1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

Plan
Cours d’I.A. Partie 1 - Place de l’informatique
Partie 2 - Les bases de données
Partie 5 - PHP / MySQL 1.1 Une première approche
1.2 Utiliser une base de données
1.5 Les défis
1.6 Un peu d'histoire
Partie 3 - Conception des BD 1.3 Premières conclusions 1.7 Et ensuite ?

“Introduction à
Partie 4 - Manipulation : SQL 1.4 Les SGBD

1. Introduction : pourquoi la logique floue

!!!la logique floue” 2. Les ensembles flous
3. L’inférence floue

3° année 4. Le raisonnement flou

5. Bilan
Antoine Cornuéjols
www.lri.fr/~antoine
antoine.cornuejols@agroparistech.fr

http://www.lri.fr/~antoine/Courses/AGRO/Cours-IA/ Introduction
V- Conclusions Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 2

1- Introduction
Introduction 2-2-Ensembles
Ensemblesflous
flous 3-3-Inférence
Inférencefloue
floue 4-4-Raisonnement
Raisonnementflou
flou 5-5-Conclusions
Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

1- Pourquoi la logique floue ?

Nous raisonnons avec des concepts linguistiques “flous”

(ou approximatifs)
1. Introduction : pourquoi la logique floue

Concepts imprécis
• Âge, poids, température, ... ! incertitude
-----------------------------------

Dépendances imprécises
Si la température est basse et le gaz n’est pas cher
Alors je monte beaucoup le chauffage

V- Conclusions Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 3 1- Introduction Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2010 4
 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

1- Pourquoi la logique floue ? 1- Pourquoi la logique floue : limites de la logique classique

Exemple de règle floue Un patient atteint d’hépatite présente généralement les symptômes suivants :
• le patient a une forte fièvre
Règles de conduite automobile à l’approche d’un carrefour contrôlé • sa peau présente une coloration jaune
par des feux tricolores. • il a des nausées

Ensemble classique Ensemble flou

si le feu est et si le feu est 1
Avoir une forte fièvre 1
Avoir une forte fièvre
si ma vitesse est élevée ... alors je freine fort.
rouge... proche ...
0.8 0.8

si le feu est alors je maintiens ma 0.6

si ma vitesse est faible ... et si le feu est loin ... 0.6
rouge... vitesse.
0.4 0.4

si le feu est si ma vitesse est

et si le feu est loin ... alors je freine doucement. 0.2 0.2
orange... moyenne ...
0 T(°C) 0 T(°C)
et si le feu est 36 37 38 39 40 41 42 36 37 38 39 40 41 42
si le feu est vert... si ma vitesse est faible ... alors j'accélère.
proche ...
Le patient a 38.9°C

Si le feu est rouge, si ma vitesse dépasse 85.6 km/h et si le feu est à moins En logique classique : le patient n’a pas de forte fièvre => pas d’hépatite
v.s. de 62.3m, alors j’appuie sur le frein avec une force de 33.2 Newtons
En logique floue : le patient a une forte fièvre à 50% => hépatite à x%

1- Introduction Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2010 5 1- Introduction Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2010 6

1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

1.4 Les principaux problèmes

1- Définir les notions

• d’ensembles flous
2. La théorie des ensembles flous
• de prédicats flous
• d’opérateurs ensemblistes flous
• de relations floues
-----------------------------------

2- Définir l’inférence floue

• comment propager les “valeurs de vérité”

1- Introduction Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2010 7 II- Ensembles flous Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 8
 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

2- Ensembles flous 2- Ensembles flous

Soient U l’univers du discours et A un sous- Les ensembles flous sont décrits par leur fonction d’appartenance
ensemble de U.
Ensemble classique
1
Avoir une forte fièvre
µA (x) ∈ [0, 1]
Théorie classique des ensembles : 0.8

0.6

Si µA est la fonction d’appartenance 0.4

caractéristique de l’ensemble A : 0.2

noyau = noy(A)
! 0 T(°C) µA(x)
µA (x) = 0 si x ∈
/U 36 37 38 39 40 41 42
1
∀x ∈ U
µA (x) = 1 si x ∈ U Ensemble flou
1
Avoir une forte fièvre

0.8

Théorie des ensembles flous : 0.6 0

∀x ∈ U µA (x) ∈ [0, 1] 0.4 x
0.2 frontière frontière
0 T(°C)
36 37 38 39 40 41 42 support : supp(A)
Degré d’appartenance = valeur de vérité

II- Ensembles flous Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 9 II- Ensembles flous Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 10

1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

2- Ensembles flous 2- Ensembles flous : exemples

Ensemble flou " Personne de petite taille" Ensemble flou: "Personne de taille moyenne" Ensemble flou :"Personne de grande taille"
–  Les fonctions d’appartenance peuvent avoir diverses formes selon leur définition : 1
Petit
1
Moyen
1
Grand

!  triangulaire, trapézoïdale, 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

!  Gaussienne, 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
Pierre mesure 1m625
!  Sigmoïdes... se traduit en logique floue par :
0.6

0.4
• « Pierre est petit » à un degré de 75%

0.2
• « Pierre est moyen » à 25%

0
Taille(m) • « Pierre est grand » à 0%
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9

II- Ensembles flous Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 11 II- Ensembles flous Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 12
 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

2.2 Opérations ensemblistes sur les ensembles flous 2.2 Opérations ensemblistes sur les ensembles flous

Fonction d’appartenance de l’ensemble des personnes grandes et âgées

Il faut définir les équivalents des opérations :
• Union (OU) µâgé (x) = 0.7
• Intersection (ET)
µgrand (x) = 0.5
• Complément (négation)
• Inclusion

µâgé ∧ grand (x) = ?

II- Ensembles flous Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 13 II- Ensembles flous Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 14

1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

2.2 Opérations ensemblistes sur les ensembles flous 2.2 Opérations ensemblistes sur les ensembles flous

Fonction d’appartenance de l’ensemble des personnes grandes et âgées Fonction d’appartenance de l’ensemble des personnes grandes ou âgées

µâgé (x) = 0.7

µgrand (x) = 0.5

µâgé ∨ grand (x) = ?

II- Ensembles flous Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 15 II- Ensembles flous Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 16
 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

2.2 Opérations ensemblistes sur les ensembles flous 2.2 Opérations ensemblistes sur les ensembles flous

Fonction d’appartenance de l’ensemble des personnes grandes ou âgées Une fonction de combinaison qui ressemblerait à :

µâgé (x) = 0.7

µgrand (x) = 0.5

II- Ensembles flous Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 17 II- Ensembles flous Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 18

1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

2.2 Opérateurs ensemblistes flous : l’union 2.2 Opérateurs ensemblistes flous : l’intersection

Partition floue de l'univers du discours Ensemble flou:"Personne petite OU moyenne" Partition floue de l'univers du discours Ensemble flou: "Personne petite et moyenne"
Petit Moyen Grand Petit Moyen Grand
1 1 1 1

0.8 0.8 0.8 0.8

0.6 0.6 0.6 0.6

0.4 0.4 0.4 0.4

0.2 0.2 0.2 0.2

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

0 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 1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9

Petit ou moyen Petit et moyen

µA∪B (x) = Max(µA (x), µB (x)) ∀x ∈ U µA∩B (x) = Min(µA (x), µB (x)) ∀x ∈ U

II- Ensembles flous Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 19 II- Ensembles flous Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 20
 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

2.2 Opérateurs ensemblistes flous : le complément 2.2 Opérateurs ensemblistes flous alternatifs

Ensemble floue :"Personnes non petites" Toute t-norme peut servir à définir Toute t-conorme peut servir à
Partition floue de l'univers du discours
1
Petit Moyen Grand
1
l’intersection floue définir l’union 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:
0.8 0.8 • 1 est élément neutre !x " [0,1] T ( x,1) = T (1, x) = x. • 0 est élément neutre !x " [0,1] S ( x, 0) = x.
• Commutative T ( x, y ) = T ( y, x) • Commutative S ( x, y ) = S ( y, x)
0.6 0.6 • 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)
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

Non petit

µĀ (x) = 1 − µA (x) ∀x ∈ U

II- Ensembles flous Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 21 II- Ensembles flous Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 22

1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

2.2 Opérateurs ensemblistes flous alternatifs 2.2 Opérateurs ensemblistes flous alternatifs

Toute t-norme peut servir à définir Toute t-conorme peut servir à Toute t-norme peut servir à définir Toute t-conorme peut servir à
l’intersection floue définir l’union floue l’intersection floue définir l’union floue

II- Ensembles flous Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 23 II- Ensembles flous Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 24
 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

2.2 Opérateurs ensemblistes flous les plus utilisés 2.2 Opérateurs ensemblistes flous

Pour toutes les définitions des opérateurs ET et OU, les propriétés des opérateurs
booléens classiques sont préservées
Dénomination Intersection Réunion Complément Commutativité
ET OU NON
(t-norme) (t-conorme) Distibutivité 2 exceptions notables
Opérateurs de #$ A ! (B " C ) = ( A ! B ) " ( A ! C ) 1. En logique floue, le principe du tiers exclu est contredit.
Zadeh µ A" B (x ) = min (µ A (x ), µ B (x )) µ A! B (x ) = max (µ A (x ), µ B (x )) µ A (x ) = 1 $ µ A ( x ) %
MIN/MAX $& A " (B ! C ) = ( A " B ) ! ( A " C ) A$ A "U i.e. µ A$ A (x ) " 1

Probabiliste
PROD/PROBOR µ A" B (x ) = µ A (x )# µ B (x ) µ A ( x ) + µ B ( x ) $ µ A ( x )# µ B ( x ) µ A (x ) = 1 $ µ A ( x ) Associaticité 2. En logique floue, on peut être A et non A en même
temps.
#$ A ! (B ! C ) = ( A ! B ) ! C
% A ! A " # i.e. µ A! A (x ) " 0
$& A " (B ! C ) = ( A " B ) " C

Lois de Morgan
!"
$# A ! B = A " B
%
$& A " B = A ! B

II- Ensembles flous Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 25 II- Ensembles flous Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 26

1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

2.2 Opérateurs ensemblistes flous 2.3 Relations floues

2 exceptions notables Relations classiques

1. En logique floue, le principe du tiers exclu est contredit. x
x
A$ A "U i.e. µ A$ A (x ) " 1 x x
x
x x
2. En logique floue, on peut être A et non A en même x
temps. x
x

A ! A " # i.e. µ A! A (x ) " 0 x

X Y
Taille = 1.80 est relié à poids = 70kg

Relations floues

Le prix d’achat est très inférieur au prix de vente

II- Ensembles flous Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 27 II- Ensembles flous Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 28
 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

2.3 Relations floues 2.3 Relations floues

Exemple :
Produit cartésien sur X x Y

$%"!)".-/&$!"&#!  
'%!,&#,0"$,"12."  1
1 2 3
1 0.8 0.3 
()'%!*+,('-#!./+#0&-"%1 2%!%,#/3,%!4/#+-.-"55" 
 2

0.8 1 0.8 
3 0.3 0.8 1
!"#$"!"#!%&'(#)"*+#',,-$("

II- Ensembles flous Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 29 II- Ensembles flous Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 30

1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

2.3 Relations floues 2.3 Relations floues

Exemple : Une relation floue est une relation binaire définie sur X x Y
par une fonction d’appartenance sur X x Y
R : X × Y → [0, 1]
(x, y) !→ µR (x, y)
Le prix du vendeur A est approximativement égal au prix du vendeur B

1
∀x ∈ X , ∀y ∈ Y fR (x, y) =
1 + (x − y)2

µA×B (x, y) = min{µA (x), µB (y)} Si x not in A, alors

pas d’image, et
! " sinon pas absurde
µB ! (y) = sup min{µA! (x), µA×B (x, y)}
x de prendre le min
des deux
II- Ensembles flous Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 31 II- Ensembles flous appartenances.
Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 32
 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

2.3 Relations floues

Inverse :
Composition Max-
∀x, y ∈ X × Y fR−1 (y, x) = fR (x, y) Min, la plus
fréquente, mais
3. L’inférence floue
pas unique

Composition de relations floues :

Le prix d’achat est très inférieur au prix de revient -----------------------------------

qui est approximativement égal au prix de vente

! $
" #
∀x, y, z ∈ X × Y × Z fR (x, z) = sup min fR1 (x, y), fR2 (y, z)
y∈Y

II- Ensembles flous Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 33 III- L’inférence floue Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 34

1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

3.1 Bases de règles floues 3- Variables floues

• Logique floue !basée sur des variables floues dites variables linguistiques à
• Si temps est beau ET moment est début_matinée alors Moral est haut valeurs linguistiques dans l’univers du discours U.
• Si cours est ennuyeux ET moment est début_cours alors Moral est bas • Chaque valeur linguistique constitue alors un ensemble flou de l’univers du
discours.
• Si cours est intéressant ET charge_de_travail est importante alors Moral est
maussade Exemple:
• Si ...

Si Temps est beau ET Moment est DébutMatinée ALORS Moral est haut

Prémisses Conjonction Implication Conclusion • Univers du discours : gamme de température de 0°C à 200°C
• Variables linguistiques : la température
• Valeurs linguistiques : “très froid”, “froid”, “tempéré”, “chaud”, “très chaud”
III- L’inférence floue Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 35 III- L’inférence floue Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 36
 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

3- La fuzzification 3- La fuzzification

• Les systèmes à logique floue prennent en entrée des variables floues et produisent en
sortie des variables floues Pour fuzzifier, il faut fournir :

• Il faut donc fuzzifier les mesures en entrée • l’univers du discours (i.e. plage de variation possible de l’entrée considérée)

• et défuzzifier les sorties pour obtenir des sorties précises • une partition en classe floue de cet univers

• les fonctions d’appartenance de chacune de ces classes

« Pierre est petit » à un degré de 75%

Pierre mesure 1m625 Interface de Processus délicat
« Pierre est moyen » à 25%
fuzzification « Pierre est grand » à 0%

III- L’inférence floue Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 37 III- L’inférence floue Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 38

1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

3.1 Bases de règles floues 3.2 Implication floue

• Si temps est beau ET moment est début_matinée alors Moral est haut

• Si cours est ennuyeux ET moment est début_cours alors Moral est bas En logique classique En logique floue
• Si cours est intéressant ET charge_de_travail est importante alors Moral est ! Si p Alors q Si ( X est A ) Alors (Y est B )
"
maussade # p vrai Alors q vrai • La variable floue X appartient à la classe floue A avec un
degré de validité µ(x0)
• Si ...
• La variable floue Y appartient à la classe floue B à un degré
qui dépend du degré de validité µ(x0) de la prémisse

Si Temps est beau ET Moment est DébutMatinée ALORS Moral est haut

Prémisses Conjonction Implication Conclusion

III- L’inférence floue Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 39 III- L’inférence floue Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 40
 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

3.2 Implication floue 3.2 Implication floue

On veut maintenant définir une relation correspondant à l’implication logique

Relation : Si ... alors ...

Si le poids est important alors le prix est élevé (Diamant)

Il n’existe pas de généralisation unique de l’implication logique

fA fB

poids prix

! "
f→ (x, y) = Φ fA (x), fB (y)

III- L’inférence floue Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 41 III- L’inférence floue Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 42

1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

3.2 Modus ponens généralisé : 2 méthodes usuelles 3.2 Implication floue

Il n’existe pas de généralisation unique de l’implication logique

f→R (x, y) = 1 − fA (x) + fA (x) · fB (y) Reichenbach

! "
f→W (x, y) = Max 1 − fA (x), min(fA (x), fB (y) Willmott

1 si fA (x) ≤ fB (y)
f→R G (x, y) = Rescher-Gaines
0 sinon


! "
f→K D (x, y) = Max 1 − fA (x), fB (y) Kleene-Dienes
&
1 si fA (x) ≤ fB (y)
f→B G (x, y) = Brouwer-Gödel
fB (y) sinon
& ! "
Min fB (y)/fA (x), 1 si fA (x) #= 0
f→G (x, y) = Goguen
! " 1 sinon
Méthode de Mamdani : µconclusion (y) = Min µpremisse (x0 ), µconclusion (y)
y
! "
f→L (x, y) = Min 1 − fA (x) + fB (y), 1 Lukasiewicz

Méthode de Larsen : µconclusion (y) = µpremisse (x0 ) × µconclusion (y)

! "
f→L (x, y) = Min fA (x), fB (y) Mamdani

f→L (x, y) = fA (x) · fB (y) Larsen

III- L’inférence floue Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 43 III- L’inférence floue Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 44
 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

3.2 Implication floue 3- Le raisonnement flou

Si le poids est important alors le prix est élevé (Diamant)

Soit l’implication de Kleene-Dienes :
A v B = ¬A -> B
fA fB
A " B = ¬(¬A v ¬B)

Redérivez A v B : poids prix

“poids relativement important”
fA
µA∨B (x) = min{1, µA (x) + µB (x)}

?
poids
Redérivez A " B : µA∧B (x) = 1 − min{0, 1 − µA (x) + 1 − µB (x)}
“poids de 1.4 carat”
= max{0, µA (x) + µB (x)} fA

poids

III- L’inférence floue Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 45 III- L’inférence floue Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 46

1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

4- Le modus ponens classique

*
4. Le raisonnement flou *!!67!8
!!!!!!!!!!8

-----------------------------------
9,44":&,.+/#";
9,44":<;!!!!!!!!!!!!!67!!!!!!4,+#"5:<;
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!4,+#"5:&,.+/#";

IV- Le raisonnement flou Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 47 IV- Le raisonnement flou Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013
 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

4- Le modus ponens flou 4- Le modus ponens flou

Règle floue : Si V est A alors W est B

• Plus la condition sur les entrées est vraie
Fonction d’appartenance fA fB • Plus la sortie préconisée doit être respectée

Fait observé : V est A’

• Si la température est très basse alors chauffer fort
Fonction d’appartenance fA!
Ici, la conclusion de la règle floue est l’appartenance de la variable floue de sortie
Conclusion : W est B’ “chauffer” à la classe de sortie “fort”

Fonction d’appartenance fB ! ? Cette appartenance dépend de :

• la classe floue de sortie considérée

∀y ∈ Y
!
fB ! (y) = sup # fA! (x), f→ (x, y)
"
• du degré de validité de la prémisse µpremisse (x0 )
x∈X • de la méthode d’implication choisie

IV- Le raisonnement flou Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 IV- Le raisonnement flou Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 50

1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

4- Modus ponens généralisé : exemple 4- Combinaison de règles

Règle : si la température est très basse alors chauffer fort

• R1 : Si X1 est A11 ET X2 est A12 alors Y est B1
! $
Fait : T = 3°C "
µconclusion (y) = supx∈X miny∈Y µprémisse (x), f→ (x, y)
#
• R2 : Si X1 est A21 ET X2 est A22 alors Y est B2
" #
= miny∈Y µprémisse (x0 ), f→ (x0 , y)
(en utilisant " l’implication de Mamdani) #
• R3 : Si X1 est A31 ET X2 est A32 ET X3 est A33 alors Y est B3
= miny∈Y "µprémisse (x0 ), min(µprémisse#(x0 ), µconclusion (y)
µ='conclusion
miny∈Y ( y ) =µMIN (µ(x
prémisse 0 ), µ
prémisse (xconclusion (y)
0 ), µ conclusion ( y ))
• ...
y

1
Température trés basse 1
Chauffer fort

0.8 0.8
• Une règle est activée dès qu’elle a une prémisse ayant une valeur de vérité non
0.7
nulle
0.6 0.6

0.4 0.4 • Plusieurs règles peuvent être activées simultanément et conclure sur des
0.2 0.2 conclusions de degrés de vérité différents éventuellement contradictoires.
0 0
12KW
T(°C) Puissance chauffe(KW)
-10 -5 0 3 5 10 15 0 5 10 15

T=3°C Il faut agréger les conclusions et leur degré de vérité

Selon cette règle, si T = 3°C alors la puissance de chauffe = 12 kW
IV- Le raisonnement flou Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 51 III- L’inférence floue Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 52
 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

4- Combinaison de règles 4- Combinaison de règles

On considère que les règles sont liées par un opérateur OU

µB (y) = Max[µBi (y)]

i

i : indice des règles activées

III- L’inférence floue Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 53 III- L’inférence floue Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 54

1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

4- Combinaison de règles : exemple 4- Combinaison de règles : exemple

On considère un moteur d’inférence à 4 règles qui

fournit pour sa sortie tension S1, les résultats Tension de sortie Tension de sortie
suivants : 1 Petite Moyenne Grande 1

0.8 0.8
R1
µpetite=0.6
Moteur R2
µpetite=0.7
0.6
Agrégation
0.6

des conclusions
d’inférences R3
µmoyenne=0.3
0.4 0.4

4 règles R4 µ 0.2 0.2

grande=0.1
0 0
Volt(v) Volt(v)
0 2 4 6 8 10 0 2 4 6 8 10

Tension de sortie Tension de sortie

1 Petite Moyenne Grande 1 Petite Moyenne Grande

0.8 0.8 • On a alors une fonction d’appartenance en sortie

0.6 0.6

0.4
Implication floue 0.4

0.2 de Mamdani 0.2

Il faut défuzzifier
0 0
Volt(v) Volt(v)
0 2 4 6 8 10 0 2 4 6 8 10

III- L’inférence floue Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 55 IV- Le raisonnement flou Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 56
 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

4- Deux principales méthodes de défuzzification 4- Deux principales méthodes de défuzzification

1. Méthode du centre de gravité (COG) 2. Méthode moyenne des maximums (MM)

C’est l’abscisse du centre de gravité C’est la moyenne des valeurs de sorties • La défuzzification COG est presque toujours employée en commande floue
de la surface sous la courbe résultat les plus vraisemblables

" y ! µ ( y )! dy " y ! dy
sortie = S • La défuzzification MM est plutôt employée lorsqu’il s’agit de discriminer une valeur
sortie = U
" µ ( y )! dy " dy de sortie
S
U
$& %&
U = Univers du discours où S = ' y0 # U / µ ( y0 ) = SUP (µ ( y ))( (ex : reconnaissance de formes)
= Toutes les valeurs de sorties considérées )& y#U *&

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
III- L’inférence floue Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 57 III- L’inférence floue Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 58

1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

4- Synthèse d’une prise de décision par logique floue 4- Exemple : notation de copies par logique floue

On choisit :

Résultats obtenus (sur 20)

Système
Méthodes utilisées (sur 20) Évaluation du travail (sur 20)
d’inférences
Présentation (sur 20) floues

Classes d’appartenance :
• Résultats dans {médiocre, moyen, excellent}
• Méthode dans {médiocre, moyen, excellent}
• Évaluation dans {médiocre, mauvais, moyen, bon, excellent}

IV- Le raisonnement flou Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 59 IV- Le raisonnement flou Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 60
 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

4- Exemple : notation de copies par logique floue 4- Exemple : notation de copies par logique floue

Choix des fonctions d’appartenance Base de règles :

Entrée : Sortie :
1. Si (Résultats est excellent) alors (Evaluation est excellent)

2. Si (Résultats est moyen) alors (Evaluation est moyen)

3. Si (Résultats est médiocre) alors (Evaluation est médiocre)

4. Si (Résultats est moyen) et (Méthodes est médiocre) alors (Evaluation est mauvais)

5. Si (Résultats est moyen) et (Méthodes est excellent) alors (Evaluation est bon)

6. Si (Résultats est médiocre) et (Méthodes est moyen) alors (Evaluation est mauvais)

7. Si (Résultats est excellent) et (Méthodes est excellent) et (Présentation est excellent)

alors (Evaluation est excellent)

8. Si (Résultats est médiocre) et (Méthodes est excellent) alors (Evaluation est moyen)

9. Si (Résultats est excellent) et (Méthodes est médiocre) alors (Evaluation est moyen)

IV- Le raisonnement flou Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 61 IV- Le raisonnement flou Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 62

1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

4- Exemple : notation de copies par logique floue 4- Exemple : notation de copies par logique floue

Choix des opérateurs flous Surface de décision obtenue

ET flou : MIN
OU flou : MAX
Implication floue : MIN
Agrégation des règles : MAX
Défuzzyfication : COG
Obtenue pour une évaluation de la présentation de 10/20

V- Conclusions Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 63 IV- Le raisonnement flou Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 64
 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

4- Exemple : notation de copies par logique floue

Surface de décision obtenue

5. Conclusion et bilan

-----------------------------------

Décision selon modèle linaire :

Décision selon logique floue
note = 0.6 résultats + 0.3 méthode + 0.1 présentation

( Obtenues pour une évaluation de la présentation de 10/20 )

IV- Le raisonnement flou Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 65 V- Conclusions Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 66

1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

5- Champs d’application 5- Contrôleurs flous

c +- e Régulateur flou u Système y

• Aide à la décision, au diagnostic

• domaine médical, orientation professionnelle, ...

• Bases de données
• objets flous, requêtes floues
Opérateurs de
logique floue
• Reconnaissance de formes Méthode
Ensembles Base de règles
d’inférence Défuzzificateur
flous floues
Variables floue Variables
• Agrégation multicritère et optimisation d’entrée de sortie
e1 u1
e2 . Raisonnement u2
.. Pré-traitement Fuzzification Défuzzification Post-traitement ..
• Commande floue de systèmes em
flou .
un

V- Conclusions Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 67 V- Conclusions Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 68
 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

5- Historique 5- Historique : la maturité

• 1965 : Concept d’ensemble flou introduit par Lofti Zadeh (Berkeley) • 1990: Généralisation de l’utilisation de cette technique.
• appareils électroménagers (lave-linge, aspirateurs, autocuiseurs,...etc) ,
• “Fuzzy set theory” : définition des ensembles flous et des opérateurs associés • systèmes audio-visuels (appareils de photos autofocus, caméscope à stabilisateur d'images,
photocopieurs,...)
• 1970 : Premières applications • systèmes automobiles embarqués (BVA, ABS, suspension, climatisation,...etc.),
• systèmes autonomes mobiles,
• Systèmes experts ; aide à la décision en médecine ; commerce ...
• systèmes de décision, diagnostic, reconnaissance,
• systèmes de contrôle/commande dans la plupart des domaines industriels de production.
• 1974 : Première application industrielle
• Régulation floue d’une chaudière à vapeur réalisée par Mamdani • Processeurs dédiés et des interfaces de développement spécifiques
• Ex: la famille des processeurs WARP (Weight Associative Rule Processor) de SGS-THOMSON
• Longtemps universitaire dont les principales caractéristiques sont les suivantes :
• Nombre de règles traitées : 256

• 1985 : Les Japonais lancent des produits avec “Fuzzy Logic Inside” •
•
Nombre d' entrées : 16
Nombre de sorties : 16

• Machines à laver ; appareils photos ; ... • Méthode de composition des règles : Centre de gravité
• Vitesse de traitement : 200 microsecondes pour 200 règles.

V- Conclusions Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 69 V- Conclusions Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 70

1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions 1- Introduction 2- Ensembles flous 3- Inférence floue 4- Raisonnement flou 5- Conclusions

Références
Remerciements

• Ces transparents reprennent en partie ceux de :

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

• L. Gacogne : « Éléments de logique floue ». Hermès, 1997. dont les transparents sont très bien faits.

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

Merci !!

V- Conclusions Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 71 V- Conclusions Intelligence Artificielle - Logique Floue • ! A. Cornuéjols 2013 72