Conjuntos difusos intervalo-valorados: estado del arte González del Campo, Ramón, e-mail:[email protected], DSIC, UCM Garmendia, Luis, e-mail:[email protected], DISIA, UCM RESUMEN Los conjuntos difusos intervalo-valorados han sido ampliamente utilizados. En este artı́culo mostramos su semántica, su estructura matemática, sus relaciones con otras extensiones de los conjuntos difusos y las conectivas. También mostramos medidas de la entropı́a y de la especificidad de los conjuntos difusos intervalovalorados. Para finalizar indicamos las aplicaciones donde los conjuntos intervalovalorados han tenido más éxito. Palabras claves: Conjuntos difusos intervalo-valorados; negación intervalo-valorada; t-norma intervalo-valorada, t-conorma intervalo-valorada; medida de entropı́a intervalovalorada; especificidad intervalo-valorada. 1. INTRODUCCIÓN Los conjuntos difusos (fuzzy sets, FSs) que fueron introducidos por Zadeh en 1.965 [24] constituyeron una asombrosa herramienta para representar el conocimiento humano. Sin embargo, pronto, en 1.973, se vieron sus limitaciones en algunos problemas de toma de decisiones [25]. Con el propósito de superar estas limitaciones surgieron las generalizaciones de los conjuntos difusos. La eficacia de conjuntos difusos depende de lo representativo que sea el valor de ————————————————————————————————— Jornadas Internacionales de Didáctica de las Matemáticas en Ingenierı́a 321 Conjuntos difusos intervalo-valorados: estado del arte ————————————————————————————————— la función de pertenencia. En muchas ocasiones la elección de este valor es problemática. En estos casos puede ser apropiado representar el valor de pertenencia de un elemento a un conjunto mediante un intervalo de valores en lugar de un solo valor. A partir de estas ideas surgen los conjuntos difusos intervalo-valorados (interval-valued fuzzy sets, IVFSs). IVFSs asignan un subintervalo del intervalo [0,1] a cada elemento del universo. IVFSs permiten modelar tanto la vaguedad, carencia de nitidez de los lı́mites de un conjunto, como la imprecisión debida a la incertidumbre, carencia de información. En muchas aplicaciones IVFSs ofreciendo resultados menos especı́ficos pero más realistas que FSs [16]. En la década de 1.970 aparecieron las primeras publicaciones sobre IVFSs. Sambuc presentó el concepto de IVFSs con el nombre de F-fuzzy set [18] y Jahn empezó a estudiarlos [14]. Grattan-Guinness definió la función de pertenencia intervalo-valorada [11]. A lo largo de la decada de 1.980 a través de los trabajos de Gorzalczany y Turksen [9, 21] la importancia de IVFSs fue definitivamente establecida. 2. DEFINICIONES PREVIAS Definition 1 [7] LI = (L, ≤L ) es un retı́culo que satisface: 1. L = {[x1 , x2 ] ∈ [0, 1]2 with x1 ≤ x2 }. 2. [x1 , x2 ] ≤L [y1 , y2 ] if and only if x1 ≤ y1 and x2 ≤ y2 Además, de forma trivial tenemos: [x1 , x2 ] <L [y1 , y2 ] ⇔ x1 < y1 , x2 ≤ y2 or x1 ≤ y1 , x2 < y2 [x1 , x2 ] =L [y1 , y2 ] ⇔ x1 = y1 , x2 = y2 . ————————————————————————————————— 322 Jornadas Internacionales de Didáctica de las Matemáticas en Ingenierı́a Conjuntos difusos intervalo-valorados: estado del arte ————————————————————————————————— 0L =L [0, 0] and 1L =L [1, 1] son el menor y el mayor elemento de L respectivamente. LI es un retı́culo completo. Definition 2 [6] Sea {[vi , wi ]} un conjunto de intervalos en L. El supremo y el ı́nfimo son definidos de la siguiente forma: 1. InfL {[vi , wi ]} ≡ [inf imun{vi }, inf imun{wi }] 2. SupL {[vi , wi ]} ≡ [supremun{vi }, supremun{wi }] Definition 3 [7] Un conjunto intervalo-valorado difusto A en un universo X es una función: A = {(a, [x1 , x2 ]) | a ∈ X, [x1 , x2 ] ∈ L} Definition 4 [7] Sea X un universo A y B dos conjuntos intervalo-valorados. La iqualdad entre A y B se define: A =L B if and only if A(a) =L B(a) ∀a ∈ X. Definition 5 [7] Sea X un universo y A y B dos conjuntos intervalo-valorados difusos. La inclusión de A en B se define: A ⊆L B si y solo si A(a) ≤L B(a) ∀a ∈ X. 3. RELACIONES CON OTRAS EXTENSIONES El concepto de conjunto difuso de tipo 2 (type 2 fuzzy set) fue introducido por Zadeh en 1.975 [26] como una generalización de los conjuntos difusos. Dado un conjunto X, un conjunto difuso de tipo 2 A se define de la siguiente forma: A = {(a, x, µa (x) | a ∈ A, x ∈ [0, 1])} ————————————————————————————————— Jornadas Internacionales de Didáctica de las Matemáticas en Ingenierı́a 323 Conjuntos difusos intervalo-valorados: estado del arte ————————————————————————————————— La función µa (x) representa en grado en el que el valor x es el valor de pertenencia de a a A. Sea µa (x) una función de pertenencia de un conjunto de tipo 2. Sea µ(a) una función de pertenencia de un conjunto intervalo-valorado. Un conjunto intervalovalorado es un caso particular de conjunto difuso de tipo 2 que verifica: cte, si x ≤ x ≤ x ; 1 2 µa (x) = 0, en caso contrario. si µ(a) = [x1 , x2 ] Los conjuntos intuicionistas (Intuitionistic Fuzzy Sets IFSs) son una generalización de los conjuntos difusos muy utilizada. Fueron introducidos en 1.983 por Atanassov [1]. Un conjunto intuicionista A es una función que asigna a cada elemento a de X un grado de pertenencia y un grado de no pertenencia: A = {(a, µ(a), ν(a)) | a ∈ X, µ(a), ν(a) ∈ [0, 1]} donde µ + ν ≤ 1. El valor π = 1 − µ − ν se interpreta como una medida de la incertidumbre. Dado un conjunto difuso intervalo-valorado podemos obtener fácilmente un conjunto intuicionista mediante la función: Ψ : IVFSs → IFSs µ(a) = [µ(a), µ(a)] → [µ(a), 1 − µ(a)] En [8] se demuestra que Ψ es un isomorfismo. Por lo tanto, muchas resultados en IVFSs tienen una expresión equivalente en IFSs, y viceversa, aunque su semántica sea completamente distinta ————————————————————————————————— 324 Jornadas Internacionales de Didáctica de las Matemáticas en Ingenierı́a Conjuntos difusos intervalo-valorados: estado del arte ————————————————————————————————— 4. CONECTIVAS Definition 6 [7] En conjuntos intervalo-valorados una función negación N es una función decreciente, N : L → L, que satisface: 1. N (0L ) =L 1L 2. N (1L ) =L 0L Si se cumple N (N ([x1 , x2 ])) =L [x1 , x2 ] para todo [x1 , x2 ] en L entonces N se denomina negación involutiva. Definition 7 Una función negación para conjuntos intervalo-valorados N es una función involutiva, N : L → L, que satisface: 1. N (0L ) =L 1L 2. N (1L ) =L 0L Example 1 Sea N la función involutiva definida por la función: N :L→L N ([x1 , x2 ]) =L [1 − x2 , 1 − x1 ] Entonces N es un operador de negación para conjuntos intervalo-valorados. Es trivial probar que se cumple: N (0L ) =L 1L , N (1L ) =L 0L and N (N ([x1 , x2 ])) =L [x1 , x2 ]. De forma similar definimos las T-normas generalizadas en el retı́culo LI . ————————————————————————————————— Jornadas Internacionales de Didáctica de las Matemáticas en Ingenierı́a 325 Conjuntos difusos intervalo-valorados: estado del arte ————————————————————————————————— Definition 8 [7] Una t-norma generalizada T es una función estrictamente creciente, simétrica y asociativa, T : L2 → L, que verifica: T (1L , [x1 , x2 ]) =L [x1 , x2 ] for all [x1 , x2 ] in L. Es fácil probar: T (SupL {[vi , wi ]}, [y1 , y2 ]) ≥L SupL {T ([vi , wi ], [y1 , y2 ])} T (InfL {[vi , wi ]}, [y1 , y2 ]) ≤L InfL {T ([vi , wi ], [y1 , y2 ])} Debido a la asociatividad T la conjunción de tres o mas intervalos puede ser inductivamente definida como: T (a, T (b, c)) =L T (T (a, b), c) =L a 4 b 4 c where 4 =L T . donde a =L [a1 , a2 ], b =L [b1 , b2 ] y c =L [c1 , c2 ]. T ([x1 , x2 ], [y1 , y2 ]) y T ([x1 , x2 ], [y1 , y2 ]) representan el menor y mayor valor respectivamente de T ([x1 , x2 ], [y1 , y2 ]). Definition 9 [2] Sea {xi } in [0, 1]. Una t-norma generalizada T en ([0, 1], ≤) es continua por la izquierda si satisface: T (Sup xi , y) = Sup T (xi , y) La continuidad por la derecha puede ser definida de forma similar. Esta propiedad también es conocida como sup-preservancia. ————————————————————————————————— 326 Jornadas Internacionales de Didáctica de las Matemáticas en Ingenierı́a Conjuntos difusos intervalo-valorados: estado del arte ————————————————————————————————— Definition 10 [7] Una t-norma generalizada T es t-representable en LI si existen dos t-normas: T1 y T2 (T1 , T2 , en ([0,1],≤)) que verifica: T ([x1 , x2 ], [y1 , y2 ]) =L [T1 (x1 , y1 ), T2 (x2 , y2 )] donde T1 (v, w) ≤ T2 (v, w) ∀v, w ∈ [0, 1]. Sea x =L [x1 , x2 ] y y =L [y1 , y2 ] dos intervalos en L: Example 2 T =L [min(x1 , y1 ), min(x2 , y2 )] es t-representable en ([0,1],≤). Hay que resaltar que min es la mayor t-norm. Example 3 La siguiente t-norma generalizada T es t-representable: T ([x1 , x2 ], [y1 , y2 ]) =L [x1 ∗ y1 , x2 ∗ y2 ] Example 4 Existen dos generalizaciones de la t-norma de Lukasiewicz [6]: Tw ([x1 , x2 ], [y1 , y2 ]) =L [max(0, x1 + y1 − 1), max(0, x2 + y2 − 1)] TW ([x1 , x2 ], [y1 , y2 ]) =L [max(0, x1 + y1 − 1), max(0, x1 + y2 − 1, x2 + y1 − 1)] Tw es t-representable pero TW no. Definition 11 [7] Una t-conorm generalizada S es un operador creciente, commutativo y asociativo S : L2 → L, que satisface: S(0L , [x1 , x2 ]) =L [x1 , x2 ] y S(1L , [x1 , x2 ]) =L 1L . Debido a la asociatividad de S es posible escribir: S(a, S(b, c)) =L S(S(a, b), c) =L a 5 b 5 c donde 5 =L S. ————————————————————————————————— Jornadas Internacionales de Didáctica de las Matemáticas en Ingenierı́a 327 Conjuntos difusos intervalo-valorados: estado del arte ————————————————————————————————— Por ejemplo, S = SupL es una t-conorma generalizada. Consideremos las siguientes definiciones. Definition 12 Sea {[vi , wi ]} en L. Una t-norma generalizada T es continua por la izquierda si y solo si: T (SupL {[vi , wi ]}, [y1 , y2 ]) =L SupL {T ([vi , wi ], [y1 , y2 ])} La continuidad por la derecha puede ser definida de forma similar. Definition 13 Dada una t-norma generalizada T y una negación generalizada N , el operador: TN∗ =L N (T (N ([x1 , x2 ]), N ([y1 , y2 ])) es una t-conorma geralizada llamada t-conorma dual de T con respecto a N . Una t-norma, una negacion y la t-conorma dual de T con respecto a N es llamada tripleta de Morgan. 5. ALGUNAS APLICACIONES El razonamiento aproximado consiste en obtener una conclusión difusa a partir de un cojunto de premisas difusas. La generalización de la regla de inferencia del modus ponens mediante IVFSs ha sido ampliamente estudiada, ver [9, 7, 4]. En el procesamiento de imágenes IVFSs han tenido un éxito considerable. Uno de los principales retos del procesamiento de imágenes consiste en detectar las siluetas de los objetos. En [3] podemos ver cómo se utilizan IVFSs para afrontar este problema. ————————————————————————————————— 328 Jornadas Internacionales de Didáctica de las Matemáticas en Ingenierı́a Conjuntos difusos intervalo-valorados: estado del arte ————————————————————————————————— IVFSs han sido utilizado en programación lineal difusa [5, 12]; en economı́a [20, 23]; en medicina [18, 17]; en robótica [15, 13, 22]; en teorı́a de la posibilidad [7] y en control [10, 19]. Referencias [1] K.T. Atanassov. Intuitionistic Fuzzy Sets. Physica-Verlag, Heidelberg, New York,, 1999. [2] B. De Baets and H. De Meyer. On the existence and construction of ttransitive closures. Inf. Sci., 152(1):167–179, 2003. [3] E. Barrenechea. Image Processing with Interval-Valued Fuzzy Sets. Edge Detection. PhD thesis, Universidad Publica de Navarra, 2005. [4] H. Bustince and P. Burillo. Mathematical analysis of interval-valued fuzzy relations: Application to approximate reasoning. Fuzzy Sets Syst, 113:205– 219, 2000. [5] J. Chiang. Fuzzy linear programming based on statistical confidence interval and interval-valued fuzzy set. Eur. J. Oper. Res, 129:65–86, 2001. [6] C. Cornelis, G. Deschrijver, and E. Kerre. Advances and challenges in interval-valued fuzzy logic. Fuzzy Sets and Systems, 157(5):622–627, 2006. [7] C. Cornelis, G.Deschrijver, and E. Kerre. Implication in intuitionistic fuzzy and interval-valued fuzzy set theory: construction, classification, application. Int. J. Approx. Reasoning, 35(1):55–95, 2004. [8] Glad Deschrijver and Etienne E. Kerre. On the relationship between some extensions of fuzzy set theory. Fuzzy Sets Syst., 133(2):227–235, 2003. [9] M.B. Gorzalczany. A method of inference in approximate reasoning based on interval-valued fuzzy sets. Fuzzy Sets Syst, 21:1–17, 1987. [10] M.B. Gorzalczany. Interval-valued fuzzy controller based on verbal model of object. Fuzzy Sets Syst, 28(1):45–53, 1988. [11] I. Grattan-Guinness. Fuzzy membership mapped onto interval and manyvalued quantities. Z. Math. Log. Grundl. Math, 22:149–160, 1976. [12] H.-F.Wang and M.-L.Wang. A fuzzy multiobjective linear programming. Fuzzy Sets Syst, 86(1):61–72, 1997. [13] H. Hagras. A hierarchical type-2 fuzzy logic control architecture for autonomous mobile robots. IEEE Trans. Fuzzy Syst, 12(4):524–539, 2004. [14] K.U. Jahn. Intervall-wertige mengen. Math. Nach., 68:115–132, 1975. [15] B.W. Pilsworth J.F. Baldwin. Axiomatic approach to implication for approximate reasoning with fuzzy logic. Fuzzy Sets Syst, 3:193–219, 1980. [16] G. Klir and B. Yuan. Fuzzy Sets and Fuzzy Logic: Theory and Applications. Prentice Hall, Upper Saddle River, NJ, 1975. [17] M.K. Roy and R. Biswas. I-v fuzzy relations and sanchez’s approach for medical diagnosis. Fuzzy Sets Syst, 47:35–38, 1992. [18] R. Sambuc. Function Phi-Flous, Application a l’aide au Diagnostic en Pathologie Thyroidienne. PhD thesis, University of Marseille, 1975. [19] R. Sepulveda, O. Castillo, P. Melin, A. Rodriguez-Diaz, and O. Montiel. Experimental study of intelligent controllers under uncertainty using type-1 and type-2 fuzzy logic. Inf. Sci, 177:2023–2048, 2007. [20] A. Serguieva and J. Hunter. Fuzzy interval methods in investment risk appraisal. Fuzzy Sets Syst, 142(3):443–466, 2004. [21] I.B. Turksen. Interval valued fuzzy sets based on normal forms. Fuzzy Sets Syst, 20(2):191–210, 1986. [22] K.C. Wu. Fuzzy interval control of mobile robots. Comput. Electr. Eng, 22(3):211–229, 1996. [23] J.S. Yao and T.S. Shih. Fuzzy revenue for fuzzy demand quantity based on interval-valued fuzzy sets. Comput. Fuzzy Syst, 29:1495–1535, 2002. [24] L.A. Zadeh. Fuzzy sets. Information And Control, 8:338–353, 1965. [25] L.A. Zadeh. Outline of a new approach to analysis of complex systems and decision processes. IEEE Trans. Syst. Man Cybern, 3:22–44, 1973. [26] L.A. Zadeh. The concept of a linguistic variable and its application to approximate reasoning i. Information Sciences, 8:199–249, 1975.