Introduction à la logique floue

par Arnold KAUFMANN

Ancien professeur à l’Institut Polytechnique de Grenoble,
à l’École Supérieure des Mines de Paris et à l’Université de Louvain
Professeur Honoraire de l’Institut d’Administration
des Entreprises de Barcelone

1. Rappel sur l’algèbre de Boole..................................................... A 120 - R 7 032 - 2

2. Logique floue................................................................................... — 2
3. Rappel sur la théorie des probabilités ..................................... — 3
4. Axiomatique des sous-ensembles flous .................................. — 3
5. Relations floues .............................................................................. — 4
6. Inférences floues............................................................................ — 5
7. Nombres flous................................................................................. — 7
8. Sous-ensembles aléatoires flous et expertons ...................... — 7
9. Domaines d’application ............................................................... — 8
10. Exemple ............................................................................................ — 8
Pour en savoir plus ................................................................................. Doc. A 120 - R 7 032

L es concepts introduits par les mathématiques floues intéressent tous les

ingénieurs, partout où ils n’ont pas la possibilité d’effectuer des mesures
formelles ou probabilistes.
De tels cas se rencontrent dans beaucoup de techniques :
— soit parce qu’il n’existe pas d’antécédents ;
— soit parce qu’il s’agit des interactions homme-machine ;
— surtout quand on doit mettre en œuvre des nouveautés scientifiques dont
seulement quelques experts sont capables de proposer des données ; ces
données ne sont alors pas toujours numériques et sont souvent obtenues au
travers de connaissances exprimées par une sémantique, dont on cherche à
qualifier le niveau de vérité.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Informatique industrielle A 120 ; R 7 032 − 1
INTRODUCTION À LA LOGIQUE FLOUE ______________________________________________________________________________________________________

1. Rappel sur l’algèbre (A ∩ B) ∩ C = A ∩ (B ∩ C)  (3)

 associativité
(A ∪ B) ∪ C = A ∪ (B ∪ C) 
de Boole (4)

A∩A = A  (5)
Historique  idempotence
A∪A = A  (6)
La pensée humaine est une symbiose de la logique et de
l’imagination, agissant de concert ou séparément. La logique
A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)  (7)
humaine est un enchaînement d’idées, de concepts, concrets ou  distributivité
abstraits, aboutissant à des conclusions qui entraînent des A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)  (8)
décisions ou restant à l’état de résultats utilisables ou non. Les
formes de la pensée humaine, sous l’aspect de la logique, sont
infiniment variées, comme d’ailleurs l’imagination. Beaucoup A∩∅=∅ (∅ sous-ensemble vide) (9)
supposent que cela est une conséquence de l’asymétrie du
demi-cerveau gauche et du demi-cerveau droit, chacun ayant un A∪∅=A (10)
rôle différent mais communiquant sans cesse. A∩E=A (11)
Depuis la plus haute Antiquité, depuis que l’humain est
devenu, selon la terminologie des anthropologues, A∪E=E (12)
l’ homo-sapiens-sapiens , mais surtout depuis la civilisation
grecque antique, les penseurs ont cherché à reconstituer les (A) = A involution ( A est le complément de A ) (13)
mécanismes de la logique. D’Aristote à Chrysippe et bien
d’autres, et bien plus tard George Boole, ce génial clergyman A∩B = A ∪ B  (14)
anglais, et depuis lors, ici et là, très nombreux, les humains les  théorèmes de De Morgan
plus perspicaces ont cherché à définir les mécanismes de la A∪B = A ∩ B  (15)
logique, ce qui était le moteur de leurs déductions et actions.
La logique aristotélicienne présentée vingt siècles plus tard A∩ A = ∅ tiers-exclu (16)
par Boole sous une forme algébrique, celle de la théorie des
ensembles, comprend, entre autres et nombreuses propriétés : A∪ A = E non-contradiction (17)
— la non-contradiction, ce qui signifie qu’une proposition
On peut ajouter, dans un but pratique :
(ou prédicat) est vraie ou fausse, sans nuance ;
— le tiers-exclu, c’est-à-dire qu’une proposition ne contient A ∩ (A ∪ B) = A  (18)
jamais une valeur de vérité entre celle du faux et celle du vrai.  contraction
Ces deux propriétés en réalité n’en forment qu’une : absence A ∪ (A ∩ B) = A  (19)
de positions intermédiaires entre le faux et le vrai. Et dans ce
On va appeler valuation la valeur de vérité attachée à chaque
cas le faux est la négation du vrai et réciproquement. Si une pro-
propriété ensembliste :
priété est désignée par P et la propriété contraire ou négation
est désignée par ¬ P, on a alors : P est vraie ⇒ v (P ) = 1 (20)
P ∆ ¬ P = F (faux) , P ∇ ¬ P = V (vrai) P est fausse ⇒ v (P ) = 0 (21)
c’est-à-dire, une propriété P avec sa négation ¬ P forment une C’est une habitude dont les origines remontent à l’époque de
proposition composée toujours fausse où le symbole ∆ Boole.
représente le connecteur sémantique ET. De même P et ¬ P On écrira aussi, pour un élément x appartenant à E :
forment une proposition composée toujours vraie le symbole ∇
représente le connecteur ET/OU (que l’on écrit souvent abusive- x ∈ E ⇒ v (x ) = 1 (22)
ment avec OU qui est en réalité exclusif, l’un ou l’autre mais pas
x ∉ E ⇒ v (x ) = 0 (23)
les deux).
Nous cessons ce rappel de l’algèbre de Boole, pour sortir de ces
connaissances classiques et pénétrer dans le nouveau domaine de
Tous les ingénieurs connaissent les propriétés des ensembles ordi- l’algèbre multivalente ou algèbre floue.
naires et de la logique booléenne qui en est une présentation
numérique [1]. Mais il est bon de rappeler la configuration en treillis
distributif et complémenté ou treillis de Boole de ces ensembles.
Un peu plus loin nous nous servirons de ce rappel. 2. Logique floue
So i t E u n e n s e m b l e a p p e l é r é f é re n t i e l e t A, B, C d e s
sous-ensembles de ce référentiel. On a alors : On va commencer par se servir d’une représentation commode
pour débuter. Ce qui a été présenté en (22) et (23) s’appelle, dans
∀ A, B, C ⊂ E la théorie classique des ensembles, fonction caractéristique.
Maintenant, supposons que v (x ) au lieu de prendre la valeur 0 ou
et les symboles ∩ (intersection) et ∪ (union) :
la valeur 1 puisse prendre toute valeur dans l’intervalle [0,1]. Ainsi,
A∩B = B∩A (1) un élément x pourra appartenir au référentiel avec une valeur

 commutativité comprise entre 0 et 1 aussi. Un tel sous-ensemble dont les éléments
A∪B = B∪A  (2) ont cette propriété sera appelé sous-ensemble flou.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
A 120 ; R 7 032 − 2 © Techniques de l’Ingénieur, traité Informatique industrielle
_____________________________________________________________________________________________________ INTRODUCTION À LA LOGIQUE FLOUE

Ainsi :
x ∈ E ⇒ v (x ) = a , a ∈ [0,1]
Un sous-ensemble flou sera alors noté A .
, sous-ensembles ordinaires forment un treillis de Boole tandis que
La figure 1 a donne la représentation d’un sous-ensemble
ordinaire (de la logique classique) de R (le continuum de – ∞ à + ∞ )
et la figure 1b représente un sous-ensemble flou de R .
Comme on le voit, au lieu d’un passage brutal de 0 à 1 de 1 à 0,
l’appartenance d’un sous-ensemble au référentiel s’effectue, si cela
correspond au réel, avec la continuité convenable.
Prenons le cas d’un référentiel fini :
E = {a, b, c, d, e, f, g }
est un sous-ensemble ordinaire de E.
Toutes les propriétés décrites par les relations (1) à (19) pour les
(24) sous-ensembles ordinaires sont valables pour les sous-ensembles
flous sauf le tiers-exclu (16) et la non-contradiction (17). Les
les sous-ensembles flous forment un treillis distributif. Un treillis
de Boole est aussi distributif mais possède en plus les propriétés (16)
et (17) attachées à la négation que divers auteurs appellent aussi
complémentation.
La théorie algébrique des fonctions caractéristiques des
sous-ensembles ordinaires, on l’a précisé (§ 1), est due à George
Boole (vers 1850). La théorie algébrique des fonctions d’apparte-
nance des sous-ensembles flous est due au Professeur Leofi A. Zadeh
de l’université de Californie à Berkeley (proposée dès 1965).
Nota : il convient de signaler dès maintenant qu’il ne faut pas confondre la théorie des
probabilités et celle des sous-ensembles flous. La théorie des probabilités est basée sur la
théorie de la mesure et concerne donc les phénomènes mesurables en probabilité tandis
(25) que celle des sous-ensembles flous concerne les phénomènes incertains où la mesure
n’est pas possible ni même concevable. D’autre part, la théorie des probabilités est conçue
pour les phénomènes de caractère objectif tandis que celle des sous-ensembles flous l’est
pour les phénomènes de caractère subjectif.

(26)
3. Rappel sur la théorie
des probabilités
est un sous-ensemble flou de E.
On rappelle l’axiomatique de la théorie des probabilités ou axio-
On a l’habitude d’appeler fonction d’appartenance pour un
matique de Borel-Kolmogorov.
ensemble flou, ce qui est appelé fonction caractéristique pour un
sous-ensemble ordinaire. Soit E un référentiel, 3 ( E ) l’ensemble de ses parties, ∆ ⊂ 3 ( E )
contenant obligatoirement E. On doit avoir :
O n défini t c omme s ui t l ’ i n te r secti o n , l a réu n i o n e t la
complémentation pour les sous-ensembles flous. Le symbole ∀A ∈ ∆ : A ∈ ∆ (30)
µ représente la fonction d’appartenance.
Soient A , B ⊂ E où E est un référentiel donné et quelconque et ∀ A ∈ ∆ et ∀ B ∈ ∆ : A ∪ B ∈ ∆ (31)
, ,
x ∈ E , µ A ( x ), µ B ( x ) ∈ [ 0,1 ] . Il s’agit de tous les nombres compris ∀A ∈ ∆ : pr ( A ) > 0 (32)
, ,
entre 0 et 1, où 0 est la borne inférieure incluse dans ce segment
et 1 est la borne supérieure incluse dans ce segment. Les fonctions ∀A ∈ ∆ et ∀B ∈ ∆ :

µ A ( x ) et µ B ( x ) ont des valeurs dans ce segment. ( A ∩ B = ∅ ) ⇒ pr ( A ∪ B ) = pr ( A ) + pr ( B )  (33)
, , pr ( E ) = 1 
µA ∩ B ( x ) = µA ( x ) ∧ µB ( x ) intersection (27)
, , , , La configuration des sous-ensembles ainsi probabilisés est un
treillis de Boole.
µA ∪ B ( x ) = µA ( x ) ∨ µB ( x ) réunion (28)
, , , ,

µA ( x ) = 1 Ð µA ( x ) complémentation (29) 4. Axiomatique

, ,
des sous-ensembles flous
avec les symboles ∧ minimum, ∨ maximum.
Lorsqu’il s’agit de sous-ensemble flous, il est préférable de dire Voyons l’axiomatique correspondant à la valuation d’un
« complémentation » au lieu de « négation » (à réserver aux sous-ensemble flou (il est préférable de ne pas employer les mots
algèbres de Boole). mesure floue ).
v (∅) = 0 , v (E ) = 1 (34)
∀A , B ⊂ E : ( A ⊂ B ) ⇒ ( v ( A ) < v ( B ) ) (35)
, , , , , ,
La propriété (35) est appelée monotonie par inclusion.
Une probabilité est une valuation mais une valuation n’est pas
une probabilité à moins de satisfaire (30) (31) (32) et (33) pour tous
les sous-ensembles considérés.
La notion de sous-ensemble flou est liée à celle d’intervalle ou
segment du référentiel par le concept de coupure de niveau α ou
α – coupure.
Sur la figure 2, [m, n ] ∪ [p, q ] représente la coupure de niveau
α du sous-ensemble flou. Évidement α ∈ [0, 1]. Un sous-ensemble
flou est entièrement défini par l’ensemble de toutes ses coupures
de α = 0 à α = 1.

Figure 1 – Sous-ensemble ordinaire (a ) et sous-ensemble flou (b )

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Informatique industrielle A 120 ; R 7 032 − 3
INTRODUCTION À LA LOGIQUE FLOUE ______________________________________________________________________________________________________

Les propriétés des relations floues généralisent celles des relations

non floues. On remarque que (39) et (40) peuvent s’appliquer aux
relations booléennes. Comme pour un référentiel unique, le cas d’un
référentiel E1 × E2 fait intervenir des α – coupures qui donnent des
relations booléennes. De très nombreuses et nouvelles propriétés
sont attachées aux relations floues.
Lorsque E1 = E2 = E, on définit diverses propriétés particulières
comme on le fait habituellement pour les relations booléennes :
■ symétrie :
∀ ( x , y ) ∈ E × E : ( µ 5 ( x,y ) = µ ) ⇒ ( µ 5 ( y , x ) = µ ) (41)
, ,

Figure 2 – Coupure au niveau a ■ réflexivité :

∀ ( x , x ) ∈ E × E : µ5 ( x , x ) = 1 (42)
,

5. Relations floues ■ transitivité :

∀ ( x , y ), ( y , z ), ( x , z ) ∈ E × E :
Voyons maintenant la notion de relation floue. µ5 ( x , z ) > V [ µ5 ( x , y ) ∧ µ5 ( y , z ) ] (43)
, y , ,
On considère deux référentiels E 1 et E 2 (finis ou non). Soient
x ∈ E 1 et y ∈ E2, on désigne par µ 5 ( x , y ) ∈ [ 0,1 ] la fonction La fermeture transitive d’une relation floue 5
,
⊂ E × E est donnée
, par :
d’appartenance d’une relation 5 ⊂ E 1 × E 2 . Une telle relation floue
, ^ 2 3
est aussi appelée graphe flou. 5 = 5∪5 ∪5 ∪… (44)
, , , ,
Voyons un exemple. Soient : n fois








2 n
où 5 s 5,5 = 5 s 5 s … s 5
5 signifie , (45)
E1 = {a, b, c, d, e, f } (36) , , , , ,
E2 = {m, n, p, q, r } (37) ■ antisymétrie :
∀( x , y ) ∈ E × E :
µ5 ( x , y ) ≠ µ5 ( y , x ) 
, , 
ou µ5 ( y , x ) = µ5 ( x , y ) = 0  (46)
, ,
■ similitude :
Une relation floue transitive, réflexive et symétrique est dite
(38) relation de similitude.
■ ressemblance :
∀ (x , y ) ∈ E × E :
µ5 ( x , x ) = 1 (47)
,

est une relation floue sous-ensemble de E 1 × E 2 . On opére avec les µ5 ( x , y ) = µ5 ( y , x ) (48)

, ,
relations floues comme avec des matrices booléennes mais la
convolution de deux relations floues ne passe plus par l’opération Si dans les relations booléennes la ressemblance joue un faible
somme-produit mais par max-min (maximum-minimum). Ainsi rôle, dans le cas du flou cette relation est très intéressante.
soient deux relations floues 5,1
⊂ E 1 × E 2 ,5
,2
⊂ E 2 × E 3 , il vient : Évidemment la fermeture transitive d’une relation de ressemblance
donne une relation de similitude. D’autre part, les α – coupures d’une
µ 51 s 52 ( x,z ) = V ( µ 51 ( x , y ) ∧ µ 52 ( y , z ) ) (39) relation de ressemblance floue donnent des relations booléennes
, , y , ,
dans lesquelles on cherche les sous-relations maximales de
similitude ; ces sous-relations jouent un rôle important dans
ce qui signifie : l’analyse pour assembler des éléments ayant des propriétés en
µ5 ( x,z ) = sup [ min ( µ 51 ( x , y ), µ 52 ( y , z ) ) ] (40) commun.
s 52
, , ,
,1
Dans les relations floues on retrouve aussi les notions de
pré-ordre, d’ordre total ou linéaire, d’ordre partiel, de fonction
où x ∈ E 1 , y ∈ E 2 , z ∈ E3 ordinale, etc.
Les opérations max-min (ou sup-min) se font : ligne par colonne
comme on le fait avec les matrices.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
A 120 ; R 7 032 − 4 © Techniques de l’Ingénieur, traité Informatique industrielle
_____________________________________________________________________________________________________ INTRODUCTION À LA LOGIQUE FLOUE

et la relation entre a et b notée a p b = c doit satisfaire aux conditions

6. Inférences floues suivantes :
∀ a, b ∈ [0, 1]
Passons maintenant à une notion très importante dans les 1) a p b ∈ [ 0,1 ] (58)
applications nouvelles : systèmes experts, intelligence artificielle,
neuromimétique floue, etc. 2) 0p0 = 1, 0p1 = 1, 1p0 = 0, 1p1 = 1 (59)
■ On appelle d’abord la notion d’inférence dans le cas booléen. 3) ∀ a, b, a ’, b ’, ∈ [0, 1] :
Une proposition P est vraie ou fausse ou encore [(20) et (21)] :
( a < a ′ ) ⇒ [ ( a p b ) > ( a ′p b ) ] 
P est vraie : v (P ) = 1 (49) (b < b′) ⇒ [(apb) < (a p b′)]  (60)

P est fausse : v (P ) = 0 (50)
On appelle inférence une opération logique booléenne ou floue ■ Voici quelques inférences classiques utilisées dans les
définie de la façon suivante pour le cas booléen : mathématiques floues :
si a = v (P ) et b = v (Q ) (51) apb = a ∨b inférence de Lee (61)
on associe à P et Q :
a p b = 1 ∧ ( a + b) inférence de Lukaciewicz (62)
P & Q l′opérateur a p b = a ∨ b (52)
a p b = 1, a < b 
cela se lit : prendre le maximum du complément de a avec b  inférence de Godel-Mizumoto (63)
= b,a > b 
soit v ( P ) p v ( Q ) = v ( ¬ P ) ∨ v ( Q ) (53)
b  inférence de Goguen ou inférence des
L’inférence ainsi définie est aussi appelée implication. À partir a p b = 1 ∧ -----  probabilités conditionnelles (64)
a 
de (52) on a le tableau :

a+b 
a p b = -------------------  inférence relativiste (65)
1 + ab 

(54) etc.
On en connaît et utilise un grand nombre et on peut en définir
une infinité satisfaisant aux conditions (58), (59) et (60).
En logique multivalente, on peut utiliser le découpage de l’inter-
Avec ce tableau, on retrouve les deux formes classiques de valle [0, 1] en deux parties 0 et 1 (booléen), en trois parties 0, 0,5, 1
l’inférence où apparaissent les relations de cause à effet ou encore en quatre, etc. L’auteur recommande le découpage en endécadaire
le classique syllogisme : (du grec endéca qui signifie 11) qui est ni trop nuancé, ni pas
— le modus ponens : assez :
0, 0,1, 0,2, 0,3, ... ,0,7, 0,8, 0,9, 1 (66)
v (P ) = 1 , v (P&Q ) = 1 , v (Q ) = 1
(55)



















prémisses conclusion Avec la correspondance sémantique :

— le modus tollens : v (P ) = 0 faux, 

= 0,1 quasiment faux, 
v (Q ) = 0, v (P&Q ) = 1 , v (P ) = 0 = 0,2 presque faux, 
(56) 



















prémisses conclusion = 0,3 assez faux, 

= 0,4 plus faux que vrai, 
Il existe seulement ces deux modes. = 0,5 ni vrai, ni faux,  (67)
= 0,6 plus vrai que faux, 
Ainsi, l’exemple le plus classique : = 0,7 assez vrai, 
= 0,8 presque vrai, 
Modus ponens : Pierre est un homme ; être un homme, c’est être
= 0,9 quasiment vrai, 
mortel ; conclusion ; Pierre est mortel. = 1 vrai. 

Modus tollens : Gabriel n’est pas mortel ; être un homme, c’est
être mortel ; conclusion : Gabriel n’est pas un homme. Bien entendu, cette correspondance est arbitraire et bien des
■ Ce raisonnement booléen a été étendu aux inférences auteurs en choisissent d’autres.
multivalentes ou floues . Dans ce cas, il n’existe plus une seule L’endécadaire présente aussi l’avantage de donner des valuations
inférence telle (53) mais on peut en construire une infinité. Cela veut à un seul chiffre décimal pour diverses inférences, comme avec 3
dire que les prémisses peuvent être vraies, fausses et prendre aussi qui ne donne pas assez de nuances.
une valuation entre vraie et fausse. Ainsi peut-on avoir :
v (P ) = a, v (P → Q ) = c , v (Q ) = b (57)

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Informatique industrielle A 120 ; R 7 032 − 5
INTRODUCTION À LA LOGIQUE FLOUE ______________________________________________________________________________________________________

À titre d’exemple, nous présentons deux inférences floues par Pour utiliser les inférences floues, il faut savoir les inverser à
leurs représentations endécadaires : gauche et à droite, ce qui s’impose dans les systèmes experts.
– inférence de Luckaciewicz (62) : Voici, à titre d’exemple, l’inversion à droite et à gauche de l’infé-
rence de Lukaciewicz.

(68)
(70)

– inférence de Goguen (64) :

(70) représente l’inversion à droite de (68).
La formule correspondant à (70) est, en posant :

c = 1 ∧ ( a + b)

b = [ a ,1 ], c = 1, 
 (71)
= c + a Ð 1, a < c < 1 

= ∅, c < a

(69)

(72)

(72) représente l’inversion à gauche de (68)

La formule correspondant à (72) est :


a = [ 0, b ], c = 1, 
= 1 Ð c b, b<c<1  (73)
= ∅, c < b 


Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
A 120 ; R 7 032 − 6 © Techniques de l’Ingénieur, traité Informatique industrielle
_____________________________________________________________________________________________________
Les inférences s’enchaînent par la gauche et/ou par la droite
pour donner ce qu’on nomme des moteurs d’inférence ou suites
de relations de causes à effets où les données subjectives peuvent
être des prémisses et des conclusions valuées dans [0, 1] les plus
diverses. C’est la base des systèmes experts utilisant le flou.
7. Nombres flous
D’autres concepts très importants sont à décrire. Voyons la
notion de nombre flou.
La figure 3a représente un nombre ordinaire m ∈ R dont la fonc-
tion d’appartenance est µ (x = m) = 1 et la figure 3b représente un
nombre flou n où la fonction caractéristique est µ n ( x ) .
, ,
Un nombre flou est un sous-ensemble flou qui doit être convexe
et normal. La normalité est la propriété :
V µn ( x ) = 1 (74)
x ,
V ayant le même sens que pour la relation (39).
x Par exemple, les experts doivent se prononcer sur la valuation ou
La convexité est la propriété suivante : toute α – coupure est un
segment [a (α), b (α)], ∀ α.
Les nombres flous ont des propriétés qui généralisent les nombres
ordinaires d’une part et les intervalles de confiance (segments)
d’autre part.
Une classe particulière de nombres flous sont les nombres tra-
pézoïdaux (N F Tr ) (figure 4a ) dont un cas particulier le plus impor-
tant est constitué par les nombres triangulaires (N F T ) (figure 4b ).
Figure 3 – Nombre ordinaire et nombre flou
Figure 4 – Nombres flous trapézoïdaux (a ) et triangulaires (b )
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Informatique industrielle
INTRODUCTION À LA LOGIQUE FLOUE
Les nombres flous trapézoïdaux peuvent être l’objet de calculs
simplifiés très commodes sous la forme de (a 1 , [a 2 , a 3], a 4) et les
nombres flous triangulaires sous la forme (b 1 , b 2 , b 3) ; ces formes
sont appelées triplets de confiance.
Les sous-ensembles flous peuvent être associés de diverses
manières aux probabilités dans le cas où des phénomènes possèdent
des données déterministes, d’autres mesurées en probabilité,
d’autres se situant dans l’incertain (données floues). De nombreuses
extensions sont possibles.
8. Sous-ensembles aléatoires
flous et expertons
Une autre extension importante des sous-ensembles flous est celle
des sous-ensembles aléatoires flous et leur généralisation dans la
théorie des expertons. Voyons un exemple pour présenter les sous-
ensembles aléatoires flous. Supposons que l’on demande à 7 experts
de donner leur valuation dans [0, 1] sur une propriété ou un prédicat.
valeur de vérité d’une proposition comme : ce véhicule est en bon
état, la pression est trop élevée pour agir, la bonne direction est
indiquée sur la carte, le produit utilisé est approprié, etc. Soit la
figure 5.
Sur la figure 5, la colonne (4) représente un sous-ensemble aléa-
toire flou (SEAF), ici un singleton. L’algèbre des SEAF est celle des
valuations, des intervalles, des sous-ensembles flous : mêmes
configurations et structures.
Une généralisation encore plus large et extrêmement efficace pour
les expertises est celle des expertons. Supposons que les 7 experts
précédents soient autorisés à donner non pas exclusivement un
nombre de [0, 1], mais un segment de [0, 1], on formera alors un
experton qui généralise encore tous les concepts précédents. On
reprend donc la figure 5 avec des segments de [0, 1].
La colonne (4) de la figure 6 donne l’experton qui représente la
distribution des bornes donnée par les experts. Les expertons
généralisent tous les concepts flous donnés précédemment. On les
a aussi étendus par transformation linéaire à R + (non négatifs).
Figure 5 – Sous-ensemble aléatoire flou
A 120 ; R 7 032 − 7
INTRODUCTION À LA LOGIQUE FLOUE ______________________________________________________________________________________________________

Figure 6 – Experton

Beaucoup d’autres concepts sont disponibles pour traiter Cet échantillon des applications est donné dans un volontaire
l’incertain et le subjectif. En sortant de {0, 1} mais en restant dans désordre.
[0, 1], on a ouvert une porte assez gigantesque pour les problèmes À titre indicatif, de 1965 à 1991, 12 000 articles dans les revues
à données incertaines non mesurables. scientifiques, 150 ouvrages, 200 thèses de doctorat, ont été publiés
Voyons les applications de la théorie des sous-ensembles flous à travers le monde. Presque toutes les universités ont des cours
et de ses généralisations. Disons d’abord que tous les modèles de réguliers ou à option sur les mathématiques floues.
systèmes où l’on rencontre des données imprécises, incertaines,
subjectives, objet d’expertises, etc. plus ou moins insérées avec des
données déterministes ou probabilisables peuvent être traités avec
les théories proposées dans cet article. L’idée fondamentale est de
faire tomber l’entropie (désordre) le plus tard possible. Avec l’emploi
10. Exemple
des moyennes, et mêmes d’autres moments, on peut obtenir des
résultats faux ou douteux. Dans les applications de la théorie du flou, Exemple concernant les problèmes de fiabilité : tous les ingé-
on travaille tant qu’on le peut avec les distributions et c’est seulement nieurs sont concernés par la fiabilité des produits ou des systèmes.
le plus tard possible qu’on accepte moyennes et autres indicateurs Pour les ingénieurs, deux problèmes importants sont à résoudre :
pour toute décision ou contrôle. — connaître les courbes de survie des composants des systèmes ;
— définir la configuration du système soit à l’aide de son réseau
de fiabilité, soit en construisant son arbre de défaillance ;
ces deux procédés étant équivalents et seulement plus pratiques à
9. Domaines d’application traiter dans certains cas par l’une des méthodes ou par l’autre.
Les mathématiques floues interviennent dans la détermina-
Les applications pratiques déjà connues sont innombrables, tion des courbes de survie tandis qu’elles n’ont pas à être utilisées,
nous en citons quelques-unes : sauf dans quelques cas, pour l’étude des réseaux de fiabilité et des
— la recherche opérationnelle ; arbres de défaillance. On va montrer l’utilisation des intervalles ou
— la gestion financière ; segments de confiance et des sous-ensembles flous pour les courbes
— le contrôle de production ; de survie.
— le contrôle des machines ; Deux cas peuvent se présenter pour la détermination de la vie
— la robotique ; d’un équipement :
— la sismologie ; — dans le premier cas, on peut faire des expériences destructives
— la météorologie ; ou non et obtenir de là des statistiques qui donneront des lois de
— la didactique ; probabilités, d’où la connaissance de lois cumulées
— la sélection du personnel ; complémentaires qui donneront des lois de survie ;
— l’informatique ; — dans le deuxième cas, surtout lorsqu’il s’agit de composants
— la médecine ; nouveaux sur lesquels on ne peut pas disposer de statistiques, il faut
— l’intelligence artificielle ; travailler avec des avis d’experts et ceux-ci acceptent de donner le
— la neuromimétique ; plus souvent des courbes de survie sous la forme de deux courbes
— la linguistique ; associées, l’une la plus pessimiste ou borne supérieure, l’autre la
— le traitement des données ; plus optimiste ou borne inférieure.
— la communication homme-machine ;
Dans le premier cas, c’est une courbe de survie probabiliste,
— la reconnaissance des formes ;
dans le deuxième cas une courbe (plus précisément deux courbes)
— la fiabilité ;
de possibilité de survie, celle obtenue par des avis d’experts.
— la chimie industrielle ;
— les transports ; Sur la figure 7a, on a représenté une courbe de survie probabiliste
— la sociologie ; obtenue à partir de statistiques et à un temps t = τ correspond une
probabilité de survie v (τ ). Sur la figure 7b, on a représenté une
etc.
courbe de survie floue obtenue à partir d’avis d’experts ; à un temps

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
A 120 ; R 7 032 − 8 © Techniques de l’Ingénieur, traité Informatique industrielle
_____________________________________________________________________________________________________ INTRODUCTION À LA LOGIQUE FLOUE

t = τ correspond un segment de confiance [ v (τ ), v * (τ )] et dans Tout cela dans le cas de courbes de survie floues.
certains cas où un raffinement plus poussé * est exigé, chaque
Si les courbes de survie floues sont données par des experts, on
segment est doté d’une fonction d’appartenance comme on l’a démontre que les formules (75) et (76) restent valables et deviennent
indiqué au paragraphe 2. respectivement :
Si l’on considère un système plus ou moins complexe, dans le
réseau de fiabilité (ou dans l’arbre de défaillance), on va rencontrer [ v ( t ), v * ( t ) ] = [ v 1 ( t ), v *1 ( t ) ] ⋅ [ v 2 ( t ), v *2 ( t ) ]
* * *
deux catégories de composants, les uns bien connus et définis à le = [ v1 ( t ) ⋅ v2 ( t ) , v * 1 (t ) ⋅ v* 2 (t )] (77)
l’aide de courbes de survie probabilistes, les autres sans historique système * *
















et estimés par avis d’experts, comme sur la figure 7b. les
composants
Quand deux composants sont en série comme sur la figure 8a,
la défaillance d’un composant suffit à la défaillance du système et [ v ( t ), v * ( t ) ] = [ v 1 ( t ), v *
1 ( t ) ] + [ v 2 * ( t ), v *
^
2 (t )]
l’on a : * *
le
v ( t ) = v1 ( t ) ⋅ v2 ( t ) système = [ v 1 ( t ) ^+ v 2 ( t ), v * ^
1 (t ) + v* 2 (t )] (78)
* *


















le les (75) les
système composants composants
S’ils sont en parallèle (figure 8b ), il faut la défaillance des deux On sait qu’un intervalle de probabilités n’est pas une probabilité
composants pour que le système soit défaillant et l’on a : mais peut toujours être considéré comme une valuation (une pro-
babilité est une valuation mais une valuation n’est pas une proba-
v ( t ) = v1 ( t ) ^
+ v2 ( t ) = v1 ( t ) + v2 ( t ) Ð v1 ( t ) ⋅ v2 ( t ) ·
bilité). Or il se trouve que les opérateurs (·) et ( + ) utilisés dans les
(76)














le les probabilités sont de même utilisés dans les valuations du même réfé-
système composants rentiel [0, 1] (ce sont des t – normes connues autant en statistiques
que dans les mathématiques floues). Et ainsi, dans un même système
où l’on s’intéresse à la fiabilité, on peut associer sans s’en soucier,
les courbes de survie probabilistes et les courbes de survie floues
mais le résultat donnera, on s’en doute, une courbe de survie globale
floue. On note que si :
v i ( t ) = vi* ( t ) alors [ v i ( t ), v*i ( t ) ] = v i ( t ) = v i* ( t ) = v i ( t ) (79)
* * *
Il en reste de même si les segments de confiance sont dotés d’une
fonction d’appartenance comme sur la figure 9, simplement les
calculs se compliquent.Toutefois, avec les ordinateurs d’aujourd’hui,
on peut faire des calculs de plus en plus fins et robustes.
Notre exemple sommaire avait pour but de montrer aux ingénieurs
un exemple où mesures et valuations peuvent s’associer ou opérer
séparément. Tout ce qui est vivant s’use ou peut s’user, des êtres
issus de la nature comme des créations des hommes. Les systèmes,
de la vie à la mort, ont des lois parfois mesurables et souvent
estimées subjectivement en tant que valuations.
La théorie récente des sous-ensembles flous, dont nous devons
les bases principales au Professeur L.A. Zadeh de l’université de
Californie à Berkeley, permet, en toute rigueur mathématique,
d’associer l’objectivité quand elle est possible à la subjectivité
contrôlée pour comprendre et agir face à divers aspects de l’incer-
titude.

Figure 7 – Courbes de survie

Figure 9 – Segment de confiance avec fonction d’appartenance

Figure 8 – Composants en série (a ) et en parallèle (b )

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Informatique industrielle A 120 ; R 7 032 − 9