Vous êtes sur la page 1sur 16

Ministère de l'Enseignement Supérieur et de la Recherche

Scientifique

Université Echahid Hamma Lakhdar – El Oued


Faculté de Technologie
Département de Génie Electrique

Cours de:

Techniques de l'Intelligence Artificielle

Niveau : 2ième Année Master Commande Electrique

Préparé et enseigné par :


Dr. BEKAKRA Youcef
Maître de Conférences -A-
Sommaire

Sommaire

Chapitre I : La Logique Floue ..................................................................... 6

I.1. Introduction : ............................................................................................................................ 6


I.2. Principe de la Logique Floue : .............................................................................................. 7
I.3. Opérateurs Flous : ................................................................................................................... 8
I.4. La Commande Floue : ............................................................................................................. 9
I.5. Réglage par Logique Floue : ................................................................................................10
I.6. Configuration Interne d’un Régulateur à Logique Floue : ..............................................10
I.6.1. Fuzzification : ...................................................................................................................11
I.6.2. Inférence Floue : ..............................................................................................................11
I.6.3. Défuzzification : ...............................................................................................................11
I.7. Avantages et Inconvénients du Réglage par Logique Floue: ........................................12
I.7.1. Avantages : .......................................................................................................................12
I.7.2. Inconvénients : .................................................................................................................12
I.8. Exemple d’Application de la Logique Floue (Régulation de Température) sous
Matlab/Simulink: ............................................................................................................................12
1er cas : Régulation avec un Correcteur PID : ......................................................................12
2ème cas : Régulation avec un Correcteur Flou : .................................................................13

Chapitre II : .................................................................................................17

Réseaux de Neurones Artificiels .............................................................17

II.1. Introduction : ..........................................................................................................................17


II.1. Historique : .............................................................................................................................17
II.4. Le Système Nerveux : ...........................................................................................................18
II.2. Modèle Biologique du Neurone : ........................................................................................19
II.3. Le Neurone Formel :..............................................................................................................19
II.4. RNA : ........................................................................................................................................21
II.3. Fonction de Combinaison : .................................................................................................21
II.5. Structure d'Interconnexion : ................................................................................................21
II.5.1 Réseau Multicouche :......................................................................................................22
II.5.2. Réseau à Connexions Locales : ..................................................................................22
II.5.3. Réseau à Connexions Récurrentes : ..........................................................................22

Cours : Techniques de l’Intelligence Artificielle 2 Dr. BEKAKRA Youcef


Sommaire
II.5.4. Réseau à Connexion Complète : .................................................................................22
II.6. Apprentissage : ......................................................................................................................23
II.6.1 Comment Apprendre un Réseau? ................................................................................23
a - Apprentissage Supervisé : .............................................................................................24
b - Apprentissage Non Supervisé : ....................................................................................25
II.7. Domaines d'Applications des Réseaux de Neurones : ..................................................25
II.8. Exemple d’un Réseau de Neurone sur Matlab : ...............................................................26

Chapitre III : ................................................................................................28

Les Algorithmes Génétiques ....................................................................28

III.1. Introduction : .........................................................................................................................28


III.1.1. Définition de l’Optimisation : .......................................................................................28
III.1.2. Fonction Objectif : .....................................................................................................28
III.2. Historique: .............................................................................................................................28
III.3. Terminologie : .......................................................................................................................29
III.4. Définition : ..............................................................................................................................29
III.5. Principe : ................................................................................................................................29
III.6. Présentation des Algorithmes Génétiques : ..................................................................30
III.6.1. Fonction d'Evaluation et Fonction Fitness : ................................................................30
III.6.2. Codage et Décodage des Variables :.............................................................................31
III.6.3. Sélection des Individus pour la Reproduction : ..........................................................32
III.6.3.1.Les Différentes Méthodes de Sélection : ....................................................................32
 Sélection par Roulette de Lotterie : ........................................................................32
 Sélection par rang : ...................................................................................................33
 Sélection statique : ....................................................................................................33
 Sélection par tournoi :...............................................................................................33
 Elitisme : ......................................................................................................................33
III.6.4. La Recombinaison Génétique : .....................................................................................34
III.6.4.1. Croisement : ............................................................................................................34
A. Croisement en un Point :.............................................................................................34
B. Croisement en deux Points : ......................................................................................35
III.6.4.2. Mutation : .................................................................................................................35
III.6.5. Le Choix des Paramètres d’un Algorithme Génétique :.........................................37
III.6.5.1. Taille de la Population : .........................................................................................37

Cours : Techniques de l’Intelligence Artificielle 3 Dr. BEKAKRA Youcef


Sommaire
III.6.5.2. Nombre de Générations : .....................................................................................37
III.6.5.3. Probabilité des opérateurs génétiques : ............................................................38
III.6.5.4. Critère d’Arrêt : .......................................................................................................38
III.6.5.5.Réglage des Paramètres d'un AG : ......................................................................39
III.7. Applications : ........................................................................................................................40

Chapitre IV : ................................................................................................41

Technique d’Optimisation par Essaims de Particules (PSO) ...............41

IV.2. Définitions de Base : ...........................................................................................................41


IV.3 Optimisation par Essaim de Particules (PSO): ................................................................42
IV.3.1 Origines : .........................................................................................................................42
IV.3.2 Principe de la Technique PSO : ...................................................................................42
IV.3.3 Principe de l’Algorithme PSO : ....................................................................................45
IV.3.3.1 Formulation Mathématique de l’Algorithme PSO : ...............................................45
IV.3.4 Exemple d’Application : ................................................................................................49

Références .................................................................................................54

Cours : Techniques de l’Intelligence Artificielle 4 Dr. BEKAKRA Youcef


Introduction :
La Technique d'Intelligence Artificielle (TIA) est une approche visant à émuler, dans des
systèmes artificiels, les capacités des espèces vivantes pouvant identifier l’environnement et
prendre les décisions adéquates en présence d’incertitudes et d’imprécisions. La Logique Floue
(LF) et les Réseaux de Neurones Artificiels (RNA) sont deux techniques qui disposent
aujourd’hui d’une théorie bien fondée et qui ont été efficacement utilisées dans divers domaines.
Dans le contexte informatique, la TIA réagie comme l’homme, alors que la solution
algorithmique, n’est pas connue, donc, n’existe pas. Aussi, le but de la TIA est de faire en sorte
que l’ordinateur, résidant par exemple dans un robot, se comporte comme l’homme c'est-à-dire :
 Capte des informations, avec l’équivalent de tout ou partie de nos cinq sens.
 Soit capable de raisonner et de s’adapter à une situation nouvelle.
 Soit capable d’agir ou de communiquer en conséquence.

Le robot d’aujourd’hui utilise l’informatique classique, le plus souvent un automate


programmable, programmé de manière séquentielle pour accomplir un travail ou une série
d’actions répétitives. Cependant, le robot du futur devrait grâce aux TIA, pouvoir faire face à des
situations imprévues, c’est-à-dire avoir une capacité de jugement au moins égale à celle d’un
ouvrier spécialisé. Entre autres les RNA, la LF et les Algorithmes Génétiques (AG) (seuls ou
combinés) ont des apparences d’IA.

Cours : Techniques de l’Intelligence Artificielle 5 Dr. BEKAKRA Youcef


Chapitre I La Logique Floue

Chapitre I : La Logique Floue

I.1. Introduction :

La logique floue (en anglais : Fuzzy Logic) est une extension de la logique booléenne
créée par le professeur Lotfi ZADEH en 1965 en se basant sur sa théorie mathématique
des ensembles flous, qui est une généralisation de la théorie des ensembles
classiques. En introduisant la notion de degré dans la vérification d'une condition,
permettant ainsi à une condition d’être dans un autre état que vrai ou faux, la logique
floue confère une flexibilité très appréciable aux raisonnements qui l'utilisent, ce qui
rend possible la prise en compte des imprécisions et des incertitudes.
Un des intérêts de la logique floue pour formaliser le raisonnement humain est que les
règles sont énoncées en langage naturel.
Voici par exemple quelques règles de conduite qu'un conducteur suit, en supposant
qu'il tienne à son permis (tableau I.1) :

Cours : Techniques de l’Intelligence Artificielle 6 Dr. BEKAKRA Youcef


Chapitre I La Logique Floue

Tableau I.1 Exemple de quelques règles de conduite

I.2. Principe de la Logique Floue :

Le principe du réglage par logique floue s’approche de la démarche humaine dans


le sens que les variables traitées ne sont pas des variables logiques (au sens de la
logique binaire par exemple) mais des variables linguistiques, proches du langage
humain de tous les jours. De plus ces variables linguistiques sont traitées à l’aide de
règles qui font références à une certaine connaissance du comportement du système.

Toute une série de notions fondamentales sont développées dans la logique floue.
Ces notions permettent de justifier et de démontrer certains principes de base. Dans ce
qui suit, on ne retiendra que les éléments indispensables à la compréhension du
principe du réglage par logique floue.

Afin de mettre en évidence le principe de la logique flou, on présente deux


exemples de représentation de la température, une en logique classique, et l’autre en
logique floue (voir figure I.1). Selon cette figure, en logique classique, une température
de 22.5° est considérée comme "élevée". En logique floue, une température de 22.5°
appartient au groupe “moyenne” avec un degré d’appartenance de 0.20, et appartient
au groupe “élevée” avec un degré d’appartenance de 0.80, (et au groupe “faible” avec
un degré d’appartenance de 0).

Cours : Techniques de l’Intelligence Artificielle 7 Dr. BEKAKRA Youcef


Chapitre I La Logique Floue

a) Représentation classique

b) Représentation floue

 : Degré d’appartenance.

Figure I.1 Comparaison de l’appartenance de la température en logique classique


vs la logique floue

I.3. Opérateurs Flous :

Les opérateurs flous décrivent comment des ensembles flous interagissent ensembles.
On regardera certaines opérations communes, comme le complément, l’intersection et
l’union.
 Le complément permet de vérifier de combien un élément n’appartient pas à un
ensemble. Comme exemple, si on a l’ensemble des températures élevées, le

Cours : Techniques de l’Intelligence Artificielle 8 Dr. BEKAKRA Youcef


Chapitre I La Logique Floue

complément est l’ensemble des températures qui ne sont pas élevées. Si A est
l’ensemble flou, son complément : A est :

 L’intersection de deux ensembles, en logique flou, est un peu différente des


méthodes classiques. On cherche à savoir de combien un élément est-il dans les
deux ensembles. On utilise alors la valeur minimale d’appartenance pour calculer
l’intersection.

 En logique floue, l’union est le contraire de l’intersection. On cherche à savoir de


combien un est-il dans l’un des deux ensembles. On utilise la valeur maximale
d’appartenance.

La figure I.2 résume ces opérations, de façon graphique :

Figure I.2 Exemple d’opérations sur des ensembles flous

I.4. La Commande Floue :

 Pourquoi un contrôleur flou ?


 La réponse :

Cours : Techniques de l’Intelligence Artificielle 9 Dr. BEKAKRA Youcef


Chapitre I La Logique Floue

 Un contrôleur standard (PID ou autres) demande toujours un modèle le plus


précis possible (équations différentielles).
 Un contrôleur flou ne demande pas de modèle du système à régler. Les
algorithmes de réglage se basant sur des règles linguistiques de la forme :
Si …… Alors ……

Alors, pour les systèmes mal connus ou complexes (non-linéaire), un contrôleur flou
s’avère très intéressant.

I.5. Réglage par Logique Floue :

Le régulateur par logique floue a une structure identique à un système à réglage par
feedback classique (ou réglage par contre-réaction), (figure I.3).

Figure I.3 : Structure d’un réglage par logique floue

I.6. Configuration Interne d’un Régulateur à Logique Floue :

La majorité des contrôleurs flous développés utilisent le schéma simple proposé


par E. Mamdani. Ce schéma est illustré par la figure I.4.

Un régulateur flou est traditionnellement décomposé en trois étapes :

 Fuzzification.
 Inférence floue.
 Défuzzification.

Cours : Techniques de l’Intelligence Artificielle 10 Dr. BEKAKRA Youcef


Chapitre I La Logique Floue

Base de
connaissances

Fuzzification Défuzzification

Floue Inférence Floue


floue
CONTROLEUR FLOU

Non floue Processus Non floue

Figure I.4 Structure interne d’un régulateur flou

I.6.1. Fuzzification :

Elle présente la première étape de traitement flou, son objectif est de transformer
les variables déterministes d’entrée en variables linguistiques, en définissant des
fonctions d’appartenance pour différentes variables d’entrée.

I.6.2. Inférence Floue :

L’inférence floue est le processus de formulation de la relation entre les entrées et les
sorties par logique floue. Cette relation offre une base avec laquelle la décision est prise
par le système flou.

I.6.3. Défuzzification :

Cette étape consiste à transformer la valeur linguistique issue de régulateur flou en


valeur numérique.

On distingue trois méthodes différentes : celle du maximum qui correspond à un seul


point qui est le point milieu de la zone activée avec l’indice le plus fort, celle de la
moyenne des maxima et celle du centre de gravité (ou centroïde). Il est toutefois
reconnu que la méthode de centre de gravité donne les meilleurs résultats.

Cours : Techniques de l’Intelligence Artificielle 11 Dr. BEKAKRA Youcef


Chapitre I La Logique Floue

I.7. Avantages et Inconvénients du Réglage par Logique Floue:

I.7.1. Avantages :

 Pas besoin de modèle mathématique.


 Possibilité d’implémenter des connaissances linguistiques.
 Maîtrise de systèmes à régler avec un comportement complexe.
 Disponibilité des systèmes de développement efficaces, soit pour micro-
processeur ou PC « solution logiciel », soit pour les circuits intégrés (processeurs
dédicacés, fuzzy processors), « solution matérielle ».

I.7.2. Inconvénients :

 Manque de directives précises pour la conception d’un réglage.


 Les règles doivent être disponibles.
 Approche artisanale et non systématique.
 Aucune méthode formelle pour l’ajustement.

I.8. Exemple d’Application de la Logique Floue (Régulation de


Température) sous Matlab/Simulink:

On présente ici le cas de réglage de la température d’une serre. Dans ce but, on


mesure la température avec un capteur qui fournit la valeur de la grandeur à régler.

On suppose que le système est linéaire et ayant une fonction de transfert H(s)=1/(s+2).
C’est un système de contrôle de température avec un élément de chauffage et de
ventilation. La température désirée est de 20°C. La température extérieure est de 10°C
et son effet intervient au niveau de l’intégrateur. On modélise le système avec
Matlab/Simulink.

Pour la régulation de ce système, on propose deux solutions:

1er cas : Régulation avec un correcteur PID (Figure I.5),

2ème cas : Régulateur avec un correcteur flou (Figure I.7).

1er cas : Régulation avec un Correcteur PID :

Paramètres du système simulé:

Cours : Techniques de l’Intelligence Artificielle 12 Dr. BEKAKRA Youcef


Chapitre I La Logique Floue

Step = 20°C;
Step1 = -1.5°C;
Integrator: CI = 10;
Lower saturation limit = 10;

Transport Delay = 1;
PID (1;0;1);

Figure I.5 Régulation avec un correcteur PID

On trace à la même figure l’entrée et la sortie (la réponse) de ce système :

Correcteur PID
21
20
19
18 X: 17.2
Température (°C)

Y: 17
17
16
15 Température mesurée
Température de référence
14
13
12
11
10
0 5 10 15 20 25
Temps (sec)

Figure I.6 Réponse du système avec un correcteur PID

2ème cas : Régulation avec un Correcteur Flou :

Cours : Techniques de l’Intelligence Artificielle 13 Dr. BEKAKRA Youcef


Chapitre I La Logique Floue

On considère alors le même système de la figure I.5, mais ici on remplace le « PID
Controller » par « Fuzzy Logic Controller », (Figure I.7):

Figure I.7 Régulation avec un correcteur flou

Pour construire notre régulateur flou (Fuzzy Logic Controller), on commence tout
d’abord par définir l’entrée et la sortie, On prendra pour entrée l’erreur, c’est l’écart de
température et pour sortie la commande (On commence en tapant fuzzy à la ligne de
commande, on obtient alors le fis Editor de Matlab).
Ensuite on définira les plages de variations (les ensembles flous) et les fonctions
d'appartenances en utilisant l’interface (Edit Membership function) ; et ceci et pour
l’entrée et pour la sortie.
Les fonctions d’appartenances utilisées sont de type trimf (triangulaires). Une fois le
type de fonction d’appartenance choisi ainsi que la plage de variation on appellera
chaque partie de la fonction d’appartenance par un nom significatif on aura alors :

Lorsque l’erreur est négative, la température de sortie est supérieure à la consigne


donc c’est chaud, Lorsqu’elle est positive la fonction d’appartenance est nommée froid,
et la partie du milieu sera nommée OK.

On fera de même pour la commande, la partie décroissante sera nommée refroidir


(Elle correspond à l’entrée chaud), la partie croissante sera nommée réchauffer, et les
deux segments du milieu sont assignés à une commande appelée rien.

Les règles d’inférences seront alors définies comme suit :

 Si c’est chaud alors refroidir.


 Si c’est Ok alors rien faire.
 Si c’est froid alors réchauffer.
Le système d’inférence flou sera de type Mamdani et la défuzzification se fera avec la
méthode centroïde.

Cours : Techniques de l’Intelligence Artificielle 14 Dr. BEKAKRA Youcef


Chapitre I La Logique Floue

On enregistre le régulateur sur le disque (Ctrl + S) et sur le workspace (Ctrl + T) pour


pouvoir le charger à partir de Simulink.
On simule le système et on trouve une erreur flagrante sur la réponse, pour y remédier
on a changé les plages de variation des entrée et de la sortie sur notre régulateur ; on a
pris alors :
 [-8.5 14] plage de variation de l’erreur (entrée).
 [-30 37] plage de variation de la commande (sortie).

Figure I.8 Interface de la logique floue sous Matlab

Cours : Techniques de l’Intelligence Artificielle 15 Dr. BEKAKRA Youcef


Chapitre I La Logique Floue

Chaud Ok Froid Refroidir Rien Rechauffer


1 1

Degree of membership
Degree of membership
0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 0

-5 0 5 10 -30 -20 -10 0 10 20 30


erreur commande

Figure I.9 Fonctions d’appartenance de l’entrée (erreur) et de la sortie (commande)

22
X: 20.48
Y: 19.98
20
Température (°C)

X: 20.48
18
Y: 17

16
PID
14 Référence
Flou

12

10
0 5 10 15 20 25
Temps (sec)

Figure I.10 Réponse du système avec un correcteur PID et flou

D’après la figure I.10, on remarque que la régulation par un correcteur flou a les
meilleures performances que le correcteur PID dans ce cas.

On pourrait encore modifier les fonctions d'appartenance du contrôleur flou pour obtenir
une meilleur performance.

Cours : Techniques de l’Intelligence Artificielle 16 Dr. BEKAKRA Youcef