Applicazioni e vantaggi della logica Fuzzy 50

I sistemi gestiti con logica fuzzy sono in rapida espansione in molti campi; in questi anni, infatti, la fuzzy logic si è dimostrata non solo un affascinante campo di indagine teorica, ma anche una fonte di avanzati sviluppi ingegneristici.

Il Giappone è stato il primo paese a impiegare in modo massiccio la logica fuzzy per la costruzione di numerosi prodotti che spaziano dall'hardware al software, dall'impiego su scala industriale alle applicazioni decisionali relative ai più svariati settori; ed è stata giapponese la prima applicazione della logica fuzzy su larga scala e per uso pubblico progettando e realizzando un sistema di controllo fuzzy per la metropolitana della città di Sendai a metà degli anni ottanta.

Dal Giappone l'impiego della fuzzy logic si è esteso agli Stati Uniti ed è in seguito approdato in Europa: i prodotti, i brevetti, le ricerche, i progetti si moltiplicano in tutto il mondo. Oggi anche in Italia la logica fuzzy è applicata in numerosi settori.

Le grandi aree di utilizzo sono prevalentemente due: i sistemi di controllo e i sistemi esperti o di supporto decisionale. La teoria della logica fuzzy ha infatti trovato applicazione nel corso degli anni in diversi settori e campi di attività. Tra queste aree di applicazione le più significative hanno riguardato quei processi dove si presentano elevate difficoltà nella trasformazione in modelli matematici per la complessità legata alla struttura non lineare o con margini di incertezza elevati.

Le applicazioni che potremmo definire tradizionali riguardano la produzione di elettrodomestici e la costruzione di microprocessori e relativi software di supporto; da qualche anno però si annoverano anche applicazioni differenti da quelle appena elencate che rivelano il coinvolgimento di settori e soggetti nuovi rispetto a quelli consueti. Tra queste ci sono le problematiche connesse ai processi di valutazione e previsione, controllo, ottimizzazione e classificazione.

Come evidenziato dallo studio di Wong e Lai (2011), nel corso degli ultimi anni (analisi della letteratura dal 1998 al 2009) si è registrato un aumento delle applicazioni della teoria fuzzy in ambito Production and Operations Management. In ordine decrescente per numero di applicazioni, le aree di interesse in tale ambito sono:

• capacity planning (long term/ short term), • inventory control, • product design, • aggregate planning, • scheduling, • facilities layout, • maintenance, • quality control,

• distribution, • process design, • project management, • facilities location, • enviroment, • process choice, • forecasting, • quality planning, • purchising.

La teoria fuzzy ha trovato applicazione come modello a supporto delle decisioni manageriali, anche ad esempio per valutare le decisioni durante la fase di screening nel processo di sviluppo di un nuovo prodotto (Lin e Chen, 2004). Lo scopo è quello di migliore l’accuratezza del processo decisionale di valutazione dell’opportunità di successo di un prodotto e/o servizio introdotto in un mercato caratterizzato da condizioni di incertezza e scarsità di informazioni affidabili ed imperfette (Shipley, Korvin e Khursheed, 2001). Generalmente le decisioni di questo tipo implicano l’utilizzo di un modello multi-attributo, in cui gli attributi sono associati in modo soggettivo a valori numerici; in tali situazioni è difficile aggregare i valori in modo da arrivare ad un ranking affidabile delle scelte disponibili ed i metodi di misura che utilizzano le logiche classiche spesso non sono sufficienti per affrontare in modo efficace le situazioni in cui informazioni disponibili sono limitate. Il modello valutativo sviluppato ad esempio da Shipley, Korvin e Khursheed (2001), basato sulle logiche fuzzy, fornisce un approccio più realistico per affrontare la soggettività e le imperfezioni del mercato di introduzione del prodotto ed utilizza una classificazione che riflette l’incertezza umana insita nei giudizi soggettivi.

Anche Büyüközkan e Feyzıoglu (2004) hanno proposto un approccio integrato basato sulla logica fuzzy per modellare le decisioni lungo le fasi critiche del processo di sviluppo nuovo prodotto, sotto condizioni di incertezza. In questo modo supportano nelle decisioni di individuazione del miglior nuovo prodotto e delle strategie aziendali di sviluppo più adatte per ridurre al minimo i rischi associati.

Interessante è lo studio di Arias (2005), che ha condotto un’analisi riguardante l’applicazione delle tecniche di supporto decisionale nel campo dell’operation management. Per fare questo ha utilizzato la logica fuzzy come metodologia linguistica per esprimere i risultati ottenuti da un questionario usato per la survey condotta su un campione di 71 imprese spagnole di consulenza.

La logica fuzzy è stata utilizzata anche come supporto per le decisioni di configurazione della supply chain di un nuovo prodotto, quando ci si trova in un ambiente incerto, con dati statistici non disponibili o inaffidabili; l’approccio fuzzy viene utilizzato per effettuare analisi di trade-off tra il livello di servizio al cliente, i costi di prodotto e l’investimento in

scorte, lungo la supply chain, in base alla propensione al rischio dei managers (Wang e Shu, 2004).

I sistemi fuzzy di supporto decisionale offrono un vantaggio concettuale rispetto ai sistemi decisionali basati sulla ricerca operativa o altri metodi analitici. Quando si deve operare una scelta basandosi sull’utilizzo di metodi analitici, ci si trova di fronte ad uno spazio decisionale, finito o infinito, contenete le alternative possibili. Si cerca allora di trovare l’alternativa che massimizza una certa funzione obiettivo, rispettando nel contempo una serie di vincoli. La funzione obiettivo permette di ordinare le alternative secondo un grado di preferenza, mentre i vincoli limitano lo spazio delle alternative. Nei casi in cui si vogliano conseguire più obiettivi, specie se contrastanti, ci si trova vincolati dai limiti di questa impostazione. Al contrario, nella logica fuzzy, obiettivi e vincoli sono gestiti allo stesso modo. Entrambi sono espressi tramite funzioni di appartenenza, mentre l’importanza e il ruolo che assumono nel sistema vengono stabiliti da regole linguistiche. In questo modo è più agevole far convivere obiettivi concorrenti e fornire indicazioni al sistema senza dover necessariamente decidere se vanno usate come vincoli o come obiettivi.

I sistemi fuzzy sono adatti a lavorare in condizioni di incertezza e di disturbi nell’acquisizione dei dati, si adattano bene a processi variabili nel tempo o fortemente non lineari, e quindi difficili da rappresentare con modelli matematici. Caratteristica importante della logica fuzzy è la sua facilità d’uso e di comprensione, dovuta alla sua affinità con il ragionamento umano. Le regole linguistiche fuzzy non richiedono l’uso di formule o di complessi modelli analitici ed i sistemi fuzzy si comportano in modo soddisfacente proprio in quelle situazioni che una persona saprebbe gestire con facilità, ma che risultano difficili da affrontare con metodi analitici.

Di seguito la schematizzazione dei principali vantaggi della logica fuzzy: • è concettualmente facile da comprendere;

• è flessibile e riesce a manipolare dati imprecisi; • riesce a riprodurre funzioni di arbitraria complessità;

• permette di utilizzare e manipolare l’esperienza di operatori umani; • può essere combinata con altre tecniche di controllo;

• è basata su un linguaggio naturale; • permette una visione d’insieme.