Académique Documents
Professionnel Documents
Culture Documents
3 4
! 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
! 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
7 8
! 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
1. Introduction
Opérateurs de
2. Des prédicats flous logique floue
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 :
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
– 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 !
#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
! 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) !
19 20
0
x
21 22
– 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
& 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 »
– 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
5. Illustrations
29 30
! 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 (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
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
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
1. Introduction
Opérateurs de
2. Des prédicats flous logique floue
5. Illustrations
41 42
! 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
43 44
– Fonctions d’appartenance
Comment doit-on déterminer la forme des ensembles ?
Fuzzification
!
!
! Combien d’ensembles sont nécessaires et suffisants ?
! 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
– 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 :
51