Lógica Fuzzy

O que é lógica difusa?

A lógica fuzzy é uma abordagem de processamento de variáveis que permite que vários valores de verdade possíveis sejam processados por meio de uma mesma variável. A lógica fuzzy tenta resolver problemas com um espectro aberto e impreciso de dados e heurísticas que possibilitam a obtenção de uma série de conclusões precisas.

A lógica fuzzy é projetada para resolver problemas considerando todas as informações disponíveis e tomando a melhor decisão possível dada a entrada.

Entendendo a Lógica Fuzzy

A lógica difusa deriva do estudo matemático da lógica multivalorada. Enquanto a lógica comum lida com declarações de verdade absoluta (como "Este objeto é verde?"), a lógica difusa trata de conjuntos com definições subjetivas ou relativas, como "alto", "grande" ou "bonito". Essas tentativas de imitar a maneira como os humanos analisam problemas e tomam decisões, de uma maneira que se baseia em valores vagos ou imprecisos, em vez de verdade ou falsidade absoluta.

Na prática, todas essas construções permitem valores parciais da condição "verdadeira". Em vez de exigir que todas as afirmações sejam absolutamente verdadeiras ou absolutamente falsas, como na lógica clássica, os valores de verdade na lógica fuzzy podem ser qualquer valor entre zero e um. Isso cria uma oportunidade para os algoritmos tomarem decisões com base em intervalos de dados, em oposição a um ponto de dados discreto.

Na lógica padrão, cada declaração deve ter um valor absoluto: verdadeiro ou falso. Na lógica fuzzy, os valores de verdade são substituídos por graus de "pertencimento" de 0 a 1, onde 1 é absolutamente verdadeiro e 0 é absolutamente falso.

História da Lógica Fuzzy

A lógica fuzzy foi proposta pela primeira vez por Lotfi Zadeh em um artigo de 1965 para a revista Information and Control. regras para este tipo de conjunto.

"Na maioria das vezes, as classes de objetos encontrados no mundo físico real não possuem critérios de associação precisamente definidos", explicou Zadeh. "No entanto, permanece o fato de que essas 'classes' definidas de forma imprecisa desempenham um papel importante no pensamento humano, particularmente nos domínios de reconhecimento de padrões, comunicação de informações e abstração".

Desde então, a lógica fuzzy tem sido aplicada com sucesso em sistemas de controle de máquinas, processamento de imagens, inteligência artificial e outros campos que dependem de sinais com interpretação ambígua.

Considerações Especiais

A lógica fuzzy em seu sentido mais básico é desenvolvida através da análise do tipo de árvore de decisão. Assim, em uma escala mais ampla, forma a base para sistemas de inteligência artificial programados por meio de inferências baseadas em regras.

Geralmente, o termo fuzzy refere-se ao grande número de cenários que podem ser desenvolvidos em um sistema do tipo árvore de decisão. O desenvolvimento de protocolos de lógica fuzzy pode exigir a integração de programação baseada em regras. Essas regras de programação podem ser chamadas de conjuntos fuzzy, pois são desenvolvidas a critério de modelos abrangentes.

Conjuntos fuzzy também podem ser mais complexos. Em analogias de programação mais complexas, os programadores podem ter a capacidade de ampliar as regras usadas para determinar a inclusão e exclusão de variáveis. Isso pode resultar em uma gama mais ampla de opções com raciocínio baseado em regras menos preciso.

A lógica fuzzy pode ser usada em software de negociação, onde é usada para analisar dados de mercado para sinais de compra e venda.

Semântica Fuzzy em Inteligência Artificial

O conceito de lógica fuzzy e semântica fuzzy é um componente central para a programação de soluções de inteligência artificial. As soluções e ferramentas de inteligência artificial continuam a se expandir na economia em vários setores, à medida que os recursos de programação da lógica difusa também se expandem.

O Watson da IBM é um dos sistemas de inteligência artificial mais conhecidos usando variações de lógica fuzzy e semântica fuzzy. Especificamente em serviços financeiros, a lógica difusa está sendo usada em sistemas de aprendizado de máquina e tecnologia que suportam saídas de inteligência de investimento.

Em alguns modelos de negociação avançados, a integração da matemática da lógica difusa também pode ser usada para ajudar os analistas a criar sinais automatizados de compra e venda. Esses sistemas ajudam os investidores a reagir a uma ampla gama de variáveis de mercado em mudança que afetam seus investimentos.

Exemplos de lógica difusa

Em modelos avançados de negociação de software, os sistemas podem usar conjuntos fuzzy programáveis para analisar milhares de títulos em tempo real e apresentar ao investidor a melhor oportunidade disponível. A lógica difusa é frequentemente usada quando um trader procura fazer uso de vários fatores para consideração. Isso pode resultar em uma análise restrita para decisões de negociação. Os comerciantes também podem ter a capacidade de programar uma variedade de regras para decretar negócios. Dois exemplos incluem o seguinte:

Regra 1: Se a média móvel for baixa e o Índice de Força Relativa (RSI) for baixo, venda.
Regra 2: Se a média móvel for alta e o Índice de Força Relativa (RSI) for alto, compre.

A lógica difusa permite que um trader programe suas próprias inferências subjetivas em baixo e alto nesses exemplos básicos para chegar aos seus próprios sinais de negociação automatizados.

Vantagens e Desvantagens da Lógica Fuzzy

A lógica fuzzy é frequentemente usada em controladores de máquinas e inteligência artificial e também pode ser aplicada a softwares de negociação. Embora tenha uma ampla gama de aplicações, também possui limitações substanciais.

Como a lógica difusa imita a tomada de decisão humana, é mais útil para modelar problemas complexos com entradas ambíguas ou distorcidas. Devido às semelhanças com a linguagem natural, os algoritmos de lógica difusa são mais fáceis de codificar do que a programação lógica padrão e requerem menos instruções, economizando assim nos requisitos de armazenamento de memória.

Essas vantagens também vêm com desvantagens, devido à natureza imprecisa da lógica fuzzy. Como os sistemas são projetados para dados e entradas imprecisos, eles devem ser testados e validados para evitar resultados imprecisos.

TT

A linha de fundo

A lógica fuzzy é uma extensão da lógica clássica que incorpora as incertezas que influenciam a tomada de decisão humana. É frequentemente usado para resolver problemas complexos, onde os parâmetros podem ser pouco claros ou imprecisos. A lógica difusa também é usada em software de investimento, onde pode ser usada para interpretar sinais de negociação ambíguos ou pouco claros.

##Destaques

Devido às semelhanças com a linguagem comum, os algoritmos difusos são relativamente simples de codificar, mas podem exigir verificação e testes completos.
Teoricamente, isso dá à abordagem mais oportunidade de imitar circunstâncias da vida real, onde declarações de verdade absoluta ou falsidade são raras.
A lógica fuzzy é uma generalização da lógica padrão, na qual todas as declarações têm um valor de verdade de um ou zero. Na lógica fuzzy, as declarações podem ter um valor de verdade parcial, como 0,9 ou 0,5.
A lógica fuzzy é uma abordagem heurística que permite um processamento de árvore de decisão mais avançado e melhor integração com programação baseada em regras.
A lógica fuzzy pode ser usada por analistas quantitativos para melhorar a execução de seus algoritmos.

##PERGUNTAS FREQUENTES

Lógica Fuzzy é o mesmo que Aprendizado de Máquina?

A lógica difusa é frequentemente agrupada com aprendizado de máquina, mas elas não são a mesma coisa. O aprendizado de máquina refere-se a sistemas computacionais que imitam a cognição humana, adaptando iterativamente algoritmos para resolver problemas complexos. 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. Ambas as áreas têm aplicações em inteligência artificial e resolução de problemas complexos.

O que é lógica fuzzy em mineração de dados?

A mineração de dados é o processo de identificar relacionamentos significativos em grandes conjuntos de dados, um campo que se sobrepõe à estatística, aprendizado de máquina e ciência da computação. A lógica fuzzy é um conjunto de regras que podem ser usadas para chegar a conclusões lógicas a partir de conjuntos fuzzy de dados. Como a mineração de dados é frequentemente aplicada a medições imprecisas, a lógica difusa é uma maneira útil de determinar relacionamentos relevantes a partir desse tipo de dados.

Qual é a diferença entre lógica fuzzy e redes neurais?

rede neural artificial é um sistema computacional projetado para imitar os procedimentos de resolução de problemas de um sistema nervoso semelhante ao humano. Isso é diferente da lógica fuzzy, um conjunto de regras projetadas para chegar a conclusões a partir de dados imprecisos. Ambos têm aplicações na ciência da computação, mas são campos distintos.