Vous êtes sur la page 1sur 28

Travaux de recherche

Universit
e Mohamed Premier
D
epartement de math
ematiques

THEORIE
DES POSSIBILITES

presentee et soutenue par

Sidi Mohammed BOUGHALEM


le 18 Juillet 2013

Professeur encadrant
Monsieur Allal JELLOUL

Table des mati`


eres
I

Introduction
I.1 Preambule . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
I.2 Historique sur la theorie des possibilites . . . . . . . . . . . . . . . . .

II Notions sur les ensembles flous


II.1 Quelques definitions . . . . . . . . . . . . . . .
II.1.1 Incertitude et imprecision . . . . . . . .
II.1.2 Degre de verite et degre de croyance . .
II.2 La theorie des sous-ensembles flous . . . . . . .
II.2.1 Definition dun sous-ensemble flou . . . .
II.2.2 Caracteristiques dun sous-ensemble flou
II.2.3 Operations sur les sous-ensembles flous .
II.3 La logique floue . . . . . . . . . . . . . . . . . .
III Th
eorie des possibilit
es
III.1 Mesure et distribution de possibilite . . . . .
III.1.1 Definition . . . . . . . . . . . . . . . .
III.1.2 Construction . . . . . . . . . . . . . .
III.2 Mesure et distribution de necessite . . . . . .
III.2.1 Definition . . . . . . . . . . . . . . . .
III.2.2 Construction . . . . . . . . . . . . . .
III.3 Relations entre les mesures de possibilite et de
III.4 Fonctions de croyances et de plausibilite . . .
III.4.1 Definitions . . . . . . . . . . . . . . . .
III.4.2 Fonction de croyance . . . . . . . . . .
III.4.3 Fonction de plausibilite . . . . . . . . .
IV Application

3
3
3

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

5
5
5
5
6
6
7
8
10

. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
necessite
. . . . .
. . . . .
. . . . .
. . . . .

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

11
11
11
12
12
13
13
13
14
14
15
15

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

16

Remerciements
A lissue de ce travail, Je tiens, et avant toute chose, a` exprimer ma sinc`ere
reconnaissance et mon profond remerciement `a Monsieur le professeur J. ALLAL,
Professeur a` la Faculte des Sciences-Oujda, pour son encadrement fructueux, sa patience, son amabilite et son profond et rare sens de lhumanite.

Le bon deroulement de mon projet, jusqu`a son heureux denouement, est en


grande partie grace `a lui.
Il ma propose ce travail, a veille et suivi de tr`es pr`es son avancement et ma fait
decouvrir de nouvelles horizons qui, jusque l`a metaient bien inconnus. Cest un incommensurable plaisir de vous exprimer mes vives gratitudes.

Chapitre I
Introduction
I.1

Pr
eambule

La theorie possibiliste ou la theorie des possibilites suscite actuellement un interet


general de la part des chercheurs qui eprouvent les besoins de generaliser des modes
de raisonnements naturels, dautomatiser la prise de decision dans leurs domaines
et de construire des syst`emes artificiels effectuant les taches habituellement prise en
charge par les humains.
Dapr`es Bernadette Bouchon-Meunier(1993) : nos connaissances sont souvent imparfaites, soit parce quelles sont incertaines (il y a un doute sur leur validite) ou
imprecises (il y a une difficulte a les exprimer clairement). Ainsi, le monde reel apparait a` la fois imprecis et incertain, les limites des etats de la nature ne sont pas
toujours tr`es nettes, meme les donnees bien connues de lunivers sont parfois approximatives.

I.2

Historique sur la th
eorie des possibilit
es

Les Grecs furent les premiers a` etudier systematiquement la logique, en proposant le principe de bivalence (Toute proposition est soit vraie soit fausse) ainsi que la
loi de non contradiction (Une proposition ne peut pas etre vraie et fausse au meme
temps)
Exemple de loi de contradiction :
etre vraie et fausse en meme temps.

Cette phrase est vraie

cette phrase peut

D`es le 17`eme si`ecle lincertain a ete aborde par la notion de probabilite, mais
cette derni`ere ne permet pas de traiter des croyances subjectives ni de resoudre le
probl`eme pose par les connaissances imprecises ou vagues.
A partir de 1965 ces derni`eres ont ete prises en consideration quand L.A. Zadeh, Professeur a` luniversite de Californie a` Berkeley, a introduit la notion de sous-ensemble
flou,  fuzzy set . Aussi, au debut du XX`eme si`ecle, Lukasiewicz a propose de remplir le principe de bivalence par le principe plus general de valence (Tout proposition
a une valeur de verite).
Exemple de Bivalence : Considerons un barbu B avec N poils `a sa barbe. Si
on retire un poil de sa barbe, il reste barbu. Si on rep`ete loperation, cest la meme
chose. Pourtant, si on lui retire successivement N poils, il nest effectivement plus
barbu, De cette mani`ere, la proposition peut se voir attribuer une valeur de verite
comprise entre 0 et 1.
Ensuite, il a egalement introduit en 1978 la theorie des possibilites constituant un
cadre permettant de traiter des concepts dincertitude de nature non probabiliste.
Lorsquelle est consideree a` partir de la notion densemble flou, la theorie des possibilites nous permet dexploiter, dans un meme formalisme, imprecisions et incertitudes.

Chapitre II
Notions sur les ensembles flous
II.1
II.1.1

Quelques d
efinitions
Incertitude et impr
ecision

Lincertitude est le fait de ne pas connaitre ou prevoir letat de la realite pour


determiner la valeur de verite dune proposition. Limprecision fait reference a` la
description incompl`ete dun etat de la realite par une proposition.
Pour mieux illustrer la difference entre ces deux concepts, on peut citer lexemple
classique de Jim Bezdek : On se trouve dans un desert, apr`es des jours derrance...
Presque mort de soif, on trouve alors 2 bouteilles remplies dun liquide. Sur la bouteille A, une etiquette annonce potable avec un degre 0.9, et sur la bouteille B,
letiquette dit potable avec une probabilite 0,9. Laquelle de ces 2 bouteilles peut
on boire ?. Si lon traduit les indications des etiquettes, on en retire quen buvant
la bouteille A, on pourra sen tirer avec comme seuls risques, quelques probl`emes
intestinaux non mortels... Par contre, en buvant la bouteille B, il y a une probabilite
non negligeable (10% de chance) que le liquide puisse etre tr`es nocif (acide,...) et
carrement non buvable.

II.1.2

Degr
e de v
erit
e et degr
e de croyance

Le degre de verite est le degre de precision dune proposition vis-`a-vis la realite.


Le degre de croyance est le degre de precision dune proposition vis-`a-vis lensemble
de connaissances dun observateur.
Exemples :
Pour chercher la quantite de pluie journali`ere `a Oujda, on se basera sur la frequence

de pluie observee chaque jour (verite), par contre si on sinteresse a` la date de naissance de la generation avant-guerre, on se basera sur les connaissances detenues par
les individus (croyance).
Dans le but de generaliser les relations unaires telles que x est grand ou x est tr`es
grand et des relations binaires telles que x est voisin de y ou x est nettement
plus petit que y, puis les quantificateurs flous, essentiellement adaptes a` la description des situations intermediaires, telles que la plupart, peu de, presque
tous ... Nous serons amenes a` presenter la theorie des ensembles flous.

II.2

La th
eorie des sous-ensembles flous

La theorie des ensembles flous est en fait selon Zadeh, un pas vers un rapprochement entre la precision des mathematiques classiques et la subtile imprecision du
monde reel : un rapprochement ne de lincessante quete humaine pour une meilleure
comprehension des cheminements mentaux de la connaissance (Kaufman, 1973). Elle
a donc pour objet detude, la representation des connaissances imprecises et le raisonnement approche. De ce fait (Gacone, 1997), on peut la situer a` cote des heuristiques
de resolutions de probl`emes, des syst`emes experts, de lapprentissage, de lintelligence
artificielle distribuee et meme du traitement de la langue naturelle.
Dans ce qui va suivre, nous allons presenter les concepts de base et les principes
de larithmetique de la theorie des ensembles flous.

II.2.1

D
efinition dun sous-ensemble flou

Dans la theorie des ensembles classiques, il ny a que deux situations acceptables


pour un element, appartenir ou ne pas appartenir a` un sous-ensemble. Le merite de
Zadeh a ete de tenter de sortir de cette logique booleenne en introduisant la notion de
fonction dappartenance pour permettre des graduations dans lappartenance dun
element a` un sous ensemble, cest-`a-dire dautoriser un element a` appartenir plus,
moins, fortement. . . a` ce sous-ensemble.
Soit X un ensemble reference, et x un element de X. Un sous ensemble flou A est un
ensemble de X, defini comme lensemble des couples

A = {(x, A (x)), x X} caracterise par une fonction dappartenance :


A :

X [0, 1]
x 7 A (x)

(II.1)

Remarque :
On peut faire remarquer que si A est un sous-ensemble classique, la fonction dappartenance qui lui est associee ne peut prendre que les valeurs extremes 0 et 1.

II.2.2

Caract
eristiques dun sous-ensemble flou

Un sous-ensemble flou est compl`etement defini par la donnee de sa fonction dappartenance. A partir dune telle fonction, un certain nombre de caracteristiques du
sous-ensemble flou peuvent etre etudiees.
Support et hauteur
Ces deux caracteristiques, pour lessentiel montrent, dans quelle mesure un sousensemble flou A de X diff`ere dun sous-ensemble classique de X. La premi`ere est le
support et la deuxi`eme la hauteur.
Le support dun sous-ensemble flou A de X, note Supp (A), est lensemble de tous
les elements qui lui appartiennent au moins un petit peu. Formellement :
Supp(A) = {x X \ A (x) > 0}

(II.2)

La hauteur dun sous-ensemble flou A de X, notee h(A), est le plus fort degre avec
lequel un element de X appartient `a A. Formellement :
h(A) = sup A (x)

(II.3)

xX

Noyau
Le noyau dun sous-ensemble flou A de X, note Ker (A), est lensemble de tous
les elements qui lui appartiennent totalement. Formellement :
Ker(A) = {x X \ A (x) = 1}
7

(II.4)

Cardinalit
e
La cardinalite dun sous-ensemble flou A de X, note | A |, est le nombre delements
appartenant `a A pondere par leur degre dappartenance. Formellement, pour A fini :

| A |=

A (x)

xX

Remarque :
Si A est sous-ensemble ordinaire de X, sa cardinalite est le nombre delements
qui le composent, selon la definition classique.
Les coupes
Le sous-ensemble ordinaire A de X associe a` A pour le seuil est lensemble des
elements qui appartiennent a` A avec un degre au moins egal `a . On dit que est
l0 coupe de A. Formellement :
A = {x X \ A (x) }

II.2.3

(II.5)

Op
erations sur les sous-ensembles flous

Etant
donne que le concept de sous-ensemble flou peut-etre vu comme une generalisation
du concept densemble classique, on est conduit `a introduire des operations sur les
sous ensembles flous qui sont equivalentes aux operations classiques de la theorie des
ensembles lorsquon a affaire `a des fonctions dappartenance `a valeurs 0 ou 1. On
presente ici, les operations les plus couramment utilisees.

Egalit
e
Deux sous-ensembles flous A et B de X sont egaux, si leurs fonctions dappartenance prennent la meme valeur pour tous les elements x de X. Formellement :
A = B x X, A (x) = B (x)
Compl
ement
Le complementaire dun sous-ensemble flou A de X note A est defini par :
A = {(x, A (x)) \ x X, A (x) = 1 A (x)
8

Remarque :
Contrairement aux sous-ensembles classiques, les proprietes de non contradiction et
du tiers exclus ne sont pas satisfaites ici :
A A 6=

et

A A 6=

Par contre, les autres proprietes sont conservees, notamment :


A = A ; = X ; X = ; | A | + | A |=| X | si X est f ini.
Inclusion
Soit A et B deux sous-ensembles flous de X . Si pour nimporte quel element x
de X, x appartient toujours moins `a A qu`a B, alors on dit que A est inclus dans B.
Formellement :
A B x X, A (x) B (x)
Union
Lunion de deux sous-ensembles flous A et B de X est le sous-ensemble flou
constitue des elements de X affectes du plus grand des degres avec lesquels ils appartiennent a` A et B. Formellement :
A B = { (x, AB (x)) \ x X, AB (x) = max(A (x), B (x)) }

(II.6)

Intersection
Lunion de deux sous-ensembles flous A et B de X est le sous-ensemble flou
constitue des elements de X affectes du plus petit des degres avec lesquels ils appartiennent a` A et B. Formellement :
A B = { (x, AB (x)) \ x X, AB (x) = min(A (x), B (x)) }

(II.7)

Remarque :
Comme pour les ensembles classiques, toutes les proprietes de treillis distributif et
les relations de Morgan restent valables, ainsi que lidempotence.

II.3

La logique floue

La logique floue (fuzzy logic, en anglais) est une extension de la logique booleenne
creee par Lotfi Zadeh en 1965, en se basant sur sa theorie mathematique des ensembles flous. Elle introduit la notion de degre dans la verification dune condition,
permettant ainsi a` une condition detre dans un autre etat que vrai ou faux, la
logique floue conf`ere une flexibilite tr`es appreciable aux raisonnements qui lutilisent,
ce qui rend possible la prise en compte des imprecisions et des incertitudes.
Un des interets de la logique floue pour formaliser le raisonnement humain est que
les r`egles sont enoncees en langage naturel. Voici par exemple quelques r`egles de
conduite quun conducteur suit, en supposant quil tienne `a son permis :
Si le feu est
rouge...
Si le feu est
rouge...
Si le feu est
orange...
Si le feu est
vert...

si ma vitesse
elevee...
si ma vitesse
faible...
si ma vitesse
moyenne...
si ma vitesse
faible...

est
est
est
est

et si le feu
proche...
et si le feu
loin...
et si le feu
loin...
et si le feu
proche...

est
est
est

alors je freine
fort.
alors je maintiens
ma vitesse.
alors je freine
doucement.

est
alors jaccel`ere.

Table II.1 Exemple de commandes de r`egles de conduites


Intuitivement, il semble donc que les variables dentree a` linstar de cet exemple sont
appreciees par le cerveau de mani`ere approximative, correspondant ainsi au degre de
verification dune condition de la logique floue.

10

Chapitre III
Th
eorie des possibilit
es
La theorie des possibilites est issue de la theorie des ensembles flous et de la
theorie de la logique floue. Lotfi Zadeh (1978) f
ut le premier a avoir introduit cette
theorie afin de permettre la prise en compte combinee `a la fois de limprecision et de
lincertitude dans des connaissances.
D. Dubois et H. Prade (1985) soulignent le fait que la theorie des Probabilites ne
permet pas de representer la difference entre deux etats de connaissance se distinguant uniquement par une difference de confiance dans les informations disponibles.
Ainsi, ils introduisent loutil des mesures de possibilite comme outil de representation
de lincertain plus general permettant de representer lignorance et de prendre en
compte la pertinence dune information incertaine.

III.1

Mesure et distribution de possibilit


e

III.1.1

D
efinition

Une mesure de possibilite, note est une application qui attribue a` chaque
evenement defini sur X, cest-`a-dire tout element de P(A), un coefficient entre 0
et 1 evaluant a` quel point cet evenement est possible.
Plus precisement, : P(A) [0, 1] telle que :
i) () = 0 , (X) = 1 ;
ii) A1 , A2 , ... P(X)

11

Ai ) = sup (Ai )
i=1,2,...

i=1,2,...

Remarque :
Pour deux ensembles A et B de X, ii) devient : (A B) = max((A), (B)).
Une mesure de possibilite nest donc pas additive.
Pour lintersection de deux ensembles A et B de X :
(A B) min((A), (B))
Une mesure de possibilite peut etre caracterisee par une fonction : X [0; 1]
satisfaisant la condition de normalisation suivante : supxX (X) = 1.
Cette fonction est appelee distribution de possibilite.
Une distribution de possibilite peut etre construite `a partir dune mesure de possibilite et vice versa de la mani`ere suivante :

III.1.2

Construction

Une mesure de possibilite peut etre definie `a partir dune distribution de possibilite de la mani`ere suivante :
A P(X) : (A) = sup (X)
xX

Reciproquement, une distribution de possibilite peut etre definie a` partir de la


mesure de possibilite , dans le cas o`
u X est denombrable, de la mani`ere suivante :
x X : (A) = sup (X)
xX

III.2

Mesure et distribution de n
ecessit
e

La mesure de necessite est une mesure duale associee a` la mesure de possibilite.


Elle a ete introduite dans la theorie des possibilites pour donner plus dinformation
sur un evenement A relatif `a X. En effet, linconvenient de la mesure de possibilite est
quelle peut produire pour un evenement A les deux resultats : (A) = 1 et (Ac ) =
1 o`
u Ac est le complementaire de A dans X. Ce qui signifie quil peut y avoir une
ignorance totale sur la realisation de A avec cette seule information, do`
u le besoin
dune information complementaire sur la realisation de A qui est apportee par la
mesure de necessite.
12

III.2.1

D
efinition

Une mesure de necessite N est definie sur N : P(X) [0, 1] de la mani`ere


suivante :
i) N () = 0 , N (X) = 1 ;
ii) A1 , A2 , ... P(X)

N(

Ai ) = inf N (Ai )
i=1,2,...

i=1,2,...

III.2.2

Construction

Si la mesure de possibilite est definie a` partir dune distribution de possibilite


, la mesure de necessite N duale de peut etre definie a` partir de comme suit :
A P(X), N (A) = inf (1 (x))
xA
/

III.3

Relations entre les mesures de possibilit


e et
de n
ecessit
e

Le couple (N (A), (A)) mesure la croyance en la realisation dun evenement


A relatif `a X. Il joue le role de la probabilite de la realisation de levenement A
lorsque celle-ci ne peut etre calculee. La quantite (A) mesure le degre avec lequel
levenement A est susceptible de se realiser, alors que la quantite N(A) indique le
degre de certitude que lon peut attribuer a` cette realisation.
Ainsi, la realisation de levenement A est certaine N (A) = 1 si et seulement si
celle de son complementaire est impossible ((Ac ) = 0).
Une mesure de possibilite est liee `a la mesure duale de necessite N par les
proprietes suivantes :

A P(X), N (A) = 1 (Ac )


(A) N (A)
max((A), 1 N (A)) = 1
N (A) 6= 0 (A) = 1
(A) 6= 1 N (A) = 0
13

Interpr
etation :
Pour un x E, un ensemble non vide.
- Levenement A est dit possible si et seulement si

1 si A E 6= 0
(A) =
0 sinon
- Levenement A est dit certain si et seulement si

1 si E A
N (A) =
0 sinon
- Levenement A est certain si et seulement si son contraire est impossible, plus
precisement : A est certain N (A) = 1 (nonA)
- On dit quil y a ignorance totale sur A si et seulement si :
(A) = (nonA) = 1 (N (A) = 0)
Remarque :
si N (A) > 0 alors (A) = 1 (ce qui est certain est necessairement possible)

III.4

Fonctions de croyances et de plausibilit


e

Un cadre general pour la theorie des probabilites et la theorie des possibilites


est la theorie de levidence (ou des fonctions de croyance) (Dempster, 1967) (Shafer,
1976). Ce cadre permet dintroduire les fonctions de croyance et de plausibilite qui
permettent de construire un encadrement contenant des distributions de possibilites
representant les donnees.
De ce fait, nous aurons pleinement besoin des definitions suivantes :

III.4.1

D
efinitions

Masse de croyance
Une masse de croyance notee M, est une fonction de P(X) dans [0,1] telle que :
X
M(A) = 1 et M(A) = 0
AP(X)

14

ement focale
El
Un element focal est une partie E (X E 6= ) telle que M(E) > 0.
Soit F lensemble des elements focaux de X. Le couple (F, M) est appele corps
devidence.
Lelement focal correspond `a un evenement auquel les observateurs croient, ne serait
ce quun peu.

III.4.2

Fonction de croyance

La fonction de croyance dun ensemble A de X, notee Bel (A), est definie par :
X
Bel(A) =
M(E)
{EF/AE}

O`
u {E F/A E} est lensemble des temoignages en faveur de A.

III.4.3

Fonction de plausibilit
e

La fonction de plausibilite dun ensemble A de X, notee Pl (A), est definie par :


X
P l(A) =
M(E)
{EF/AE6=0}

O`
u {E F/A E 6= 0} est lensemble des elements focaux qui ont une relation avec
A et le rendent possible.
Les elements focaux peuvent representer des observations imprecises sous forme
dintervalles emboites (E1 E2 ... En). Dans une telle situation, la fonction
de croyance Bel est une mesure de necessite et la fonction de plausibilite Pl est une
mesure de possibilites.
Ainsi, et dans ce cas, les fonctions de croyance et de plausibilite permettent de
considerer une distribution de possibilite comme une classe de mesures de probabilite telle que :
= {P r / A, N (A) P r(A) (A)}

15

Chapitre IV
Application
Afin dexemplifier chacune des definitions vues un peu plus haut, et afin de donner un petit go
ut de tout ce que nous avons vu, nous allons concevoir un syst`eme
dinference flou concret et assez simple, dont lobjectif est de decider du pourboire
a` donner `a la fin dun repas au restaurant en fonction de la qualite du service ainsi
que de la qualite de la nourriture, nous avons choisi cet exemple avec soin afin de
pouvoir modeliser tout ce que nous avons eu la chance de voir tout au long de ces
pages, sans pour autant, sy etre vraiment approfondis .

Pour commencer, il nous faudra redefinir des fonctions dappartenance pour


chaque sous-ensemble flou de chacune de nos trois variables :
V1 : qualite du service. Sous-ensembles flou associe : mauvais, bon et excellent.
V2 : qualite de la nourriture. Sous-ensembles flou associe : execrable et delicieux.
V3 : montant du pourboire. Sous-ensembles flou associe : faible, moyen et eleve.
Voici une figure montrant la fonction dappartenance choisie pour caracteriser le
sous-ensemble bon de la variable V1 (qualite du service) :

16

Afin de montrer un peu la difference et la malleabilite des ensembles flous par


rapport aux ensembles classiques, nous allons presenter ci dessous une petite comparaison entre une fonction dappartenance dun ensemble classique et une fonction
dappartenance dun ensemble flou.
Ici, la fonction dappartenance associees a` la variable V2 (qualite de la nourriture),
pour un ensemble classique :

17

Et l`a, celle de la meme variable, pour le sous-ensemble flou delicieux :

La figure suivante presente la fonction dappartenance du sous ensemble moyen


associee a` la variable V3 (montant du pourboire) sur laquelle nous avons fait figurer
les proprietes vus precedemment, `a savoir (II.2), (II.3), (II.4) et (II.5) :

18

Apr`es setre leg`erement familiarise avec les principales notions concernant les
ensembles flous, nous serons amenes a` definir les trois triplets (Vi , X, Ei ) pour les
fonctions dappartenances des trois ensembles plus haut :

Le triplet (V1 , X, E1 ) montrant la fonction dapprtenance de la variable Qualite


du service

19

Le triplet (V2 , X, E2 ) montrant celle de la variable Qualite de la nourriture

20

Et enfin, le triplet restant (V3 , X, E3 )

21

Remarque :
La forme de la fonction dappartenance est choisie arbitrairement en suivant les
conseils de lexpert ou en faisant des etudes statistiques : formes sigmode, tangente
hyperbolique, exponentielle, gaussienne ou de toute autre nature sont utilisables.

Afin de pouvoir manipuler aisement ces ensembles flous, nous rappelons les operateurs
flous de lintersection (ET) (II.6) et lunion (OU) (II.7) .
A partir de la representation des fonctions de chaque ensemble, et en utilisant les
operateurs flous, on arrive a` construire un ensemble de r`egles, qui definissent notre
syst`eme flous, et quon appellera : La matrice des decisions.

22

Si le service est mauvais ou la


nourriture est execrable
Si le service est bon.
.
Si le service est excellent ou la
nourriture est delicieuse

alors le pourboire
est faible.
alors le pourboire
est moyen.
alors le pourboire
est eleve.

Table IV.1 Matrice des decisions

Voici un petit exemple de traitement dune r`egle flou, considerons que la qualite de
la nourriture est notee 8,31 sur 10 ( V1 = 8.31 )
Et voici ce que nous obtenons pour la r`egle floue : Si la qualite de la nourriture
est delicieuse alors le pourboire sera eleve

Ainsi, et de la meme mani`ere, nous allons appliquer lensemble des 3 r`egles de


notre matrice de decision, sachant que la qualite du service (V1 ) est notee 7,83 sur
10 et la qualite de la nourriture (V2 ) 7,32 sur 10

23

Comme nous le voyons, il ne nous reste plus qu`a prendre la decision finale, a`
savoir quel pourboire :

Cette etape finale, qui permet de passer de lensemble flou issu de lagregation des
conclusions `a une decision unique, sappelle la defuzzification.
Il existe plusieurs definitions possibles de defuzzification, nous allons presenter bri`evement
les deux principales methodes de defuzzification : la methode moyenne des maxima
24

(MM) et la methode du centre de gravite (COG).


La defuzzification MM definit la sortie (decision du montant du pourboire) comme
etant la moyenne des abscisses des maxima de lensemble flou issu de lagregation
des conclusions. Formellement, on a :
R
y.dy
o`
u
S = {ym R, sup (y)}
V3 = D
ecision = RS
dy
yR
S
Avec R lensemble flou issu de lagregation des conclusions :

La defuzzification COG est plus couramment utilisee. Elle definit la sortie comme
correspondante a` labscisse du centre de gravite de la surface de la fonction dappartenance caracterisant lensemble flou issu de lagregation des conclusions. Formellement, on a :
R
y.(y).dy
V3 = D
ecision = RS
o`
u
S = {ym R, sup (y)}
(y).dy
yR
S
Avec R lensemble flou issu de lagregation des conclusions :

25

Cette definition permet deviter les discontinuites qui pouvaient apparatre dans
la defuzzification MM, mais est plus complexe et demande des calculs plus importants. Certains travaux cherchent a` ameliorer les performances en cherchant dautres
methodes aussi efficaces mais avec une complexite algorithmique moindre. Comme
nous le voyons sur les 2 figures montrant les methodes de defuzzification MM et COG
appliquees a` notre exemple, le choix de cette methode a un effet important sur la
decision finale.
Ainsi, toute la puissance de la logique floue est de rendre possible la mise en place
de syst`emes dinference dont les decisions sont sans discontinuites, flexibles et non
lineaires, plus proche du comportement humain que ne lest la logique classique.

26

Bibliographie
[1] BERNADETTE BOUCHON-MEUNIER : La logique floue et ses applications
(Addison-Wesley,Paris, 1995)
[2] BERNADETTE BOUCHON-MEUNIER : logique floue (P.U.F. Que sais-je ?
,Paris, 2007)(p. 7-27, p.41-75, p.121-123)
[3] D. DUBOIS and H. PRADE : Possibility Theory (Plenum,New York, 1980)
[4] SHAFER, G. : A mathematical theory of evidence (Princeton University Press,
1976)

[5] GACOGNE,
L. : Elements de logique floue (Hermes,Paris, 1997)
[6] KAUFMANN A. : Introduction `a la theorie des sous-ensembles flous, vol. 1
(Masson, Paris, 1973)
[7] IMOUSSATEN, A. : Modelisation et pilotage de la phase de deliberation dans
une decision collective. (Th`ese de doctorat, Paris : Ecole des Mines de Paris,
2011)
[8] L.A. ZADEH : Fuzzy sets as a basis for a theory of possibility,Vol.1, No1 (Electronics Research Laboratory, College of Eng., University of California, 1977)
[9] L.A. ZADEH : Concept of a Linguistic Variable and its Application to approximate reasoning, parts 1 and 2 (Information Sciences, vol. 8, 1995)

27