Crescimento logístico modelado por ANFIS
DOI:
https://doi.org/10.5540/03.2026.012.01.0268Keywords:
ANFIS, Modelo Logístico, Conjuntos FuzzyAbstract
Este estudo investiga as capacidades do Adaptative-Network-Based Fuzzy Inference System (ANFIS), uma ferramenta que combina redes neurais e lógica fuzzy para ajustar um modelo de crescimento populacional logístico de Verhulst. Assim, neste trabalho são utilizados dados sintéticos para fornecer um ajuste de curva do crescimento logístico populacional e do parâmetro de taxa de crescimento. Por meio dos gráficos produzidos são apresentadas interpretações biológicas dos antecedentes, dados por conjuntos fuzzy Gaussianos, e dos consequentes, dados por funções lineares obtidas pela inferência de Takagi-Sugeno, gerados pelo ANFIS. Por fim, é apresentada uma extensão do modelo logístico para visualizar uma superfície representativa da taxa de crescimento e sua aproximação mediante o ANFIS.
Downloads
References
A. Abraham. “Adaptation of Fuzzy Inference System Using Neural Learning”. Em: Fuzzy Systems Engineering: Theory and Practice. Ed. por N. Nedjah e L. M. Mourelle. Berlin, Heidelberg: Springer Berlin Heidelberg, 2005, pp. 53–83. ISBN: 978-3-540-32397-6. DOI: 10.1007/11339366_3.
L. C. Barros, R. C. Bassanezi e W. A. Lodwick. First course in fuzzy logic, fuzzy dynamical systems, and biomathematics. Springer, 2016.
L. C. Barros, V. F. Wasques, E. Esmi, D. E. Sánchez e F. S. P. Simões. Sistemas p-fuzzy e aplicações. Online. Acessado em 09/04/2025, https://www.researchgate.net/publication/363845971_SISTEMAS_P-FUZZY_E_APLICACOES.
B. Bede. Mathematics of Fuzzy Sets and Fuzzy Logic. Studies in Fuzziness and Soft Computing. Springer Berlin, Heidelberg, 2013. ISBN: 978-3-642-35220-1.
L. Edelstein-Keshet. Mathematical models in biology. SIAM, 2005.
F. A. Freitas, R. M. Jafelice, J. W. Silva, D. S. Rabelo, Q. S. S. Nomelini, J. R. V. Moura, C. A. Gallo, M. J. Cunha e J. E. Ramos. “A new data normalization approach applied to the electromechanical impedance method using adaptive neuro-fuzzy inference system”. Em: Journal of the Brazilian Society of Mechanical Sciences and Engineering 43 (2021), pp. 1–13.
M. I. S. Guerra, F. M. U. Araújo, J. T. C. Neto e R. G. Vieira. “Survey on adaptative neural fuzzy inference system (ANFIS) architecture applied to photovoltaic systems”. Em: Energy Syst 15.1 (2024), pp. 505–541. DOI: 10.1007/s12667-022-00513-8.
J. K. Hale e H. Koçak. Dynamics and bifurcations. Vol. 3. Springer Science & Business Media, 2012.
A. Al-Hmouz, J. Shen, R. Al-Hmouz e J. Yan. “Modeling and simulation of an adaptive neuro-fuzzy inference system (ANFIS) for mobile learning”. Em: IEEE transactions on learning technologies 5.3 (2011), pp. 226–237.
R. M. Jafelice, L. C. Barros e R. C. Bassanezi. Teoria dos Conjuntos Fuzzy com aplicações. Notas em Matemática Aplicada. SBMAC, 2023. ISBN: 978-65-86388-14-5.
J-S. R. Jang. “ANFIS: adaptive-network-based fuzzy inference system”. Em: IEEE transactions on systems, man, and cybernetics 23.3 (1993), pp. 665–685.
J-S. R. Jang e C-T. Sun. “Neuro-fuzzy modeling and control”. Em: Proceedings of the IEEE 83.3 (1995), pp. 378–406.
J-S. R. Jang, C-T. Sun e E. Mizutani. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Pearson College Div; 1st edition, 1997. ISBN: 978-0132610667.
M. A. Khan e F. Algarni. “A healthcare monitoring system for the diagnosis of heart disease in the IoMT cloud environment using MSSO-ANFIS”. Em: IEEE access 8 (2020), pp. 122259–122269.
H. Moayedi, M. Raftari, A. Sharifi, W. A. W. Jusoh e A. S. A. Rashid. “Optimization of ANFIS with GA and PSO estimating α ratio in driven piles”. Em: Engineering with computers 36.1 (2020), pp. 227–238.
M. Z. Monteiro e V. F. Wasques. “Estudo de sistemas de inferência neuro-fuzzy adaptativo para estimativa e interpretação de parâmetros na modelagem de doenças”. Em: Proceeding Series of the Brazilian Society of Computational and Applied Mathematics. Vol. 11. 1. 2025, pp. 1–2.
M. Negnevitsky. Artificial intelligence: a guide to intelligent systems. Pearson education, 2005.
D. E. Sánchez, E. Esmi e L. C. Barros. “Discrete and continuous logistic p-fuzzy models”. Em: Fuzzy Techniques: Theory and Applications: Proceedings of IFSA/NAFIPS’2019. Springer. 2019, pp. 556–566.
