Académique Documents
Professionnel Documents
Culture Documents
Introduction Logique Floue
Introduction Logique Floue
e = e
= e
Concept densemble flou:
( ) | |
' '
0;1
A
A
Si est la fonction d appartenance de l ensemble flou A
x U x
e e
Si =0,30
x appartient lensemble flou A avec un degr dappartenance de 30%
( )
A
x
Un ensemble flou est totalement dtermin par sa fonction dappartenance
degr dappartenance = valeur de vrit.
12
Exemples densembles flous.
Ici, Pierre mesure 1m625
se traduit en logique floue par
Pierre est petit un degr de 75%
Pierre est moyen 25%
Pierre est grand 0%
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
partition floue de l'univers du discours
Taille(m)
Petit Moyen
Grand
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Ensemble flou " Personne de petite taille"
Taille(m)
Petit
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Ensemble flou: "Personne de taille moyenne"
Taille(m)
Moyen
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Ensemble flou :"Personne de grande taille"
Taille(m)
Grand
13
Fonctions dappartenances particulires
( )
( )
0
0
x 0 0
x 0
Lorsqu'un fait certain correspond l'nonc de la valeur d'une variable, on a un singleton:
1 pour
0 pour
x x x
x x x
= =
= =
1
Couleur du
feu tricolore
rouge orange vert
Fonction dappartenance de la classe Le feu est rouge
Les ensembles classiques sont des cas particuliers d'ensemble flou.
Leurs fonctions d'appartenances valant 0 ou 1 sont en crneaux
Fonction dappartenance
de la classe la temprature est tide
1
T(C)
15C 20C
La logique floue englobe les donnes certaines
14
Oprateurs de logique floue
Comme pour la thorie classique des ensembles.
On dfinit la runion, lintersection, le complment.densembles flous
La logique boolenne standard est un cas particulier de la logique floue
Tous les rsultats obtenus en logique classique doivent tre retrouvs par la logique floue
15
La runion
A est lensemble flou des personnes petites.
B est lensemble flou des personnes moyennes.
Lensemble des personnes petites OU moyennes est un ensemble flou de
fonction dappartenance :
( ) ( ) ( ) ( )
,
A B A B
x max x x x U
= e
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Ensemble flou:"Personne petite OU moyenne"
Taille(m)
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Partition floue de l'univers du discours
Taille(m)
Petit Moyen Grand
16
Lintersection
A est lensemble flou des personnes petites.
B est lensembles flou des personnes moyennes.
Lensemble des personnes petites ET moyennes est un ensemble flou de
fonction dappartenance :
( ) ( ) ( ) ( )
,
A B A B
x min x x x U
= e
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Ensemble flou: "Personne petite et moyenne"
Taille (m)
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Partition floue de l'univers du discours
Taille(m)
Petit Moyen Grand
17
Le complment
A est lensemble flou des personnes petites.
Lensemble des personnes NON petites est un ensemble flou de fonction
dappartenance :
( ) ( )
1
A
A
x x x U = e
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Partition floue de l'univers du discours
Taille(m)
Petit Moyen Grand
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Ensemble floue :"Personnes non petites"
Taille (m)
18
Oprateurs flous alternatifs
Toute t-norme peut servir dfinir lintersection floue Toute t-conorme peut servir dfinir la runion floue
| |
Une t-norme est une application T(x,y) satisfaisant les conditions suivantes:
1 est lment neutre 0,1 ( ,1) (1, ) .
Commutative ( , ) ( , )
Associative ( , ( , )) ( ( , ), )
Monotone
x T x T x x
T x y T y x
T x T y z T T x y z
si
- e = =
- =
- =
- ( , ) ( , ) x z et y w alors T x y T z w s s s
| |
Une t-conorme est une application S(x,y) satisfaisant les conditions suivantes:
0 est lment neutre 0,1 ( , 0) .
Commutative ( , ) ( , )
Associative ( , ( , )) ( ( , ), )
Monotone
x S x x
S x y S y x
S x S y z S S x y z
si x z et
- e =
- =
- =
- s ( , ) ( , ) y w alors S x y S z w s s
19
Oprateurs logiques floues les plus utiliss: Synthse
Dnomination
Intersection
ET
(t-norme)
Runion
OU
(t-conorme)
Complment
NON
Oprateurs de
Zadeh
MIN/MAX
Probabiliste
PROD/PROBOR
( ) ( ) ( ) ( )
,
A B A B
x max x x
= ( ) ( ) ( ) ( )
,
A B A B
x min x x
=
( ) ( ) ( )
A B A B
x x x
= ( ) ( ) ( ) ( )
A B A B
x x x x +
( ) ( ) 1
A
A
x x =
( ) ( ) 1
A
A
x x =
20
Oprateurs logiques floues: synthses
les dfinitions d'oprateurs ET et OU, on retrouve les proprits des oprateurs boolens
( ) ( ) ( )
( ) ( ) ( )
( ) ( )
( ) ( )
Commutativit
Distibutivit
A B C A B A C
A B C A B A C
Associaticit
A B C A B C
A B C A B C
Lois de Morgan
A B A B
A B A B
=
2 exceptions notables
( )
i.e. 0
A A
A A x
= C =
2. En logique floue, on peut tre A et non A en mme
temps.
( )
i.e. 1
A A
A A U x
= =
1. En logique floue, le principe du tiers exclu est contredit.
21
Variables floues
Logique floue base sur des variables floues dites variables linguistiques
valeurs linguistiques dans lunivers du discours U.
Chaque valeur linguistique constitue alors un ensemble flou de lunivers du
discours.
Exemple:
Univers du discours : Gamme de temprature de 0C 200C.
Variable linguistique : La temprature.
Valeurs linguistiques : Trs froid Froid Tempr Chaud Trs Chaud
22
La fuzzification
La fuzzification est ltape qui consiste en la quantification
floue des valeurs relles dune variable.
Interface de
fuzzification
Pierre est petit un degr de 75%
Pierre mesure 1m625
Pierre est grand 0%
Pierre est moyen 25%
Les systmes logique floue traitent de variables dentres floues
et fournissent de rsultats sur des variables de sorties elle-mmes floues
23
Comment fuzzifier?
Pour fuzzifier, il faut donner:
1. Lunivers du discours
i.e.: Plage de variations possibles de lentre considre.
2. Une partition en classe floue de cet univers.
3. Les fonctions dappartenances de chacune de ces classes.
La fuzzification des variables est une phase dlicate du processus
mis en oeuvre par la logique floue. Elle est souvent ralise de
manire itrative et requiert de l'exprience.
(Cf. suite: Application la commande floue)
Il faut fuzzifier les entres ET les sorties du processus flou.
Exemple: Selon les valeurs des entres , le systme flou indiquera quen sortie la puissance de
chauffe devra prendre les valeurs de sortie faible ou moyenne ou forte .
24
Base de rgles
Les systmes logique floue utilisent une expertise exprime sous
forme dune base de rgles du type: Si.Alors
( ) ( )
Si X est A Alors Y est B
Si ET ALORS Temps est beau Moment est DbutMatine Moral est haut
Si ET ALORS Cours est Ennuyeux Moment est DbutCours Moral est bas
Si ET ALORS Cours est Intressant ChargedeTravail est Importante Moral est Maussade
Si .........
25
Infrence floue
Si ET ALORS Temps est beau Moment est DbutMatine Moral est haut
Prmisses Conjonction Conclusion
Infrence :
Opration logique par laquelle on admet une proposition en vertu de sa liaison avec
dautres propositions tenues pour vraies.
Implication
En logique classique
Si p Alors q
p vrai Alors q vrai
En logique floue
( ) ( )
Si X est A Alors Y est B
La variable floue X appartient la classe floue A avec un
degr de validit (x
0
)
La variable floue Y appartient la classe floue B un degr
qui dpend du degr de validit (x
0
) de la prmisse
26
Principe du raisonnement approximatif
Plus la condition sur les entres est vraie.
Plus l'action prconise pour les sorties doit tre respecte
SI la temprature est trs basse ALORS Chauffer fort
Cette appartenance dpend de :
1) La classe floue de sortie considre.
2) du degr de validit de la prmisse
prmisses
(x
0
).
3) de la mthode dimplication choisie.
La conclusion dune rgle floue est lappartenance dune
variable floue de sortie Chauffer une classe floue fort .
27
Mthodes dimplication
2 mthodes principales dimplication floue:
( ) ( ) ( )
( )
0
' ,
conclusion prmisse conclusion
y
y x y
MIN
=
Mthode de Mamdani :
( ) ( ) ( )
0
'
conclusion prmisse conclusion
y x y =
Mthode de larsen :
28
-10 -5 0 5 10 15
0
0.2
0.4
0.6
0.8
1
Temprature trs basse
T(C)
0 5 10 15
0
0.2
0.4
0.6
0.8
1
Chauffer fort
Puissance chauffe(KW)
0 5 10 15
0
0.2
0.4
0.6
0.8
1
Chauffer fort
Puissance chauffe(KW)
0 5 10 15
0
0.2
0.4
0.6
0.8
1
Chauffer fort
Puissance chauffe(KW)
( ) ( ) ( ) ( )
0
' ,
conclusion prmisse conclusion
y
y x y
MIN
=
-10 -5 0 3 5 10 15
0
0.2
0.4
0.6
0.7
0.8
1
Temprature trs basse
T(C)
Exemple (Mamdani)
Plus la condition sur les entres est vraie.
Plus l'action prconise pour les sorties doit tre respecte
Rgle: SI la temprature est trs basse ALORS Chauffer fort
12KW
Selon la rgle considre, si T=3C alors Puissance de chauffe =12KW
T=3C
29
Activation des rgles
( ) ( )
( ) ( )
( ) ( ) ( )
1 11 2 12 1
1 21 2 22 2
1 31 2 32 3 33 3
R1:
R2:
R3:
..........
Si X est A et X est A alors Y est B
Si X est A ou X est A alors Y est B
Si X est A et X est A et X est A alors Y est B
Une rgle est active ds quelle a une prmisse ayant une valeur de vrit non nulle.
Plusieurs rgles peuvent tre actives simultanment et prconiser des actions avec
diffrents degrs de validits; ces actions peuvent tre contradictoires.
Il convient dagrger les rgles pour fournir une appartenance
de la variable floue de sortie une classe floue consolide
30
Composition de rgles
On considre que les rgles sont lies par un oprateur OU.
( ) ( ) { }
i
B B
y MAX y i indices des rgles actives
(
= e
31
Exemple (1)
Moteur
dinfrences
4 rgles
R
1
R
2
R
3
R
4
moyenne
=0.3
petite
=0.7
petite
=0.6
grande
=0.1
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1
Tension de sortie
Petite Moyenne Grande
Volt(v)
On considre un moteur dinfrence 4 rgles qui
fournit pour sa sortie tension S
1,
les rsultats
suivants :
Implication floue
de Mamdani
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1
Tension de sortie
Petite Moyenne Grande
Volt(v)
32
Exemple (2)
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1
Tension de sortie
Volt(v)
Agrgation
des conclusions
A ce stade,
on a la fonction dappartenance dun ensemble flou
qui caractrise le rsultat
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1
Tension de sortie
Petite Moyenne Grande
Volt(v)
Associer cette ensemble flou un nombre interprtable par
lutilisateur, linterface de commande
Il faut dfuzzifier, cest dire :
33
Principe de la mthode de Mamdani
34
2 principales mthodes de dfuzzification.
2. Mthode moyenne des maximums (MM) 1. Mthode du centre de gravit (COG)
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1
Tension de sortie
Volt(v)
( )
( )
U
U
y y dy
sortie
y dy
U Univers du discours
Toutes les valeurs de sorties considres
=
=
}
}
Cest labscisse du centre de gravit
de la surface sous la courbe rsultat
3,5V
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1
Tension de sortie
Volt(v)
( ) ( ) ( )
0 0
/
S
S
y U
y dy
sortie
dy
o S y U y SUP y
e
=
= e =
`
)
}
}
Cest la moyenne des valeurs de sorties
les plus vraisemblables
1,9V
35
Dfuzzification
En commande floue, la dfuzzification COG est presque toujours utilise.
Elle prend en compte linfluence de lensemble des valeurs proposes par la
solution floue.
La dfuzzification MM est plutt utilise lorsquil sagit de discriminer une valeur de
sortie (Ex: reconnaissance de formes).
36
Synthse dun prise de dcision par logique floue.
Exemple : Systme de notation floue
Systme
dinfrences
floues
Rsultats obtenus (sur 20)
Mthodes utilises (sur 20)
Prsentation (sur 20)
valuation du travail (sur 20)
On choisit :
38
Mise en place du systme dinfrences floues (1)
3. Classes dappartenances:
{ }
Rsultats Mdiocre; Moyen; Excellent e
{ }
Mthodes Mdiocre; Moyen; Excellent e
{ }
Evaluation Mdiocre; Mauvais; Moyen; Bon; Excellent e
3 entres: Rsultats; Mthodes, Prsentation.
1 sortie: valuation
1. Choix des entres/sorties
2. Univers des discours
[0..20] pour chacune des E/S
39
Mise en place du systme dinfrences floues (2)
4. Choix des fonctions dappartenances
Entres : Sortie :
40
Bases de rgles
1. If (Rsultats is excellent) then (Evaluation is excellent)
2. If (Rsultats is moyen) then (Evaluation is moyen)
3. If (Rsultats is mdiocre) then (Evaluation is mdiocre)
4. If (Rsultats is moyen) and (Mthodes is mdiocre) then (Evaluation is mauvais)
5. If (Rsultats is moyen) and (Mthodes is excellent) then (Evaluation is bon)
6. If (Rsultats is mdiocre) and (Mthodes is moyen) then (Evaluation is mauvais)
7. If (Rsultats is excellent) and (Mthodes is excellent) and (Prsentation is excellent) then (Evaluation is excellent)
8. If (Rsultats is mdiocre) and (Mthodes is excellent) then (Evaluation is moyen)
9. If (Rsultats is excellent) and (Mthodes is mdiocre) then (Evaluation is moyen)
41
Choix des oprateurs flous
ET flou : MIN
OU flou : MAX
Implication floue : MIN
Agrgation des rgles : MAX
Dfuzzyfication : COG
42
Surface de dcision floue
(Obtenue pour une valuation de la prsentation de 10/20).
43
Surface de dcision linaire classique
Pondration Rsultats: 0,6
Pondration Mthodes: 0,3
Pondration Prsentation: 0,1
(Obtenue pour une valuation de la prsentation de 10/20).
44
Commentaires
Dcision selon un systme
dinfrences floues
Dcision selon un modle mathmatiques
0, 6* 0, 3* 0,1* Note Rsultats Mthodes Prsentation = + +
Non linaire Linaire
Plus proche du comportement humain
du correcteur
Mieux accept par le rdacteur du
travail valu
( ) Note entre Cste A A =