2

Logique floue : plan

Introduction

la logique floue 1. Introduction

2. Des prdicats flous

3. Oprations sur les ensembles flous

Antoine Cornujols 4. Comment implanter un raisonnement flou

AgroParisTech
5. Illustrations
antoine.
antoine.cornuejols@agroparistech.
cornuejols@agroparistech.fr
http://www.lri.fr/~antoine

(Transparents (presque) entirement repris

de Monique Polit)

3 4

Logique floue : plan Introduction (1)

! Un peu dhistoire
1. Introduction 1965 L. A. Zadeh Fuzzy sets
1975 E. H. Mandani Exprimentation dun rgulateur flou
2. Des prdicats flous 1985 M. Sugeno Applications industrielles possibles
1995 J. S. R. Jang Logique floue largie aux systmes rseaux de
neurones et l Intelligence Artificielle.
3. Oprations sur les ensembles flous

4. Comment implanter un raisonnement flou ! Les ensembles flous : extension des ensembles classiques (crisp set)

5. Illustrations
 5 6

Introduction (2) Introduction (3)

! Structure classique dun rgulateur flou ! Exemple : dplacement du robot le long du mur
!
c + e u y
Rgulateur flou Systme Si la distance est petite, tourner gauche (angle ngatif) d
- Si la distance est autour de 10 cm, garder la direction actuelle
Si la distance est grande, tourner droite (angle positif)

Oprateurs de
logique floue

Ensembles Base de rgles Mthode

dinfrence Dfuzzificateur
flous floues
floue
Variables Variables
dentre de sortie
e1 u1
e2 .. Fuzzification Raisonnement
Dfuzzification .. u2
em flou un Distance : 5 cm -14 : angle de rotation

7 8

Introduction (4) Introduction (5)

! Des exemples dapplications dans le domaine industriel ! Quand utiliser un rgulateur flou ?
1979 Cimenterie au Danemark Difficult (ou incapacit) de modliser le processus : processus complexes, processus
1987 Mtro de Sendai (Hitachi) non linaires.
Cot de la modlisation en terme de temps, moyens trop lev.
1990 Conduite de hauts-fourneaux Dunkerque
Amlioration des performances de rgulateurs linaires.
1992 Usine de papier au Portugal
Produits de consommation courante
! Points forts
! Autocuiseurs de riz, aspirateurs, machines laver, systme de climatisation
Structure simple, cot de la synthse et de limplmentation faible.
! Appareils photos : autofocus, autoexposition, autozoom (Canon, Minolta).
Proche du langage courant, facilit de modification.
! Camras : autofocus, autoexposition, stabilisateur dimage (Sanyo, Canon, Matsushita).
! Photocopieurs : qualit dimage, distribution dencre (Sanyo, Canon, Ricoh).
Industrie automobile ! Ides fausses
! rgulation du moteur, systme de transmission, systme de suspension, ABS, climatisation. Permet de rguler un processus sans aucune notion de rgulation.
! Il faut des bases ...
Ascenseur : temps dattente rduit, ascension et arrt plus rgulier (Hitachi)
Permet de traiter de connaissances imprcises
...
! rgulateur dterministe, exprime une relation dterministe entre ses entres et ses sorties,
! fonction non linaire dfinie de faon intuitive, intelligible, ayant une signification prcise.
 9 10

Logique floue : plan Ensembles flous (1) - Introduction

1. Introduction

Oprateurs de
2. Des prdicats flous logique floue

3. Oprations sur les ensembles flous Mthode

Ensembles Base de rgles
dinfrence Dfuzzificateur
flous floues
4. Comment implanter un raisonnement flou floue
Variables Variables
dentre de sortie
5. Illustrations
e1 u1
e2 .. Fuzzification Raisonnement Dfuzzification .. u2
em flou un

11 12

Les ensembles flous (2) - Dfinitions Les ensembles flous (3) - Dfinitions

Les fonctions dappartenance peuvent avoir diverses formes selon leur dfinition :
! Dfinitions
! triangulaire, trapzodale,
Un ensemble flou A est dfini sur un univers de discours U (ensemble
dlments discrets ou continus) par sa fonction dappartenance !A. La
grandeur !A(x) dfinit le degr dappartenance de llment x l ensemble A.
A : U # [0 , 1]
noyau = noy(A)

x # A (x ) #A(x)
1 ! Gaussienne,
A= {(x, A (x )) x !U }
supp (A ) = {x !U A (x ) " 0 } 0
x
frontire frontire
noy (A ) = {x !U A (x ) = 1 } support : supp(A)

! Sigmodes...
Lensemble flou vide est not " , il est dfini par : # (x ) = 0, " x ! U

Le plus grand ensemble flou sur U est not 1U , il est dfini par : 1U (x ) = 1, " x ! U
 13 14

Les ensembles flous (4) - Dfinitions Les ensembles flous (5) - Dfinitions

Exemples : Exemples :

jeune : [ 0 , 100 ] ( [0 ,1 ] mr : [ 0 , 100 ] ( [0 ,1 ] jeune : [ 0 , 100 ] ) [0,1 ]

$ jeune (x ) = 1 si x ' 20 $ mr (x ) = 0 si x & 20 ou x ' 75 1 & x #
( '$ !
2

2 % 15 "
! ! x % 20 x ) jeune (x ) = e
! !! mr (x ) = si 20 < x < 35
! 20 & x x ( # 15
x ( # jeune (x ) = si 20 < x < 35
! 15 ! mr (x ) = 1 si 35 & x & 55
! (x ) = 55 % x si 55 < x < 75
mr : [ 0 , 100 ] ) [0,1 ]
! (x ) = 0 si x % 35 ! mr
! jeune " 20 1 & x ' 45 #
2
' ($
" 2 % 12 "
!
x ) mr (x ) = e

vieux : [ 0 , 100 ] ( [0 ,1 ]
$ vieux (x ) = 0 si x ' 55 vieux : [ 0 , 100 ] ) [0,1 ]
! 1 & x ' 100 #
2
' ($
! 2 % 20 "
!
! x & 55 x ) vieux (x ) = e
x ( # vieux (x ) = si 55 < x < 75
! 20
!
vieux (x ) = 0 si x % 75
!
"

15 16

Les ensembles flous (6) - Dfinitions Logique floue : plan

Pour une variable x0 exacte, lensemble flou correspondant, not x0 , doit tre
1. Introduction
reprsent par un fait prcis. On utilise un singleton. Sa fonction dappartenance !

est dfinie par : 2. Des prdicats flous

x0

#X0(x)
x0 : U % [0 , 1] 1
3. Oprations sur les ensembles flous

1 si x = x0
x % x0 (x ) = #" 4. Comment implanter un raisonnement flou
! 0 si x $ x0
0
x0 x

5. Illustrations
 17 18

Les ensembles flous (7) - Oprations Les ensembles flous (8)

(8) - Notion de T-norme

! Oprations sur les ensembles flous ! Oprations sur les ensembles flous
Comme dans le cas des ensembles classiques, les oprations logiques dunion (ou), Des familles doprateurs autres que le maximum (U), le minimum (!)et le
dintersection (et) et de complmentation (non) peuvent tre appliques aux complment 1 () ont t dfinis dans le domaine des espaces mtriques
ensembles flous. Leur dfinition ne sont pas uniques.
probabiliss
Les dfinitions les plus souvent rencontres sont : le max et le min (Mandani), le
Les T-normes (intersection)
produit et la somme moins le produit (Sugeno) !

T(x,y) = T(y,x) (commutativit)

Mandani : A% B (x ) = max( A (x ), B (x )) et A$ B (x ) = min( A (x ), B (x ))
T(x, T(y,z)) = T(T(x,y), z) (associativit)
Sugeno : A% B (x ) = A (x )+ B (x )" A (x )# B (x ) et A$ B (x ) = A (x )# B (x )
T(x,y) ! T(z,t) si x ! z et y ! t (monotonie)
Dans les deux cas : A (x ) = 1 " A (x ) T(x,1) = x (lment neutre)
pour x !U (Min satisfait ces proprits)

Exemple dans le cas Mandani ! Les T-conormes (union)

(x,y) = (y,x) (commutativit)
#A(x) # #A(x) # #A(x)
#A B(x)
1 B(x)
#A B(x)
1 B(x)
#A (x)
1 ( x, (y,z)) = ( (x,y), z) (associativit)
(x,y) ! (z,t) si x ! z et y ! t (monotonie)
0 0
x
0
x
(x,0) = x (lment neutre)
x
(Max satisfait ces proprits)

19 20

Les ensembles flous (9)

(9) - Proprits Logique floue : plan

! Proprits des ensembles flous

Comme dans le cas des ensembles classiques, les ensembles flous possdent
certaines proprits. 1. Introduction
Commutativit : A " B = B " A, A ! B = B ! A
Associativit : A " (B " C ) = (A " B )" C , A ! (B ! C ) = (A ! B )! C 2. Des prdicats flous
Distributivit : A " (B ! C ) = (A " B )! (A " C ), A ! (B " C ) = (A ! B )" (A ! C )
Idempotence : A " A = A, A ! A = A 3. Oprations sur les ensembles flous
Identit : A " # = A, A " 1U = 1U , A !# = #, A ! 1U = A
Les deux proprits suivantes ne sont pas classiques 4. Comment implanter un raisonnement flou
! Lintersection dun ensemble flou et de son complment nest pas vide
#$ A (x) $ $ 1. Relations
1
Loi de contradiction : A # A " !
2. Modus Ponens gnralis
0
x 3. Deffuzification
! Lunion dun ensemble flou et de son complment ne donne pas lunivers du discours
#$ (x) $ $
Loi du " excluded middle" : A " A ! 1U 5. Illustrations
A
1

0
x
 21 22

Les relations floues (1) - Introduction Les relations floues (2)

(2) - Dfinitions

Relation floue :
! Une relation floue sur deux univers U et V est un ensemble flou :
R : U " V ! [0 , 1]
Oprateurs de (u, v ) ! R (u, v )
logique floue
! On ne parle plus de fonction caractristique mais de fonction dappartenance.
Mthode
Ensembles Base de rgles La relation floue est binaire si U=V
dinfrence Dfuzzificateur !
flous floues
floue ! Exemple :
Variables Variables Soit lunivers U = { 1, 2, 3 }, la relation R est approximativement gal peut-tre dfinie
de sortie par : R : {1, 2, 3 }' {1, 2, 3 }& [0 , 1]
dentre
e1 u1 $ 1 si u = v
e2 .. Fuzzification Raisonnement Dfuzzification .. u2 (u, v ) !
& R (u, v ) = # 0,8 si u % v = 1
em flou un !" 0,3 si u % v = 2
Notation matricielle :
& 1 2 3#
$1 1 0.3 0.8 !
$2 0.8 1 0.8 !
$3 0.3 0.8 1 !"
%

23 24

Les relations floues (3

(3) - Oprations Les relations floues (4
(4) - Oprations

Exemple (cas Mandani) :

! Oprations sur les relations floues !

R = x est beaucoup plus grand que y , S = x est trs proche de y

& y1 y 2 y3 y 4 # & y1 y2 y3 y4 #
$x $x 0.6 !
On dfinit lunion et lintersection de deux relations floues par : 0.8 0.1 0.1 0.7 ! S (x, y ) = $ 1
0.4 0 0.9
!
R (x, y ) = $ 1 !
x2 0 0.8 0 0 ! $$ x2 0.9 0.4 0.5 0.7 !
$$ x 0.9 1 0.7 0.8 !" % x3 0.3 0 0.8 0.5 !"
R : U " V ! [0 , 1] S : U " V ! [0 , 1] % 3
Soient et
(u, v ) ! R (u, v ) (u, v ) ! S (u, v ) R S = x est beaucoup plus grand que y ou x est trs proche de y

&& y1 y 2 y3 y 4 # & y1 y2 y3 y4 # # & y1 y2 y3 y4 # & y1 y 2 y3 y4 #

$$ ! $ 0.7 !
Alors au sens Mandani : Alors au sens Sugeno : x 0.8 0.1 0.1 0.7 ! $ x1 0.4 0 0.9 0.6 ! ! $ x1 L L L L ! $ x1 0.8 0.1 0.9
R ' S (x, y ) = max $ $ 1 !,$ ! =$ ! = !
$ $ x2 0 0.8 0 0 ! $ x2 0.9 0.4 0.5 0.7 ! ! $ x2 L L L L ! $ x2 0.9 0.8 0.5 0.7 !
$ $x
%% 3 0.9 1 0.7 0.8 !" $% x3 0.3 0 0.8 0.5 !" !" $% x3 L L L L !" $% x3 0.9 1 0.8 0.8 !"
R " S (u , v ) = max( R (u , v ), S (u , v )) R $ S (u , v ) = R (u , v )+ S (u , v ) " R (u , v )! S (u , v )
R S = x est beaucoup plus grand que y et x est trs proche de y
et R ! S (u , v ) = min( R (u , v ), S (u , v )) et R # S (u , v ) = R (u , v )! S (u , v )
&& y1 y 2 y3 y 4 # & y1 y2 y3 y4 # # & y1 y2 y3 y4 # & y1 y2 y3 y 4 #
$$ ! $ x 0.4 0.1 0.6 !
x 0.8 0.1 0.1 0.7 ! $ x1 0.4 0 0.9 0.6 ! ! $ x1 L L L L! 0
R ' S (x, y ) = min $ $ 1 !,$ ! =$ ! =$ 1 !
$ $ x2 0 0.8 0 0 ! $ x2 0.9 0.4 0.5 0.7 ! ! $ x2 L L L L! x2 0 0.4 0 0!
$
$ x 0.9 1 0.7 0.8 !" $% x3 0.3 0 0.8 0.5 !" !" $% x3 L L L L !" $$ x 0.3 0 0.7 0.5 !"
%% 3 % 3
 25 26

Les relations floues (5

(5) - Oprations Les relations floues (6
(6) - Oprations

Soit une relation floue sur U ! V, la projection de R sur U (%U) et la projection On dfinit le produit cartsien de deux ensembles flous A et B par (Mandani) :
de R sur V (%V) sont dfinies par :
A : U ! [0 , 1] B : V ! [0 , 1]
Soient et
R : U " V ! [0 , 1] u ! A (u ) v ! B (v )
Soit
(u, v ) ! R (u, v )
Alors A ! B (u , v ) = min( A (u ), B (v ))
Alors " U (u ) = sup { R (u , v ) v ! V } et " V (v ) = sup { R (u , v ) u ! U }
! Le produit cartsien de deux ensembles flous est une relation floue.
! Exemple :

& y1 y 2 y3 y 4 # '. y1 y 2 y3 y 4 + $
$x 0.1 0.1 0.7 !
R (x, y ) = $ 1
0.8 !! , x1 0.8 0.1 0.1 0.7 ) !! 0.8 1 0.8 La composition de deux relations floues est dfinie par (Mandani) :
! alors / X (x ) = sup & ,x ) y (Y # = + +
$$ x2 0 0.8 0 0 !
! ,, 2
0 0.8 0 0 )
! x1 x2 x3
% x3 0.9 1 0.7 0.8 !" %! - x3 0.9 1 0.7 0.8 )* "! R : U " V ! [0 , 1] S : V " W ! [0 , 1]
Soient et
(u, v ) ! R (u, v ) (v, w) ! S (v, w)
'. y1 y 2 y3 y 4 + $
!! , x 0.8 0.1 0.1 0.7 ) !! 0.9 1 0.7 0.8
et / Y (y ) = sup & , 1 ) x( X # = + + + Alors R o S (u , w) = sup { min ( R (u , v ), S (v, w) ) }
x 0 0.8 0 0 ) y1 y2 y3 y4
! ,, 2 ! v!V
!% - x3 0.9 1 0.7 0.8 )* !"

27 28

Les relations floues (7

(7) - Oprations Logique floue : plan

! Exemple (au sens Mandani)

R = x est beaucoup plus grand que y , S = y est trs proche de z
1. Introduction
& z1 z2 z3 #
& y1 y 2 y3 y 4 # $y
$x 0.4 0.9 0.3!
0.8 0.1 0.1 0.7 ! $ 1 ! 2. Des prdicats flous
R (x, y ) = $ 1 ! S (y, z ) = $ y2 0 0.4 0!
x2 0 0.8 0 0 !
$$ x 0.9 1 0.7 0.8 !" $ y3 0.9 0.5 0.8 !
% 3 $y 0.6 0.7 0.5 !"
% 4 3. Oprations sur les ensembles flous

alors leur composition est R S. 4. Comment implanter un raisonnement flou

z1 z2 z3 # 1. Relations
& y1 y2 y3 y4 # &$ & z1 z2 z3 # & z1 z2 z3 #
y 0.4 0.9 0.3! $
$x 0.8 0.1 0.1 0.7 ! $ 1 ! x L L L ! $ x1 0.6 0.8 0.5 !
R o S (x, z ) = $ 1 ! o $ y2 0 0.4 0!=$ 1 ! =$ ! 2. Modus Ponens gnralis
$$ x2 0 0.8 0 0 !
y 0.9 0.5 0.8 ! $$ x2 L L L ! $ x2 0 0.4 0!
% x3 0.9 1 0.7 0.8 !" $$ 3 x L L L !" $% x3 0.7 0.9 0.7 !"
% y4 0.6 0.7 0.5 !" % 3 3. Deffuzification

5. Illustrations
 29 30

Le raisonnement flou (1) - Introduction Le raisonnement flou (2) - Le problme

! Implication
Rgle floue :
Oprateurs de ! Si X est A alors Y est B
logique floue A B

Fait observ :
Mthode
Ensembles Base de rgles X est A
dinfrence Dfuzzificateur !
flous floues
floue A
Variables Variables Conclusion:
dentre de sortie
e1 u1 ! Y est B
e2 .. Fuzzification Raisonnement Dfuzzification .. u2 B
em flou un
Comment calculer B(y) en fonction de A(x) et de A(x) ! B(y) ?

31 32

Le raisonnement flou (2) - Implication Le raisonnement flou (3) - Le raisonnement approximatif

! Implication ! Le raisonnement approximatif

Logique classique : Thorie du raisonnement approximatif introduite par Zadeh en 1979.
! p q quivaut p q on obtient la table de vrit suivante : p q p!q
1 1 1
1 0 0
Concept de base : La reprsentation de propositions par des formules affectant des
0 1 1
0 0 1 ensembles flous comme valeurs aux variables.
Logique floue :
! Il ny a pas une dfinition unique !
Soient deux variables x X et y Y, et une relation de cause effet entre x et y,
! Lextension de la dfinition prcdente est appele limplication de Kleene-Dienes : parfaitement connue : y = f ( x ). Alors on peut effectuer linfrence :
A B quivaut A" B (u, v ) = max ( 1 ! A (u ), B (v ) )
prmisse : y=f(x)
! On utilise couramment limplication de Mandani : A! B (u, v ) = min ( A (u ), B (v ) ) Fait : x=x
Consquence : y=f(x)
 33 34

Le raisonnement flou (4) - Le raisonnement approximatif Le raisonnement flou (6) - Le raisonnement approximatif

La plupart du temps, on ne connat le lien de cause effet f entre x et y quen La rgle de raisonnement la plus importante est celle du modus podens gnralis.
certaines valeurs x particulires. On a une base de rgles : ! Modus podens :
"1 : si x = x1 alors y = y1 et implication : si x est A alors z est C
fait : x est A
"2 : si x = x2 alors y = y2 et
consquence : z est C
...
! Modus podens gnralis
"n : si x = xn alors y = yn
implication : si x est A alors z est C
Il faut alors, connaissant x X, trouver y Y correspondant x conformment
fait : x est A
la base de rgles. consquence : z est C

Le problme de base du raisonnement approximatif est de trouver la fonction o la consquence C est dtermine par la composition du fait et de limplication :
dappartenance de la consquence C dune base de rgles { " 1, , " n } quand le C ' = A' o ( A " C ) soit C ' ( z )= sup {min ( A ' (x ), A" C (x, z ) )} , z!Z
fait x est A. x! X
"1 : si x est A1 alors y est C1
" 2 : si x est A2 alors y est C2 ! Au sens de Mandani, la fonction dappartenance de la consquence C est dfinie par :
...
C ' = A' o ( A " C ) et A" C (x, z ) = min ( A (x ) , C (z ) )
"n : si x est An alors y est Cn
Fait : x est A
soit C ' ( z )= sup {min ( A ' (x ), min ( A (x ) , C (z ) ) )} , z!Z
Consquence : y est C x! X

35 36

Le raisonnement flou (7) - Infrences floues Le raisonnement flou (8) - Infrences floues

! Application du raisonnement approximatif : linfrence floue Agrgation des rgles (au sens Mandani):
"1 : si x est A1 alors z est C1
Rgle dinfrence (au sens Mandani): "2 : si x est A2 alors z est C2 o la consquence C est dtermine par :
"1 : si x est A1 alors z est C1 (
...
C ( z )= max C i ( z )) , z!Z
"n : si x est An alors z est Cn i = 1, n
fait : x est x0
Fait : x est x0 soit C ( z )= max (min ( Ai (x0 ) , C i (z ) )) , z!Z
consquence : z est C1 Consquence : z est C i = 1, n

#C1 (z)
o la consquence C1 est dtermine par : #$1 (x) $1 #C1 (z) C1
1 1
C 1 (z ) =
x! X
{ (
sup min x
0
(x ), min ( A (x ), C (z ) ))} ,
1 1
z!Z C1

0 0
or x
0
(x ) = 0, # x " x0 donc C 1 (z ) = (
min x
0
(x0 ), min ( A (x0 ), C (z ) ))
1 1
, z!Z
x0
x #C2 (z) z

#$2 (x) $2 #C2 (z) C2 C2

1 1

soit C 1 (z ) = min ( A1 (x0 ) , C1 (z ) ) , z!Z

0 0
#C1 (z) x0 x z
#$1 (x) $1 #C1 (z) C1 #C1 (z)
1 1
#C2 (z) C C2
C1 1
#C (z)
C1
0 0
x z
x0 0
z
 37 38

Le raisonnement flou (9) - Infrences floues Le raisonnement flou (10) - Infrences floues

Prmisses composes :
! Si les prmisses sont composes, on utilise lunion pour le ou et lintersection pour le
#C1 (z)
et afin de dterminer la fonction dappartenance de la condition. #$1 (x) $1 #&1 (y) &1 ET #C1 (z) C1
1 1 1
! Exemple : C1

0 0 0
"1 : si x est A1 et y est B1 alors z est C1 x y0 y z
x0
"2 : si x est A2 ou y est B2 alors z est C2 OU #C2 (z)
Fait : x est x0 et y est y0 $2 &2 C2 C2
#$2 (x) #&2 (y) #C2 (z)
Consquence : z est C 1 1 1

o la consquence C est dtermine par (Mandani) :

0 0 0
x0 x y0 y z
C ( z )= (
max C 1 ( x, y ), C ( z ) )
2 , z!Z

soit C ( z )= max (min ( A1 # B1 (x0 , y0 ) , C1 (z ) ), min ( A2 " B2 (x0 , y0 ) , C 2 (z ) ) ) , z!Z #C1 (z)
#C2 (z) C C2
1
#C (z)
soit encore pour z ! Z "1 : si x est A1 et y est B1 alors z est C1 C1
"2 : si x est A2 ou y est B2 alors z est C2
C ( z ) = max (min (min ( A1 (x0 ), B1 (y0 ) ), C1 (z ) ), min (max( A2 (x0 ), B2 (y0 ) ), C 2 (z ) ) ) 0
Fait : x est x0 et y est y0 z
Consquence : z est C

39 40

Logique floue : plan La dfuzzification (1) - Introduction

1. Introduction

Oprateurs de
2. Des prdicats flous logique floue

3. Oprations sur les ensembles flous Mthode

Ensembles Base de rgles
dinfrence Dfuzzificateur
flous floues
4. Comment implanter un raisonnement flou floue
Variables Variables
1. Relations dentre de sortie
e1 u1
2. Modus Ponens gnralis e2 .. Fuzzification Raisonnement Dfuzzification .. u2
3. Deffuzification em flou un

5. Illustrations
 41 42

La dfuzzification (2) - Dfinition Logique floue : plan

! Dfinition
Lobjectif de la dfuzzification est de transformer un ensemble flou en en une valeur
1. Introduction
de commande. Soit C un ensemble flou, et defuzz loprateur de dfuzzification :
zu = defuzz(C), est une valeur prcise.
2. Des prdicats flous
Les oprateurs de dfuzzification sont nombreux, citons par exemple :
! Le centre de gravit (trs souvent employe) 3. Oprations sur les ensembles flous
" w # C (w)# dw ! wi # C (wi )
Z Z
zu = ou zu =
" C (w)# dw ! C (wi ) 4. Comment implanter un raisonnement flou
Z Z

! La moyenne des maximums 1. Relations

* w ( dw 2. Modus Ponens gnralis
zu = G
, o G = '& g ! Z C (g ) = max ( C (z ) )$#, ou
* dw % z !Z "
#C (z) C 3. Deffuzification
G
1
1 N
zu = ) zi , o zi ! Z et C (zi ) = max ( C (z j ))
N i =1 z j !Z 5. Illustration : contrle flou
0
zu z

43 44

Rgulation Floue (1) - Introduction Rgulation Floue (2) - Pr-traitement

! Rappelons la structure classique dun rgulateur flou

! Pr-traitement
c + e u y
Rgulateur flou Systme Les mesures en entre doivent tre conditionnes :
- ! Quantification, chantillonnage ;
! Normalisation, mise lchelle ;
! Filtrage ;
Oprateurs de
logique floue ! Moyennage pour obtenir des tendances ;
Mthode ! combinaison pour obtenir des indicateurs ;
Ensembles Base de rgles
dinfrence Dfuzzificateur diffrentiation, intgration ou leurs quivalents discrets.
flous floues !
Variables floue Variables
dentre de sortie
Univers du discours :
e1 u1
e2 . Raisonnement u2
. Pr-traitement Fuzzification Dfuzzification Post-traitement .. Il contient tous les lments qui seront pris en considration.
em . . !
flou un
! Il est continu ou discret.
! Univers standard : utilisation de la mise l chelle, dune limitation (ventuellement).
 45 46

Rgulation Floue (3) - Fuzzification Rgulation Floue (4) - Fuzzification

Fonctions dappartenance
Comment doit-on dterminer la forme des ensembles ?
Fuzzification
!
!
! Combien densembles sont ncessaires et suffisants ?

! Un terme doit tre suffisamment large pour autoriser du bruit de mesure

Conversion des donnes en entre en degr dappartenance par lintermdiaire de
! Un certain degr de recouvrement est ncessaire pour viter des tats mal dfinis conduisant
fonctions dappartenance. des sorties mal dfinies.

Permet de dterminer le degr de confiance de chacune des conditions des rgles
pour la valeur de lentre (instance). ! Pour les variables dentre :
Il y a un degr dappartenance par terme linguistique sappliquant l entre.
! Commencer par des ensembles triangulaires symtriques et trois ensembles pour chaque
variable. Plus de sept ensembles napporte aucune amlioration.
Choisir les largeurs de faon ce que chaque valeur de lunivers appartienne deux ensembles au
moins ; except pour les extrmits.
S il y a un trou entre deux ensembles, aucune rgle ne se trouve active pour ces valeurs, la
fonction de rgulation nest pas dfinie.
! Pour la variable de sortie :
Les trous sont souhaitables.
Si la fonction est dfinie sous forme de singletons, alors le calcul est plus simple, on peut utiliser les
commandes maximales (obtention dun phnomne transitoire rapide en cas de grandes variations),
lcriture des rgles est plus intuitive.

47 48

Rgulation Floue (5) - Base de rgles Rgulation Floue (6) - Base de rgles

! Base de rgles ! Reprsentation sous forme de relations :

erreur drive de lerreur sortie
ngative ngative trs ngative
Les rgles peuvent mettre en jeu plusieurs variables dans leurs conditions et leurs
ngative nulle ngative
conclusions. ngative positive nulle
nulle ngative ngative
nulle nulle nulle
Le contrleur ncessite, en gnral, en entre lerreur et la drive de lerreur : nulle positive positive
positive ngative nulle
! Reprsentation sous forme de rgles :
positive nulle positive
si lerreur est ngative et la drive de lerreur est ngative alors la sortie est trs ngative
positive positive trs positive
si lerreur est ngative et la drive de lerreur est nulle alors la sortie est ngative
si lerreur est ngative et la drive de lerreur est positive alors la sortie est nulle
si lerreur est nulle et la drive de lerreur est ngative alors la sortie est ngative ! Reprsentation sous forme de table :
si lerreur est nulle et la drive de lerreur est nulle alors la sortie est nulle
drive de lerreur
si lerreur est nulle et la drive de lerreur est positive alors la sortie est positive
ngative nulle positive
si lerreur est positive et la drive de lerreur est ngative alors la sortie est nulle
ngative trs ngative ngative nulle
si lerreur est positive et la drive de lerreur est nulle alors la sortie est positive
erreur nulle ngative nulle positive
si lerreur est positive et la drive de lerreur est positive alors la sortie est trs positive
positive nulle positive trs positive

Dans le cas ou une case est vide, cela signifie quil manque une rgle.
 49 50

Rgulation Floue (7) - Bases de rgles Rgulation Floue (8) - Dfuzzification - Post-traitement

Connexions : ! Dfuzzification
les connexions et et ou sont en gnral dfinies par :
!
Utilisation de diffrentes mthodes :
A et B : min ( A , B ) A ou B : max ( A , B )
! centre de gravit, centre de gravit pour les singletons,
ou ! bissectrice
A et B : A * B A ou B : A + B - A * B ! moyenne des minimums
! calcul facilit lorsque les les fonctions dappartenance de la variable de sortie sont disjointes.

Infrence :

! dtermination du degr dappartenance de chacune des conditions des rgles ,

! Post-traitement
! activation de la rgle, dtermination de la consquence (min)
la mise l chelle de la sortie doit tre effectue pour que la valeur de sortie dfinie
! agrgation des rgles (max)
sur un univers de discours soit transforme en valeur de commande physique.
! La mthode choisie peu d influence sur le rsultat.

51

Logique Floue : bibliographie

bibliographie

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.