Vous êtes sur la page 1sur 26

1

A. U. : 10-11 S. Elkosantini 1
Introduction la logique floue:
Les concepts fondamentaux et applications
Sabeur ELKOSANTINI
Sabeur.Elkosantini@isima.rnu.tn
S. Elkosantini 2 A. U. : 10-11
Plan
Partie 1 : I.A. Lapproche classique
Partie 2 : La thorie des sous ensembles flous
Partie 3 : Logique Floue
Partie 3.1 : Fuzzification
Partie 3.2 : Infrence floue
Partie 3.3 : Dfuzzification
Partie 4 : Exemple dapplications
S. Elkosantini 3 A. U. : 10-11
Plan
Partie 1 : I.A. Lapproche classique
Partie 2 : La thorie des sous ensembles flous
Partie 3 : Logique Floue
Partie 3.1 : Fuzzification
Partie 3.2 : Infrence floue
Partie 3.3 : Dfuzzification
Partie 4 : Exemple dapplications
S. Elkosantini 4 A. U. : 10-11
I.A. Lapproche classique
Introduction
Lintelligence artificielle est une science qui sintresse la ralisation de
machines qui ralisent des tches qui ncessiteraient de lintelligence si elles
taient faites par un homme (Minsky, 1968)
Science qui tudie comment faire faire des machines des tches pour
lesquelles lhomme est, aujourdhui encore, le meilleur (Rich et Knight).
2
S. Elkosantini 5 A. U. : 10-11
I.A. Lapproche classique
La logique propositionnelle
On appelle logique propositionnelle la partie de la logique qui traite des
propositions.
Les propositions sont des affirmations qui ne peuvent tre que vraies ou fausses.
Exemples : la temprature est leve, la couleur est noire.
Les propositions sont traites comme des variables (dsignes par des lettres).
Des oprateurs permettent de combiner les valeurs de ces variables.
S. Elkosantini 6 A. U. : 10-11
I.A. Lapproche classique
La logique propositionnelle
Les propositions ont des valeurs dans lensemble {Vrai, faux} ou {0 , 1}.
Exemple de propositions :
Si p, alors q Not aussi par p q
Les connectives sont : v, ., , ,
S. Elkosantini 7 A. U. : 10-11
I.A. Lapproche classique
Rgle dinfrence
Dfinition: Un mcanisme par lequel on peut tirer des conclusions.
Modus Ponens:
A B
A
B MP: 1,2
Conjonction
A
B
A B CONJ: 1,2
S. Elkosantini 8 A. U. : 10-11
I.A. Lapproche classique
Les systmes experts
Un systme expert utilise la connaissance correspondante un domaine
spcifique afin de fournir une performance comparable lexpert humain.
Les connaissances sont issues de lexpertise ou/et de la pratique .
Structure dun systme expert
3
S. Elkosantini 9 A. U. : 10-11
I.A. Lapproche classique
Les systmes experts
La base de rgles (ou base de connaissances) contient les connaissances concernant
la rsolution du problme.
Le moteur dinfrence applique une stratgie de rsolution en utilisant les
connaissances et ceci pour en driver une nouvelle information.
Le moteur dinfrence simule le raisonnement de lexpert en enchanant les
connaissances suivant une certaine logique.
S. Elkosantini 10 A. U. : 10-11
I.A. Lapproche classique
Les systmes experts
Moteur
dinfrence
Base de connaissances
Base de faits
R1 : Si (distance.<.2km) Alors (aller..pied)
R2 : Si ((non distance.<.2km) ^ distance.<.300km) Alors (prendre.le.train )
R3 : Si (non distance.<.300km) Alors (prendre.l'avion)
R4 : Si (acheter.un.billet ^ avoir.le.tlphone) Alors (tlphoner..l'agence)
R5 : Si (acheter.un.billet ^ (non avoir.le.tlphone)) Alors (aller..l'agence)
R6 : Si (prendre.l'avion) Alors (acheter.un.billet)
R7 : Si (dure.>.2.jours ^ tre.fonctionnaire) Alors (non prendre.l'avion)
F1 : (non distance.<.300km)
F2 : (avoir.le.tlphone)
S. Elkosantini 11 A. U. : 10-11
I.A. Lapproche classique
Les systmes experts
Exemple dapplication : credit scoring:
La solvabilit et le risque de non-remboursement des prts se base, par exemple,
sur:
Anciennet du compte,
Capacit de remboursement,
Age.
Ancien
10
1
Rcent
0
Si le compte du client a plus que 10 ans Le client est potentiellement sans
risque.
S. Elkosantini 12 A. U. : 10-11
I.A. Lapproche classique
Les systmes experts : les moteurs dinfrences
Dans un systme base de rgles, les connaissances sont reprsentes par des
rgles.
Le moteur dinfrence peut fonctionner en chanage arrire ou avant.
Le moteur dinfrence simule le raisonnement de lexpert en enchanant les
connaissances suivant une certaine logique.
4
S. Elkosantini 13 A. U. : 10-11
I.A. Lapproche classique
Les systmes experts : les moteurs dinfrences
Le chanage avant: raisonnement guid par le but :
Part des faits pour arriver au but
Ne slectionne que les rgles dont la partie prmisse est vrifie par les faits prsents
Dclenchement des rgles jusqu puisement des faits possibles produire.
Sarrte :
Avec succs ds que le but est atteint
Avec chec quand il ny a plus de rgles applicables
S. Elkosantini 14 A. U. : 10-11
I.A. Lapproche classique
Les systmes experts : les moteurs dinfrences
Le chanage avant: raisonnement guid par le but :
Algorithme :
S. Elkosantini 15 A. U. : 10-11
I.A. Lapproche classique
Les systmes experts : les moteurs dinfrences
Le chanage avant: raisonnement guid par le but :
Exemple :
si f1 est vrai et f1 f2 alors f2 est vrai.
de f1 sont dduits f2 et f3
de f2 sont dduits f4 et f5
etc ...
S. Elkosantini 16 A. U. : 10-11
I.A. Lapproche classique
Les systmes experts : les moteurs dinfrences
Le chanage arrire : raisonnement guid par le but :
Le systme cherche dans sa base de connaissances les rgles dont la conclusion
correspond au but pos.
Une des rgles est choisie selon une stratgie donne.
Ses prmisses sont empiles dans la mmoire de travail et deviennent les sous-buts
actuels rsoudre.
Le systme continue travailler de cette faon jusqu ce que tous les sous buts placs
en mmoire soient vrifis.
Le systme garde aussi la trace de son
raisonnement sous forme dun graphe
5
S. Elkosantini 17 A. U. : 10-11
I.A. Lapproche classique
Les systmes experts : les moteurs dinfrences
Le chanage arrire : raisonnement guid par le but :
Exemple :
Si est q non vrai et si p q alors p est non vrai.
de f4 est dduit f3
de f3 est dduit f1
S. Elkosantini 18 A. U. : 10-11
I.A. Lapproche classique
Inconvnients
Les variables dcrivant des tats sont boolennes.
La variable boolenne, qui ne peut prendre que deux
valeurs (vrai ou faux) est mal adapte la reprsentation
de la plupart des phnomnes courants.
Et si le compte a 9 ans et 11 mois
Et si le compte a 10 ans et 1 mois ?!
Et si le phnomne tait plus complexe ?!
Ancien
10
1
Rcent
0
S. Elkosantini 19 A. U. : 10-11
I.A. Lapproche classique
Inconvnients
Exemple : Dans un environnement de gestion des ressources humaines,
que signifie : Le stress de loprateur est 0.8
Le stress de loprateur est fort
Valuation numrique
Valuation qualitative: langage
naturel
Comment reprsenter ces valeurs linguistiques ?
Comment formuler cette quantification linguistique ?
Comment intgrer ces valeurs linguistiques dans un systme intelligent ?
S. Elkosantini 20 A. U. : 10-11
Plan
Partie 1 : I.A. Lapproche classique
Partie 2 : La thorie des sous ensembles flous
Partie 3 : Logique Floue
Partie 3.1 : Fuzzification
Partie 3.2 : Infrence floue
Partie 3.3 : Dfuzzification
Partie 4 : Exemples dapplications
6
S. Elkosantini 21 A. U. : 10-11
Thorie des sous ensembles flous
Lincertain et limprcis
Je crois que la temprature est leve.
Incertitude... "Je crois, mais ce n'est pas sr."
Mise en question de la validit de l'observation
La temprature de la chambre est trs leve
Imprcision... Que signifie " trs leve " ?
Apprciation
La temprature de la chambre a augment de peu prs 20%
Imprcision ou incertitude ??
S. Elkosantini 22 A. U. : 10-11
Lincertain et limprcis
Thorie des sous ensembles flous
S. Elkosantini 23 A. U. : 10-11
Thorie des sous ensembles flous
Historique
1965 : Thorie des ensembles flous introduite par L.A. Zadeh (UC Berkeley)
En 1973, le Pr. Zadeh publie un article (dans l'IEEE Transactions on Systems, Man
and Cybernetics) qui mentionne pour la premire fois le terme de variables
linguistiques (dont la valeur est un mot et non un nombre).
En 1974, premire application industrielle. Rgulation floue dune chaudire
vapeur ralise par Mamdani.
En 1980, F.L. Smidth & Co. A/S (au Danemark) met en application la thorie de
la logique floue dans le contrle de fours ciment. C'est la premire mise en
uvre pratique de cette nouvelle thorie.
S. Elkosantini 24 A. U. : 10-11
Thorie des sous ensembles flous
Historique
Dans les annes 80, plusieurs applications commencent immerger (notamment
au Japon).
1990: Gnralisation de lutilisation de cette technique.
Appareils lectromnagers (laves-linges, aspirateurs, autocuiseurs,...etc) ,
Systmes audio-visuels (appareils de photos autofocus, camscopes 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.
7
S. Elkosantini 25 A. U. : 10-11
Thorie des sous ensembles flous
Concepts fondamentaux
Le concept de sous-ensemble flou permet des graduations dans l'appartenance
d'un lment une classe.
Dans lapproche classique :
A
X
X x si 1 ) (
X x si 0 ) (
ensemble l' de ce appartenan d' fonction la est Si
e =
e = e
x
x X x
A
A
A
A
Lensemble A est dfini par : { } )) ( (x, X x x A
A
e =
S. Elkosantini 26 A. U. : 10-11
Thorie des sous ensembles flous
Concepts fondamentaux
Dans lapproche floue :
Un lment peut appartenir plus ou moins fortement cette classe.
Un sous-ensemble flou A d'un rfrentiel X est caractris par une fonction
d'appartenance
A
:
[0,1]
A flou ensemble l' de ce appartenan d' fonction la est Si
e e
A
A
X x

Lensemble A est dfini par : { } )) ( (x, X x x A


A
e =
S. Elkosantini 27 A. U. : 10-11
Thorie des sous ensembles flous
Concepts fondamentaux
Si =0,10
x appartient lensemble flou A avec un degr dappartenance de 10%
( ) A
x
Un ensemble flou est totalement dtermin par sa fonction dappartenance
degr dappartenance = valeur de vrit.
Faible appartenance Traduction de la valeur linguistique Faible
Si =0,90
x appartient lensemble flou A avec un degr dappartenance de 90%
( ) A
x
Forte appartenance Traduction de la valeur linguistique Fort
S. Elkosantini 28 A. U. : 10-11
Thorie des sous ensembles flous
Concepts fondamentaux
La fonction d'appartenance dcrivant un sous-ensemble flou est caractrise par
quatre proprits :
Le type : la forme du nombre flou qui peut tre triangulaire, trapzodale, gaussienne
ou sigmodale.
La hauteur : H(A) = Sup
xeX
(
A
(x)) de la fonction d'appartenance. Un sous-ensemble
flou est dit normalis s'il est de hauteur 1.
Le noyau : N(A) = {x/
A
(x) = 1} est l'ensemble des lments qui appartiennent
totalement A. Pour les fonctions de type triangulaire, le noyau est un singleton qui
est appel aussi valeur modale.
Le support : S(A) = {x/A(x) 0} ; cet ensemble dcrit l'ensemble des lments qui
sont partiellement dans A.
8
S. Elkosantini 29 A. U. : 10-11
Thorie des sous ensembles flous
Concepts fondamentaux
La fonction d'appartenance dcrivant un sous-ensemble flou est caractrise par
quatre proprits :
Le type :
0
1
di
di ou
ou
0
1
di
di
0 di
1
di
La hauteur, le noyau, le support :
S. Elkosantini 30 A. U. : 10-11
Thorie des sous ensembles flous
Notation :
L'intervalle flou couramment utilis dans R est dcrit par sa fonction
d'appartenance.
Un nombre flou trapzodale est note gnralement par (a, b, o, |) :
S. Elkosantini 31 A. U. : 10-11
Thorie des sous ensembles flous
Notation :
Un nombre flou triangulaire est un cas particulier dun nombre trapzodale.
Il est note gnralement par (a, o, |).
Dans le domaine de la recherche, ce type de nombres flous est trs utilis :
Ils contiennent tous les intervalles de confiance des distributions de probabilit
symtrique ayant mme noyau et mme support que les nombres flous (Dubois et
al., 2004)
La traduction de lexpertise humaine vers ce type de nombre flou est plus facile.
La manipulation mathmatique est plus
facile avec cette forme
S. Elkosantini 32 A. U. : 10-11
Thorie des sous ensembles flous
Notation :
La fonction dappartenance dun nombre flou avec des cots paraboliques est
dfinie de la manire suivante :
Les nombres flous de forme gaussienne est
un cas particulier
9
S. Elkosantini 33 A. U. : 10-11
Thorie des sous ensembles flous
Concepts fondamentaux : le support
Triangle [a,b,c]
Trapzodale [a,b,c,d]
Gaussien [a, ]
singleton [a, m]
S. Elkosantini 34 A. U. : 10-11
Thorie des sous ensembles flous
Concepts fondamentaux : le noyau
Triangle [a,b,c]
Trapzodale [a,b,c,d]
Gaussien [a, ]
m
singleton [a, m]
S. Elkosantini 35 A. U. : 10-11
Thorie des sous ensembles flous
Les oprateurs flous
Extension des oprations de la thorie des ensembles classiques: =, , , c,
complment.
Soient A et B deux sefs de X, dfinis par les fonctions dapprentissage
A
et
B
:
galit de sefs:
A = B ssi x e X,
A
(x) =
B
(x)
Inclusion de sefs:
A c B ssi x e X,
A
(x) <
B
(x)
Intersection de sefs: A B:
x e X,
AB
(x) = min(A (x), B(x))
Union de sefs: A B:
x e X, A B (x) = max(
A
(x),
B
(x))
S. Elkosantini 36 A. U. : 10-11
Thorie des sous ensembles flous
Les oprateurs flous : Union
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
10
S. Elkosantini 37 A. U. : 10-11
Thorie des sous ensembles flous
Les oprateurs flous : Intersection
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
S. Elkosantini 38 A. U. : 10-11
Thorie des sous ensembles flous
Les oprateurs flous : complment
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)
S. Elkosantini 39 A. U. : 10-11
Thorie des sous ensembles flous
Les oprateurs flous : proprits
Certaines proprits de la thorie des ensembles classiques sont vrifies :
A = A, A = , A X = X, A X = A
Associativit de et de : (A B) C = A (B C)
Commutativit de et de : AB = BA
Distributivit de par rapport U :
A(B C) = (AB) U(AC)
A (BC) = (A B)(A C)
S. Elkosantini 40 A. U. : 10-11
Thorie des sous ensembles flous
Les oprateurs flous : proprits
Certaines proprits de la thorie des ensembles classiques sont vrifies :
La relation de Morgan :
(A B) = (A) (B)
(A B) = (A) (B)
Les lois d'absorption :
A (A B) = A (A B) = A
11
S. Elkosantini 41 A. U. : 10-11
Thorie des sous ensembles flous
Les oprateurs arithmtiques :
Laddition :

A+B
(z) = max {min(
A
(x),
B
(y)) / x + y = z} :
La multiplication :

A.B
(z) = max {min(
A
(x),
B
(y)) / xy = z}
A+B :
(a, b, , ) + (a', b', ', ') = (a + a', b + b', + ', + ')
B :
(a, b, , ) = ( a, b, , )
Et pour la multiplication et la division ?
S. Elkosantini 42 A. U. : 10-11
Thorie des sous ensembles flous
Le produit cartsien :
Le produit cartsien est dfini par
A*B
(x, y) = min [
A
(x),
B
(y)].
Cardinalit dun ensemble flou
Dans le cas fini, on peut dfinir le nombre d'lments d'un ensemble flou A
par :

= ) ( ) ( x A card
A

Si A est continu, le nombre d'lments d'un ensemble flou A par :


}
=
x
x
dx x A card ) ( ) (
S. Elkosantini 43 A. U. : 10-11
Thorie des sous ensembles flous
La distance de Hamming
La notion de distance entre ensembles flous peut tre utile pour dfinir des
relations telles que peu prs gal ou trs suprieur .
La distance de Hamming est : d(A, B) = (x X) |
A
(x) -
B
(x)|
Ou autrement :
}

b
a
B A
dx x x ) ( ) (
La distance de Hamming relative est :
) (
) , (
) , (
X card
B A d
B A = o
S. Elkosantini 44 A. U. : 10-11
Thorie des sous ensembles flous
La distance de Hamming
Soit un ensemble de rfrence X={a,b,c,d,e,f,g} et deux sous ensembles flous
reprsents de la manire suivante :
Quelle est la distance de Hamming entre les deux sous
ensembles flous A et B ?
12
S. Elkosantini 45 A. U. : 10-11
Thorie des sous ensembles flous
Les o-coupes
Il est important aussi d'introduire le concept d'-coupe ou coupe de niveau o:
Une -coupe d'un sous-ensemble ou A pour une valeur [0..1] est le sous-
ensemble classique not A

et dni par :
Les -coupes A

d'un sous-ensemble A sont des intervalles non-flous


emboits par rapport la valeur de niveau .

2
1
A
x
{ } ; ( )
A
A x x
o
o = >
S. Elkosantini 46 A. U. : 10-11
Thorie des sous ensembles flous
Les o-coupes
Si
1

2
alors A
2
A
1
Les -coupes des sous-ensembles A et B flous vrifient les proprits
suivantes:
(A B)

= A

(A B)

= A

Si (A B)

alors A

(A)
1-1
(A

), sauf pour = 1/2.


S. Elkosantini 47 A. U. : 10-11
Thorie des sous ensembles flous
Principe dextension
Utilis pour tendre une fonction classique aux sefs :
S. Elkosantini 48 A. U. : 10-11
Thorie des sous ensembles flous
Principe dextension
Mesure prcise
Mesure floue
13
S. Elkosantini 49 A. U. : 10-11
Thorie des sous ensembles flous
Principe dextension
Principe : possdant une fonction sur un univers classique X, permettre son
utilisation avec des sefs de X .
Dfinition : tant donn un sef A de X, et une application de X vers
Y, le principe d'extension permet de dfinir un sef B de Y associ A
par :
yeY,
B
(y)= sup
{x, (x)=y}

A
(x)
avec sup

A
(x)=0
Le sef B est l'image du sef A par la fonction .
S. Elkosantini 50 A. U. : 10-11
Thorie des sous ensembles flous
Les valeurs linguistiques :
Fonction dappartenance, distance, cardinalit, ensemble flou, etc.
et aprs !!???
S. Elkosantini 51 A. U. : 10-11
Exemple : Dans un environnement de gestion des ressources humaines,
que signifie : Le stress de loprateur est 0.8
Le stress de loprateur est fort
Valuation numrique
Valuation qualitative: langage
naturel
Comment reprsenter ces valeurs linguistiques ?
Comment formuler cette quantification linguistique ?
Comment intgrer ces valeurs linguistiques dans un systme intelligent ?
Les valeurs linguistiques :
Thorie des sous ensembles flous
S. Elkosantini 52 A. U. : 10-11
Thorie des sous ensembles flous
Les valeurs linguistiques :
0
1
A(x)
1
x
T
r
s fa
ib
le
F
a
ib
le
M
o
y
e
n
F
o
rt
T
r
s fo
rt
Lensemble de rfrence dun mot du langage naturel sappelle lunivers du
discours.
Une variable linguistique reprsente un tat dans le systme rgler.
Sa valeur est dfinie dans des termes linguistiques qui peuvent tre des mots
ou des phrases dun langage naturel.
14
S. Elkosantini 53 A. U. : 10-11
Thorie des sous ensembles flous
Les valeurs linguistiques :
Chaque variable linguistique est caractrise par lensemble :
<x, T(x), U, G, M>
avec :
o x est le nom de la variable,
o T(x) est lensemble des valeurs linguistique que peut prendre x
o U est lunivers du discours associ avec la valeur de base
o G est la rgle syntaxique pour gnrer les valeurs linguistique de x
o M est la rgle smantique pour associer un sens chaque valeur linguistique
S. Elkosantini 54 A. U. : 10-11
Thorie des sous ensembles flous
Les valeurs linguistiques :
Si le compte de client est trs ancien Le client est potentiellement sans risque.
Comment reprsenter trs ?
Si le compte du client a plus que 10 ans Le client est potentiellement sans
risque.
Ancien
10
1
Rcent
0
S. Elkosantini 55 A. U. : 10-11
Plan
Partie 1 : I.A. Lapproche classique
Partie 2 : La thorie des sous ensembles flous
Partie 3 : Logique Floue
Partie 3.1 : Fuzzification
Partie 3.2 : Infrence floue
Partie 3.3 : Dfuzzification
Partie 4 : Exemples dapplications
S. Elkosantini 56 A. U. : 10-11
Logique floue
Conception de contrleur flou :
Contrleur flou
Systme
Commande
Mesures
Mais pourquoi un contrleur flou ??
Modus Ponens:
A B
A
B
Et si cest peu prs A ??
Modus Ponens:
A B
A
??
15
S. Elkosantini 57 A. U. : 10-11
Logique floue
Conception de contrleur flou :
Modus Ponens gnralis :
A B
A
B
Les mthodes d'infrence utilises dans la logique classique, modus tollens et modus
ponens ne permettent pas de raisonner lorsque les rgles ou les faits sont dnis de faon
imparfaite.
Cette forme de raisonnement a t adapte la logique floue pour prendre en compte
les informations et les rgles vagues que les systmes d'infrence peuvent contenir.
S. Elkosantini 58 A. U. : 10-11
Logique floue
Conception de contrleur flou :
Contrleur
flou
clairage
Temprature
Rayonnement
Humidit
Ventilation
Humidification
Chauffage/
Refroidissement
source : cours de LESCIEUX
Serre
Agricole
Temprature
Rayonnement
Humidit
S. Elkosantini 59 A. U. : 10-11
Logique floue
Conception de contrleur flou :
source : (Riat &Aurrand-lions; 98)
Contrleur
flou Pas moteur
volant
Cap/chausse
Angle volant
Vitesse
Position
Vhicule
autonome
S. Elkosantini 60 A. U. : 10-11
Logique floue
Conception de contrleur flou :
Contrleur
flou
Dcision
Anciennet
Salaire
Age
Mais concrtement, quest ce quun contrleur flou ??
R1: SI Age est moyen ET Anciennet est moyen ET Salaire est Moyen
ALORS Dcision = octroyer le prt
R2: SI Age est Elev ET Anciennet est faible ET Salaire est Faible lev
ALORS Dcision = ne pas octroyer le prt
R3:
Systme dinfrence flou
16
S. Elkosantini 61 A. U. : 10-11
Logique floue
Conception de contrleur flou :
Si ET ALORS Temps est beau Moment est DbutMatine Moral est haut
Prmisses Conjonction Conclusion Implication
S. Elkosantini 62 A. U. : 10-11
Logique floue
Conception de contrleur flou :
Les conjonctions :
La dfinition des oprateurs logiques est assure selon le type de la fonction
d'appartenance utilise.
Quelques oprateurs mathmatiques :
S. Elkosantini 63 A. U. : 10-11
Logique floue
Conception de contrleur flou :
Limplication :
L'implication floue est une relation qui associe toute rgle floue R une fonction
d'appartenance qui peut tre dfinie de diffrentes manires.
S. Elkosantini 64 A. U. : 10-11
Logique floue
Conception de contrleur flou :
Il y a 5 tapes ncessaires lors de la conception dun contrleur flou :
Dfinition des entres et des sorties du contrleur:
nombres, noms, types, univers de discours
subdivision de toutes les variables dentres et de sorties en sous ensembles flous :
nombres de subdivisions, types de subdivisions, noms, paramtres.
Dfinition de la base de rgles :
nombre de rgles, type de rgles, les combinaisons possibles, les rsultats.
Slection de la mthode dinfrence
Slection de la mthode de dfuzzification
17
S. Elkosantini 65 A. U. : 10-11
Logique floue
Conception de contrleur flou :
Il y a 5 tapes suivre pour aboutir la sortie dun systme flou :
Fuzzification
Calcul de degr dactivation de chaque rgle
Recherche de la fonction dappartenance pour la sortie de chaque rgle
Recherche de la fonction dappartenance rsultante globale
Defuzzification
Entre
Sortie
S. Elkosantini 66 A. U. : 10-11
Logique floue
Conception de contrleur flou :
Contrleur flou
Systme
Commande
Mesures
Il y a 5 tapes suivre pour aboutir la sortie dun systme flou :
S. Elkosantini 67 A. U. : 10-11
Logique floue
Conception de contrleur flou :
Il y a 5 tapes suivre pour aboutir la sortie dun systme flou :
Fuzzification Dfuzzification Infrence floue
Systme
Base de connaissances
Commande Mesures
S. Elkosantini 68 A. U. : 10-11
Logique floue
Conception de contrleur flou :
Il y a 5 tapes suivre pour aboutir la sortie dun systme flou :
source : cours de Tai-WenYue
18
S. Elkosantini 69 A. U. : 10-11
Logique floue
Conception de contrleur flou :
1. Fuzzification : processus qui consiste transformer une grandeur numrique
en un sous-ensemble flou.
Qualifier une valeur numrique avec un terme linguistique.
Interface de
fuzzification
Pierre est petit un degr de 75%
Pierre mesure 1m625
Pierre est grand 0%
Pierre est moyen 25%
Et si on augmente le support des nombres flous utiliss ?
S. Elkosantini 70 A. U. : 10-11
Logique floue
Conception de contrleur flou :
1. Comment fuzzifier ?
1. Donner lunivers du discours : 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.
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 .
La fuzzification des variables est une phase dlicate du processus mis
en uvre par la logique floue.
Elle est souvent ralise de manire itrative et requiert de l'exprience.
S. Elkosantini 71 A. U. : 10-11
Logique floue
Conception de contrleur flou :
2. Calcul du degr dactivation de chaque rgle :
L'activation des rgles consiste appliquer une norme triangulaire (ou T-
norme) pour obtenir le degr d'activation de chacune.
Cest une valeur comprise entre 0 et 1.
Quelques exemples de t-normes
S. Elkosantini 72 A. U. : 10-11
Logique floue
Conception de contrleur flou :
2. Calcul du degr dactivation de chaque rgle :
Exemple : t-norme dfini par Zadeh
19
S. Elkosantini 73 A. U. : 10-11
Logique floue
Conception de contrleur flou :
3. Recherche de la fonction dappartenance pour la sortie de chaque rgle :
Exemple : Selon la t-norme dfini par Zadeh
S. Elkosantini 74 A. U. : 10-11
Logique floue
Conception de contrleur flou :
4. Agrgation ou Recherche de la fonction dappartenance rsultante globale :
La conclusion finale d'un systme d'infrence est le rsultat de la combinaison des
rsultats de diffrentes rgles actives en utilisant les normes triangulaires (T-
norme) ou T-conorme :
1. Par T-norme : la fonction d'appartenance du sous-ensemble flou Y, qui est le
rsultat de l'agrgation, est dfinie de la manire suivante :
avec T la T-norme Min et N est le nombre de rgles actives
S. Elkosantini 75 A. U. : 10-11
Logique floue
Conception de contrleur flou :
4. Agrgation ou Recherche de la fonction dappartenance rsultante globale :
2. Par T-conorme : la fonction d'appartenance du sous-ensemble flou Y, qui est le
rsultat de l'agrgation, est dfinie de la manire suivante :
avec la T-conorme Max et N est le nombre de rgles actives.
S. Elkosantini 76 A. U. : 10-11
Logique floue
Conception de contrleur flou :
4. Agrgation ou Recherche de la fonction dappartenance rsultante globale :
20
S. Elkosantini 77 A. U. : 10-11
Logique floue
Conception de contrleur flou :
5. Dfuzzification :
C'est l'opration qui, inversement la fuzzication, consiste transformer un
nombre flou B en une grandeur numrique y
0
Parmi les mthodes de dfuzzication les plus rpandues :
Centre de gravit
Premier Maximum
Dernier Maximum
Centre Maximum
S. Elkosantini 78 A. U. : 10-11
Logique floue
Conception de contrleur flou :
5. Dfuzzification :
Centre de gravit
Premier Maximum
Dernier Maximum
Centre Maximum
S. Elkosantini 79 A. U. : 10-11
Logique floue
Conception de contrleur flou :
Mthode dinfrence : Mthode de Mamdani
Min-Max
S. Elkosantini 80 A. U. : 10-11
Logique floue
Conception de contrleur flou :
Mthode dinfrence : Mthode de Mamdani
Considrons les observations : . . Le raisonnement flou se
dcompose comme suit :
1. Calcul du degr d'activation de chaque rgle :
2. Calcul de l'implication :
21
S. Elkosantini 81 A. U. : 10-11
Logique floue
Conception de contrleur flou :
Mthode dinfrence : Mthode de Mamdani
3. Calcul de l'agrgation pour former la conclusion finale floue C :
S. Elkosantini 82 A. U. : 10-11
Logique floue
Conception de contrleur flou :
Mthode dinfrence : Mthode de Larsen
Considrons les observations : . . Le raisonnement flou se
dcompose comme suit :
1. Calcul du degr d'activation de chaque rgle :
2. Calcul de l'implication : Cette mthode utilise le produit pour dfinir
la conclusion
S. Elkosantini 83 A. U. : 10-11
Logique floue
Conception de contrleur flou :
Mthode dinfrence : Mthode de Larsen
3. Calcul de l'agrgation pour former la conclusion finale floue C :
S. Elkosantini 84 A. U. : 10-11
Logique floue
Conception de contrleur flou :
Mthode dinfrence : Mthode de Larsen
max-prod
22
S. Elkosantini 85 A. U. : 10-11
Logique floue
Conception de contrleur flou :
Mthode dinfrence : Mthode de Takagi-Sugeno:
If x is A and y is B then z = f(x, y)
sous-ensemble
flou
Souvent : f(x, y) est une fonction
polynomiale en fonction de x et y
S. Elkosantini 86 A. U. : 10-11
Logique floue
Conception de contrleur flou :
Mthode dinfrence : Mthode de Takagi-Sugeno:
R1: if X is small and Y is small then z = x +y +1
R2: if X is small and Y is large then z = y +3
R3: if X is large and Y is small then z = x +3
R4: if X is large and Y is large then z = x + y + 2
S. Elkosantini 87 A. U. : 10-11
Logique floue
Conception de contrleur flou :
Mthode dinfrence : Mthode de Takagi-Sugeno
1. Calcul du degr d'activation de chaque rgle (en utilisant l'oprateur de
Larsen - produit) :
2. Calcul de l'implication :
3. La sortie finale est calcule comme la moyenne des sorties des rgles,
pondres par le poids
Ri
:
S. Elkosantini 88 A. U. : 10-11
Logique floue
Conception de contrleur flou :
Mthode dinfrence : Mthode de Takagi-Sugeno
source : cours de Tai-WenYue
les tapes 4 et 5 dun contrleur flou classique nexistent plus
23
S. Elkosantini 89 A. U. : 10-11
Plan
Partie 1 : I.A. Lapproche classique
Partie 2 : La thorie des sous ensembles flous
Partie 3 : Logique Floue
Partie 3.1 : Fuzzification
Partie 3.2 : Infrence floue
Partie 3.3 : Dfuzzification
Partie 4 : Exemples dapplications
S. Elkosantini 90 A. U. : 10-11
Exemple dapplications
Systmes experts:
Development of an Expert System for Credit Card Application Assessment
Expert systems in finance A cross-section of the field
Fuzzy set theory:
A fuzzy credit-rating approach for commercial loans: a Taiwan case
A fuzzy logic evaluation system for commercial loan analysis
Modelling credit rating by fuzzy adaptive network
Association rules applied to credit card fraud detection
S. Elkosantini 91 A. U. : 10-11
Exemple dapplications
Rseau de neurones artificielles :
Neural network credit scoring models
Using neural network ensembles for bankruptcy prediction and credit
scoring
Credit risk assessment using Multilayer Neural Network Models : Case of a
Tunisian bank
S. Elkosantini 92 A. U. : 10-11
Exemple dapplications
Fuzzy logic systems for transportation engineering: the state of the art
An evaluation of fuzzy transportation underwriting systematic risk
A fuzzy logic controller for traffic junction signals
A two-stage fuzzy logic controller for traffic signals
Design and implementation of a fuzzy inference system for supporting
customer requirements(pdf)
Fuzzy inference to risk assessment on nuclear engineering systems (pdf)
Fuzzy logic in control systems; Fuzzy logic controller - Part I (pdf)
Fuzzy rule-based approach to describe solute transport in the unsaturated
zone (pdf)
24
S. Elkosantini 93 A. U. : 10-11
Logique floue
Exemple de problme :
On dsire dvelopper un systme daide la dcision pour la gestion doctroi de crdit
bancaire en se basant sur le salaire S et lanciennet du compte A.
A S 150 200 250
4 Refuser Refuser Refuser
5 Refuser Mettre en
instance
Mettre en
instance
6 Mettre en
instance
Accepter Accepter
On souhaite remplacer le systme de contrle de qualit par un systme flou de type
Takagi-Sugeno.
Mettre en instance= 0; Accepter = +1 ; Refuser= -1
S. Elkosantini 94 A. U. : 10-11
Logique floue
Exemple de problme :
Les tapes de conception :
1. identifier les entres et sorties :
2. Subdivision de toutes les entres en sous-ensembles flous :
Contrleur
flou
Dcision
L
P
S. Elkosantini 95 A. U. : 10-11
Logique floue
Exemple de problme :
Les tapes de conception :
3. Etablir la base de rgles (la tche dun expert humain)
Si (P est lger) ET (L est cout) alors D=+1
.
.
Si (P est lourd) ET (L est large) alors D=-1
Quelle est la dcision pour un portable de poids 175g et
largeur 5,5cm
S. Elkosantini 96 A. U. : 10-11
Logique floue
Exemple de problme :
Les tapes dinfrences:
1. Fuzzification :
2. Calcul de l'implication
3. Calcul du degr dactivation de chaque rgle :
4. Calcul de la sortie finale :
25
S. Elkosantini 97 A. U. : 10-11
Logique floue
Exemple de problme :
Amliorons encore plus le systme de contrle de la qualit en minimisant le nombre de
de subdivision de chaque entre.
S. Elkosantini 98 A. U. : 10-11
Logique floue
Exemple de problme 2
Ordonnancement de n tches sur m machines en utilisant, par exemple, les algorithmes
gntiques.
Dure de la tche i sur la machine j est gale 10 min.
S. Elkosantini 99 A. U. : 10-11
Logique floue
Exemple de problme 2
Comment procder ??
1 2 3 4 5 6 7 8 Solution 1 :
Solution 2 : 8 2 3 4 5 6 7 1
Comparer
Et si les donnes t imprcises : la dure de la tche i sur la
machine j est gale 10 min mais pas plus de 15min et pas
moins de 5 min
S. Elkosantini 100 A. U. : 10-11
Logique floue
Exemple de problme 2
Comment procder ??
1 2 3 4 5 6 7 8 Solution 1 :
Solution 2 : 8 2 3 4 5 6 7 1
Comparer
Et si les donnes t imprcises : la dure de la tche i sur la
machine j est gale 10 min mais pas plus de 15min et pas
moins de 5 min
26
A. U. : 10-11 S. Elkosantini 101
Fin du cours