XX Congreso Español sobre Tecnologías y Lógica Fuzzy

La toma de decisiones es una actividad habitual en diversos campos de aplicación y áreas de investigación (ingeniería, ciencias sociales, ciencias de la salud, tecnologías de la informacion, etc.). El carácter transversal de esta área de investigación ha llevado al desarrollo de diferentes modelos, de diferentes enfoques y perspectivas en una amplia gama de disciplinas como Psicología, Economía, Ciencias Políticas, Elección Social, Investigación Operativa, Medicina, Inteligencia Artificial, Ingeniería, etc. Esta sesión se centra en ambientes donde los objetivos, restricciones o posibles alternativas asociadas a los procesos de toma de decisión no son conocidos con precisión, es decir, procesos de toma de decisiones en ambientes de incertidumbre. El objetivo de esta sesión especial es brindar la oportunidad de debatir y difundir los avances teóricos y empíricos más recientes en este campo que permitan mostrar la versatilidad y aplicabilidad de estas técnicas.

La Toma de Decisiones (TD) es una actividad habitual en diversos campos de aplicación y áreas de investigación (ingeniería, ciencias sociales, psicología, tecnologías de la información, etc.). Esta extensa gama de campos de aplicación ha originado el estudio de estos problemas desde distintas aproximaciones y perspectivas. La Teoría Clásica de la decisión proporciona diversas herramientas y modelos para resolver muchos de estos problemas de decisión. Sin embargo, la mayoría de estos modelos son determinísticos y probabilísticos que no se adaptan bien a problemas que presentan incertidumbre de naturaleza no probabilística que son habituales en muchas situaciones del mundo real.

Para abordar estos problemas y tratar este tipo de incertidumbre no probabilística existen distintos enfoques y herramientas, entre los que se encuentran la teoría de conjuntos difusos, la Aproximación Lingüística Difusa, además de distintas extensiones de los conjuntos difusos que han permitido mejorar flexibilidad y fiabilidad de los modelos clásicos. Esta sesión tiene como objetivo proporcionar una oportunidad a los investigadores que trabajan en Toma de Decisiones bajo incertidumbre utilizando Conjuntos Difusos o algunas de sus extensiones, para revisar el estado del arte y presentar resultados y experiencias novedosas y recientes en el área.

La teoría de funciones de agregación es un campo de investigación que atrae un creciente interés. Las funciones de agregación constituyen una herramienta esencial para la fusión de información en múltiples aplicaciones, como procesamiento de imagen, clasificación, machine learning o toma de decisión, entre otras. Además, en los últimos años se están realizando esfuerzos para superar sus limitaciones, lo que ha llevado a la introducción de nuevos conceptos e ideas. Entre ellas, es destacable la noción de función de pre-agregación, que generaliza la idea clásica de función de agregación relajando las condiciones de monotonía.

En esta sesión especial, nos centraremos en los recientes desarrollos teóricos y aplicados en torno a las funciones de agregación y pre-agregación, así como las últimas tendencias en este campo.

Las funciones de agregación son operadores clave en la teoría de conjuntos borrosos. En este campo los avances tanto desde el punto de vista teórico como aplicado han sido una constante en las últimas decadas. Estos operadores han resultado útiles para responder a una necesidad creciente de manejar grandes cantidades de datos e incertidumbre y los retos asociados que se derivan. Familias como las t-normas, t-conormas, uninormas, OWAs o las integrales de Choquet juegan un papel importante en campos como la toma de decisiones, el procesamiento de imágenes, los sistemas borrosos o el control borroso.

Por otra parte, las funciones de implicación borrosas han experimentado un auge en los últimos tiempos con varios libros y estados del arte dedicados por completo a estos operadores. Además de su importancia teórica en la teoría de conjuntos borrosos, existe un interés creciente en las aplicaciones de estos operadores en minería de datos, razonamiento aproximado o la computación con palabras, entre otros campos.

Las funciones de implicación borrosas y las funciones de agregación se encuentran íntimamente relacionadas ya que varias familias de funciones de agregación han sido utilizadas con éxito en la generación de nuevas familias de funciones de implicación borrosas y son comunes las ecuaciones funcionales donde ambos operadores intervienen. La resolución de dichas ecuaciones funcionales proporciona operadores con propiedades específicas útiles en determinadas aplicaciones.