Vous êtes sur la page 1sur 14

École Nationale d'Ingénieurs de Monastir Département de Génie Électrique

 
   ­€

‚ƒ„…†‡„„


   
 
Sommaire

Chapitre I : La logique floue

I.1. Introduction 1
I.2. Théorie des ensembles flous 1
I.3. Raisonnement flou 6
I.4. Applications de la logique floue 11

Chapitre II : Les réseaux de neurones

II.1. Introduction 13
II.2. Historique 13
II.2. Neurones biologiques 13
II.3. Neurone formel 14
II.4. Architecture des RNA 17
II.5. Apprentissage des RNA 20
II.6. Domaines d’application des RN 26

Chapitre III : Les algorithmes génétiques

III.1. Introduction 30
III.2. Analogie avec l’évolution biologique 30
III.3. Principe de fonctionnement d’un AG 30
III.4. Opérateurs génétiques 31
III.5. Types de codage 33
III.6. Fonction d’évaluation et critère d’arrêt 34
CHAPITRE I

La logique floue
Cours de Soft Computing Chapitre I. La logique floue 2éme année GE – ENIM

I.1. Introduction
Durant ces vingt dernières années, l'utilisation de la théorie des ensembles flous, dont le
concept a été proposé en 1965 à l'Université de Berkeley en Californie par le Professeur Lotfi
A. Zadeh, dans plusieurs domaines d’application est devenue un outil à part entière.
La logique floue permet d’intégrer le raisonnement humain pour traiter des informations
imprécises, de prendre des décisions basées sur des données vagues et incomplètes et
d’obtenir des conclusions valables.
Les bases théoriques de la logique floue ont été établies comme une généralisation de la
théorie des ensembles classiques, utilisés dans la logique binaire (logique de Boole). En effet,
les variables floues prennent leurs valeurs dans l’intervalle [0,1] et non pas dans la paire
{0,1}. C’est pour cela que la logique floue est connue aussi par logique multivaluée.

I.2. Théorie des ensembles flous


I.2.1. Notion d’ensemble flou

En logique binaire, les informations sont soit vraies soit fausses, type TOR.

Réellement, elles peuvent être incertaines et imprécises et malgré ça, l’être humain est
capable de raisonner et de prendre des décisions avec de telle imprécision et incertitude.

En logique floue, les valeurs binaires de la logique booléenne sont remplacées par des
valeurs linguistiques décrivant, par des mots, une certaine situation. Les valeurs linguistiques,
utilisées pour décrire les variables linguistiques, sont caractérisées par des degrés
d’appartenance à des ensembles flous.

degré d'appartenance
fonctions d'appartenances

1
Froid Chaud

0.8

0.2

10 ° 14 ° 30 ° 50 ° température
(°C)
Figure I.1 : Classification des températures ambiantes

A. SAKLY & F. HAMDAOUI 1 2019-2020


Cours de Soft Computing Chapitre I. La logique floue 2éme année GE – ENIM

La notion d’ensemble flou a pour but de permettre des graduations dans l’appartenance
d’un élément à une classe. Dans l’exemple de la figure I.1, si on considère deux ensembles
caractérisant respectivement les températures ambiantes froide et chaude, une température de
14°C est alors considérée comme froide avec un degré d’appartenance de 0.8 et chaude avec
un degré de 0.2.
Cette classification permet d’éviter les passages brusques d’une classe à une autre et
d’autoriser des éléments à n’appartenir complètement ni à l’une ni à l’autre ce qui est plus
proche de la réalité.

I.2.2. Fonctions d’appartenance

I.2.2.1. Définitions

Un ensemble flou A d’un univers de discours X est caractérisé par une fonction
caractéristique, qui s’appelle fonction d’appartenance, notée A, qui est graduée telle que :
 A : X → [0,1]

Les ensembles flous les plus répandus sont ceux convexes.


Un ensemble flou A de l’univers X est convexe si, pour tout couple d’éléments a et b de X,
et pour tout nombre  de [0,1], la fonction d’appartenance de A vérifie :
 A (a + (1 -  )b)  min( A (a),  A (b))

I.2.2.2. Différents types

La fonction d’appartenance associée à un ensemble flou convexe peut être de type linéaire
par morceaux ou de type non linéaire. En particulier les fonctions d’appartenances les plus
utilisées sont les fonctions triangulaire, trapézoïdale et gaussienne (Figure I.2).
 A (x)  A (x)

A A
1 1

0 a b c x 0 a b c d x

a) fonction triangulaire b) fonction trapézoïdale

A. SAKLY & F. HAMDAOUI 2 2019-2020


Cours de Soft Computing Chapitre I. La logique floue 2éme année GE – ENIM

 A (x)

A
1

0 c x

c) fonction gaussienne
Figure I.2 : Différentes formes de fonctions d’appartenance

  x−a c− x 
tri (x, a, b, c) = max min , ,0 
 b−a c−b 

  x−a d −x 
trap(x, a, b, c, d ) = max min ,1, ,0 
 b−a d − c  


( x −c )2
gauss(x,  , c) = e 2 2

Souvent pour des raisons de simplicité de représentation et d’exploitation, on adopte les


formes linéaires triangulaire ou trapézoïdale.
I.2.2.3. Propriétés

Soit A un sous-ensemble flou d’un univers de discours X de la figure I.3.


 A (x)

Hauteur H(A)

x
Noyau N(A)
Support S(A)

Figure I.3 : Propriétés d’un ensemble flou

A. SAKLY & F. HAMDAOUI 3 2019-2020


Cours de Soft Computing Chapitre I. La logique floue 2éme année GE – ENIM

Propriété I.1 :

La hauteur de l’ensemble flou A, notée H(A), est définie par :


H ( A) = sup(  A ( x))
xX

Si H(A)=1, l’ensemble flou est dit normal.

Propriété I.2 :

Le support de A est tel que :


S(A)={xX / A(x)>0}
Si le support de A est fini, il est dit support compact.

Propriété I.3 :

Le noyau de A, est un ensemble de X tel que :


N(A)={xX / A(x)=1}

I.2.2.4. Variables et valeurs linguistiques

Afin de décrire une situation, l’être humain utilise des variables linguistiques et non pas
des valeurs numériques. Imitant le raisonnement humain, la logique floue permet de classifier
un univers de discours bien déterminé en un ensemble de valeurs linguistiques et chacune de
ces variables valeurs détermine le domaine de la fonction d’appartenance associée.

Dans l’exemple de la classification de la température de la figure I.1, la description peut


s’effectuer de la manière suivante :

La variable linguistique est la température définie dans l’univers de discours [0, 50] en
degré °C. Les valeurs linguistiques sont : Les deux sous-ensembles flous chaude et froide. La
classification de la variable floue en se basant sur ces valeurs floues est décrite par ces deux
expressions :
Une température est froide si elle est inférieure à 10°C
Une température est chaude si elle est supérieure à 30°C
Les valeurs linguistiques : froide et chaude, sont utilisées pour la désignation des fonctions
d’appartenance. Elles peuvent être standardisées par les terminologies, petite et grande,
respectivement.

I.2.3. Opérations sur les ensembles flous

Par analogie avec les opérations de la logique classique, le complément, l’intersection et


l’union sont données dans la théorie de la logique floue. Ces opérations ne peuvent pas avoir

A. SAKLY & F. HAMDAOUI 4 2019-2020


Cours de Soft Computing Chapitre I. La logique floue 2éme année GE – ENIM

une seule définition car le degré d’appartenance d’un élément de ces ensembles est une valeur
de l’intervalle [0,1], Ainsi, nous présentons les définitions de base.

I.2.3.1. Complément d’un ensemble flou

Le complément A d’un ensemble flou A sur l’univers de discours X est défini par :
 xX,  A ( x) = 1 −  A ( x)

Cette opération s’appelle aussi complément à 1 ou encore négation stricte, notée N, telle
que N(u)=1−u pour u  [0,1].

I.2.3.2. Intersection et union

Une extension de l’union et l’intersection de deux ensembles classiques à celles de deux


ensembles flous a été proposée par Zadeh et définie sur l’univers X par :
C = A  B, alors  x  X  C ( x) = min(  A ( x),  B ( x))
D = A  B, alors  x  X  D ( x) = max(  A ( x),  B ( x))

L’intersection et de l’union de deux ensembles flous seront généralisées par les deux
définitions : normes triangulaires (t-normes) et conormes triangulaires(t-conormes).
I.2.3.3. T-normes et t-conormes

Les t-normes et les t-conormes définissent respectivement les opérateurs d’intersection et


d’union d’ensembles flous introduits dans le domaine des espaces métriques aléatoires. Elles
sont souvent exploitées lorsque les opérateurs habituels (respectivement le min et le max) ne
s’avèrent pas satisfaisants.

• Une norme triangulaire (t-norme) est une fonction T : [0,1]  [0,1] → [0,1] qui vérifie pour
tout u, v, w et t de [0,1] :
T (u, v) = T (v, u ) commutativité
T (u, T (v, w)) = T (T (u, v), w) associativité
T (u, v)  T ( w, t ) si u  w et v  t monotonie
T (u,1) = u élément neutre 1

L’opérateur min est bien évidemment une t-norme.


Toute t-norme peut servir à définir l’intersection d’ensembles flous :
C = A  B , alors  x  X  C ( x) = T ( A ( x),  B ( x))

• Une conorme triangulaire (t-conorme) est une fonction S : [0,1]  [0,1] → [0,1] qui vérifie
pour tout u, v, w et t de [0,1] :

A. SAKLY & F. HAMDAOUI 5 2019-2020


Cours de Soft Computing Chapitre I. La logique floue 2éme année GE – ENIM

S (u, v) = S (v, u ) commutativité


S (u, S (v, w)) = S ( S (u, v), w) associativité
S (u, v)  S ( w, t ) si u  w et v  t monotonie
S (u,0) = u élément neutre 0

L’opérateur max est une t-conorme.


Toute t-conorme peut servir à définir l’union d’ensembles flous :
D = A  B, alors  x  X  D ( x) = S ( A ( x),  B ( x))
Une t-norme T et une t-conorme S sont dites duales par rapport à la négation stricte N, si on a :
S (u, v) = N (T ( N (u ), N (v))) = 1 − T (1 − u,1 − v)
T (u, v) = N ( S ( N (u ), N (v))) = 1 − S (1 − u,1 − v)
Les t-normes et t-conormes duales les plus utilisées sont indiquées dans le tableau I.1.

Tableau I.1 : Principales t-normes et t-conormes duales


t-norme t-conorme Nom
Zadeh
min(u,v) max(u,v)
(opérateurs logiques)
Bandler
uv u+v−uv
(opérateurs probabilistes)

I.3. Raisonnement flou


I.3.1. Règles floues

Les règles floues sont utilisées pour modéliser u analyser un système en décrivant des
relations linguistiques entre ses variables d’entrée et de sortie.
Une règle floue est décrite par :
Si (x est A) Alors (y est B)
avec A et B deux variables linguistiques définis par deux sous-ensembles flous dans les
univers de discours X et Y.
(x est A) est appelée antécédent ou prémisse
(y et B) est appelée conséquence ou conclusion.
L’abréviation de cette règle peut être représentée par la relation : A→B. L’opérateur "→"
correspond à une implication floue.
Une règle floue définit une relation R entre les univers de discours X et Y tel que :
R : ( x, y) → I ( x, y)

A. SAKLY & F. HAMDAOUI 6 2019-2020


Cours de Soft Computing Chapitre I. La logique floue 2éme année GE – ENIM

I.3.2. Implications floues

Une classification des opérateurs de l’implication floue (A→B) a été proposée en


considérant l’extension qu’ils accomplissent en regard avec la logique booléenne (logique
classique).
Elles sont regroupées en trois classes :
•Les T-implications (t-normes) :

Elles présentent la forme I ( x, y) = T ( x, y)


A → B  A  B : conjonction
•Les S-implications (Strong implications) :

Ces implications correspondent à la définition d’implications dans la logique booléenne


classique : A→B A B. Elles présentent la forme :
I ( x, y) = S (1 − x, y)
avec S est une t-conorme.

•Les R-implications (Residual implications) :


Ces implications correspondent à une deuxième définition de l’implication de la logique
classique, qui est équivalente à la première, telle que :

A→BBA (il s’agit d’une inclusion).

Elles sont obtenues par la résiduation d’une t-norme T comme suit :


I ( x , y ) = supc  [0,1]/T ( x, c)  y

Le tableau I.2 présente les principaux opérateurs d’implication.

Tableau I.2 : Principales classes d’implications

T-implications S-implications R-implications

I1 ( x, y) = min( x, y) I 7 ( x, y) = max(1 − x, y) 1 si x  y
I13 ( x, y ) = 
 y sinon
Mamdani Kleene-Dienes
Gödel

I 2 ( x, y) = xy I 8 ( x, y) = 1 − x + xy min(1, y/x) si x  0
I 14 ( x, y ) = 
1 sinon
Larsen Renichenbach Goguen

I.3.3. Agrégation des règles


La collection de règles floues de type "Si…Alors" constitue la base de règles floues. La
base de règles est considérée comme un ensemble de règles en parallèle dont les variables

A. SAKLY & F. HAMDAOUI 7 2019-2020


Cours de Soft Computing Chapitre I. La logique floue 2éme année GE – ENIM

d’entrée et de sorties sont les mêmes. A chaque règle, est associée une relation d’implication
entre prémisses et conclusions. La combinaison des différentes relations obtenues par
activation des différentes règles en une seule relation s’appelle agrégation des règles.
L’opérateur d’agrégation U dépend de la nature de l’opérateur d’implication utilisé avec
l’ensemble des règles.
Pour les opérateurs d’implication qui généralisent la conjonction de la logique classique,
l’opérateur d’agrégation U correspond à une disjonction (union), c’est à dire une t-conorme,
souvent l’opérateur max.
Pour les opérateurs d’implication qui généralisent l’implication de la logique classique,
l’opérateur d’agrégation U correspond à une conjonction (intersection), c’est à dire une t-
norme, souvent l’opérateur min.

I.3.4. Système d’inférence flou

Le système d’inférence flou où le raisonnement flou est la procédure d’inférence utilisée


pour déduire les conclusions à partir des règles floues. Il s’agit d’inférer chaque règle en
utilisant les opérateurs de conjonction T et éventuellement de disjonction S entre les prémisses
et après en utilisant l’opérateur d’implication I. L’ensemble des résultats d’inférence
relativement à chaque règle doit être agrégé en utilisant l’opérateur d’agrégation U.
I.3.4.1. Fuzzification

Le nom de "fuzzification" vient du mot anglais "fuzzy" c’est à dire flou, c’est donc rendre
flou. Il s’agit de découper chaque variable d’entrée, grandeur mesurée, en plusieurs zones
(sous-ensembles) que l’on désigne par des termes linguistiques, c’est à dire appartenant au
langage usuel. On définit pour chaque zone une fonction d’appartenance.
En pratique, les ensembles flous sont, souvent, caractérisés par des symboles standards,
tableau I.6, désignés d’une manière spécifique à l’application.

Tableau I.6 : Désignation standard d’ensembles flous


NG Négatif Grand
NM Négatif Moyen
NP Négatif Petit
ZE Zéro
PP Positif Petit
PM Positif Moyen
PG Positif Grand

A. SAKLY & F. HAMDAOUI 8 2019-2020


Cours de Soft Computing Chapitre I. La logique floue 2éme année GE – ENIM

I.3.4.2. Base de règles et inférence

Les valeurs des variables linguistiques sont liées par plusieurs règles qui doivent tenir
compte des comportements statique et dynamique du processus à commander, mettant en
relation les grandeurs mesurées avec des grandeurs de commande.
Concernant le système d’inférence de la base de règle adoptée, en commande floue, on
utilise souvent l’une des deux méthodes d’inférence suivantes :

•Méthode d’inférence max-min :

Cette méthode réalise au niveau de la partie prémisses, l’opérateur de conjonction T (Et)


par le min et éventuellement l’opérateur de disjonction S (Ou) par le max. L’opérateur
d’implication I utilisé dans chaque règle (Si … Alors) est réalisé par l’opérateur min
(implication de Mamdani). Enfin l’opérateur d’agrégation U est réalisé par l’opérateur max.

•Méthode d’inférence max-prod :


Cette méthode réalise au niveau de la partie prémisses les mêmes opérateurs précédents,
l’opérateur de conjonction T par le min et l’opérateur de disjonction S par le max. Par contre,
l’opérateur d’implication I est réalisé par l’opérateur prod (implication de Larsen).
L’opérateur d’agrégation U est de même réalisé par l’opérateur max.
I.3.4.3. Défuzzification

L’ensemble des résultats des règles doit être converti en une valeur numérique, grandeur de
commande, c’est la "défuzzification". Il faut déterminer une valeur concrète à partir des
résultats flous.
Il existe plusieurs méthodes de défuzzification dont les deux les plus utilisées sont la
méthode du centre de gravité et la méthode de la moyenne des maximas.

•Méthode du centre de gravité (COG) :

La méthode de défuzzification du centre de gravité est celle la plus décrite dans la


littérature spécialisée. Il s’agit de déterminer l’abscisse du centre de gravité de la surface
obtenu par agrégation des différentes règles inférées. La sortie du régulateur est donnée par la
relation suivante :

 y B' ( y)d ( y)
y= Y

  B ' ( y )d ( y )
Y

où B’ est le résultat d’agrégation des règles inférées tel que :

A. SAKLY & F. HAMDAOUI 9 2019-2020


Cours de Soft Computing Chapitre I. La logique floue 2éme année GE – ENIM

- B' =  B' i pour les opérateurs d’implication qui généralisent la conjonction de la


i

logique classique, c’est à dire l’opérateur d’agrégation U est le max

- B' =  B' i pour les opérateurs d’implication qui généralisent l’implication de la


i

logique classique, c’est à dire l’opérateur d’agrégation U est l’opérateur min


B’i étant le résultat d’inférence de l’ensemble flou Bi de la grandeur de sortie.

•Méthode de la moyenne des maxima (MOM) :

Pour cette méthode, il s’agit de déterminer l’abscisse de la moyenne des maximas de la


surface agrégée obtenue. La grandeur de sortie est donnée par la relation suivante :

 mi
y= i
p

Les termes mi représentent les (ou "la" s’il s’agit d’une seule) valeurs des abscisses
correspondants à la valeur maximale du résultat d’inférence B’, et p leur nombre.

I.3.5. Différents types de systèmes flous

Il existe deux grandes familles de SIF, celle de Mamdani et celle de Sugeno.

I.3.5.1. Systèmes flous de type Mamdani

Mamdani est le premier à mettre en œuvre un système à base de la logique floue. Les
règles de Mamdani présentent la forme générique suivante :
Ri : Si (x1 est A1i ) Et (x2 est A2i ) Et … Et (xn est Ani ) Alors (y est Bi ) i=1,2,…,r

où les xi représentent des variables observables sur un système à commander et y est la


variable de sortie du régulateur agissant sur le système à commander, A ij et Bi étant des

ensembles flous (i=1,2,…,r et j=1,2,…,n).

I.3.5.2. Régulateurs flous de Sugeno

La méthode utilisée par Mamdani a été développée en 1975. Dans le milieu des années 80,
et plus précisément en 1985 a été développée une autre méthode connue sous le nom de
méthode de Sugeno, qui diffère de la précédente par la façon de déclarer les règles et par la
spécification de la variable de sortie :
Ri : Si (x1 est A1i ) Et (x2 est A2i ) Et … Et (xn est Ani ) Alors y= f i ( x1 , x2 ,..., xn ) i=1,2,…,r

Lorsque les fonctions fi sont des combinaisons linéaires des entrées, les règles floues de
Sugeno sont dites du premier ordre.

A. SAKLY & F. HAMDAOUI 10 2019-2020


Cours de Soft Computing Chapitre I. La logique floue 2éme année GE – ENIM

Souvent on utilise un modèle d’ordre zéro où les fonctions fi sont réduites à des
constantes :
règle d’ordre 0 : f i 0 = ai .

Lorsque la méthode est d’ordre 1, on a :


règle d’ordre 1 : f i1 = a0i + a1i x1 + a2i x2 + ... + ani xn .

I.4. Domaines d’applications


Les domaines d’application de la logique floue sont multiples. Nous pouvons les classer en
deux grandes familles, les domaines techniques et les domaines socio-économiques.
Les principaux domaines techniques sont :
•La commande des processus
•Les systèmes experts
•La robotique
•Les langages de programmation
•La décision multicritère
•L’ordonnancement
•La reconnaissance de formes
•Le traitement d’images
•Le diagnostic des pannes

Les principaux domaines socio-économiques sont :


•Les sciences humaines
•La gestion
•L’écologie
•La médecine et la biologie

A. SAKLY & F. HAMDAOUI 11 2019-2020

Vous aimerez peut-être aussi