Departamentode MatemáticaAplicada
Estratégias para Controle de Pragas
Sistemas P-fuzzy com Controle Híbrido
Luiz Rafael dos Santos
Mestrado emMatemáticaAplicada
Orientador: Prof. Dr. RodneyCarlos Bassanezi
Estretrabalhocontoucom apoionanceiro daCAPES.
Campinas-SP
Sistemas P-fuzzy com Controle Híbrido
Este exemplar corresponde à redação nal
da tese devidamente corrigida e defendida
por Luiz Rafael dos Santos e aprovada
pelacomissãojulgadora.
Campinas,07 outubro de 2008.
Banca examinadora:
Prof. Dr. Rodney Carlos Bassanezi(IMECC/UNICAMP)
Prof. Dr. AdilsonJosé VieiraBrandão (UFABC)
Prof. Dra. Rosana Suelida MottaJafelice(FAMAT-UFU)
Dissertação apresentada ao Instituto de
Matemática Estatística e Computação
Cientíca (IMECC), UNICAMP, como
requisitoparcialparaaobtençãodotítulo
Bibliotecária: Miriam CristinaAlves CRB8a /5094
Santos, LuizRafaeldos
Sa59e Estratégias paracontrole depragas: sistemas p-fuzzy comcontrole
híbrido / LuizRafael dosSantos Campinas, [S.P.: s.n.], 2008.
Orientador: RodneyCarlos Bassanezi.
Dissertação (mestrado) Universidade Estadual de Campinas,
Instituto deMatemática, Estatística eComputação Cientíca.
1. Biomatemática. 2. SistemasDifusos. 3. Pragas Controle.
I. Bassanezi, RodneyCarlos II. Institutode Matemática, Estatística
e Computação Cientíca III. Título
Título emInglês: Strategies for pests control: P-fuzzy systems withhybrid control
Palavras-chave eminglês (Key-words): 1. Biomathematics. 2. Fuzzysystems. 3. Pests control.
Áreade Concentração: Biomatemática.
Titulação: Mestre emMatemática Aplicada.
BancaExaminadora: Prof. Dr. RodneyCarlos Bassanezi(IMECC/UNICAMP)
Prof. Dr. AdilsonJosé VieiraBrandão (UFABC)
Prof. Dra. Rosana Suelida MottaJafelice (FAMAT-UFU)
Datada defesa: 01/09/2008
Pela Banca
Exam
inadora
co
mpo
sta
pelo
s
Profs. Drs.
Prof.(a
)
.
Dr(a
)
. RODNEY
Ç
S
BASSAJ'IEZI
r
, r
_j.
em que habitais. Suponhamos sejais sumidades
em inteligência neste planeta: nenhum direito
tendes de envaidecer-vos. Se Deus, em seus
desígnios, vos fez nascer num meio onde
pud-estes desenvolver avossa inteligência,éque quer
a utilizeis para o bem de todos; é uma missão
que vos dá, pondo-vos nas mãos o instrumento
comquepodeis desenvolver, por vossavez, as
in-teligências retardatárias e conduzi-las a ele.
Ferdinand, EspíritoProtetor (Bordeaux,1862)
De O Evangelho Segundo o Espiritismo,
cap. VII, it. 13,por Allan Kardec.
Cabe aqui citar novamente Pascal. `Só há
dois tipos de homens: os justos que se crêem
pecadores e os pecadores que se crêem justos.'
Masnunca sabemosemqualdessascategorianos
classicamos se soubéssemos, já estaríamos
na outra!
AndréComte-Sponville
Agradeço primeiramente Àquele que nos criou e inventou esta tão maravilhosa jornada chamada
vida.
Agradeçoaosmeuspais,MarliseeErico,quesempremeapoiarameacalmaramsuassaudades
paraqueeu pudesserealizar meus sonhos. Meu saudosopai nãopôdeveraqui na Terra estesonho
realizar-se,mastenhoplenacertezadequeacompanhou,atédemaisperto,meamparandoetorcendo
por mim. Obrigado por medarem umpouco davida devocês paraqueeu vivesse.
Não posso deixar de mencionar meus irmãos Gabriel, Lara e Luma que foram e continuam
sendograndescompanheiros dejornada. Umagradecimento especialàGorettieaRegiportambém
fazeremparteda família. Agradecimentostambém àVivie à Pretaquenasminhaschegadas eram
sempreasprimeirasa mereceber.
Agradeço especialmente àCarolina por tudoquejácompartilhamos; pormeauxiliarapassar
pelos 2 anos de viagens e de distância; por me amar cada vez mais; e por meincentivar a seruma
pessoa melhor. Te amomuito. Também afamília Bergmann por mereceber como umlhoemseu
lar.
Agradeço aos amigos e colegas quez em Campinas, ao pessoal da Unicamp, da Pensão dos
RatôesedoEducandário Eurípedes,quezeramminhavidalongedecasamaisamenaemuitomais
alegre. EmparticularagradeçoosamigosRoy,OlivâineeIltonpelasrisadascompartilhadasdurante
otempode convivência naPensão.
Aomeu orientador Rodneypelaamizadepermitida, pelos ensinosministrados e pela
oportu-nidadedocrescimento prossionale pessoal, agradeço profundamente.
Tambémagradeço atodososprofessoresdoIMECC quecontribuíram paraqueestetrabalho
serealizasse. Em especialobrigado àCidinha, àTâniaque sempreatenderam minhasnecessidades,
mesmoquandoeu já estava emBlumenau.
Por m agradeço a todos que de uma maneira ou de outra me auxiliaram para tornar esta
realização uma realidade e que não nominei aqui. Sou eternamentedevedor atodos, osdaqui e os
O objetivo deste trabalho é propor um modelo utilizando Sistemas Baseados em Regras Fuzzy
(SBRF)quepossacontrolar, dopontode vistateórico, umadeterminada espécie,consideradacomo
pragaemumalavouraouplantação. Faz-seprimeiroumaintrodução àTeoriadosConjuntosFuzzy,
bem como aossistemas especialistas fuzzy que utilizam regras de inferência, através do método de
inferênciade Mamdani e que utilizemo método de defuzzicação por centro de massa. Logo após,
sãoabordadosos conceitosde SistemasDinâmicos P-Fuzzy unie bidimensionaisdesenvolvidos por
Silva [24 ] e Cecconelo [7 ]. É proposto um novo tipo de Sistema Dinâmico P-fuzzy para modelar
a dinâmica populacional, de uma espécie ou de um sistema presa-predador, que leve em conta
fatoresextrínsecos da(s) espécie(s)envolvida(s). Estes fatoressãorepresentadospor umaCondição
Ambiental, que é denida e acoplada aos Sistemas P-fuzzy usuais. Ainda, usando um controlador
fuzzypropomos um sistemade controle híbrido comcontroladores biológicose químicos (biocidas)
em que as espécies que interagem estão sujeitas também às condições ambientais. Simulações e
experimentos computacionais feitos com o auxílio da Fuzzy Logic Toolbox do software Matlab são
The aim of this work is to propose determined model, using Fuzzy Rule-based Systems (FRBS),
wich can control, in a theoretical manner, a speciesconsidered a plage ina farming or plantation.
AnintroductiontoFuzzySetsismadedaswellasmadedtoFuzzySystemswichusesinferencerules,
throughthe Mamdanimethod ofinferenceand thatusesCentroid asdefuzzication method. After
this,theconcepts of uniand bidimensional P-fuzzy Dynamic Systemsare studied and approached,
asdevelopedbySilva[24 ]andCecconelo[7]. WeproposeanewtypeofP-fuzzyDynamicSystem,to
modelthepopulationdynamics of one speciessystemor ofa prey-predator system,that takesinto
account extrinsic factorsof the speciesinvolved. Such factores arerepresented by anEnviromental
Condition wichisdenedandconnected totheusualP-fuzzy Systems. Finnaly,usingaFuzzy
Con-troller, we propose a system for hybrid control with biological and chemical (biocides) controllers
inwich the density of species arealso inuenced byenviromental conditions. Computational
sim-ulations and experiments are made withthe aidof Matlab Fuzzy Logic Toolbox and its results are
Introdução 1
1. Conceitos Básicosde Teoria Fuzzy 3
1.1. Introdução. . . 3
1.2. ConjuntosFuzzy . . . 4
1.3. Números Fuzzy . . . 7
1.4. Lógica Fuzzy . . . 9
1.4.1. Variáveis Lingüísticas eProposiçõesFuzzzy . . . 10
1.4.2. Conectivos Lógicos . . . 11
1.4.3. Relaçõese Produto CartesianoFuzzy . . . 12
1.5. Sistema BaseadoemRegras Fuzzy . . . 13
1.5.1. Fuzzicação . . . 14
1.5.2. Móduloda basede regras . . . 15
1.5.3. Módulode inferência fuzzy . . . 16
1.5.4. Módulode Defuzzicação . . . 17
1.6. Conclusão . . . 18
2. Sistemas P-Fuzzy 21 2.1. Introdução. . . 21
2.2. Sistemas DinâmicosP-fuzzy . . . 22
2.3. Sistemas P-fuzzyUnidimensionais. . . 23
2.3.1. Equilíbrio e Estabilidadede Soluções . . . 23
2.3.2. Crescimento Malthusiano . . . 26
2.3.3. Crescimento Inibido dotipoLogístico . . . 27
2.4. Sistemas P-fuzzyBidimensionais . . . 30
2.4.1. Estabilidade e Equilíbriode Soluções . . . 31
2.4.2. Modelode Kolmogorov. . . 33
2.4.3. Construindo aBase de RegrasparaPresa-Predador . . . 35
2.5. Conclusões . . . 40
3.1. Motivação . . . 43
3.2. Modelo Unidimensional . . . 44
3.2.1. Modelagem . . . 44
3.2.2. Contruindo a Base deRegras . . . 47
3.2.3. Experimentos Numéricos. . . 49
3.2.4. Consideraçõessobre o Modelo Unidimensional. . . 54
3.3. Modelo Bidimensional . . . 55
3.3.1. Modelagem . . . 55
3.3.2. Contruindo a Base deRegras . . . 58
3.3.3. Experimentos Numéricos. . . 60
3.4. Conclusão . . . 66
4. Controle de Pragas utilizando um SBRF 69 4.1. Motivação . . . 69
4.2. Modelo Unidimensional . . . 70
4.2.1. Modelagem . . . 71
4.2.2. Experimentos Numéricos. . . 74
4.3. Modelo BidimensionalHíbrido: Químico e Biológico . . . 83
4.3.1. Modelagem . . . 83
4.3.2. Experimentos Numéricos. . . 85
4.4. Conclusão . . . 94
5. Considerações Finais 97 5.1. TrabalhosFuturos . . . 98
5.1.1. Análise deEquílibriosdo Sistema P-fuzzy comCondiçãoAmbiental. . . 98
5.1.2. Aplicaçãodo Modelode CondiçãoAmbiental . . . 98
5.1.3. Controle Ótimo Fuzzy . . . 98
Referências Bibliográcas 99 A. Programas computacionais 101 A.1. Códigos-fonte para SistemaP-fuzzy . . . 101
A.1.1. Código-fonteemMatlab paraSistema P-Fuzzy
1D
. . . 101A.1.2. Código-fonteemMatlab paraSistema P-Fuzzy
2D
. . . 102A.2. Códigos-fonte para SistemaP-fuzzy com CondiçãoAmbiental . . . 104
A.2.1. Código-fonte emMatlab paraSistema P-Fuzzy
1D
comκ
. . . 104A.2.2. Código-fonteemMatlab paraSistema P-Fuzzy
2D
comκ
. . . 105A.3. Códigos-fonte para SistemaP-fuzzy Controlado . . . 107
A.3.2. Código-fonte emMatlabpara SistemaP-Fuzzy
2D
controlado . . . 108A.3.3. Código-fonte emMatlabpara SistemaP-Fuzzy
1D
controlado comκ
. . . 111A.3.4. Código-fonte emMatlabpara SistemaP-Fuzzy
2D
controlado comκ
. . . 113B. Bases de Regras para Sistema P-fuzzy
2D
comκ
117B.1. Base de Regrascom CondiçãoAmbiental a partir Quadro 5 . . . 117
Astentativasdemodelaradispersãopopulacionaldeumaespécie,comointuitodecompreendersua
dinâmica remontam o século XIX. Os modelos pioneiros (Malthus, Verhulst, Lotka-Volterra) entre
outros utilizam-se de equações diferenciais determinísticas para predizer os estados das variações
populacionaisdestaespécie. Dadaacomplexidadedosfenômenosobservados,nemsempreépossível
bemdescrevê-lo apenascom ousodestasequções,principalmenteporque devemos estimar bemos
parâmtros para queassoluçõesrealmente façamsentido.
Por outro lado, Lofti Zadeh [28 ] publicou em 1965 seu famoso artigo que trazia uma nova
teoriade conjuntos a Teoria de Conjuntos Fuzzy. A Teoria dosConjuntos Fuzzy, ou Lógica Fuzzy
trabalhacomanoção dequeemmuitassituaçõesapertinência deumelemento aumconjuntodeve
serextendida.
Esta extensão vai de encontro com o sentido usual da palavra pertencer, sentido este da
lógicabinária que nos traz o Princípio do terceiro excluído que dizque um elemento ou pertence
a um conjunto, ou não pertence a ele, nunca ocorrendo outro caso [8]. Isso signica que agora
teremosumelemento que teráumgrau de pertinênciaao conjunto considerado.
AplicaçõesdaLógicaFuzzytemsurgidodesdeentãoemtodasasáreas dasciênciasaplicadas.
Em particular, Peixoto [22 ], Silva [24 ] e Cecconelo [7] utilizaram um Sistema Baseado em Regras
Fuzzy(SBRF)paramodelaradensidadepopulacionaldeumaespécieutilizandoregrasdeinferencia
do tipo Se ... então .... Estes sistemas são chamados Sistemas Puramente Fuzzy (doravante
P-fuzzy), por não utilizarem nenhum método clássico poderíamos dizer determinístico para
encontrarosestadosdasvariaçõesdestaspopulações. Nestesentido,umdosobjetivosdestetrabalho
éapresentarosSistemas DinâmicosP-fuzzy unidimensionaise bidimensionais.
Além disso, uma outra aplicação da lógica fuzzy, principalmente dos SBRF, é o controle de
sistemasdinâmicosounão. Ocontrole demáquinas,aimplementaçãode sistemasinteligentesentre
outrasaplicaçõestêmsido resolvidas atravésde sistemas fuzzy[2].
Com o crescimento do Agronegócio, a necessidade de controlar pragas em lavouras está em
constante aumento, haja vista os prejuízos que determinadas doenças tem causado à todo tipo
plantações. Quando adoençaé transmitidaporalgum vetor, principalmentequandoinseto,a larga
utilizaçãode produtos químicos é usada sem nenhumtipo de programa de coordenação [6 ]. Ouso
depredadoresnaturaisaindanãoestátãodisseminado, porémváriaspesquisastêmsidofeitasneste
sentido[17 ].
ummodelo teóricoquecontrole umapopulaçãode umapraga, usandoumsistemahíbrido queleve
emconta o controle químico eo predadornatural daespécie quesequer controlar.
Um outro objetivo deste trabalho é apresentar um Sistema Dinâmico P-fuzzy que leve em
conta fatoresextrínsecos dapopulaçãoquesequermodelar. Na práticaestesfatoresestão reunidos
emumavariávelchamadaCondição Ambiental,queirárepresentarestesestadosdoambiente.
Con-sideraremos estes fatores como sendo periódicos, e desta forma, o Sistema P-fuzzy proposto será
não-autonômo numcerto sentido, pois implicitamente dependerá dotempo. Estas condições
repre-sentam comoo ambiente afeta avariação de umadeterminada população.
Paraalcançarestesobjetivos,o trabalho foiorganizado da seguinte forma:
Capítulo 1: NestecapítuloapresentamososconceitosbásicosdalógicafuzzybemcomodosSistemas
Baseados em Regras Fuzzy, apresentando o Controlador de Mamdani. Este capítulo dará a
baseteóricapara oscapítulossubsequentes.
Capítulo 2: Mostramos neste capítulo os Sistemas Dinâmicos P-fuzzy uni e bidimensionais,
apre-sentandotambém condiçõesde existência eestabilidade de soluçõesdosmesmos.
Capítulo 3: AinuênciadeumaCondiçãoAmbientaléinseridanossistemasp-fuzzyunie
bidimen-sionais apresentados no capítulo anterior, neste capítulo. São feitos experimentos numéricos
quecontemplam vários tiposde condiçõesiniciais deste tipode sistema.
Capítulo 4: Estecapítulo têm oobjetivo de apresentarumSBRF quecontrole ossistemas p-fuzzy
mostrados noscapítulos anteriores. Novamente sãofeitassimulaçõesnuméricas paramostrar
arobustez dosistemae suacapacidade de controlarumadeterminada praga.
Por msão feitas asconsiderações nais e conclusõessobre o trabalho, bemcomo são
apre-sentados trabalhosfuturos relacionadose pretendidos.
Também sãoanexados ao trabalho osprogramas computacionais utilizados paraa realização
Conceitos Básicos de Teoria Fuzzy
1.1. Introdução
Quando é necessário tomar uma decisão no mundo real, o ambiente no qual se deseja arbitrar, os
objetivosaserem alcançados, asrestrições ouasconseqüencias daspossíveis açõesnemsempresão
precisas. Normalmente tem-seutilizadoaprobabilidadeparalidarcomtaisimprecisões. Noentanto
emmuitoscasosaimprecisãonãoéresultadodaaleatoriedadedofenômenoaserestudado,massim
pertencente a própria natureza domesmo [4].
Porexemplo,vamossuporquequeremosclassicarpessoasdeumconjuntocomosendojovem
ou idoso e estabelecemos que um indivíduo será considerado idoso quando tiver idade igual ou
superior à
60
anos. Nossa classicação estaria correta quando, por conta de nossa nota de cortedissermosquealguém que tenha
59
éjovem?Estetipodesituaçãotambémocorrecomtodotipodeclassicaçãoqueutilizaadjetivoscomo
largo,pequeno,importante, sério, aproximado, etc. Notamos também aqui que estesadjetivos não
sãoeventos aleatórios,massim sãoinerentes aespecicidadedo fenômenoa ser classicado.
Assim,emcontrastecomanoção declasses ouconjuntos emmatemática binária, emnosso
diaadiaapertinênciaounão deumelemento aumconjuntonão édecidida,precisaoucrisp. Nem
tudoo quevemosé pretooubranco. Hámuitos casos degradaçõesdecinza,entreosopostos preto
ebranco(Veja [16]).
foramempreendidosesforçosqueresultaramnacriaçãodeumateoriadeconjuntosapropriada. Esta
teoria foi chamada de Teoria dos Conjuntos Fuzzy, ou Lógica Fuzzy, que tem crescido
considerav-elmente em nossos dias, tanto do ponto de vista teórico como de aplicações em diversas áreas do
conhecimento, sobretudo em tecnologia.
A palavra inglesa fuzzy tem o signicado de incerto, vago, impreciso, subjetivo, nebuloso,
difuso, etc. Porém, nenhuma dessas traduções é tão el ao sentido amplo dado pela palavra fuzzy
em inglês. Esta teoria teve suas bases formalizadas por L. A. Zadeh [28] no seufamoso artigo de
1965.
1.2. Conjuntos Fuzzy
Podemos dizer que um conjunto fuzzy é uma classe de objetos cujas fronteira entre aqueles que
pertencem ao conjunto eaqueles quenão pertencemnão éconhecida ou o é,parcialmente.
Para obter a formalização matemática deste tipo de conjunto, Zadeh baseou-se no fato de
que qualquer conjunto clássicopode ser bem descrito através de umafunção chamada função
car-acterística
χ : X −→ {0; 1}
, tal quesendoA
umsubconjunto de umuniversoX
,paratodox ∈ X
vale
χ
A
(x) =
1,
sex ∈ A.
0,
casocontrário.Assim,por exemplo,setomarmos o conjunto dosnúmeros pares,teremos queafunção
carac-terística de
P
,paratodon ∈ N
,é dada por:χ
P
(n) =
1,
sen
for divisível por2.
0,
caso contrário.Portanto,
χ
P
(4) = 1
eχ
P
(11) = 0
.Istoposto, propõe-se queanoção desubconjunto fuzzyédadaampliando-seocontra-domínio
emquestão. Formalmente estaarmação podeserbemcaracterizada pelaseguintedenição.
Denição 1.1 (Subconjunto Fuzzy). Um subconjunto fuzzy
F
de um conjunto clássicoX
écarac-terizado por uma função
µ
F
: U −→ [0, 1]
, chamada função de pertinência do subconjunto fuzzyF
.A denição1.1acima estabelece basicamente queumsubconjunto fuzzy
F ⊂ X
,independen-tementedaimprecisãodesuasfronteiras,podesercompletamentedenidobastandoassociaracada
elemento
x ∈ X
umvalorentre0
e1
,o qualrepresenta o graude pertinência dex
aosubconjuntoF
.Além disso, segundo esta denição, cada subconjunto clássicode
X
é umsubconjunto fuzzyem
X
,onde a função de pertinência é a função característica do subconjunto, isto é,os ConjuntosClássicossão casos particulares de Conjunto Fuzzy. Mais ainda,
µ
F
(x) = 1
eµ
F
(x) = 0
indicam,respectivamente, a pertinência e não pertinência total do elemento
x
emF
.Denição1.2 (SubconjuntoFuzzy Normal). Dizemos queumsubconjunto fuzzy
F ⊂ X
énormalseexiste
x ∈ X
talqueµ
A
(x) = 1
.Exemplo1.3. Suponhaquequeiramosentãodescrevercomconjuntosfuzzyadensidadepopulacional
dedeterminada pragaemuma plantação, de formaa classicá-la comosendo alta. Poderíamos ter
umsubconjunto fuzzy da densidade populacional de pragas em uma determinada lavoura descrito
pelaseguinte função de pertinência
µ
A
(x) =
0
sex ≤ 10,
x−10
70
se10 < x ≤ 80,
1
se80 < x < 100.
,
dondepodemosconcluirqueumalavouraquetenha50%desuasfolhagensinfectadasterá
µ
A
(50) =
0.57
,o quesignica queelaserá considerada umacontaminação alta comgraude pertinência0.57
. OconjuntoA
é normal, dado queinfestaçõescom maisde 80% sãoconsideradas alta comgrau de0
10
20
30
40
50
60
70
80
90
100
0
0.2
0.4
0.6
0.8
1
Densidade Populacional (%)
Grau de Pertinência
Alta
Figura1.1.:Subconjuntofuzzydedensidadedeinfestaçãoemumaplantação.
Aseguirvamosextenderasprincipaisoperaçõessobreconjuntosclássicosparaconjuntosfuzzy.
Para issosejam
A
eB
subconjuntos fuzzydeX
.Denição 1.4(União). A uniãoentre
A
eB
éosubconjunto fuzzydeX
cujafunção depertinênciaé dada por
µ
(A∪B)
(x) = sup
x∈X
{µ
A
(x), µ
B
(x)}.
Denição 1.5 (Intersecção). A intersecção entre
A
eB
é o subconjunto fuzzy deX
cuja função depertinência édada por
µ
(A∩B)
(x) = inf
x∈X
{µ
A
(x), µ
B
(x)}.
Denição 1.6 (Complementarde subconjuntos fuzzy). Ocomplementar de
A
é o subconjunto fuzzyA
0
⊂ X
cujafunção de pertinência édada por
µ
A
0
(x) = 1 − µ
A
(x),
∀x ∈ X.
Através da denição de Complementar, poderemos obter a partir do Exemplo 1.3 , a função
µ
B
(x) = 1 − µ
A
(x) =
1
sex ≤ 10,
80−x
70
se10 < x ≤ 80,
0
sex > 80.
Assim, uma infestação de 50% será considerada Alta com grau de pertinência
0.57
e Baixacomgraude pertinência
0.43
.Denição 1.7 (Igualdade). Os subconjuntos fuzzy
A
eB
deX
são iguais se suas funções depert-inência coincidem,isto é,se
µ
A
(x) = µ
B
(x)
para todox ∈ X
.1.3. Números Fuzzy
Comonossoobjetivo émodelarumproblemaconcreto,escolheremoscomonossoconjunto universo,
ou domínio, o conjunto dos números reais (
R
). Estes conjuntos fuzzy serão chamados de númerosfuzzy. Para entendê-los formalmenteprecisamos dealgumas denições.
Denição 1.8 (
α
-nível). SejaF
um subconjunto fuzzy deX
eα ∈ [0, 1]
. Oα
-nível deF
é osubconjunto clássicode
X
denido por[F ]
α
= {x ∈ X : µ
F
(x) ≥ α}
para0 < α ≤ 1.
Denição 1.9 (Suporte). Seja
F
umsubconjunto fuzzy deX
, osuporte deF
,o qual sedenotaporsupp(F )
,éo subconjunto deX
cujoselementos têmgrau de pertinência nãonulosemF
,isto é,supp(F ) = {x ∈ X : µ
F
(x) > 0}.
Usaremos a notação
F(R)
para denotar a família de subconjuntos fuzzy deR
, no qual osα
-níveis sãodadospor:[F ]
0
= supp F
sãocompactos enão vazios.
Agorapodemos denirumnúmero fuzzy.
Denição1.10(Númerofuzzy). Umsubconjuntofuzzy
F ⊂ R
échamadodenúmerofuzzysesatisfazàsseguintescondições:
(
i) F
é umsubconjunto fuzzy normal;(
ii)
Todososα
-níveis deF
sãointervalos fechadosdeR
;(
iii)
Osuportede F,supp F = {x ∈ R : µ
A
(x) > 0}
,élimitado.Oconjunto fuzzy
A
denidopelafunção de pertinência em formade triânguloµ
A
(x) =
x−a
b−a
sea < x ≤ b,
c−x
c−b
seb ≤ x < c,
0
casocontrário.
satisfaz aspropriedades de umnúmero fuzzy eé denominado número fuzzy triangular. Usaremos a
notação
A = [a/b/c]
pararepresentá-lo,emqueµ
A
(a) = µ
A
(c) = 0
eµ
A
(b) = 1
.Nomesmosentido,oconjuntofuzzy
B
,cujafunçãodepertinênciatemaformadeumtrapézioe édada por
µ
B
(x) =
x−a
b−a
sea ≤ x < b,
1
seb ≤ x ≤ c,
d−x
d−c
sec < x ≤ d,
0
caso contrário.
também satisfaz as propriedades da Denição 1.10 e é chamado número fuzzy trapezoidal. Será
1
4,2
3,8
4
(a) Númerofuzzytriangular
A = [3.8/4/4.2]
.11
14
17
20
1
(b) Númerofuzzytrapezoidal
B = [11/14/17/20]
.Figura1.2.:Exemplosdenúmerofuzzy.
Exemplo1.11. Em muitas oportunidades tem-sea necessidade deutilizar algum tipo deimprecião
nodiaadia. Quandosequer,porexemplo,marcarumencontrocomoutrapessoa,diz-secomumente,
encontro-tepor volta das
4
horas. Por voltade 4horas éumnúmero fuzzy,quepode serdenotadopor
ˆ
4
ou porsuafunção de pertinênciaµ
4
,aqual pode sercaracterizada pelaseguinteequaçãoµ
4
(x) =
x−3.8
2
se3.8 < x ≤ 4,
4.2−x
2
se4 ≤ x < 4.2,
0
casocontrário.
Note-se que o número fuzzy
ˆ
4
é um número simétrico (Vide Figura 1.2(a) ) e poderia serentendido como emtorno de4.
1.4. Lógica Fuzzy
Umsistema lógico é um conjunto de axiomas e regras de inferência que visam representar
formal-mente umraciocínio válido. A lógica clássicatrabalha com proposições quesão ou verdadeiras ou
falsase sebaseia na teoriaclássica de conjuntos. Além disso, a lógica é ummétodo de estudo que
sepropõe emprocurar compreendera verdade.
Na lógica fuzzy, por sua vez, tendo como base a teoria de conjuntos fuzzy, uma proposição
inferirpor verdades mesmoquese tenhaqueabrir mãode algumgraude certeza.
Em nossa tentativa de modelar os fenômenos que nos cercam existem situações nas quais a
dicotomia verdadeiro falso não é suciente para representá-los. Nestes casos, a lógica fuzzy é útil,
pois é capaz de traduzir em termos matemáticos as informações contidas em frases expressas em
linguagem natural,cheiade imprecisões.
Nessesentido, construir umamaneira de fazer inferências e tomar decisões mesmo em
ambi-entesimprecisos é altamente necessário.
1.4.1. Variáveis Lingüísticas e Proposições Fuzzzy
Uma variável lingüística
X
em um universoU
é aquela cujos valores são subconjuntos fuzzy, quecorrespondem por sua vez a termos lingüísticos. Podemos dizer que uma variável lingüística é um
substantivo enquanto seus valoressão adjetivos.
Porexemplo,chuva éumavariávellingüísticaquepodeassumirosatributos(valores)Fraca,
Média, Forte. (Figura1.3)
0
20
40
60
80
100
0
0.2
0.4
0.6
0.8
1
Chuva
Grau de Pertinencia
Fraca
Media
Forte
Figura1.3.:Variávellingüísticaintensidadedechuva emmmdechuva.
Em nosso trabalho, por querermos modelar fenômenos biológicos em particular, os valores
assumidospelasvariáveis serão númerosfuzzy,nosquaisouniversode discursoserá oconjunto dos
As sentenças em que aparecem variáveis lingüísticas juntamente com seus valores subjetivos
sãochamadas proposição fuzzy. Elassãodo tipo:
SeESTADO,então AÇÃO
1.4.2. Conectivos Lógicos
Parasetraduzirmatemáticamenteumaproposiçõesfuzzyfaz-senecessáriodenirconvenientemente
osconectivosE e OU,já queumestado pode comportar maisde umavariável.
Para tanto utilizaremos os operadores t-norma e t-conorma, os quais denotamos
respectiva-mentepor
∧
e∨
eosdeniremos a seguir.É importantesalientarque nateoria clássicade conjuntos, quando temosdois conjuntos
A
eB
quaisquer, sedissermosqueumelementox
estáemA
E estáemB
,a informaçãofornecida é a dequex
está naintersecção deA
eB
.Demaneiraanáloga,associa-seintersecçãode conjuntosfuzzyparamodelaroconectivo fuzzy
E.Vejamos
Denição1.12 (t-norma). Ooperadorbinário
∧ : [0; 1] × [0; 1] −→ [0; 1]
é umat-norma,sesatisfaz:(
i)
Comutatividade:x ∧ y = y ∧ x;
(
ii)
Associatividade:x ∧ (y ∧ z) = (x ∧ y) ∧ z
;(
iii)
Monotonicidade: sex ≤ u
ey ≤ v
,entãox ∧ y ≤ u ∧ v
;(
iv)
Condições deFronteira:∧(1, x) = 1 ∧ x = x
e∧(0, x) = 0 ∧ x = 0
.Exemplo1.13. São exemplosde t-norma[2]:
(
i) x ∧
1
y = min{x; y}
;(
ii) x ∧
2
y = x · y
;Domesmo modo, o conectivo OU, ao ser utilizado do ponto de vista da lógica clássica, na
sentença
x
está emA
`OU'x
está emB
signica que oelementox
está na união deA
eB
. Daíagir-se demodoanálogo paraseconstruir oconceito det-conorma.
Denição 1.14 (t-conorma). O operador binário
∨ : [0; 1] × [0; 1] −→ [0; 1]
é uma t-conorma, sesatisfaz:
(
i)
Comutatividade:x ∨ y = y ∨ x;
(
ii)
Associatividade:x ∨ (y ∨ z) = (x ∨ y) ∨ z
;(
iii)
Monotonicidade: sex ≤ u
ey ≤ v
,entãox ∨ y ≤ u ∨ v
;(
iv)
Condições de Fronteira:∨(1, x) = 1 ∨ x = x
e∨(0, x) = 0 ∨ x = 0
.Exemplo 1.15. São exemplosde t-conorma [2 ]:
(
i) x ∨
1
y = max{x; y}
;(
ii) x ∨
2
y = min{1; x + y}
;(
iii) x ∨
3
y = x + y − xy
.Aseguir veremos o conceitode relações e de produto cartesiano fuzzy. Estas idéiasauxiliam
a formalizarmatematicamentea lógicafuzzy.
1.4.3. Relações e Produto Cartesiano Fuzzy
O conceito de relação em matemática é formalizado a partir da teoria de conjuntos. Uma relação
clássicaindicaseháounão algumaassociação entredoisobjetos. Neste sentido, umarelaçãofuzzy,
estende este conceito e além de indicar se há ou não tal associação, mostra também o grau desta
relação.
O conceito matemático de relação fuzzy é formalizado a partir do produto cartesiano usual
entreconjuntosclássicos,estendendoafunçãocaracterísticadeumarelaçãoclássicaparaumafunção
Denição 1.16. Uma relação fuzzy
R
sobreU
1
× U
2
× . . . ×U
n
é qualquer subconjunto fuzzy deU
1
× U
2
× . . . ×U
n
. Assim, uma relação fuzzyR
é denida por uma função de pertinênciaϕ
R
:
U
1
×U
2
× . . . ×U
n
−→ [0, 1]
.Se o produto cartesiano for formado por apenasdois conjuntos,
U
1
×U
2
,a relação é chamadadefuzzy binária sobre
U
1
×U
2
.Apartirdestesconceitos,poderemosdeniroprodutocartesiano fuzzy. Estadenição seráde
grandeimportânciaparaacontruçãodoscontroladoresfuzzy,basedosSistemasBaseadosemRegras
Fuzzy. Tecnicamente, esta operaçãoé similar àintersecção de conjuntos fuzzy(Denição 1.5 ),com
adiferençadequeno nestecasoo conjunto universonão necessariamenteéo mesmo. Formalmente
temosaDenição1.17 quesegue.
Denição1.17. Oprodutocartesianofuzzydossubconjuntosfuzzy
A
1
, A
2
, . . . , A
n
deU
1
, U
2
, . . . , U
n
,respectivamente, é arelaçãofuzzy
A
1
×A
2
× · · · × A
n
,cujafunção de pertinência édada porϕ
A
1
×A
2
×...×A
n
(x
1
, x
2
, . . . , x
n
) = ϕ
A
1
(x
1
) ∧ ϕ
A
2
(x
2
) ∧ . . . ∧ ϕ
A
n
(x
n
),
onde
∧
representa o mínimo.1.5. Sistema Baseado em Regras Fuzzy
Vamos utilizaragoraosconceitos aquivistospara construirumsistemaquedealguma formaemule
asaçõesedecisõeshumanas,porémcom umcaráter maisformal.
UmSistemaBaseadoemRegrasFuzzy(SBRF)éumsistemaqueseutilizadalógicafuzzypara
produzirsaídasparacadaentradafuzzy. Em nossosestudosutilizaremosumtipoespecialdeSBRF
chamadoControladorFuzzy. Aparticularidadedoscontroladoresfuzzyéquecadasaídarepresentava
a ação correspondente à condição ou entrada do SBRF. O que se tenta fazer é reproduzir um
Controlador Humano, levando-se emconta que asações humanas sãoem geral execuçãode tarefas
queseguem umasequência de ordenslinguísticas, traduzidas por umconjunto de regras.
Os controladores fuzzy comandam astarefas por meio de termos da linguagem usual. Neste
traduzi-dos por conjuntos fuzzy, são utilizados para transcrever a base de conhecimentos através de uma
coleção de regras fuzzy, denominadabase de regras fuzzy.
A partir dessa base de regras obtem-se a relação fuzzy, a qual produzirá a saída (resposta,
ação)paracadaentrada(estado,condição). Porexemplo,Seestivermuitofrio,entãocoloquemuita
roupa.
Um controlador fuzzy é composto de basicamente quatro módulos: o fuzzicador, a base de
regras, o método de inferência e o defuzzicador. O esquema do controlador pode ser visto na
Figura 1.4 . A estrutura dos controladores fuzzy permite a transformação do domínio de nossos
fenômenos(comumente osnúmerosreais) parao domíniodosconjuntos fuzzy,atravésdosnúmeros
fuzzy. Apartirdeentãoéutilizadoummétododeinferênciafuzzynasregraspré-estabelecidas para
quesejatomada umadecisão. Por msefaza transformaçãoinversa paraomundo realda decisão
escolhida. Vamos analisarcada móduloem particular.
Módulode Fuzzicação Basede Regras Módulode Inferência Fuzzy Módulode Defuzzicação
Figura1.4.:Esquemageraldeumcontroladorfuzzy.
1.5.1. Fuzzicação
Neste módulo cada entrada do sistema é transformada em um conjunto fuzzy, ou seja, se
x ∈ R
n
é uma entrada do sistema, o fuzzicador associa a esta entrada uma função de pertinência
µ
x
(a)
,ou em outros termos, associa um número fuzzy
x ∈ F(R
ˆ
n
)
. Em muitos casos, a função
µ
x
(a)
é a1.5.2. Módulo da base de regras
Este pode ser considerado como um módulo que faz parte do núcleo do controlador fuzzy. Ele é
compostopelas proposições fuzzye cada umadestasproposiçõesédescrita na formalingüística
Se
x
1
éA
1
ex
2
éA
2
e· · ·
ex
n
éA
n
então
y
1
éB
1
ey
2
éB
2
e· · ·
sey
m
éB
m
,onde
A
i
eB
i
são conjuntos fuzzy que representam termos lingüísticos das variáveis de entrada esaída,respectivamente. A expressão
x
i
éA
i
signica queµ
A
i
(x
i
) ∈ [0; 1]
. É aqui queas variáveis,agora lingüísticas, e suas classicações (adjetivos) são catalogadas e, em seguida, modeladas por
funçõesde pertinência. A combinação destasregras éque geraumasaída
y ∈ F(R
ˆ
m
)
. OQuadro 1
ilustraumabase deregras generalizada.
R
1
: Proposição fuzzy1
ouR
2
: Proposição fuzzy2
... ... ... ... . ouR
r
: Proposição fuzzyr
Quadro1:Formageraldeumabasederegrasfuzzy.
Podemos estabelecer a idéia, embora de forma simplicada, que os controladores fuzzy são
sistemasespecialistas paraosquaiscada proposição fuzzy tema forma
Secondição,entãoação,
emque cada condição e cada ação são estados assumidospor variáveis lingüísticas quesão por
suavezmodeladasporconjuntosfuzzy. Osconjuntosfuzzyquecompõemacondição sãochamados
antecedentes e osquecompõem aação são chamados conseqüentes.
Nestemóduloéqueasinformaçõesdofenômenoasermodeladosãoutilizadasparasedenira
basede regras. Issopor que,paracada estadodosistema, denidoaprioripelostermoslingüísticos
da variável de entrada, deve se ter uma regra que o contemple. Desta forma quanto mais termos
Com isso, quanto melhorse conhece o fenômeno, mais fácil será a tarefa de construir a base
de regras. O auxílio de um especialista é útil a interação com o especialista é facilitada haja vista
a basede regras utilizar termos lingüísticos. Issosignica quemesmo portanto mesmoalguém sem
conhecimentos matemáticos sobre lógicafuzzypodeauxiliarna construçãodasregras.
Umnúmeromaiorderegrastambémpode,decertomodo,facilitarrepresentaçãodabasepara
contemplar melhorasinformaçõesmatemáticas que sequerrepresentar.
1.5.3. Módulo de inferência fuzzy
É neste estágio quepara cada valor assumido pelas variáveis de entrada são determinados, através
da basede regras,osvaloresdasvariáveis de saída.
Comovimos assentenças dabasede regrassãoligadaspor conectivos: E eOU.Ométodode
inferência traduz estasregras matematicamente, por meio das t-norma e t-conorma, gerando para
cada regra umasaída.
O método de inferência utilizado neste trabalho é conhecido como método de inferência de
Mamdani oumétodo MAX-MIN.Este métodosegue oseguinteprocedimento [2 ]:
1. Emcadaregra
R
j
,dabasederegrasfuzzy,acondicionalSex
éA
j
entãoy
éB
j
émodeladapelaaplicação
∧
(mínimo);2. Adota-seat-norma
∧
(mínimo)para oconectivo lógicoe;3. Paraoconectivológicoou adota-seat-conorma
∨
(máximo)queconectaasregrasfuzzydabasede regras.
Formalmente, a relaçãofuzzy
R
é o subconjunto fuzzy deX × Y
cuja função de pertinênciaé dada por
µ
R
(x, y) = max
1≤i≤r
(µ
R
i
(x, y)) = max
1≤i≤r
[µ
A
j
(x) ∧ µ
B
j
(y)],
(1.1)
onde
r
é onúmero deregras quecompõemabasede regrase,A
j
eB
j
sãoossubconjuntosfuzzydaregra
j
. Cadaumdosvaloresµ
A
j
(x)
eµ
B
j
(y)
sãointerpretados comoosgrauscomquex
ey
estãoParailustrar como funciona o método de inferência de Mamdani, vamos utilizar duasregras
genéricas que têm duas entradas e uma saída (Quadro 2) e mostrar a inferência gracamente na
Figura1.5.
R
1
:
Sex
éA
1
ey
éB
1
entãoz
éC
1
R
2
:
Sex
éA
2
ey
éB
2
entãoz
éC
2
Quadro2:RegrasgenéricasparaocontroladordeMamdani.B
2
y
o
x
o
A
1
A
2
B
1
:
R
1
Se x é A e y é B Então z é C
1
1
1
Se x é A e y é B Então z é C
2
2
2
R
2
:
1
C
C
2
(
A
2
) ,
min{
x
o
B
2
(
y
o
) }
=
β
1
C
α
=min{
C
1
(z)
,
α
}
1
C
α
C
2
β
C
2
β
00000
00000
00000
11111
11111
11111
000000
000000
000000
000000
111111
111111
111111
111111
000000
000000
000000
000000
111111
111111
111111
111111
000000
000000
000000
000000
111111
111111
111111
111111
00000
00000
00000
11111
11111
11111
0000000
0000000
0000000
0000000
1111111
1111111
1111111
1111111
0
0
0
1
1
1
min
x
x
y
y
z
y
z
z
= max {
y^
.
,
=min{
A
1
(
x
o
)
,
B
1
( )
y
o
}
α
(z)
(z)=min{ C
2
(z)
,
β
}
,
}
Figura1.5.:MétododeMamdani.
1.5.4. Módulo de Defuzzicação
O papel do defuzzicador é converter a saída dada pelo módulo de inferência, que é umconjunto
fuzzy, em um número crisp (real) que bem o represente. Apesar de existirem muitos métodos de
defuzzicação, utilizaremossempreo métodode centro degravidade ou centróide.
Estemétodoéparecidocomumamédiaaritméticaparadistribuiçãodedados,comadiferença
queospesossãoosvalores
µ
C
(z
i
)
queindicamograudecompatibilidadedovalorz
i
comoconceitoOcentrodegravidade dáentãoamédiadasáreasdetodasasgurasquerepresentamosgraus
depertinênciade umsubconjunto fuzzy. Entretodososmétodosde defuzzicaçãoeleéopreferido.
Paraumdomínio discretotemos
G(C) =
n
X
i=0
z
i
µ
C
(z
i
)
n
X
i=0
µ
C
(z
i
)
.
Paradomínio contínuoé dado por
G(C) =
Z
R
yµ
C
(y)dy
Z
R
µ
C
(y)dy
.
(1.2)e pode servistona Figura1.6 .
ϕ
B
u
G(B)
B
Figura1.6.:Defuzzicadorcentrodegravidade
G(C)
1.6. Conclusão
Neste capítuloapresentamos asprincipais noçõesda teoria de conjuntos fuzzy,bemcomo de lógica
fuzzy, em particular de Sistemas Baseados em Regras Fuzzy (SBRF) necessárias para podermos
estudar os sistemas p-fuzzy bemcomo para seremutilizadas noscontroles de pragas determinados
porregras fuzzy.
Pudemos perceber que um SBRF pode ser entendido como uma função
f : R
n
−→ R
m
,
diversasmaneirasparatermosrespostasdeacordocomnossosestados. Emparticular,nestetrabalho
utilizaremo-lodeduasmaneirasdiferentes. Nocapítulo2oSBRFdeterminaadinâmicapopulacional
dos chamados sistemas p-fuzzy. Já no capítulo 3, utilizando-se de uma extensão do que terá sido
vistonocapítuloanterior, paracriar usandoa SBRF.Paranalizar,nocapítulo 4utilizaremosesta
metodologia para determinar a maneira de utilização de um pesticida em uma plantação, com o
Sistemas P-Fuzzy
2.1. Introdução
Para se fazer modelos matemáticos de fenômenos em que as variáveis de estado estão sujeitas a
variações ao longo do tempo tem se utilizado largamente as equações diferenciais e de diferenças
determinísticas. Paraqueo modelosejacoerente faz-se necessárioumgrandeconhecimento das
re-laçõesentreasvariáveisesuasvariações,basedasequaçõesacimareferidas. Sãoestesconhecimentos
quepermitema escolhadasfunçõesquerelacionarão asvariaçõese o estadodasvariáveis.
Asequações diferenciais e dediferenças determinísticas sãouma ferramenta poderosapara a
modelagem de fenômenos cujasvariáveis de estado estão sujeitas a variações temporais. Contudo,
estetipodeferramentasóéecientequandoseconhecebemasrelaçõesexistentesentreasvariáveise
asvariações. Maisqueisso,essasrelaçõesoufunçõespossuemparâmetrosquenemsempresãofáceis
de se mensurar. Além dissopode ser que as relações existentes entre as variáveis e suas variações
sejam apenas parcialmente (nebulosamente) conhecida, o que torna a modelagem determinística
menosatraente.
Mais ainda, os parâmetros das equações de diferenças ou dasdiferenciais precisam ser
men-surados ou estimados, o que quase sempre é uma tarefa fastidiosa, já que faz-se necessária, na
maioriadoscasos, acoleta de muitos dadosparaseconseguirqueestesparâmetros descrevambem
ofenômeno a sermodelado.
subje-tividades[18 ],estasnãoestão relacionadasdiretamente asrelaçõesentrevariáveise variaçõeso que
torna sem utilidade nestescasos. Isso advémdo fato de estasequaçõesserem oriundas de modelos
determinísticos. Asubjetividade comportadapelasequaçõesfuzzysereferemàsimprecisõesdos
es-tadosiniciais dasvariáveis ounelas mesmas(fuzziness demográca) e/ounosparâmetros (fuzziness
ambiental), situaçõesqueemgeral estão presentes emequaçõesde dinâmicas populacionais [1].
Nestecapítuloapresentaremosossistemasdinâmicosp-fuzzy,quenadamaissãoquesistemas
iterativos baseados em regras fuzzy, isto é, um SBRF iterativo. Os sistemas p-fuzzy incorporam
informações subjetivas tanto nas variáveis quanto nasvariaçõese suasrelações com asvariáveis, o
queostorna umaferramenta útil emfenômenosparcialmente desconhecidos [9 ].
2.2. Sistemas Dinâmicos P-fuzzy
Denominamos Sistema Dinâmico P-fuzzy ao sistemaiterativo
x
k+1
= F (x
k
)
x
0
∈ R
n
(2.1) em queF (x
k
) = x
k
+ ∆(x
k
)
. Aqui∆(x
k
) ∈ R
n
é chamado variação e é obtido através da saída
defuzzicadade umSistema BaseadoemRegras Fuzzy,no caso, umcontroladorde Mamdani. Um
sistemap-fuzzy énadamaisdoqueumaequaçãodediferenças
x
k+1
− x
k
= ∆(x
k
)
esuaarquiteturapode servista naFigura2.1 .
Controlador
Fuzzy
Modelo Matemático
x
k+1
=
x
k
+
∆
x
k
∆
x
k
k
x
Figura2.1.:ArquiteturadeumSistemaP-fuzzy.
algumapraga,comointuitodecontrolá-la. Vamosveraquialgunstiposdemodelosdecrescimento,
tanto para sistemasunidimensionais, nosquaisa pragaéconsiderada sozinha noseuhabitat, como
sistemas bidimensionais do tipo presa-predador, nos quais a presa é a praga que é considerada
interagindocomalgum predador natural.
2.3. Sistemas P-fuzzy Unidimensionais
Os sistemas p-fuzzy unidimensionais são equações de diferenças em uma dimensão, com base no
sistema(2.1 ),onde
n = 1
,i.e.,
x
k+1
= x
k
+ ∆
x
(x
k
)
x
0
∈ R
,
(2.2)emque
∆
x
(x
k
)
édado por umSBRF.2.3.1. Equilíbrio e Estabilidade de Soluções
Semprequeestamosestudandoequaçõesquedescrevemfenômenos,sobretudobiológicos,édesejável
quesaibamos quandoassoluçõesencontradaspornosso modelosãopontosde equilíbriodosistema
bem como o tipo de comportamento destas soluções. Para que possamos fazer isso em sistemas
p-fuzzy unidimensionaisenunciaremos alguns resultados propostos por Silva[24 ].
Denição2.1(Equilíbrio). Dizemosqueumnúmeroreal
x
?
éumponto deequilíbrio dosistema(2.2)
se
x
?
= x
k
= x
k+1
⇐⇒ ∆(x
k
) = 0.
(2.3)Para estudarmos a existência de equilíbrio de sistemas p-fuzzy, estabeleceremos as seguintes
denições.
Denição2.2 (SubconjuntosSucessivos). Seja
A =
A
i
1≤i≤k
,k ∈ N
,umafamília desubconjuntos fuzzy normais associados a variável lingüísticax
. Dizemos queA
é uma família de subconjuntosfuzzy sucessivossesatiszerem:
(
i)
k
[
i=1
(
ii) supp(A
i
) ∩ supp(A
i+1
) 6= ∅
;(
iii) supp(A
i
) ∩ supp(A
j
) = ∅
,se|i − j| ≥ 2
;(
iv)
Dadosx
¯
ex
ˆ
comµ
A
i
(¯
x) = µ
A
i+1
(ˆ
x) = 1
entãox < ˆ
¯
x
.Acondição(i)estabelecequeabasederegras devecobrirtodoouniversoemquesetrabalha,
ou seja,
∀x ∈ U ; ∃A
i
⊂ A
tal queµ
A
i
(x) 6= 0
. A condição (iv) da denição acima, mostra-nos queos elementos têm grau de pertinência máximo a um único número fuzzy. As Figuras 2.2 e 2.5 são
exemplosde famíliasde subconjuntosfuzzy sucessivos.
Aexistênciadeequilíbrioestáassociadaàmudançadesinaldasaída
∆(x)
dosistemap-fuzzy.Esta mudança está, por sua vez, diretamente relacionada com a existência de oposição semântica
nosconseqüêntes da basede regras[2 ]. Formalmente temosaseguintedenição.
Denição 2.3(ConjuntoeRegiãoViáveisdeEquilíbrio). Seja osistemap-fuzzy (2.2) cujabasetenha
antecedentes e conseqüentes familías sucessivas de subconjuntos fuzzy,
A
i
1≤i≤k
1
eB
j
1≤j≤k
2
.Se paraalgum
i
existiremx, ¯
ˆ
x ∈ supp(A
i
∪ A
i+1
)
talque∆(ˆ
x) · ∆(¯
x) < 0
,entãoA
?
= A
i
∩ A
i+1
é denominado conjunto viávelde equilíbrio esupp(A
?
)
éumaregião viável deequilíbrio.
Apartir destadenição veremosque é necessárioqueexista umconjunto viávelde equilíbrio
nos antecedentes da base de regras paraque o sistema p-fuzzy admita um estado de equilíbrio
x
?
.
Estas regras terãoo seguinteformato
R
i
:
Sex
éA
i
então∆(x)
éB
i
R
i+1
:
Sex
éA
i+1
então∆(x)
éB
i+1
;emque
supp(B
i
) ⊂ R
+
esupp(B
i+1
) ⊂ R
−
ousupp(B
i
) ⊂ R
−
esupp(B
i+1
) ⊂ R
+
.Teorema2.4. Seumsistemap-fuzzy
S
admiteumconjuntoviáveldeequilíbrioA
?
,com
supp(A
?
) 6=
∅
,então existe pelo menos um estado de equilíbrio na região viável de equilíbriosupp(A
?
)
,isto é,∃x
?
∈ supp(A
?
)
talque∆(x
?
) = 0
. Demonstração. Consulte [24].A unicidade de ponto de equilíbrio exige algumas restrições nos conjuntos sucessivos que
determinam os termos lingüísticos do conjunto p-fuzzy. Estas restrições são dadas pelo teorema
abaixo.
Teorema2.5. Sejam
supp(A
?
) = supp(A
i
∪A
i+1
) = (a
i+1
1
; a
2
i
)
aregiãoviáveldeequilíbrio,µ
A
i
, µ
A
i+1
monótonasemsupp(A
?
)
eaindaa
i
, a
i+1
taisqueµ
A
i
(a
i
) = µ
A
i+1
(a
i+1
) = 1
. Sea
i
≤ a
i+1
1
ea
i+1
≥ a
i
2
entãox
?
é únicoemsupp(A
?
)
. Demonstração. Consulte[24 ].Paraanálisede estabilidade lembramos queum sistemap-fuzzy é umaequação de diferenças
dadapor
x
k+1
= x
k
+∆(x
k
) = F (x
k
)
. BastaanalisarmosovalordeF
0
(x
?
)
. Assimse−1 < F
0
(x
?
) <
1
teremos estabilidade do sistemap-fuzzy e instabilidade caso contrário. Conforme sepode ver em Silva [24 , pg.6667],x
?
pode ser:
(
i)
assintoticamente estável comconvergênciamonótona, se∆
0
(x
?
) ∈ (−1; 0)
;
(
ii)
assintoticamente estável comconvergênciaoscilatória, se∆
0
(x
?
) ∈ (−2; −1)
;(
iii)
neutralmenteestável, se∆
0
(x
?
) = 0
ou∆
0
(x
?
) = 2
;(
iv)
instável se∆
0
(x
?
) /
∈ [−2; 0]
. Como∆(x
?
)
é dadapeladefuzzicaçãodo tipo centrodemassa, (veja Seção1.5.4 ), emquea
Equação(1.2 ) é umafunção diferenciável, estevalorpodeser calculadonumericamente [24].
Paraseencontrar o valor de
x
?
,no caso doTeorema 2.5 , temos dois casos. Oprimeiro deles
é quando as funções de pertinência dos conjuntos fuzzy que compõe a região viável de equilíbrio,
µ
A
i
eµ
A
i+1
sãomonótonase simétricas,istoé,µ
A
i
(x) = µ
A
i+1
(−x)
. Conformenoscoloca Silva[24,Proposição 2.1, p. 24], se este for o caso, o ponto de equilíbrio estará na intersecção entre
µ
A
i
eµ
A
i+1
.Se este não for o caso, Cecconelo desenvolveu um algoritmo que aproxima numericamente o
valor de
x
?
. O algoritmo em questão utiliza o fato de que encontrar a solução numérica de
x
?
é
equivalente a encontrar o minimizador de
k∆(x)k
já que∆(x
?
) = 0
. (Para mais detalhes veja [7,
2.3.2. Crescimento Malthusiano
No intuito de modelar a dinâmica populacional de uma praga, vamos pensar primeiramente no
princípio malthusiano decrescimento populacional:
A variação deuma populaçãoé proporcional a populaçãoem cadainstante.
Esteprincípio determina que a variação populacional crescena medida em quecresce a
pop-ulação. Quando utilizamos equações diferenciais para descreveresta população,suasolução nosdá
umcrescimento exponencial. Édeseesperarqueomodelop-fuzzy tenhaomesmocomportamento.
Vamos denir as variáveis lingüísticas população
(x
k
)
e variação(∆(x
k
))
em quex
k
será aentradae
∆(x
k
)
seráa saídado sistemana interaçãok
.Deniremos tanto para população quanto para variação os termos linguísticos
T
x
= T
∆(x)
=
{
Baixa (B
), Média (M
) e Alta (A
)}
. O que ira mudará neste caso será o suporte (supp
) de cada um dos conjuntos de entrada e saída. As funções de pertinência para cada termo lingüístico dasvariáveis estão naFigura 2.2.
0
20
40
60
80
100
120
140
160
180
200
0
0.2
0.4
0.6
0.8
1
Populacao
Grau de Pertinencia
B
M
A
(a) Funçõesdepertinênciadaentrada.
0
2
4
6
8
10
12
14
16
18
20
0
0.2
0.4
0.6
0.8
1
Variacao
Grau de Pertinencia
B
M
A
(b)Funçõesdepertinênciadasaída.
Figura2.2.:Funçõesdepertinênciaparaentradaesaídadosistemap-fuzzycomcrescimento
malthusiano.
Abasederegras destemodeloestánoQuadro3. Estabaserepresenta exatamenteoprincípio
malthusiano enunciado acima, já quedetermina que quanto maior (ou menor) for uma população,
maior(ou menor)serásuavariaçãoabsoluta. AtrajetóriadapopulaçãoestáilustradanaFigura2.3
R
1
:
Se apopulaçãoébaixa(B)
entãoavariaçãoébaixa(B)
R
2
:
Se apopulaçãoémédia(M )
entãoavariaçãoémédia(M )
R
3
:
Se apopulaçãoéalta(A)
entãoavariaçãoéalta(A)
.Quadro3:Basederegrasparamodelarcrescimentomalthusiano.
0
5
10
15
20
25
30
35
0
50
100
150
200
250
Tempo
Populacao
Figura2.3.:Trajetóriadeumapopulaçãoatravésdosistemap-fuzzydotipomalthusiano(base
deregrasdoQuadro3)com
x
0
= 2
.2.3.3. Crescimento Inibido do tipo Logístico
Omodelomalthusiano,emborasejaumparadigmana históriadosmodelos matemáticos para
pop-ulaçõeshomogeneamente distribuídas,nãoéobservadona realidade,anão seremumcurtoperíodo
de tempo, se a população inicial é baixa. Há fatores que impedem uma população de crescer
ex-ponencialmente tais como disputa por espaço, alimentação, competição com outros indivíduos da
mesmaedeoutrasespécies,etc. Assimháumaespéciedelimiar,denominadocapacidadedesuporte
(
k
), no qual a população tende a se estabilizar. Desta forma quando a população está acima dacapacidade de suporte
k
, o número de indivíduos da espécie diminui(∆(x) < 0)
. Por outro ladoquandoo número de indivíduos estáabaixo de
k
asua quantidade aumenta(∆(x) > 0)
. Mais queser vistonaFigura 2.4 .
Figura2.4.:Campodevariações: (
→
)variaçãopositiva;(←
)variaçãonegativa.Oprimeiromodelo,denominadologístico,quelevaemcontaainibiçãodocrescimento
popula-cional foipropostoporVerhulst[19 , pg. 3],quecolocou emseumodeloumprocessoauto-limitante.
No entanto háoutros que também levamem conta estelimiar e sãochamados logistícos, por conta
do tipo desoluçõesque sãoencontradas apartir dasequações diferenciaisque osdescrevem. Deste
ponto de vistao comportamento podeser determinado por
dx
dt
= f (x)
(2.4)emque
x
é o número de indivíduosdapopulação ef
temasseguintespropriedades:(
i)
Sex > k
entãof (x) < 0
;(
ii)
Sex < k
entãof (x) > 0
.Oestabelecimentode
f
deformasatisfatórianemsempreéfácil,emespecialquandoadinâmicapopulacionaléparcialmenteconhecida. Umaconseqüênciaadvindadestasituaçãoéqueacapacidade
de suporte
k
também será parcialmente conhecida. Logo não podemos determinar com exatidão omomento emque
f
muda desinal. Poroutrolado,porexemplopodemos saber,atravésdoprocessode modelagem, que quando o número de indivíduos de uma população é altíssimo a população
decresce.
Para construírmos o modelo p-fuzzy para populações com crescimento inibido, continuamos,
comonocasomalthusianocomumaentrada(população
x
)eumasaída(variação∆(x)
). Noentanto,ostermoslingüísticos quedescreverãoasvariáveis e obviamentea basederegras serão diferentes.
Utilizaremosostermoslingüísticos
T
x
= {
Baixa (B
),Média Baixa (M B
),Média (M
), MédiaAlta (
M A
), Alta (A
), e Altíssima (AT
)}
com o objetivo de determinar subjetivamente os estadosDamesmaformaostermoslingüísticos
T
∆(x)
= {
Baixa Negativa (BN
),Baixa Positiva (BP
),MédiaPositiva (
M P
) e Alta Positiva (AP
)}
representarãoosestadosassumidospelavariávelvari-ação. Asfunçõesdepertinência estão ilustradasnaFigura 2.5 .
0
50
100
150
200
250
300
0
0.2
0.4
0.6
0.8
1
Populacao
Grau de Pertinencia
B
MB
M
MA
A
AT
(a)Funçõesdepertinênciadaentrada.
−1
−0.5
0
0.5
1
1.5
2
0
0.2
0.4
0.6
0.8
1
Variacao
Grau de Pertinencia
BN
BP
MP
AP
(b)Funçõesdepertinênciadasaída.
Figura2.5.:Funçõesdepertinênciaparaentradaesaídadosistemap-fuzzycomcrescimento
inibidodotipologístico.
Note-se que enquanto a população apenas foi dividida de forma diferente através de outros
termoslingüísticos,a variação além deserdividida diferentemente, tem funçõesde pertinência com
suportestantopositivosquanto negativos. Estasituaçãoestádeacordocomosmodelos
determinís-ticosinibidosclássicos comoosde Verhulst,Motrolle seus derivados [10 ].
O modelo proposto por Verhulst, como já dissemos, propunha um limitador intrínseco no
crescimento populacional. Em outras palavras,quandotemosumapopulaçãobaixa o crescimento é
igualao modelo exponencial, positivo. Quando temosumapopulação média, ocrescimento ainda é
positivo, porém com intensidade menor. Quando a população se torna alta ou muito alta é que o
processo de limitaçãocomeça a operar, fazendoo crescimento populacional passar de positivo para
negativo. Estes tipos de hipóteses são bem descrita por regras fuzzy. A base de regras fuzzy que
utilizamospara modelareste tipo defenômeno está noQuadro 4.
Astrajetórias (soluções)da população, esboçadasna Figura2.6,mostra-nos que
independen-tementedo ponto inicial,a população tendeaumponto de equilíbrio,no caso
x
?
= 254.3503
. Para
R
1
:
Se apopulaçãoébaixa(B)
entãoavariaçãoébaixapositiva(BP )
R
2
:
Se apopulaçãoémédiabaixa(M B)
entãoavariaçãoémédiapositiva(M P )
R
3
:
Se apopulaçãoémédia(M )
entãoavariaçãoéaltapositiva(AP )
R
4
:
Se apopulaçãoémédiaalta(M A)
entãoavariaçãoémédiapositiva(M P )
R
5
:
Se apopulaçãoéalta(A)
entãoavariaçãoébaixapositiva(BP )
R
6
:
Se apopulaçãoéaltíssima(AT )
entãoavariaçãoébaixa negativa(BN )
Quadro4:Basederegrasparamodelaravariaçãodapopulaçãodotipologístico.
Estamos tentando procurar
x
?
tal que
∆(x
?
) = 0
. Para tanto primeiro podemos facilmente
vericar que os antecedentes da base de regras proposta para o modelo logístico se encaixam na
denição de subconjuntos sucessivos. Além disso há em nossa base de regras (Quadro 4 ), entre as
regras
R
4
eR
5
, oposição semântica como conseqüentes destas, isto é,∃x
1
, x
2
∈ (A ∪ AT )
tais que∆(x
1
) · ∆(x
2
) < 0
. Destaforma seI
?
= (A ∩ AT )
,
supp(I
?
) = (225; 275) 6= ∅
é região viável de equilíbrio. Pelo
Teorema 2.4existeentão
x
?
∈ (225; 275)
, ponto de equilíbriodo sistemap-fuzzy emquestão.
Mostremosagoraque
x
?
é único. Defatotemosque
µ
A
eµ
AT
sãomonótonasemsupp(I
?
) =
supp(225; 275)
. Além disso,µ
A
(225) = µ
AT
(275) = 1
e∀q ∈ (A ∩ AT )
temosque225 < q < 275
. EstashipótesessatisfazemoTeorema2.5demonstrandoquex
?
éúnico. Paramostrarque
x
?
= 250
utilizamo-nosdo algoritmoproposto por Cecconello, cujo idéia foiesboçadaanteriormente.
2.4. Sistemas P-fuzzy Bidimensionais
UmSistemaP-fuzzyBidimensional,tomandoporbaseaequação (2.1) ,podeserdescritoatravésdo
sistemade equações discretas