Controladores Fuzzy vs.

Controladores Convencionales
Un Caso de Estudio
Sergio L. Martnez
1
, Enrique E. Tarifa
1,2
& lvaro F. Nez
1

(1) Facultad de Ingeniera, Universidad Nacional de J ujuy.
smartinez@fi.unju.edu.ar , eetarifa@fi.unju.edu.ar & alfanunez@yahoo.com.ar
(2) CONICET
eetarifa@arnet.com.ar
RESUMEN: El control de equipos y procesos es una actividad indispensable en todos los campos, no
solamente en la industria. Muchos sistemas de control requieren un conocimiento muy preciso del proce-
so sobre el que se aplican, ya que trabajan sobre un modelo y necesitan de los datos que ste proporciona.
En muchos casos, la obtencin de tal modelo exacto no es posible, o slo se puede llegar a contar con un
modelo muy simplificado. Por otra parte, los controladores basados en lgica fuzzy utilizan heursticas de
control que no se basan especficamente en un modelo del proceso. En este trabajo se modela y simula un
proceso clsico (un tanque de reserva con descarga gravitatoria) y se implementan tres tipos de controla-
dores dos de ellos basados en lgica fuzzy a fin de comparar su operatividad. Los resultados obtenidos
muestran que los dispositivos basados en heursticas pueden ser tanto o ms convenientes que aquellos
basados en conocimiento determinstico.
1 INTRODUCCIN
La lgica fuzzy creada por Lofti Zadeh, se origina
con la idea de poder manejar conocimiento incierto
en forma automtica. En la dcada de 1970, los
sistemas fuzzy y las teoras de control basadas en
esta lgica aadieron una nueva dimensin a la
ingeniera de sistemas de control. Desde sus ini-
cios, con desarrollos ad-hoc y bsicamente heurs-
ticos, nuevos y ms rigurosos enfoques de la teora
de control fuzzy han contribuido a afianzarla en la
teora de control moderna, avalada por gran canti-
dad de desarrollos y aplicaciones exitosos.
La utilizacin de esta lgica en el campo del
control se ha extendido de manera considerable
en la ltima dcada donde numerosos autores e
investigadores produjeron una gran cantidad de
artculos y libros destacables (Zadeh, 1973;
Mamdani, 1977; Takagi y Sugeno, 1985; Lee,
1990; Yager, 1994; Cox, 1998; J antsen, 2007;
Michels et al, 2009; Driankov et al, 2010), y exi-
tosas aplicaciones en control fuzzy en diferentes
campos (Holmblad y Ostergaard, 1982; Larkin,
1984; Alex et al., 1994; Huang y Chen, 2006).
2 CONTROLADORES Y PROCESO DE
CONTROL
Un componente crtico en la estrategia del diseo
de un sistema de control es el propio modelo del
sistema a ser controlado. Un modelo exacto del
sistema podra producir respuestas muy similares
al sistema real. Sin embargo, la complejidad de la
mayora de los sistemas fsicos dificulta la produc-
cin de un modelo exacto, por lo que muchas veces
slo se puede obtener un modelo aproximado.
En los casos en que tanto el modelo como sus
parmetros sean desconocidos, tcnicas apropia-
das conocidas como Identificacin de Sistemas
(System Identification) pueden ser aplicadas para
superar este desconocimiento. An as, el pro-
blema puede no estar resuelto; los resultados
alcanzados con las tcnicas de Identificacin de
Sistemas pueden no ser muy convenientes si los
datos iniciales no fueron los apropiados, o si el
modelo identificado es demasiado complejo para
ser computacionalmente manejable.
En contraposicin, cuando un operario aprende a
manejar una mquina o a controlar un proceso, no
necesariamente debe poseer un conocimiento pro-
fundo de ellos, simplemente aprende a hacer los
movimientos adecuados elaborando reglas intrn-
secas que surgen de la experiencia que va ganando
cada vez que observa los resultados de las acciones
que realiza (mtodo de prueba y error).
Esta es la idea que subyace en este trabajo, donde
se plantea la comparacin operacional de dos tipos
de controladores, sobre un proceso simple que
permita identificar claramente cmo trabajan, tanto
cualitativamente como cuantitativamente.
El primer tipo de controlador, es un modelo clsico
y simple conocido como controlador proporcional,
cuya operatividad est basada en el modelo de la
planta a controlar. El segundo tipo (del que se
aplican 2 variantes), se conoce como controlador
de lgica fuzzy y se plantea en su forma ms sim-
ple, para ser equitativamente coherente con el
primer tipo a los efectos de la comparacin.
2.1 Los controladores
En un controlador proporcional, la salida o seal
de control u(k) en el tiempo t
k
es directamente
proporcional a la entrada usualmente una seal
de error e(k), de manera que u(k) =K e(k),
siendo K una constante que se conoce como ga-
nancia proporcional. Bajo este esquema, la seal
de control depende nicamente del error en cada
instante del tiempo, y puede interpretarse que el
controlador proporcional funciona como un am-
plificador de la seal de error (Seborg, 2010), que
realimentada en forma adecuada puede controlar
el proceso de inters (control feedback).
Por otra parte, al considerar un controlador de
lgica fuzzy (FLC Fuzzy Logic Controller) o
simplemente controlador fuzzy, se hace referen-
cia a una ley de control descripta por un sistema
basado en conocimiento, formado por reglas
condicionales de tipo SI-ENTONCES, donde sus
antecedentes, consecuentes y mecanismos de
inferencia se configuran mediante lgica fuzzy.
Un sistema de inferencia fuzzy (FIS Fuzzy
Inference System), donde un FLC es un caso
particular, es capaz de aproximar a cualquier
nivel de precisin cualquier funcin lineal o no
lineal, por lo cual los sistemas fuzzy se conocen
tambin como aproximadores universales, y de
hecho, tambin estn incluidos los controladores
fuzzy (Cox, 1998).
Un controlador FLC acta sobre el mismo pro-
ceso que el ms convencional controlador de
tipo PID (Proporcional-Integral-Derivativo) o
sus variantes PI-PD-P, con significativas venta-
jas operativas. En general, los controladores
convencionales antes mencionados, adems de
requerir las lecturas de los sensores, actan so-
bre un modelo matemtico del proceso a contro-
lar para generar las correspondientes seales que
requieren los actuadores, desplazndose even-
tualmente sobre una complicada hipersuperficie
de control.
Por su parte, un controlador FLC tambin puede
incursionar sobre esta compleja hipersuperficie de
control, pero utilizando heursticas creadas a
partir del conocimiento de un experto, sin requerir
un modelo matemtico del proceso (Yager, 1994).
En este caso, el experto incorpora el conocimien-
to necesario en un conjunto de reglas condiciona-
les encargadas de realizar las acciones de control,
que desempean el mismo papel que el del opera-
rio (ejemplificado antes) cuando hace su trabajo.
Como se dijo, la base de reglas del FLC, consti-
tuye la parte ms representativa del controlador,
pues all reside el conocimiento del sistema para
realizar el proceso de control; est formada por
un conjunto de reglas condicionales que descri-
ben la relacin entre las entradas y las salidas
del controlador. Tpicamente, considerando a
e(k) como la entrada y u(k) como la salida, se
puede representar a esta relacin con la ecuacin
siguiente:

u(k) =f(e(k), e(k-1),, e(k-v),
u(k-1), u(k-2),,u(k-v))
(1)

donde f representa implcitamente a la ley de
control contenida en la base de reglas, y k repre-
senta a la muestra temporal considerada. Un con-
trolador FLC estndar describe la relacin entre la
variable de control u(k) o la variacin de control
Au(k) respecto del error de control e(k) y even-
tualmente su respectiva variacin Ae(k) de la
forma:

Au(k) =f(e(k), Ae(k)) (2)

La variable de control u(k) actualizada se puede
obtener inmediatamente a partir de su valor ante-
rior y la variacin propuesta en la ecuacin (2),
como indica la ecuacin siguiente:

u(k) =u(k-1) +Au(k) (3)

Este tipo de controladores fue propuesto origi-
nalmente por el britnico Ebrahim H. Mamdani
en 1975, y debido a su amplia y exitosa aplica-
cin en diversos campos, estos sistemas se cono-
cen como Controladores Fuzzy tipo Mamdani
MFLC (Yager, 1994).
La Fig. 1 y la Fig. 2 presentan una idea general a
nivel de bloques del esquema de control que
requiere cada uno de los dispositivos comentados,
supuestamente actuando sobre el mismo proceso
a controlar.

PROCESO
ACTUADORES
ENTRADA
MODELO
MATE-
MTI CO
SALI DA
P
R
O
C
E
S
O
L

G
I
C
O
SENSORES
PC

Figura 1. Esquemas de control utilizando un con-
trolador convencional.
PROCESO
ACTUADORES
FUZZYFICACIN
MOTOR
DEFUZZYFICACION
I
N
F
E
R
E
N
C
I
A
F
U
Z
Z
Y
SENSORES
BASE DE
REGLAS
FLC

Figura 2. Esquemas de control utilizando un con-
trolador fuzzy.
3 CASO DE ESTUDIO
3.1 Sistema a controlar
La Fig. 3 muestra el modelo del sistema que se
utiliz como caso de estudio; se trata de un tanque
de reserva con descarga gravitatoria, que recibe un
caudal de alimentacin F
0
a travs de una vlvula
V0, y descarga con un caudal F
1
a travs de la
vlvula V1. En este caso, la vlvula de alimenta-
cin no se manipula, por lo que el caudal de entra-
da permanece fijo. El nivel es controlado por el
controlador CL que manipula la apertura de la
vlvula V1. Las ecuaciones que conforman al
modelo de simulacin correspondiente son:

0 1
dL
A =F - F
dt
(4)

1
dAcv
=Ac- Acv
dt
t (5)

1
0 Acv 0
x Acv 0 Acv 1
1 Acv 1
<

= s

>

s (6)

1 1 1
F Cv x gL = (7)

donde A =0.785 m
2

es el rea transversal del
tanque, L es el nivel de lquido en metros (m),
F
0
=210
-2
m
3
/s es el caudal de entrada y F
1
es el
caudal de salida (m
3
/s). La vlvula V1 es lineal,
falla cerrada y tiene una demora de primer orden;
t
1
=3 s es la constante de tiempo de la vlvula;
Cv
1
=4.03910
-4
m
3.5
/kg
0.5
es el coeficiente de
tamao de la vlvula; x
1
es el factor de apertura
de la vlvula (en tanto por uno); Ac es la salida
del controlador (en tanto por uno); Acv es la
salida del controlador despus de la demora de
primer orden (en tanto por uno); =1000 kg/m
3

es la densidad del lquido y g =9,81 m/s
2
es la
aceleracin de la gravedad.

Ac
F
1
V0
F
0
CL
V1
L Ls

Figura 3. Tanque con descarga gravitatoria y con-
trol de nivel por descarga.
3.2 Sistemas de control
Para el desarrollo de este trabajo, dos modelos de
controladores fuzzy de tipo Mamdani se utiliza-
ron para el control del nivel del tanque de reserva
con descarga gravitatoria (Fig. 3), y sus compor-
tamientos se compararon con un controlador
estndar de tipo proporcional para establecer el
desempeo de cada uno.
Particularmente para este estudio, se ha utilizado
un controlador proporcional (PC), que para ser
modelado, a las ecuaciones que conforman el
modelo del tanque se deben adicionar las siguien-
tes ecuaciones:

Ac=Ab+K.e
(8)

e=L - Ls (9)

donde Ac es la salida o accin de control,
Ab =0.5 es el valor de la componente en vaco
del controlador (que en la literatura de sistemas
de control se conoce como bias), K es la ganancia
(en m
-1
), e es el error del controlador (en m) y Ls
es el valor objetivo, usualmente conocido como
set point del controlador.
Los controladores fuzzy a estudiar son del tipo
SISO (Single Input Single Output), y sus arqui-
tecturas responden a la configuracin Mamdani. El
primer formato es el ms simple (Fig. 4), sus va-
riables de entrada e(k) y salida u(k) estn configu-
radas con tres particiones y consta de una base de
tres reglas de control, operando a partir del error de
nivel y produciendo la accin de control de la
vlvula de descarga del sistema; puede considerar-
se que esta estructura es la mnima requerida para
configurar un sistema de control. El segundo for-
mato de controlador fuzzy se ha implementado con
una mayor particin de las variables lingsticas,
con un incremento de la base de reglas a siete
reglas que operan sobre las mismas variables. Esta
modificacin permitira una mayor discriminacin
de la seal de error y, eventualmente, una salida
con mayor precisin. La Fig. 4 tambin puede
servir como esquema de referencia, ya que en
ambas arquitecturas la diferencia fundamental est
en la base de reglas.

F
u
z
z
y
f
i
c
a
c
i

n
Base de reglas
Inferencia fuzzy
D
e
f
u
z
z
y
f
i
c
a
c
i

n
e(k) u(k)

Figura 4. Esquema en bloques de un controlador
fuzzy tipo Mamdani.
3.3 Operacin del modelo de simulacin
Para las pruebas experimentales se ha implementa-
do el modelo del tanque a controlar sobre el entor-
no Simulinkde MatLab. En la implementacin
se han incorporado los controladores de modo que,
mediante un conmutador, puede activarse cualquie-
ra de los tipos considerados como se observa en el
esquema de la Fig. 5 (Chau, 2002).


Figura 5. Modelo de control de nivel de un tanque
de reserva con sistemas de control conmutables.

Para el estudio comparativo, se realiza el control de
nivel del tanque descrito en la seccin 3.1 con un
tiempo de simulacin de 200 s, generando la varia-
cin del set-point desde el nivel L =1 m al nivel L =
2 men t =50 s (en forma de escaln) y capturando
las secuencias temporales de las seales de nivel
producidas por cada controlador, conjuntamente con
la seal de set-point del sistema.
Para organizar apropiadamente el proceso compara-
tivo, se dispuso el controlador proporcional (PC)
operando con ganancias K =[5, 10, 20, 40], junto a
los controladores MFLC equivalentes y se determi-
naron los parmetros:
Offset (AL
off
): diferencia entre el set-point
prefijado y el valor alcanzado por el controla-
dor en rgimen estacionario, luego de un tiem-
po de simulacin de 200 s.
Velocidad (t
TAO
): tiempo requerido por el
controlador para alcanzar el 63% del valor fi-
nal prefijado (L =2 m).
Sobrepico (L
max
): mximo valor alcanzado en
el primer acercamiento al valor final.
Sobrepico porcentual (L%)): valor porcentual
excedente del primer sobrepico respecto del
valor final prefijado.
Tiempo de estabilizacin (TE): tiempo reque-
rido por el controlador para entrar en una fran-
ja de +/- 1% del valor final.
Factor de ripple (FR): mide el contenido ar-
mnico de la secuencia, se calcula con la
ecuacin (10) y se expresa en porcentaje.

2
RMS
2
med
V
FR%= 1 .100
V
| |
|
|
\ .
(10)

siendo el valor eficaz (Root Mean Square) y
el valor medio de la seal en consideracin.
RMS
V
med
Dado que el controlador proporcional (PC) se
utiliza como referencia, la operacin de los contro-
ladores fuzzy (MFLC) requieren de un ajuste pre-
vio de ganancia para alcanzar el mismo nivel de
offset (AL
V
off
) del controlador de referencia, para
que luego de ser capturadas las secuencias de salida
del sistema controlado, se puedan calcular los res-
tantes parmetros. En las Tablas 1, 2, 3 y 4 si-
guientes, se resumen los parmetros caractersti-
cos calculados para cada conjunto de controlado-
res, agrupados por similar valor de offset que
hace posible la comparacin. Conjuntamente, las
Figs. 6, 7, 8 y 9 siguientes muestran en forma
ampliada las curvas de aproximacin al nivel de
set-point final (L=2 m) para cada conjunto de
controladores agrupados con el mismo criterio.

Tabla 1. Comparacin de parmetros de referen-
cia de los controladores PC y MFLC.
Parmetros
Contro-
lador
AL
off
(m)
t
TAO

(s)
L
max

(m)
L%
(%)
T
E

(s)
FR
(%)
#1 0,029 25,9 2,015 0,73 47,0 0,44
#2 0,028 28,9 2,001 0,02 49,0 0,26
#3 0,029 28,8 2,000 -0,09 49,0 0,24
#1 C. proporcional | K=5. #2 C. fuzzy 3R | K=7,5.
#3 C. fuzzy 7R | K=10,2.

Como se deduce de la Tabla 1 y Fig. 6, el contro-
lador proporcional es un poco ms rpido (t
TAO
)
pero presenta un sobrepico (L%) y contenido de
ripple (FR%) mayor que sus homlogos fuzzy,
requiriendo todos ellos casi el mismo tiempo de
establecimiento (t
E
). Los controladores MFLC
demandan mayor nivel de ganancia.


Figura 6: Curvas de respuesta (ampliadas) para
controladores MFLC y PC con K
PC
=5.

Tabla 2. Comparacin de parmetros de referen-
cia de los controladores PC y MFLC.
Parmetros
Contro-
lador
AL
off
(m)
t
TAO
(s)
L
max
(m)
L%
(%)
T
E
(s)
FR
(%)
#4 0,015 26,0 2,045 2,23 51,0 0,53
#5 0,014 28,9 2,019 0,94 51,0 0,31
#6 0,014 28,8 2,015 0,75 47,0 0,27
#4 C. proporcional | K=10. #5 C. fuzzy 3R | K=15.
#6 C. fuzzy 7R | K=20,5.

En esta segunda prueba, como se infiere de la
Tabla 2 y Fig. 7, un mayor nivel de ganancia
aproxima el valor estacionario de todos los con-
troladores al valor del set-point con menos error,
pero el tiempo de estabilizacin t
E
tiende a au-
mentar. El controlador proporcional genera un
mayor sobrepico (L%) y un mayor nivel de ripple
(FR%).


Figura 7: Comparacin de las curvas de respuesta
para controladores MFLC y PC con K
PC
=10.

Tabla 3. Comparacin de parmetros de referen-
cia de los controladores PC y MFLC.
Parmetros
Contro-
lador
AL
off
(m)
t
TAO

(s)
L
max

(m)
L%
(%)
T
E

(s)
FR
(%)
#7 0,007 25,9 2,060 3,00 52,0 0,55
#8 0,007 28,9 2,017 0,82 45,0 0,17
#9 0,007 28,8 2,025 1,23 50,0 0,28
#7 C. proporcional | K=20. #8 C. fuzzy 3R | K=30.
#9 C. fuzzy 7R | K=40,5.

En esta prueba se aumenta a 20 el nivel de ganan-
cia del controlador de referencia (PC). Los con-
troladores fuzzy requieren de ganancias an ma-
yores para mantener el nivel de comparacin
(tabla 3 y Fig. 8). El valor de offset AL
off
decrece
prcticamente al 0,3%, pero hay ms demora en
alcanzar el estado estacionario. El controlador
fuzzy de 3 reglas muestra un mejor comporta-
miento al generar el mnimo factor de ripple
(FR%) y menor sobrepico.


Figura 8: Comparacin de las curvas de respuesta
para controladores MFLC y PC con K
PC
=20.

Tabla 4. Comparacin de parmetros de referen-
cia de los controladores PC y MFLC.
Parmetros
Contro-
lador
AL
off
(m)
t
TAO
(s)
L
max
(m)
L%
(%)
T
E
(s)
FR
(%)
#10 0,004 25,9 2,064 3,22 50,0 0,53
#11 0,004 28,9 2,017 0,85 52,0 0,21
#12 0,004 28,8 2,027 1,34 72,0 0,43
#10 C. proporcional | K=40. #11 C. fuzzy 3R | K=60.
#12 C. fuzzy 7R | K=80.

En esta ltima prueba (Tabla 4 y Fig. 9), los niveles
de ganancia se han incrementado casi al lmite, pues
a partir de all los controladores generan regmenes
inestables. Se puede considerar que alcanzaron el
nivel de offset, pero con mayores tiempos de estabi-
lizacin. Nuevamente el controlador fuzzy de 3
reglas present el mejor comportamiento con menor
sobrepico (L%) y menor factor de ripple (FR%).
Como comportamiento general para todos los
modelos de controladores utilizados, se deduce
que al aumentar la ganancia el error de offset
disminuye, pero aumenta el tiempo requerido
para la estabilizacin y el factor de ripple.

Figura 9: Comparacin de las curvas de respuesta
para controladores MFLC y PC con K
PC
=40.
4 CONCLUSIONES
Se ha modelado e implementado un tanque de
reserva con descarga gravitatoria. Sobre este
proceso se han incorporado tres controladores
para comparar su operatividad. Uno de ellos co-
rresponde a una tpica estructura de control pro-
porcional (PC), mientras que los dos restantes son
variantes del mismo tipo, conocido como contro-
lador fuzzy tipo Mamdani.
La primera conclusin destacable y confirmada
en la experimentacin realizada, es que los con-
troladores fuzzy no requieren de un conocimiento
preciso del proceso, ni de un modelo exacto para
realizar su accin de control.
Considerando la informacin cuantitativa conte-
nida en las Tablas 1, 2, 3 y 4, y a favor del control
tradicional (PC), se determin que ste responde
con mayor velocidad de acuerdo al parmetro
t
TAO
aunque la diferencia es un poco menor al
10%, habiendo aplicado como seal de entrada
una variacin de tipo escaln.
A favor de los controladores fuzzy, se observa que
generan sobrepicos de menor amplitud, menos osci-
laciones y una produccin de ripple bastante menor
que el controlador proporcional, lo que es muy
deseable es la mayora de los procesos de control.
Como conclusin adicional, considerando que se
han utilizado dos variantes de controladores fuz-
zy, una de ellas con una base de tres reglas (la
estructura ms simple que puede implementarse
en un controlador de este tipo) y otra con una
base de reglas ampliada a siete y mayor particin
de las variables involucradas, que tericamente
propiciara un control ms preciso y eficiente que
su homlogo simplificado. Aunque quizs requie-
ra de ms variables de entrada y una configura-
cin ms especializada en sus funciones de fuzzy-
ficacin/defuzzyficacin, se determin que el
controlador fuzzy ampliado no ha tenido un com-
portamiento ms relevante que su homlogo de
tres reglas, por lo que se considera a este ltimo
como el de mejor desempeo.
El control fuzzy tiene un amplio campo de aplica-
ciones que an est en investigacin. Frente a mu-
chas aplicaciones exitosas que ya se conocen y la
potencialidad de los sistemas fuzzy, se pueden pro-
nosticar impresionantes desarrollos para el futuro.
5 REFERENCIAS
Alex J., J umar U. & Tschepetzki R., A Fuzzy
Control Application to Waste Water Treatment
Plants, IEEE Proceedings of the Control Appli-
cations, V1: 665-670, 1994.
Chau P. C., Process Control: A First Course with
MATLAB, Ed. Cambridge University Press - 1
edition, USA, 2002.
Cox E., The Fuzzy Systems Handbook, Ed. Aca-
demic Press Inc., USA, 1998.
Driankov D., Hellendoorn H. & Reinfrank M., An
Introduction to Fuzzy Control, Ed. Springer-
Verlag, Germany, 2010.
Holmblad L. P. and Ostergaard, J . J . Control of a
cement kiln by fuzzy logic, Fuzzy Information
and Decision Processes, pp 389-399, 1982.
Huang S. H. & Y. H. C. Chen, Adaptive Sliding
Control with Self-Tuning Fuzzy Compensation
for Vehicle Suspension Control, Mechatronics,
Vol. 16: 607-622, 2006
J antzen J ., Foundations of Fuzzy Control, Ed.
J ohn Wiley and Sons Inc., England, 2007.
Larkin L. I., A fuzzy logic controller for aircraft
flight control, The 23rd IEEE Conference on
Decision and Control, pp 894-897, 1984.
Lee C. C., Fuzzy Logic in Control Systems: Fuzzy
Logic Controllers, IEEE Trans Systems, Man and
Cybernetics, Vol. 20(2), pp. 405-435, 1990.
Mamdani, E. H., Application of fuzzy logic to
approximate reasoning using linguistic synthe-
sis, IEEE Transactions on Computers, C-
26(12): 1182-1191, 1977
Michels K., Klawonn F., Kruse R. & Nrnberger
A., Fuzzy Control: Fundamentals, Stability and
Design of Fuzzy Controllers, Ed. Springer-
Verlag, Netherlands, 2009.
Seborg D. E., D. A. Mellichamp, T. F. Edgar & F.
J . Doyle, Process Dynamics and Control, Ed.
J ohn Wiley & Sons - 3 edition, USA, 2010.
Takagi T. & Sugeno M. Fuzzy Identification of
Systems and its Application to Modeling and
Control, IEEE Trans. Systems, Man and Cyber-
netics, 15(1): 116-132, 1985.
Yager R. R., Essentials of Fuzzy Modeling and Con-
trol, Ed. John Wiley and Sons Inc., USA, 1994.
Zadeh, L. A. (1973). Outline of a new approach
to the analysis of complex systems and decision
processes, IEEE Trans. Systems, Man & Cyber-
netics, V1, 28-44, 1973.