Introduction la logique floue.

Fuzzylogic

Application la commande floue

MatthieuLescieux

Planducours.
1.Prsentation

Exemplesintroductifs
Logiqueflouevsboolenne
Champsdapplicationsethistorique

2.Conceptsprincipaux Ensembleflou

Oprateurlogiquefloue
Fuzzification>>Infrencesfloues>>Dfuzzification

3.Fuzzification

Variableslinguistiques
Commentfuzzifier?

4.Infrencesfloues

Principeduraisonnementapproximatif
Basedergles
Mthodesdinfrencesfloues

5.Dfuzzification

Mthodesdedfuzzification
Synthsegnrale

6.Exemplecompletdeprisededcisionsfloues

Nousfaisonsdelalogiquefloue.
Exemplederglesfloues:
Rglesdeconduiteautomobilelapprocheduncarrefourcontrlpardesfeuxtricolores.

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.

Lesrglesflouessontnoncesenlangagenaturel

sanslesavoir!
Transposition de notre exemple selon un modle plus
mathmatique moins flou
Silefeuestrouge,simavitessedpasse85,6Km/Hetsilefeuest
moinsde62,3mtres,alorsj'appuiesurlapdaledefreinavecune
forcede33,2Newtons!!!

Notrecerveaufonctionneenlogiquefloue.

Elleapprcielesvariablesd'entresdefaonapproximative(faible,leve,loin,
proche),faitdemmespourlesvariablesdesorties(freinagelgeroufort)etdicteun
ensemblederglespermettantdedterminerlessortiesenfonctiondesentres.

Limitedelalogiqueboolenne
un patient atteint d'hpatite prsente gnralement les symptmes suivants :
Lepatientaunefortefivre,
sapeauprsenteunecolorationjaune,
iladesnauses.
1

Ensemble classique
Avoir une forte fivre

0.8

0.8

0.6

0.6

0.4

0.4

0.2

0.2

T(C)

0
36

37

38

39

Logique classique

40

41

T(C)

0
36

37

38

39

40

41

42

Silepatient38,9Cdetemprature

Lepatientnapasdefortefivre

Logique floue

42

Ensemble flou
Avoir une forte fivre

Lepatientaunefortefivre48%

Lepatientnapasdhpatite.
Lepatientaunehpatitex%.

Champdapplicationsdelalogiquefloue
Aideladcision,audiagnostic.
(domainemdical,orientationprofessionnelle)
Basededonnes.
(objetsflouset/ourequtesfloues)

Reconnaissancedeforme.
Agrgationmulticritreetoptimisation
Commandeflouedesystmes

Brefhistorique:lesdbuts
1965:ConceptintroduitparPr.LotfiZadeh(Berkeley):
Fuzzysettheory:Dfinitiondesensemblesflousetoprateursassocis
1970:Premiresapplications:Systmesexperts,Aideladcisionenmdecine,commerce
1974:Premireapplicationindustrielle.Rgulationflouedunechaudirevapeurralise
parMamdani

Longtempsuniversitaire.
1985:Lespremiers,lesjaponaisintroduisentdesproduitsgrandpublicFuzzy
LogicInside.

Brefhistorique:lamaturit
1990:Gnralisationdelutilisationdecettetechnique.

appareilslectromnagers(lave-linge,aspirateurs,autocuiseurs,...etc),
systmesaudio-visuels(appareilsdephotosautofocus,camscopestabilisateurd'images,photocopieurs,...)
systmesautomobilesembarqus(BVA,ABS,suspension,climatisation,...etc.),
systmesautonomesmobiles,
systmesdedcision,diagnostic,reconnaissance,
systmesdecontrle/commandedanslaplupartdesdomainesindustrielsdeproduction.

Ilexistedeprocesseursddisetdesinterfacesdedveloppement
spcifiques(Cfdoc68HC12deMotorolaenAnnexe)

Ex:lafamilledesprocesseursWARP(WeightAssociativeRuleProcessor)deSGS-THOMSONdontlesprincipales
caractristiquessontlessuivantes:

Nombrederglestraites:256
Nombred'entres:16
Nombredesorties:16
Mthodedecompositiondesrgles:Centredegravit
Vitessedetraitement:200microsecondespour200rgles.

Avertissement
Lapprochedesproblmesparlalogiquefloueestdiffrentedecelleadopte,a
priori,dansunedmarchescientifique.

Elleestbeaucouppluspragmatiquequedterministe.

Ladcisionenlogiquefloueestbasesurlanotiondexpertise,quipermetde
quantifierlefloupartirdeconnaissanceaprioriouacquiseantrieurement.

Nepastretropcartsienpouraborderlalogiquefloue

Ilnestpasncessairedavoirunmodleentres/sortiesdune
voiturepourpouvoirlaconduiredemaniresatisfaisante.
9

Les 2 concepts principaux de la logique floue

1. Lesensemblesetvariablesflousetoprateursassocis.

2. PrisededcisionpartirdunbasederglesSIALORS..
Cestlinfrencefloue.

10

Lensemble flou
SoientU:Luniversdudiscours.
A:unsous-ensembledeU

A
U

Thorieclassiquedesensembles:
Si A est la fonction d ' appartenance de l ' ensemble A
x U

A x 0 si x A

A x 1 si x A

Conceptdensembleflou:

Si A est la fonction d ' appartenance de l ' ensemble flou A

x U

A x 0;1

A x
Si=0,30
xappartientlensembleflouAavecundegrdappartenancede30%

degrdappartenance=valeurdevrit.

11
Unensembleflouesttotalementdterminparsafonctiondappartenance

Exemples densembles flous.

Ensemble flou: "Personne de taille moyenne"

Ensemble flou " Personne de petite taille"

Petit

Moyen

Ensemble flou :"Personne de grande taille"

0.8

0.8

0.8

0.6

0.6

0.6

0.4

0.4

0.4

0.2

0.2

0.2

Taille(m)

0
1.5

1.55

1.6

1.65

1.7

1.75

1.8

1.85

Taille(m)

1.9

1.5

1.55

1.6

1.65

1.7

Grand

1.75

1.8

1.85

1.9

Taille(m)

0
1.5

1.55

1.6

1.65

1.7

1.75

1.8

1.85

1.9

partition floue de l'univers du discours

1

Moyen

Petit

Grand

Ici,Pierremesure1m625
setraduitenlogiqueflouepar
Pierreestpetitundegrde75%
Pierreestmoyen25%
Pierreestgrand0%

0.8

0.6

0.4

0.2

Taille(m)

0
1.5

1.55

1.6

1.65

1.7

1.75

1.8

1.85

1.9

12

Fonctions dappartenances particulires

Lorsqu'unfaitcertaincorrespondl'noncdelavaleurd'unevariable,onaunsingleton:
x 0 x0 1pourx x0

x 0 x 0pourx x0

Fonction dappartenance de la classe Le feu est rouge

1

Couleurdu
feutricolore
rouge

orange

vert

Lesensemblesclassiquessontdescasparticuliersd'ensembleflou.
Leursfonctionsd'appartenancesvalant0ou1sontencrneaux
Fonction dappartenance
de la classe la temprature est tide
1
T(C)
15C

20C

Lalogiquefloueenglobelesdonnescertaines

13

Oprateurs de logique floue

Commepourlathorieclassiquedesensembles.

Ondfinitlarunion,lintersection,lecomplment.densemblesflous

Lalogiqueboolennestandardestuncasparticulierdelalogiquefloue

Touslesrsultatsobtenusenlogiqueclassiquedoiventtreretrouvsparlalogiquefloue

14

La runion
Aestlensemblefloudespersonnespetites.
Bestlensemblefloudespersonnesmoyennes.

LensembledespersonnespetitesOUmoyennesestunensemblefloude
fonctiondappartenance:

A B x max A x , B x

Partition floue de l'univers du discours

Ensemble flou:"Personne petite OU moyenne"

Grand

Moyen

Petit

0.8

0.8

0.6

0.6

0.4

0.4

0.2

0.2

Taille(m)

0
1.5

1.55

1.6

1.65

1.7

1.75

1.8

1.85

x U

1.9

Taille(m)

0
1.5

1.55

1.6

1.65

1.7

1.75

1.8

15
1.85

1.9

Lintersection
Aestlensemblefloudespersonnespetites.
Bestlensemblesfloudespersonnesmoyennes.

LensembledespersonnespetitesETmoyennesestunensemblefloude
fonctiondappartenance:

A B x min A x , B x

Ensemble flou: "Personne petite et moyenne"

Partition floue de l'univers du discours

Grand

Moyen

Petit

0.8

0.8

0.6

0.6

0.4

0.4

0.2

0.2

Taille(m)

0
1.5

1.55

1.6

1.65

1.7

1.75

1.8

1.85

x U

1.9

Taille (m)

0
1.5

1.55

1.6

1.65

1.7

1.75

1.8

1.85

16

1.9

Le complment
Aestlensemblefloudespersonnespetites.

LensembledespersonnesNONpetitesestunensemblefloudefonction
dappartenance:

A x 1 A x

Ensemble floue :"Personnes non petites"

Partition floue de l'univers du discours

Grand

Moyen

Petit

0.8

0.8

0.6

0.6

0.4

0.4

0.2

0.2

Taille(m)

0
1.5

1.55

1.6

1.65

1.7

1.75

1.8

1.85

x U

1.9

0
1.5

Taille (m)
1.55

1.6

1.65

1.7

1.75

1.8

1.85

17

1.9

Oprateurs flous alternatifs

Toute t-norme peut servir dfinir lintersection floue

Toute t-conorme peut servir dfinir la runion floue

Unet-normeestuneapplicationT(x,y)satisfaisantlesconditionssuivantes:

Unet-conormeestuneapplicationS(x,y)satisfaisantlesconditionssuivantes:

1estlmentneutrex 0,1

0estlmentneutrex 0,1

T ( x,1) T (1, x) x.

CommutativeT ( x, y ) T ( y, x)
AssociativeT ( x, T ( y, z )) T (T ( x, y ), z )
Monotonesi x z et y w alors T ( x, y ) T ( z , w)

S ( x, 0) x.

CommutativeS ( x, y ) S ( y, x)
AssociativeS ( x, S ( y, z )) S ( S ( x, y ), z )
Monotonesi x z et y w alors S ( x, y ) S ( z , w)

18

Oprateurs logiques floues les plus utiliss: Synthse

Dnomination

Intersection
ET
(t-norme)

Runion
OU
(t-conorme)

Complment
NON

Oprateursde
Zadeh
MIN/MAX

A B x min A x , B x

AB x max A x , B x

A x 1 A x

Probabiliste
PROD/PROBO
R

A B x A x B x

A x B x A x B x

A x 1 A x

19

Oprateurs logiques floues: synthses

lesdfinitionsd'oprateursETetOU,onretrouvelespropritsdesoprateursboolens
Commutativit
Distibutivit
A B C A B A C

A B C A B A C
Associaticit
A B C A B C

2exceptionsnotables
1.

A A U

A B C A B C

Lois de Morgan
ur
A B A B
A B A B

Enlogiquefloue,leprincipedutiersexcluestcontredit.

2.

i.e. A A x 1

Enlogiquefloue,onpeuttreAetnonAenmme
temps.

A A i.e. A A x 0

20

Variablesfloues
Logiqueflouebasesurdesvariablesflouesdites variables linguistiques
linguistiques
valeurslinguistiquesdansluniversdudiscoursU.
Chaquevaleurlinguistiqueconstituealorsunensemblefloudeluniversdu
discours.

Exemple:

Univers du discours :Gammedetempraturede0C200C.

:
Variable linguistique :Latemprature.
:
Valeurs linguistiques :TrsfroidFroidTemprChaudTrsChaud
:
21

Lafuzzification
Lessystmeslogiqueflouetraitentdevariablesdentresfloues
etfournissentdersultatssurdesvariablesdesortieselle-mmesfloues

Lafuzzificationestltapequiconsisteenlaquantification
flouedesvaleursrellesdunevariable.

Pierremesure1m625

Interfacede
fuzzification

Pierreestpetitundegrde75%
Pierreestmoyen25%
Pierreestgrand0%

22

Commentfuzzifier?
Pourfuzzifier,ilfautdonner:
1. Luniversdudiscours
i.e.:Plagedevariationspossiblesdelentreconsidre.
2. Unepartitionenclasseflouedecetunivers.
3. Lesfonctionsdappartenancesdechacunedecesclasses.
IlfautfuzzifierlesentresETlessortiesduprocessusflou.
Exemple:Selonlesvaleursdesentres,lesystmeflouindiqueraquensortielapuissancede
chauffedevraprendrelesvaleursdesortiefaibleoumoyenneouforte.

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)

23

Basedergles
Lessystmeslogiquefloueutilisentuneexpertiseexprimesous
formedunebasederglesdutype:Si.Alors

Si X est A Alors Y est B

SiTemps est beau ETMoment est DbutMatine ALORSMoral est haut

SiCours est Ennuyeux ETMoment est DbutCours ALORSMoral est bas
SiCours est Intressant ETChargedeTravail est Importante ALORSMoral est Maussade

Si.........

24

Infrence floue
SiTemps est beau ETMoment est DbutMatine ALORSMoral est haut

Prmisses

Conjonction

Implication

Conclusion

Infrence:
Oprationlogiqueparlaquelleonadmetunepropositionenvertudesaliaisonavec
dautrespropositionstenuespourvraies.

Enlogiqueclassique
Si p Alors q

p vrai Alors q vrai

Enlogiquefloue

Si X est A Alors Y est B

LavariablefloueXappartientlaclassefloueAavecun
degrdevalidit(x0)
LavariablefloueYappartientlaclassefloueBundegr
quidpenddudegrdevalidit(x0)delaprmisse

25

Principe du raisonnement approximatif

Plus la condition sur les entres est vraie.
Plus l'action prconise pour les sorties doit tre respecte

SIla temprature est trs basseALORSChauffer fort

Laconclusiondunerglefloueestlappartenancedune
variableflouedesortieChaufferuneclasseflouefort.
Cetteappartenancedpendde:
1)Laclasseflouedesortieconsidre.
2)dudegrdevaliditdelaprmisse
3)delamthodedimplicationchoisie.

(x0).

prmisses

26

Mthodesdimplication
2mthodesprincipalesdimplicationfloue:

MthodedeMamdani: 'conclusion y MIN prmisse x0 , conclusion y

y

Mthodedelarsen:

'conclusion y prmisse x0 conclusion y

27

Exemple(Mamdani)
Plus la condition sur les entres est vraie.
Plus l'action prconise pour les sorties doit tre respecte

Rgle:SIla temprature est trs basseALORSChauffer fort

'conclusion y MIN prmisse x0 , conclusion y
y

Temprature trs basse

0.8

Chauffer fort

0.8

0.7
0.6

0.6

0.4

0.4

0.2

0.2

0
-10

-5

10

T(C)

15

12KW

0
0

Puissance chauffe(KW)
10

15

T=3C

28
Selonlargleconsidre,siT=3CalorsPuissancedechauffe=12KW

Activationdesrgles
R1:Si X1 est A11 et X 2 est A12

R2:Si X1 est A21 ou X 2 est A22

alors Y est B1
alors Y est B2

R3:Si X1 est A31 et X 2 est A32 et X 3 est A33 alors Y est B3

..........
Unergleestactivedsquelleauneprmisseayantunevaleurdevritnonnulle.

Plusieursrglespeuventtreactivessimultanmentetprconiserdesactionsavec
diffrentsdegrsdevalidits;cesactionspeuventtrecontradictoires.

Ilconvientdagrgerlesrglespourfourniruneappartenance
delavariableflouedesortieuneclassefloueconsolide
29

Compositiondergles
OnconsidrequelesrglessontliesparunoprateurOU.
B y MAX Bi y

i indices des rgles actives

30

Exemple(1)
Onconsidreunmoteurdinfrence4rglesqui
fournit pour sa sortie tension S1, les rsultats
suivants:
R1

Moteur
dinfrences
4rgles

=0.6
=0.7
=0.3
=0.1
petite

R2

petite

R3

moyenne

R4

grande

Tension de sortie
Moyenne

1 Petite

Grande

1 Petite

0.8

0.8

0.6

0.6

0.4

Implicationfloue
deMamdani

0.2
0
0

Volt(v)

10

Tension de sortie
Moyenne

Grande

0.4
0.2
0
0

Volt(v)

31
8

10

Exemple(2)
Tension de sortie
Moyenne

1 Petite

Tension de sortie

Grande

0.8

0.8

0.6

Agrgation
desconclusions

0.4

0.4
0.2

0.2
0
0

0.6

Volt(v)

10

0
0

Volt(v)

Acestade,
onalafonctiondappartenancedunensembleflou
quicaractriselersultat
Ilfautdfuzzifier,cestdire:
Associercetteensembleflouunnombreinterprtablepar
lutilisateur,linterfacedecommande
32

10

PrincipedelamthodedeMamdani

33

2principalesmthodesdedfuzzification.
1.

Mthodeducentredegravit(COG)

Cestlabscisseducentredegravit
delasurfacesouslacourbersultat

y y

sortie U

2.

Mthodemoyennedesmaximums(MM)
Cestlamoyennedesvaleursdesorties
lesplusvraisemblables

dy
sortie

y dy

y dy

o S y0 U / y0 SUP y

yU

U Univers du discours
Toutes les valeurs de sorties considres
Tension de sortie

Tension de sortie

0.8

0.8

0.6

0.6

0.4

0.4

0.2

0.2

0
0

3,5V

dy

Volt(v)

10

0
0

1,9V

Volt(v)

34

10

Dfuzzification

Encommandefloue,ladfuzzificationCOGestpresquetoujoursutilise.
Elleprendencomptelinfluencedelensembledesvaleursproposesparla
solutionfloue.

LadfuzzificationMMestpluttutiliselorsquilsagitdediscriminerunevaleur
desortie(Ex:reconnaissancedeformes).

35

Synthsedunprisededcisionparlogiquefloue.

36

Exemple:Systmedenotationfloue
On choisit :
Rsultatsobtenus(sur20)
Mthodesutilises(sur20)
Prsentation(sur20)

Systme
dinfrences
floues

valuationdutravail(sur20)

Mise en place du systme dinfrences floues (1)

1. Choixdesentres/sorties
3entres: Rsultats;Mthodes,Prsentation.
1sortie: valuation
2. Universdesdiscours
[0..20]pourchacunedesE/S
3. Classesdappartenances:
Rsultats Mdiocre;Moyen;Excellent
Mthodes Mdiocre;Moyen;Excellent
Evaluation Mdiocre;Mauvais;Moyen;Bon;Excellent

38

Miseenplacedusystmedinfrencesfloues(2)
4. Choixdesfonctionsdappartenances
Entres:

Sortie:

39

Basesdergles

1.If(Rsultatsisexcellent)then(Evaluationisexcellent)
2.If(Rsultatsismoyen)then(Evaluationismoyen)
3.If(Rsultatsismdiocre)then(Evaluationismdiocre)
4.If(Rsultatsismoyen)and(Mthodesismdiocre)then(Evaluationismauvais)
5.If(Rsultatsismoyen)and(Mthodesisexcellent)then(Evaluationisbon)
6.If(Rsultatsismdiocre)and(Mthodesismoyen)then(Evaluationismauvais)
7.If(Rsultatsisexcellent)and(Mthodesisexcellent)and(Prsentationisexcellent)then(Evaluationisexcellent)
8.If(Rsultatsismdiocre)and(Mthodesisexcellent)then(Evaluationismoyen)
9.If(Rsultatsisexcellent)and(Mthodesismdiocre)then(Evaluationismoyen)

40

Choixdesoprateursflous

ETflou
OUflou
Implicationfloue
Agrgationdesrgles
Dfuzzyfication
:COG

:MIN
:MAX
:MIN
:MAX

41

Surfacededcisionfloue

(Obtenuepourunevaluationdelaprsentationde10/20).
42

Surfacededcisionlinaireclassique

PondrationRsultats:0,6
PondrationMthodes:0,3
PondrationPrsentation:0,1

43

(Obtenuepourunevaluationdelaprsentationde10/20).

Commentaires

Dcisionselonunsystme
dinfrencesfloues

Dcisionselonunmodlemathmatiques
Note 0, 6* Rsultats 0,3* Mthodes 0,1* Prsentation

Nonlinaire

Linaire Note entre Cste

Plusprocheducomportementhumain
ducorrecteur

Mieuxacceptparlerdacteurdu
travailvalu

44