUS ALVES DE MELO
PRINCÍPIO DE EXTENSÃO DE ZADEH APLICADO A FUNÇÕES NÃO
MONÓTONAS COM DOIS PARÂMETROS FUZZY
Dissertação apresentada à Universidade Federal de Lavras,
como parte das exigências do Curso de Mestrado em Engenharia
de Sistemas, área de concentração em Modelagem de Sistemas
Biológicos, para obtenção do título de “Mestre”.
APROVADA em
18 de fevereiro de 2008
Prof. Samuel Maier Kurcbar - UFSJ
Prof. Solange Gomes Faria Martins - UFLA
Prof. João Domingos Scalon -UFLA
Prof. Tadayuki Yanagi Junior -UFLA
Prof. Onofre Rojas / Prof. Sérgio Martins
UFLA/UFLA
(Orientador/Co-orientador)
LAVRAS
MINAS GERAIS-BRASIL
“Entrega o teu Caminho ao Senhor, confia nele, e ele tudo fará.”
(Sl 37:5)
Aos meus pais, Railda e Biano,
Aos meus irmãos, Milena e Neto.
Ofereço.
Aos meus pais pelo amor, carinho, proteção e dedicação.
Dedico.
AGRADECIMENTOS
Ao meu Senhor Deus que tanto fez e tanto faz por mim e por minha família.
Obrigado, Pai, pela vida e por mais essa vitória.
A meus pais, Railda e Biano, pela bravura de toda uma vida. Obrigado
pelas orações, pela educação, amor, carinho, sabedoria, otimismo, enfim, obrigado
por me fazerem existir.
A meu irmão Neto, pela preocupação e incentivo à pesquisa desde os prin-
cípios da graduação. Obrigado por me receber e compartilhar comigo momentos
inesquecíveis em Itapetinga, durante a primeira fase longe da proteção de casa.
Você é meu exemplo. Te amo!
À minha irmã Milena, por tudo que ela é e representa para mim. Com ela
aprendi e compartilhei toda minha infância. Hoje, muito do que sei agradeço a
você, minha irmã. Você é a menina da nossa família. Te amo!
Ao professor Jânio da UESB, pela compreensão e por me ajudar a voltar
ao curso de Matemática.
A minha namorada Dani, por estar ao meu lado e por participar dessa vi-
tória junto comigo.
Aos amigos Rosane e Jésu pela torcida, pelo carinho e pela amizade.
Aos amigos Tota e Júnior, pelos bons momentos na época da graduação.
A todos os colegas e amigos que moraram comigo durante a graduação e
pós-graduação.
Aos ex-colegas do curso de matemática da UESC que compartilharam co-
nhecimento, alegrias e dificuldades.
Aos meus orientadores Onofre Rojas e Sérgio Martins, pela orientação,
empenho e, acima de tudo, pelo profissionalismo.
Aos funcionários do Departamento de Engenharia da UFLA (Daniela e
Daiane).
Aos funcionários do Departamento de Ciências Exatas da UFLA.
Aos colegas da Engenharia de Sistemas: Cássia, Crysttian, Marlon, Alis-
son e Ricardo.
Aos membros da banca de exame da proposta de tese, pelas valiosas ori-
entações.
SUMÁRIO
RESUMO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i
ABSTRACT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ii
1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2 OSCILADOR HARMÔNICO UNIDIMENSIONAL . . . . . . . . . . . 5
2.1 Oscilador fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3 ALGUNS CONCEITOS DA TEORIA DOS CONJUNTOS FUZZY . . . 8
3.1 Lógica fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.2 Lógica fuzzy na física . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.3 Função característica . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.4 Conjuntos fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.5 Variáveis linguísticas . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.6 Função de pertinência . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.7 Definições e operações . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.8 Números fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.9 Sobre a extensão de Zadeh . . . . . . . . . . . . . . . . . . . . . . . . 21
3.10 Operações aritméticas com números fuzzy . . . . . . . . . . . . . . . 25
3.11 Métodos de defuzzificação . . . . . . . . . . . . . . . . . . . . . . . 28
3.11.1 Média dos máximos . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.11.2 Centro dos máximos . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.11.3 Centro de gravidade . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.12 Teoria dos conjuntos fuzzy X Teoria de probabilidade . . . . . . . . . . 31
4 METODOLOGIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.1 Princípio da Extensão - uma variável . . . . . . . . . . . . . . . . . . . 34
4.2 Princípio de Extensão - duas variáveis (Aritimética fuzzy) . . . . . . . . 46
5 RESULTADO E DISCUSSÃO . . . . . . . . . . . . . . . . . . . . . . . 54
5.1 Oscilador fuzzy com parâmetro amplitude incerto . . . . . . . . . . . . 54
5.2 Oscilador fuzzy com parâmetro frequência incerto . . . . . . . . . . . . 57
5.3 Oscilador fuzzy com parâmetro amplitude e frequência incertos . . . . 63
6 CONCLUSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
7 REFERÊNCIAS BIBLIOGRÁFICAS . . . . . . . . . . . . . . . . . . . 67
RESUMO
MELO, Gabriel Jesus Alves de. Princípio de Extensão de Zadeh aplicado a
funções não monotônas com dois parâmetros fuzzy. 2009. 69 p. Dissertação
(Mestrado em Engenharia de Sistemas) - Universidade Federal de Lavras, Lavras,
MG.
*
Será apresentada neste trabalho uma metodologia computacional que per-
mite aplicar o Princípio de Extensão para funções não monótonas com dois parâ-
metros fuzzy. Esse princípio é um conceito básico da Teoria dos Conjuntos Fuzzy
que sustenta a extensão das expressões matemáticas do domínio clássico ao do-
mínio fuzzy. Para aplicar e avaliar a metodologia proposta, foi escolhido o pro-
blema do Oscilador Harmônico Unidimensional, considerando que os parâmetros
amplitude e frequência são parâmetros incertos. Dessa forma, foi inserido ao mo-
delo clássico, incertezas naturais presentes em um sistema físico e, após o método
de Defuzzificação de Centro de Gravidade, foi encontrada uma possível evolução
temporal do modelo. Os resultados obtidos mostram que a solução fuzzy aproxima
a solução clássica do Oscilador Harmônico Amortecido.
Palavras-chave: Lógica fuzzy, Frequência, Amplitude, Parâmetro Incerto, Osci-
lador Harmônico.
*
Comitê Orientador: Onofre Rojas - UFLA (Orientador), Sérgio Martins - UFLA (Co-
orientador).
i
ABSTRACT
MELO, Gabriel Jesus Alves de. Zadeh’s extension principle applied to now
monotonous functions with two parameters fuzzy. 2008. 69 p. Dissertation
(Master in Systems Engineering) - Federal University of Lavras, Lavras, MG.
*
In the present work a computational method which permits the application of the
extension principle to non-monotonic functions of two fuzzy parameters is presen-
ted. The extension principle is a basic concept of fuzzy set theory which allows
the extension of a mathematical expression from the classical domain to the fuzzy
domain. The harmonic oscillator with uncertain amplitude and frequency was cho-
sen as a test case for the application and evaluation of the proposed method. The
natural uncertainties which are present in a physical system were inserted into the
classical model and by defuzzifcation of the center of gravity, a possible time evo-
lution of the model was deduced. The results demonstrate that the fuzzy solution
approximates the classical solution of the damped harmonic oscillator.
Key-words: Fuzzy Logic, Frequency, Amplitude, Parameter Uncertain, Harmonic
Oscillator.
*
Guidance Committee: Onofre Rojas Santos - UFLA (Supervisor); Sérgio Martins de Souza -
UFLA (Co-supervisor)
ii
1 INTRODUÇÃO
Movimentos oscilatórios são encontrados por toda parte e estão presentes
nas transmissões via satélite, nos Raios X, nos Laser, nos amortecedores dos car-
ros, na construção civil, na televisão e no rádio, no celular, no computador, no
estudo de terremotos e em diversas outras áreas. Um dos movimentos oscilatórios
mais simples de se entender é o oscilador linear harmônico simples que é encon-
trado em vários sistemas. Em síntese, trata-se de uma massa presa a uma mola
que está vinculada a uma posição por intermédio de uma força cujo módulo cresce
proporcionalmente com o seu afastamento da posição de repouso. Os sistemas
clássicos que são as realizações do oscilador harmônico incluem quaisquer siste-
mas ligeiramente deslocados das suas posições de equilíbrio, tais como: um pên-
dulo simples no limite de pequenos ângulos de oscilações ou um circuito elétrico
composto de indutância e capacitância, quando as tensões e correntes são suficien-
temente baixas para que os elementos do circuito permaneçam lineares (Kittel &
Knight, 1970).
O modelo matemático do oscilador harmônico unidimensional envolve
equações diferenciais lineares cuja solução é uma função harmônica do tempo.
Uma vez deslocado da sua posição de equilíbrio, a oscilação se inicia mantendo a
harmonia e precisão do movimento. Dessa forma, os valores referentes a frequên-
cia e amplitude devem se repetir durante todos os períodos. Em uma situação
prática é comum que os parâmetros do sistema, amplitude e frequência, tenham
um certo grau de imprecisão. Normalmente, esses parâmetros são ajustados em-
piricamente em laboratórios e, dessa forma, trazem consigo muitas informações
subjetivas e incertas, fruto de erros humanos, erros de amostragem ou de mode-
lagem. Segundo Jornada (2007), a incerteza na área de calibração é um conceito
1
amplamente difundido e praticado pelos laboratórios e não levar em consideração
essas incertezas pode comprometer a análise crítica de um modelo e, eventual-
mente, torná-lo inválido.
A matemática clássica, no entanto, não leva em consideração imprecisões
desse tipo, pois assume apenas dois possíveis estados: verdadeiro ou falso re-
presentados por 0 ou 1. Embora em boa parte dos casos essa representação seja
suficiente, existem situações em que valores intermediários a esses, representam
melhor o raciocínio e a linguagem humana para solução de problemas. Supondo
que após a realização de experimentos determinou-se que o parâmetro de rigidez
da mola seja 0,8. Será que esse é realmente um valor exato e único ou outros
valores próximo de 0,8 como 0,78 ou 0,82 também poderiam ser considerados
aceitáveis por um especialista? Incertezas como essa são comuns no cotidiano das
pessoas e, estão presentes na física, biologia, nas engenharias e em diversas outras
áreas.
Como alternativa ao modelo clássico determinístico do oscilador harmô-
nico definiu-se, nesse trabalho, o modelo do oscilador fuzzy. A descrição desse
sistema se dá por meio de uma função cosseno com três parâmetros incertos: am-
plitude, frequência e fase inicial. Aqui, será analisada uma possível evolução do
sistema, considerando dois parâmetros incertos: amplitude e frequência.
A Lógica fuzzy, com base na teoria dos conjuntos fuzzy, tem se mostrado
adequada ao tratamento de termos incertos, subjetivos e vagos (Barros & Bassa-
nezi, 2006). Como esta ferramenta considera graus de verdade, variando entre 0
e 1, pode-se dizer que um conjunto clássico é um caso particular dos conjuntos
fuzzy.
O Princípio de extensão de Zadeh, aqui utilizado, possibilitou incorporar
ao modelo determinístico incertezas naturais presentes no problema do Oscilador
2
Harmônico Unidimensional. Esse princípio é utilizado para estender operações
típicas dos conjuntos clássicos. Também conhecido com Princípio de Extensão
essa ferramenta promove a extensão de conceitos matemáticos não fuzzy em fuzzy.
É sabido que o princípio de extensão de Zadeh desempenha um importante
papel na teoria dos conjuntos fuzzy e tem sido estudado e aplicado por muitos au-
tores, incluindo Bassanezi et al. (2000), Román & Bassanezi( 2001), Cabrelli et al.
(1992), Shiang-Tai Liu (2004), entre outros. Aplicações bem sucedidas também
são encontradas em problemas epidemiológicos (Melo, 2008), dinâmica populaci-
onal (Cecconello, 2006), medicina do câncer de próstata (Castanho et al., 2005) e
construções de imagem (Forte et al., 1994). Recentemente, foi desenvolvido um
modelo que combina equações diferenciais e lógica fuzzy para o estudo da dinâ-
mica do HIV onde o princípio de extensão é utilizado para a solução determinística
(Jafelice et al., 2008). Alguns problemas de Biomedicina utilizam essa ferramenta
para a construção de regras fuzzy (Ortega, 2001).
Acredita-se que essa ferramenta apresenta princípios matemáticos relati-
vamente simples, isso porque, baseia-se fundamentalmente na realização de ope-
rações de máximos e mínimos, conforme descrito mais a frente. No entanto, a sua
utilização se faz, na grande maioria das vezes, por meio do computador, cabendo
ao programador a sua implementação. Computacionalmente, a complexidade do
problema aumenta de acordo com o tipo de função estudada e o número de variá-
veis incertas que estão em questão. Nas seções seguintes, será possível observar
que a teoria dos conjuntos fuzzy, assim como a matemática clássica, permite a
realização de operações matemáticas e essas operações podem ser realizadas via
princípio de extensão. No entanto, apesar de encontrarmos na literatura signifi-
cativas aplicações dessa ferramenta, não fica explícito nesses trabalhos a maneira
como se implementa computacionalmente o princípio de extensão. Além disso,
3
em sua grande parte, essas aplicações se restringem a funções que são estrita-
mente crescente ou decrescente. Vale ressaltar também que, apesar de possíveis,
as operações aritméticas entre números fuzzy não são relativamente simples, prin-
cipalmente quando se trabalha no domínio discreto ou com funções de pertinência
não triviais.
Neste trabalho, será apresentada uma metodologia computacional que per-
mite aplicar com sucesso essa ferramenta para funções não monótonas e realizar
com eficiência operações aritméticas entre números fuzzy. Para aplicar essa meto-
dologia, foi escolhido o problema do oscilador harmônico simples e, baseando-se
na sua solução, foi definido o modelo do oscilador fuzzy com parâmetros amplitude
e frequência incertos. A escolha do oscilador harmônico neste trabalho, deve-se
principalmente ao fato, da sua solução ser uma função não monótona do tipo os-
cilante. Foi encontrado, dessa forma, uma possível evolução do sistema, levando
em consideração incertezas existentes nos parâmetros.
Este trabalho está estruturado em capítulos como se segue: Na Seção 2,
será revisto o modelo determinístico para o problema do Oscilador Harmônico
Unidimensional e será definid o modelo do oscilador fuzzy. Na Seção 3, serão
apresentadas algumas definições e conceitos da Teoria dos Conjuntos Fuzzy, fun-
damentais aodesenvolvimento do trabalho. Na Seção 4, será mostrada ametodolo-
gia adotada para o princípio de extensão com uma variável, bem como, oalgoritmo
que aqui desenvolvemos com o objetivo de obter o grau de pertinência máximo de
um dado conjunto fuzzy. Ainda nessa seção será mostrada a metodologia do Prin-
cípio de Extensão para duas variáveis (aritmética de números fuzzy). Na Seção 5,
serão apresentados os resultados e discussão e, na Seção 6, a conclusão.
4
2 OSCILADOR HARMÔNICO UNIDIMENSIONAL
Nesta seção será abordado brevemente o problema do oscilador harmô-
nico, apresentando alguns conceitos que dão base ao modelo do oscilador fuzzy
que será visto mais a frente. Para mais detalhes desta seção, consultar Kittel &
Knight (1970) e Coelho (2003).
O mais simples modelo de oscilador simula o movimento de uma partícula
deslocando-se para frente e para trás em torno de uma origem (Figura 2.1). Este
movimento oscilatório é denominado Movimento Harmônico Simples e é descrito
pela seguinte equação diferencial
m¨x(t) + kx(t) = 0. (2.1)
A solução do problema (Equação 2.2) resume-se, basicamente, em resolver esta
equação diferencial ordinária de segunda ordem não homogênea que é a equação
do movimento para sistemas lineares não amortecidos
x(t) = A cos(
ω
t +
φ
) (2.2)
onde A é a amplitude,
ω
a frequência angular e
ω
t +
φ
a fase. Por motivo de
FIGURA 2.1 Movimento harmônico de uma partícula ao longo do eixo X.
simplicidade, não serão utilizadas unidades de medidas neste trabalho. Então,
se
ω
= 1
rad
s
, usar-se-á simplesmente 1. O período do movimento
τ
é o tempo
5
necessário para completar uma oscilação e está relacionado à frequência por
τ
=
2
π
ω
. (2.3)
O sistema oscilatório simples, sem amortecimento, pode ser modelado conforme
mostrado na Figura 2.2, onde são apresentados seus dois componentes físicos fun-
damentais: o parâmetro de massa m e o parâmetro de rigidez k. O parâmetro
FIGURA 2.2 Oscilador harmônico não amortecido.
m representa a inércia do sistema que é responsável pelo armazenamento de sua
energia cinética. O parâmetro de rigidez k é usualmente representado por uma
mola, sendo responsável pelo armazenamento da energia potencial (ou de defor-
mação do sistema). A unidade de k no SI é
Ns
m
. Um sistema mecânico é linear
quando as forças elásticas forem dadas por funções lineares do deslocamento e da
velocidade. Caso contrário, diz-se que o sistema é não linear. Embora diversos
sistemas mecânicos apresentem comportamentos não lineares, em maior ou me-
nor grau, na grande maioria das vezes os efeitos não lineares são desprezados com
intuito de simplificar a análise e a resolução do problema. Vale ainda ressaltar
que, embora uns números relativamente pequenos de sistemas mecânicos possam
ser modelados como sistemas simples, o estudo destes modelos é de fundamental
importância, uma vez que vários conceitos a eles pertinentes podem ser estendidos
a outros sistemas.
6
2.1 Oscilador fuzzy
Baseando-se na solução do oscilador harmônico simples unidimensionsal
(Equação 2.2) definiu-se o modelo do oscilador fuzzy com parâmetros A,
ω
e
φ
incertos. Assim, o problema pode ser interpretado da seguinte maneira:
x(t)
fuzzy
≡
fuzzy
A cos(
ω
t +
φ
)
fuzzy
Dessa forma, é de interesse saber como se comporta o sistema após serem inseri-
das incertezas naturais nos parâmetros frequência e amplitude. Vale ressaltar que
essa é apenas uma possível maneira de tratar o proplema. Pode-se, por exemplo,
analisar a evolução temporal do modelo, inserindo incertezas apenas na condição
inicial do sistema. Entretanto, foi desenvolvido neste trabalho, um ferramental
computacional que permite analisar esse problema com dois parâmetros incertos.
Contudo, outros autores, como Bassanezi et al. (2000) e Barros (1997) estudam
sistemas dinâmicos por meio de equação diferencial fuzzy. As ferramentas aqui
utilizadas para tais fins, serão discutidas nas seções seguintes.
7
3 ALGUNS CONCEITOS DA TEORIA DOS CONJUNTOS FUZZY
3.1 Lógica fuzzy
O filósofo grego Aristóteles (384 - 322 a.C.) considerado o pai da ciência
da lógica, estabeleceu um conjunto de regras rígidas para que conclusões pudes-
sem ser aceitas como logicamente válidas. O emprego da lógica de Aristóteles
levou a uma linha de raciocínio lógico, baseado em premissas e conclusões. Essa
lógica trata as afirmações de forma binária, classificando-as como verdadeiras ou
falsas. No entanto, muitas das experiências do mundo real não podem ser classifi-
cadas simplesmente como verdadeiras ou falsas, sim ou não, branco ou preto. Por
exemplo, aquele homem é alto ou baixo? A taxa de risco para aquele empreendi-
mento é grande ou pequena? Um sim ou um não como resposta a estas questões é,
na maioria das vezes, incompleta. Na verdade, entre a certeza de ser e a certeza de
não ser, existem infinitos graus de incerteza. A lógica fuzzy considera que existem
vários níveis entre o verdadeiro e o falso. De modo figurativo, enquanto a lógica
clássica enxerga apenas o preto e o branco, a lógica fuzzy é capaz de, além do preto
e o branco, enxergar vários tons de cinza, como ilustrado na Figura 3.1.
FIGURA 3.1 Comparação entre as lógicas clássica e fuzzy.
De forma mais objetiva e preliminar, pode-se definir lógica fuzzy como
sendo uma ferramenta capaz de capturar informações vagas, em geral descritas em
uma linguagem natural e convertê-las para um formato numérico, de fácil manipu-
8
lação pelos computadores (Tanaka,1997).
A fim de introduzir um tratamento matemático a essas imprecisões, Lotfi
Asker Zadeh, em 1965, “ introduziu” no contexto científico a Teoria de Conjun-
tos Fuzzy (Zadeh,1965), por meio da publicação do artigo Fuzzy Sets in Journal
Information and Control. Dessa forma, a ele é atribuído o reconhecimento como
grande colaborador do que hoje se conhece como Lógica Fuzzy. No entanto, antes
de Zadeh, outros estudiosos já questionavam a lógica bivalente. Por exemplo, a
lógica de três valores proposta por Jan Lukasiewicz (1878-1956) introduziu con-
juntos com graus de pertinência 0 , 1/2 e 1 onde 1 é verdadeiro, 0 é falso e 1/2
é possível. Em contrapartida, a lógica fuzzy define graduações contínuas de per-
tinência compreendidas no intervalo [0,1]. Contudo, Cox (1995) afirma que os
conceitos básicos que justamente diferenciam a lógica fuzzy da lógica booleana, já
existiam anteriormente a Aristóteles.
Com o passar dos anos, a lógica fuzzy encontrou aplicações em uma infini-
dade de áreas, por meio das quais das quais tem mostrado capacidade de adaptação
e facilidade de interface com o ser humano. Atualmente, podem ser encontrados
diversos aparelhos como de ar condicionado, câmeras fotográficas e lavadoras de
roupa que utilizam a tecnologia fuzzy. O uso crescente de aplicações baseadas na
lógica fuzzy tem levado a um aumento do interesse nesta área, seja junto à comu-
nidade acadêmica, ou junto às empresas privadas.
3.2 Lógica fuzzy na física
A Lógica fuzzy ainda é uma teoria desconhecida para a grande maioria dos
físicos e são relativamente poucos os trabalhos em física utilizando essa teoria. To-
davia, a junção das teorias físicas com a lógica fuzzy parece bastante promissora,
principalmente com o advento crescente de pesquisas interdisciplinares, onde a
9
intenção de se abordar problemas complexos e mais realistas exige a colaboração
de profissionais de diversas áreas e uma mistura de teorias. Muitos consideram a
física nuclear como área pioneira da física que mais tenha explorado a teoria dos
conjuntos fuzzy. A motivação para estudos desse tipo surge do fato reconhecido de
que as medidas físicas estão sujeitas a erros e que, muitas vezes, esses erros não
são controláveis. Assumir a atitude de que a imprecisão experimental envolvida
nos processos de medida é, em si mesma, um fato da realidade física impulsionou
alguns pesquisadores a buscar a incorporação dessas incertezas às teorias físicas.
Claramente, essa atitude resulta na reformulação de muitas questões de caráter ma-
temático e físico, dando ensejo ao aparecimento de outros trabalhos. Para maiores
detalhes consultar Ortega (2001).
3.3 Função característica
Nesta seção, será dado início ao tratamento de alguns conceitos da teoria
dos conjuntos fuzzy que são fundamentais para o entendimento deste trabalho. Para
maiores detalhes desta seção consultar (Barros & Bassanezi, 2006). Para obter a
formalização matemática de um conjunto fuzzy, Zadeh baseou-se no fato de que
qualquer conjunto clássico pode ser caracterizado por uma função: sua função
característica, cuja definição é dada a seguir.
Definição 3.3.1. Seja U um conjunto e A um subconjunto de U. A função carac-
terística de A é dada por
χ
A
(x) =
1, se x ∈ A
0, se x /∈ A
. (3.1)
Desta forma,
χ
A
é uma função cujo domínio é U e a imagem está contida
no conjunto {0,1}, com
χ
A
(x) = 1 indicando que o elemento de x está em A, en-
10
quanto
χ
A
(x) = 0 indica que x não é elemento de A. Assim, a função característica
descreve completamente o conjunto A já que a função indica quais elementos do
conjunto universo U são elementos também de A. Entretanto, existem casos em
que a pertinência entre elementos e conjuntos não é precisa, isto é, não é possível
ao certo, dizer se um elemento pertence efetivamente a um conjunto ou não. O que
é plausível é dizer qual elemento do conjunto universo se enquadra “melhor” ao
termo que caracteriza o subconjunto. Por exemplo, considere o subconjunto dos
números reais “próximo de 2”.
A = {x ∈ R : x é próximo de 2} . (3.2)
Pergunta: O número 7 e o número 2,001 pertencem a A ?
A resposta a esta pergunta é incerta, pois não se sabe até que ponto pode-
se dizer objetivamente quando um número está próximo de 2. A única afirmação
razoável, nesse caso, é que 2,001 está mais próximo de 2 do que 7. Funções ca-
racterísticas são, raramente, usadas em aplicações dos conjuntos clássicos. Porém,
quando estende-se esta idéia para conjuntos fuzzy a regra de funções característi-
cas torna-se significativa. Enquanto osconjuntos clássicos podem ser definidos por
funções características, os conjuntos fuzzy podem ser caracterizados por funções
de pertinência. Conjuntos fuzzy podem ser assumidos como uma ampliação dos
conjuntos clássicos. Consequentemente, funções de pertinência são uma extensão
de funções características. Na função característica dos conjuntos clássicos deve-
se decidir o grau, 0 ou 1, enquanto que as funções de pertinência nos permitem
escolher um valor real arbitrário entre 0 e 1.
11
3.4 Conjuntos fuzzy
Para obter detalhes sobre esse tópico consultar Tanaka (1997).
Definição 3.1. Um conjunto ou subconjunto fuzzy F de um universo U é um con-
junto definido por uma função de pertinência
ϕ
F
representando um mapeamento
ϕ
F
:U −→ [0,1] onde o valor de
ϕ
F
para o conjunto fuzzy é chamado de valor de
pertinência ou grau de pertinência de x ∈U . O valor de pertinência representa o
grau com que x faz parte do conjunto fuzzy F.
Do ponto de vista formal, a definição de subconjunto fuzzy foi obtida sim-
plesmente ampliando-se ocontradomínio da função característica que é {0,1} para
o intervalo [0,1]. Nesse sentido, podemos dizer que um conjunto clássico é um
caso particular de um conjunto fuzzy cuja função de pertinência
ϕ
F
(x) é sua fun-
ção característica
χ
F
. Um subconjunto fuzzy é composto de elementos de x de um
conjunto clássico U, providos de um valor de pertinência a F, dado por
ϕ
F
(x).
Pode-se dizer que um subconjunto fuzzy F de U é dado por um conjunto (clássico)
de pares ordenados:
F = {(x,
ϕ
F
(x)),com x ∈U} (3.3)
Os conjuntos fuzzy podem ser expressos como uma extensão dos conjuntos
clássicos, no entanto, deve-se tomar cuidado com a notação dos conjuntos fuzzy,
porque eles fazem uso especial de símbolos que aparecem na matemática clás-
sica. Muitos estudiosos ficaram confusos com a notação especial dos conjuntos
fuzzy. Os métodos de expressar os conjuntos fuzzy podem ser divididos em dois,
de acordo com as seguintes definições:
• Expressões discretas (quando o universo é finito).
12
Considere o universo U com U = {x
1
,x
2
,x
3
,...,x
n
}. Então, um subconjunto fuzzy
F em U pode ser representado como:
F =
ϕ
F
(x
1
)/x
1
+
ϕ
F
(x
2
)/x
2
+ ... +
ϕ
F
(x
n
)/x
n
=
N
∑
i=1
ϕ
F
(x
i
)/x
i
(3.4)
• Expressões contínuas (quando o universo é infinito).
Quando o universoU é um conjunto infinito, um conjunto fuzzy pode ser represen-
tado como:
F =
U
ϕ
F
(x
i
)/x
i
(3.5)
O símbolo / (Equação 3.4 e 3.5) é chamado de separador. À direita do se-
parador, aparece o elemento do universo, enquanto que no lado esquerdo, seu valor
de pertinência no conjunto definido. Cada elemento é descrito da mesma forma,
sendo conectado através do símbolo “+”. Na matemática clássica, os símbolos /
e + significam divisão e adição, respectivamente, mas eles têm diferentes defini-
ções em conjuntos fuzzy. Se for necessário juntar termos em expressões discretas,
utiliza-se o símbolo
∑
cujo significado também é diferente do símbolo clássica em
matemática.
Existem duas outras regras para expressões discretas:
• Quando o grau de pertinência de um elemento x é zero, isto é,
ϕ
A
(x) = 0,
não se escreve 0/x ; o termo é omitido.
• Se existem vários valores atribuídos a um elemento do universo, pode-se
tomar o valor máximo para representar o valor de pertinência.
Por exemplo, para 0,6/x+ 0,7/x+ 0,3/x −→ 0.7/x.
Por outro lado, em uma expressão contínua, o símbolo
é usado como
generalização de
∑
para o mundo contínuo, e não tem nenhuma conexão com
13
integral. No lado inferior direito do símbolo
, escreve-se o nome do universo de
forma que indique em qual universo o conjunto fuzzy está representado. Coloca-se
os elementos como uma variável x à direita do separador, e a função de pertinência
no lado esquerdo.
Computacionalmente, a expressão discreta é mais apropriada que a expres-
são contínua, isso porque os conjuntos fuzzy são representados por vetores, como
será mostrado mais à frente. Expressões contínuas de conjuntos fuzzy são frequen-
temente aproximadas por expressões discretas. O problema da expressão discreta
para o conjunto contínuo é quantos elementos devem ser especificados para a ex-
pressão discreta. Ao se designar poucos elementos, a precisão da aproximação
do conjunto fuzzy não é muito boa. Por outro lado, com muitos elementos há um
consumo grande de memória. Consequentemente, torna-se necessário selecionar
um número apropriado de elementos para a expressão discreta.
3.5 Variáveis linguísticas
Uma variável linguística é uma variável cujos valores são nomes de con-
juntos fuzzy. Por exemplo, a
estatura
de um determinado processo pode ser uma
variável linguística assumindo valores
baixa, média, e alta
. Esses valores são des-
critos por intermédio de conjuntos fuzzy. A principal função das variáveis linguís-
ticas é fornecer uma maneira sistemática para uma caracterização aproximada de
fenômenos complexos ou mal definidos. Em essência, a utilização do tipo de des-
crição linguística empregada por seres humanos, e não de variáveis quantificadas,
permite o tratamento de sistemas que são muito complexos para serem analisados
por meio de termos matemáticos convencionais.
14
3.6 Função de pertinência
As funções de pertinência podem ter diferentes formas, dependendo do
conceito que se deseja representar e do contexto em que serão utilizadas. As fun-
ções de pertinência podem ser definidas a partir da experiência do usuário, mas é
comum fazer-se uso de funções de pertinência padrão, como, por exemplo, as de
forma triangular, trapezoidal e Gaussiana. Em aplicações práticas, as formas es-
colhidas inicialmente podem sofrer ajustes em função dos resultados observados.
Funções de pertinência contínuas podem ser definidas por intermédio de funções
analíticas. Para exemplificar o quanto o contexto é relevante na definição de fun-
ções de pertinência e de sua distribuição ao longo de um dado universo, considere-
se a variável linguística estatura (de pessoas), constituída dos seguintes termos:
baixa, média e alta. A esses faz-se corresponder conjuntos fuzzy definidos por suas
funções de pertinência. Na Figura 3.2 verifica-se uma escolha possível de funções
de pertinência para os termos baixa, média e alta.
FIGURA 3.2 Função de pertinência para variável estatura.
Note-se que as estaturas até 1,5 metros apresentam grau de pertinência
igual a 1 no conjunto baixo; o grau de pertinência, neste conjunto, decresce à me-
15
dida que a estatura aumenta. Considera-se que uma pessoa com estatura de 1,75
metros é “totalmente compatível” com o conjunto média, ao passo que estaturas
acima de 1,8 metros (aproximadamente) apresentam grau de pertinência diferente
de zero em alto. Pessoas com estatura acima de 2 metros são “definitivamente” al-
tas. Observa-se que, nesta definição das funções de pertinência, estaturas em torno
de 1,75 metros têm grau de pertinência diferente de zero, somente no conjunto mé-
dia, o que poderia parecer inadequado para alguns observadores. Estes prefeririam
que as funções de pertinência de baixo e média se interceptassem em 1,75 metros.
Além disso, diferentes pessoas, ou grupos de pessoas, podem ter noções distintas
a respeito das estaturas de seus semelhantes. Ou seja, o contexto é particularmente
relevante para a definição de funções de pertinência. Para mais detalhes consultar
Tancheit (2003).
3.7 Definições e operações
Operações típicas da matemática clássica como união, intersecção e com-
plementação também podem ser realizadas por meio de de subconjuntos fuzzy
conforme definições a seguir. Esse é um tópico importante deste trabalho, pois
introduz conceitos que envolvem operações de mínimos e máximos que, a pri-
ori, fornecem a base para outras ferrametas aqui utilizadas, tais como: princípio
de extensão e operações aritméticas via princípio de extensão. Introduziu-se aqui
também o conceito de
α
−nível que permite realizar o princípio de extensão e
operações aritméticas analiticamente.
Sejam A e B dois subconjuntos fuzzy de U, com funções de pertinência
indicadas por
ϕ
A
e
ϕ
B
, respectivamente.
16
Definição 3.7.1. Um conjunto fuzzy A em X é vazio se e somente se sua função de
pertinência é igual a zero sobre todo X:
A = ∅ é vazio se somente se
ϕ
A
(x) = 0 ∀x ∈ X.
Definição 3.7.2. Dois conjuntos fuzzy A e B em X são iguais se suas funções de
pertinência forem iguais sobre todo X:
A = B se somente se
ϕ
A
(x) =
ϕ
B
(x), ∀x ∈ X.
Definição 3.7.3. A união entre A e B é o subconjunto fuzzy U cuja função de
pertinência é dada por:
ϕ
A∪B
(x) = max
x∈U
{
ϕ
A
(x),
ϕ
B
(x)}. (3.6)
Definição 3.7.4. A intersecção entre A e B é o subconjunto fuzzy deU cuja função
de pertinência é da por:
ϕ
A∩B
(x) = min
x∈U
{
ϕ
A
(x),
ϕ
B
(x)}. (3.7)
Definição 3.7.5. O complementar de A é subconjunto fuzzy cuja função de perti-
nência é dada por:
ϕ
A
′
(x) = 1−
ϕ
A
(x), x ∈U. (3.8)
Definição 3.7.6. Seja um subconjunto fuzzy A em U e
α
∈ [0,1]. O
α
- nível de A
é o subconjunto clássico de U definido por
[A]
α
= x ∈U :
ϕ
A
(x) ≥
α
para 0 <
α
≤ 1}.
17
O exemplo abaixo ajuda a compreender a Definição 3.7.6.
Exemplo 3.7.1. Seja U = R o conjunto dos números reais e A um sub-conjunto
fuzzy de R com a seguinte função de pertinência
ϕ
A
(x) =
x−1, se 1 < x ≤ 2
3−x, se 2 ≤ x < 3
0, se x /∈ (1,3)
.
Fazendo
ϕ
A
(x) =
α
,temos que
α
= x−1, x =
α
+ 1
α
= 3−x, x = 3−
α
(3.9)
Assim,
[A]
α
= [
α
+ 1,3−
α
] para 0 <
α
1] e [A]
0
= [1,3].
Conforme Figura 3.3, 0,5-nível de A é
[A]
0,5
= [1,5,2,5]. (3.10)
A
ϕ
A
U
1
31.5 2.5
1
0.5
FIGURA 3.3
α
nível = 0,5
18
Exemplo 3.7.2. Seja A = {0,2/3+ 0,4/5+ 0,6/7+ 1/9}. Então podemos escre-
ver A como a união dos
α
−nível:
A
0,2
= {0,2/3+ 0,4/5+ 0,6/7+ 1/9}
A
0,4
= {0,4/5+ 0,6/7+ 1/9}
A
0,6
= {0,6/7+ 1/9}
A
1,0
= {1/9}
3.8 Números fuzzy
Assim como no caso clássico, aqui também existe o objetivo de fazer “con-
tas”. A diferença é que aqui pretende-se calcular quantidades imprecisas. Por
exemplo, todos nós somos unânimes em dizer que o dobro de uma quantidade “em
torno de 5” resulta em outra “em torno de 10”. Para isso, “serão criados” objetos
que generalizam os números reais. Tais objetos são chamados de números fuzzy
(Klir & Yuan, 1995).
Definição 3.8.1. Um subconjunto fuzzy A é chamado de número fuzzy quando o
conjunto universo no qual
ϕ
A
está definida, é o conjunto dos números reais R e
satisfaça às seguintes condições:
• A é um conjunto fuzzy convexo;
• Existe somente um x
0
que satisfaz
ϕ
A
(x
0
) = 1;e
•
ϕ
A
é contínua em um intervalo.
19
Os números fuzzy mais comuns são dos tipos triangulares, trapezoidais e em forma
de sino. A fim se de obter suporte para as seções seguintes, será discutido, a seguir,
o número fuzzy tipo triangular.
Definição 3.8.2. Um número fuzzy A é dito triangular se sua função de pertinência
é da forma
ϕ
A
(x) =
0, se x ≤a
x−a
x
0
−a
, se a < x ≤x
0
b−x
b−x
0
, se x
0
≤ x < b
0, se x ≥b
(3.11)
em que a = x
0
−
δ
1
, b = x
0
+
δ
2
e a
0
é o elemento do domínio com pertinência
máxima igual a 1. O gráfico de um número fuzzy triangular (Figura 3.4) tem a
forma de um triângulo e tem a base no intervalo [a,b].
FIGURA 3.4 Número fuzzy triangular
Desse modo, os números reais a,x
0
,b definem o número fuzzy triangular A que
será denotado pela terna (a,x
0
,b). De outro modo, dizemos que A é o número
fuzzy dado por
20
A = (x
0
−
δ
1
, x
0
, x
0
−
δ
2
). (3.12)
O
α
-nível desse número fuzzy tem a seguinte forma simplificada
[A]
α
= [(x
0
−a)
α
+ a,(x
0
−b)
α
+ b] (3.13)
para todo
α
∈ [0,1]. Note que um número fuzzy triangular não é necessariamente
simétrico, já que
δ
1
= x
0
−a pode ser diferente de
δ
2
= b−x
0
, porém,
ϕ
A
(x) = 1.
3.9 Sobre a extensão de Zadeh
Como descrito anteriormente, será apresentado neste trabalho o modelo do
oscilador fuzzy com parâmetros amplitude e frequência incertos, e para isso, será
utilizada lógica fuzzy e, em particular, o Princípio de Extensão de Zadeh. Essa
ferramenta foi proposta por Zadeh e é conceito básico da teoria de lógica fuzzy que
sustenta a extensão das expressões matemáticas do domínio clássico ao domínio
fuzzy. Essa ferramenta permite calcular a imagem de um número fuzzy por meio
de uma função conhecida. Como ferramenta, é indispensável para a estruturação
matemática quando se modelam fenômenos envoltos em grande grau de incerteza.
Como os parâmetros acima citados são incertos, essa ferramenta foi utilizada para
encontrar uma possível evolução temporal do oscilador fuzzy. O exemplo a seguir
introduz o que aqui foi apresentado. Para maiores detalhes desta seção, consultar
Gomide & Pedrycz (1998), Tanaka (1997) e Barros (1997).
Exemplo 3.9.1. Seja a relação y = 3x+ 2. Sabemos que
se x = 4 então y = 3 x 4+ 2 = 14.
Então, como é possível calcular o valor de y se x for dado por um conjunto fuzzy
21
tal que x = “próximo de 4” ?.
O princípio da extensão fornece um método para fazer isto. A “idéia” do cálculo é
mostrada a seguir.
y = 3 x “próximo de 4” + 2 = “próximo de 12” + 2 = “próximo de 14”
Definição 3.9.1. Sejam X e Y conjuntos e f uma aplicação de X em f : X −→Y.
Seja A um conjunto fuzzy em X. O princípio de pxtensão afirma que a imagem de
A pela função f é um conjunto fuzzy B = f(A) em Y, cuja função de pertinência é
dada por
ϕ
B
(y) = max
{x:f(x)=y}
ϕ
A
(x) (3.14)
como é ilustrado na Figura abaixo.
FIGURA 3.5 Imagem de um subconjunto fuzzy A a partir do princípio de extensão
para uma função f estritamente crescente.
Pode-se descrever o princípio da extensão da seguinte forma (Jafelice,2004):
22
• O grau de pertinência de um valor do contradomínio é definido diretamente
pelo grau de pertinência de sua pré imagem.
• Quando um valor do contradomínio é mapeado por vários do domínio, o seu
grau de pertinência é obtido pelo valor máximo dos graus de pertinência dos
valores da entrada.
O princípio de extensão pode ser facilmente generalizado para funções de várias
variáveis.
Sejam X = X
1
×X
2
×.... × X
n
e Y conjuntos universos. Considere os conjun-
tos fuzzy A
i
em X
i
, i = 1,...,n, e uma função f : X −→ Y. Os conjuntos fuzzy
A
1
,A
2
,...,A
n
são então transformados pela função f produzindo o conjunto fuzzy
B = f(A
1
,A
2
,...,A
n
) em Y, cuja a função de pertinência é
ϕ
A
(y) = max
x
min[
ϕ
A
1
(x
1
),
ϕ
A
2
(x
2
),...,
ϕ
A
n
(x
n
)] (3.15)
para x ∈ X, x = (x
1
,...,x
n
) ∈ X
1
×X
2
×.... × X
n
e y = f(x).
Exemplo 3.9.2. Considere X = {1,2,3,4} , Y = {1,2,3,4,5,6} e f(x) = x+ 2.
Se A = {0.1/1+ 0.2/2+ 0.7/3+ 1/4} então a imagem de A por meio de f é dado
por
B = f(A) = {0.1/3+ 0.2/4+ 0.7/5+ 1/6}. (3.16)
Teorema 3.9.1. Sejam f : X −→Y uma função contínua e A um subconjunto fuzzy
de X e B = F(A) um subconjunto de Y. Então, para todo
α
∈ [0,1] vale
[F(A)]
α
= f([A]
α
). (3.17)
Este resultado indica que os
α
−níveis do conjunto fuzzy, obtidos pelo princípio de
extensão, coincidem com as imagens dos
α
−níveis pela função clássica. Pode-se
23
assim, obter analiticamente imagem de A por meio de f. Veja o exemplo a seguir.
Exemplo 3.9.3. Considere a função f(x) = e
x
e o número fuzzy triangular dado
pela terna A = (0;ln2;ln3). (Ver Equação 3.12). A partir da Equação 3.13 é fácil
verificar que os
α
−níveis de A são os intervalos
[A]
α
= [(ln2)
α
,(ln2−ln3)] = [ln2
α
,ln(3(
2
3
)
α
)],com ∈ [0,1].
Note que os
α
−níveis poderiam ser obtidos conforme Exemplo 3.7.1. Baseando-
se no Teorema 3.9.1 chega-se que
[F(A)]
α
= f([A]
α
) = f([ln2
α
,ln(3(
2
3
)
α
)]) = [e
ln2
α
,e
ln(3(
2
3
)
α
)
] = [2
α
,3(
2
3
)
α
].
Portanto,
• se
α
= 0 então [F(A)]
0
= [1,3];
• se
α
= 0.5 então [F(A)]
0.5
= [
√
2,
√
6];
• se
α
= 1 então [F(A)]
1
= {2};
Fazendo,
y = 2
α
e y = 3(
2
3
)
α
Tem-se que:
ϕ
F(A)
(y) =
0, se x ≤0
lny
ln2
, se 0 < x ≤ln2
lny−ln3
ln2−ln3
, se ln2 ≤ x < ln3
0, se x ≥ln3
.
24
É fácil observar que F(A) não é um número fuzzy triangular.
FIGURA 3.6 Princípio de extensão de Zadeh do número fuzzy A para f(x) = e
x
.
3.10 Operações aritméticas com números fuzzy
As definições que seguem podem ser vistas como casos particulares do
princípio de extensão, tanto para funções de uma quanto para duas variáveis. Nas
seções seguintes, serão realizadas operações aritméticas da multiplicação via prin-
cípio de extensão e como será trabalhado no domínio discreto, esse método é mais
aconselhável. Dessa forma, destaca-se para leitor uma maior atenção a Definição
3.10.4.
25
Sejam A e B dois números fuzzy e
λ
um número real.
Definição 3.10.1. A soma dos números fuzzy A e B é o número fuzzy, A+ B, cuja
função de pertinência é
ϕ
(A+B)
(z) = max
{(x,y):x+y=z}
min[
ϕ
A
(x),
ϕ
B
(y)]. (3.18)
Definição 3.10.2. A multiplicação de
λ
por A é o números fuzzy
λ
A, cuja função
de pertinência é
ϕ
λ
A
(z) = max
{x:
λ
x=z}
min[
ϕ
A
(x)] =
ϕ
A
(
λ
−1
z), se
λ
= 0
0, se
λ
= 0
. (3.19)
Definição 3.10.3. A diferença A−B é o número fuzzy cuja função de pertinência
é dada por:
ϕ
(A−B)
(z) = max
{(x,y):x−y=z}
min[
ϕ
A
(x),
ϕ
B
(y)]. (3.20)
Definição 3.10.4. A multiplicação de A por B é o número fuzzy A.B cuja função
de pertinência é dada por:
ϕ
(A.B)
(z) = max
{(x,y):x.y=z}
min[
ϕ
A
(x),
ϕ
B
(y)]. (3.21)
Definição 3.10.5. A divisão de A por B, se 0 /∈ supp B é o número fuzzy cuja
função de pertinência é dada por:
ϕ
(A/B)
(z) = max
{(x,y):x/y=z}
min[
ϕ
A
(x),
ϕ
B
(y)]. (3.22)
26
Em algumas situações é conveniente realizar tais operações analiticamente. Por
exemplo, quando trabalha-se no domínio contínuo com funções de pertinência
mais simples e conhecidas, como do tipo triangular ou trapezoidal. Dessa forma,
se um
α
- nível de um conjunto fuzzy leva a um intervalo fechado, pode-se substi-
tuir a aritmética discreta de números fuzzy por operações analíticas de intervalos.
Preposição 3.10.1. Sejam A e B números fuzzy, com
α
-níveis dados respectiva-
mente por [A]
α
= [a
α
1
,a
α
2
] e [B]
α
= [b
α
1
,b
α
2
]. Então valem as seguintes proprieda-
des:
• A soma entre A e B é o número fuzzy A + B cujos
α
-níveis são
[A+ B]
α
= [A]
α
+ [B]
α
= [a
α
1
+ b
α
1
,a
α
2
+ b
α
2
] (3.23)
• A diferença entre A e B é o número fuzzy A - B cujos
α
-níveis são
[A−B]
α
= [A]
α
−[B]
α
= [a
α
1
−b
α
1
,a
α
2
−b
α
2
] (3.24)
• A multiplicação entre A e B é o número fuzzy A.B cujos
α
-níveis são
[A.B]
α
= [A]
α
[B]
α
= [minP,maxP], (3.25)
onde P = {a
α
1
b
α
1
,a
α
1
b
α
2
,a
α
2
b
α
1
,a
α
2
b
α
2
}.
• A multiplicação entre
λ
por A é o número fuzzy
λ
A cujos
α
-níveis são
[
λ
A]
α
=
λ
[A]
α
=
[
λ
a
α
1
,
λ
a
α
2
], se
λ
≥0
[
λ
a
α
2
,
λ
a
α
1
], se
λ
< 0
. (3.26)
27
• A divisão de A por B, se 0 /∈ suppB, é o número fuzzy cujos
α
-níveis são
A
B
α
=
[A]
α
[B]
α
= [a
α
1
,a
α
2
].
1
b
α
2
,
1
b
α
1
. (3.27)
Exemplo 3.10.1. Seja A e B números fuzzy para as variáveis x e y.
A(x) = 0.3/1+ 0.6/2+ 0.8/3+ 1/4+ 0.7/5+ 0.1/6
B(y) = 0.4/3+ 0.8/4+ 1/5+ 0.2/6
Então a soma desses conjuntos pode ser obtida pela Equação 3.18. Analisando
todas as combinações possíveis de x e y e usando o operador min obtemos:
A+B = 0.3/4+0.3/5+0.3/6+0.2/7+0.4/5+0.6/6+0.6/7+0.2/8+0.4/6+
0.8/7+0.8/8+0.2/9+0.4/7+0.8/8+1/9+0.2/10+0.4/8+0.7/9+0.7/10+
0.2/11+ 0.1/9+ 0.1/10+ 0.1/11+ 0.1/12
Aplicando o operador max sobre os valores repetidos obtém-se
A+B= 0,3/4+0,4/5+0,6/6+0,8/7+0,8/8+1/9+0,7/10+0,2/11+0,1/12
Note que o domínio do conjunto fuzzy (número fuzzy) resultante da soma de dois
outros conjuntos fuzzy é maior do que o domínio de A e B.
3.11 Métodos de defuzzificação
A defuzzificação é um procedimento que permite interpretar a distribuição
de possibilidades da saída de um modelo linguistico fuzzy de forma quantitativa, ou
seja, fornece um valor num risco representativo que captura o significado essencial
28
dessa distribuição de possibilidades. Existem muitas técnicas de defuzzificação e
dentre as mais utilizadas estão: média dos máximos, centro de massa e método das
alturas.
3.11.1 Média dos máximos
Para um domínio discreto, é comum usar a média dos máximos (MM) cuja
definição é dada por
M(B) =
∑
u
i
∑
i
(3.28)
onde u
i
são os elementos de maior pertinência ao conjunto fuzzy B, isto é, para
cada i toma-se
ϕ
B
(u
i
) = max
u
ϕ
B
(u). (3.29)
A principal limitação do método MM é que ele não considera a forma total do
conjunto fuzzy de saída. Sendo assim, duas distribuições de possibilidades que
apresentam diferentes formas, porém o mesmo conjunto de valores com grau de
pertinência máximo, quando defuzzificados fornecerá o mesmo valor clássico, o
que é contra-intuitivo.
3.11.2 Centro dos máximos
Este é um procedimento que leva em conta apenas as regiões de maior
possibilidade entre os possíveis valores da variável que modela o conceito fuzzy
em questão. Neste caso tem-se:
C(B) =
i+ s
2
(3.30)
29
em que
i = inf{u ∈ R :
ϕ
B
(u) = max
u
ϕ
B
(u)} e s = sup{u ∈R :
ϕ
B
(u) = max
u
ϕ
B
(u)}
(3.31)
3.11.3 Centro de gravidade
O método do centro de gravidade (CG) é a técnica de defuzzificação mais
comumente usada. Diferentemente do MM, a ténica do Centro de Gravidade para
calcular o valor clássico representativo considera toda a distribuição de possibi-
lidade de saída do modelo. O procedimento é similar ao usado para calcular o
centro de gravidade em física, se for considerada a função de pertinência
ϕ
B
(u)
como a densidade de massa de u. Por outro lado, o método do centro de gravidade
pode ser compreendido como uma média ponderada, onde
ϕ
B
(u) funciona como o
peso do valor u. Entre todos os métodos de defuzzificação esse é o mais utilizado,
mesmo sendo, talvez, o mais complicado. As equações 3.32 e 3.33 referem-se ao
domínio discreto e contínuo respectivamente. A Figura a seguir mostra o gráfico
do defuzzificador G(B).
G(B) =
n
∑
i=0
u
i
ϕ
B
(u
i
)
n
∑
i=0
ϕ
B
(u
i
)
(3.32)
G(B) =
R
u
ϕ
B
(u)du
R
ϕ
B
(u)du
(3.33)
Para mais detalhes desta seção consultar Klir & Yuan (1995) e Yen & Lan-
gari (1999).
30
FIGURA 3.7 Defuzzificação pelo método do centro de gravidade.
3.12 Teoria dos conjuntos fuzzy X Teoria de probabilidade
A teoria de probabilidades e a teoria de conjuntos fuzzy lidam, em ge-
ral, com tipos de incertezas distintos. A teoria dos conjuntos fuzzy é baseada no
fato de que os conjuntos existentes no mundo real não possuem limites precisos.
Um conjunto fuzzy é um agrupamento impreciso e indefinido, onde a transição de
não-pertinência para a pertinência é gradual, não abrupta. A “característica fuzzy”
implica em existência de imprecisão, incerteza, definições qualitativas. A teoria
fuzzy de conjuntos, fornece um método para manipulação de conjuntos, cujos li-
mites são imprecisos ao invés de restritos. A incerteza de um elemento, isto é, seu
grau fracionário de pertinência, pode ser concebido como uma medida de possi-
bilidade, ou seja, a possibilidade de que um elemento seja membro do conjunto.
O conceito de possibilidade não é o mesmo que de probabilidade. A probabili-
dade expressa a chance de que um elemento seja membro de um conjunto, sendo
também no intervalo numérico [0,1].
Na teoria de probabilidades tem-se o evento muito bem definido e a dúvida
paira sobre a ocorrência do evento. No entanto, uma vez que o evento ocorreu não
existirá mais dúvida alguma. Pode-se calcular qual a probabilidade de se sortear
31
uma bola vermelha em uma urna contendo n
b
bolas brancas e n
v
bolas vermelhas.
Todavia, uma vez sorteada a bola não há nada mais a fazer, a bola será branca
ou vermelha, e a incerteza desaparecerá. No entanto, supondo-se que haja em
uma urna várias bolas com diversos tons de rosa, variando do vermelho ao branco.
Neste caso não se pode simplesmente perguntar qual a chance de sortear uma bola
branca, pois haveria dificuldades para decidir sobre as bolas rosas. Na verdade, não
se pode fazer uma pergunta de caráter puramente estatístico pois o evento não está
bem definido, existirão bolas quase vermelhas, bolas quase brancas e bolas com
diversos tons de rosa (o que configura uma situação de imprecisão). Precisa-se
saber nesses casos, qual é a pergunta a ser realizada e como respondê-la.
Exemplo 3.12.1. Supor que a probabilidade de um certo elemento pertencer ao
conjunto seja 0,8 ou 80%. A possibilidade, por outro lado, expressaria o grau
em que o elemento é membro do conjunto. Para ilustrar esse conceito, suponha a
seguinte escala de pertinência:
1,0 = membro; 0,8 = quase-membro; 0,6 = mais-ou-menos-membro; 0,4 = não-
muito-membro; 0= não membro. Portanto, possibilidade de que um dado elemento
seja quase-membro é 0,8.
Exemplo 3.12.2. Em um sistema diagnóstico, percebe-se que o raciocíno médico
parece estar muito mais baseado em graus de possibilidade do que de probabili-
dade, uma vez que seria humanamente impossível para o médico guardar todas as
informações exatas sobre as frequências dos sintomas das doenças, tanto quanto a
prevalência das doenças em uma dada população. Os médicos raramente expres-
sam suas impressões com valores numéricos, utilizam termos linguísticos tanto
para se expressar quanto para associar cognitivamente os sintomas/doenças. Além
disso, sabe-se que um paciente ao procurar um médico não deseja saber “qual a
chance” de que ele tenha uma determinada doença, ele quer saber “qual” doença
32
ele tem. O médico, a partir de um exame clínico, lista as possíıveis patologias e
segue um estudo mais profundo (com exames laboratoriais, por exemplo) a partir
de graus de possibilidade, ou seja, do que é mais razoável. Um exemplo prático
para ilustrar a diferença entre probabilidade e possibilidade pode ser demonstrado
como segue.
Exemplo 3.12.3. Sejam dois copos A e B e dois tipos de líquidos: água e veneno.
Suponha que esses copos estejam cheios e que A contenha certa quantidade de
veneno mortal com grau de pertinência (possibilidade) 0,5, ou seja, metade do
conteúdo de A é veneno e a outra metade água. Imagine que B contenha certa
quantidade de veneno com probabilidade 0.5. Suponha agora que uma pessoa
deve escolher algum dos copos para beber, sabendo que, se 70% do conteúdo de
algum dos copo for veneno, essa pessoa morre. Sendo assim, qual seria a melhor
escolha? Note que, se a escolha for o copo B essa pessoa tem 50% de chance de
morrer e outros 50% de sobreviver. Se a escolha for o copo A essa pessoa sabe
que estará ingerindo metade do conteúdo de veneno, e como essa quantidade não
é mortal, essa pessoa pode não morrer.
Para mais detalhes desta seção consultar Bezdek & Sanka (1992), Ortega
(2001), Shaw & Simôes (1999).
33
4 METODOLOGIA
Nesta seção, é mostrado o método que desenvolvemos que permite imple-
mentar computacionalmente o princípio de extensão para funções não monótonas
(neste caso, uma função oscilante). Vale ressaltar que essa metodologia permite,
também, aplicar o princípo de extensão a outras funções que são estritamente cres-
cente ou decrescente. O modelo do oscilador fuzzy (ver Seção 2) é caracterizado
por uma função do tipo cosseno com parâmetros incertos. Foi suposto aqui que
os parâmetros amplitude e fase inicial são números reais (número clássico) e que
o parâmetro frequência é um número incerto e, dessa forma, caracterizado por
um número fuzzy W triangular. Outras funções de pertinência, como, trapezoi-
dal, Gaussiana poderiam ser utilizadas, isso depende do especialista que estuda
o problema. Como o principal objetivo é desenvolver e simplesmente aplicar a
metodologia, escolhemos a função de pertinência triangular para realizar nossas
simulações. A solução do modelo em um dado instante t
1
e a metodologia adotada
que permite encontrar a imagem de W através da função cosseno seguem abaixo.
4.1 Princípio da Extensão - uma variável
Considere a função clássica f(t) = A
1
cos(
ω
t +
φ
) , f : X −→Y e W um
subconjunto fuzzy de R. Partindo-se do princípio de que
ω
é um parâmetro incerto,
pode-se representar essa incerteza por meio de um número fuzzy W dado por uma
função de pertinência do tipo triangular (ver Figura 4.1).
ϕ
W
(
ω
) =
0, se
ω
≤
ω
0
−
δ
ω
−
ω
0
+
δ
δ
, se
ω
0
−
δ
<
ω
≤
ω
0
ω
0
+
δ
−
ω
δ
, se
ω
0
≤
ω
<
ω
0
+
δ
0, se
ω
≥
ω
0
+
δ
(4.1)
34
FIGURA 4.1 Função de pertinência do número fuzzy W.
Para indicar como deve ser a imagem de
ϕ
W
(
ω
) por meio de f(t) foi reali-
zado o mapeamento via princípio de extensão. Considere A
1
= 1,
φ
= 0 e para
simplicidade considere o instante t = t
1
. Dessa forma, f(t
1
) = cos(
ω
t
1
) onde
ω
∈ [
ω
0
−
δ
,
ω
0
+
δ
],
ω
0
−
δ
e
ω
0
+
δ
são os extremos da função de pertinên-
cia. Esses pontos possuem pertinência 0 e
ω
0
possui pertinência máxima igual a
1.
Agora, considere um ∆ tal que
∆ =
(
ω
0
+
δ
) −(
ω
0
−
δ
)
n−1
=
2
δ
n−1
(4.2)
onde Ǝ um passo no intervalo [
ω
0
−
δ
,
ω
0
+
δ
] e n é o número de pontos da função
de pertinência, ou seja, o número de pontos neste intervalo (ver Figura 4.2). Dessa
forma esta sendo realizada a discretização do domínio em um conjunto de pontos.
Agora avalia-se a função f nesse conjunto de pontos. Assim, para todo t tem-se
f(t) = cos((
ω
0
−
δ
+ p∆)t) = f
p
(4.3)
onde p ∈N, p →[0,n−1] e
ω
= (
ω
0
−
δ
+ p∆).
No instante t = t
1
chega-se que:
35
se p = 0, f(t
1
) = cos((
ω
0
−
δ
)t
1
) = f
0
se p = 1, f(t
1
) = cos((
ω
0
−
δ
+ 1∆)t
1
) = f
1
se p = 2, f(t
1
) = cos((
ω
0
−
δ
+ 2∆)t
1
) = f
2
.
.
.
.
.
.
se p = n−1, f(t
1
) = cos((
ω
0
−
δ
+ p∆)t
1
) = f
p
.
FIGURA 4.2 Discretização do domínio com passo de tamanho ∆.
Agora, utizando a Equação (4.1), podem-se encontrar os graus de pertinência cor-
respondente a cada elemento do domínio. Assim:
ϕ
W
(
ω
0
−
δ
+ 0∆) =
ϕ
0
ϕ
W
(
ω
0
−
δ
+ 1∆) =
ϕ
1
ϕ
W
(
ω
0
−
δ
+ 2∆) =
ϕ
2
.
.
.
ϕ
W
(
ω
0
−
δ
+ p∆) =
ϕ
p
.
Uma forma “compacta” de escrever todos os valores t,
ϕ
W
(
ω
) e f(t) é por meio de
uma matriz conforme especificado a seguir. Na primeira coluna, estão os valores
t, na segunda, os valores f(t) e, na terceira,
ϕ
W
(
ω
). Esses dados poderiam ser
escritos em um arquivo simples, no entanto, a escolha da matriz deve-se ao fato
de que nas próximas seções serão realizadas algumas operações de máximos e
36
mínimos e, dessa forma, essa matriz se faz necessário.
M
p,3
=
t
1
f
0
ϕ
0
t
1
f
1
ϕ
1
t
1
f
2
ϕ
2
.
.
.
.
.
.
.
.
.
t
1
f
p
ϕ
p
(4.4)
Vale ressaltar que, se W é um subconjunto fuzzy finito dado por
W =
n
∑
i=1
ϕ
W
(
ω
i
)/
ω
i
(4.5)
então o princípio de extensão garante que a imagem de W por f(t) é dado por
F(W) =
n
∑
i=1
ϕ
W
(
ω
i
)/ f(t) =
ϕ
W
(
ω
i
)/cos(
ω
i
t) com
ϕ
W
=
ϕ
F(W)
. (4.6)
A notação
ϕ
W
(
ω
i
)/
ω
i
não significa “divisão” é apenas uma forma de visualizar o
elemento
ω
i
e seu respectivo grau de pertinência
ϕ
W
(
ω
i
).
Exemplo 4.1.1. Oscilador fuzzy com incerteza no parâmetro frequência.
Seja f : X −→ Y, X e Y conjuntos, f(t) = cos(
ω
t) = cos(2t) e W um
subconjunto fuzzy de X dado pela função de pertinência conforme Equação (4.1).
Suponha que existe uma incerteza em torno de 2 tal que
ω
0
= 2 e
δ
= 1. Observe
que
ω
0
é o valor de X que possui pertinência máxima igual a 1. A base da função de
pertinência triangular então está definida no intervalo [1,3],
ω
∈[1,3] e p →[0,4]
e n = 5.
Note que: f(t) = cos(
ω
t) = cos((
ω
0
−
δ
+ p∆)t) = f
p
∆ =
(2+1)−(2−1)
5−1
=
2
4
= 0,5 . Ver equação (4.2).
37
Se p = 0 e t = 0,1 chega-se que:
ω
= ((2−1)+0(0,5)) = 1, f(t) = cos(
ω
t) = cos(1(0,1)) = cos(0,1) = 0,99500418.
O próximo passo do algoritmo consiste em “montar” a matriz (ver Equação 4.4).
Dessa forma, para montar a segunda coluna da matriz avalia-se f(t) em cada ponto
resultante da discretização. Então segue que:
se p = 0 então f(0,1) = cos(0,1) = 0,99500418
se p = 1 então f(0,1) = cos(0,15) = 0,98877108
se p = 2 então f(0,1) = cos(0,2) = 0,98006660
se p = 3 então f(0,1) = cos(0,25) = 0,96891242
se p = 4 então f(0,1) = cos(0,3) = 0,95533651.
Agora, será estruturada a terceira coluna da matriz e, para isso, determina-se o
grau de pertinência de
ω
(ver Equação 4.1).
Note que
ϕ
W
(
ω
) =
ϕ
W
(
ω
0
−
δ
+ p∆).
Assim, se p = 0,
ϕ
W
(2−1+ 0(0.5)) =
ϕ
W
(1).
Então segue:
se p = 0, então
ϕ
W
(1) = 0
se p = 1, então
ϕ
W
(1,5) = 0,5
se p = 2, então
ϕ
W
(2) = 1
se p = 3, então
ϕ
W
(2,5) = 0,5
se p = 4, então
ϕ
W
(3) = 0 .
Com isso, a matriz M representa a imagem de W por meio da função f(t). Dessa
forma, no instante t = 0.1 chega-se que
38
M
3,3
=
0,1 0,99500418 0
0,1 0,98877108 0,5
0,1 0,98006660 1,0
0,1 0,96891242 0,5
0,1 0,95533651 0
.
Cada linha da matriz representa a coordenada tridimensional no espaço XYT, onde
ϕ
∈ T. O número fuzzy W com domínio discreto pode ser representado como
segue:
W = 0/1 + 0,5/1,5 + 1/2 + 0,5/2,5 + 0/3 (ver Equação 4.5).
Outra forma de representar os valores da matriz M referente as colunas 2 e 3 segue
abaixo.
F(W) = 0/0,99500418 + 0,5/0,98877108 + 1,0/0,98006660 + 0,5/0,96891242 +
0/0,95533651 ( ver Equação 4.6).
Com isso, agora é possível visualizar graficamente a imagem de W (Fi-
gura 4.3) plotando os valores de
ω
e
ϕ
W
(
ω
), ou seja, deve-se graficar valores
correspondentes às colunas 2 e 3. Observe que f(t) = − 0,75 faz correspondên-
cia a outros dois valores de pertinência. Nesse caso, deve-se escolher o máximo =
max (0,21, 0,93) = 0,93 (ver Figura 4.3). Deve-se repetir esse procedimento para
todos valores f(t) que possuem mais de um grau de pertinência. Dessa forma,
obtem-se a solução resultado desta operação (ver Figura 4.4).
A Figura 4.5 apresenta o processo gráfico do princípio de extensão apli-
cado a uma função oscilante. Observe que é possível identificar o intervalo em X
que “reflete” por meio de f apenas os valores máximos de F(W).
Na Figura 4.6 é apresenta uma situação na qual uma entrada faz corres-
pondência a mais de um grau de pertinência, no entanto, em razão de se estar
39
-1
-0.75 -0.5 -0.25
0
0.25 0.5 0.75
1
0
0.2
0.4
0.6
0.8
1
F(W)
Pertinencia
^
t
f( )
FIGURA 4.3 Número fuzzy F(W) não triangular (sem operação de máximos).
-2 -1 0 1 2
0
0.2
0.4
0.6
0.8
1
F(W)
f( )
Pertinencia
^
t
FIGURA 4.4 Número fuzzy F(W) não triangular obtido após a operação de máxi-
mos (n=120).
40
f
Y
1.0
1.0
0
Pertinencia
Pertinencia
F(W)
W
X
ω
o
^
^
FIGURA 4.5 Processo gráfico da extensão de Zadeh. Imagem W por meio de f
para o instante t = 2.
trabalhando com valores discretos, alguns desses graus não estão explícitos. Note
que f(t) = 0,4 faz correspondência ao grau de pertinência 0,15 e a outros dois que
não estão explícitos (próximos a 0,3 e 0,8). No entanto, para se obter apenas os
valores de F(W) o grau com valor 0,15 e 0,3 devem ser descartados. A solução
apresentada neste trabalho para resolver este problema, consistiu em desenvolver
um algoritmo em Linguagem Fortran 90 para eliminar com eficiência os valores
ϕ
F(W)
/ f(t) não desejáveis à obtenção dos máximos.
Obs.: Para simplicidade vale ressaltar que
ϕ
F(W)
/ f(t) é o ponto cartesiano com
coordenadas ( f(t),
ϕ
F(W)
), onde
ϕ
F(W)
é a pertinência de F(W).
41
FIGURA 4.6 Imagem de
ϕ
W
(w) por meio de f em t = 4 e n = 43.
O algoritmo
Considere a matriz M, onde t são o valores da coluna 1, f(t) da coluna 2 e
ϕ
F(W)
da coluna 3, ou seja
M
n,3
=
m
1,1
m
1,2
m
1,3
m
2,1
m
2,2
m
2,3
m
3,1
m
3,2
m
3,3
.
.
.
.
.
.
.
.
.
m
n,1
m
n,2
m
n,3
onde n é o número de pontos da função de pertinência.
42
ETAPA 1
O algoritmo consiste primeiramente em por em ordem crescente f(t), ou seja
m
1,2
≤ m
2,2
≤ m
3,2
≤ ... ≤m
n,2
de modo que o processo de ordenação não altere as posições
ϕ
F(W)
/ f(t).
ETAPA 2
Em seguida, o algoritmo compara m
n,3
, m
n+2,3
e m
n+1,3
tal que:
se m
n,3
≥ m
n+1,3
e m
n+1,3
m
n+2,3
ocorrem, então descarta-se m
n+1,3
, ou
seja:
.
Repete-se a ETAPA 2 enquanto se mantém a condicional. No entanto, se m
n,3
<
m
n+1,3
e m
n+1,3
> m
n+2,3
ocorrem, então o algoritmo continua e não descarta
nenhum ponto, ou seja:
.
O exemplo abaixo ilustra o “funcionamento” deste algoritmo.
Exemplo 4.1.2.
Na Figura 4.7 tem-se o conjunto fuzzy discreto A, onde a ≤ b ≤ ....≤ m.
Para obter apenas os máximos do conjunto fuzzy é necessário descartar os valores
43
ϕ
1
/c e
ϕ
2
/e. Observe que é possível resolver parte desse problema, usando a
seguinte condição:
“Se certas entradas do conjunto universo possuem igual pertinência então
tome os valores que são máximo e mínimo das entradas”.
Dessa forma, seria utilizada a idéia de
α
- nível. Por exemplo, para
α
=
ϕ
2
exis-
tem três entradas correspondentes: “a”, “e” e “i”. Assim, descarta-se a entrada
“e”. Isso resolve somente parte do problema, pois se
α
=
ϕ
1
o valor máximo no
domínio é “j” e o mínimo é “c”. No entanto, sabe-se que
ϕ
1
/c é um ponto que
deve ser descartado. O algoritmo que foi desenvolvido resolve esse problema com
eficiência.
APLICAÇÃO DO ALGORITMO
• Deve-se comparar primeiramente
ϕ
2
,
ϕ
3
e
ϕ
1
e verificar se
ϕ
2
>
ϕ
3
e
ϕ
3
<
ϕ
1
. O que de fato não é verdade pois
ϕ
2
<
ϕ
3
e
ϕ
3
>
ϕ
1
.(ver Figura 4.7)
FIGURA 4.7 Processo gráfico - aplicação do algoritmo.
44
• Compara-se agora
ϕ
3
,
ϕ
1
,
ϕ
4
. Como
ϕ
3
>
ϕ
1
e
ϕ
1
<
ϕ
4
, então descarta-se
ϕ
1
(ver Figura 4.8).
.
ϕ
.
.
.
.
.
.
.
1
.
2
a
ϕ
.
4
b
c
d
ϕ
f
ϕ
e
ϕ
g
3
h i
j
m
Dominio
Pertinencia
^
´
5
FIGURA 4.8 Aplicação do algoritmo para obtenção dos máximos - primeira etapa.
• Deve-se agora, comparar
ϕ
4
,
ϕ
2
,
ϕ
5
. Como
ϕ
4
>
ϕ
2
e
ϕ
2
<
ϕ
5
então descarta-
se
ϕ
2
(ver Figura 4.9).
FIGURA 4.9 Aplicação do algoritmo para obtenção dos máximos - segunda etapa.
45
4.2 Princípio de Extensão - duas variáveis (Aritimética fuzzy)
Na seção anterior, mostrou-se um método para obter a imagem de um nú-
mero fuzzy para uma função não monótona oscilante do tipo f(t) = A
1
cos(
ω
t),
onde A
1
é amplitude da oscilação. Considerou-se a frequência angular como pa-
râmetro fuzzy e através do princípio de extensão, encontou-se a imagem de W em
um dado instante. Nas seções seguintes, será mostrada uma possível solução do
problema, após a evolução do sistema. É de interesse agora, saber qual a solução
em t = t
1
, considerando ambos os parâmetros (amplitude e frequência) como pa-
râmetros incertos. Buscou-se essa solução via Princípio de Extensão e aritmética
de números fuzzy. Conforme definições da Seção (3.7), as operação aritméticas de
números fuzzy, aqui utilizadas, são vistas como casos particulares do Princípio de
Extensão.
Vale ressaltar que as operações aritméticas de números fuzzy nem sempre
são triviais. O problema pode ser simples ou mais complicado, dependendo da
função de pertinência, dos limites do número fuzzy e da opereção que será utili-
zada. Por exemplo, as operações de adição e subtração de números fuzzy triangular
também são números fuzzy triangulares. No entanto, o mesmo não ocorre com as
operações de multiplicação e divisão. Realizar a aritmética via operação intervalar
(
α
- nível) nem sempre é simples, principalmente se as operações são multiplica-
ção ou divisão e os intervalos (base da função de pertinência) não são números
apenas positivos.
Interpretação do problema:
f(t)
fuzzy
=
fuzzy
A cos(
ω
t)
fuzzy
46
Partindo-se do princípio de que a amplitude é um parâmetro incerto, pode-se re-
presentar essa incerteza por meio de um número fuzzy dado por uma função de
pertinência do tipo triangular
ϕ
A
(a) =
0, se a ≤ a
0
−
δ
1
a−a
0
+
δ
1
δ
1
, se a
0
−
δ
1
< a ≤ a
0
a
0
+
δ
2
−a
δ
2
, se a
0
≤ a < a
0
+
δ
2
0, se a ≥ a
0
+
δ
2
. (4.7)
Como a frequencia é também um parâmetro incerto, essa incerteza pode
ser representada através de um número fuzzy dado por uma função de pertinência
do tipo triangular
ϕ
W
(
ω
) =
0, se
ω
≤
ω
0
−
δ
ω
−
ω
0
+
δ
δ
, se
ω
0
−
δ
<
ω
≤
ω
0
ω
0
+
δ
−
ω
δ
, se
ω
0
≤
ω
<
ω
0
+
δ
0, se
ω
≥
ω
0
+
δ
. (4.8)
A imagem de W por meio de f(t) via Princípio de Extensão, conforme
visto anteriormente, é o número fuzzy F(W) (ver Equação 4.6). Será representado
agora na matriz Q, os valores discretos de F(W) onde os valores de f(t) estão
representados na coluna 1 e os valores
ϕ
F(W)
representados na coluna 2, ou seja
Em t = t
n
tem-se
Q
n,2
=
q
1,1
q
1,2
q
2,1
q
2,2
.
.
.
.
.
.
q
n,1
q
n,2
(4.9)
onde n é o número de elementos especificados da função de pertinência
ϕ
W
. Para
melhor entendimento das operações aritméticas que serão aqui realizadas “omiti-
47
mos” a variável t da matriz. Nota-se também que não se faz necessário armazenar
essa variável na matriz, isso implicaria maior custo computacional. Dessa forma,
na “coluna 1” estão os elementos especificados e na “coluna 2” seus respectivos
grau de pertinência, ou seja
B = F(W) =
n
∑
i=1
q
n,2
/q
n,1
= q
1,2
/q
1,1
+ q
2,2
/q
2,1
+ ... + q
n,2
/q
n,1
. (4.10)
Obs.: As matrizes M
p,3
(Equação 4.4) e Q
n,2
(Equação 4.9) são similares, no en-
tanto, em Q
n,2
omitimos os valores de t.
Até aqui, uma vez que os valores de B já são conhecidos (número fuzzy B),
foi resolvido o problema para apenas um parâmetro incerto (frequência) em um
dado t = t
n
. Da mesma forma, representa-se os valores de A (amplitude) em uma
matriz P
P
k,2
=
p
1,1
p
1,2
p
2,1
p
2,1
.
.
.
.
.
.
p
k,1
p
k,2
(4.11)
A =
k
∑
j=1
p
k,2
/p
k,1
= p
1,2
/p
1,1
+ p
2,2
/p
2,1
+ p
3,2
/p
3,1
+ ... + p
k,2
/p
k,1
onde k é o número de elementos especificados da função de pertinência
ϕ
A
, p
k,1
=
a e p
k,2
=
ϕ
A
(a). Como A e B são números fuzzy resta agora saber qual o resultado
da operação de multiplicação entre A por B. De acordo com a definição para
48
produto de números fuzzy (Equação 3.21) tem-se qu
ϕ
(A.B)
(z) = max
{(a,
ω
):a.
ω
=z}
min[
ϕ
A
(a),
ϕ
B
(
ω
)].
Para se encontrar
ϕ
(A.B)
, primeiro deve-se realizar a operação min seguida da ope-
ração produto (ver Exemplo 3.10.1).
Seja AB
min
o resultado da operação min(
ϕ
A
(a),
ϕ
B
(
ω
)), isto é
AB
min
=
q
1,2
∧ p
1,2
/q
1,1
.p
1,1
+ q
1,2
∧ p
2,1
/q
1,1
.p
2,1
+ .... + q
1,2
∧ p
k,2
/q
1,1
.p
k,1
+
q
2,2
∧p
1,2
/q
2,1
.p
1,1
+q
2,2
∧p
2,1
/q
2,1
.p
2,1
+....+q
2,2
∧p
k,2
/q
2,1
.p
k,1
+
q
n,2
∧p
1,2
/q
n,1
.p
1,1
+q
n,2
∧p
2,1
/q
n,1
.p
2,1
+....+q
n,2
∧p
k,2
/q
n,1
.p
k,1
.
Obs.: O símbolo ∧ significa “operação mim” e “ . ” multiplicação. Agora deve-se
realizar a operação max, de modo que, cada elemento do domínio possua apenas
um grau de pertinência, sendo esse, o grau com maior valor. Por exemplo, se
q
1,1
.p
2,1
= q
2,1
.p
1,1
e q
1,2
∧ p
2,1
é maior que q
2,2
∧ p
1,2
então devemos escolher o max {q
1,2
∧ p
2,1
, q
2,2
∧ p
1,2
} e associar o resultado da
operação de max ao valor resultado da operação de multiplicação. Dessa forma,
obtém-se: q
1,1
.p
2,1
/q
1,2
∧ p
2,1
.
Agora armazenar-se na matriz C os valores de AB
min
.
49
C
nk,2
=
q
1,1
.p
1,1
q
1,2
∧ p
1,2
q
1,1
.p
2,1
q
1,2
∧ p
2,1
.
.
.
.
.
.
q
1,1
.p
k,1
q
1,2
∧ p
k,2
q
2,1
.p
1,1
q
2,2
∧ p
1,2
q
2,1
.p
2,1
q
2,2
∧ p
2,1
.
.
.
.
.
.
q
2,1
.p
k,1
q
2,2
∧ p
k,2
q
n,1
.p
1,1
q
n,2
∧ p
1,2
q
n,1
.p
2,1
q
n,2
∧ p
2,1
.
.
.
.
.
.
q
n,1
.p
k,1
q
n,2
∧ p
k,2
Note que a matriz P possui um número nk de linhas. Isso significa que
quanto mais pontos (elementos especificados) maior será o valor nk o que implica
em maior custo computacional. Para se realizar a operação de máximo (max) com
eficiência, novamente deve-se aplicar o algoritmo que foi explicado na secção pas-
sada. Mais uma vez é de valia observar que para aplicar o algoritmo, os valores
q
n,1
.p
k,1
devem estar ordenados em ordem decrescente com o respectivo valor de
q
n,2
∧p
k,2
. Em outras palavras, os elementos da “coluna 1” devem estar ordenados
em ordem decrescente, de modo que, se algum dos elementos mudar de posição
o seu grau de pertinência deve acompanhá-lo para posição de destino. Após a
aplicação do algoritmo encontra-se o resultado da operação de AB = A.F(W). No
exemplo que segue, foi realizada a operação aritmética fuzzy via operação interva-
lar e compara-se o resultado com o método que aqui é utilizado.
50
Exemplo 4.2.1. Multiplicação de números fuzzy
Sejam A e B dois números fuzzy triangulares defindos por A = (1,2,4)eB =
(2,4,6):
ϕ
A
(x) =
0, se x ≤1
x−1, se 1 < x ≤2
−x
2
+ 2, se 2 ≤ x < 4
0, se x ≥4
. (4.12)
ϕ
B
(y) =
0, se y ≤2
y
2
−1, se 2 < y ≤ 4
−y
2
+ 3, se 4 ≤y < 6
0, se y ≥6
. (4.13)
O primeiro passo é obter o
α
-níveis dos números fuzzy em questão:
ϕ
A
= x−1 −→ x =
ϕ
A
+ 1 =
α
+ 1
ϕ
A
=
−x
2
+ 2 −→ x = 4−2
ϕ
A
= 4−2
α
. Assim,
• [A]
α
= [
α
+ 1,4−2
α
]
ϕ
B
=
y
2
−1 −→ y = 2
ϕ
B
+ 2 = 2
α
+ 2
ϕ
B
=
−y
2
+ 3 −→ y = 6−2
ϕ
B
= 6−2
α
. Assim,
• [B]
α
= [2
α
+ 2,6−2
α
]
Observa-se que, para
α
∈ [0,1], todos elementos de cada intervalo são números
positivos. Logo a operação de multiplicação dos dois intervalos é simples. Assim,
[A]
α
. [B]
α
= [
α
+ 1,4−2
α
] . [2
α
+ 2,6−
α
]
= [(
α
+ 1)(2
α
+ 2),(4−2
α
)(6−2
α
)]
= [(2
α
2
+ 4
α
+ 2),(4
α
2
−20
α
+ 24)]
51
Note que se
α
= 1 então tem-se [8,8] e se
α
= 0 então tem-se [2,24].
Agora será determinada a função de pertinência resultado da operação de multi-
plicação. Fazendo x = 2
α
2
+ 4
α
+ 2 tem-se
α
=
−4±
√
8x
4
Como a pertinência é um valor entre 0 e 1, então
α
=
−4+
√
8x
4
Fazendo x = 4
α
2
−20
α
+ 24 tem-se
α
=
5±
√
x+1
2
, assim
α
=
5−
√
x+1
2
Chega-se então que
ϕ
AB
(x) =
−4+
√
8x
4
, se 2 < a ≤8
5−
√
x+1
2
, se 8 ≤ a < 24
. (4.14)
0
5
10
15
20
25
30
0
0,2
0,4
0,6
0,8
1
A.B
Dominio
´
Pertinencia
^
A
B
FIGURA 4.10 Operação aritmética da multiplicação (intervalar) dos números fuzzy
A e B.
• Tem-se na Figura 4.11, a solução via algoritmo baseado na definição:
ϕ
(A.B)
(z) = sup
{(x,y):x.y=z}
min[
ϕ
A
(x),
ϕ
B
(y)]
52
0
5
10
15
20
25
30
0
0,2
0,4
0,6
0,8
1
min(A,B)
max(min(A,B))
Dominio
Pertinencia
´
^
A
B
FIGURA 4.11 Operação aritmética da multiplicação dos números fuzzy A e B.
• Na Figura 4.12 ambos os resultados são comparados.
0
5
10
15
20
25
30
0
0,2
0,4
0,6
0,8
1
Operacao Discreta
Operacao Analitica
Dominio
´
Pertinencia
^
FIGURA 4.12 Operação aritmética analítica (intervalar) e discreta (princípio de
extensão).
Nota-se que as soluções analítica e discreta se sobrepõem. Observa-se também que
o algoritmo mostrou-se eficiente para obtenção dos máximos. Vale ressaltar que
essa metodologia tem se mostrado eficiente para outras operações (adição, sub-
tração e divisão), mesmo se os elementos do intervalo não são somente números
positivos.
53
5 RESULTADO E DISCUSSÃO
5.1 Oscilador fuzzy com parâmetro amplitude incerto
Em um sistema vibratório, a amplitude do movimento é uma grandeza
física que é determinada experimentalmente por meio de medidas ou conjunto de
medidas. Essas medidas têm uma incerteza própria que depende das características
dos equipamentos utilizados na sua determinação e também do operador. Assim,
uma medida repetida várias vezes com o mesmo cuidado e procedimento pelo
mesmo operador ou por vários operadores, os resultados obtidos não são, em geral,
idênticos. Como amplitude é um parâmetro incerto, essa incerteza foi representada
por meio de um número fuzzy modelado por uma função de pertinência do tipo
triangular. Seja x(t) = A
1
cos(
ω
t +
φ
),
ω
= 1 e
φ
= 0 (números reais) e considere
o parâmetro amplitude A
1
com valor igual a 2. Partindo de dados fictícios, foi
suposto que existe uma incerteza em torno de 2 tal que A = (1,2,5) (ver Seção
3.8). Esse é um modelo matemático razoável para a expressão linguística “perto
de 2”. Dessa forma
ϕ
A
(a) =
0, se a ≤1
a−1, se 1 < a
0
≤2
5−a, se 2 ≤ a
0
< 5
0, se a ≥5
.
Utilizando o princípio de extensão obteve-se a imagem fuzzy do modelo por meio
de x(t). (Ver Figura 5.1).
54
FIGURA 5.1 Solução do oscilador fuzzy com parâmetro
ω
= 1 (valor clássico) e
amplitude (incerto) A
1
= 2.
A Figura acima possui uma escala entre 0 a 1 que representa os graus de
pertinência. A “linha ” mais escura representa os valores de x(t) com pertinência
máxima igual 1 em determinado intante t. Observe que, em determinado instante,
podem existir diferentes posições para a amplitude com diferentes possibilidades
na escala 0 a 1. Note, por exemplo, que em t = 6, x(t) = 2 com possibilidade
próximo a 1 e x(t) = 4 com possibilida próximo a 0. Ou seja, entre 0 e 1 temos in-
finitas possibilidades. Observe também, que onde ocorrem os máximos e mínimos
da função x(t) é onde também ocorrem as maiores concentrações de incertezas e
essas se tornam mínimas quanto x(t) se aproxima de zero.
A fim se encontrar uma curva representativa dessas famílias de soluções,
foi utilizado o método de defuzzificação do centro de gravidade (Figura 5.2). Este
método é semelhante à media aritmética para uma distribuição de dados, com a
diferença que os pesos aqui são os valores de pertinência que indicam o grau de
55
compatibilidade do valor x com o conceito modelado pelo conjunto fuzzy A.
FIGURA 5.2 Solução do oscilador fuzzy com parâmetro
ω
= 1 (valor clássico) e
amplitude (incerto) A
1
= 2 após o método de defuzzificação do centro de gravi-
dade.
Em outra simulação, fez-se-a suposição de uma incerteza em torno de 2 tal que
δ
1
= 0.3 e
δ
2
= 0.6. Ou seja, A = (1.7,2,2.6) (Figura 5.3).
Note que a dispersão da incerteza (“borrão”) agora é menor, o que é natu-
ral, visto que incerteza em torno de 2 também é menor. A solução defuzzificada
do modelo segue abaixo (Figura 5.4).
56
FIGURA 5.3 Solução do oscilador fuzzy com parâmetro
ω
= 1 (valor clássico) e
amplitude (incerto) A
1
= 2. Nesse caso, foi considerado uma incerta menor em
torno de A
1
.
FIGURA 5.4 Solução do oscilador fuzzy com parâmetro
ω
= 1 (valor clássico) e
amplitude (incerto) A
1
= 2. Resultado após o método de defuzzificação do centro
de gravidade.
5.2 Oscilador fuzzy com parâmetro frequência incerto
Nesta seção, será aplicado o Princípio de Extensão em uma função osci-
lante e, em paralelo, será encontrada uma possível evolução temporal do oscilador
57
fuzzy, considerando o parâmetro frequência como incerto. Vale ressaltar que o pa-
râmetro incerto, nesse caso, esta “dentro” da função, diferente do que ocorre com
o parâmetro amplitude.
Conforme Seção 2, sabe-se que o modelo matemático clássico para um sis-
tema oscilatório simples pode ser representado pela seguinte equação diferencial:
¨x(t) +
ω
2
0
x(t) = 0
onde
ω
0
=
k
m
representa a frequência natural do sistema, m a massa (inércia do
sistema) e k o parâmetro de rigidez da mola. O problema tem solução da forma
x(t) = A
1
cos(
ω
0
t +
ϕ
) .
A quantidade A
1
é a amplitude do movimento (seu valor depende de como o mo-
vimento foi iniciado) e
ω
0
é a frequência natural do sistema. O parâmetro
ω
0
depende de dois outros parâmetros: o parâmetro m e o parâmetro k, que a pri-
ori, são incertos, logo,
ω
0
também é incerto. Partindo da solução clássica x(t)
buscou-se a solução fuzzy do problema via extensão de Zadeh como segue.
Seja
ω
0
= 1 e A
1
= 2. Considere a frequência como número fuzzy mode-
lado por função de pertinência triangular, tal que
ϕ
W
(
ω
) =
0, se
ω
≤ 0.8
ω
−0.8, se 0.8 <
ω
0
≤ 1
1.2−
ω
, se 1 ≤
ω
0
< 1.2
0, se
ω
≥ 1.2
. (5.1)
Utilizando W e o Princípio de Extensão encontra-se a solução fuzzy do modelo
(Figura 5.5).Note que, nesse caso, a incerteza se propaga aumentando à medida
58
que o sistema evolui, contrário ao que ocorre com a amplitude.
FIGURA 5.5 Solução do oscilador fuzzy com parâmetro
ω
= 1 (valor incerto) e
amplitude (valor clássico) A
1
= 2.
Dessa forma, é difícil “prever” uma certa posição no espaço (t,x(t)), isso
porque, à medida que o tempo evolui tem-se que, para um dado t, existem vá-
rias posições possíveis e cada posição está associada a uma possibilidade igual
ou muito próximo a 1. É fácil perceber que o “borrão” (incerteza) nos instantes
iniciais é menor. Pode-se verificar na Figura 5.6, que a solução defuzzificada do
oscilador fuzzy com parâmetro frequência incerto aproxima a solução do oscilador
harmônico amortecido. Ao se incluir a frequência com um certo grau de incerteza,
o sistema se comporta análogo a um sistema dissipativo. Isso ocorre porque, à
medida que o sistema evolui, a incerteza na frequência torna-se cada vez mais re-
levante. É de grande importância observar que as soluções fuzzy para o parâmetro
amplitude e frequência não se comportam de modo análogo. Na primeira, a incer-
teza se propaga de “modo” constante e, na segunda, a incerteza também se propaga
mas se torna mais relevante à medida que “t” cresce. A seguir, será esclarecido o
comportamento “amortecido” da solução fuzzy após defuzzificação e, dessa forma,
59
será discutido um caso particular da soluções num dado intante t. Será mostrado
também os cálculos da defuzzificação tomando uma quantidade menor de pontos
na função de pertinência
ϕ
W
(
ω
). Os valores f(t) e
ϕ
F(W)
obtidos após aplicação
FIGURA 5.6 Solução do oscilador fuzzy com parâmetro
ω
= 1 (valor incerto) e
amplitude (valor clássico) A
1
= 2 após o método de defuzzificação do centro de
gravidade.
do algoritmo em t = 30 e com n = 7 seguem na Tabela 5.1 ( ver Figura 5.7).
f(
ω
t)
ϕ
F(W)
-2.0000000000000000 0.71238898038468967
-1.6180339887498962 0.81710873550434959
-0.61803398874989024 0.92182849062400951
0.30850289977516809 1.00000000000000000
1.4110849236127916 0.89528024488034008
1.9746804676428777 0.79056048976068016
TABELA 5.1 Valores discretos.
A Figura 5.7, mostra a imagem F(W) (imagem deW por meio de x(t)) no instante
t = 30 após a operação dos máximos. Observe que para t = 30, x(t) é um valor
próximo de zero, ou seja, a média obtida com o resultado da defuzzificação por
60
centro gravidade é um valor próximo a zero. Isso pode ser confirmado fazendo os
cáculos da defuzzificação para os valores da Tabela 5.1 como segue. Baseado na
Equação 3.32 verifica-se:
FIGURA 5.7 Solução fuzzy no instante t = 30 após operação de máximo.
G(F(W)) =
(−2)(0.71) + (−1.61)(0.81) + ... + (1.41)(0.89) + (1.97)(0.79)
0.71+ 0.81+ 0.92+ 1+ 0.89+ 0.79
=
−0.18
5.13
= −0.035.
Assim, percebe-se que à medida que o sistema evolui, o resultado da de-
fuzzificação do centro de gravidade realmente converge para zero, justificando o
comportamento da curva que poderia ser interpretado como “dissipação de ener-
gia” em razão das incertezas nos parâmetros. No entanto, se as incertezas tendem
61
a zero a solução fuzzy aproxima a solução clássica, ou seja, no limite ambas so-
luções se sobrepõem. Assim, seja A
1
= 1 (número clássico) e a frequência um
número fuzzy, tal que W = (0,09;1;1,01) (Solução Fuzzy A) e W = (0,1;1;1,9)
(Solução Fuzzy B). A Figura 5.8 ilustras ambas simulações.
0 20 40
60
80
t
-1
-0.5
0
0.5
1
x(t)
Fuzzy A
Fuzzy B
FIGURA 5.8 Solução fuzzy A com
δ
= 0.01 e solução fuzzy B com
δ
= 1.
Note que na solução A o “amortecimento” é suave e praticamente esta so-
lução reproduz o movimento harmônico da solução clássica. Observe que o amor-
tecimento torna-se um pouco mais relevante nos instantes finais. Como na solução
B as incertezas consideradas são maiores, o amortecimento é mais significativo.
Vale ressaltar que na literatura são encontradas diversas aplicações bem
sucedidas do princípio de extensão, conforme discutido na seção 3.9, no entanto,
essas aplicações, em sua grande parte, se restringem a aplicações que envolvem
funções clássicas relativamente simples. O que aqui se apresenta é uma aplicação
do princípio de extensão para uma função não monôtona. Os resultados quando
62
ambos os parâmetros (amplitude e frequência) são incertos, seguem na próxima
seção.
5.3 Oscilador fuzzy com parâmetro amplitude e frequência incertos
Considere que ambos os parâmetros (amplitude e frequência) são parâme-
tros incertos. Essa incerteza pode ser representar por meio de números fuzzy dados
por funções de pertinência do tipo triangular, tal que
ϕ
A
(a) =
0, se a ≤2
a−1.7, se 1.7 < a
0
≤ 2
2.6−a, se 2 ≤ a
0
< 2.6
0, se a ≥2.6
ϕ
W
(
ω
) =
0, se
ω
≤0.8
ω
−0.8, se 0.8 <
ω
0
≤1
1.2−
ω
, se 1 ≤
ω
0
< 1.2
0, se
ω
≥1.2
.
Dessa forma, foi encontrada a solução via princípio de extensão e aritmética de
números fuzzy conforme discutido nas Seções 4.1 e 4.2. Na figura 5.9, tem-se a
solução do oscilador fuzzy com ambos parâmetros incertos.
Observe que para os valores x(t) ≥ 2 e x(t) ≤ −2 existe um conjunto de
possibilidades no intervalo [0,1], ao contrário da solução anterior para o parâmetro
frequência incerto. A solução anterior apresenta um “corte” na região próximo a 2
e −2. Isso pode ser melhor entendido conforme Figura 5.10.
Note que na curva F(W) a possibilidade de f(t) = −1 é 0 (“corte”). No
entanto, em A.F(W) a possibilidade de f(t) = −2 é próximo a 0.5, ou seja, não
possui o “corte”. A solução, após o método de defuzzificação por Centro de Gra-
vidade é ilustrada na Figura 5.11.
Essa solução é mais mais elaborada que as anteriores (com um parâmetro
incerto), visto que, as incertezas presentes em dois parâmetros forma inseridas ao
63
FIGURA 5.9 Solução do oscilador fuzzy com parâmetros amplitude e frequência
incertos.
FIGURA 5.10 Multiplicação dos números fuzzy A e W em t = 8. No eixo x está
representado a base da função de pertinência da amplitude e de f(t).
sistema. Além disso, a última solução mostra que para todo instante t encotra-se
valores de possibilidades para x(t) em [0,1].
64
FIGURA 5.11 Solução do oscilador fuzzy com parâmetros amplitude e frequência
incetos após o método de defuzzificação.
Na Figura 5.12 foi comparado o resultado obtido com a solução clássica.
Observe que, nos instantes iniciais, as soluções praticamente se sobrepõem e, isso
deve-se ao fato que nos instantes iniciais, as incerteza são “menores” e, essas se
tornam mais relevantes, a medida que o sistema evolui.
FIGURA 5.12 Solução do oscilador fuzzy com parâmetros amplitude e frequência
incertos após o método de defuzzificação e solução clássica do oscilador harmô-
nico.
65
6 CONCLUSÃO
Por meio da ferramenta de lógica fuzzy, verificou-se que o oscilador fuzzy,
com incerteza na frequência ou, na frequência e amplitude, tem um comporta-
mento semelhante ao oscilador harmônico amortecido.
Observando a solução fuzzy não defuzzificada é possível concluir que as in-
certezas existentes em torno dos parâmetros se tornam cada vez maiores à medida
que o sistema evolui, ou seja, a amplitude vai diminuindo e, dessa forma, como
as incertezas tendem a se tornar cada vez maiores, o sistema passa a se comportar
análogo a um sistema “dissipativo”.
Verifica-se que a metodologia desenvolvida para a aplicação e implementa-
ção do princípio de extensão e aritmética fuzzy, generaliza o princípio de extensão,
ou seja, permite sua aplicação sobre diferentes tipos de funções. Conclui-se tam-
bém que o ferramental computacional desenvolvido, permite realizar por meio de
conjuntos discretos, as operações aritméticas entre números fuzzy definidos em in-
tervalos positivos ou negativos e com funções de pertinência que sejam conhecidas
ou não.
Como trabalho futuro, espera-se explorar o problema por um outro ângulo,
analisando, por exemplo, o sistema de oscilação acoplado ou um sistema já amor-
tecido. Cabe aqui ainda, a interpretação física detalhada do problema e outras
discussões sobre a aplicação do princípio de extensão em uma função oscilante.
66
7 REFERÊNCIAS BIBLIOGRÁFICAS
BARROS, L.C.; BASSANEZI, R.C. Tópicos de lógica fuzzy e biomatemática.
Campinas: IMECC–UNICAMP, 2006. 354 p.
BARROS, L.C. Sobre sistemas dinâmicos fuzzy: teoria e aplicações. 1997. 103
p. Tese (Doutorado em Matemática Aplicada) – Instituto de Matemática
Estatística e Computação Científica. Universidade Estadual de Campinas,
Campinas, SP.
BASSANEZI, R.C.; TONELLI, P.A.; BARROS, L.C. Fuzzy modelling in
population dynamics. Ecological Modelling, Amsterdam, v. 128, n. 18, p. 27-33,
2000.
BEZDEK, J.C.; SANKAR, P.K. Fuzzy models for pattern recognition:
methods that search for structures in data. New York: IEEE, 1992. 539 p.
CABRELLI, C.A.; FORTE, B.; MOLTER, U.M.; VRSCAY, E.R. Iterated fuzzy
sets systems: a new approach to the inverse problem for fractals and other sets.
Journal of Mathematics, San Diego, v. 171, n. 1, p. 79-100, out. 1992.
CASTANHO, M.J.P.; YAMAKAMI, A.; BARROS, L.C.; VENDITE, L.L.
Modelo matemático fuzzy para descrever o crescimento do câncer de próstata.
Revista de Biomatemática, Campinas, v. 15, n. 15, p. 41-50, ago. 2005.
CECCONELLO, M. Modelagem alternativa para dinâmica populacional:
sistemas dinâmicos fuzzy. 2006. 93 p. Dissertação (Mestrado em Matemática
Aplicada) – Universidade Estadual de Campinas, Campinas, SP.
COELHO, M. Osciladores harmônicos. 2003. 29 p. Monografia (Graduação em
Matemática) – Universidade Federal de Goiás, Goiânia, GO.
COX, E.D. Fuzzy logic for business and industry. Massachusets: Charles River
Media, 1995. 602 p.
FORTE, B.; LO SCHIAVO, M.; VISCAY, E.R. Continuity properties of attractors
for iterated fuzzy set systems. Journal of the Australian Mathematical,
Australia, v. 36, n. 2, p. 175-193, 1994.
GOMIDE, F.; PEDRYCZ, W. An introduction to fuzzy sets-analysis and
design. New York: MIT, 1998. 475 p.
67
JAFELICE, R.S.M.; BARROS, L.C.; BASSANEZI, C. Sobre sistemas dinâmicos
fuzzy com retardo: uma aplicação na dinâmica do HIV com tratamento. Revista
de Biomatemática, Campinas, v. 18, n. 4, p. 131-148, set. 2008.
JAFELICE, R. M. Modelagem fuzzy para dinâmica de transferência de
soropositivos para HIV em doença plenamente manifesta. 2004. 187 p. Tese
(Doutorado em Engenharia Elétrica) – Faculdade de Engenharia Elétrica e
Computação. Universidade Estadual de Campinas, Campinas, SP.
JORNADA, A.H. Calcular a incerteza em ensaios é realmente importante?
Jornal da Metrologia, São Paulo, v. 16. n. 4, p. 5, mar. 2007.
KITTEL, C.; KNIGHT, W.D. Curso de física de Berkeley. 2.ed. São Paulo: Ed.
Blücher, 1970. 403 p.
KLIR, G.; YUAN, B. Fuzzy sets and fuzzy logic: theory and applications. New
Jersey: Prentice-Hall PTR, 1995. 592 p.
MELO, G.J.A. Lógica fuzzy aplicada ao problema de propação de um vírus. In:
SIMPÓSIO DE APLICAÇÕES COM LÓGICA FUZZY, 2., 2008, Sorocaba-SP.
Anais... Sorocaba: USP, 2008. p. 39-45.
ORTEGA, N.R.S. Aplicação da teoria de conjuntos fuzzy a problemas da
biomedicina. 2001. 152 p. Tese (Doutorado em Ciências) – Instituto de Física.
Universidade de São Paulo, São Paulo, SP.
ROMÁN, H.; BASSANEZI, R. A note on the zadeh’s extensions. Fuzzy Sets
and Systems, Amsterdam, v. 117, n. 36, p. 327-331, nov. 2001.
SHAW, I.; SIMÕES, M. Controle e modelagem Fuzzy. São Paulo: Edgard
Blücher, 1999. 200 p.
SHIANG-TAI LIU, C.K. Solving fuzzy transportation problems based on
extension principle. European Journal of Operational Research, New York, v.
153, n. 3, p. 661-674, 2004.
TANAKA, K. An introduction to fuzzy logic for practical applications. New
York, 1997. 148 p.
TANCHEIT, R. Sistemas fuzzy. 2003. 120 p. Tese (Doutorado em Engenharia
Elétrica) – Pontifícia Universidade Católica do Rio de Janeiro, Rio de Janeiro, RJ.
68
YEN, J.; LANGARI, R. Fuzzy logic: intelligence, control, and information.
EUA: Prentice Hall, 1999. 547 p.
ZADEH, L.A. Fussy sets. Information and Control, Berkeley, v. 8, n. 1, p.
338-353, 1965.
69
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
