Tecnologías Específicas

Computación

Descripcion y Objetivos

FASILL es un entono de programación lógica difusa desarrollado en la UCLM por el grupo DEC-TAU durante la última década. El sistema dispone de versiones instalables y on-line para  ejecutar, depurar, optimizar y calibrar código difuso. Esta última capacidad permite ajustar con precisión y de forma automática ciertos parámetros -normalmente pesos y conectivas difusas- de las reglas de los programas FASILL en base a una serie de casos de prueba (es decir, ejemplos que relacionan posibles entradas con sus correspondientes salidas esperadas) proporcionados a priori por los usuarios para que el comportamiento de los programas calibrados se ajuste a sus preferencias. La técnica es tan general y potente que admite múltiples aplicaciones particulares en diferentes dominios de aplicación, como es el caso de la difuminación de datos nítidos mediante la asignación de conjuntos difusos a diferentes propiedades de los mismos.

En este TFG se pretende desarrollar una herramienta para analizar encuestas de opinión recopiladas entre expertos y alumnos de la ESII sobre cuestiones relativas al confort en las aulas (con variables de entrada del tipo temperatura y humedad dentro/fuera del aula, nivel de CO2, etc). En una primera fase de actuación, se pretende invocar al calibrador de FASILL para difuminar estos datos mediante la construcción automática de conjuntos difusos que modelen propiedades tales como: ambiente muy frío, fresco, agradable, caluroso, bochorno, etc. A partir de ahí, se iniciará una segunda fase mediante el anidamiento de varios procesos de inferencia difusa donde finalmente una posible variable de salida podría ser la ventilación (abrir o cerrar ventanas): cerrar mucho más, cerrar un poco, igual, abrir un poco, abrir mucho, abrir todo, etc. Las reglas del FIS (que podrían implementarse, por ejemplo, en Python) serían del estilo: “ IF CO2 es muy alto THEN  abrir_todo”, “IF temperatura_interior es muy_alta AND temperatura_exterior es normal THEN abrir_mucho” y así sucesivamente.

 

Bajo la supervisión de los tutores del DSI (calibrador de FASILL) y Matemáticas (motor de inferencias difusas), la herramienta final se presentará con una interfaz gráfica lo más transparente posible al acoplamiento de las diversas componentes del sistema.

 

Metodología y Competencias

Metodología:

Se aconseja tener conocimientos de lógica difusa y programación en Python y Prolog. El proyecto se iniciará con una revisión de la bibliografía más relevante sobre el tema. Se continuará con el aprendizaje y entrenamiento del calibrador del sistema FASILL. Se finalizará con la fase de implementación de los FIS en Python, invocando apropiadamente a FASILL. Más concretamente, la metodología y plan de trabajo que se empleará en este TFG se basará en las siguientes
fases de actuación:
• Fase de análisis. Cada tarea comienza por un estudio de los requisitos que impone su desarrollo, en base al conocimiento previo y la recopilación de nuevas informaciones, incluidas las encuestas de opinión a estudiantes y expertos.
• Fase de modelado y desarrollo. Se investiga en los modelos que configuran el soporte de cada una de las herramientas de partida, se ponen a punto cada uno de los desarrollos parciales de cada actividad y se
revisa la definición inicial respecto a los resultados obtenidos.
• Fase de implementación. Para acercarse al resultado final, se incorporan los resultados obtenidos en tareas relacionadas y a continuación se procede a la implementación de prototipos que finalmente se acoplarán a través de una interfaz gráfica. Esta fase se completa con el ensayo de diferentes casos de prueba que permitan evaluar empíricamente las prestaciones de la aplicación resultante.

Competencias:
Se trabajarán, con distinta profundidad, las siguientes competencias de la intensificación de computación:

[CM1] Capacidad para tener un conocimiento profundo de los principios fundamentales y modelos de la computación y saberlos aplicar para interpretar, seleccionar, valorar, modelar, y crear nuevos conceptos, teorías, usos y desarrollos tecnológicos relacionados con la informática.
[CM2] Capacidad para conocer los fundamentos teóricos de los lenguajes de programación y las técnicas de procesamiento léxico, sintáctico y semántico asociadas, y saber aplicarlas para la creación, diseño y procesamiento de lenguajes.
[CM3] Capacidad para evaluar la complejidad computacional de un problema, conocer estrategias algorítmicas que puedan conducir a su resolución y recomendar, desarrollar e implementar aquella que garantice el mejor rendimiento de acuerdo con los requisitos establecidos.
[CM4] Capacidad para conocer los fundamentos, paradigmas y técnicas propias de los sistemas inteligentes y analizar, diseñar y construir sistemas, servicios y aplicaciones informáticas que utilicen dichas técnicas en cualquier ámbito de aplicación.
[CM5] Capacidad para adquirir, obtener, formalizar y representar el conocimiento humano en una forma computable para la resolución de problemas mediante un sistema informático en cualquier ámbito de aplicación, particularmente los relacionados con aspectos de computación, percepción y actuación en ambientes o entornos inteligentes.
[CM7] Capacidad para conocer y desarrollar técnicas de aprendizaje computacional y diseñar e implementar aplicaciones y sistemas que las utilicen, incluyendo las dedicadas a extracción automática de información y conocimiento a partir de grandes volúmenes de datos.

 

Medios a utilizar

Todo el material y medios necesarios para ejecutar el TFG se encuentra disponible en la ESII.

Hardware: PC.

Software: Compiladores y entornos de programación de Python  ( SciPy - skfuzzy ) y  Prolog

Se recomienda la utilización de overleaf como editor de texto.

 

 

Bibliografía

Artículos especializados en el tema abordado, todos disponible en la ESIIAB y/o en internet. Libros y manuales de lógica difusa, inferencia difusa,  lenguajes de programación y librerías específicas. Proyectos fin de carrera y trabajos fin de grado relacionados con éste. Otros documentos:

• Pascual Julián Iranzo, Ginés Moreno, José Antonio Riaza (2020). The Fuzzy Logic Programming language FASILL: Design and implementation, International Journal of Approximate Reasoning, Volume 125, pp. 139-168. Available: https://doi.org/10.1016/j.ijar.2020.06.002
• Ginés Moreno, José A. Riaza (2021).  A Safe and Effective Tuning Technique for Similarity-Based Fuzzy Logic Programs. Advances in Computational Intelligence - 16th International Work-Conference on Artificial Neural Networks, IWANN 2021, Proceedings (Part I), Lecture Notes in Computer Science (Springer), volume 12861, pp. 190-201. Available: https://doi.org/10.1007/978-3-030-85030-2\_16
• Ginés Moreno, Carlos Vázquez (2014). Fuzzy Logic Programming in Action with FLOPER. Journal of Software Engineering and Applications, April 2014, Volume 7 (N. 4), Pages 273-298. Scientific Research. ISSN print 1945-3116, ISSN Online: 1945-3124. Available doi 10.4236/jsea.2014.74028 2014.
• Tennakoon, M., Mayorga, R., & Shirif, E. (2015).  A Fuzzy Inference System Prototype for Indoor Air and Temperature Quality Monitoring and Hazard Detection. JOURNAL OF ENVIRONMENTAL INFORMATICS, 16(2), 70-79.   http://www.jeionline.org/index.php?journal=mys&page=article&op=view&path%5B%5D=201000179
• Erozan, I., Özel, E., Talaz, D. (2020).  Evaluating Indoor Air Quality in Offices and Classrooms Using Fuzzy Logic. In: Kahraman, C., Cebi, S., Cevik Onar, S., Oztaysi, B., Tolga, A., Sari, I. (eds) Intelligent and Fuzzy Techniques in Big Data Analytics and Decision Making. INFUS 2019.  Advances in Intelligent Systems and Computing, vol 1029. Springer, Cham. https://doi.org/10.1007/978-3-030-23756-1_135
• Jabłoński K, Grychowski T. Fuzzy inference system for the assessment of indoor environmental quality in a room.  Indoor and Built Environment. 2018;27(10):1415  1430.     doi:10.1177/1420326X17728097
• Mamdani E., Assilian S.  An experiment in linguistic synthesis with a fuzzy logic controller
          Int. J. Man-Mach. Stud., 7 (1) (1975), pp. 1-13, 
          10.1016/S0020-7373(75)80002-2
• Oliphant T.P., Jones P.    SciPy - skfuzzy  (2022)
         URL: https://pythonhosted.org/scikit-fuzzy/
• Zadeh L. Fuzzy sets.   Inf. Control, 8 (3) (1965), pp. 338-353, 
          10.1016/S0019-9958(65)90241-X
• https://www.cs.princeton.edu/courses/archive/fall07/cos436/HIDDEN/Knapp/fuzzy004.htm