Introduction la logique floue.

Fuzzy logic
Application la commande floue

Matthieu Lescieux
 Plan du cours.
1. Prsentation Exemples introductifs
Logique floue vs boolenne
Champs dapplications et historique

2. Concepts principaux Ensemble flou

Oprateur logique floue
Fuzzification>>Infrences floues>>Dfuzzification

3. Fuzzification Variables linguistiques

Comment fuzzifier?

4. Infrences floues Principe du raisonnement approximatif

Base de rgles
Mthodes dinfrences floues

5. Dfuzzification Mthodes de dfuzzification

Synthse gnrale

6. Exemple complet de prise de dcisions floues

2
 Nous faisons de la logique floue.

Exemple de rgles floues:

Rgles de conduite automobile lapproche dun carrefour contrl par des feux tricolores.

si le feu est si ma vitesse est leve et si le feu est

alors je freine fort.
rouge... ... proche ...

si le feu est alors je maintiens ma

si ma vitesse est faible ... et si le feu est loin ...
rouge... vitesse.

si le feu est si ma vitesse est

et si le feu est loin ... alors je freine doucement.
orange... moyenne ...

et si le feu est
si le feu est vert... si ma vitesse est faible ... alors j'acclre.
proche ...

Les rgles floues sont nonces en langage naturel 3

 sans le savoir!
Transposition de notre exemple selon un modle plus
mathmatique moins flou

Si le feu est rouge, si ma vitesse dpasse 85,6 Km/H et si le feu est

moins de 62,3 mtres, alors j'appuie sur la pdale de frein avec une
force de 33,2 Newtons !!!

Notre cerveau fonctionne en logique floue.

Elle apprcie les variables d'entres de faon approximative (faible, leve, loin,
proche), fait de mmes pour les variables de sorties (freinage lger ou fort) et dicte un
ensemble de rgles permettant de dterminer les sorties en fonction des entres.
4
 Limite de la logique boolenne
un patient atteint d'hpatite prsente gnralement les symptmes suivants :
Le patient a une forte fivre,
sa peau prsente une coloration jaune,
il a des nauses.
Ensemble classique Ensemble flou
1
Avoir une forte fivre 1 Avoir une forte fivre

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 T(C) 0 T(C)
36 37 38 39 40 41 42 36 37 38 39 40 41 42

Si le patient 38,9C de temprature

Logique classique
Le patient na pas de forte fivre Le patient na pas dhpatite.

Logique floue
Le patient a une forte fivre 48% Le patient a une hpatite x %.
5
Champ dapplications de la logique floue

Aide la dcision, au diagnostic.

(domaine mdical, orientation professionnelle)

Base de donnes.
(objets flous et/ou requtes floues)

Reconnaissance de forme.

Agrgation multicritre et optimisation

Commande floue de systmes

6
 Bref historique: les dbuts

1965: Concept introduit par Pr. Lotfi Zadeh (Berkeley):

Fuzzy set theory : Dfinition des ensembles flous et oprateurs associs

1970: Premires applications: Systmes experts, Aide la dcision en

mdecine,commerce

1974: Premire application industrielle. Rgulation floue dune

chaudire vapeur ralise par Mamdani

Longtemps universitaire.

1985: Les premiers, les japonais introduisent des produits grand

public Fuzzy Logic Inside .
7
 Bref historique: la maturit

1990: Gnralisation de lutilisation de cette technique.

appareils lectromnagers (lave-linge, aspirateurs, autocuiseurs,...etc) ,
systmes audio-visuels (appareils de photos autofocus, camscope 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.

Il existe de processeurs ddis et des interfaces de

dveloppement spcifiques (Cf doc 68HC12 de Motorola en Annexe)
Ex: la famille des processeurs WARP (Weight Associative Rule Processor) de SGS-THOMSON
dont les principales caractristiques sont les suivantes :

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.

8
 Avertissement
Lapproche des problmes par la logique floue est diffrente de celle adopte, a
priori, dans une dmarche scientifique.

Elle est beaucoup plus pragmatique que dterministe.

La dcision en logique floue est base sur la notion dexpertise, qui permet de
quantifier le flou partir de connaissance a priori ou acquise antrieurement.
Ne pas tre trop cartsien pour aborder la logique floue

Il nest pas ncessaire davoir un modle entres/sorties dune

voiture pour pouvoir la conduire de manire satisfaisante.

9
 Les 2 concepts principaux de la logique floue

1. Les ensembles et variables flous et oprateurs associs.

2. Prise de dcision partir dun base de rgles SIALORS..

Cest linfrence floue.

10
 Lensemble flou
A Soient U: Lunivers du discours.
U A: un sous-ensemble de U

Thorie classique des ensembles:

Si A est la fonction d ' appartenance de l ' ensemble A
x U A x 0 si x A
A x 1 si x A

Concept densemble flou:

Si A est la fonction d ' appartenance de l ' ensemble flou A
x U A x 0;1

Si A x =0,30
x appartient lensemble flou A avec un degr dappartenance de 30%

degr dappartenance = valeur de vrit.

11
Un ensemble flou est totalement dtermin par sa fonction dappartenance
 Exemples densembles flous.
Ensemble flou " Personne de petite taille" Ensemble flou: "Personne de taille moyenne" Ensemble flou :"Personne de grande taille"
Petit Moyen Grand
1 1 1

0.8 0.8 0.8

0.6 0.6 0.6

0.4 0.4 0.4

0.2 0.2 0.2

Taille(m) Taille(m) Taille(m)

0 0 0

1.5 1.55 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 1.9 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

Petit Moyen Grand
1

0.8 Ici, Pierre mesure 1m625

0.6
se traduit en logique floue par
Pierre est petit un degr de 75%
0.4
Pierre est moyen 25%
0.2 Pierre est grand 0%
Taille(m)
0

1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9

12
 Fonctions dappartenances particulires
Lorsqu'un fait certain correspond l'nonc de la valeur d'une variable, on a un singleton:

x 0 x0 1 pour x x0
Fonction dappartenance de la classe Le feu est rouge

x 0 x 0 pour x x0
1
Couleur du
feu tricolore
rouge orange vert

Les ensembles classiques sont des cas particuliers d'ensemble flou.

Leurs fonctions d'appartenances valant 0 ou 1 sont en crneaux

Fonction dappartenance
de la classe la temprature est tide

1
T(C)
15C 20C

La logique floue englobe les donnes certaines 13

 Oprateurs de logique floue
Comme pour la thorie classique des ensembles.
On dfinit la runion, lintersection, le complment.densembles flous

La logique boolenne standard est un cas particulier de la logique floue

Tous les rsultats obtenus en logique classique doivent tre retrouvs par la logique floue

14
 La runion
A est lensemble flou des personnes petites.
B est lensemble flou des personnes moyennes.

Lensemble des personnes petites OU moyennes est un ensemble flou de

fonction dappartenance :
AB x max A x , B x x U

Partition floue de l'univers du discours Ensemble flou:"Personne petite OU moyenne"

Petit Moyen Grand
1 1

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

Taille(m) Taille(m)
0 0
15
1.5 1.55 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 1.9
 Lintersection
A est lensemble flou des personnes petites.
B est lensembles flou des personnes moyennes.

Lensemble des personnes petites ET moyennes est un ensemble flou de

fonction dappartenance :
AB x min A x , B x x U

Partition floue de l'univers du discours Ensemble flou: "Personne petite et moyenne"

Petit Moyen Grand
1 1

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

Taille(m) Taille (m)

0 0

1.5 1.55 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 1.9

16
 Le complment
A est lensemble flou des personnes petites.
Lensemble des personnes NON petites est un ensemble flou de fonction
dappartenance :
A x 1 A x x U

Partition floue de l'univers du discours Ensemble floue :"Personnes non petites"

Petit Moyen Grand
1 1

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

Taille(m)
0 0
Taille (m)
1.5 1.55 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 1.9

17
 Oprateurs flous alternatifs
Toute t-norme peut servir dfinir lintersection floue Toute t-conorme peut servir dfinir la runion 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:
1 est lment neutre x 0,1 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 ) Associative S ( x, S ( y, z )) S ( S ( x, y ), z )
Monotone si x z et y w alors T ( x, y ) T ( z , w) Monotone si x z et y w alors S ( x, y ) S ( z , w)

18
 Oprateurs logiques floues les plus utiliss: Synthse

Dnomination Intersection Runion Complment

ET OU NON
(t-norme) (t-conorme)
Oprateurs de
Zadeh AB x min A x , B x AB x max A x , B x A x 1 A x
MIN/MAX
Probabiliste
PROD/PROBOR AB x A x B x A x B x A x B x A x 1 A x

19
 Oprateurs logiques floues: synthses
les dfinitions d'oprateurs ET et OU, on retrouve les proprits des oprateurs boolens

Commutativit

Distibutivit
A B C A B A C

A B C A B A C
2 exceptions notables
Associaticit
1. En logique floue, le principe du tiers exclu est contredit.
A B C A B C

A B C A B C A A U i.e. A A x 1
Lois de Morgan
A B A B 2. En logique floue, on peut tre A et non A en mme

A B A B temps.
A A i.e. A A x 0

20
 Variables floues
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.

Exemple:

Univers du discours : Gamme de temprature de 0C 200C.

Variable linguistique : La temprature.
Valeurs linguistiques : Trs froid Froid Tempr Chaud Trs Chaud
21
 La fuzzification

Les systmes logique floue traitent de variables dentres floues

et fournissent de rsultats sur des variables de sorties elle-mmes floues

La fuzzification est ltape qui consiste en la quantification

floue des valeurs relles dune variable.

Pierre est petit un degr de 75%

Pierre mesure 1m625 Interface de
Pierre est moyen 25%
fuzzification Pierre est grand 0%

22
 Comment fuzzifier?
Pour fuzzifier, il faut donner:
1. Lunivers du discours
i.e.: 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.

Il faut fuzzifier les entres ET les sorties du processus flou.

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 oeuvre par la logique floue. Elle est souvent ralise de
manire itrative et requiert de l'exprience.
(Cf. suite: Application la commande floue)
23
 Base de rgles
Les systmes logique floue utilisent une expertise exprime sous
forme dune base de rgles du type: Si.Alors
Si X est A Alors Y est B

Si Temps est beau ET Moment est DbutMatine ALORS Moral est haut
Si Cours est Ennuyeux ET Moment est DbutCours ALORS Moral est bas
Si Cours est Intressant ET ChargedeTravail est Importante ALORS Moral est Maussade
Si .........

24
 Infrence floue
Si Temps est beau ET Moment est DbutMatine ALORS Moral est haut

Prmisses Conjonction Implication Conclusion

Infrence :
Opration logique par laquelle on admet une proposition en vertu de sa liaison avec
dautres propositions tenues pour vraies.

En logique classique En logique floue

Si p Alors q Si X est A Alors Y est B

p vrai Alors q vrai 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 prmisse25
 Principe du raisonnement approximatif

Plus la condition sur les entres est vraie.

Plus l'action prconise pour les sorties doit tre respecte

SI la temprature est trs basse ALORS Chauffer fort

La conclusion dune rgle floue est lappartenance dune

variable floue de sortie Chauffer une classe floue fort .

Cette appartenance dpend de :

1) La classe floue de sortie considre.

2) du degr de validit de la prmisse prmisses(x0).
3) de la mthode dimplication choisie.
26
 Mthodes dimplication
2 mthodes principales dimplication floue:

Mthode de Mamdani : 'conclusion y MIN prmisse x0 , conclusion y

y

Mthode de larsen : 'conclusion y prmisse x0 conclusion y

27
 Exemple (Mamdani)
Plus la condition sur les entres est vraie.
Plus l'action prconise pour les sorties doit tre respecte

Rgle: SI la temprature est trs basse ALORS Chauffer fort

'conclusion y MIN prmisse x0 , conclusion y
y

1
Temprature trs basse 1
Chauffer fort

0.8 0.8
0.7
0.6 0.6

0.4 0.4

0.2 0.2

0 0
12KW
T(C) Puissance chauffe(KW)
-10 -5 0 3 5 10 15 0 5 10 15

T=3C

28
Selon la rgle considre, si T=3C alors Puissance de chauffe =12KW
 Activation des rgles

R1: Si X1 est A11 et X 2 est A12 alors Y est B1

R2: Si X1 est A21 ou X 2 est A22 alors Y est B2
R3: Si X1 est A31 et X 2 est A32 et X 3 est A33 alors Y est B3
..........

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

Plusieurs rgles peuvent tre actives simultanment et prconiser des actions avec
diffrents degrs de validits; ces actions peuvent tre contradictoires.

Il convient dagrger les rgles pour fournir une appartenance

de la variable floue de sortie une classe floue consolide 29
 Composition de rgles

On considre que les rgles sont lies par un oprateur OU.

B y MAX B y
i
i indices des rgles actives

30
 Exemple (1)
On considre un moteur dinfrence 4 rgles qui
fournit pour sa sortie tension S1, les rsultats
suivants :

petite=0.6
R1
Moteur R2
petite=0.7
dinfrences R3
moyenne=0.3
4 rgles R4
grande=0.1

Tension de sortie Tension de sortie

1 Petite Moyenne Grande 1 Petite Moyenne Grande

0.8 0.8

0.6 0.6

0.4 0.4
Implication floue
0.2 de Mamdani 0.2

0 0
Volt(v) Volt(v)
0 2 4 6 8 10 0 2 4 6 8 31 10
 Exemple (2)
Tension de sortie Tension de sortie
1 Petite Moyenne Grande 1

0.8 0.8

0.6 0.6
Agrgation
0.4 des conclusions 0.4

0.2 0.2

0 0
Volt(v) Volt(v)
0 2 4 6 8 10 0 2 4 6 8 10

A ce stade,
on a la fonction dappartenance dun ensemble flou
qui caractrise le rsultat

Il faut dfuzzifier, cest dire :

Associer cette ensemble flou un nombre interprtable par
lutilisateur, linterface de commande
32
Principe de la mthode de Mamdani

33
 2 principales mthodes de dfuzzification.

1. Mthode du centre de gravit (COG) 2. Mthode moyenne des maximums (MM)

Cest labscisse du centre de gravit Cest la moyenne des valeurs de sorties

de la surface sous la courbe rsultat les plus vraisemblables

y y dy y dy
sortie U sortie S

y dy dy
S
U

U Univers du discours o S y0 U / y0 SUP y
Toutes les valeurs de sorties considres yU

Tension de sortie Tension de sortie

1 1

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 0
Volt(v) Volt(v)
0 2 4 6 8 10 0 2 4 6 8 10
3,5V 1,9V 34
 Dfuzzification

En commande floue, la dfuzzification COG est presque toujours utilise.

Elle prend en compte linfluence de lensemble des valeurs proposes par la
solution floue.

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

sortie (Ex: reconnaissance de formes).

35
Synthse dun prise de dcision par logique floue.

36
 Exemple : Systme de notation floue

On choisit :

Rsultats obtenus (sur 20)

Systme
Mthodes utilises (sur 20)
dinfrences valuation du travail (sur 20)

Prsentation (sur 20) floues

 Mise en place du systme dinfrences floues (1)

1. Choix des entres/sorties

3 entres: Rsultats; Mthodes, Prsentation.
1 sortie: valuation

2. Univers des discours

[0..20] pour chacune des E/S

3. Classes dappartenances:
Rsultats Mdiocre; Moyen; Excellent
Mthodes Mdiocre; Moyen; Excellent
Evaluation Mdiocre; Mauvais; Moyen; Bon; Excellent

38
 Mise en place du systme dinfrences floues (2)

4. Choix des fonctions dappartenances

Entres : Sortie :

39
 Bases de rgles

1. If (Rsultats is excellent) then (Evaluation is excellent)

2. If (Rsultats is moyen) then (Evaluation is moyen)
3. If (Rsultats is mdiocre) then (Evaluation is mdiocre)
4. If (Rsultats is moyen) and (Mthodes is mdiocre) then (Evaluation is mauvais)
5. If (Rsultats is moyen) and (Mthodes is excellent) then (Evaluation is bon)
6. If (Rsultats is mdiocre) and (Mthodes is moyen) then (Evaluation is mauvais)
7. If (Rsultats is excellent) and (Mthodes is excellent) and (Prsentation is excellent) then (Evaluation is excellent)
8. If (Rsultats is mdiocre) and (Mthodes is excellent) then (Evaluation is moyen)
9. If (Rsultats is excellent) and (Mthodes is mdiocre) then (Evaluation is moyen)

40
Choix des oprateurs flous

ET flou : MIN
OU flou : MAX
Implication floue : MIN
Agrgation des rgles : MAX
Dfuzzyfication : COG 41
Surface de dcision floue

42
(Obtenue pour une valuation de la prsentation de 10/20).
 Surface de dcision linaire classique

Pondration Rsultats: 0,6

Pondration Mthodes: 0,3
Pondration Prsentation: 0,1 43
(Obtenue pour une valuation de la prsentation de 10/20).
 Commentaires

Dcision selon un systme Dcision selon un modle mathmatiques

dinfrences floues Note 0,6* Rsultats 0,3* Mthodes 0,1* Prsentation

Non linaire Linaire Note entre Cste

Plus proche du comportement humain Mieux accept par le rdacteur du

du correcteur travail valu
44