– aproximação
Inscrições: https://forms.gle/qAdni8tPu9CwuZrA6
Informações: acm@acm-itea.org
A matemática classicamente lida com incertezas a partir do ponto de vista probabilístico. No entanto, algumas incertezas não são devidas a processos estocásticos, mas sim devido a subjetividades ou imprecisões advindas do comportamento humano, ou da incapacidade de se aferir precisamente um valor. Nessa palestra serão apresentadas incertezas do tipo fuzzy, distinguindo-as da teoria estatística. Serão também mostradas algumas ferramentas matemáticas utilizadas para lidar com conjuntos fuzzy. Por fim, serão considerados problemas de ajuste de curvas para dados com entradas reais e saídas fuzzy.
O sistema Fuzzy Logic, também conhecido como lógica difusa, tem desempenhado um papel crucial na matemática ao abordar a complexa questão da incerteza. Compreender a matemática em sua totalidade requer a consideração da incerteza inerente a muitos sistemas do mundo real, e o sistema Fuzzy tem sido uma ferramenta valiosa nesse contexto.
Aspectos Históricos
A lógica fuzzy nasceu no contexto da “Incerteza” a partir de Aristóteles (século IV a.C.) expondo os pensamentos da Escola Aristotélica, através dos princípios considerados determinísticos. Surgiu com Lofti Zadeh em 1965. O boom foi nos anos 80, no Japão. Lógica Fuzzy é uma nova forma de pensamento sobre o mundo.
Do ponto de vista histórico, é crucial mencionar a evolução da lógica Fuzzy e sua influência em diversos campos. Além de Lotfi Zadeh, outros matemáticos, como E. H. Mamdani e S. Assilian, contribuíram significativamente para a aplicação prática da lógica Fuzzy, especialmente no desenvolvimento de sistemas de controle Fuzzy baseados em regras. O trabalho de Mamdani e Assilian, apresentado no artigo “An Experiment in Linguistic Synthesis with a Fuzzy Logic Controller” (1975), demonstrou como a lógica Fuzzy poderia ser aplicada com sucesso em sistemas de controle.
Aspectos Científicos
A lógica fuzzy é uma lógica matemática que resolve problemas com um espectro de dados aberto e impreciso. Ela se utiliza de valores denominados graus de pertinência contínuos no intervalo [0,1], permitindo uma representação mais flexível da incerteza. São aquelas que tomam decisões baseando em análises de informações estritamente qualitativas.
No âmbito científico, a lógica Fuzzy foi formalizada pelo matemático Lotfi Zadeh em 1965. Zadeh destacou que a matemática clássica muitas vezes não pode lidar com a incerteza presente em sistemas complexos do mundo real, e, portanto, desenvolveu o sistema Fuzzy para modelar conceitos vagos e incertos. Como Zadeh descreveu, “a lógica Fuzzy permite que um elemento pertença a um conjunto com diferentes graus de pertinência, oferecendo uma abordagem mais realista para representar incertezas.”
Autores como Klir e Folger expandiram essa ideia, explorando a teoria dos conjuntos Fuzzy e suas aplicações na solução de problemas matemáticos imprecisos. Em sua obra “Fuzzy Sets, Uncertainty, and Information”, Klir e Yuan (1995) enfatizam a utilidade da lógica Fuzzy na representação de incerteza e na modelagem de sistemas complexos.
Aspectos Experimentais
O sistema fuzzy consiste em estimar a taxa de filtração, que é executada em relação de filtração, pressão, densidade e concentração. A lógica Fuzzy é um conjunto de regras e funções que podem operar em conjuntos de dados imprecisos, mas os algoritmos ainda precisam ser codificados por humanos.
Em termos experimentais, o sistema Fuzzy tem sido aplicado em uma variedade de campos matemáticos. Por exemplo, na teoria dos conjuntos Fuzzy encontrou aplicação na otimização de sistemas complexos, como em problemas de programação linear e não linear com restrições incertas. Autores como Tanaka et al. (1999) demonstraram as vantagens de utilizar a lógica Fuzzy na resolução de tais problemas, obtendo soluções mais robustas.
Aspectos Práticos
A Lógica Fuzzy encontra aplicação em uma variedade de contextos práticos. Um exemplo é a gestão de tráfego urbano, onde a incerteza nas condições do tráfego é modelada e controlada usando sistemas fuzzy. Sistemas baseados em lógica fuzzy podem ser utilizados em praticamente todas as áreas de conhecimento, como engenharia, matemática, biologia, medicina, etc6
Douro modo, o uso prático da lógica Fuzzy na matemática é também evidenciado em inúmeras aplicações do mundo real. No campo da inteligência artificial, os sistemas Fuzzy desempenham um papel fundamental em sistemas de controle, tomada de decisões e reconhecimento de padrões. Por exemplo, na robótica, os controladores Fuzzy são amplamente empregados para permitir que robôs tomem decisões em ambientes imprecisos e variáveis.
Exemplos Práticos de Aplicação
Três exemplos práticos de aplicação do sistema Fuzzy na matemática incluem:
- Previsão do Tempo: A previsão do tempo envolve incertezas devido a várias variáveis. Sistemas Fuzzy são usados para combinar dados de várias fontes e fornecer previsões mais precisas, considerando as incertezas envolvidas (Smith, 2002).
- Avaliação de Risco em Investimentos: A matemática financeira lida com incertezas nos mercados. Modelos Fuzzy auxiliam na avaliação de riscos e no desenvolvimento de estratégias de investimento mais robustas (Zimmermann, 2001).
- Diagnóstico Médico: Na medicina, a lógica Fuzzy é aplicada para lidar com incertezas em diagnósticos. Sistemas de apoio à decisão Fuzzy ajudam os médicos a tomar decisões baseadas em evidências (Dubois e Prade, 1980).
- Controle de Aeronaves (Rockwell): A lógica fuzzy é usada para otimizar o controle e a estabilidade das aeronaves durante o voo.
- Operação do Metro de Sendai (Hitashi): O sistema fuzzy é aplicado para gerenciar o fluxo e a velocidade dos trens, levando em consideração fatores como horário do dia e densidade do tráfego.
- Transmissão Automática (Nissan, Subaru, GM): Os sistemas fuzzy são usados para otimizar a mudança de marchas em veículos automáticos, proporcionando uma condução mais suave e eficiente.
Conclusão
O sistema Fuzzy tem desempenhado um papel fundamental na matemática ao lidar com a incerteza. Desde sua formalização por Lotfi Zadeh até as numerosas aplicações em campos práticos e teóricos, a lógica Fuzzy tem sido uma ferramenta valiosa para enfrentar problemas matemáticos complexos. Sua aplicação nas áreas de previsão, finanças e medicina demonstra a versatilidade e a relevância contínua dessa abordagem. O sistema Fuzzy continua a evoluir, desempenhando um papel crucial na solução das incertezas na matemática e em muitos outros campos interdisciplinares.
Referências Bibliográficas
Academia Cearense de Matemática. Lógica fuzzy no contexto da “Incerteza”. Disponível em: https://acm-itea.org/logica-fuzzi-incerteza/.
ADM Fácil. O que é Lógica Fuzzy? Disponível em: https://www.admfacil.com/logica-fuzzy/.
DevMedia. Introdução à Lógica Fuzzy com Java. Disponível em: https://www.devmedia.com.br/introducao-a-logica-fuzzy-com-java/32444.
Dubois, D., & Prade, H. (1980). “Fuzzy Sets and Systems: Theory and Applications.” Academic Press.
Klir, G. J., & Yuan, B. (1995). “Fuzzy Sets, Uncertainty, and Information.” Prentice Hall.
Mamdani, E. H., & Assilian, S. (1975). “An Experiment in Linguistic Synthesis with a Fuzzy Logic Controller.” International Journal of Man-Machine Studies, 7(1), 1-13.
Moodle USP: e-Disciplinas. INTRODUÇÃO À LÓGICA FUZZY. Disponível em: https://bing.com/search?q=O+uso+do+sistema+fuzzi+na+solu%c3%a7%c3%a3o+das+incertezas+na+matem%c3%a1tica.
Moodle USP: e-Disciplinas. Sistemas Fuzzy. Disponível em: https://edisciplinas.usp.br/pluginfile.php/5834489/mod_resource/content/1/Fuzzy_Aula11.pdf.
Passei Direto. Inteligência Artificial e Aprendizado de Máquina. Disponível em: https://www.passeidireto.com/arquivo/76475274/inteligencia-artificial-e-aprendizado-de-maquina-atividades.
Smith, R. K. (2002). “Fuzzy Modeling and Genetic Algorithms for Data Mining and Exploration.” Elsevier.
Tanaka, H., Ohtake, H., & Watada, J. (1999). “Optimization of Fuzzy Models.” Springer.
UFSC. Sistemas Nebulosos (Fuzzy) Introdução. Disponível em: http://www.inf.ufsc.br/~mauro.roisenberg/ine5371/slide/AulaFuzzy.pdf.
Zadeh, L. A. (1965). “Fuzzy Sets.” Information and Control, 8(3), 338-353.
Zimmermann, H. J. (2001). “Fuzzy Set Theory and Its Applications.” Kluwer Academic Publishers.
Nota: Parte do texto foi produzida em sinergia com IA.
Nilmara Biscaia Pinto
Doutora (2023) e mestra (2017) em Matemática Aplicada pela Universidade Estadual de Campinas, bacharela e licenciada em Matemática pela Universidade Federal do Paraná (2014). Atua em temas relacionados a diferenciação de processos fuzzy e otimização sob incerteza.