Vous êtes sur la page 1sur 33

Logique Floue

Chapitre 3

Contrôleur flou de Mamdani

Mustapha KOURCHI 1
2018- 2019
Plan

 Règles floues;
 Modèle flou de type Mamdani
 Inférences:
Méthodes d’Inférence Max-
Min, Max-Prod, Som-Prod
 Défuzzification:
Méthodes de valeur
maximale, valeur moyenne des maximas,
centre de gravité

2
Règles floues
 Règles floues
Base de Connaissance
Base de données & Base de Règles

Entrées Commandes
Fuzzification Inférences Défuzzification

μ(x) : Entrées floues Sorties

• Après avoir "fuzzyfier" les variables d'entrée et de sortie, il faut établir les
règles liant les entrées aux sorties.
• A partir d’une valeur d’entrée (floue) et selon la base de connaissance, le
mécanisme d’inférence permet de déterminer la valeur correspondante de la
sortie (INFÉRENCE).

3
Règles floues
 Règles floues
• En général les systèmes flous s’appuient sur une représentation de la
connaissance sous forme de règles « Si-Alors » (implication entre deux
propositions) qui permettent de représenter les relations entre les variables
d’entrée et de sortie dont l’expression générique est de la forme :
Si Prédicat Alors Conclusion

• Un prédicat (encore appelé prémisse ou condition); est une description


linguistique qui peut dépendre de plusieurs variables d’entrée liées entre elles
par des opérateurs ET, OU, NON. Il indique les conditions de validité du
phénomène représenté.

• Conclusion ou conséquence (Action sur la sortie); représente le comportement


associé aux conditions de validité décrites par les prédicats.
4
Règles floues
 Base de Règles floues
• Plus généralement, l’expertise est donnée sous forme d’un ensemble de n
règles, désigné par le terme de système d’inférence flou (SIF), présenté par
une énumération du type :

SI [(Prédicat 1) ET/OU (Prédicat 1’) ET/OU ......] ALORS (Conclusion 1’)

SI [(Prédicat 2) ET/OU (Prédicat 2’) ET/OU ......] ALORS (Conclusion 2’)

.... ....

SI [(Prédicat n) ET/OU (Prédicat n’) ET/OU ......] ALORS (Conclusion n’)

5
Règles floues
 Base de Règles floues
• Si l’on considère n univers de discours Ui pour les entrées du CLF et que chaque
univers Ui est partitionné en mi classes floues. Alors le nombre maximal de
règles est:
n
rmax = ∏ mi
i =1

• Très vite, le nombre de règles peut devenir important.

⇒ On peut ne pas considérer certaines configurations de sous-ensembles flous


impossible à obtenir par le processus.

• Exemple: Commande automatique de freinage


« Si Vitesse importante ET Distance à l’obstacle est nulle » n’est pas à considérer

6
Règles floues
 Matrice d’inférence
• La base de règles peuvent s’écrire sous forme d’une matrice appelée Matrice d’inférence,
qui est généralement antisymétrique. Les entrées du tableau représentent les degrés
d’appartenance des variables linguistiques des entrées aux différents ensembles flous. Et
l’intersection d’une colonne et d’une ligne donne l’ensemble flou de sortie défini par la
règle.
• Exemple 1 : Contrôleur flou à deux entrées caractérisées par cinq ensembles flous et
une sortie, alors la matrice d’inférence peut prendre la forme suivante :

NG : (négatif grand),
NM : (négatif moyen),
EZ : (environ 0),
PM : (positif moyen),
PG : (positif grand).

• On est pas obligé de compléter toute la table. La construction d'une telle table
d'inférence repose sur une analyse du processus (expert).
7
Règles floues
 Matrice d’inférence
• Exemple 2 : Contrôleur flou à quatre entrées (x1, x2, x3, x4) caractérisées par
cinq ensembles flous et une sortie xR, alors la matrice d’inférence s’ écrit :

8
Règles floues
 Comparaison avec un système expert classiques
• Les bases de règles floues, tout comme les systèmes experts classiques,
fonctionnent en s’appuyant sur une base de connaissance issue de l’expertise
humaine. Il y a néanmoins de grandes différences dans les caractéristiques et le
traitement de cette connaissance.

Base de règles floues Base de règles classiques (système expert)


Peu de règles Beaucoup de règles
Traitement graduel Traitement booléen
Règles enchaînées A OU B ⇒ C,
Enchaînement possible mais peu utilisé C ⇒ D,
D ET A ⇒ E
Règles traitées en parallèle Règles utilisées une par une, séquentiellement
Interpolation entre règles pouvant se
Pas d’interpolation, pas de contradiction
contredire

9
Modèle flou de type Mamdani
• La conclusion d’une règle floue est une proposition floue ou une combinaison de
propositions floues liées par des opérateurs ET.

Si polluant est élevée et biomasse est faible Alors temps de dégradation est long.

• On n’utilise pas l’opérateur «OU» dans les conclusions, car elles introduiraient
une incertitude dans la connaissance (l’expertise ne permettrait pas de déterminer
quelle décision prendre).

• Les règles floues «de Mamdani» ne sont donc a priori pas adaptées à du
diagnostic de type «diagnostic médical» pour lequel les conclusions sont
incertaines.

• La négation est a priori interdite dans les conclusions pour des règles de Mamdani.
En effet, si une règle avait par exemple la conclusion «Alors ventilation non
moyenne», il serait impossible de dire si cela signifie «ventilation faible» ou
«ventilation forte». Ce serait encore un cas d’incertitude.
10
Modèle flou de type Mamdani
• En Modèle Mamdani, on interprète la règle suivante :
Si x est E Alors y est F
par le fait que si la variable floue x appartient au sous-ensemble E avec un
degré d’appartenance μE(x), alors y appartient au sous-ensemble flou F avec
un degré d’appartenance μF(x) qui dépend de la validité μE(x) de la prémisse.

• Exemple

SI la température est très basse ALORS Chauffer fort


Si la variable floue «Température » appartient à la classe floue «très basse»
avec un degré de validité µ(x0), Alors la variable floue de sortie «Chauffer»
appartient à la classe floue «fort».

11
Inférences
 Degré d’activation
• Le degré d’activation d’une règle est l’évaluation du prédicat de chaque règle par
combinaison logique des propositions du prédicat (degré de vérification du prédicat )
• Une règle est activée dès qu’elle a une prémisse ayant une valeur de vérité non nulle.

• Exemple :

Le « ET » est réalisé en effectuant le minimum entre les degrés de vérité des propositions.

µprédicat = min [µpression , µtemperature]


12
Inférences
 Inférence floues
• Le mécanisme d’inférence consiste à déduire des conclusions à partir des entrées
observés, utilisant les règles floues et un mécanisme de déduction.
• L’implication floue décrit le lien causal entre la prémisse et la conclusion.

SI la température est très basse ALORS Chauffer fort


La conclusion de la règle floue est le degré d’appartenance de la variable floue de
sortie «Chauffer» à une classe floue «fort» avec un degré de validité qui dépend du
degré de validité µ(x0) de la prémisse.

• Ce degré d’appartenance dépend de :


1°) La classe floue de sortie considérée.
2°) Degré d’activation d’une règle (degré de validité du prédicat µprédicat(x0))
3°) de la méthode d’implication choisie.

L’inférence floue transforme un degré d’appartenance en un autre


degré d’appartenance
13
Inférences
 Mécanisme de déduction «implication floue»
• L’opérateur d’implication permet d’évaluer le degré de vérité d’une règle R,
• En d’autres termes, cet opérateur quantifie la force de la liaison entre la prémisse et la
conclusion de la règle.
• Il existe divers opérateurs d’implication floue, on utilise en général l’une des trois
méthodes suivantes:

MAMDANI : µsortie(y) = MIN(µprédicat(x0), µConclusion(y)) , ∀ y∈ Y


LARSEN : µsortie(y) = µprédicat(x0) µConclusion(y) , ∀ y∈ Y
LUKASIEWICZ : µsortie(y) = MIN (1 , 1- µprédicat(x0) + µConclusion(y)) , ∀ y∈ Y
• x0 , une valeur donnée de vecteur d’entrée (fait observé);
• On calcul la µprédicat(x0), fonction d’appartenance calculée par combinaison logique des
propositions du prédicat;
• µConclusion(y), degré d’appartenance à la classe floue de la sortie prédéfinie pour un y
quelconque variable dans l’univers du discours Y de sortie.
• µsortie(y), degré d’appartenance à l’ensemble flou obtenu par la règle floue, pour un y
quelconque variable dans l’univers du discours Y de sortie.
14
Inférences
 Agrégation
• On considère que les règles sont liées par un opérateur OU.
SI [(Prédicat 1) ET/OU (Prédicat 1)’ ET/OU ......] ALORS (Conclusion 1)
OU
SI [(Prédicat 2) ET/OU (Prédicat 2)’ ET/OU ......] ALORS (Conclusion 2)
OU
.... ....
OU
SI [(Prédicat n) ET/OU (Prédicat n)’ ET/OU ......] ALORS (Conclusion n)

µSortie(y) = MAX(µsortie_i(y)) , ∀ y∈ Y

• µsortie_i(y), degré d’appartenance à l’ensemble flou obtenu par la ième règle floue.
i ∈{indices des règles activées}
• µSortie(y), degré d’appartenance à l’ensemble flou global de sortie construit par
agrégation des ensembles flous obtenus par chacune des règles concernant cette sortie
(cas de n règles floues).
15
Méthodes d’inférences
 Méthodes d’inférence flou

Trois méthodes sont généralement utilisées :

• Méthode d’inférence Max-Min (de Mamdani).


• Méthode d’inférence Max-Prod (de Larsen) .
• Méthode d’inférence Somme-Prod (de Zadeh).

16
Méthodes d’inférences
 Exemple
• Supposons 2 entrées x1 et x2 (x1=0.44; x2=-0.67) et une sortie xr définies par les sous
ensembles suivants :

17
Méthodes d’inférences
 Méthode d’inférence max-min

• Au niveau de Prédicat: ET est représenté par la fonction Min


OU est représenté par la fonction Max

• Au niveau de la conclusion : Alors est représenté par la fonction Min

• Agrégation : OU est représenté par la fonction Max

18
Méthode d’inférence Max-Min

19
Méthode d’inférence Max-Prod
 Méthode d’inférence max-prod

• Au niveau de Prédicat: ET est représenté par la fonction Min


OU est représenté par la fonction Max

• Au niveau de la conclusion : Alors est représenté par la fonction Prod

• Agrégation : OU est représenté par la fonction Max

20
Méthode d’inférence Max-Prod

21
Méthode d’inférence Som-Prod
 Méthode d’inférence Som-Prod
• Au niveau de :

Prédicat: ET est représenté par la fonction Prod


OU est représenté par la fonction Som (valeur moyen)

la conclusion : Alors est représenté par la fonction Prod

L’agrégation : OU est représenté par la fonction Som (valeur moyen)

22
Méthode d’inférence Som-Prod
 Méthode d’inférence Som-Prod

23
Défuzzification
• A la fin de l’inférence, l’ensemble flou de sortie est déterminé mais il n’est
pas directement utilisable pour donner une information précise à l’opérateur
ou commander un actionneur. Il est nécessaire de passer du « monde flou »
au «monde réel», c’est la défuzzification.

• C'est l'opération qui, inversement à la fuzzication, consiste à transformer une


grandeur floue en une grandeur numérique (la commande)

Base de Connaissance

Information floue Commande


Défuzzification

24
Méthode de Défuzzification
• Plusieurs stratégies de défuzzification peuvent être utilisées ; parmi lesquelles
on trouve:

 Méthode de défuzzification par valeur maximale.


 Méthode de défuzzification par valeur moyenne des maxima.
Méthode de défuzzification par centre de gravité (Centroïde)

25
Méthode de valeur maximale
 Méthode de valeur maximale

• Cette méthode génère une commande qui représente l’abscisse de la valeur maximale de
la fonction d’appartenance résultante issue de l’inférence floue.

• Cette méthode est beaucoup plus simple, rapide et facile,

26
Méthode de valeur maximale
 Méthode de valeur maximale
• Inconvénients

• La méthode introduit une ambiguïté de choix, lorsqu’il existe plusieurs valeurs pour
lesquelles la fonction d’appartenance résultante est maximale;
Exemple: toutes les valeurs comprises entre y1, et y2 peuvent être utilisées.

27
Méthode de valeur maximale
 Méthode de valeur maximale
• Inconvénients
La méthode introduit une discontinuité de la sortie car elle ne tient pas compte de
l’effet de toutes les règles,
On constate un saut du signal de sortie si la fonction d’appartenance résultante issue
de l’inférence floue change d'une fonction d'appartenance partielle à une autre . Par
conséquent, ce comportement provoque un mauvais comportement du circuit de
réglage.

Cette méthode n'est donc pas recommandable pour le réglage par logique floue.

28
Méthode de valeur moyenne des maximas

 Méthode de valeur moyenne des maximas

• Pour éviter l'indétermination présentée lors de la méthode par valeur maximale, on fait
appel a la méthode de défuzzication par valeur moyenne des maximas.
• Cette stratégie génère une commande qui représente la moyenne des abscisses des
maximas de l'ensemble flou issu de l'agrégation des conclusions.
Tension de sortie
∫ y dy 1

yo = C

∫ dy
0.8

0.6
C

 
où C =  y ∈ U µ ( y ) = Sup(µ ( y ))
0.4

 y∈U  0.2

0
Volt(v)
0 2 4 6 8 10
• Dans l’exemple étudié :
1,9V
C = {y ∈ U y ∈ [0 , 3.8]}
29
Méthode de valeur moyenne des maximas

 Méthode de valeur moyenne des maximas

• Dans le cas où l’ensemble des maximas n’est continu et comporte N maximas la


formule précédent devient :

∑y i
yo = i
N

• On constate un saut du signal de sortie si l'ensemble flou issu de l'agrégation des


conclusions change d'une fonction d'appartenance partielle à une autre .

30
Méthode de centre de gravité
 Méthode de centre de gravité (Centroïde)

• Cette méthode génère une commande égale à l’abscisse du centre de gravité de la


surface de la fonction d’appartenance résultante issue de l’inférence floue. Cette abscisse
de centre de gravité peut être déterminée à l’aide de la relation générale suivante :
Tension de sortie
1

0.8

0.6

0.4
U : Univers du discours. Toutes les valeurs de
0.2
sorties considérées.
0
Volt(v)
0 2 4 6 8 10
• Si les sous ensembles flous sont
des singletons, la formule
précédent devient :
• ni : nombre des sous ensembles
flous 31
Méthode de centre de gravité
 Méthode de centre de gravité (Centroïde)
• Si µRES(z) composée par p morceaux de droits  Intégrer analytiquement.
Avec coordonnées zj, µj des points d'intersections des p segments de droites.

• Abscisse du centre de gravité :


32
Méthode de centre de gravité
 Méthode de centre de gravité (Centroïde)
• Cette méthode est la plus utilisée dans les systèmes de commande floue, (car elle tient
compte de toutes les règles et ne présente pas une confusion de prise de décision),

• Il existe deux méthodes :

On prend l’union des sous-ensembles flous de sortie et on en tire le centre de


gravité (calculs très lourds)
On prend chaque sous-ensemble séparément et on calcul son centre de gravité, puis
on réalise la moyenne de tous les centres de gravité.

• On n'a plus de discontinuités et d'ambiguïtés,


• Cependant, il apparaît que plus la fonction d'appartenance résultante est compliquée,
plus le processus de défuzzification devient long et coûteux en temps de calcul.

33