Tutorial : tat de lart sur le soft computing

Bernadette BOUCHON-MEUNIER
LIP6, Universit Pierre et Marie Curie

SOFT COMPUTING : UN PANORAMA CRITIQUE Bernadette Bouchon-Meunier LIP6-Ple IA, 8 rue du Capitaine Scott 75015 Paris Bernadette.Bouchon-Meunier@lip6.fr Le soft computing a t introduit par L.A. Zadeh en 1994 comme un moyen de construire des systmes intelligents rpondant des obligations defficacit, de robustesse, de facilit dimplmentation et doptimisation de cots temporels, nergtiques, financiers, etc, mais aussi prenant en compte la composante humaine gnralement prsente dans les systmes :,,,,,,, Its guiding principle is to exploit the tolerance for imprecision, uncertainty, partial truth, and approximation to achieve tractability, robustness, low solution cost and better rapport with reality. Ses principales composantes en sont la logique floue, les rseaux neuronaux, le raisonnement probabiliste et les mthodes doptimisation telles que les algorithmes gntiques. Leur point de dpart est la gestion dimprcision et dincertitude inhrentes la plupart des problmes. Le principal intrt du soft computing rside dans lutilisation conjointe de plusieurs de ces composantes dans des systmes hybrides tirant parti dune synergie entre les diffrentes mthodes afin dexploiter les avantages de chacune tout en compensant ses inconvnients par lutilisation dune autre dont les proprits sont complmentaires. Par exemple, les comptences en apprentissage des rseaux neuronaux correspondent une insuffisance en termes dexpressibilit des rsultats, que lon peut compenser par lutilisation de la logique floue qui manipule aisment des descriptions linguistiques. Les systmes neuro-flous trouvent ainsi leur justification. La logique floue aide grer des systmes complexes de faon simple et facilement explicitable, la difficult de sa mise en uvre rside dans la mise au point des paramtres et des fonctions dappartenance et ce problme peut tre rsolu par lutilisation dalgorithmes volutionnaires. Il existe bien dautres exemples de synergie entre diffrentes mthodes et les moyens de les combiner sont multiples. Il suffit de considrer les nombreux moyens dutiliser conjointement logique floue et rseaux neuronaux pour sen convaincre. Lassociation de la logique floue et des algorithmes gntiques est galement fructueuse et il existe aussi des utilisations conjointes de la logique floue et du chaos. Le soft computing ne se limite pas aux combinaisons mettant en jeu la logique floue et les combinaisons de

rseaux de neurones et dalgorithmes gntiques ou, plus couramment de rseaux de neurones et de mthodes probabilistes, trouvent de nombreuses utilisations. Le soft computing peut tre utilis dans la plupart des grands domaines o la mise au point de systmes intelligents pose des problmes, de lapprentissage la commande de processus en passant par les bases de donnes ou le traitement dimages. Il existe des applications du soft computing des problmes rels dans des domaines aussi varis que la recherche dinformation, la fouille de donnes (data mining), laide la dcision, la robotique, le contrle de systmes complexes.

Quelques rfrences

B. Bouchon-Meunier, Hybrid architectures for intelligent systems, Learning inference systems, in Advances in soft computing technologies and application in mission systems, AGARD Lecture series 210, 5-15-12, 1997. B. Bouchon-Meunier, R.R. Yager, L.A. Zadeh (eds.) Fuzzy logic and soft computing, World Scientific, 1995 O. Calvo, J. Cartwright, Fuzzy control of chaos, Int. J. Bifurcation and Chaos 8, 1743-1747, 1998 O. Cordon, F. Herrera, F. Hoffmann, L. Magdalena, Genetic Fuzzy Systems, Evolutionary Tuning and Learning of Fuzzy Knowledge Base, World Scientific, 2001 D. Nauck, R. Kruse, Neuro-fuzzy methods in fuzzy rule generation; in Fuzzy sets in approximate reasoning and information systems (J. Bezdek, D. Dubois, H. prade, eds.), Kluwer, 1999. E. Sanchez, T. Shibata, L.A. Zadeh, Genetic algorithms and fuzzy logic systems, soft computing perspectives, World Scientific, 1997 H. Takagi, Fusion technology of fuzzy theory and neural networks, survey and future directions, Proc. Intern. Conf. Fuzzy Logic and Neural Networks, Iizuka : 13-26, 1990 B. Whitehead, T. Choate, Cooperative-competitive genetic evolution of radial function centers and widths for time series prediction, IEEE Trans. NN 7, 4, 869-881, 1996 L.A. Zadeh, Fuzzy Logic, Neural Networks and Soft Computing, Communications of the ACM, 37(3):77-84, 1994