UNIVERSIDAD TECNOLÓGICA DE PANAMÁ

FACULTAD DE INGENIERÍA INDUSTRIAL

LICENCIAURA EN INGENIERÍA INDUSTRIAL

DISEÑOS DE SISTEMAS DE INFORMACIÓN

CHARLA
Lógica Difusa

INTEGRANTES:
Alex Cohen 8-913-356
Calos Allonca 8-846-1510
Melissa Moreno 9-922-1684

PROFESOR:
Erick Baeza

GRUPO:
1II251
 INTRODUCCIÓN

La inteligencia artificial a través de los años ha ido evolucionando de manera que crea
sistemas que deduzcan, razonen, representen, procesen, planifiquen y aprendan a nivel
humano. Esto tiene muchas ventajas, ya que, viéndolo como un aspecto industrial, agilizaría
los procesos y mejoraría la eficiencia de estos agregando mucho más valor que la mano de
obra.
Dicho esto, una de las herramientas que más se están utilizando para lograr estos objetivos,
es la lógica difusa, la cual utiliza premisas que no son del todo falsas ni verdaderas y pueden
tomar un valor cualquiera de veracidad dentro de un conjunto de valores que oscilan entre
un intervalo. Esto no pasa actualmente con la lógica clásica, se enfoca solamente en dos
opciones: verdadera o falsa, y a nivel matemático: 0 o 1. Esto ha cambiado mucho, ya que La
forma en que la gente piensa es, inherentemente, difusa o difícil de cuantificar. Ya que la
forma en que el mundo percibe las cosas está cambiando continuamente y no siempre se
puede definir en términos como verdaderos o falsos.
En el siguiente cuadro, se presenta algunas diferencias entre la lógica difusa y la lógica
clásica a manera de ejemplo:

Lógica Clásica Lógica Difusa

¿La puerta cómo está? ¿La puerta cómo está?

OPCIÓN A: Abierta OPCIÓN A: Totalmente abierta

OPCIÓN B: Cerrada OPCIÓN B: Algo abierta
OPCIÓN C: Algo cerrada
OPCIÓN D: Totalmente cerrada

Como podemos observar, la lógica difusa ofrece cantidades de posibilidades donde la lógica
difusa solamente brinda dos opciones. Esto hace que al momento de crear sistemas sea
difícil cuantificar la información con incertidumbre o probabilidades, y para esto funciona la
lógica difusa.
En el presente trabajo veremos de qué se trata esta herramienta, sus antecedentes,
aplicaciones/funciones, ventajas y desventajas, y su aplicación en Panamá.
Concepto
La Lógica Difusa es una lógica multivaluada que permite representar matemáticamente la
incertidumbre y la vaguedad, proporcionando herramientas formales para su tratamiento.
Básicamente, cualquier problema del mundo puede resolverse como dado un conjunto de
variables de entrada (espacio de entrada), obtener un valor adecuado de variables de salida
(espacio de salida).
La lógica difusa permite establecer este mapeo de una forma adecuada, atendiendo a criterios
de significado (y no de precisión). Le término Lógica Difusa fue utilizado por primera vez en
1974. Actualmente se utiliza en un amplio sentido, agrupando la teoría de conjunto difusos,
reglas si-entonces, aritmética difusa, cuantificadores, etc. En este curso emplearemos este
significado extenso el término.
Conviene recalcar que lo que es difuso, borroso, impreciso o vago no es la lógica en sí, sino el
objeto que estudia: expresa la falta de definición del concepto al que se aplica. La lógica
difusa permite tratar información imprecisa.

Queda claro que el conocimiento experto presenta a menudo, características de vaguedad e

imprecisión, debido a tres razones principalmente:
1. Pereza: Obtener una lista completa de todas las variables que intervienen en el
dominio del problema puede ser demasiado trabajo. Además, como el mundo real es
no determinista (aleatoriedad y excepciones), hay veces que no es posible establecer
completamente todas las variables del entorno.
2. Ignorancia Teórica: En la que no existe una lista completa de factores a tener en
cuenta para el dominio del problema (no se conoce un método teórico para modelar el
problema).
3. Ignorancia Práctica: Incluso conociendo todas las variables, puede ser difícil obtener
datos concretos asociados para su estudio. Además, esta información puede estar
incompleta, e incluso ser errónea (por ejemplo en el ámbito médico, llena de síntomas
incorrectos, mentiras deliberadas, falsos positivos...).
Esta incertidumbre en el modelado de conocimiento experto existe en multitud de
disciplinas (médicas, ciencias, ingeniería, derecho, educación...). En Inteligencia Artificial
se aplica en multitud de áreas de trabajo, como visión por computador, procesamiento del
lenguaje natural, procesamiento de la información, aprendizaje automático, juegos...

Diferencias con Probabilidad Los conceptos empleados en Lógica Difusa y Probabilidad están
realacionados en cierto modo, pero son totalmente diferentes. De forma resumida, la probabilidad
representa información sobre frecuencia de ocurrencias relativas de un evento bien definido sobre el
total de eventos posible. Por su parte, el grado de pertenencia difuso representa las similitudes de un
evento con respecto a otro evento, donde las propiedades de esos eventos no están definidas de
forma precisa.

Veamos un ejemplo, un superviviente de un accidente de avión se encuentra en medio del desierto.

Hace dos días que está caminando sin agua en busca de algún poblado cercano donde puedan
socorrerle. De repente encuentra dos botellas de líquido, etiquetadas como se muestra en la figura
1.2. La botella A difusa está etiquetada como que contiene líquido potable con un grado de
pertenencia 0.8, mientras que la botella B probabilista está etiquetada como que contiene con
probabilidad 0.8 un líquido potable. ¿Cuál debería elegir el superviviente? Botella Difusa Botella
Probabilista Figura 1.2: Botellas difusa

La botella A indica que el líquido que contiene es bastante similar y probabilista etiquetadas. a otros
que son potables. Naturalmente este valor numérico depende de la función de pertenencia asociada
al concepto de “líquido potable”. Supongamos que la función de pertenencia asocia 1 al agua pura,
por lo que un valor de 0.8 indicaría que la botella A contiene agua no totalmente pura, pero todavía
potable (o al menos no es un veneno, o algún líquido perjudicial para el organismo). La probabilidad
asociada a la botella B indica que, tras realizar un alto número de experimentos, el contenido de la
botella B es potable el 80 % de las veces. Pero, ¿qué ocurre el otro 20 % de las veces?. En estas
ocasiones, el líquido no era potable y, por tanto, hay un 20 % de probabilidad de que mueras
bebiendo el líquido de esa botella porque contenga amoniaco en lugar de agua. ¿Qué debería elegir
el superviviente si las botellas estuvieran etiquetadas con valores de 0.5 fuzzy y 0.5 de probabilidad?
En este caso debería rechazar A porque un grado de pertenencia de 0.5 indicaría que el contenido de
la botella no es muy parecido a los líquidos potables en ese dominio de conocimiento. La botella B
tendría 0.5 de probabilidad de ser potable (también es incertidumbre total), pero tendría un 50 % de
probabilidad de que el líquido fuera potable, por lo que debería jugársela y elegir la botella B.
Historia
El concepto de Lógica Difusa fue creado por Lofti A. Zadeh, catedrático de la Universidad de Berkeley
(California). En su propuesta, la lógica difusa fue presentada como una forma de procesamiento de
información en la que los datos podrían tener asociados un grado de pertenencia parcial a conjuntos.
Fue a mediados de los 70 cuando esta teoría se aplicó a los sistemas de control (cuando los pequeños
ordenadores empotrados tuvieron suficiente potencia como para permitir su ejecución). Desde
entonces el número de aplicaciones industriales y su utilización en productos de consumo (como
veremos en la sección 1.5) ha crecido exponencialmente.

En una primera etapa (entre 1965 y 1974), Zadeh describió el concepto general de conjunto difuso y
su función de pertenencia asociada que toma valores en el intervalo unitario. En esta primera etapa
no 1.4. Características [9] se describieron en profundidad los mecanismos de razonamiento y la lógica
asociada a esta representación.

En la segunda etapa (desde 1972 hasta el 2000) se introducen dos conceptos importantes: la variable
lingüística y el concepto de reglas if-then. En la actualidad, la mayoría de aplicaciones de conjuntos
difusos utilizan estos conceptos. Gracias al desarrollo de los conceptos de esta segunda etapa
evolucionaron rápidamente aplicaciones de control difuso (especialmente en Japón).

El término de Soft Computing apareció en 1981 en el BISC (Berkeley Initiative in Soft Computing), y
puede ser definido como el uso de metodologías que proporcionan los fundamentos para el diseño,
desarrollo y uso de sistemas inteligentes. Las principales metodologías que forman este grupo son la
Lógica Difusa, la Computación Evolutiva, Métodos Probabilísticos y Aprendizaje Máquina. En general
estas metodologías y técnicas se combinan ofreciendo mejores resultados. La tercera etapa de
desarrollo (desde 1996) se centra en la computación con palabras, empleando procesamiento del
lenguaje natural para la búsqueda en internet y el desarrollo de respuesta automáticos. En la
actualidad existen multitud de líneas de investigación que emplean intensivamente la teoría de la
lógica difusa en diversidad de áreas de aplicación.
Características
El Principio de Incompatibilidad dice que la descripción del comportamiento de un
sistema complejo no puede realizarse de forma absolutamente precisa. Para solucionar
este problema Zadeh plantea la necesidad de obtener herramientas capaces de manejar de
forma rigurosa y fiable información imprecisa, lo cual obliga a desarrollar dos aspectos:
 Representación de la información imprecisa: Para esto lo que propone es el empleo
de la Teoría de conjuntos difusos. Así como describir la experiencia de los
sistemas complejos en sus relaciones entrada-salida mediante proposiciones
condicionales del tipo Si-Entonces (Ejemplo: Si la presión es muy alta Entonces
vaciamos el recipiente) de manera que las variables de entrada y las variables de
salida quedan ligadas.
 Inferencia sobre información imprecisa: Ahora se necesita una forma de combinar
esta información para obtener nuevos hechos. Entonces Zadeh establece la
necesidad de un método de inferencia generalizado e introduce lo que se conoce
como Regla Composicional de Inferencia.
A partir de este principio, se pueden describir las principales características esenciales de
la lógica difusa y los sistemas difusos:
1. El razonamiento exacto puede verse como un caso particular del razonamiento
aproximado. Cualquier sistema lógico puede ser . Mediante lógica difusa se
puede formular el conocimiento humano de una forma sistemática, y puede ser
fácilmente incluido en sistemas de ingeniería.
2. El conocimiento se interpreta como una colección de restricciones difusas sobre
una colección de variables. Los sistemas difusos son especialmente interesantes
para la definición de sistemas cuyo modelo exacto es difícil de obtener (es
necesario introducir una aproximación).
3. La inferencia puede verse como un proceso de propagación de estas restricciones
difusas.
4. Se utiliza ampliamente en sistemas de ayuda a la decisión. La lógica difusa permite
obtener decisiones con valores incompletos o información incierta.

Los sistemas difusos son muy recomendables en aquellos problemas muy complejos donde
no existe un modelo matemático simple asociado. Igualmente en procesos que obedecen a
un comportamiento no lineal, la solución difusa plantea grandes ventajas. La solución difusa
requiere que el conocimiento experto sea expresado lingüísticamente, requisito que es
normalmente fácil de obtener.
Conjuntos Difusos y Variables linguisticas
Como lógica multi-valuada, en la definición de grados de pertenencia, la lógica difusa emplea
valores contínuos entre 0 (que representa hechos totalmente falsos) y 1 (totalmente ciertos).
Así, la lógica binaria clásica puede verse como un caso particular de la lógica difusa.

Zadeh propone en 1965 por primera vez la noción de Conjunto Difuso. Este hecho marca el
principio de una nueva teoría denominada Teoría de Conjuntos Difusos.

Los conceptos se asocian a conjuntos difusos (asociando los valores de pertenencia) en un

proceso llamado fuzzificación. Una vez que tenemos los valores fuzzificados podemos
trabajar con reglas lingüísticas y obtener una salida, que podrá seguir siendo difusa o
defuzzificada para obtener un valor discreto crisp.

De este modo, a diferencia de la teoría clásica de conjuntos que se basa en el principio básico
de la lógica de forma que un individuo pertenece o no pertenece a un conjunto, la idea
básica de un conjunto difuso es que un elemento forma parte de un conjunto con un
determinado grado de pertenencia. De este modo una proposición no es totalmente (sino
parcialmente) cierta o falsa. Este grado se expresa mediante un entero en el intervalo [0, 1].

La teoría de conjuntos difusos es un intento de desarrollar una serie de conceptos para tratar
de un modo sistemático el tipo de imprecisión que aparece cuando los límites de las clases
de objetos no están claramente definidos. Un conjunto difuso puede definirse como una
clase en la que hay una progresión gradual desde la pertenencia al conjunto hasta la no
pertenencia; o visto de otra forma, en la que un objeto puede tener un grado de pertenencia
definido entre la pertenencia total (valor uno) o no pertenencia (valor cero). Desde esta
perspectiva, los conjuntos convencionales (o conjuntos crisp) pueden verse como un caso
particular de conjuntos difusos; un conjunto difuso que sólo admite dos grados de
pertenencia (uno y cero).

Aplicaciones de la Lógica Difusa

La lógica difusa se utiliza cuando la complejidad del proceso en cuestión es muy alta y
no existen modelos matemáticos precisos, para procesos altamente no lineales y
cuando se envuelven definiciones y conocimiento no estrictamente definido
(impreciso o subjetivo).
En cambio, no es una buena idea usarla cuando algún modelo matemático ya
soluciona eficientemente el problema, cuando los problemas son lineales o cuando
no tienen solución.
Esta técnica se ha empleado con bastante éxito en la industria, principalmente en
Japón, extendiéndose sus aplicaciones a multitud de campos. La primera vez que se
usó de forma importante fue en el metro japonés, con excelentes resultados.
Posteriormente se generalizó según la teoría de la incertidumbre desarrollada por el
matemático y economista español Jaume Gil Aluja.
A continuación, se citan algunos ejemplos de su aplicación:

 Sistemas de control de acondicionadores de aire

 Sistemas de foco automático en cámaras fotográficas
 Electrodomésticos familiares (frigoríficos, lavadoras...)
  Optimización de sistemas de control industriales
 Sistemas de escritura
 Mejora en la eficiencia del uso de combustible en motores
 Sistemas expertos del conocimiento (simular el comportamiento de un
experto humano)
 Tecnología informática
 Bases de datos difusas: Almacenar y consultar información imprecisa. Para
este punto, por ejemplo, existe el lenguaje FSQL y, en general, en la gran
mayoría de los sistemas de control que no dependen de un Sí/No.
En Inteligencia artificial, la lógica difusa, o lógica borrosa se utiliza para la resolución de una
variedad de problemas, principalmente los relacionados con control de procesos industriales
complejos y sistemas de decisión en general, la resolución y la compresión de datos. Los
sistemas basados en lógica difusa imitan la forma en que toman decisiones los humanos, con
la ventaja de ser mucho más rápidos. Estos sistemas son generalmente robustos y tolerantes
a imprecisiones y ruidos en los datos de entrada. Algunos lenguajes de programación lógica
que han incorporado la lógica difusa serían por ejemplo las diversas implementaciones de
Fuzzy PROLOG o el lenguaje Fril.
Ventajas

- La principal ventaja de este sistema de control es su facilidad de implementación.

- Este tipo de sistemas están dando muy buenos resultados en procesos no lineales y
de difícil modelación

- El modo de funcionamiento es similar al comportamiento humano.

- Es una forma rápida y económica de resolver un problema.

- No se necesita conocer el modelo matemático que rige su funcionamiento.

- Capacidad de simplificar la asignación de soluciones previas a problemas sin

resolver.

- No depende de ecuaciones matemáticas complejas o extensas

Desventajas

- En las redes neuronales se precisa de un tiempo de aprendizaje para obtener los

mejores resultados en la salida. (Al igual que ocurre con los humanos).

- Ante un problema que tiene solución mediante un modelo matemático, obtenemos

peores resultados usando Lógica Difusa .
-No hay actualmente un análisis matemático riguroso que garantice que el uso de un
sistema experto difuso, para controlar un sistema, dé cómo resultado un sistema
estable.

-Dificultad de interpretación de valores difusos

-Múltiples definiciones de operadores y reglas de inferencia difusas

La Lógica Difusa en Panamá

Actualmente en Panamá, no ha habido un autor sobre creación de sistemas lógicos
difusos, sin embargo, se han realizado diferentes estudios como modelo para la
implementación y uso de los sistemas lógicos difusos.
A continuación, el nombre de los estudios y una breve reseña sobre lo que se trata el
mismo:

1) Sistema de Control con Lógica Difusa y Diseño de Plataforma Autónoma con

Ruedas Mecanum a Partir de su Arquitectura: Este estudio fue realizado en
diciembre de 2013, por Victor Costella Batista y Humberto Rodriguez.

El estudio consistía en la implementación de una plataforma robótica móvil

autónomo con ruedas mecanum para estudios en ambientes de carga. En ella se
exploran los posibles movimientos y se eligen los que van a ser estandarizados
dentro del sistema. Se propone una arquitectura híbrida novedosa para la
interacción de los módulos de hardware y software delsistema. Se utilizan
ecuaciones cinemáticas y de lógica difusa a bajo nivel para controlar la velocidad
de los motores de las ruedas. Se hacen comparaciones de desempeño del
sistema al variar el número de funciones de pertenencia en el programa de
control el vehículo. Se analizan los desplazamientos laterales y rotacionales con
respecto al centro de la plataforma. Los resultados muestran mejoras en el
desempeño del sistema de
control del robot y su consecuente fortalecimiento de los procesos de localización
de la plataforma robótica.

2) Un enfoque de lógica borrosa para el modelado de los flujos de pasajeros y el

tiempo de parada: Este estudio fue realizado en julio de 2012, por Aranzazu
Berbey-Alvarez y Rony Caballero.
El estudio consistía en presentar un nuevo enfoque que modela el flujo de
pasajeros y su efecto en los tiempos de abordaje y descenso de pasajeros en los
sistemas de transporte masivos en presencia de incertidumbres. La técnica
aplicada consistió en combinar el enfoque de las matrices origen destino con la
aplicación de inteligencia artificial. El nuevo enfoque permitió la inclusión de
algún tipo de conocimiento intuitivo provisto a través de un motor de inferencia
de lógica borrosa para predecir el flujo de demanda de los viajes de pasajeros,
pasajeros descendiendo y abordando vagones en estaciones explícitas.