032 — Lógica difusa y control aproximado

← Clase anterior · Índice de la parte · Clase siguiente →

Parte: 02 — IA probabilística, evolutiva y de decisión
Nivel: intermedio · Horas estimadas: 6
Laboratorio: logic · Estado: EXECUTABLE_CORE

🎯 Propósito

Comprender lógica difusa y control aproximado dentro de la evolución de la inteligencia artificial, implementar un experimento mínimo verificable y distinguir qué parte constituye evidencia frente a una afirmación todavía no comprobada.

📚 Resultados de aprendizaje

Al finalizar podrás:

1. Explicar lógica difusa y control aproximado usando los conceptos fuzzy, membresía, reglas, control.
2. Ejecutar el laboratorio con una semilla explícita y revisar su contrato JSON.
3. Identificar al menos un supuesto, una limitación y un riesgo de aplicación.
4. Comparar el enfoque con la etapa anterior de la ruta de aprendizaje.
5. Producir una evidencia reproducible y una conclusión que no exceda los datos.

🧩 Conceptos centrales

fuzzy, membresía, reglas, control

🗺️ Ubicación en el mapa de la IA

La probabilidad (025-031) modela ignorancia: no sé si lloverá. La lógica difusa (Zadeh, 1965) modela algo distinto, vaguedad: "hace calor" no es verdadero ni falso, es cuestión de grado. Nació como crítica a la rigidez de los conjuntos clásicos y triunfó en el control industrial (metro de Sendai, cámaras, lavadoras) porque traduce reglas lingüísticas de expertos a controladores continuos sin ecuaciones diferenciales. En el mapa de la IA es la rama "aproximada" del razonamiento simbólico, complementaria — no rival — de la probabilística.

📖 Fundamentos

🌡️ Conjuntos difusos y funciones de membresía

Un conjunto clásico tiene función característica χ_A: X → {0,1}; un conjunto difuso la generaliza a una función de membresía μ_A: X → [0,1]. μ_calor(28 °C) = 0.7 significa que 28 °C pertenece "al 70 %" al concepto calor. Formas típicas: triangular, trapezoidal, gaussiana. Una variable lingüística (Temperatura) toma valores lingüísticos (fría, templada, caliente), cada uno un conjunto difuso sobre el mismo universo.

🔗 Operadores

Negación:      μ_¬A(x) = 1 − μ_A(x)
Intersección:  μ_{A∧B}(x) = min(μ_A, μ_B)     (t-norma; también producto)
Unión:         μ_{A∨B}(x) = max(μ_A, μ_B)     (t-conorma)

Consecuencia notable: en general μ_{A∧¬A} ≠ 0 — se pierde el principio de no contradicción. No es un defecto: 24 °C puede ser "algo cálido y algo fresco" a la vez. Esto marca la diferencia semántica con la probabilidad, donde P(A ∧ ¬A) = 0 siempre.

⚙️ Sistema de inferencia difusa (Mamdani)

Un controlador difuso ejecuta cuatro etapas:

1. Fuzzificación:  entrada nítida x → grados μ de cada conjunto de entrada
2. Evaluación de reglas: "SI temp es alta Y humedad es baja
                          ENTONCES ventilador es rápido"
   fuerza de disparo w = min(μ_alta(temp), μ_baja(hum))
3. Agregación: cada consecuente se recorta a su w (implicación min);
   los consecuentes de todas las reglas se unen con max
4. Defuzzificación: el conjunto agregado → un número nítido
   (centroide: y* = ∫ y·μ(y) dy / ∫ μ(y) dy)

La variante Sugeno usa consecuentes funcionales (y = f(x)) y promedio ponderado en lugar de centroide: más eficiente y apta para optimización automática (ANFIS), menos interpretable lingüísticamente.

🧭 Cuándo tiene sentido

La lógica difusa brilla cuando: (a) existe experiencia humana expresable en reglas lingüísticas, (b) el sistema tolera control subóptimo pero suave, (c) modelar la planta con ecuaciones es caro. No aprende de datos por sí sola ni cuantifica incertidumbre epistémica: para eso están los modelos probabilísticos.

🧮 Ejemplo trabajado

Controlador de ventilador con una entrada (Temperatura, universo 0-40 °C) y una salida (Velocidad, 0-100 %).

Membresías triangulares de entrada: fría = triángulo(0, 0, 20); templada = triángulo(10, 20, 30); caliente = triángulo(20, 40, 40). Salida: lenta = tri(0, 0, 50); media = tri(25, 50, 75); rápida = tri(50, 100, 100).

Reglas: R1: fría → lenta; R2: templada → media; R3: caliente → rápida.

Entrada nítida: T = 26 °C.

Fuzzificación:
μ_fría(26)     = 0                       (26 > 20)
μ_templada(26) = (30−26)/(30−20) = 0.4   (rama descendente)
μ_caliente(26) = (26−20)/(40−20) = 0.3   (rama ascendente)

Disparo: R2 con w=0.4 (media recortada a 0.4)
         R3 con w=0.3 (rápida recortada a 0.3)

Defuzzificación (centroide aproximado por muestreo cada 12.5):
y:      25    37.5   50    62.5   75    87.5   100
μ_med:  0     0.4    0.4   0.4    0     0      0     (recortada a 0.4)
μ_ráp:  0     0      0     0.25   0.3   0.3    0.3   (recortada a 0.3)
μ_agg:  0     0.4    0.4   0.4    0.3   0.3    0.3   (máximo)

y* = Σ y·μ / Σ μ
   = (37.5·0.4 + 50·0.4 + 62.5·0.4 + 75·0.3 + 87.5·0.3 + 100·0.3) / (0.4·3 + 0.3·3)
   = (15 + 20 + 25 + 22.5 + 26.25 + 30) / 2.1
   = 138.75 / 2.1 ≈ 66.1 %

El ventilador gira al ~66 %: ni "media" ni "rápida", sino una mezcla ponderada por cuán templado y cuán caliente está. Si T sube a 27 °C, la salida sube suavemente (≈ 68 %) — sin el salto brusco de un termostato con umbral.

📊 Propiedades y comparación

flowchart LR
    X["Entrada nítida<br/>T = 26 °C"] --> F["Fuzzificación<br/>μ_templada=0.4, μ_caliente=0.3"]
    F --> R["Reglas SI-ENTONCES<br/>min para Y, disparo w"]
    R --> AG["Agregación max<br/>de consecuentes recortados"]
    AG --> D["Defuzzificación<br/>centroide"]
    D --> Y["Salida nítida<br/>66 %"]
    Y -->|"actúa sobre la planta"| X

⚠️ Errores conceptuales frecuentes

1. "Difuso = probabilístico." μ_calor(28) = 0.7 no es P(calor) = 0.7: no hay experimento aleatorio; 28 °C es perfectamente conocido, lo vago es el predicado. Vaguedad ≠ ignorancia.
2. Creer que las membresías son objetivas. Son elecciones de diseño (¿dónde empieza "caliente"?); dos ingenieros producen controladores distintos y ambos "correctos". Se validan por desempeño, no por verdad.
3. Esperar que el sistema aprenda. Un FIS puro no ajusta nada con datos; sin ANFIS u optimización externa, las reglas erróneas permanecen erróneas.
4. Ignorar la explosión de reglas. Con k entradas y m etiquetas cada una, la tabla completa tiene mᵏ reglas; 5 entradas con 7 etiquetas → 16 807 reglas: inviable de elicitar y mantener.
5. Usar difusa donde hay incertidumbre estadística real. Para diagnóstico con tasas de error medibles, Bayes (026) da garantías que min/max no puede dar.

🚀 Del aprendizaje a la operación

El ejemplo tiene 1 entrada y 3 reglas; un controlador real tiene varias entradas, decenas de reglas y requisitos de estabilidad. Falta aquí: sintonización de membresías con datos (ANFIS/optimización, clases 033-034 sirven para esto), análisis de estabilidad y de casos extremos del actuador, latencia y saturación del hardware, y comparación honesta contra un PID bien sintonizado — que en muchas plantas simples gana con menos complejidad.

🧪 Laboratorio

python lab.py

El laboratorio llama a ai_evolution.labs.run_lab("logic"). Esta decisión evita 183 implementaciones divergentes: cada clase tiene un entrypoint propio, pero los motores didácticos se prueban como una biblioteca común.

🔍 Evidencia esperada

• tipo de laboratorio y semilla;
• entradas o decisiones observables;
• resultado estructurado;
• lista evidence con hechos que pueden inspeccionarse;
• lista limitations que impide presentar la demo como producción.

📓 Notebooks

• 📓 notebook.ipynb: recorrido guiado con la materia resumida.
• ✍️ notebook_student.ipynb: ejercicios para resolver.
• ✅ notebook_solution.ipynb: solución de referencia explicada.

📝 Evaluación

Consulta assessment.md para preguntas y criterio de aceptación.

⚠️ Errores comunes

❓ Preguntas frecuentes

¿Debo usar una API comercial?
No. El núcleo funciona localmente. Las extensiones LIVE se documentan por separado.

¿El laboratorio representa una implementación industrial?
No por sí solo. Enseña el contrato y el patrón; producción exige integración, seguridad, observabilidad, pruebas y operación.

¿Dónde profundizo?
Revisa las especializaciones enlazadas en el README raíz y la ruta siguiente.

🔗 Referencias

• Zadeh, L. A. (1965). "Fuzzy Sets". Information and Control, 8(3), 338-353. https://doi.org/10.1016/S0019-9958(65)90241-X — uso: fuente primaria del mecanismo estudiado
• Mamdani, E. H. & Assilian, S. (1975). "An experiment in linguistic synthesis with a fuzzy logic controller". Int. J. Man-Machine Studies, 7(1), 1-13. https://doi.org/10.1016/S0020-7373(75)80002-2 — uso: fuente primaria del mecanismo estudiado
• Takagi, T. & Sugeno, M. (1985). "Fuzzy identification of systems and its applications to modeling and control". IEEE Trans. SMC, 15(1), 116-132. https://doi.org/10.1109/TSMC.1985.6313399 — uso: fuente primaria del mecanismo estudiado
• Jang, J.-S. R. (1993). "ANFIS: adaptive-network-based fuzzy inference system". IEEE Trans. SMC, 23(3), 665-685. https://doi.org/10.1109/21.256541 — uso: fuente primaria del mecanismo estudiado
• Ross, T. J. (2010). Fuzzy Logic with Engineering Applications, 3.ª ed. Wiley. — uso: desarrollo extendido del tema

📜 Papers que fundamentan esta clase

Bloque generado por python scripts/link_papers_to_classes.py. La fuente es papers/catalog/papers.json.

Cada ficha explica el problema anterior, la matemática mínima, los límites y los errores de atribución más frecuentes. Para leerlas con método: cómo leer un paper de IA · anexos matemáticos.

📚 Bibliografía de apoyo

Bloque generado por python scripts/link_sources_to_classes.py. Cada obra lleva su localizador verificado en sources/bibliography.json.

Los papers dicen de dónde salió el mecanismo. Estas obras lo desarrollan con el espacio que una clase no tiene: teoría completa, demostraciones y ejercicios.

⬅️ Clase anterior

031 — Métodos Monte Carlo y simulación

➡️ Siguiente clase

033 — Algoritmos genéticos

📝 Evaluación completa

❓ Preguntas

1. Define lógica difusa y control aproximado sin usar una marca o framework como definición.
2. Explica la relación entre fuzzy, membresía, reglas, control.
3. Ejecuta lab.py dos veces con la misma semilla. ¿Qué debe conservarse?
4. Identifica una afirmación permitida y una afirmación exagerada sobre el resultado.
5. Propón una prueba negativa o un caso límite.

🏆 Reto verificable

Amplía el resultado del laboratorio con una clave student_extension que incluya:

• el supuesto que estás probando;
• una medición o comprobación;
• la conclusión;
• una limitación.

✅ Criterio de aceptación

• [ ] lab.py termina con código 0.
• [ ] El resultado contiene kind, seed, evidence y limitations.
• [ ] La extensión no modifica el comportamiento de otras clases.
• [ ] La interpretación referencia datos impresos por el laboratorio.
• [ ] Se declara al menos un riesgo o condición de no uso.