Aplicações de Lógicas não clássicas em programação

Aline Pêgas

Bacharel em matemática pura pela UNICAMP
Linux Ninja na ARKAN SYSTEM
 

slides.com/alinepegas/fuzzy

O que são lógicas não clássicas?

Existe mais de uma lógica?

Lógicas Não-Clássicas

• Lógica multivalorada (fuzzy está aqui dentro)
• Lógica intuicionista
• Lógica modal
• Lógica paraconsistente (Newton da Costa - Curitibano)
• Lógica linear, de relevância e lógicas não-monotônicas
• Lógicas não-reflexivas
• Lógica de computabilidade
• Lógica deôntica

O Paradoxo de Russel

Se P é a propriedade de ser um peixe, então

o conjunto S de todos os peixes pode ser definido como S={x:P(x)}

Se w é um peixe chamado Wanda,

então w pertence à S

w ∊ S

Se φ(x) significa x ∈ x e  R = {x: ~φ(x)}, então R é o conjunto cujos membros são os objetos que não são membros deles mesmos

O Paradoxo de Russel

Seja R = { x : x ∉ x}. Então, R ∈ R ⟺ R ∉ R

R é um membro dele mesmo? Se for, então deve satisfazer a condição de não ser membro dele mesmo, e portanto R ∉ R. Se não for, então não deve satisfazer a condição de não ser um membro dele mesmo, portanto R ∈ R.

Lógicas Multivaloradas

Lógica ternária

Três valores de verdade.

Por exemplo: verdadeiro, falso e incerto. Mas também pode ser 1, 0 e 1/2 ou laranja, maçã e banana.

Aplicação: SQL

NULL

TRUE   FALSE   UNKNOWN

Lógica Fuzzy

• Foi feita para modelar o raciocínio lógico com afirmações vagas ou imprecisas, como "Brian é alto (pobre, bonito, jovem)"
• É vero-funcional, ou seja o valor de verdade (nesse caso grau de verdade) de uma afirmação como "Erik é alto e Terry é rico" é determinado pelo valor de verdade de suas componentes
• Veio da teoria de conjuntos fuzzy (Zadeh, 1965)
  • Um conjunto fuzzy associa a seus elementos um grau de pertencimento (geralmente um número entre 0 e 1)
  • A lógica fuzzy associa a proposições um grau de "verdade". Geralmente 0 = totalmente falso e 1 = totalmente verdadeiro
• É super legal

Lógica Fuzzy

Processo:

1. Transformação das variáveis do problema em valores fuzzy, ou fuzzificação
2. Aplicação dos operadores fuzzy
3. Aplicação da implicação
4. Combinação de todas as saídas fuzzy possíveis
5. Transformação do resultado fuzzy em um resultado nítido, a defuzzificação.

O problema da gorjeta

INPUT:

quality = Qualidade da comida

service = Qualidade do serviço

OUTPUT:

tip = porcentagem do valor da conta a ser adicionado como gorjeta

alto - médio - baixo

import numpy as np
import skfuzzy as fuzz
import matplotlib.pyplot as plt

# Generate universe variables
#   * Quality and service on subjective ranges [0, 10]
#   * Tip has a range of [0, 25] in units of percentage points
x_qual = np.arange(0, 11, 1)
x_serv = np.arange(0, 11, 1)
x_tip  = np.arange(0, 26, 1)

numpy - Computação científica com Python

skfuzzy - Fuzzy logic toolbox

matplotlib - Python 2D plotting library

numpy.arange([start, ]stop, [step, ]dtype=None)

O problema da gorjeta

Triangular membership function generator

# Visualize these universes and membership functions
fig, (ax0, ax1, ax2) = plt.subplots(nrows=3, figsize=(8, 9))

ax0.plot(x_qual, qual_lo, 'b', linewidth=1.5, label='Bad')
ax0.plot(x_qual, qual_md, 'g', linewidth=1.5, label='Decent')
ax0.plot(x_qual, qual_hi, 'r', linewidth=1.5, label='Great')
ax0.set_title('Food quality')
ax0.legend()

ax1.plot(x_serv, serv_lo, 'b', linewidth=1.5, label='Poor')
ax1.plot(x_serv, serv_md, 'g', linewidth=1.5, label='Acceptable')
ax1.plot(x_serv, serv_hi, 'r', linewidth=1.5, label='Amazing')
ax1.set_title('Service quality')
ax1.legend()

ax2.plot(x_tip, tip_lo, 'b', linewidth=1.5, label='Low')
ax2.plot(x_tip, tip_md, 'g', linewidth=1.5, label='Medium')
ax2.plot(x_tip, tip_hi, 'r', linewidth=1.5, label='High')
ax2.set_title('Tip amount')
ax2.legend()

# Turn off top/right axes
for ax in (ax0, ax1, ax2):
    ax.spines['top'].set_visible(False)
    ax.spines['right'].set_visible(False)
    ax.get_xaxis().tick_bottom()
    ax.get_yaxis().tick_left()

plt.tight_layout()

Regras fuzzy

Agora, para dar uma utilidade para os nossos triângulos, definimos uma relação fuzzy entre as variáveis de entrada e saída. No nosso exemplo vamos usar essas 3 regras:

1. Se a comida estava ruim OU o serviço foi ruim, ENTÃO a gorjeta vai ser pequena
2. Se o serviço foi aceitável, ENTÃO a gorjeta vai ser média
3. Se a comida estava ótima OU o serviço foi maravilhoso, ENTÃO a gorjeta vai ser alta

• Qualidade da comida = 6.5

• Qualidade do serviço = 9.8

# Now we take our rules and apply them.
# Rule 1 concerns bad food OR service.
# The OR operator means we take the maximum of these two.
active_rule1 = np.fmax(qual_level_lo, serv_level_lo)

# Now we apply this by clipping the top off the corresponding output
# membership function with `np.fmin`
tip_activation_lo = np.fmin(active_rule1, tip_lo)# removed entirely to 0

# For rule 2 we connect acceptable service to medium tipping
tip_activation_md = np.fmin(serv_level_md, tip_md)

# For rule 3 we connect high service OR high food with high tipping
active_rule3 = np.fmax(qual_level_hi, serv_level_hi)
tip_activation_hi = np.fmin(active_rule3, tip_hi)
tip0 = np.zeros_like(x_tip)

# Visualize this
fig, ax0 = plt.subplots(figsize=(8, 3))

ax0.fill_between(x_tip, tip0, tip_activation_lo, facecolor='b', alpha=0.7)
ax0.plot(x_tip, tip_lo, 'b', linewidth=0.5, linestyle='--', )
ax0.fill_between(x_tip, tip0, tip_activation_md, facecolor='g', alpha=0.7)
ax0.plot(x_tip, tip_md, 'g', linewidth=0.5, linestyle='--')
ax0.fill_between(x_tip, tip0, tip_activation_hi, facecolor='r', alpha=0.7)
ax0.plot(x_tip, tip_hi, 'r', linewidth=0.5, linestyle='--')
ax0.set_title('Output membership activity')

# Turn off top/right axes
for ax in (ax0,):
    ax.spines['top'].set_visible(False)
    ax.spines['right'].set_visible(False)
    ax.get_xaxis().tick_bottom()
    ax.get_yaxis().tick_left()

plt.tight_layout()

# Aggregate all three output membership functions together
aggregated = np.fmax(tip_activation_lo,
                     np.fmax(tip_activation_md, tip_activation_hi))

# Calculate defuzzified result
tip = fuzz.defuzz(x_tip, aggregated, 'centroid')
tip_activation = fuzz.interp_membership(x_tip, aggregated, tip)  # for plot

Combinação das saídas fuzzy

Com a atividade de cada função pertencimento de saída conhecida, todas as funções de pertencimento de saída tem que ser combinadas. Geralmente isso e feito usando um operador de máximo.

Defuzzificação

Finalmente, para obter uma resposta prática, retornamos para a lógica crisp. Para o nosso exemplo, vamos usar o método do centróide.

O resultado é uma gorjeta de 20.2%.

# Visualize this
fig, ax0 = plt.subplots(figsize=(8, 3))

ax0.plot(x_tip, tip_lo, 'b', linewidth=0.5, linestyle='--', )
ax0.plot(x_tip, tip_md, 'g', linewidth=0.5, linestyle='--')
ax0.plot(x_tip, tip_hi, 'r', linewidth=0.5, linestyle='--')
ax0.fill_between(x_tip, tip0, aggregated, facecolor='Orange', alpha=0.7)
ax0.plot([tip, tip], [0, tip_activation], 'k', linewidth=1.5, alpha=0.9)
ax0.set_title('Aggregated membership and result (line)')

# Turn off top/right axes
for ax in (ax0,):
    ax.spines['top'].set_visible(False)
    ax.spines['right'].set_visible(False)
    ax.get_xaxis().tick_bottom()
    ax.get_yaxis().tick_left()

plt.tight_layout()

@alinepegas

alinepegas.com.br