Introduction la logique floue.

Application la commande floue

Fuzzy logic
Matthieu Lescieux
2
Plan du cours.
6. Exemple complet de prise de dcisions floues
1. Prsentation
Exemples introductifs
Logique floue vs boolenne
Champs dapplications et historique
2. Concepts principaux
Ensemble flou
Oprateur logique floue
Fuzzification>>Infrences floues>>Dfuzzification
4. Infrences floues
Principe du raisonnement approximatif
Base de rgles
Mthodes dinfrences floues
5. Dfuzzification
Mthodes de dfuzzification
Synthse gnrale
3. Fuzzification
Variables linguistiques
Comment fuzzifier?
3
Nous faisons de la logique floue.
Exemple de rgles floues:
Rgles de conduite automobile lapproche dun carrefour contrl par des feux tricolores.
si le feu est
rouge...
si ma vitesse est leve
...
et si le feu est
proche ...
alors je freine fort.
si le feu est
rouge...
si ma vitesse est faible ... et si le feu est loin ...
alors je maintiens ma
vitesse.
si le feu est
orange...
si ma vitesse est
moyenne ...
et si le feu est loin ... alors je freine doucement.
si le feu est vert... si ma vitesse est faible ...
et si le feu est
proche ...
alors j'acclre.
Les rgles floues sont nonces en langage naturel
4
Transposition de notre exemple selon un modle plus
mathmatique moins flou

Si le feu est rouge, si ma vitesse dpasse 85,6 Km/H et si le feu est
moins de 62,3 mtres, alors j'appuie sur la pdale de frein avec une
force de 33,2 Newtons !!!

Notre cerveau fonctionne en logique floue.
Elle apprcie les variables d'entres de faon approximative (faible, leve, loin,
proche), fait de mmes pour les variables de sorties (freinage lger ou fort) et dicte un
ensemble de rgles permettant de dterminer les sorties en fonction des entres.

sans le savoir!
5
un patient atteint d'hpatite prsente gnralement les symptmes suivants :

Le patient a une forte fivre,
sa peau prsente une coloration jaune,
il a des nauses.
Limite de la logique boolenne
36 37 38 39 40 41 42
0
0.2
0.4
0.6
0.8
1
T(C)
Avoir une forte fivre
Ensemble classique
36 37 38 39 40 41 42
0
0.2
0.4
0.6
0.8
1
Ensemble flou
T(C)
Avoir une forte fivre
Le patient na pas de forte fivre Le patient na pas dhpatite.
Le patient a une forte fivre 48% Le patient a une hpatite x %.
Si le patient 38,9C de temprature
Logique classique
Logique floue
6
Champ dapplications de la logique floue
Aide la dcision, au diagnostic.
(domaine mdical, orientation professionnelle)

Base de donnes.
(objets flous et/ou requtes floues)

Reconnaissance de forme.

Agrgation multicritre et optimisation

Commande floue de systmes
7
Bref historique: les dbuts
1965: Concept introduit par Pr. Lotfi Zadeh (Berkeley):
Fuzzy set theory : Dfinition des ensembles flous et oprateurs associs

1970: Premires applications: Systmes experts, Aide la dcision en
mdecine,commerce

1974: Premire application industrielle. Rgulation floue dune
chaudire vapeur ralise par Mamdani


Longtemps universitaire.


1985: Les premiers, les japonais introduisent des produits grand
public Fuzzy Logic Inside .



8
Bref historique: la maturit

1990: Gnralisation de lutilisation de cette technique.
appareils lectromnagers (lave-linge, aspirateurs, autocuiseurs,...etc) ,
systmes audio-visuels (appareils de photos autofocus, camscope stabilisateur d'images, photocopieurs,...)
systmes automobiles embarqus (BVA, ABS, suspension, climatisation,...etc.),
systmes autonomes mobiles,
systmes de dcision, diagnostic, reconnaissance,
systmes de contrle/commande dans la plupart des domaines industriels de production.


Il existe de processeurs ddis et des interfaces de
dveloppement spcifiques (Cf doc 68HC12 de Motorola en Annexe)
Ex: la famille des processeurs WARP (Weight Associative Rule Processor) de SGS-THOMSON
dont les principales caractristiques sont les suivantes :

Nombre de rgles traites : 256
Nombre d' entres : 16
Nombre de sorties : 16
Mthode de composition des rgles : Centre de gravit
Vitesse de traitement : 200 microsecondes pour 200 rgles.

9
Avertissement
Lapproche des problmes par la logique floue est diffrente de celle adopte, a
priori, dans une dmarche scientifique.
Elle est beaucoup plus pragmatique que dterministe.
La dcision en logique floue est base sur la notion dexpertise, qui permet de
quantifier le flou partir de connaissance a priori ou acquise antrieurement.
Ne pas tre trop cartsien pour aborder la logique floue
Il nest pas ncessaire davoir un modle entres/sorties dune
voiture pour pouvoir la conduire de manire satisfaisante.
10
Les 2 concepts principaux de la logique floue
1. Les ensembles et variables flous et oprateurs associs.
2. Prise de dcision partir dun base de rgles SIALORS..
Cest linfrence floue.

11
Lensemble flou
A
U
Soient U: Lunivers du discours.
A: un sous-ensemble de U
Thorie classique des ensembles:
( )
( )
' '
0
1
A
A
A
Si est la fonction d appartenance de l ensemble A
x U x si x A
x si x A

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 =