Chapitre 02 - Home Works 02 PDF

Chapitre 2 Techniques de l’IA : SIF
CHAPITRE TECHNIQUES DE L’INTELLIOGENCE

2 ARTIFICIELLE : SIF *
Objectives of chapter 2
Desribe the prevailing approache to design intelligent systems both mathematical and heuristic
tools :
 Fuzzy reasonning.
Concluding remarks.
2.1. Introduction
Le soft computing a été introduit par L. A. Zadeh en 1994 comme un moyen de
construire des systèmes intelligents répondant à des obligations d’efficacité, de
robustesse, de facilité d’implémentation et d’optimisation de coûts temporels,
énergétiques, financiers, …etc., tout en prenant en considération la composante
humaine, généralement, présente dans les systèmes.
Ses principales composantes dites aussi techniques intelligentes en sont la logique floue,
inspirée du processus de raisonnement approximatif des êtres humains, les réseaux neuronaux
artificiels et des méthodes d’optimisation telles que les algorithmes évolutionnaires.
La logique floue part, essentiellement, de la notion de variable linguistique. Ce type de
Intelligence Artificielle vs Systèmes Embarqués

variables sert à modéliser des connaissances imprécises ou incomplètes.

 Les réseaux de neurones artificiels (RNA) se basent sur l’apprentissage, en simulant le
raisonnement humain.
 Les Algorithmes Evolutionnaires (méta-heuristiques) fondés sur les mécanismes de
l’évolution des espèces sont destinés à la recherche optimale des solutions.
Depuis le début des années 1990, ces techniques intelligentes font leur entrée dans les
sciences de l’ingénieur. Le but visé par les chercheurs est de concevoir des systèmes artificiels
qui retiennent les mécanismes importants des systèmes naturels.
SIF * : Systèmes d’Inférences Floues
Dr. A. SOUKKOU 1
2.2. Systèmes d’Inférence Floue (SIF)

2.2.1. Introduction et historique
La théorie de la logique floue est apparue dans les années 40 avec les premières approches
du concept d’incertitude. Son intérêt réside dans sa capacité de traitement des données
imprécises, incertaines et vagues. Elle est issue de la capacité de décision et d’action de l’être
humain de façon pertinente malgré l’incertitude et l’imprécision des connaissances disponibles.
Son but est de réaliser des systèmes artificiels effectuant des tâches, habituellement, prises en
charge par l’être humain. Les lois de commande classiques sont remplacées par des règles
linguistiques de type :
SI (Condition (s)) ALORS (Action (s)).
La logique floue fournit un cadre formel pour construire des systèmes qui offrent à la fois
une bonne performance numérique (précision) et une représentation linguistique
(interprétabilité). D’un point de vue numérique, les SIF sont des systèmes non linéaires capables
de traiter des informations imprécises et incomplètes. Linguistiquement, ils représentent les
connaissances sous forme de règles floues. Ceci est une explication naturelle des processus
décisionnels.
Les quelques points de repères historiques suivants permettent de situer dans le temps le
développement de la logique floue et ses applications au contrôle des procédés.
Tableau 2.1 : Historique de l’évolution la logique floue et ses applications.

Année Evénement
1965 Prof. L. A. Zadeh de l’Université de Berkeley (Californie) propose les bases

théoriques de la logique floue : Notion de l’ensemble flou (fuzzy set concept).
1973 L. A. Zadeh propose d’appliquer la logique floue aux problèmes de contrôle des
procédés industriels.
1974 Première application du réglage par la logique floue appliquée à une turbine à vapeur.
Suivie en 1980 par une application sur un four à ciment et en 1983 sur un épurateur
d’eau (Modèle flou de Mamdani).
1985 Premiers produits industriels (Japon) utilisant le principe de la logique floue appliqué
à des problèmes de contrôle des procédés (Modèle de Takagi-Sugeno).
Développement de processeurs dédiés à des applications de réglage par la logique
floue.
2.2.2. Ensembles flous

Les ensembles flous sont introduits par L. A. Zadeh comme une généralisation de la notion
de l’ensemble ordinaire. On a alors une transition graduelle et non stricte entre l’appartenance
complète et la non appartenance. D’une manière formelle, un ensemble flou A est caractérisée
Dr. A. SOUKKOU 2
par une fonction d’appartenance  A qui attribut un degré d’appartenance à tous les éléments
dans l'univers de discours X :
 A x : X  0, 1 (2.1)
Il existe 4 caractéristiques essentielles caractérisant l’ensemble flou de l’ensemble

booléen : Le type, le noyau, la hauteur et le support.
 Les types : Elles peuvent être triangulaire, gaussienne, trapézoïdale, sigmoïdale ou de

type pic ‘singleton’, …etc. La figure 1.1 représente les caractéristiques d’une fonction
trapézoïdale.
 Le noyau : Le noyau est défini par :
  A   x  X  A x  1  (2.2)
C’est l’ensemble booléen de tous les éléments appartenant de façon absolue à

l’ensemble flou A. Quand   A     0, 1 , celui-ci est appelée ‘valeur modale’ de A.
Pour la fonction d’appartenance triangulaire, la valeur modale correspond à la valeur du
sommet.
 La hauteur : C’est la valeur maximale de la fonction d’appartenance, généralement,

égale à 1. Elle est définie par :
h A  Max xX   A x   (2.3)
 Le support : C’est l’ensemble des éléments de X qui appartiennent au moins un peu à

A. Il est défini par :
s A   x  X  A x  0  (2.4)
 A x 
h A
x X
  A
s  A
Univers de discours
Figure 2.1 : Caractéristiques d’un sous ensemble flou A.
Dr. A. SOUKKOU 3
2.2.2.1. Partition floue

On dit qu’un nombre de sous ensembles flous N A1 , A2 ,..., AN  définis sur l’univers de
discours (référentiel) X forment une partition floue si :
x  X ,   Ai x   1
N
(2.5)
i 1
L’univers de discours est dit aussi espace caractéristique ou espace de décision. L’un des
intérêts essentiels de la notion d’ensemble flou réside dans la possibilité d’étendre les opérateurs
ensemblistes usuels, tels que l’intersection, l’union et la complémentation. Si A et B sont 2 sous
ensembles flous de  , on pose généralement :
 A B w  min  A w,  B w

 A B w  max  A w,  B w (2.6)
 A w  1   A w
Pour tout w   , A désignant le complémentaire de A dans  .

L’extension (2.6), initialement proposé par Zadeh, n’est cependant pas unique. Plus
généralement, posons :
 AB w   A w,  B w (2.7)
 AB w    A w,  B w (2.8)
où  : 0, 1 0, 1  0, 1 correspond à la norme triangulaire ou t-norme et

 : 0, 1 0, 1  0, 1 est une conorme triangulaire ou t-conorme.
2.2.2.2. Intersection Intelligence Artificielle vs Systèmes Embarqués

A et B sont 2 sous ensembles flous définis dans le référentiel X avec des degrés
d’appartenance  A x  et  B x  , respectivement. L’intersection entre A et B est aussi un sous
ensemble flou défini par :
A  B   x,  AB x x  X  (2.9)
où le degré d’appartenance  AB x  est défini par :
 AB x   A x 

~  x 
B (2.10)
~ est choisi pour représenter la conjonction ET-flou des fonctions

Le symbole 
d’appartenance. Les opérateurs d’intersection les plus utilisés sont donnés par le tableau 2.1(a).
Dr. A. SOUKKOU 4
2.2.2.3. Union
L’union entre A et B est donnée par :
A  B   x,  AB x x  X  (2.11)
où le degré d’appartenance  AB x  est défini par :
 AB x   A x 

~  x 
B (2.12)
~ est choisi pour représenter la disjonction OU-flou des fonctions

Le symbole 
d’appartenance. Les opérateurs d’union les plus utilisés sont donnés par le tableau 2.2(b).
Tableau 2.2 : Différentes relations t-norme et t-conorme.
Type t-norme
Min  Am B x   min  A x ,  B x 
Produit algébrique  Aa  B x    A x . B x 
Différence bornée  Ab  B x   max 0,  A x    B x   1
 A x . B x 
Produit d’Einstein  AEB x  
2   A x    B x    A x . B x 
 A x . B x 
Produit d’Hamasher  AHB x  
 A x    B x    A x . B x 
(a)
Type t-conorme
Max  Am B x   max  A x ,  B x 
Somme algébrique  Aa  B x    A x    B x    A x . B x 
Somme bornée  bA B x   min 1,  A x    B x 

 x    B x 
Somme d’Einstein  AEB x   A
1   A x . B x 
 A x    B x   2 A x . B x 
Somme d’Hamasher  AHB x  
1   A x . B x 
(b)
Certains chercheurs utilisent l’intersection ‘t-norme’ de Yager définie par la fonction :
x   1  min 1, 1   A x w  1   B x w w 

 1 
 YA B (2.13)
 
avec w  0,   .
Dr. A. SOUKKOU 5
Une méthode d’optimisation est adoptée pour le choix d’une meilleure stratégie de t-
norme. Il est remarquable que si :
w  ,  YA B x    Am B x 
min  A  x ,  B  x  si max  A  x ,  B  x   1
w  0,  YA B x    (2.14)
0 autrement
w  1,  YA B x    Ab  B x 
L’univers de discours permet de décrire le domaine de variation de ce qu’on appelle

variable floue. L’appellation associée à chaque sous-ensemble flou constitue ce qu’on appelle
variable linguistique. Une variable linguistique est représentée par un triplet : Varx , 
X , TVarx .
Varx est la variable elle-même, X l’univers de discours et TVarx est l’ensemble des
caractérisations floues de la variable Varx .
Exemple 2.1 :
Considérons la variable taille définie sur l’ensemble des réels  et caractérisée par
les ensembles flous (labels linguistiques)  P, M , G  où P désigne Petite, M est
l’abréviation de Moyenne et G caractérise la notion Grande, respectivement. La variable

taille est, alors, représentée par le triplet suivant : taille ,   ,  P, M, G  . 
Les codes P, M et G représentent les variables linguistiques (les fonctions d’appartenance)
qui décrivent l’état ou le comportement du phénomène (ou du procédé) à étudier.
D’après la figure 2.2, une personne mesurant 136 cm est de taille Petite avec un degré

d’appartenance 0.4 et de taille Moyenne avec un degré d’appartenance 0.6.
 taille
Taille Variable floue
P M G Variables linguistiques
1
0.6 Fonctions d’appartenance
0.4
130 140 160 170 taillecm Univers de discours

136
Figure 2.2 : Forme des fonctions d'appartenance de la variable taille.
Dr. A. SOUKKOU 6
Les fonctions d’appartenance peuvent avoir différentes formes, mais il est judicieux de
choisir des fonctions convexes de sorte qu’il existe au moins un point de degré maximal et tel
que le degré décroît, lorsqu’on s’éloigne de ce maximum.
Les modèles/formes des fonctions d’appartenance les plus, couramment, utilisées sont
données par le tableau 2.3 et la figure 2.3.
Tableau 2.3 : Modèles des fonctions d’appartenance les plus utilisées.

Fonction Modèle mathématique
Triangulaire  xa cx 

F x; a, b, c   max min  ,  , 0 
(Fig. 2.3a)  ba cb 
Trapézoïdale  xa d  x 
F x; a, b, c, d   max min  , 1, , 0 
(Fig. 2.3b)  ba d  c  
Gaussienne   x  c 2 
F x;  , c   exp    
(Fig. 2.3c)     
 
1
Sigmoïde F x; a, c  
(Fig. 2.3d) 1  exp ax  c 
1
Cloche F x; a, b, c   2b
(Fig. 2.3e) xc
1
a
a<0 a>0

x
x x
x x ca ca
a a b c d c c
b c
(a) (b) (c) (d) (e)

(a) : Triangulaire. (b) : Trapézoïdale. (c) : Gaussienne. (d) : Sigmoïde. (e) : Cloche.
Figure 2.3 : Formes des fonctions d’appartenance les plus utilisées.
2.2.3. Inférences floues

Les relations entre les variables floues sont représentées par des règles de la forme:
R: SI  Condition  s   ALORS  Action  s   (2.15)

Antécédents Conséquences
Généralement, les antécédents (prémisses) se composent de propositions de la forme ‘‘

x est A ’’, où x et A sont la variable et son terme ‘label’ linguistique, respectivement. Les
conséquences sont aussi composées de propositions de la forme ‘‘ y est B ’’, où y est une
Dr. A. SOUKKOU 7
variable et B l’un de ses termes linguistiques. Il est possible de tirer des conclusions à partir
d'une règle floue en appliquant le concept de l’inférence floue.
Le raisonnement logique est le processus qui combine des propositions en utilisant les
opérations de conjonction, disjonction et d’implication.
Soient A1 , A2 , ..., An des sous ensembles flous définis, respectivement, dans les univers de
discours U1 , U 2 , ..., U n . Le produit cartésien des A1 , A2 , ..., An est un sous ensemble flou,
A  A1  A2  ...  An dans U1  U 2  ...  U n de fonction d’appartenance :
 A x  min   A1 x1 , ...,  An xn   x  x1 , ..., xn   X (2.16)
Soit R et S deux relations floues définies, respectivement, dans U V et V  W . La

composition flou max-min R  V est une relation floue dans U W de fonction d’appartenance.
 RV u, w  sup  V min  R u, ,  S  , w (2.17)
avec sup sélectionne la valeur maximale (supremum) d’un ensemble des éléments. La
composition est formée de 2 paires d’éléments dans U W avec leurs degrés d’appartenance
calculés comme étant le maximum des valeurs minimales de la composition de différents
éléments lorsqu’ils sont combinés avec tous les éléments de V .
La composition de la règle d'inférence est définie comme suit : Soit R une relation floue
~ ~
définie dans U V et A un ensemble flou de U , alors l’ensemble flou B de V est déduit de la
composition :
~ ~
B  AR (2.18)
où
 B~  y   sup xA~ min  A~ x ,  R x, y  (2.19)
Cette stratégie de raisonnement peut être décrite en terme de MPG :
Prémisse 1 x est A~ 
Prémisse 2 SI x est A ALORS  y est B  (2.20)
Conclusion  ~
y est B 
où la règle (prémisse 2) correspond à la relation floue R , définie avec un degré d’appartenance
qui indique le degré de vérité de l’implication A  B .
2.2.4. Système de contrôle flou
Dr. A. SOUKKOU 8
D'un point de vue théorique, un modèle flou ou un SIF, peut être utilisé à la fois pour
l’identification des fonctions (approximateur universel) et comme système de contrôle non
linéaire. D'un point de vue pratique, la première application de la logique floue dans le domaine
industriel a été effectuée en 1974 par Mamdani et son équipe. De nombreux travaux de
recherches et d’applications ont été développés dans les 2 dernières décennies.
Les systèmes flous sont des systèmes faciles à comprendre, simple à mettre en oeuvre et
peu coûteux à se développer. Ces systèmes émulent les stratégies de contrôle humain. Ils sont
accessibles même par ceux qui n'ont aucune formation de base en contrôle.
Un contrôleur flou est décrit par un ensemble de règles de type SI (condition (s)) ALORS
(action (s)) permettant de convertir la stratégie de contrôle linguistique acquise auprès d’un
expert humain en une stratégie de contrôle automatique bien adaptée au monde réel. Dans cette
situation, l'opérateur humain peut être remplacé par une combinaison d’un ensemble de règles
floues, comme le montre la figure 2.4.
Expert
Entrées Sorties
humain
Les règles
Sorties
Entrées
Engin
Fuzzification Défuzzification
d’inférence
(a)
(b)
Figure 2.4 : Définition conceptuelle d’un système de contrôle flou.
Le schéma synoptique général d’un contrôleur flou est représenté par la figure 2.5. Quelque
soit le type d’application du contrôleur, on retrouve généralement la même configuration qui est
composée de 4 blocs essentiels, à savoir :
 Une interface de fuzzification en entrée.
 Une base de connaissances (base de règles & engin d’inférence).
Dr. A. SOUKKOU 9
 L’engin d’inférence ou la logique de prise de décision.

 Une interface de défuzzification à la sortie.
Mécanisme
Défuzzification
Fuzzification
d’inférence Sorties
Entrées
Mise en échelle Mise en échelle
à l’entrée à la sortie
Base de
règles
Figure 2.5 : Structure de base d’un système de contrôle flou.
La mise en échelle (normalisation/dénormalisation) des grandeurs d’entrées/sorties permet

d’adapter le traitement des signaux d’entrées/sorties. Par convention, la plage de variation des
variables d’entrées/sorties est comprise entre –1 et +1. Les opérations de normalisation et de
dénormalisation sont optionnelles.
La fonction de la base de règles (base de connaissances floues) est de présenter, de
manière structurée, la stratégie (politique) de contrôle sous la forme d’un ensemble de règles de
type :
SI (Etat (s) du processus) ALORS (Action (s) de contrôle)

Elle regroupe :
 La définition des règles d’inférence.
 Les ensembles flous associés aux variables d’entrées/sorties du contrôleur ainsi que
leurs formes (triangulaire, gaussienne, trapézoïdale, …etc.).

Prenons l’exemple d’une règle floue pour un système à 2 entrées x1 , x 2 et une sortie y
(Figure 2.6) de la forme :
"SI x1 est A1  ET x2 est A2  ALORS  y est B"

où A1 et A2 sont des labels linguistiques associés aux variables d’entrées. Selon la structure
particulière de la conséquence B , on peut distinguer 3 types de modèles flous basés sur des
règles :
 Modèle flou linguistique (ou modèle de Mamdani) : La prémisse et la conséquence de la
règle sont toutes les 2 des propositions floues qui utilisent des labels linguistiques
(règles à conclusion symboliques).
 Modèle flou de Takagi-Sugeno : La conséquence de la règle B est une valeur numérique
constante (singleton) ou une équation mathématique bien précise. D’une manière plus
Dr. A. SOUKKOU 10
générale, la partie conséquence d’une règle est une fonction polynomiale ou une
équation différentielle dépendant des variables associées à la partie prémisse de la règle
(règles à conclusions algébriques).
 Le modèle flou de Tsukamoto : Ces règles sont un cas particulier des règles de type
Mamdani pour lesquelles les sous ensembles flous utilisés dans la partie des
conséquences sont des fonctions d’appartenance monotones. L’emploi de ce modèle est
très restreint.
 La fuzzification : Elle permet d’assurer la conversion des grandeurs physiques d’entrées du

SIF en variables linguistiques qui peuvent être traitées par les inférences.
 Le mécanisme ‘engin’ d’inférence ou logique de prise de décision : Sa fonction est de

calculer les valeurs finales des variables de sortie du contrôleur basées sur les contributions
individuelles de chaque règle de la base de règles. Parmi les mécanismes d’inférence les
plus utilisés, on note : MAX-MIN, MAX-PROD et SOM-PROD.
 L’opération de défuzzification : Elle consiste à convertir le résultat de combinaisons des

règles en une forme numérique bien adaptée au milieu du processus à commander. Plusieurs
méthodes de défuzzification sont proposées dans la littérature. La plus utilisée est celle du
centre de gravité.
1. Fuzzification 2. Application des 3. Application des
des entrées. opérateurs flous. implications.
SI ET ALORS
4. Application
d’une agrégation.
SI ET ALORS Intelligence Artificielle vs Systèmes Embarqués
Entrée 1 Entrée 2
1 1 5. Défuzzification.
Sortie
Figure 2.6 : Digramme des inférences floues.
Généralement, 5 phases principales constituent le mécanisme de fonctionnement d’un SIF :

 Fuzzification des variables d’entrées.
 Application des opérateurs flous (ET ou OU) dans la partie antécédent.
 Implication de l’antécédent à la conséquence.
 Agrégation des conséquences à travers les règles.
Dr. A. SOUKKOU 11
 Défuzzification à la sortie.
 Les modèles de Mamdani reposent sur l’approche proposée par Zadeh. Ils permettent une
description linguistique du système par une base de règles floues modélisant les relations
entrées/sorties du système. L’inférence floue correspond aux 4 étapes suivantes :
 Calcul du degré d’appartenance de chaque entrée aux différents sous ensembles,  X ij

pour  j  1, ..., n et i  1, ..., N  .
 Calcul du degré d’activation de chaque règle, pour i  1, ..., N  , tel que :

 i x   min  X ij x j  j  1, ..., n (2.21)
 Calcul de la contribution de chaque règle :

 i x   min i x ,  Bi  y   (2.22)
 Agrégation des règles :
  y   max  i  y  (2.23)
Le résultat de l’agrégation est donc un sous ensemble flou caractérisé par sa fonction
d’appartenance. Pour l’obtention d’une conclusion de nature précise y0 à partir d’un ensemble
flou résultant de l’agrégation, il faut utiliser une des méthodes de défuzzification.
 Dans le modèle de TS, chacune des règles représente un modèle local sur une région floue
d’entrée. Dans chaque région, le modèle flou est défini par la fonction :

Fi   q ij  x j (2.24)
j 0
Le modèle global est constitué par interpolation des modèles locaux. L’inférence floue
dans ce modèle est composée de 3 étapes :
 Calcul du degré d’activation de chaque règle avec l’opérateur de conjonction

implémenté par le produit arithmétique :
wi x     X ij x j 
n
i  1, ..., N (2.25)
j 1
 Calcul des sorties individuelles : La sortie de la ieme règle est donnée par sa fonction
conséquente, c’est à dire :
Dr. A. SOUKKOU 12
y  F i x 
i
(2.26)
 Agrégation des sorties individuelles : La valeur finale de la sortie résultante de
l’ensemble des règles est donnée par la moyenne des sorties individuelles pondérées par
le degré d’activation des règles, soit :
 wi  x . y
N
i
i 1
y (2.27)
 wi  x 
N
i 1
Les modèles de TS sont les plus utilisés pour extraire les connaissances à partir des
données numériques. Ils correspondent en fait à une approche multimodèle dans laquelle le flou
est utilisé pour agréger les sorties produites par chacun des modèles locaux.
Vecteur d’entrées
La mise en échelle (normalisation/dénormalisation) des grandeurs

Mise en échelle d’entrées/sorties permet d’adapter le traitement des signaux
d’entrées/sorties. Par convention, la plage de variation des variables
d’entrées/sorties est comprise entre –1 et +1. Les opérations de
normalisation et de dénormalisation sont optionnelles.
Fuzzification La fuzzification : Elle permet d’assurer la conversion des grandeurs

physiques d’entrées du SIF en variables linguistiques qui peuvent être
traitées par les inférences.
Base de règles
Inférences Le mécanisme ‘engin’ d’inférence ou logique de prise de décision :

Sa fonction est de calculer les valeurs finales des variables de sortie du

contrôleur basées sur les contributions individuelles de chaque règle de
la base de règles. Parmi les mécanismes d’inférence les plus utilisés, on
note : MAX-MIN, MAX-PROD et SOM-PROD.
Défuzzification La défuzzification consiste à convertir le résultat de combinaisons

des règles en une forme numérique bien adaptée au milieu du processus
à commander. Plusieurs méthodes de défuzzification sont proposées
dans la littérature [30]. La plus utilisée est celle du centre de gravité.
Mise en échelle
Vecteur de sorties
Dr. A. SOUKKOU 13
En conclusion, les modèles de TS et les modèles de Mamdani sont 2 représentations

complémentaires et non concurrentes. Le choix d’un modèle ou de l’autre dépend
de l’application et du but visé.
Soit l’exemple de Mamdani et de Takagi-Sugeno linéaire à m variables

linguistiques et n règles floues données comme suit :
 TS
 y1  b10  b11x1   b1m xm
R1  SI  x1 est A11  ET  xm est A1m  ALORS 
 y1 est C1
 Mamdani
 TS
 yn  bn0  bn1x1   bnm xm
Rn  SI  x1 est A1n  ET  xm est A1n  ALORS 
 yn est Cn
 Mamdani
Schématiquement, les deux modèles flous sont représentés par la figure ci-dessous ainsi
que les processus de Fuzzification, Inférence et Défuzzification.
Entrées Sorties
Modèle de Mamdani Modèle de TS
2.2.5. Propriétés de la base de règles
Dr. A. SOUKKOU 14
Les paramètres d'un SIF peuvent être classés en 4 catégories présentées ci-dessous. Le
tableau 2.3 résume cette classification.
Tableau 2.3 : Classification des paramètres d’un SIF.
Classe Paramètres
 Mécanisme de raisonnement
 Opérateurs flous
Logique
 Type des fonctions d’appartenance
 Méthode de défuzzification
 Variables d’entrées/sorties
Structurelle  Nombre des fonctions
 d’appartenance
Nombre des règles floues
 Antécédents des règles
Connective  Conséquences des règles
 Poids des règles dans certains cas
Opérationnelle  Degrés d’appartenance
 Paramètres logiques : Ils caractérisent les fonctions et les opérateurs qui définissent le
type de transformations subies pendant le processus d'inférence. Il s'agit notamment de la
forme des fonctions d’appartenance, des opérateurs appliqués pour les connecteurs ET ou
OU, des implications et de la méthode de défuzzification utilisée.
 Paramètres structurels : Ils sont liés, principalement, à la taille de la base de règles du

système flou. Ils comprennent le nombre de variables d’entrées/sorties, le nombre des
sous ensembles flous ‘variables linguistiques’ pour chaque variable et le nombre de
règles floues.
 Paramètres de connectivité : Ils sont liés à la topologie du système. Ces paramètres Intelligence Artificielle vs Systèmes Embarqués
définissent le lien entre les différentes propositions dans la base de règles : les
antécédents, les conséquences et les poids des règles dans certaines situations.
 Paramètres opérationnels : Ces paramètres définissent la cartographie entre les

représentations numériques et linguistiques des variables. Ils caractérisent les degrés
d'appartenance pour les variables linguistiques.
Une représentation graphique de l’ensemble des règles, appelée matrice d’inférence ou

matrice de règles, couramment utilisée dans la littérature, permet la synthèse du cœur du système
flou. La figure 2.7 représente une matrice d’inférence pour un système à 2 variables linguistiques
d’entrée x1 , x2 et une sortie u . La case en gris de la figure 1.7 représente la règle :
Dr. A. SOUKKOU 15
SI x1 est ' A12 ' ET x2 est ' B12 ' ALORS u est ' R5 '
A11 R1 R2 R3
A12 R4 R5 R6
A13 R7 R8 R9
u B11 B12 B13
x1
x2
Figure 2.7 : Fusion traditionnelle des règles : Matrice d’inférence complète.
Lorsque toutes les cases de la matrice d’inférence sont remplies, il s’agit de règles
d’inférence complètes. Dans le cas contraire, il s’agit de règles d’inférence incomplètes (Figure
2.8). La représentation matricielle de la base de règles devient plus complexe lorsque le nombre
de variables linguistiques d’entrées est supérieur à 3.
A11 R1
A12 R6
A13 R7 R9
u B11 B12 B13
x1
x2
Figure 1.8 : Fusion modifiée des règles : Matrice d’inférence incomplète.
Afin d’assurer une commande performante d’un système, la base de règles floues du SIF
doit posséder certaines caractéristiques. La continuité, la consistance et la complétude de
l’ensemble de règles sont les caractéristiques les plus significatives.
Une base de règles floues est complète si, quelle que soit la combinaison dans l’espace Intelligence Artificielle vs Systèmes Embarqués
d’entrée, il existe une valeur de commande. Une base de règles est incomplète, si elle existe une
situation de l’espace d’entrée pour laquelle aucune règle n’est activable. L’incomplétude conduit
à une discontinuité indésirable dans la loi de commande.
Cette propriété dépend de la partition des espaces et de l’écriture des règles, c’est-à-dire,
les fonctions d’appartenance doivent couvrir toute la dynamique possible des variables. L. T.
Kóczy propose l’interpolation entre les règles floues comme solution à ce problème.
Le tableau 2.5 donne les différentes situations possibles des bases des règles en fonction d’un
important facteur : Mesure de complétude. Une mesure de complétude C  d’une base de règles
floues est définie par :
Dr. A. SOUKKOU 16
N m 
C x      X k xi  (2.28)
k 1i 1 i 
Tableau 2.5 : Caractéristiques de la base de règles.
Valeur Situation
C x   0 Base de règles incomplète.
0  Cx  1 Base de règles sous-complète.
C x   1 Base de règles strictement complète.
C x   1 Base de règles sur-complète (redondante).
Dans certaines situations, la prise en considération des surfaces ‘hedges’ des fonctions
d’appartenance est une nécessité pour permettre le contrôle de la forme de ces fonctions. Des
modificateurs linguistiques (linguistic hedges) sont introduits pour le réglage de la flexibilité des
fonctions d’appartenance.
Deux des modificateurs les plus connus sont le modificateur linguistique de concentration
‘très’ et de dilatation ‘plus-ou-moins’. Leurs expressions sont :
 Concentration :  A x   A x p (2.29)
 Dilatation :  A x   A x1 p (2.30)
où p  1 est le paramètre modificateur. Les effets des modificateurs de concentration et de

dilatation sur la fonction d’appartenance triangulaire sont illustrés par la figure 2.9, dans le cas
où p  2 .
Des modificateurs de l’intensité et de Blur sont aussi utilisés dans certains cas, tel que :

2 p 1   A x  p si  A x   0.5
 Intensité :  A x   
 
(2.31)
1  2 p 1  1   A x  p ailleurs
 A x 2 si  A x   0.5

 Blur :  A x    (2.32)
1  1   A x 2 ailleurs
‘Très’ ‘Plus-ou-moins’
A A A
Dr. A. SOUKKOU 17
Figure 2.9 : Effets de modificateurs linguistiques.
Zadeh a proposé 5 types de concentrations et 3 types de dilatations des surfaces des

fonctions d’appartenance décrits dans le tableau 2.6. Bin-Da Liu et al. ont proposé un algorithme
hybride pour améliorer les performances d’un contrôleur flou. Les AG sont utilisés pour la
recherche des modificateurs linguistiques optimaux assurant les performances désirées.
Tableau 2.6 : Valeurs des modificateurs linguistiques proposés

par L. A. Zadeh.
Modificateur p Description linguistique
4 Absolument
2 Très
1.75 Beaucoup plus
1.5 Plus ‘More’
1.25 Plus
1.0 Vide
0.75 Moins
0.5 Plus ou moins
0.25 Légèrement
En modélisation floue, la sélection de la structure implique, habituellement, le choix des

facteurs suivants :
 Variables d’entrées et de sorties.
 Structure des règles y compris le type de raisonnement à utiliser.
 Nombre et type de fonctions d’appartenance pour chaque variable.
 Type de mécanisme d’inférence, opérateurs logiques et méthode de défuzzification.

Une fois que la structure est fixée, la performance de la méthode de modélisation peut être
réglée avec précision en ajustant les paramètres. Les termes ajustables des modèles linguistiques
sont les paramètres des fonctions d’appartenance des prémisses et des conséquences
(détermination de sa forme et de sa position) ainsi que les règles (détermination de la
correspondance entre les régions floues des antécédentes et des conséquences).
Pour leurs parts, les modèles flous de TS ont des paramètres tant dans les fonctions
d’appartenance des antécédentes que dans les fonctions des conséquences (paramètres de TS).
2.3. Exemples d’applications à base de la logique floue
Dr. A. SOUKKOU 18
On trouve dans la vie quotidienne des procédés commercialisés (pédagogique ou

industriels) commandés par la logique floue. Le tableau ci-dessous illustre quelques exemples de
ces procédés.
Tableau 2.7 : Quelques exemples des procédés.

Procédé Modèle
Twin Rotor MIMO - Système
non linéaire à double rotor
Système de pendule inversé sur

rail avec carte interface et
câbles pour MATLAB(tm)
Asservissement d'une balle sur

plateau magnétique
Dr. A. SOUKKOU 19
Système à 2 réservoirs avec

boitier de commande
Système de suspension
magnétique, grâce à un
électroaimant
Système de régulation de
vitesse de rotation d'un moteur
à CC à excitation permanente

Système à 3 réservoirs avec
modules de perturbations
électriques
Dr. A. SOUKKOU 20
Système de régulation boucle

ouverte et fermée du niveau
dans des réservoirs de stockage
Système de régulation boucle

ouverte et fermée du niveau
dans des réservoirs de stockage
2.4. Implémentation de la logique floue sous MATLAB

Le développement d'un contrôleur à base de la logique floue (Fuzzy logique controller)
pour intégration dans Simulink est très simple si on possède la boîte à outils Fuzzy Logic de
Matlab. Cette boîte à outils ajoute les composantes nécessaires dans Simulink.
La conception du contrôleur flou se fait de la même façon que tous les systèmes flous
avec Matlab. Le processus de conception consiste à respecter les étapes suivantes :
Etape 1 : Écrire la commande : fuzzy sur la fenêtre de commande (command window) Une
fenêtre : FIS editor Untitled va apparaitre.
Dr. A. SOUKKOU 21
Etape 2 : Dans la fenêtre FIS editor le type de contrôleur apparaitre par default est le type du
raisonnement approximatif de Mamdani
Etape 3 : Pour changer le type de contrôleur clique : File puis New FIS puis Sugeno.
Dr. A. SOUKKOU 22
Etape 4 : Pour changer le type de contrôleur clique : File puis New FIS puis Sugeno.
Etape 5 : Une fois le type de FLC choisi (Mamdani ou Sugeno), il suffit de configurer (structure
et paramètres) le contrôleur choisi. Le reste du processus de conception est illustré
comme suit :
a) Define the fuzzy reasoning type used, Mamdani (Mamdani 1974) or
Sugeno (Sugeno 1985).
b) Identify the inputs, states, and outputs variables of the plant.
c) Partition the interval spanned by each variable into a number of fuzzy

partitions or term sets, assigning each a linguistic label.
d) Assign a membership function to each fuzzy term set.
e) Form the rule-base by assigning the fuzzy relationships between the
input fuzzy term sets and the output fuzzy term sets.
f) Normalize the input and output variables to the interval [0, 1] or the [–1,
1] by proper choice of scaling factors for them.
g) Fuzzify the inputs to the controller.
h) Infer the controller output contributed from each rule by implication
relation.
i) Combine the fuzzy outputs recommended by each rule.
j) Find crisp controller output by defuzzification process.
Dr. A. SOUKKOU 23

 Pour une meilleure compréhension du processus de conception d’un contrôleur flou,
l’URL ci-dessous montre clairement la méthodologie de conception.
o Fuzzy Logic Toolbox Graphical User Interface Tools :
https://es.mathworks.com/help/fuzzy/building-systems-with-fuzzy-logic-toolbox-
software.html
 The works presented in the next reference offer a good references devoted to the
systematic analysis and synthesis of model-based fuzzy control systems. Many
important references have, also, given in these works.
Gang Feng, Analysis and Synthesis of Fuzzy Control Systems : A Model-Based
Approach, Automation and Control Engineering, CRC Press, Taylor & Francis Group,
2010.
Dr. A. SOUKKOU 24
2.5. Conclusions
D’un point de vue mathématique, un SIF n’est qu’une fonction non linéaire d’un espace
d’entrée vers un espace de sortie. D’un point de vue logique, un SIF est une structure de
traitement parallèle et de prise de décisions. Sa structure consiste en 4 partie principales :
1. La fuzzification,
2. La base de règles,
3. L’inférence et
4. La défuzzification.
Pendant les vingt dernières années, les SIF, dont les bases relèvent de la théorie des
ensembles flous proposés par Zadeh, sont devenus très populaires. Les applications dans la
modélisation, le contrôle, le traitement de signal, la supervision des procédés et la prise de
décision sont en effet autant d’application qui démontrent la capacité des SIF à traiter des
problèmes hautement non linéaires grâce à l’utilisation de connaissances expertes. La logique
floue aide à gérer des systèmes complexes de façon simple et facilement explicitable ‘l’expertise
humaine’. La difficulté de sa mise en oeuvre réside dans la mise au point d’une base de
connaissances floues (structure & paramètres du SIF). Ce problème peut être résolu par
l’utilisation des méthodes d’extraction automatique des connaissances : Les méthodes
analytiques, les méthodes d’oprimisation, …etc.
This is the
end of this
part!
Dr. A. SOUKKOU 25
2.6. Home
Works 2
H_M . 1 :
1. Donner la structure générale d’un contrôleur intelligent. Pourquoi il est intelligent ?
2. Expliquer brièvement la correspondance entre les deux parties de la figure suivante.
Expert
Entrées Sorties
humain
Les règles
Sorties
Entrées
Engin
Fuzzification Défuzzification
d’inférence
3. Le phénomène en cours d’étude est la taille [cm]. Expliquer brièvement le schéma

suivant.
 taille Intelligence Artificielle vs Systèmes Embarqués

------------ ----------------------------
P M G ----------------------------
1 -
0.6 -------------------------------
0.4
130 140 160 170 taillecm ----------------------------

136
-
H_M . 2 :
 Définir, d’une manière descriptive ou formelle (mathématique), les termes suivants :

 Ensemble flou.
Dr. A. SOUKKOU 26
 Fonction d’appartenance.
 Variable linguistique.
 Variable floue.
 Univers de discours.
 A quoi sert un système à base de la logique floue?
 Le schéma synoptique général d’un contrôleur flou est représenté par la figure ci-dessous.
Quelque soit le type d’application du contrôleur, on retrouve généralement la même
configuration. Expliquer brièvement le rôle de chaque bloc.
Contrôleur flou
Signal de
Dénormalisati
Défuzzificatio
Fuzzification
Normalisati
contrôle
Mécanisme
Référence Sortie
d’inférence Process
Base de règles
 Citer les différentes méthodes de defuzzification existantes dans la littérature de la logique

floue.
 Modèle flou de Mamdani.
 Modèle flou de TS.
 Comment Concevoir un SIF ?
 Un SIF est une philosophie, est une nécessité pédagogique ou académique, est un prestige

scientifique ou le tout. Discuter…
 Déterminer les facteurs significatifs intervenant dans la phase de conception d’un SIF.
 Dans une application industrielle quelconque, Que préfère utiliser comme contrôleur: PID
ou FLC?
H_M . 3 :
Soit le schéma de la figure suivante : A11
A12 R5 R6
A13
u B11 B12 B13
x1
x2
Dr. A. SOUKKOU 27
 Que représente cette figure ? Expliquer…

 Donner la forme des règles linguistiques de type Mamdani et Sugeno (R5 – R6).
Discuter…
 Donner le rôle des facteurs d’échelles (normalisation/dénormalisation) dans un contrôleur
flou...
 Dans le cas de Sugeno d’ordre 1, comment obtenir la valeur de sortie f  ti  , à un instant

t  ti x1  ti    x2  ti   
si les valeurs d’entrées sont , ? Discuter…
H_M . 4 :
Soit un SIF ayant une base de connaissances à deux règles :
Règle 1 : SI x1 est A1 ET x2 est B1 ALORS f  r1  p1  x1  q1  x2

Règle 2 : SI x1 est A2 ET x2 est B2 ALORS f  r2  p2  x1  q2  x2
 Quel est le nom de ce SIF.

 Que désigne A1, A2, B1, B2, x1 et x2.
 Que représente f  r1  p1  x1  q1  x2 & f  r2  p2  x1  q2  x2
 Donner l’appellation donnée au SIF dans les cas suivants :
 Si r1  r2  0 .
 Si  p1  p2  0 & q1  q2  0 .
 Si r1  p1  p2  0 & r2  q1  q2  0 .
 Comment obtenir la valeur de sortie f  ti  , à un instant t  ti si les valeurs d’entrées sont
x1  ti    , x2  ti    ? Discuter…
H_M . 5 Intelligence Artificielle vs Systèmes Embarqués
Soit le schéma de la figure suivante :

xr  t  x2  t 
NB ZE ZE PM PB
NB x1r x r2 xr3 x r4 xr5
NM xr6 x r7 xr8 xr9 x10

r
x1  t 
ZE x11
r x12
r x13
r x14
r x15
r
PM x16
r x17
r x18
r x19
r xr20
PB xr21 xr22 xr23 xr24 xr25
Dr. A. SOUKKOU 28
 Que représente cette figure? Expliquer…
 Donner la forme des règles linguistiques de type Mamdani pour les règles R13 , R19 , R25 .
Discuter…
 Donner la forme des règles linguistiques de type Takagi-Sugeno pour les règles
R13 , R19 , R25 . Discuter…
 Etudier comment obtenir la valeur de sortie xr  t  ti  pour les cas suivants :
 SIF du type TS linéaire,
 SIF du type TS1,
 SIF du type TS0.
Sachant que les valeurs d’entrées à l’instant t  ti sont x1  ti    , x2  ti    ? Discuter…
 Mettre sous forme d’organigramme les étapes de conception d’un contrôleur flou.
H_M . 6 :
Sachant que l’outil de développement est le MATLAB-SIMULINK. Expliquer le
processus de conception (de développement) d’un contrôleur flou. Etudier le cas d’un SIF du
type 555 pour le contrôle d’un :
 Système linéaire continu.
 Système non linéaire discret.

 Système non linéaire continu.
 Afin de faciliter la tâche de conception de la base des règles floues, une

recherche sur Internet est impérative. Les mots clés sont : table des règles
floues, base des règles floues, conception d’un contrôleur flou,
performances d’un SIF.
1. Commande d’un système linéaire continu : Commande du mouvement

d’avion
La structure de l’avion est donnée par la figure suivante :
Dr. A. SOUKKOU 29
Ce système peut être modélisé par le schéma bloc suivant :
PID
 Faire la simulation du comportement de l’appareil avec un gain de commande

(commande proportionnelle) K = (0.1, 0.12, 0.14, 0.16, 0.18, 0.2). (Utliser Simulink).
 Appliquer la méthode de Ziegler - Nichols pour calculer la valeur des gains de la

commande PID (PI, PD, PID) permettant de rendre l’appareil en régime d’équilibre.
 Développer une loi de commande floue permettant de rendre l’appareil en régime

d’équilibre.
2. Commande de la température d’un bain d'eau (système non linéaire discret)

Le but est de commander la température d’un bain d'eau. La structure du procédé est
donnée par le schéma de la figure ci-dessous. Le modèle récurrent (discret) du système est donné
par :
Q2 Ts 
yk  1  Q1 Ts   yk   uk   1  Q1 Ts   Y0
1  exp 0.5 yk    
avec :
Q1 Ts   exp  Ts  Intelligence Artificielle vs Systèmes Embarqués

Q2 Ts   1  exp  Ts 

yk  et uk  sont la température du système et le signal de commande à appliquer,
respectivement. Y0 est la température ambiante. Ts est la période d’échantillonnage.  et 

sont des valeurs constantes décrivant le système.
Les paramètres du système utilisé dans cet exemple sont celui d’un modèle réel
développé par Chia-Feng Juang. Ils sont donnés par le tableau ci-dessous.
Dr. A. SOUKKOU 30
Couche de contrôle
y k 
Module de
sonde
u k 
Hélice
V
Sonde
Résistance
chauffante
Paramètres du système.
Coefficient Valeur
 1.0015 .10 4
 8.6793 .10 3
 40
Ts [s] 30
Y0 [°C] 25.0
L’objectif de contrôle (contrôle flou) est de générer une séquence d’actions

0v  uk   5v permettant au système de suivre la trajectoire de référence donnée par :
35C  si k  40

y (k )  55C 
d
si 40  k  80

75C  si 80  k  120

3. Commande d’un pendule inversé (système non linéaire continu)

La figure suivante montre le diagramme schématique du système du pendule inversé, ainsi
que sa structure. La dynamique du système est caractérisée par l’expression suivante :
 x1  x2

 x2  f  x   g  x  u  d
y  x
 1
avec
g sin x1  mc mp x22 cos x1 sin x1
f  x 
4 3  m m c p cos 2 x1  ,
Dr. A. SOUKKOU 31
mc cos x1
g  x 
4 3  m m c p cos2 x1 
L’objectif est de maintenir le pendule dans
sa position d’équilibre correspondante à
un angle x1   ref  rad  et une vitesse MP
l
angulaire x2   ref  0  rad/s
θ g
u t  MC
()
Une perturbation d’état d t  est ajoutée au modèle du système non linéaire sous la
forme :
d  0,1sin  2t  e0,1t
Les caractéristiques du pendule sont résumées dans le tableau 2.
Variables fonctionnelles du pendule inversé.
Notation Description
mc[kg] = 1.0 Kg Masse du chariot
mp[kg] = 0.1 Kg Masse du pendule
l[m] = 0.5m Demi-longueur du pendule
2
g[m/s ] Accélération gravitationnelle
x1   [rad]
L’angle du segment par rapport à l’axe vertical
x 2   [rad/s] La vitesse angulaire du segment
u [N] Force à appliquer au chariot
3.1. Commande par PD

Notre objectif est de forcer la sortie du système de suivre la trajectoire :
yd t   0.5exp  2t 
En utilisant la commande type PD :
de(t )
u  K p e(t )  K d avec K p  41 et K d  12 .
dt
Pour illustrer les performances de la commande floue, nous considérons la commande en

régulation et en poursuite du système de pendule inversé.
Dr. A. SOUKKOU 32
3.2. Commande en régulation

La commande synthétisée doit accomplir la tâche suivante :
 Maintenir le pendule dans sa position d’équilibre correspondante à
 Un angle   0 rad et
 Une vitesse angulaire   0 rad/s .
Le chariot se déplace à droite ou à gauche, sans prise en compte de sa position. Les
conditions initiales du système sont générées, aléatoirement.
Dans le cas illustré, on a
x1 0, x2 0   18 rad, 0 rad/s  .
Développer une loi de commande floue permettant de réaliser la tâche désirée.
3.3. Commande en poursuite

Dans cette partie de la simulation, le modèle de référence sera du type sinusoïdal donné
par :
y t , y t 
T
     
    sin t ,    cost 
d d T
 30   30  
Dans le plan de phase x1 t , x2 t  , la trajectoire de référence peut être représentée par le
cercle :
2
y t   y t 
d 2 d 2  
 
 30 
Les conditions initiales sont choisies de sorte que
x0    18 rad , 0.05 rad/s  .

T

Développer une loi de commande floue permettant de réaliser la tâche désirée.
2.7. Références Bibio-Webo Graphiques

[1] A. Soukkou, « Modélisation & Commande des systèmes Industriels Complexes par les Techniques
Intelligentes », Thèse de Doctorat, Département d’Electronique, Université de Sétif, Octobre 2008.
http://www.tesionline.com/intl/thesis.jsp?idt=34267
[2] L. A. Zadeh, “Soft computing and fuzzy logic”, IEEE Software, 1994, pp. 48-56.
[3] L. A. Zadeh, “Fuzzy sets”, Information and Control, Vol. 8, 1965, pp. 338-353.
[4] H. B. Verbruggen, H. J. Ziimmermann, R. Babũska, “Fuzzy algorithms for control”, International
Series in Intelligent Technologies, Kluwer Academic publisher, 1999.
[5] Angelo Ciaramella, Roberto Tagliaferri, Witold Pedrycs, “Inference systems by using ordinal sum
and genetic algorithms”, IEEE Annual Meeting of the Fuzzy Information Processing NAFIPS '04,
2004, pp. 629-634.
[6] L. Zadeh, “Fuzzy logic”, IEEE Computer, Vol. 21, No. 4, 1988, pp. 83-93.
[7] Mamdani, E. H., “Application of fuzzy algorithms for simple dynamic plant”, Proc. IEE, Vol. 121,
No. 12, 1974, pp. 1558-1588.
Dr. A. SOUKKOU 33
[8] J. Harris, “Fuzzy logic applications in engineering science”, Springer, 2006.

[9] J. Echanobe, I. del Campo, J.M. Tarela, “Issues concerning the analysis and implementation of a
class of fuzzy controllers”, Fuzzy Sets and Systems, Vol. 155, 2005, pp. 252-271.
[10] Leocundo Aguilar, Patricia Melin, Oscar Castillo, “Intelligent control of a stepping motor drive
using a hybrid neuro-fuzzy ANFIS approach”, Applied Soft Computing, Vol. 3, 2003, pp. 209-219.
[11] Ali Zilouchian, Mo. Jamshidi, “Intelligent control systems using soft computing methodologies”,
CRC Press LLC, 2001.
[12] Y. Tsukamoto, “An approach to fuzzy reasoning model”, in Advances in Fuzzy Set Theory and
Applications, Amsterdam, North-Holland, 1979.
[13] Christer Carlsson, Robert Fullér, “Multiobjective linguistic optimization”, Fuzzy Sets and Systems,
Vol. 115, 2000, pp. 5-10.
[14] Christer Carlsson, Robert Fullér, “Optimisation under fuzzy if-then rules”, Fuzzy Sets and Systems,
Vol. 111, 2001, pp. 111-120.
[15] Yigang Shi and P.C. Sen, “A new defuzzification method for fuzzy control of power converters”,
Industry Applications Conference, 2000. Conference Record of the 2000 IEEE, Vol. 2, pp. 1202-
1209.
[16] M. R. Haghifam, A. R. Sedighi and O. P. Malik, “Development of a fuzzy inference system based
on genetic algorithm for high-impedance fault detection”, IEE Proc. Gener. Transm. Distrib., Vol.
153, No. 3, May 2006, pp. 359-367.
[17] K. Gasso, G. Mourot et J. Ragot, “Identification of an output error Takagi-Sugeno model”, IEEE
International Conference on Systems, Man, and Cybernetics, Vol. 1, 2000, pp. 14-19.
[18] Piero P. Bonissone, Anil Varma, Kareem S. Aggour, Feng Xue, “Design of local fuzzy models
using evolutionary algorithms”, Computational Statistics & Data Analysis, Vol. 51, 2006, pp. 398-
416.
[19] Carlos Andrés Peña-Reyes and Moshe Sipper, “Fuzzy CoCo: A Cooperative-Coevolutionary
approach to fuzzy modeling”, IEEE Transactions on Fuzzy Systems, Vol. 9, No. 5, October 2001,
pp. 727–737.
[20] Hisao Ishibuchi and Yusuke Nojima, “Performance Evaluation of Evolutionary Multiobjective
Approaches to the Design of Fuzzy Rule-Based Ensemble Classifiers”, Proceedings of the Fifth
International Conference on Hybrid Intelligent Systems (HIS’05), 2005, pp. 1-6.
[21] Tomoharu Nakashima, Gerald Schaefer, YasuyukiYokota, Hisao Ishibuchi, “A weighted fuzzy
classifier and its application to image processing tasks”, Fuzzy Sets and Systems, Vol. 158, 2007,
pp. 284-294.
[22] L. T. Kóczy, K. Hirota, “Interpolative reasoning with insufficient evidence in sparse fuzzy rule

base”, Information Sciences, Vol. 71, 1993, pp. 169-201.
[23] Chuen Lee, “Fuzzy logic in control systems: Fuzzy logic controller - part I”, IEEE Transactions on
Systems, Man and Cybernetics, Vol. 20, No. 2, March/April 1990, pp. 404-418.
[24] Jorge Casillas, Oscar Cordón, Maria José Del Jesus, Francisco Herrera, “Genetic tuning of fuzzy
rule deep structures preserving interpretability and its interaction with fuzzy rule set reduction”,
IEEE Transactions on Fuzzy Systems, Vol. 13, No. 1, February 2005, pp. 13-29.
[25] V. N. Huynh, T. B. Ho, Y. Nakamori, “A parametric representation of linguistic hedges in Zadeh’s
fuzzy logic”, International Journal of Approximate Reasoning, Vol. 30, 2002, pp. 203-223.
[26] L. A. Zadeh, “Outline of a new approach to the analysis of complex systems and decision
processes”, IEEE Transactions on Systems, Man and Cybernetics, SMC-3, 1973, pp. 28-44.
[27] Bin-Da Liu, Chuen-Yau Chen and Ju-Ying Tsao, “Design of adaptive fuzzy logic controller based
on Linguistic-Hedge concepts and genetic algorithms”, IEEE Transactions on Systems, Man, and
Cybernetics-Part B: Cybernetics, Vol. 31, No. 1, February 2001, pp. 32-53.
[28] Amitava Chatterjee, Patrick Siarry, “A PSO-aided neuro-fuzzy classifier employing linguistic
hedge concepts”, Expert Systems with Applications, Vol. 33, 2007, pp. 1097-1109.
Dr. A. SOUKKOU 34
“The best way to

predict the future is
to invent it.”
Dr. A. SOUKKOU 35

Chapitre 02 - Home Works 02 PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chapitre 02 - Home Works 02 PDF

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 2 Techniques de l’IA : SIF

CHAPITRE TECHNIQUES DE L’INTELLIOGENCE

variables sert à modéliser des connaissances imprécises ou incomplètes.

SIF * : Systèmes d’Inférences Floues

2.2. Systèmes d’Inférence Floue (SIF)

SI (Condition (s)) ALORS (Action (s)).

Tableau 2.1 : Historique de l’évolution la logique floue et ses applications.

1965 Prof. L. A. Zadeh de l’Université de Berkeley (Californie) propose les bases

2.2.2. Ensembles flous

 A x : X  0, 1 (2.1)

Il existe 4 caractéristiques essentielles caractérisant l’ensemble flou de l’ensemble

 Les types : Elles peuvent être triangulaire, gaussienne, trapézoïdale, sigmoïdale ou de

 Le noyau : Le noyau est défini par :

C’est l’ensemble booléen de tous les éléments appartenant de façon absolue à

 La hauteur : C’est la valeur maximale de la fonction d’appartenance, généralement,

h A  Max xX   A x   (2.3)

 Le support : C’est l’ensemble des éléments de X qui appartiennent au moins un peu à

2.2.2.1. Partition floue

 A B w  min  A w,  B w

Pour tout w   , A désignant le complémentaire de A dans  .

 AB w   A w,  B w (2.7)

 AB w    A w,  B w (2.8)

où  : 0, 1 0, 1  0, 1 correspond à la norme triangulaire ou t-norme et

2.2.2.2. Intersection Intelligence Artificielle vs Systèmes Embarqués

A  B   x,  AB x x  X  (2.9)

où le degré d’appartenance  AB x  est défini par :

 AB x   A x 

~ est choisi pour représenter la conjonction ET-flou des fonctions

A  B   x,  AB x x  X  (2.11)

où le degré d’appartenance  AB x  est défini par :

 AB x   A x 

~ est choisi pour représenter la disjonction OU-flou des fonctions

Tableau 2.2 : Différentes relations t-norme et t-conorme.

Intelligence Artificielle vs Systèmes Embarqués

Certains chercheurs utilisent l’intersection ‘t-norme’ de Yager définie par la fonction :

x   1  min 1, 1   A x w  1   B x w w 

L’univers de discours permet de décrire le domaine de variation de ce qu’on appelle

caractérisations floues de la variable Varx .

Intelligence Artificielle vs Systèmes Embarqués

130 140 160 170 taillecm Univers de discours

Figure 2.2 : Forme des fonctions d'appartenance de la variable taille.

Tableau 2.3 : Modèles des fonctions d’appartenance les plus utilisées.

Triangulaire  xa cx 

(a) (b) (c) (d) (e)

Intelligence Artificielle vs Systèmes Embarqués

Figure 2.3 : Formes des fonctions d’appartenance les plus utilisées.

2.2.3. Inférences floues

R: SI  Condition  s   ALORS  Action  s   (2.15)

Généralement, les antécédents (prémisses) se composent de propositions de la forme ‘‘

 A x  min   A1 x1 , ...,  An xn   x  x1 , ..., xn   X (2.16)

Soit R et S deux relations floues définies, respectivement, dans U V et V  W . La

 RV u, w  sup  V min  R u, ,  S  , w (2.17)

Cette stratégie de raisonnement peut être décrite en terme de MPG :

2.2.4. Système de contrôle flou

Intelligence Artificielle vs Systèmes Embarqués

 L’engin d’inférence ou la logique de prise de décision.

Figure 2.5 : Structure de base d’un système de contrôle flou.

La mise en échelle (normalisation/dénormalisation) des grandeurs d’entrées/sorties permet

SI (Etat (s) du processus) ALORS (Action (s) de contrôle)

Intelligence Artificielle vs Systèmes Embarqués

"SI x1 est A1  ET x2 est A2  ALORS  y est B"

 La fuzzification : Elle permet d’assurer la conversion des grandeurs physiques d’entrées du

 Le mécanisme ‘engin’ d’inférence ou logique de prise de décision : Sa fonction est de