Lógica Difusa: Definición, Significado, Ejemplos e Historia

Definicion de Lógica Difusa: Definición, Significado, Ejemplos e Historia

Lógica Difusa: Definición, Significado, Ejemplos e Historia

Preguntas Frecuentes

Incluye tres preguntas frecuentes sobre el contenido dando sus respuestas. Utiliza muchas negritas utilizando HTML tag ¿Qué es la lógica difusa? La lógica difusa es un enfoque para el procesamiento de variables que permite procesar múltiples valores de verdad posibles utilizando la misma variable. La lógica difusa intenta resolver problemas con una gama abierta e imprecisa de datos y heurísticas que producen una serie de inferencias precisas. La lógica difusa está diseñada para resolver problemas considerando toda la información disponible y tomando la mejor decisión teniendo en cuenta los datos de entrada. Resultados clave La lógica difusa es un enfoque heurístico que proporciona un procesamiento de árboles de decisiones más complejo y una mejor integración con la programación basada en reglas.La lógica difusa es una generalización de la lógica estándar en la que todas las afirmaciones tienen un valor de verdad de uno o cero. En lógica difusa, las afirmaciones pueden tener un valor de verdad parcial, como 0,9 o 0,5.En teoría, esto le da al enfoque una mayor capacidad para simular circunstancias del mundo real en las que las afirmaciones de verdad o falsedad absoluta son raras.Los analistas cuantitativos pueden utilizar la lógica difusa para mejorar el rendimiento de sus algoritmos.Debido a su similitud con el lenguaje común, los algoritmos difusos son relativamente fáciles de codificar, pero pueden requerir una verificación y pruebas cuidadosas. Comprender la lógica difusa La lógica difusa surge del estudio matemático de la lógica multivaluada. Mientras que la lógica ordinaria se ocupa de afirmaciones de verdad absoluta (por ejemplo, «¿Es este objeto verde?»), la lógica difusa se ocupa de conjuntos con definiciones subjetivas o relativas, como «alto», «grande» o «hermoso». Intenta simular la forma en que las personas analizan los problemas y toman decisiones basándose en valores vagos o imprecisos en lugar de verdades o mentiras absolutas. En la práctica, todas estas construcciones permiten valores parciales de la condición «verdadera». En lugar de exigir que todas las afirmaciones sean absolutamente verdaderas o absolutamente falsas, como en la lógica clásica, los valores de verdad en la lógica difusa pueden ser cualquier valor de cero a uno. Esto brinda a los algoritmos la capacidad de tomar decisiones basadas en rangos de datos en lugar de en un punto de datos discreto. Hoy en día, la lógica difusa se utiliza en una amplia gama de aplicaciones, que incluyen: ingeniería aeroespacial, control del tráfico automotriz, toma de decisiones comerciales, procesos industriales, inteligencia artificial y aprendizaje automático. En lógica estándar, cada afirmación debe tener un valor absoluto: verdadero o falso. En lógica difusa, los valores de verdad se reemplazan por grados de “pertenencia” de 0 a 1, donde 1 es absolutamente verdadero y 0 es absolutamente falso. Historia de la lógica difusa La lógica difusa fue propuesta por primera vez por Lutfi Zadeh en un artículo de revista en 1965. Información y control. En su artículo titulado “Conjuntos difusos”, Zadeh intentó reflejar el tipo de datos utilizados en el procesamiento de información y derivó reglas lógicas elementales para dichos conjuntos. «La mayoría de las veces, las clases de objetos que se encuentran en el mundo físico real no tienen criterios de pertenencia claramente definidos», explicó Zadeh. «Sin embargo, el hecho es que estas ‘clases’ mal definidas desempeñan un papel importante en el pensamiento humano, especialmente en las áreas de reconocimiento de patrones, transferencia de información y abstracción». Desde entonces, la lógica difusa se ha aplicado con éxito en sistemas de control de máquinas, procesamiento de imágenes, inteligencia artificial y otras áreas basadas en señales con interpretación ambigua. Lógica difusa y árboles de decisión La lógica difusa en su sentido más básico se desarrolla mediante un análisis de tipo árbol de decisión. Por tanto, a mayor escala, constituye la base de los sistemas de inteligencia artificial programados mediante inferencia basada en reglas. Generalmente, el término «difuso» se refiere a la gran cantidad de escenarios que se pueden desarrollar en un sistema como un árbol de decisión. El desarrollo de protocolos de lógica difusa puede requerir la integración de programación basada en reglas. Estas reglas de programación pueden denominarse conjuntos difusos porque se desarrollan a discreción de modelos complejos. Los conjuntos difusos también pueden ser más complejos. En analogías de programación más complejas, los programadores pueden ampliar las reglas utilizadas para determinar la inclusión y exclusión de variables. Esto puede dar lugar a una gama más amplia de opciones con un razonamiento basado en reglas menos preciso. La lógica difusa se puede utilizar en software comercial para analizar datos de mercado y generar señales de compra y venta. Semántica difusa en inteligencia artificial El concepto de lógica difusa y semántica difusa es un componente central de la programación de soluciones de inteligencia artificial. Las soluciones y herramientas de IA continúan expandiéndose en toda la economía en muchos sectores a medida que también se expanden las capacidades de programación de lógica difusa. IBM Watson es uno de los sistemas de inteligencia artificial más famosos que utiliza variantes de lógica difusa y semántica difusa. En los servicios financieros en particular, la lógica difusa se utiliza en sistemas tecnológicos y de aprendizaje automático que respaldan los resultados de inteligencia de inversiones. En algunos modelos comerciales avanzados, la integración de matemáticas de lógica difusa también se puede utilizar para ayudar a los analistas a crear señales automáticas de compra y venta. Estos sistemas ayudan a los inversores a responder a una amplia gama de variables cambiantes del mercado que afectan sus inversiones. Ejemplos de lógica difusa En los modelos de negociación de software avanzados, los sistemas pueden utilizar conjuntos difusos programables para analizar miles de valores en tiempo real y brindar al inversor la mejor oportunidad disponible. La lógica difusa se utiliza a menudo cuando un operador intenta tener en cuenta múltiples factores. Esto puede conducir a una reducción del análisis de las decisiones comerciales. Los comerciantes también pueden programar diferentes reglas comerciales. Dos ejemplos incluyen los siguientes: Regla 1: si la media móvil es baja y el índice de fuerza relativa (RSI) es bajo, venda. Regla 2: si la media móvil es alta y el índice de fuerza relativa (RSI) es alto, compre. La lógica difusa permite al operador programar sus propias conclusiones subjetivas sobre los mínimos y máximos en estos ejemplos básicos para producir sus propias señales comerciales automatizadas. Pros y contras de la lógica difusa La lógica difusa se utiliza a menudo en controladores de máquinas e inteligencia artificial, y también se puede utilizar en software comercial. A pesar de su amplia gama de aplicaciones, también tiene importantes limitaciones. Debido a que la lógica difusa imita la toma de decisiones humana, es más útil para modelar problemas complejos con datos de entrada ambiguos o distorsionados. Debido a su similitud con el lenguaje natural, los algoritmos de lógica difusa son más fáciles de codificar que la programación lógica estándar y requieren menos instrucciones, lo que ahorra requisitos de memoria. Estas ventajas también tienen desventajas debido a la naturaleza imprecisa de la lógica difusa. Debido a que los sistemas están diseñados para manejar datos e entradas imprecisos, deben probarse y verificarse para evitar resultados inexactos. Pros y contras de la lógica difusa pros Es más probable que la lógica difusa refleje problemas del mundo real que la lógica clásica. Los algoritmos de lógica difusa tienen menores requisitos de hardware que la lógica booleana clásica. Los algoritmos difusos pueden producir resultados precisos con datos imprecisos o imprecisos. ¿Qué es la lógica difusa en la minería de datos? La minería de datos es el proceso de identificar relaciones significativas en grandes conjuntos de datos, un campo que se superpone con la estadística, el aprendizaje automático y la informática. La lógica difusa es un conjunto de reglas que se pueden utilizar para sacar conclusiones lógicas a partir de conjuntos de datos difusos. Dado que la minería de datos se utiliza a menudo para mediciones imprecisas, la lógica difusa es una forma útil de determinar relaciones relevantes a partir de este tipo de datos. ¿Es la lógica difusa lo mismo que el aprendizaje automático? La lógica difusa suele combinarse con el aprendizaje automático, pero no son lo mismo. El aprendizaje automático se refiere a sistemas informáticos que imitan la cognición humana adaptando algoritmos de forma iterativa para resolver problemas complejos. La lógica difusa es un conjunto de reglas y funciones que pueden funcionar con conjuntos de datos imprecisos, pero los algoritmos aún deben ser codificados por humanos. Ambas áreas…

¿Problemas o dudas? Te ayudamos

Si quieres estar al día, suscríbete a nuestra newsletter y síguenos en Instagram. Si quieres recibir soporte para cualquier duda o problema, no dude en ponerse en contacto con nosotros en info@wikieconomia.org.