2

Logique floue : plan

Introduction
à
la logique floue 1. Introduction

2. Des prédicats flous

3. Opérations sur les ensembles flous

Antoine Cornuéjols 4. Comment implanter un raisonnement flou

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

(Transparents (presque) entièrement repris

de Monique Polit)

3 4

Logique floue : plan Introduction (1)

! Un peu d’histoire
1. Introduction – 1965 L. A. Zadeh «Fuzzy sets»
– 1975 E. H. Mandani Expérimentation d’un régulateur flou
2. Des prédicats flous – 1985 M. Sugeno Applications industrielles possibles
– 1995 J. S. R. Jang Logique floue élargie aux systèmes à réseaux de
neurones et à l’ Intelligence Artificielle.
3. Opérations 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 d’un régulateur flou ! Exemple : déplacement du robot le long du mur
!
c + e u y
Régulateur flou Système – Si la distance est petite, tourner à gauche (angle négatif) d
- – Si la distance est autour de 10 cm, garder la direction actuelle
– Si la distance est grande, tourner à droite (angle positif)

Opérateurs de
logique floue

Ensembles Base de règles Méthode

d’inférence Défuzzificateur
flous floues
floue
Variables Variables
d’entrée de sortie
e1 u1
e2 .. Fuzzification Raisonnement
Défuzzification .. u2
em flou un Distance : 5 cm -14 : angle de rotation

7 8

Introduction (4) Introduction (5)

! Des exemples d’applications dans le domaine industriel ! Quand utiliser un régulateur flou ?
– 1979 Cimenterie au Danemark – Difficulté (ou incapacité) de modéliser le processus : processus complexes, processus
– 1987 Métro de Sendai (Hitachi) non linéaires.
– Coût de la modélisation en terme de temps, moyens… trop élevé.
– 1990 Conduite de hauts-fourneaux Dunkerque
– Amélioration des performances de régulateurs «linéaires».
– 1992 Usine de papier au Portugal
– Produits de consommation courante
! Points forts
! Autocuiseurs de riz, aspirateurs, machines à laver, système de climatisation…
– Structure simple, coût de la synthèse et de l’implémentation «faible».
! Appareils photos : autofocus, autoexposition, autozoom (Canon, Minolta).
– Proche du langage courant, facilité de modification.
! Caméras : autofocus, autoexposition, stabilisateur d’image (Sanyo, Canon, Matsushita).
! Photocopieurs : qualité d’image, distribution d’encre (Sanyo, Canon, Ricoh).
– Industrie automobile ! Idées fausses
! régulation du moteur, système de transmission, système de suspension, ABS, climatisation. – Permet de réguler un processus sans aucune notion de régulation.
! Il faut des bases ...
– Ascenseur : temps d’attente réduit, ascension et arrêt plus régulier (Hitachi)
– Permet de traiter de connaissances imprécises
– ...
! régulateur déterministe, exprime une relation déterministe entre ses entrées et ses sorties,
! fonction non linéaire définie de façon intuitive, intelligible, ayant une signification précise.
 9 10

Logique floue : plan Ensembles flous (1) - Introduction

1. Introduction

Opérateurs de
2. Des prédicats flous logique floue

3. Opérations sur les ensembles flous Méthode

Ensembles Base de règles
d’inférence Défuzzificateur
flous floues
4. Comment implanter un raisonnement flou floue
Variables Variables
d’entrée de sortie
5. Illustrations
e1 u1
e2 .. Fuzzification Raisonnement Défuzzification .. u2
em flou un

11 12

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

– Les fonctions d’appartenance peuvent avoir diverses formes selon leur définition :
! Définitions
! triangulaire, trapézoïdale,
– Un ensemble flou A est défini sur un univers de discours U (ensemble
d’éléments discrets ou continus) par sa fonction d’appartenance !A. La
grandeur !A(x) définit le degré d’appartenance de l’élément x à l ’ensemble A.
µ A : U # [0 , 1]
noyau = noy(A)

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

! Sigmoïdes...
– L’ensemble flou vide est noté " , il est défini par : µ# (x ) = 0, " x ! U

– Le plus grand ensemble flou sur U est noté 1U , il est défini par : µ 1U (x ) = 1, " x ! U
 13 14

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

– Exemples : – Exemples :

µ jeune : [ 0 , 100 ] ( [0 ,1 ] µ mûr : [ 0 , 100 ] ( [0 ,1 ] µ jeune : [ 0 , 100 ] ) [0,1 ]

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

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

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

15 16

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

– Pour une variable x0 exacte, l’ensemble flou correspondant, noté x0 , doit être
1. Introduction
représenté par un fait précis. On utilise un singleton. Sa fonction d’appartenance !

est définie par : 2. Des prédicats flous

x0

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

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

5. Illustrations
 17 18

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

(8) - Notion de T-norme

! Opérations sur les ensembles flous ! Opérations sur les ensembles flous
– Comme dans le cas des ensembles «classiques», les opérations logiques d’union (ou), – Des familles d’opérateurs autres que le maximum (U), le minimum (!)et le
d’intersection (et) et de complémentation (non) peuvent être appliquées aux complément à 1 (¬) ont été définis dans le domaine des espaces métriques
ensembles flous. Leur définition ne sont pas uniques.
probabilisés
– Les définitions les plus souvent rencontrées 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) (commutativité)

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

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

– (x,y) = (y,x) (commutativité)
#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) (associativité)
– (x,y) ! (z,t) si x ! z et y ! t (monotonie)
0 0
x
0
x
– (x,0) = x (élément neutre)
x
(Max satisfait ces propriétés)

19 20

Les ensembles flous (9)

(9) - Propriétés Logique floue : plan

! Propriétés des ensembles flous

– Comme dans le cas des ensembles «classiques», les ensembles flous possèdent
certaines propriétés. 1. Introduction
Commutativité : A " B = B " A, A ! B = B ! A
Associativité : A " (B " C ) = (A " B )" C , A ! (B ! C ) = (A ! B )! C 2. Des prédicats flous
Distributivité : A " (B ! C ) = (A " B )! (A " C ), A ! (B " C ) = (A ! B )" (A ! C )
Idempotence : A " A = A, A ! A = A 3. Opérations sur les ensembles flous
Identité : A " # = A, A " 1U = 1U , A !# = #, A ! 1U = A
– Les deux propriétés suivantes ne sont pas «classiques» 4. Comment implanter un raisonnement flou
! L’intersection d’un ensemble flou et de son complément n’est pas vide
#$ A (x) $ $ 1. Relations
1
Loi de contradiction : A # A " !
2. Modus Ponens généralisé
0
x 3. Deffuzification
! L’union d’un ensemble flou et de son complément ne donne pas l’univers 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) - Définitions

– Relation floue :
! Une relation floue sur deux univers U et V est un ensemble flou :
R : U " V ! [0 , 1]
Opérateurs de (u, v ) ! µ R (u, v )
logique floue
! On ne parle plus de fonction caractéristique mais de fonction d’appartenance.
Méthode
Ensembles Base de règles La relation floue est binaire si U=V
d’inférence Défuzzificateur !
flous floues
floue ! Exemple :
Variables Variables – Soit l’univers U = { 1, 2, 3 }, la relation R « est approximativement égal à » peut-être définie
de sortie par : R : {1, 2, 3 }' {1, 2, 3 }& [0 , 1]
d’entrée
e1 u1 $ 1 si u = v
e2 .. Fuzzification Raisonnement Défuzzification .. u2 (u, v ) !
& µ 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) - Opérations Les relations floues (4
(4) - Opérations

Exemple (cas Mandani) :

! Opérations sur les relations floues !

– R = « x est beaucoup plus grand que y », S = « x est très proche de y »

& y1 y 2 y3 y 4 # & y1 y2 y3 y4 #
$x $x 0.6 !
– On définit l’union et l’intersection de deux relations floues par : 0.8 0.1 0.1 0.7 ! µ S (x, y ) = $ 1
0.4 0 0.9
!
µ 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 ) ! µ R (u, v ) (u, v ) ! µ S (u, v ) – R S = « x est beaucoup plus grand que y » ou « x est très proche de y »

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

$$ ! $ 0.7 !
Alors au sens Mandani : Alors au sens Sugeno : x 0.8 0.1 0.1 0.7 ! $ x1 0.4 0 0.9 0.6 ! ! $ x1 L L L L ! $ x1 0.8 0.1 0.9
µ R ' S (x, y ) = max $ $ 1 !,$ ! =$ ! = !
$ $ x2 0 0.8 0 0 ! $ x2 0.9 0.4 0.5 0.7 ! ! $ x2 L L L L ! $ x2 0.9 0.8 0.5 0.7 !
$ $x
%% 3 0.9 1 0.7 0.8 !" $% x3 0.3 0 0.8 0.5 !" !" $% x3 L L L L !" $% x3 0.9 1 0.8 0.8 !"
µ R " S (u , v ) = max(µ R (u , v ), µ S (u , v )) µ R $ S (u , v ) = µ R (u , v )+ µ S (u , v ) " µ R (u , v )! µ S (u , v )
– R S = « x est beaucoup plus grand que y » et « x est très proche de y »
et µ R ! S (u , v ) = min( µ R (u , v ), µ S (u , v )) et µ R # S (u , v ) = µ R (u , v )! µ S (u , v )
&& y1 y 2 y3 y 4 # & y1 y2 y3 y4 # # & y1 y2 y3 y4 # & y1 y2 y3 y 4 #
$$ ! $ 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
µ 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) - Opérations Les relations floues (6
(6) - Opérations

– Soit une relation floue sur U ! V, la projection de R sur U (%U) et la projection – On définit le produit cartésien de deux ensembles flous A et B par (Mandani) :
de R sur V (%V) sont définies par :
A : U ! [0 , 1] B : V ! [0 , 1]
Soient et
R : U " V ! [0 , 1] u ! µ A (u ) v ! µ B (v )
Soit
(u, v ) ! µ R (u, v )
Alors µ A ! B (u , v ) = min( µ A (u ), µ B (v ))
Alors µ " U (u ) = sup {µ R (u , v ) v ! V } et µ " V (v ) = sup {µ R (u , v ) u ! U }
! Le produit cartésien 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 !
µ 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 définie par (Mandani) :
! alors µ / 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 ) ! µ R (u, v ) (v, w) ! µ 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 µ / Y (y ) = sup & , 1 ) x( X # = + + + Alors µ R o S (u , w) = sup { min ( µ R (u , v ), µ 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) - Opérations Logique floue : plan

! Exemple (au sens Mandani)

– R = « x est beaucoup plus grand que y », S = « y est très 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 prédicats flous
µ R (x, y ) = $ 1 ! µ 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. Opérations sur les ensembles flous

– alors leur composition est R º 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 !
µ R o S (x, z ) = $ 1 ! o $ y2 0 0.4 0!=$ 1 ! =$ ! 2. Modus Ponens généralisé
$$ x2 0 0.8 0 0 !
y 0.9 0.5 0.8 ! $$ 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 problème

! Implication
– Règle floue :
Opérateurs de ! Si X est A alors Y est B
logique floue µA µB

– Fait observé :
Méthode
Ensembles Base de règles X est A’
d’inférence Défuzzificateur !
flous floues
floue µA’
Variables Variables – Conclusion:
d’entrée de sortie
e1 u1 ! Y est B’
e2 .. Fuzzification Raisonnement Défuzzification .. u2 µB’
em flou un
Comment calculer µB’(y) en fonction de µA’(x) et de µA(x) ! µB(y) ?

31 32

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

! Implication ! Le raisonnement approximatif

– Logique classique : – Théorie du raisonnement approximatif introduite par Zadeh en 1979.
! p q équivaut à ¬p q on obtient la table de vérité suivante : p q p!q
1 1 1
1 0 0
– Concept de base : La représentation de propositions par des formules affectant des
0 1 1
0 0 1 ensembles flous comme valeurs aux variables.
– Logique floue :
! Il n’y a pas une définition unique !
– Soient deux variables x X et y Y, et une relation de cause à effet entre x et y,
! L’extension de la définition précédente est appelée l’implication de Kleene-Dienes : parfaitement connue : y = f ( x ). Alors on peut effectuer l’inférence :
– A B équivaut à µ A" B (u, v ) = max ( 1 ! µ A (u ), µ B (v ) )
prémisse : y=f(x)
! On utilise couramment l’implication de Mandani :µ A! B (u, v ) = min ( µ A (u ), µ B (v ) ) Fait : x=x’
Conséquence : 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 connaît le lien de cause à effet f entre x et y qu’en – La règle de raisonnement la plus importante est celle du modus podens généralisé.
certaines valeurs x particulières. On a une base de règles : ! 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
conséquence : z est C
...
! Modus podens généralisé
"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 à x’ conformément à
fait : x est A’
la base de règles. conséquence : z est C ’

– Le problème de base du raisonnement approximatif est de trouver la fonction où la conséquence C ’ est déterminée par la composition du fait et de l’implication :
d’appartenance de la conséquence C d’une base de règles { " 1, …, " n } quand le C ' = A' o ( A " C ) soit µC ' ( z )= sup {min ( µ A ' (x ), µ 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 d’appartenance de la conséquence C ’ est définie par :
...
C ' = A' o ( A " C ) et µ A" C (x, z ) = min ( µ A (x ) , µ C (z ) )
"n : si x est An alors y est Cn
Fait : x est A
soit µC ' ( z )= sup {min ( µ A ' (x ), min ( µ A (x ) , µ C (z ) ) )} , z!Z
Conséquence : y est C x! X

35 36

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

! Application du raisonnement approximatif : l’inférence floue – Agrégation des règles (au sens Mandani):
"1 : si x est A1 alors z est C1
– Règle d’inférence (au sens Mandani): "2 : si x est A2 alors z est C2 où la conséquence C est déterminée par :
"1 : si x est A1 alors z est C1 (µ
...
µC ( 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 µC ( z )= max (min ( µ Ai (x0 ) , µ C i (z ) )) , z!Z
conséquence : z est C1 Conséquence : z est C i = 1, n

#C1 (z)
où la conséquence C1 est déterminée par : #$1 (x) $1 #C1 (z) C1
1 1
µC 1 (z ) =
x! X
{ (
sup min µ x
0
(x ), min ( µ A (x ), µ C (z ) ))} ,
1 1
z!Z C1

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

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

1 1

soit µC 1 (z ) = min ( µ A1 (x0 ) , µ 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) - Inférences floues Le raisonnement flou (10) - Inférences floues

– Prémisses composées :
! Si les prémisses sont composées, on utilise l’union pour le ou et l’intersection pour le
#C1 (z)
et afin de déterminer la fonction d’appartenance 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)
Conséquence : z est C 1 1 1

où la conséquence C est déterminée par (Mandani) :

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

soit µC ( z )= max (min ( µ A1 # B1 (x0 , y0 ) , µ C1 (z ) ), min ( µ A2 " B2 (x0 , y0 ) , µ 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
µ C ( z ) = max (min (min (µ A1 (x0 ), µ B1 (y0 ) ), µ C1 (z ) ), min (max(µ A2 (x0 ), µ B2 (y0 ) ), µ C 2 (z ) ) ) 0
Fait : x est x0 et y est y0 z
Conséquence : z est C

39 40

Logique floue : plan La défuzzification (1) - Introduction

1. Introduction

Opérateurs de
2. Des prédicats flous logique floue

3. Opérations sur les ensembles flous Méthode

Ensembles Base de règles
d’inférence Défuzzificateur
flous floues
4. Comment implanter un raisonnement flou floue
Variables Variables
1. Relations d’entrée de sortie
e1 u1
2. Modus Ponens généralisé e2 .. Fuzzification Raisonnement Défuzzification .. u2
3. Deffuzification em flou un

5. Illustrations
 41 42

La défuzzification (2) - Définition Logique floue : plan

! Définition
– L’objectif de la défuzzification est de transformer un ensemble flou en en une valeur
1. Introduction
de commande. Soit C un ensemble flou, et defuzz l’opérateur de défuzzification :
zu = defuzz(C), est une valeur précise.
2. Des prédicats flous
– Les opérateurs de défuzzification sont nombreux, citons par exemple :
! Le centre de gravité (très souvent employée) 3. Opérations sur les ensembles flous
" w # µ C (w)# dw ! wi # µ C (wi )
Z Z
zu = ou zu =
" µ C (w)# dw ! µ C (wi ) 4. Comment implanter un raisonnement flou
Z Z

! La moyenne des maximums 1. Relations

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

43 44

Régulation Floue (1) - Introduction Régulation Floue (2) - Pré-traitement

! Rappelons la structure classique d’un régulateur flou

! Pré-traitement
c + e u y
Régulateur flou Système – Les mesures en entrée doivent être conditionnées :
- ! Quantification, échantillonnage … ;
! Normalisation, mise à l’échelle ;
! Filtrage ;
Opérateurs de
logique floue ! Moyennage pour obtenir des tendances ;
Méthode ! combinaison pour obtenir des indicateurs ;
Ensembles Base de règles
d’inférence Défuzzificateur différentiation, intégration ou leurs équivalents discrets.
flous floues !
Variables floue Variables
d’entrée de sortie
– Univers du discours :
e1 u1
e2 . Raisonnement u2
. Pré-traitement Fuzzification Défuzzification Post-traitement .. Il contient tous les éléments qui seront pris en considération.
em . . !
flou un
! Il est continu ou discret.
! Univers standard : utilisation de la mise à l ’échelle, d’une limitation (éventuellement).
 45 46

Régulation Floue (3) - Fuzzification Régulation Floue (4) - Fuzzification

– Fonctions d’appartenance
Comment doit-on déterminer la forme des ensembles ?
Fuzzification
!
!
! Combien d’ensembles sont nécessaires et suffisants ?

! Un terme doit être suffisamment «large» pour autoriser du bruit de mesure

– Conversion des données en entrée en degré d’appartenance par l’intermédiaire de
! Un certain degré de recouvrement est nécessaire pour éviter des états mal définis conduisant
fonctions d’appartenance. à des sorties mal définies.

! Commencer par des ensembles triangulaires symétriques et trois ensembles pour chaque
– Permet de déterminer le degré de confiance de chacune des conditions des règles variable. Plus de sept ensembles n’apporte aucune amélioration.
pour la valeur de l’entrée (instance). ! Pour les variables d’entrée :
– Choisir les largeurs de façon à ce que chaque valeur de l’univers appartienne à deux ensembles au
moins ; excepté pour les extrémités.
– Il y a un degré d’appartenance par terme linguistique s’appliquant à l ’entrée. – S ’il y a un « trou » entre deux ensembles, aucune règle ne se trouve activée pour ces valeurs, la
fonction de régulation n’est pas définie.
! Pour la variable de sortie :
– Les «trous» sont souhaitables.
– Si la fonction est définie sous forme de singletons, alors le calcul est plus simple, on peut utiliser les
commandes maximales (obtention d’un phénomène transitoire rapide en cas de grandes variations),
l’écriture des règles est plus intuitive.

47 48

Régulation Floue (5) - Base de règles Régulation Floue (6) - Base de règles

! Base de règles ! Représentation sous forme de relations :

erreur dérivée de l’erreur sortie
négative négative très négative
– Les règles peuvent mettre en jeu plusieurs variables dans leurs conditions et leurs
négative nulle négative
conclusions. négative positive nulle
nulle négative négative
nulle nulle nulle
– Le contrôleur nécessite, en général, en entrée l’erreur et la dérivée de l’erreur : nulle positive positive
positive négative nulle
! Représentation sous forme de règles :
positive nulle positive
si l’erreur est négative et la dérivée de l’erreur est négative alors la sortie est très négative
positive positive très positive
si l’erreur est négative et la dérivée de l’erreur est nulle alors la sortie est négative
si l’erreur est négative et la dérivée de l’erreur est positive alors la sortie est nulle
si l’erreur est nulle et la dérivée de l’erreur est négative alors la sortie est négative ! Représentation sous forme de table :
si l’erreur est nulle et la dérivée de l’erreur est nulle alors la sortie est nulle
dérivée de l’erreur
si l’erreur est nulle et la dérivée de l’erreur est positive alors la sortie est positive
négative nulle positive
si l’erreur est positive et la dérivée de l’erreur est négative alors la sortie est nulle
négative très négative négative nulle
si l’erreur est positive et la dérivée de l’erreur est nulle alors la sortie est positive
erreur nulle négative nulle positive
si l’erreur est positive et la dérivée de l’erreur est positive alors la sortie est très positive
positive nulle positive très positive

– Dans le cas ou une case est vide, cela signifie qu’il manque une règle.
 49 50

Régulation Floue (7) - Bases de règles Régulation Floue (8) - Défuzzification - Post-traitement

– Connexions : ! Défuzzification
les connexions et et ou sont en général définies par :
!
– Utilisation de différentes méthodes :
– A et B : min ( A , B ) A ou B : max ( A , B )
! centre de gravité, centre de gravité pour les singletons,
ou ! bissectrice
– A et B : A * B A ou B : A + B - A * B ! moyenne des minimums …
! calcul facilité lorsque les les fonctions d’appartenance de la variable de sortie sont disjointes.

– Inférence :

! détermination du degré d’appartenance de chacune des conditions des règles ,

! Post-traitement
! activation de la règle, détermination de la conséquence (min)
– la mise à l ’échelle de la sortie doit être effectuée pour que la valeur de sortie définie
! agrégation des règles (max)
sur un univers de discours soit transformée en valeur de commande physique.
! La méthode choisie à peu d ’influence sur le résultat.

51

Logique Floue : bibliographie

bibliographie

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

– L. Gacogne : « Éléments de logique floue ». Hermès, 1997.

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