lfsoto/fuzzyclips

Maestría Profesional en Ingeniería del Software con énfasis en Inteligencia Artificial

Curso: Sistemas Basados en Conocimiento

Profesor:

• Luis Gerardo León Vega

Estudiantes:

• Luis Felipe Soto
• Alexander Garro

Instrucciones de instalación y ejecución

Requisitos

• Compilador de C (necesario si quiere compilar el código de FuzzyCLIPS)
• Python 3.11.9

Crear el ejecutable de FuzzyCLIPS

Como parte de la entrega se provee un archivo .exe con el ejecutable de FuzzyCLIPS. Sin embargo si desea compilarlo se entrega también un fork del código original de FuzzyCLIPS con el que se generará el .exe, para Windows deberá seguir los siguientes pasos:

• Instalar Visual Studio.
• Abrir una terminal de developer Command Prompt for VS 2022.
• Ejecutar el comando cl en el developer Command Prompt para asegurarse de que haya un compilador de C instalado.
• Desde la terminal Command Promp, ir al folder: C:\Users\soto2\OneDrive\Escritorio\fuzzyclips\FuzzyCLIPS Fork\source
• Ejecutar: cl /Fefz_clips.exe *.c. para generar el .exe

Ejecutar ejemplo FuzzyCLIPS

Para ejecutar el ejemplo de FuzzyCLIPS, se deberá, desde un la carpeta raiz, abrir un PowerShell y correr cd FuzzyCLIPS, luego fz_clips.exe. Esto levantará una terminal de FuzzyCLIPS, donde deberá cargar el archivo .clp, y ejecutar los comandos (respetando paréntesis):

(load fzbackward.clp)
(reset)
(run)

Esto cargará y ejecutará el programa. Que empezará a preguntar por los valores de cada nodo y el factor de certeza.
Ejemnplo:

fzclips: which node are you interested in? (a-j or q to quit)
usuario: f
fzclips: Please enter a value for node: a
usuario: 12
fzclips: Enter Certainty Factor for node (0.0 to 1.0): a
usuario: 0.4
fzclips: Please enter a value for node: b
usuario: 64
fzclips: Enter Certainty Factor for node (0.0 to 1.0): b
usuario: 0.9
fzclips: Enter Certainty Factor for node (0.0 to 1.0): c
usuario: 34
fzclips: Enter Certainty Factor for node (0.0 to 1.0): c
usuario: 0.4
fzclips: The output value at node f is 110 with certainty of 0.4

Ejecutar ejemplo Python

Para ejecutar el programa en Python, deberá instalar scikit-fuzzy: pip install scikit-fuzzy. Y seguir los siguientes pasos desde una terminal PowerShell:

• Desde el directorio raíz, ir a la carpeta Python.
• Ejecutar python fzbackward.py.

Esto cargará y ejecutará el programa. Que empezará a preguntar por los valores de cada nodo y el factor de certeza.
Ejemnplo:

python: which node are you interested in? (a-j or q to quit)
usuario: f
python: Please enter a value for node: a
usuario: 12
python: Enter Certainty Factor for node (0.0 to 1.0): a
usuario: 0.4
python: Please enter a value for node: b
usuario: 64
python: Enter Certainty Factor for node (0.0 to 1.0): b
usuario: 0.9
python: Enter Certainty Factor for node (0.0 to 1.0): c
usuario: 34
python: Enter Certainty Factor for node (0.0 to 1.0): c
usuario: 0.4
python: The output value at node f is 110 with certainty of 0.4

Comparación entre FuzzyCLIPS y Python

	FuzzyCLIPS	skfuzzy (Phython)
Flexibilidad	- Muy flexible en cuanto a la definición de conjuntos difusos y reglas.	- Altamente flexible y extensible, gracias a estar construido sobre Python.
	- Permite una gran personalización en cómo se definen y aplican las reglas.	- Integración con otras bibliotecas de Python para análisis de datos, aprendizaje automático y visualización.
	- Diseñado específicamente para sistemas basados en reglas.	- Permite definir una variedad amplia de funciones y operadores difusos personalizados.
Intuitividad	- Curva de aprendizaje alta para quienes no están familiarizados con los sistemas de producción basados en reglas.	- La sintaxis de Python es generalmente considerada intuitiva y fácil de aprender.
	- Requiere un conocimiento previo de CLIPS, lo cual puede no ser intuitivo para todos los usuarios.	- La documentación y los ejemplos disponibles facilitan el aprendizaje y la implementación.
Complejidad	- La implementación de sistemas puede volverse compleja cuando hay muchas reglas y las interacciones entre ellas son complicadas.	- La manera en que se gestionan los datos y las reglas en Python puede simplificar el manejo de la complejidad.
	- Requiere una gestión cuidadosa de la base de conocimientos y la inferencia.	- La capacidad de usar herramientas de depuración y análisis de Python puede ayudar a manejar la complejidad inherente en los sistemas difusos.
Rendimiento	- Optimizado para sistemas expertos basados en reglas y puede ser muy eficiente en estos contextos.	- Al estar basado en Python, puede aprovechar las optimizaciones de NumPy y SciPy para manejo de datos y cálculos matemáticos.
	- Puede no ser tan rápido como skfuzzy en el manejo de grandes conjuntos de datos debido a limitaciones por su entorno y arquitectura.	- El rendimiento puede variar y puede ser necesario optimizar el código para aplicaciones específicas.