Artigo FUZZY

Há, porém, casos em que o progresso dessas técnicas não é satisfatório e para os quais a Lógica Fuzzy representa certa preferência, que possibilita inferir do processamento vantajoso as melhores decisões empregando a experiência dos especialistas. De acordo com Mendiburu (2008) a Lógica Fuzzy favorece a tomada de decisão no concernente aos serviços, o campo do meneio e a gestão, por ser uma das ferramentas da destreza artificial que emprega a experiência do cidadão para fazer lucidez. Dessa maneira, é possível demonstrar um sistema de gestão a partir de um modelo matemático não simples, fazendo utilização de variáveis linguísticas e certas condições ou regras primeiro definidas. A metodologia trata de emular a experiência adquirida por um ou mais pessoas humanos durante do tempo, esse sistema terá um lembrete com uma base de dados com múltiplas explicações a uma mesma dificuldade, em seguida o sistema terá de adotar de entre essas explicações a que melhor poda aplicar-se a fim de atingir os melhores resultados.

Objetivo: O pronto trabalho possui como recurso de chegada o indutivo, no qual se almeja alcançar a conclusões de teor também rico ou mais geral que as asserções ou pressupostos em que se baseia, por meio da avaliação dos fenômenos, a manifestação da correlação entre eles e a generalização da correlação descoberta. Justificativa: “ Sem reserva é improvável uma corporação funcionar, uma vez que ela funciona como amortecedor entre os diversos estágios da fabricação até a distribuição final do produto ” Novaes (2004, p. Dessa maneira, as ações a corporificar para sua adequada gestão se refletirão no performance da empresa, evitando descontinuidades no processamento vantajoso, produtos faltantes, solicitações com atrasos e compradores insatisfeitos com a tardada do atendimento.

Ditas ações representam a tomada de decisão nos sistemas de controle de estoques atuais, que em sua maior parte se baseiam na experiência humana, nos históricos e na especulação de probabilidades e são capazes de ser melhorados com a elaboração da Lógica Fuzzy, técnica que constitui uma maneira inovadora de manuseação de dados e informações, que são capazes de aparecer expressões verbais, vagas, imprecisas e qualitativas existentes na comunicação humana em princípios numéricos, para sucessivamente transfigurar a experiência humana em uma maneira descomplicado pelos computadores, incentivando o sucesso na obra de técnicas para tomada de decisão em complicações complexos como é o caso do controle de processos e ervas industriais. Simoes e Shaw (2007).

Em motivo da valia e a dificuldade da gestão de estoques nos processos de fabricação, do atração física de reproduzir estudo sob a auditiva da Lógica Fuzzy como ferramenta para ajudar o processamento de tomada de decisão em sistemas de controle de estoques e graças à propinquidade com uma empresa produtora e comercializadora de produtos e serviços para o setor moveleiro, a madeiro e a construção, nasce à ideia do presente trabalho de reproduzir um sistema de inferência Fuzzy para favorecer a tomada de decisão na gestão de estoques. Aristóteles criou a Lógica Aristotélica ou Lógica bivalente clássica. Campos Filho (2004), que é caracterizada por 2 princípios que são a princípio da lógica da não antítese o e da princípio do alcoviteiro proscrito.

A princípio da lógica da não antítese diz que nenhum asserto pode ser declarada sincera e traiçoeira ao mesmo tempo, enquanto a princípio do alcoviteiro proscrito diz que uma asserto tem que ser sincera ou traiçoeira. Já em 1847, Boole atribui princípios numéricos para as afirmações, valor 1(um) para as afirmações verdadeiras e 0 (zero) para as afirmações falsas. Campos Filho (2004). A Lógica Fuzzy permite representar o conhecimento comum, que na maioria é de tipo linguístico qualitativo e não necessariamente quantitativo, em uma linguagem matemática através da teoria de conjuntos Fuzzy e funções características associadas a eles. Embora permita trabalhar com dados numéricos e termos linguísticos, os termos linguísticos são inerentes, menos precisos que os dados numéricos, mas em muitas ocasiões aportam uma informação mais útil para o raciocínio humano.

Ao contrário da lógica tradicional, a Lógica Fuzzy não impõe limites bruscos, proporcionando graus de pertinência de elementos a uma determinada categoria. Pode-se dizer então que a lógica Fuzzy é uma ferramenta capaz de capturar informações vagas, em geral descritas em linguagem natural e convertê-las para um formato numérico, de fácil manipulação. A extração destas informações vagas se dá através do uso de conjuntos nebulosos fuzzy sets Adilea (2003). Em seguida, passa-se para a etapa de fuzzificação, no qual se identificam os princípios outorgados às variáveis e se normalizam em um universo padronizado para serem ativadas as regras que já foram predefinidas com base no entendimento. Posteriormente, é mostrado o processamento de inferência, que determina como serão acionadas e combinadas essas regras, para, por fim, mudar pela etapa de defuzzificação, que converte de novo os resultados arranjados em dados para informações da saída no qual se apresentarão ao utente.

A figurante embaixo apresenta um sistema de inferência Fuzzy abordando o conceito dos conjuntos Fuzzy nas etapas mencionadas antigamente. Variáveis linguísticas A Lógica Fuzzy tem dentro de suas vantagens a possibilidade de converter a linguagem de valores numéricos em variáveis linguísticas ou nomes de conjuntos fuzzy, onde sua função principal é dar uma caracterização a aqueles termos complexos que não podem ser analisados por meio dos valores matemáticos. Na figura acima está representada a variável linguística estatura os valores de baixa, media e alta e a suas funções de pertinência, onde estaturas até 1,5 metros apresentam grau de pertinência igual a 1 no conjunto A; o grau de pertinência neste conjunto decresce à medida que a estatura aumenta.

Nessa etapa o organismo chave é a proposição que representa o relacionamento entre as variáveis do modelo e regiões Fuzzy, estas podem ser condicionais como “SE e ENTÃO”, e não condicionais como “É” e a etapa de defuzzificação que é onde as regiões resultantes são convertidas em valores para a variável de saída do sistema esta etapa corresponde à ligação funcional entre as regiões Fuzzy e o valor esperado. Existem diversos métodos para realizar a defuzzificação entre eles o Método de Centroide, o Método de Centro das Somas, Método da Média dos Máximos, etc. Operações entre conjuntos Fuzzy: Segundo Ross (2004), as operações básicas definidas sobre os conjuntos clássicos podem também ser generalizadas aos conjuntos difusos.

Dentro da teoria dos conjuntos difusos tem especial relevância as que fazem uso dessas operações básicas definidas na tabela abaixo: União: Dados os conjuntos Fuzzy A e B, definidos sobre o mesmo universo de discurso x, define a sua união como um conjunto Fuzzy A U B, onde a função de pertinência é dada pela expressão: µA U B(x) = µA(x) U µB(x) = max{µA(x), µB(x)} Intersecção: Dados os conjuntos difusos µA e µB, definidos sobre um mesmo universo de discurso x, define a sua intersecção como um conjunto difuso A∩B, onde a função de pertinência é dada pela seguinte expressão: µA∩B(x) = µA(x) ∩ µB(x) = min{µA(x), µB(x)} Complemento: Um conjunto fuzzy µA Ϲ x define seu complemento como o conjunto difuso Ā onde a sua função de pertinência esta dada pela expressão: ⌐µA(x) = 1- µA(x) Abaixo podemos verificar por meio de um exemplo a representação gráfica do complemento nos conjuntos fuzzy.

Propriedades dos Conjuntos: Segundo Transcheit (2010), as leis e propriedades que são empregadas nos conjuntos crisp, não sempre são utilizadas nos conjuntos fuzzy. Conjunto fuzzy e seu complemento A∩A’ ≠ Ø A∪A’ ≠ E g. Conjunto fuzzy e seu conjunto nulo A ∩ Ø = Ø A ∪ Ø = A h. Conjunto fuzzy e o conjunto universal A ∩ E = A A ∪ E = E i. Teorema de Morgan (A∩B)’ = A’ ∪ B’ (A∪B)’ = A’ ∩ B’ Referências: CAMPOS FILHO, P. Método para apoio à decisão na verificação da sustentabilidade. Foro Internacional de Voces Expertas para Integrar Tecnología y Negocios en un Mundo Global, EXPO COMM, México, Feb/2008 NOVAES, Antônio Galvão. Logística e gerenciamento da cadeia de distribuição. ed. Rio de Janeiro: Elsevier, 2004. p. Disponível em: <http://www. ica.

ele. pucrio. br/cursos/download/ICA-Sistemas%20 Fuzzy.