Teoría General de Sistemas: Definición, Desarrollo y Aplicación.

¿Que es?

La teoría general de sistemas (TGS) o teoría de sistemas o enfoque sistémico es un esfuerzo de estudio interdisciplinario que trata de encontrar las propiedades comunes a entidades llamadas sistemas. Éstos se presentan en todos los niveles de la realidad, pero que tradicionalmente son objetivos de disciplinas académicas diferentes. Su puesta en marcha se atribuye al biólogo austriaco Ludwig von Bertalanffy, quien acuñó la denominación a mediados del siglo XX.

Desarrollo

Aunque la TGS surgió en el campo de la Biología, pronto se vio su capacidad de inspirar desarrollos en disciplinas distintas y se apreció su influencia en la aparición de otras nuevas. Así se ha ido constituyendo el amplio campo de la sistémica o de las ciencias de los sistemas, con especialidades como la cibernética, la teoría de la información, la teoría de juegos, la teoría del caos o la teoría de las catástrofes. En algunas, como la última, ha seguido ocupando un lugar prominente la Biología.

Más reciente es la influencia de la TGS en las Ciencias Sociales. Destaca la intensa influencia del sociólogo alemán Niklas Luhmann, que ha conseguido introducir sólidamente el pensamiento sistémico en esta área.

Aplicación

La principal aplicación de esta teoría está orientada a la empresa científica cuyo paradigma exclusivo venía siendo la Física. Los sistemas complejos, como los organismos o las sociedades, permiten este tipo de aproximación sólo con muchas limitaciones. En la aplicación de estudios de modelos sociales, la solución a menudo era negar la pertinencia científica de la investigación de problemas relativos a esos niveles de la realidad, como cuando una sociedad científica prohibió debatir en sus sesiones el contexto del problema de lo que es y no es la conciencia. Esta situación resultaba particularmente insatisfactoria en Biología, una ciencia natural que parecía quedar relegada a la función de describir, obligada a renunciar a cualquier intento de interpretar y predecir, como aplicar la teoría general de los sistemas a los sistemas propios de su disciplina.

http://es.wikipedia.org/wiki/Teor%C3%ADa_de_sistemas

Abstracto

Fuzzy logic is a very powerful and direct technique for problem solving, which has recently acquired a wide circulation, especially in areas of control and decision making.Has emerged as a tool to control subsystem and complex industrial processes, as well as for entertainment and home electronics, diagnostic systems and other expert systems.Traditionally the logical premises are just two extremes: either they are completely true or totally false. In the world of fuzzy logic, logical assumptions to change in a degree of truth range from 0 to 100 percent, this allows the mathematical approach to vague language of the common man as it is full of vague terms like "slightly" "a lot", "warm", etc.Seeing this, the paradigm of "is" and "not" is a serious limitation in building control systems real time process control and expert systems. Many expert systems have the ability to make decisions based on vague or inaccurate entries. This ability is very difficult or impossible to obtain using conventional logic, being in these areas where fuzzy logic comes.

Noticias Recientes.

Francisco Herrera destaca la variedad de aplicaciones de la lógica difusa

En los datos hay información útil y la capacidad de extraerla es una de las aplicaciones de la lógica difusa, según destacó ayer Francisco Herrera, catedrático de Ciencias de la Computación e Inteligencia Artificial de la Universidad de Granada. El profesor Herrera recibió en Oviedo el IV Premio Cajastur «Mamdani» de Soft Computing, promovido por la entidad financiera asturiana y el European Centre for Soft Computing (ubicado en Mieres). El galardonado indicó que la lógica difusa puede aplicarse a campos tan diversos como la automoción y el estudio de los riesgos de las operaciones bancarias.

En su fallo, el jurado reconoció a Herrera por sus «contribuciones metodológicas y de aplicación de los sistemas borroso genéticos y el aprendizaje evolutivo, al análisis inteligente de datos y el control». Su producción científica fue elogiada ayer por Piero Bonissone, científico jefe de General Electric Global Research, presidente del comité científico del European Centre for Soft Computing y ganador de la segunda edición del premio que ayer recibió Francisco Herrera, primer español que alcanza el galardón, dotado con 20.000 euros.

En una rueda de prensa previa al acto de entrega también estuvieron presentes Luis Magdalena, director general del centro mierense, y José Vega, director de la Obra Social de Cajastur, quien felicitó a Herrera y destacó que Cajastur aporta un millón de euros anuales a la actividad del European Centre for Soft Computing.

En esta cuarta edición, el premio internacional ha pasado a denominarse premio «Mamdani», como tributo al investigador Ebrahim Mamdani, pionero del control «fuzzy» y miembro del jurado en las tres primeras ediciones, quien falleció repentinamente a principios de este año en Londres. Ayer, su viuda asistió al acto de Oviedo. 

Áreas de aplicación de la Teoría Difusa.

	Problemas de interfaces Hombre/Maquina	Problemas no lineales Variantes en el tiempo	Clasificación de problemas
Problemas de los métodos convencionales	-Dificultad para expresar numéricamente los objetos del control.         -Evaluación del control por   interpretación humana.	-La dinámica de la planta varía con el tiempo.     -Plantas no lineales. Sobreflujo Oscilación.	-La acción a tomar no es clara.     -No es posible describir todas las trayectorias de solución. Limitaciones Hardware/Velocidad
Aplicaciones	-Control de suspensión.          -Transmisiones automáticas.          -Metro de Sendai	-Control de temperatura.         -Control de la posición de las cabezas de un disco duro.         -Pilotos automáticos.	-Auto zoom.     -Reconocimiento de patrones escritos a mano.     -Transmisiones automáticas.

Imprecisión Vs Incertidumbre

Imprecisión	Incertidumbre
Situación en la que no puede darse un valor exacto para los parámetros del problema, la información no es cuantificable, es incompleta o no puede obtenerse. Proviene de la incapacidad de precisión del ser humano. La imprecisión en análisis de decisiones suele manejarse con la teoría de conjuntos difusos.	Los parámetros que intervienen en el problema son de naturaleza estocástica. Suele usarse métodos probabilísticos que permiten modelar el conocimiento incompleto del medio externo a las personas.

Aplicaciones de la Lógica Difusa

La lógica difusa se utiliza cuando la complejidad del proceso en cuestión es muy alta y no existen modelos matemáticos precisos, para procesos altamente no lineales y cuando se envuelven definiciones y conocimiento no estrictamente definido (impreciso o subjetivo).

En cambio, no es una buena idea usarla cuando algún modelo matemático ya soluciona eficientemente el problema, cuando los problemas son lineales o cuando no tienen solución.

Esta técnica se ha empleado con bastante éxito en la industria, principalmente en Japón, y cada vez se está usando en gran multitud de campos. La primera vez que se usó de forma importante fue en el metro japonés, con excelentes resultados. A continuación se citan algunos ejemplos de su aplicación:

•      Sistemas de control de acondicionadores de aire
•      Sistemas de foco automático en cámaras fotográficas
•      Electrodomésticos familiares (frigoríficos, lavadoras...)
•      Optimización de sistemas de control industriales
•      Sistemas de reconocimiento de escritura
•      Mejora en la eficiencia del uso de combustible en motores
•      Sistemas expertos del conocimiento (simular el comportamiento de un experto humano)
•      Tecnología informática
•      Bases de datos difusas: Almacenar y consultar información imprecisa. Para este punto, por ejemplo, existe el lenguaje FSQL.
•      ...y, en general, en la gran mayoría de los sistemas de control que no dependen de un Sí/No.

Lofti Zadeh y Gustavo Bueno en Oviedo

Funcionamiento de la Lógica Difusa

La lógica difusa se adapta mejor al mundo real en que vivimos, e incluso puede comprender y funcionar con nuestras expresiones, del tipo "hace mucho calor", "no es muy alto", "el ritmo del corazón está un poco acelerado", etc.
La clave de esta adaptación al lenguaje, se basa en comprender los cuantificadores de nuestro lenguaje (en los ejemplos de arriba "mucho", "muy" y "un poco").
En la teoría de conjuntos difusos se definen también las operaciones de unión, intersección, diferencia, negación o complemento, y otras operaciones sobre conjuntos, en los que se basa esta lógica.

En la teoría de conjuntos difusos se definen también las operaciones de unión, intersección, diferencia, negación o complemento, y otras operaciones sobre conjuntos, en los que se basa esta lógica.

Para cada conjunto difuso, existe asociada una función de pertenencia para sus elementos, que indican en qué medida el elemento forma parte de ese conjunto difuso. Las formas de las funciones de pertenencia más típicas son trapezoidales, lineales y curvas.

Se basa en reglas heurísticas de la forma SI (antecedente) ENTONCES (consecuente), donde el antecedente y el consecuente son también conjuntos difusos, ya sea puros o resultado de operar con ellos. Sirvan como ejemplos de regla heurística para esta lógica (nótese la importancia de las palabras "muchísimo", "drásticamente", "un poco" y "levemente" para la lógica difusa):

•   SI hace muchísimo calor ENTONCES disminuyo drásticamente la temperatura.
•   SI voy a llegar un poco tarde ENTONCES aumento levemente la velocidad.

Los métodos de inferencia para esta base de reglas deben ser simples, veloces y eficaces. Los resultados de dichos métodos son un área final, fruto de un conjunto de áreas solapadas entre sí (cada área es resultado de una regla de inferencia). Para escoger una salida concreta a partir de tanta premisa difusa, el método más usado es el del centroide, en el que la salida final será el centro de gravedad del área total resultante.

Las reglas de las que dispone el motor de inferencia de un sistema difuso pueden ser formuladas por expertos, o bien aprendidas por el propio sistema, haciendo uso en este caso de redes neuronales para fortalecer las futuras tomas de decisiones.

Los datos de entrada suelen ser recogidos por sensores, que miden las variables de entrada de un sistema. El motor de inferencias se basa en chips difusos, que están aumentando exponencialmente su capacidad de procesamiento de reglas año a año.

Un esquema de funcionamiento típico para un sistema difuso podría ser de la siguiente manera:

Funcionamiento de un sistema de control difuso.

En la figura, el sistema de control hace los cálculos con base en sus reglas heurísticas, comentadas anteriormente. La salida final actuaría sobre el entorno físico, y los valores sobre el entorno físico de las nuevas entradas (modificado por la salida del sistema de control) serían tomadas por sensores del sistema.