Vous êtes sur la page 1sur 18

1- Introduction

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

Plan

Cours dI.A.

Partie 1 - Place de linformatique


Partie 2 - Les bases de donnes
Partie 3 - Conception des BD
Partie 4 - Manipulation : SQL

Introduction
!!!la logique floue

Partie 5 - PHP / MySQL

1.1 Une premire approche


1.2 Utiliser une base de donnes
1.3 Premires conclusions
1.4 Les SGBD

1.5 Les dfis


1.6 Un peu d'histoire
1.7 Et ensuite ?

1. Introduction : pourquoi la logique floue


2. Les ensembles flous
3. Linfrence floue
4. Le raisonnement flou

3 anne

5. Bilan

Antoine Cornujols
www.lri.fr/~antoine
antoine.cornuejols@agroparistech.fr

http://www.lri.fr/~antoine/Courses/AGRO/Cours-IA/

1- Introduction
Introduction

2-2-Ensembles
Ensemblesflous
flous

3-3-Infrence
Infrencefloue
floue

4-4-Raisonnement
Raisonnementflou
flou

Introduction
V- Conclusions

5-5-Conclusions
Conclusions

1- Introduction

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

1- Pourquoi la logique floue ?

Nous raisonnons avec des concepts linguistiques flous


(ou approximatifs)

1. Introduction : pourquoi la logique floue

Concepts imprcis
! incertitude

ge, poids, temprature, ...


-----------------------------------

Dpendances imprcises
Si la temprature est basse et le gaz nest pas cher
Alors je monte beaucoup le chauffage

V- Conclusions

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

1- Introduction

Intelligence Artificielle - Logique Floue ! A. Cornujols 2010

1- Introduction

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

1- Introduction

1- Pourquoi la logique floue ?

si le feu est
orange...

5- Conclusions

le patient a une forte fivre


sa peau prsente une coloration jaune
il a des nauses

si ma vitesse est leve ...


si ma vitesse est faible ...
si ma vitesse est
moyenne ...

et si le feu est
proche ...

alors je freine fort.

et si le feu est loin ...

alors je maintiens ma
vitesse.

et si le feu est loin ...

alors je freine doucement.

Ensemble classique
Avoir une forte fivre

et si le feu est

si ma vitesse est faible ...

proche

...

0.8

0.8

0.6

0.6

0.4

0.4

36

alors j'acclre.

Ensemble flou
Avoir une forte fivre

0.2

0.2

T(C)

si le feu est vert...

4- Raisonnement flou

Un patient atteint dhpatite prsente gnralement les symptmes suivants :

Rgles de conduite automobile lapproche dun carrefour contrl


par des feux tricolores.

si le feu est
rouge...

3- Infrence floue

1- Pourquoi la logique floue : limites de la logique classique

Exemple de rgle floue

si le feu est
rouge...

2- Ensembles flous

37

38

39

40

41

42

T(C)

0
36

37

38

39

40

41

42

Le patient a 38.9C

v.s.

En logique classique : le patient na pas de forte fivre

Si le feu est rouge, si ma vitesse dpasse 85.6 km/h et si le feu est moins
de 62.3m, alors jappuie sur le frein avec une force de 33.2 Newtons

1- Introduction

Intelligence Artificielle - Logique Floue ! A. Cornujols 2010

1- Introduction

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

En logique floue
5

5- Conclusions

: le patient a une forte fivre 50% => hpatite x%

1- Introduction

1- Introduction

=> pas dhpatite

Intelligence Artificielle - Logique Floue ! A. Cornujols 2010

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

1.4 Les principaux problmes

1- Dfinir les notions

densembles flous

2. La thorie des ensembles flous

de prdicats flous
doprateurs ensemblistes flous
de relations floues

-----------------------------------

2- Dfinir linfrence floue

1- Introduction

comment propager les valeurs de vrit

Intelligence Artificielle - Logique Floue ! A. Cornujols 2010

II- Ensembles flous

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

1- Introduction

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

1- Introduction

Soient U lunivers du discours et A un sousensemble de U.


Thorie classique des ensembles :
Si A est la fonction dappartenance
caractristique de lensemble A :

5- Conclusions

Ensemble classique
Avoir une forte fivre

A (x) = 0
A (x) = 1

A (x) [0, 1]

0.8
0.6
0.4

noyau = noy(A)

0.2

si x
/U
si x U

A(x)

T(C)

0
36

37

38

39

40

41

42

Ensemble flou
Avoir une forte fivre

0.8

Thorie des ensembles flous :

x U

4- Raisonnement flou

Les ensembles flous sont dcrits par leur fonction dappartenance

x U

3- Infrence floue

2- Ensembles flous

2- Ensembles flous

2- Ensembles flous

0.6

A (x) [0, 1]

0.4

frontire

0.2

T(C)

0
36

37

38

39

40

41

frontire

support : supp(A)

42

Degr dappartenance = valeur de vrit


II- Ensembles flous

1- Introduction

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

II- Ensembles flous

1- Introduction

2- Ensembles flous

2- Ensembles flous

4- Raisonnement flou

Ensemble flou: "Personne de taille moyenne"

Ensemble flou " Personne de petite taille"


1

triangulaire, trapzodale,

Petit

Moyen

5- Conclusions

Ensemble flou :"Personne de grande taille"

0.8

0.8

0.6

0.6

0.6

0.4

0.4

0.4

0.2

0.2

Taille(m)

Gaussienne,

1.5

1.55

1.6

1.65

1.7

1.75

1.8

1.85

0.2

Taille(m)

0
1.5

1.9

Grand

0.8

3- Infrence floue

10

2- Ensembles flous : exemples

Les fonctions dappartenance peuvent avoir diverses formes selon leur dfinition :
!

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

1.55

1.6

1.65

1.7

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


Moyen

Petit

Grand

Pierre mesure 1m625

0.8

Sigmodes...

se traduit en logique floue par :

0.6

0.4

0.2

Taille(m)
0
1.5

II- Ensembles flous

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

11

1.55

1.6

II- Ensembles flous

1.65

1.7

1.75

1.8

1.85

Pierre est petit un degr de 75%


Pierre est moyen 25%
Pierre est grand 0%

1.9

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

12

1- Introduction

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

1- Introduction

2.2 Oprations ensemblistes sur les ensembles flous

(OU)

Intersection

(ET)

Complment

(ngation)

3- Infrence floue

4- Raisonnement flou

5- Conclusions

2.2 Oprations ensemblistes sur les ensembles flous

Fonction dappartenance de lensemble des personnes grandes et ges

Il faut dfinir les quivalents des oprations :


Union

2- Ensembles flous

age (x) = 0.7

grand (x) = 0.5

Inclusion

age grand (x) = ?

II- Ensembles flous

1- Introduction

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

13

5- Conclusions

II- Ensembles flous

1- Introduction

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

14

5- Conclusions

2.2 Oprations ensemblistes sur les ensembles flous

2.2 Oprations ensemblistes sur les ensembles flous

Fonction dappartenance de lensemble des personnes grandes et ges

Fonction dappartenance de lensemble des personnes grandes ou ges

age (x) = 0.7

grand (x) = 0.5

age grand (x) = ?

II- Ensembles flous

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

15

II- Ensembles flous

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

16

1- Introduction

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

1- Introduction

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

2.2 Oprations ensemblistes sur les ensembles flous

2.2 Oprations ensemblistes sur les ensembles flous

Fonction dappartenance de lensemble des personnes grandes ou ges

Une fonction de combinaison qui ressemblerait :

age (x) = 0.7

grand (x) = 0.5

II- Ensembles flous

1- Introduction

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

17

5- Conclusions

1- Introduction

2.2 Oprateurs ensemblistes flous : lunion

Partition floue de l'univers du discours


1

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

Grand

Moyen

0.8

0.8

0.8

0.8

0.6

0.6

0.6

0.6

0.4

0.4

0.4

0.4

1.5

Taille(m)

1.6

1.65

1.7

1.75

1.8

1.85

1.9

1.5

1.55

1.6

1.65

1.7

1.75

1.8

1.85

0.2

Taille(m)

1.55

0.2

0.2

Taille(m)

1.9

1.5

Taille (m)
0

1.55

1.6

1.65

1.7

1.75

1.8

1.85

1.9

1.5

1.55

Petit ou moyen

AB (x) = Max(A (x), B (x))

II- Ensembles flous

5- Conclusions

Ensemble flou: "Personne petite et moyenne"

Partition floue de l'univers du discours


Petit

0.2

18

2.2 Oprateurs ensemblistes flous : lintersection

Ensemble flou:"Personne petite OU moyenne"

Grand

Moyen

Petit

II- Ensembles flous

1.65

1.7

1.75

1.8

1.85

1.9

Petit et moyen

AB (x) = Min(A (x), B (x))

x U

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

1.6

19

II- Ensembles flous

x U

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

20

1- Introduction

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

1- Introduction

2.2 Oprateurs ensemblistes flous : le complment

Grand

Moyen

Petit

3- Infrence floue

4- Raisonnement flou

5- Conclusions

2.2 Oprateurs ensemblistes flous alternatifs

Ensemble floue :"Personnes non petites"

Partition floue de l'univers du discours

2- Ensembles flous

Toute t-norme peut servir dfinir


lintersection floue

Toute t-conorme peut servir


dfinir lunion floue

Une t-norme est une application T(x,y) satisfaisant les conditions suivantes: Une t-conorme est une application S(x,y) satisfaisant les conditions suivantes:
0.8
0.6

0.6

0.4

0.4

0.2

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

0 est lment neutre !x " [0,1]

S ( x, 0) = x.

Commutative T ( x, y ) = T ( y, x)

Commutative S ( x, y ) = S ( y, x)

Associative T ( x, T ( y, z )) = T (T ( x, y ), z )
Monotone si x # z et y # w alors T ( x, y ) # T ( z, w)

Associative S ( x, S ( y, z )) = S ( S ( x, y ), z )
Monotone si x # z et y # w alors S ( x, y ) # S ( z , w)

0.2

Taille(m)

0
1.5

1 est lment neutre !x " [0,1]

0.8

1.55

1.6

1.65

1.7

1.75

1.8

1.85

Taille (m)

1.5

1.9

1.55

1.6

1.65

1.7

1.75

1.8

1.85

1.9

Non petit

A (x) = 1 A (x)

II- Ensembles flous

1- Introduction

x U

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

21

5- Conclusions

II- Ensembles flous

1- Introduction

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

2.2 Oprateurs ensemblistes flous alternatifs

2.2 Oprateurs ensemblistes flous alternatifs


Toute t-norme peut servir dfinir

Toute t-conorme peut servir

Toute t-norme peut servir dfinir

Toute t-conorme peut servir

lintersection floue

dfinir lunion floue

lintersection floue

dfinir lunion floue

II- Ensembles flous

22

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

23

II- Ensembles flous

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

24

1- Introduction

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

1- Introduction

2.2 Oprateurs ensemblistes flous les plus utiliss

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

2.2 Oprateurs ensemblistes flous

Pour toutes les dfinitions des oprateurs ET et OU, les proprits des oprateurs
boolens classiques sont prserves
Dnomination

Oprateurs de
Zadeh
MIN/MAX
Probabiliste
PROD/PROBOR

Intersection
ET
(t-norme)

Runion
OU
(t-conorme)

A" B (x ) = min ( A (x ), B (x )) A! B (x ) = max ( A (x ), B (x ))


A" B (x ) = A (x )# B (x )

A ( x ) + B ( x ) $ A ( x )# B ( x )

Complment
NON

Commutativit

A (x ) = 1 $ A ( x )
A (x ) = 1 $ A ( x )

Distibutivit

2 exceptions notables

#$ A ! (B " C ) = ( A ! B ) " ( A ! C )
%
$& A " (B ! C ) = ( A " B ) ! ( A " C )

1.

Associaticit

2.

En logique floue, le principe du tiers exclu est contredit.

A$ A "U

#$ A ! (B ! C ) = ( A ! B ) ! C
%
$& A " (B ! C ) = ( A " B ) " C

i.e. A$ A (x ) " 1

En logique floue, on peut tre A et non A en mme


temps.

A ! A " # i.e. A! A (x ) " 0

Lois de Morgan
!"
$# A ! B = A " B
%
$& A " B = A ! B
II- Ensembles flous

1- Introduction

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

25

5- Conclusions

II- Ensembles flous

1- Introduction

2.2 Oprateurs ensemblistes flous

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

26

5- Conclusions

2.3 Relations floues

2 exceptions notables
1.

Relations classiques

En logique floue, le principe du tiers exclu est contredit.

A$ A "U

i.e. A$ A (x ) " 1

x
x

2.

En logique floue, on peut tre A et non A en mme


temps.

x
x

A ! A " # i.e. A! A (x ) " 0

x
x

Taille = 1.80 est reli poids = 70kg

Relations floues
Le prix dachat est trs infrieur au prix de vente

II- Ensembles flous

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

27

II- Ensembles flous

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

28

1- Introduction

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

1- Introduction

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

2.3 Relations floues

2.3 Relations floues

Exemple :

Produit cartsien sur X x Y

$%"!)".-/&$!"&#!
'%!,&#,0"$,"12."
()'%!*+,('-#!./+#0&-"%1

2%!%,#/3,%!4/#+-.-"55"

!"#$"!"#!%&'(#)"*+#',,-$("
II- Ensembles flous

1- Introduction

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

29

5- Conclusions

II- Ensembles flous

1- Introduction

2.3 Relations floues

2
3

2
0.8
1
0.8

3
0.3

0.8
1

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

30

5- Conclusions

2.3 Relations floues

Une relation floue est une relation binaire dfinie sur X x Y


par une fonction dappartenance sur X x Y
R : X Y [0, 1]

Exemple :

(x, y) ! R (x, y)

Le prix du vendeur A est approximativement gal au prix du vendeur B

x X , y Y

fR (x, y) =

1
1 + (x y)2
AB (x, y) = min{A (x), B (y)}

II- Ensembles flous

1
1
0.8
0.3

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

31

II- Ensembles flous

Si x not in A, alors
pas dimage, et
!
"
sinon pas absurde
B ! (y) = sup min{A! (x), AB (x, y)}
de prendre le min
x
des deux
appartenances.
Intelligence Artificielle - Logique Floue
! A. Cornujols 2013
32

1- Introduction

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

1- Introduction

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

2.3 Relations floues

Inverse :

x, y X Y

fR1 (y, x) = fR (x, y)

Composition MaxMin, la plus


frquente, mais
pas unique

3. Linfrence floue

Composition de relations floues :


Le prix dachat est trs infrieur au prix de revient
qui est approximativement gal au prix de vente

x, y, z X Y Z

-----------------------------------

!
$
"
#
fR (x, z) = sup min fR1 (x, y), fR2 (y, z)
yY

II- Ensembles flous

1- Introduction

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

33

5- Conclusions

III- Linfrence floue

1- Introduction

3.1 Bases de rgles floues

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

34

5- Conclusions

3- Variables floues

Si temps est beau

Si cours est ennuyeux ET moment est dbut_cours

Si cours est intressant ET charge_de_travail est importante alors Moral est

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.

ET moment est dbut_matine alors Moral est haut


alors Moral est bas

maussade

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

Exemple:

Si ...

Si Temps est beau ET Moment est DbutMatine ALORS Moral est haut

Prmisses

III- Linfrence floue

Conjonction

Implication

Conclusion

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

35

Univers du discours
: gamme de temprature de 0C 200C
Variables linguistiques : la temprature
Valeurs linguistiques : trs froid, froid, tempr, chaud, trs chaud

III- Linfrence floue

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

36

1- Introduction

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

1- Introduction

3- La fuzzification

Les systmes logique floue prennent en entre des variables floues et produisent en
sortie des variables floues

Il faut donc fuzzifier les mesures en entre

et dfuzzifier les sorties pour obtenir des sorties prcises

Interface de
fuzzification

III- Linfrence floue

1- Introduction

3- Infrence floue

4- Raisonnement flou

37

5- Conclusions

lunivers du discours (i.e. plage de variation possible de lentre considre)

les fonctions dappartenance de chacune de ces classes

une partition en classe floue de cet univers

Processus dlicat

III- Linfrence floue

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

38

5- Conclusions

3.2 Implication floue

Si temps est beau

Si cours est ennuyeux ET moment est dbut_cours

ET moment est dbut_matine alors Moral est haut


alors Moral est bas

Si cours est intressant ET charge_de_travail est importante alors Moral est


maussade

5- Conclusions

1- Introduction

3.1 Bases de rgles floues

4- Raisonnement flou

Pour fuzzifier, il faut fournir :

Pierre est petit un degr de 75%


Pierre est moyen 25%
Pierre est grand 0%

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

2- Ensembles flous

3- Infrence floue

3- La fuzzification

Pierre mesure 1m625

2- Ensembles flous

En logique classique

En logique floue

! Si p Alors q
"
# p vrai Alors q vrai

Si ( X est A ) Alors (Y est B )

Si ...

La variable floue X appartient la classe floue A avec un


degr de validit (x0)
La variable floue Y appartient la classe floue B un degr
qui dpend du degr de validit (x0) de la prmisse

Si Temps est beau ET Moment est DbutMatine ALORS Moral est haut

Prmisses

III- Linfrence floue

Conjonction

Implication

Conclusion

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

39

III- Linfrence floue

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

40

1- Introduction

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

1- Introduction

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

3.2 Implication floue

3.2 Implication floue

On veut maintenant dfinir une relation correspondant limplication logique


Relation :

Si ... alors ...

Si le poids est important alors le prix est lev

(Diamant)
Il nexiste pas de gnralisation unique de limplication logique

fA

fB

poids

prix

!
"
f (x, y) = fA (x), fB (y)
III- Linfrence floue

1- Introduction

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

41

5- Conclusions

III- Linfrence floue

1- Introduction

3.2 Modus ponens gnralis : 2 mthodes usuelles

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

42

5- Conclusions

3.2 Implication floue

Il nexiste pas de gnralisation unique de limplication logique


fR (x, y) = 1 fA (x) + fA (x) fB (y)
!
"
fW (x, y) = Max 1 fA (x), min(fA (x), fB (y)

1 si fA (x) fB (y)
fR G (x, y) =

0 sinon
!
"
fK D (x, y) = Max 1 fA (x), fB (y)
&
1
si fA (x) fB (y)
fB G (x, y) =
fB (y) sinon

Mthode de Mamdani :
Mthode de Larsen :

fG (x, y) =

!
"
conclusion (y) = Min premisse (x0 ), conclusion (y)

&
!
"
Min fB (y)/fA (x), 1
1

Willmott
Rescher-Gaines
Kleene-Dienes
Brouwer-G
odel

Goguen

!
"
fL (x, y) = Min 1 fA (x) + fB (y), 1
!
"
fL (x, y) = Min fA (x), fB (y)

conclusion (y) = premisse (x0 ) conclusion (y)

fL (x, y) = fA (x) fB (y)

III- Linfrence floue

si fA (x) #= 0
sinon

Reichenbach

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

43

III- Linfrence floue

Lukasiewicz
Mamdani
Larsen

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

44

1- Introduction

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

1- Introduction

3.2 Implication floue

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

3- Le raisonnement flou

(Diamant)

Si le poids est important alors le prix est lev


Soit limplication de Kleene-Dienes :

A v B = A -> B
A

fA

fB

" B = (A v B)

poids

Redrivez A v B :
fA

AB (x) = min{1, A (x) + B (x)}

Redrivez A " B :

prix

poids relativement important

poids

AB (x) = 1 min{0, 1 A (x) + 1 B (x)}


= max{0, A (x) + B (x)}

poids de 1.4 carat

fA

poids
III- Linfrence floue

1- Introduction

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

45

5- Conclusions

III- Linfrence floue

1- Introduction

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

4- Le modus ponens classique

*
*!!67!8

4. Le raisonnement flou

!!!!!!!!!!8

-----------------------------------

9,44":&,.+/#";
9,44":<;!!!!!!!!!!!!!67!!!!!!4,+#"5:<;
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!4,+#"5:&,.+/#";

IV- Le raisonnement flou

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

47

IV- Le raisonnement flou

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

46

1- Introduction

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

1- Introduction

4- Le modus ponens flou

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

4- Le modus ponens flou

Rgle floue :

Si V est A alors W est B

fB

fA

Fonction dappartenance
Fait observ :

V est A

Plus la condition sur les entres est vraie

Si la temprature est trs basse alors chauffer fort

Plus la sortie prconise doit tre respecte

fA!

Fonction dappartenance

Ici, la conclusion de la rgle floue est lappartenance de la variable floue de sortie

Conclusion :

W est B

fB !

Fonction dappartenance

chauffer la classe de sortie fort

Cette appartenance dpend de :

!
"
fB ! (y) = sup # fA! (x), f (x, y)

y Y

xX

IV- Le raisonnement flou

1- Introduction

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

la classe floue de sortie considre

du degr de validit de la prmisse

de la mthode dimplication choisie

IV- Le raisonnement flou

5- Conclusions

1- Introduction

4- Modus ponens gnralis : exemple

2- Ensembles flous

premisse (x0 )

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

3- Infrence floue

4- Raisonnement flou

50

5- Conclusions

4- Combinaison de rgles

Rgle : si la temprature est trs basse alors chauffer fort


!

$
#
conclusion (y) = supxX minyY premisse (x), f (x, y)
"
#
= minyY premisse (x0 ), f (x0 , y)
(en utilisant
limplication de Mamdani)
"
#
= minyY "premisse (x0 ), min(premisse#(x0 ), conclusion (y)
(y)
minyY
pr
emisse
0 ),
='conclusion
( y ) =MIN
(xconclusion
((x
prmisse
0 ), conclusion ( y ))

Fait : T = 3C

"

R1 : Si X1 est A11 ET X2 est A12

alors Y est B1

R2 : Si X1 est A21 ET X2 est A22

alors Y est B2

R3 : Si X1 est A31 ET X2 est A32 ET X3 est A33 alors Y est B3

...

Temprature trs basse

0.8

Chauffer fort

0.8

0.6

0.6

0.4

0.4

0.2

0.2

-10

T(C)
-5

10

15

Une rgle est active ds quelle a une prmisse ayant une valeur de vrit non
nulle

0.7

Plusieurs rgles peuvent tre actives simultanment et conclure sur des


conclusions de degrs de vrit diffrents ventuellement contradictoires.

12KW
Puissance chauffe(KW)
5

10

15

Il faut agrger les conclusions et leur degr de vrit

T=3C

Selon cette rgle, si T = 3C alors la puissance de chauffe = 12 kW


IV- Le raisonnement flou

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

51

III- Linfrence floue

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

52

1- Introduction

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

1- Introduction

4- Combinaison de rgles

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

4- Combinaison de rgles

On considre que les rgles sont lies par un oprateur OU

B (y) = Max[Bi (y)]


i

i : indice des rgles actives

III- Linfrence floue

1- Introduction

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

53

5- Conclusions

III- Linfrence floue

1- Introduction

On considre un moteur dinfrence 4 rgles qui


fournit pour sa sortie tension S1, les rsultats
suivants :

Moteur
dinfrences
4 rgles

R3
R4

Tension de sortie
Moyenne

1 Petite

1 Petite

Implication floue
de Mamdani
Volt(v)

III- Linfrence floue

10

Tension de sortie
Moyenne

Volt(v)
2

0.4

0
0

10

Volt(v)
2

10

Grande

On a alors une fonction dappartenance en sortie

0.4

Il faut dfuzzifier

0.2
0
0

0.6

0.2

0.6

Agrgation
des conclusions

0.2

0.6

1
0.8

0.4

0.8

5- Conclusions

Tension de sortie

Grande

0.6

Grande

0.2

4- Raisonnement flou

0.8

0.8

0.4

3- Infrence floue

Tension de sortie
Moyenne

1 Petite

petite=0.6
petite=0.7
moyenne=0.3

grande=0.1

R2

2- Ensembles flous

54

4- Combinaison de rgles : exemple

4- Combinaison de rgles : exemple

R1

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

Volt(v)
2

10

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

55

IV- Le raisonnement flou

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

56

1- Introduction

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

1- Introduction

1.

Mthode du centre de gravit (COG)

2.

sortie =

" y ! dy
S

" ( y )! dy

La dfuzzification COG est presque toujours employe en commande floue

La dfuzzification MM est plutt employe lorsquil sagit de discriminer une valeur

" dy

de sortie

$&
%&
o S = ' y0 # U / ( y0 ) = SUP ( ( y ))(
y#U
)&
*&

= Toutes les valeurs de sorties considres


Tension de sortie

(ex : reconnaissance de formes)

Tension de sortie

0.8

0.8

0.6

0.6

0.4

0.4

0.2

0.2

Volt(v)
2

3,5V

10

III- Linfrence floue

1- Introduction

5- Conclusions

U = Univers du discours

4- Raisonnement flou

Mthode moyenne des maximums (MM)


Cest la moyenne des valeurs de sorties
les plus vraisemblables

" y ! ( y )! dy

sortie = U

3- Infrence floue

4- Deux principales mthodes de dfuzzification

4- Deux principales mthodes de dfuzzification

Cest labscisse du centre de gravit


de la surface sous la courbe rsultat

2- Ensembles flous

0
0

Volt(v)
2

1,9V

10

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

57

5- Conclusions

III- Linfrence floue

1- Introduction

4- Synthse dune prise de dcision par logique floue

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

58

5- Conclusions

4- Exemple : notation de copies par logique floue

On choisit :
Rsultats obtenus (sur 20)
Mthodes utilises (sur 20)
Prsentation (sur 20)

Systme
dinfrences
floues

valuation du travail (sur 20)

Classes dappartenance :

IV- Le raisonnement flou

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

59

Rsultats dans {mdiocre, moyen, excellent}


Mthode dans {mdiocre, moyen, excellent}
valuation dans {mdiocre, mauvais, moyen, bon, excellent}

IV- Le raisonnement flou

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

60

1- Introduction

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

1- Introduction

4- Exemple : notation de copies par logique floue

1- Introduction

2- Ensembles flous

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

3- Infrence floue

4- Raisonnement flou

5- Conclusions

Base de rgles :

Sortie :

IV- Le raisonnement flou

3- Infrence floue

4- Exemple : notation de copies par logique floue

Choix des fonctions dappartenance

Entre :

2- Ensembles flous

4- Raisonnement flou

61

5- Conclusions

1.
2.
3.
4.
5.
6.
7.

Si (Rsultats est excellent) alors (Evaluation est excellent)

8.
9.

Si (Rsultats est mdiocre) et (Mthodes est excellent) alors (Evaluation est moyen)

Si (Rsultats est moyen) alors (Evaluation est moyen)


Si (Rsultats est mdiocre) alors (Evaluation est mdiocre)
Si (Rsultats est moyen) et (Mthodes est mdiocre) alors (Evaluation est mauvais)
Si (Rsultats est moyen) et (Mthodes est excellent) alors (Evaluation est bon)
Si (Rsultats est mdiocre) et (Mthodes est moyen) alors (Evaluation est mauvais)
Si (Rsultats est excellent) et (Mthodes est excellent) et (Prsentation est excellent)
alors (Evaluation est excellent)

Si (Rsultats est excellent) et (Mthodes est mdiocre) alors (Evaluation est moyen)

IV- Le raisonnement flou

1- Introduction

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

62

5- Conclusions

4- Exemple : notation de copies par logique floue

4- Exemple : notation de copies par logique floue

Choix des oprateurs flous

Surface de dcision obtenue

ET flou
OU flou
Implication floue
Agrgation des rgles
Dfuzzyfication
: COG

: MIN
: MAX
: MIN
: MAX

Obtenue pour une valuation de la prsentation de 10/20


V- Conclusions

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

63

IV- Le raisonnement flou

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

64

1- Introduction

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

1- Introduction

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

4- Exemple : notation de copies par logique floue

Surface de dcision obtenue

5. Conclusion et bilan

-----------------------------------

Dcision selon modle linaire :

Dcision selon logique floue

note = 0.6 rsultats + 0.3 mthode + 0.1 prsentation

( Obtenues pour une valuation de la prsentation de 10/20 )


IV- Le raisonnement flou

1- Introduction

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

65

5- Conclusions

V- Conclusions

1- Introduction

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

66

5- Conclusions

5- Contrleurs flous

5- Champs dapplication

c +-

Rgulateur flou

Systme

Aide la dcision, au diagnostic

domaine mdical, orientation professionnelle, ...

Bases de donnes

objets flous, requtes floues


Oprateurs de
logique floue

Reconnaissance de formes
Variables
dentre

Agrgation multicritre et optimisation

V- Conclusions

e1
e2 .
..
e

Commande floue de systmes

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

Ensembles
flous

67

V- Conclusions

Pr-traitement

Fuzzification

Base de rgles
floues

Mthode
dinfrence
floue

Raisonnement
flou

Dfuzzificateur
Variables
de sortie
Dfuzzification

Post-traitement ..
.

u1
u2
un

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

68

1- Introduction

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

5- Conclusions

1- Introduction

Fuzzy set theory : dfinition des ensembles flous et des oprateurs associs

Systmes experts ; aide la dcision en mdecine ; commerce ...

1974 : Premire application industrielle

appareils lectromnagers (lave-linge, aspirateurs, autocuiseurs,...etc) ,

systmes automobiles embarqus (BVA, ABS, suspension, climatisation,...etc.),

systmes audio-visuels (appareils de photos autofocus, camscope stabilisateur d'images,

systmes autonomes mobiles,


systmes de dcision, diagnostic, reconnaissance,
systmes de contrle/commande dans la plupart des domaines industriels de production.

Processeurs ddis et des interfaces de dveloppement spcifiques

Rgulation floue dune chaudire vapeur ralise par Mamdani

Longtemps universitaire

Ex: la famille des processeurs WARP (Weight Associative Rule Processor) de SGS-THOMSON
dont les principales caractristiques sont les suivantes :

1985 : Les Japonais lancent des produits avec Fuzzy Logic Inside

Machines laver ; appareils photos ; ...

V- Conclusions

1- Introduction

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

2- Ensembles flous

5- Conclusions

photocopieurs,...)

1970 : Premires applications

4- Raisonnement flou

1990: Gnralisation de lutilisation de cette technique.

1965 : Concept densemble flou introduit par Lofti Zadeh (Berkeley)

3- Infrence floue

5- Historique : la maturit

5- Historique

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

69

5- Conclusions

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.

V- Conclusions

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

1- Introduction

2- Ensembles flous

3- Infrence floue

4- Raisonnement flou

70

5- Conclusions

Rfrences
Remerciements

B. Bouchon-Meunier : La logique floue . PUF Que Sais-Je ?

L. Gacogne : lments de logique floue . Herms, 1997.

M. Stefick : Introduction to Knowledge Systems . Morgan Kaufmann, 1995.

Ces transparents reprennent en partie ceux de :

Matthieu Lescieux

dont les transparents sont trs bien faits.

Merci !!

V- Conclusions

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

71

V- Conclusions

Intelligence Artificielle - Logique Floue ! A. Cornujols 2013

72