Professional Documents
Culture Documents
Vol. XI, n. 38 y 39
mayo-diciembre 1982
pp. 405-430
SUMARIO :
1. Introduccin.-2. Conceptos bsicos de la Teora de los Conjuntos
Borrosos.-3. La decisin en ambientes borrosos.4. Clasificacin de
los problemas y tcnicas de decisin en ambientes borrosos.-5. Consideraciones finales.-6. Notas bibliogrficas.
RESUMEN:
El objeto de este trabajo se centra en presentar, de forma somera, la aplicacin de la
Teora de los Conjuntos Borrosos en la problemtica de la toma de decisiones. Para ello
expondremos, en primer lugar, el conjunto de conceptos que caracterizan esta nueva teora,
intentando facilitar as una base mnima para la comprensin de este artculo. A continuacin plantearemos. el problema de la toma de decisin en un ambiente borroso, terminando
con la exposicin de un intento de clasificacin de las tcnicas de Ayuda a la Decisin en
ambientes borrosos.
144
2. CONCEPTOS
BASICOS
DEc LA
TEORADE
LOS
CONJUNTOS
BORROSOS
La Teora de los Conjuntos Borrosos es introducida por Lofti A. Zadeh (1965) .con' la publicacin del artculo <FuzzySets. En dicho trabajo y en otros pokteriores se recoge la fundamentacin de esta teora,
cuyos conceptos ms esenciales -exponemos a continuacin.
Conjunto b o ~ r o s o
En la primitiva teora, de conjuntos se establece que, dado un conjunto A = { x ) , perteneciente al espacio ,universal E, se denomina funcin
145
p ~ ( x=
)1
~ A ( x=O)
para todo x
&E
B = { ( x , W B ( X )1 )
Funcin de pertenencia
Esta funcin expresa el grado o la intensidad 'de la pertenencia de
un elemento al conjunto considerado.
Hay diferentes tipos de funciones de pertenencia que pueden ser
utilizadas. En la obra de Kaufmann (1977) se citan las ms notables:
1. Funcin de pertenencia simple, que corresponde al conjunto ordinario, no borroso:
.......................................
~ ( x= O) para x bk,,
147
Condicin de normalidad
Si el valor supremo de la funcin de pertenencia para los elementos del conjunto borroso B es igual a la unidad, podemos afirmar que
B es normal. Es decir:
Si S ~ p r~.B~( x=)1, B es normal
Todo conjunto borroso puede ser normalizado dividiendo cada ~ B ( x )
por Supr., p~(x).
Condicin de igualdad
Dos conjuntos ljorrosos A y B son iguales cuando se cumple que
~ ( x=)p ~ ( x )para todo
XE
148
Condicin de complementacin
Dado un conjunto borroso B, con funcin de pertenencia p ~ se
, denomina complemento de B al conjunto B' si y slo si se cumple que
& = l - p ~ para todo X E E
Condicin de inclusin
El conjunto borroso A estar incluido en el B, o lo que es igual,
A ser subconjunto de B, si se cumple p ~ < p ~ .
Condicin de interseccin
La funcin de pertenencia del conjunto resultante de la interseccin
A l B viene dada por el mnimo de las funciones
y p ~ ES
, decir:
Condicin de unin
La funcin de pertenencia de la unin de dos conjuntos A U B viene
dada por el mximo de las funciones p ~y p ~ Analticamente:
.
Producto algebraico
La funcin de pertenencia del conjunto resultante del producto algebraico de dos conjuntos borrosos A.B viene dada por la siguiente expresin:
~A.B=~A.~B
149
Suma algebraica
La funcin de pertenencia del conjunto resultante de la suma algebraica de los conjuntos borrosos A y B se define de la siguiente forma:
Relacin bovvosa
Dada una relacin borrosa R, definida en el producto cartesiano
A.B ={ (x,y) 1 X E A, y EB 1, sta ser un conjunto borroso en A.B, con una
funcin de pertenencia asociada V R para cada par (x,y).
En el planteamiento convencional del problema de decisin se tienen en cuenta los siguientes elementos, S. Ros (1976):
1. El decisor, que viene dado por la persona o gmpo de personas
interesadas en resolver el problema en cuestin. Este decisor, de acuerdo
con sus preferencias, adoptar una nica decisin, la ptima.
2. El conjunto de las alternativas, sobre las cuales realizar el decisor su eleccin.
3. El conjunto de las restricciones referentes a la eleccin a realizar
en el conjunto de las alternativas.
4. El ambiente en el que se desenvuelve la decisin, tambin denominado naturaleza, que recoge el conjunto de factores no controlados por el decisor. Este ambiente o naturaleza es susceptible de separarse en estados, constituyendo cada uno de stos un conjunto de
caractersticas que individualizan la situacin del decisor en lo que se
refiere al mundo exterior.
El conocimiento relativo sobre tales estados hace posible hablar de
tres' tipos de ambientes (Luce y Raiffa, 1957):
- Ambiente de certeza total, que se da cuando el decisor conoce los
estados posibles y sabe cul se presentar.
- Ambiente de riesgo, en el cual los estados se consideran aleatorios y se supone conocida su ley de probabilidad.
- Ambiente de incertidumbre, o de ausencia de informacin sobre
los estados de la naturaleza.
150
151
rrosa.
El Objetivo borroso es aquel cuyo nivel no se establece con precisin, definindose por un conjunto borroso en un espacio determinado (X). Por ejemplo: los beneficios deben ser sustancialmente superiores a 100 um.. El trmino sustancialmente mayor establece una
fuente de imprecisin que ser considerada y tratada por medio de un
conjunto borroso, el cual, como tal, lleva asociada una funcin de pertenencia y&) que mide la intensidad con que cualquier x (valor del
beneficio alcanzado) pertenece a nuestro objetivo. As pues, en este ejemplo el objetivo O se define de la siguiente forma:
definindose la funcin de
~ ( x tal
) como se indica:
para x.<100
PO($= [l+(x-100)-*]-~
~ ( x ) =O
grficamente:
para x>100
uo(X)
152
donde los smbolos ,< indican que x (el beneficio) debe estar comprendido aproximadamente entre 90 y 120.
,
La restriccin as considerada acta sobre el espacio de las alternativas y se define: asimismo, a travs de un conjunto borroso, el cual
lleva implcita una funcin de pertenencia ~ R ( xque
) adopta, en nuestro
ejemplo, la siguiente forma:
I
p~(x)=O
. .
pR(X)= 1
, ,.
'
para.xG90'
'
para
&4d
'
grficamente:
8
..-..,.
, -
"
- 416 -
qo
100
1x0
siendo S el conjunto de valores de x-en los cuales p ~ ( x )alcanza su mximo valor. En conclusin, la decisin ptima es aquella alternativa
del espacio X que hace mximo pD(x).
Operando en la forma indicada en el ejemplo que venimos desarrollando obtendremos:
'
f
Valoues de x
90
95
100
101
102
~O(X)
VR(X)
O
O
O
0.5
0.80
1
0.83
0.66
0.63
0.60
po(x)
V R ( ~
Valores de x
f
,90
95
100
101
102
103
104
105
106
107
108
109
vD(x)
* O
o
,o
0.50
0.60
0.56
0.53
0.50
0.46
0.43
0.40
0.36
"3
r 7
155
con
4. CLASIFICACI~N
DE
EN AMBIENTES BORROSOS
. Los procesos de decisin pueden presentarse bajo diferentes formas y caractersticas. En un afn por clasificar estos problemas e intentar as una tipologa de las tcnicas de Ayuda a la decisin, podemos considerar que la Teora de la Decisin, en el mbito de aplicacin
156
la
PP de etapas
multietpicos
bietpicos
varios
'
eza
n?
grupo
decisores
>"
.,
..
grado de
vaguedad
157
158
"
El problema que aqu se considera es la toma de decisiones en prsencia de mltiples decisores, y que puede ser descrito en los siguientes trminos, dado-S los siguientes elementos:
- un conjunto de alternativas;
- un grupo de decisores, en donde cada uno de ellos manifiesta
un orden de preferencia diferente sobre el conjunto de las al>
ternativas;
se trata, en definitiva, de buscar un orden de preferencias que suponga
un compromiso entre los diferentes puntos de vista de los distintos de'cisores.
La Teora de la -Decilsin Borrosa en grupos se muestra como uno
de los instrumentos ms adecuados para hace* frente a este tipo de
problemas cuando el ambiente donde se desenvuelve la decisin es borroso. En este caso los rdenes de preferencia de los decisores se especifican por relaciones binarias definidas sobre el conjunto de las alternativas.
Los trabajos de Fung y Fu (1975), Blin y Whinston (1974) y Blin (1974)
deben -considerarse, como esenciales en este rea.
159
CLASIFICACI~N
DE LOS
Categora
PROCESOS DE DECISIN
.UNIETAPICOS
Teora convencional
Teora brrosa
Maximizacin de la
utilidad esperada
Teora Estadstica de
la Decisin
Teora Estadstica de
la Decisin Borrosa
Programacin Matemtica
Juegos de Estrategia.
Teora de la decisin colectiva
Anlisis Multicriterio
Teora colectiva de la
decisin borrosa
Anlisis Multicriterio
en ambientes borrosos
1\60
< I
.,
. <
;.
<'
Supone la imposicin .desuna estructura de decisin borrosa (es decir, la interseccin entre objetivos restricciones) "sobre el concepto,
ya amiliar, de programacin dinmica. Pueden ser considerados dos
casos:
a) El sistema bajo' control es dterminstico:
Supengzmos un sistema A, bzje control, que se presenta c
finito e invariante en el tiempo. La
caracterst
a travs de la siguiente
evolucin
I
ecuacin de estado:
a
,"
,"
'
,.
X={ai, ~ 2 . ~...,
~ 3un)
,
,
..
..
.I
161
162
donde:
it es el input en el momento t;
xt es el estado del sistema en el momento t;
ot es el output en el momento t,
con itczI; x t ~ X o; t ~ O ,
Las normas que permiten calcular la respuesta borrosa que el sistema as definido da a un input borroso son las siguientes:.
vxt+ i(xt+,)= max. min. (pxt(xt); plt(it); V F ( X ~ +it)
~ /1X ~ I
xt, it
wlt(it)= max. min. {vxt(xt); vlt(it); v~(yt/x~,
it) 1
xt, it
En el desarrollo de la teora de los sistemas dinmicos borrosos no
podemos olvidar las importantes contribuciones de Zadeh (1965-b, 1969,
163
5. CONSIDERACIONES
FINALES
La aceptacin de la imprecisin y de la vaguedad como algo propio
del comportamiento humano ha hecho posible la aparicin de una
nueva teora para tratar este fenmeno: la Teora de los Conjuntos Borrosos.
La aplicacin de esta teora en el mbito de la Economa de la Empresa, y en especial en la problemtica de la toma de decisiones, da
como resultado, a nuestro juicio, una Teora de la Decisin que hace
posible la consideracin de los ambientes borrosos.
En este trabajo hemos intentado, asimismo, una clasificacin de
los diversos problemas de decisin y de las diferentes tcnicas que
se ocupan de la resolucin de stos, y todo ello aceptando que trabajamos en ambientes borrosos.
En esa Teora de la Decisin Borrosa de la que hablamos es necesario distinguir, por un lado, un aspecto normativo que caracteriza a
164
todas las tcnicas que hemos incluido en el apartado de procesos unietpicos, as como la Programacin Dinmica Borrosa; el objeto de estos
modelos normativos es poner de manifiesto cmo debe tomarse la decisin. Por otro lado, un aspecto descriptivo, que caracteriza a los Sistemas Lingsticos Borrosos.
Es necesario destacar, por ltimo, el hecho de que esta nueva teora de la decisin va a permitir, a nuestro juicio, una mejor modelizacin de los problemas de decisin que se presentan en el mundo real.
Asimismo hemos de advertir que, a pesar del alto grado de formalizacin de esta teora, de hecho supone un acercamiento a la simplicidad
(diramos imprecisin y vaguedad) con que estos problemas se plantean
en la realidad cotidiana.
En prximos artculos esperamos ir desarrollando, con mayor profundida, cada una de las tcnicas de decisin borrosa que hemos mencionado en este trabajo, y de las que hemos hecho una breve semblanza.
165
166
ZIMMBRMANN,
H. J. (1976): ((Description and optimization of fuzzy systbms)), Int.
J. General Systems, vol. 2, pgs. 209-215.
ZIMMBRMANN,
H. J. (1978): Fuzzy programming and linear programming with se-'
vera1 objective functions, Fuzzy sets and Systems, vol. 1, nP 1, pgs. 45-56.
ZADEH,L. A. (1972-b): A fuzzy set interpretation of linguistic hedges)), Journal of
Cybernetics, vol. 2, nP 3, 434.