Scribd
Cargar
158 vistas17 páginas

Lógica difusa en Python: Ejemplo práctico

Este documento describe el uso de la lógica difusa en Python para modelar un sistema de propinas. Presenta un ejemplo teórico de un sistema de control difuso para calcular la propina en un restaurante en función de la calidad del servicio y los alimentos. Explica conceptos como conjuntos difusos, antecedentes, consecuentes, reglas, funciones de membresía y los pasos de fuzzificación, inferencia y defuzzificación. Luego aplica este modelo a un caso práctico con valores numéricos específicos para ilustrar el cálculo de

Cargado por

SankHarHeysonBravo
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PPTX, PDF, TXT o lee en línea desde Scribd
158 vistas17 páginas

Lógica difusa en Python: Ejemplo práctico

Este documento describe el uso de la lógica difusa en Python para modelar un sistema de propinas. Presenta un ejemplo teórico de un sistema de control difuso para calcular la propina en un restaurante en función de la calidad del servicio y los alimentos. Explica conceptos como conjuntos difusos, antecedentes, consecuentes, reglas, funciones de membresía y los pasos de fuzzificación, inferencia y defuzzificación. Luego aplica este modelo a un caso práctico con valores numéricos específicos para ilustrar el cálculo de

Cargado por

SankHarHeysonBravo
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PPTX, PDF, TXT o lee en línea desde Scribd

FUZZY LOGIC CON PYTHON

Harold Cotacallapa M.
Dr. Juan Jesús Soria Quijaite
Lofti A. Zadeh
Padre de la lógica difusa
1965
Research paper “Fuzzy sets”
¿Cuán seca está la ropa?

¿Cuán honesto es Juan?

¿Cuán cerca está A de B?


EJEMPLO
TEÓRICO
THE TIPPING PROBLEM

Creemos un sistema de control difuso que modele


cómo puede elegir dar propina en un restaurante. Al
dar propina, considera el servicio y la calidad de los
alimentos, con una calificación entre 0 y 10. Lo usa para
dejar una propina de entre 0 y 25%.
THE TIPPING PROBLEM
● Antecedents (Inputs)
○ Calidad de servicio
■ Universe (ie, crisp value range): ¿Cuán bueno fue el servicio
del mozo, en una escala de 0 a 10?
■ Fuzzy set (ie, fuzzy value range): malo, aceptable, excelente

○ Calidad de comida
■ Universe: ¿Cuán sabroso estaba la comida, en una escala de 0
a 10?
■ Fuzzy set: pésimo, regular, delicioso
THE TIPPING PROBLEM
● Consequents (Outputs)
○ Propina
■ Universe: ¿Cuánto debemos dar de propina, en una escala de
0% a 25%?
■ Fuzzy set: bajo, medio, alto
● Reglas
○ Si el servicio fue bueno OR la calidad de la comida fue buena, THEN
la propina será alta.
○ Si el servicio fue aceptable, THEN la propina será medio.
○ Si el servicio fue pobre AND la calidad de comida fue pobre, THEN
la propina será baja.
FUNCIONES DE MEMBRESÍA - INPUT
FUNCIONES DE MEMBRESÍA - OUTPUT
FUZZIFICACIÓN
C = 3.5 & S = 9.4

P(0.30) - R(0.7) - D(0.0) M(0.0) - A(0.12) - E(0.88)


INFERENCIA
C = 3.5 & S = 9.4

1. Si el servicio fue excelente OR la comida fue deliciosa, THEN la


propina será alta.

Servicio: E(0.88)
Comida: D(0.0)

Propina: A(0.88)
INFERENCIA
C = 3.5 & S = 9.4

2. Si el servicio fue aceptable, THEN la propina será medio.

Servicio: A(0.12)

Propina: M(0.12)
INFERENCIA
C = 3.5 & S = 9.4

3. Si el servicio fue malo AND la comida fue pésima, THEN la propina será baja.

Servicio: M(0.0)
Comida: P(0.30)

Propina: A(0.0)
DEFUZZIFICACIÓN
C = 3.5 & S = 9.4

COA (center of area)


COG (center of gravity)

Crisp value :

18.094444939812753
EJEMPLO
PRÁCTICO

FUZZY LOGIC CON PYTHON Harold Cotacallapa M. Dr. Juan Jesús Soria Quijaite
Padre de la lógica difusa 1965 Research paper “Fuzzy sets” Lofti A. Zadeh
¿Cuán seca está la ropa? ¿Cuán honesto es Juan? ¿Cuán cerca está A de B?
EJEMPLO TEÓRICO
THE TIPPING PROBLEM Creemos un sistema de control difuso que modele cómo puede elegir dar propina en un restaurante. Al dar
THE TIPPING PROBLEM ● Antecedents (Inputs) ○ Calidad de servicio ■ Universe (ie, crisp value range): ¿Cuán bueno fue el servi
THE TIPPING PROBLEM ● Consequents (Outputs) ○ Propina ■ Universe: ¿Cuánto debemos dar de propina, en una escala de 0% a 25%?
FUNCIONES DE MEMBRESÍA - INPUT
FUNCIONES DE MEMBRESÍA - OUTPUT
FUZZIFICACIÓN C = 3.5 & S = 9.4 P(0.30) - R(0.7) - D(0.0) M(0.0) - A(0.12) - E(0.88)

También podría gustarte