TIA - Chap01 - Logique Floue - New

Chapitre 1 : Logique floue 0
Chapitre 1
LOGIQUE FLOUE
Cours : Techniques de l’Intelligence Artificielle Université Mohammed Seddik Ben Yahia - Jijel / Faculté des Sciences et de la Technologie
Enseignant : N. LOURCI Département d'Électrotechnique / 2ème année Master / Option : Commande Électrique
Historique :
Les bases théoriques de la logique floue ont été établies en 1965 par LOTFI A. ZADEH,
automaticien de réputation internationale, professeur à l'université de Berkeley en Californie.
En 1974, E. MAMDANI expérimentait la théorie énoncée par ZADEH sur une chaudière à
vapeur, introduisant ainsi la commande floue dans la régulation d'un processus industriel.
Plusieurs applications ont alors vu le jour en Europe, pour des systèmes parfois très
complexes, telle la régulation de fours de cimenterie réalisée par la société F. L. SMIDT-
FULLER.
Grâce au chercheurs japonais T. TAKAGI & M. SUGENO, la logique floue était introduite au
Japon dès 1985.
1- Logique floue (Fuzzy logic) :
1.1- Exemple introductif :
Afin de mettre en évidence le principe fondamental de la logique floue, on présente un

exemple simple, celui de la classification des personnes en trois ensembles « Jeune », « Entre
deux âges », « Vieux ».
Selon la logique classique (logique de Boole), qui n'admet pour les variables que les deux
valeurs 0 et 1, une telle classification pourrait se faire comme le montre la figure 01.a. On peut
fixer des seuils et considérer que l’on attribue tel ou tel qualificatif en fonction de la valeur de la
variable par rapport à ces seuils. Par exemple, toutes les personnes âgées de moins de 30 ans
sont alors considérées comme des jeunes et toutes les personnes âgées de plus de 50 ans comme
des vieux.
Cependant, une telle logique de classification n'est même pas logique. Une personne ne
devient pas vieille du jour au lendemain. En réalité, un tel passage se fait progressivement et
individuellement.
Fonction Fonction
d'appartenance d'appartenance
Entre Entre
Jeune deux âges Vieux Jeune deux âges Vieux
1 1
0,75
0,25
0 Âge 0 Âge
25 65
10 20 30 40 50 60 70 80 10 20 30 40 50 60 70 80
a- selon la logique classique. b- selon la logique floue.
Figure 01- Classification des personnes en trois ensembles.
La logique floue, dont les variables peuvent prendre n'importe quelle valeur entre 0 et 1,
permet de tenir compte de cette réalité. Les limites ne varient pas soudainement, mais
progressivement.
La figure 01.b montre une classification possible pour l'exemple précédent, cette fois-ci à
l'aide de la logique floue. Ainsi, une personne de 25 ans appartient à l'ensemble « Jeune » avec
une valeur  = 0,75 de la fonction d'appartenance et à l'ensemble « Entre deux âges » avec  =
0,25. Par contre une personne âgée de 65 ans appartient avec une valeur  = 1 de la fonction
d'appartenance à l'ensemble « Vieux ».
1.2- Bases générales de la logique floue :
1.2.1- Ensembles flous (Fuzzy set) :
La notion d’ensemble est une des notions fondamentales des mathématiques, mais elle ne
permet cependant pas de rendre compte de situations simples et assez fréquentes, car dans la
théorie des ensembles classiques, un élément appartient ou n’appartient pas à un ensemble
donné.
Par exemple, il est aisé de définir parmi les personnes, l'ensemble des hommes. Par contre, il
est impossible de définir l'ensemble des hommes vieux puisque les hommes ne deviennent pas
vieux du jour au lendemain. Ils vieillissent graduellement.
C’est pour tenir compte de ce genre de situations que ZADEH a introduit la notion
d’ensembles flous. Elle repose sur la notion d’appartenance partielle. Chaque élément peut :
 ne pas appartenir à l’ensemble flou,

 appartenir un peu à l’ensemble flou,
 appartenir assez à l’ensemble flou,
 appartenir fortement à l’ensemble flou,
 appartenir totalement à l’ensemble flou,
 etc.
Le contour de chaque ensemble flou n’est pas « rigide » ou « net » mais « graduel » ou
« flou ».
Ensembles classiques Ensembles flous
Figure 02- Comparaison entre un ensemble classique et un ensemble flou.
1.2.3- Variables linguistiques (Linguistic variables) :
La description d’une certaine situation, d’un problème ou d’un procédé contient en général
des expressions floue comme :
 quelque, beaucoup, souvent,

 chaud, froid, tiède,
 rapide, lent,
 grand, petit,
 etc.
Les expressions de ce genre forment les valeurs des variables linguistiques de la logique
floue.
1.2.4- Fonction d’appartenance (Membership function) :
Afin de permettre un traitement numérique par ordinateur des variables linguistiques, une
définition de ces variables s’impose. Dans ce contexte, on attribue à chaque valeur de la variable
linguistique des fonctions d’appartenance , dont la valeur varie entre 0 et 1, en tenant compte
de la classification en un certain nombre d’ensembles flous.
Pour la variable floue x, on définit un ensemble flou A sur un univers de discours X par une
fonction d’appartenance :
 A : X  [0 , 1 ]
x  A(x)
L’univers de discours est l’ensemble des valeurs réelles que peut prendre la variable floue x
et A(x) est le degré d’appartenance de l’élément x à l’ensemble flou A.
Plus généralement, le domaine de définition de A peut être réduit à un sous-ensemble de X.

On peut ainsi avoir plusieurs fonctions d’appartenance, chacune caractérisant un sous-ensemble
flou. C’est par l’association de tous les sous-ensembles flous de l’univers de discours, que l’on
obtient l’ensemble flou de la variable floue x. Par abus de langage, les sous-ensembles flous sont
fort souvent confondus avec l’ensemble flou.
Dans l’exemple précédent :
 La variable floue est l’âge de la personne.

 L’univers de discours est l’ensemble des réels de l’intervalle [ 0 90 ].
 On attribue à cette variable trois sous-ensembles flous : « Jeune », « Entre deux âges » et
« Vieux ». Chacun est caractérisé par sa fonction d’appartenance.
Les fonctions d’appartenance peuvent théoriquement prendre n’importe quelle forme. En

général, la forme de la fonction d’appartenance dépend de l’application. Toutefois, les plus
usuelles sont représentées au tableau 01.
Fonction Équation Allure

1
triangulaire   xa cx 

 ( x )  max  min  ,  ,0 
  ba cb 
0
a b c
trapézoïdale   xa dx 

 ( x )  max  min  ,1,  ,0 
  ba db 
0
a b c d
1
1  ( x  m)2 
gaussienne ( x )  exp   
 2  2 2  2
0
m
1
1 pente=b/2
en forme de cloche
( x )  2b
xc 0,5
1
a
0
c-a c c+a
0,5
0
sigmoïde 1 c-2/a c c+2/a
( x ) 
1  exp (  a ( x  c ) ) 1
0,5
Singleton
Tableau 01- Fonctions d'appartenance usuelles
Il existe d'autres formes de fonctions d'appartenance, moins utilisées à cause du temps de

calcul nécessaire. Enfin, il est possible de composer la fonction d'appartenance par des
morceaux de droites. Ainsi, on peut réaliser des formes concaves et convexes (Figure 03).
1 1
0 0
a- Fonction convexe b- Fonction concave
Figure 03- Fonctions d'appartenance composées par des morceaux de droites
Les fonctions d'appartenance peuvent être symétriques et distribuées de manière

équidistante. Une forme est définie symétrique lorsque les fonctions d'appartenance sont
symétriques par rapport à x = 0. Par contre, la forme est définie équidistante lorsque les maxima
des fonctions d'appartenance des différents ensembles sont écartés de manière équidistante.
  
a- Fonction d'appartenance b- Fonction d'appartenance c- Fonction d'appartenance non

symétrique et équidistante symétrique et non équidistante symétrique et non équidistante
Figure 04- Différentes formes pour les fonctions d'appartenance
Le plus souvent, on utilise pour les fonctions d'appartenance des formes trapézoïdales ou
triangulaires. Il s’agit des formes les plus simples, composées par morceaux de droites. La
forme est complètement définie par trois points pour la forme triangulaire, voir quatre points
pour la forme trapézoïdale. Dans la plupart des cas, en particulier pour le réglage par logique
floue, ces deux formes sont suffisantes pour délimiter des ensembles flous.
1.2.5- Opérateurs de la logique floue :
Ils permettent d’écrire des combinaisons entre les variables linguistiques et de faire des
calculs sur leurs degrés d’appartenance. Les trois opérations de bases utilisées pour la
manipulation des ensembles classiques peuvent être généralisées aux ensembles flous. Cette
généralisation n’est pas unique. Il existe de nombreuses variantes pour ces opérateurs.
a) Complémentation (NON) :
La complémentation d’un ensemble flou A dans un ensemble B est définie de la même

manière que celle d’un ensemble classique. Sa fonction d’appartenance est définie par :
NON ( A(x) )= Ā(x) = 1 - A(x)
b) Intersection (Conjonction, ET) :
L’intersection des ensembles flous A et B est définie par une norme triangulaire (t-norme) :
ET : [0 1]  [0 1] → [0 1]
(x,y) → z = x ET y
La t-norme ET possède les propriétés suivantes :
 Commutativité : x ET y = y ET x
 Associativité : x ET ( y ET z ) = ( x ET y ) ET z
 Monotonie : ( x ET y )  ( z ET u ) si ( x  z et y  u )
 Admet 0 comme élément absorbant : 0 ET x = 0
 Admet 1 comme élément neutre : 1 ET x = x
Cet opérateur peut être réalisé de plusieurs façons. Cependant, les solutions les plus simples
et les plus utilisées sont :
 Opérateur minimum (d’après ZADEH) : AB(x) = min { A(x), B(x) }
 Produit algébrique (probabiliste) : AB(x) = A(x)  B(x)
 Produit borné (d’après LUKASIEWICZ) : AB(x) = max { A(x) + B(x) – 1 , 0 }
  A ( x ) Si  B ( x )  1

 Produit drastique (d’après WEBER) :  A  B ( x )    B ( x ) Si  A ( x )  1
0 Sinon

c) Union (Disjonction, OU) :
L’union des ensembles flous A et B est définie par une conorme triangulaire (t-conorme) :
OU : [0 1]  [0 1] → [0 1]
(x,y) → z = x OU y
La t co-norme OU possède les propriétés suivantes :
 Commutativité : x OU y = y OU x
 Associativité : x OU ( y OU z ) = ( x OU y ) OU z
 Monotonie : ( x OU y )  ( z OU u ) si ( x  z et y  u )
 Admet 1 comme élément absorbant : 1 OU x = 1
 Admet 0 comme élément neutre : 0 OU x = x
Comme pour l’opérateur ET, il existe de nombreuses possibilités pour représenter l’opérateur
OU. Les plus répandus sont :
 Opérateur maximum (d’après ZADEH) : AB(x) = max { A(x), B(x) }
 Somme algébrique (probabiliste) : AB(x) = A(x) + B(x) - A(x)B(x)
 Somme borné (d’après LUKASIEWIEZ) : AB(x) = min { A(x) + B(x) , 1 }
  A ( x ) Si  B ( x )  0

 Somme drastique (d’après WEBER) :  A  B ( x )    B ( x ) Si  A ( x )  0
1 Sinon

Le plus souvent, on utilise les opérateurs de ZADEH :
Intersection
(Conjonction, ET) AB = min { A , B }
Union
(Disjonction, OU) AB = max { A , B }
Négation Ā = 1 - A
Tableau 02- Les opérateurs de ZADEH
2- Commande floue (Fuzzy control) :
2.1- Exemple :
Lorsqu’on se retrouve pour la première fois devant une douche possédant deux robinets
distincts, un pour l'eau chaude et un pour l'eau froide, on ouvre les deux robinets. Puis, en
fonction de la température de l'eau on applique des règles de ce type :
 Si l'eau est trop chaude ALORS ouvrir plus le robinet d'eau froide.
 Si l'eau est trop froide ALORS ouvrir plus le robinet d'eau chaude.
 Si l'eau est trop froide ET le robinet d'eau chaude est ouvert au maximum ALORS fermer
plus le robinet d'eau froide.
Voilà, on fait donc de la commande floue de température sans le savoir. Il s'agit maintenant
de formaliser tout cela afin de le faire comprendre à un microprocesseur. Pour formaliser
mathématiquement ces concepts, on verra dans l'ordre :
 Comment fuzzifier, c'est-à-dire passer d'une variable réelle à une variable floue.
 Comment définir les règles d'inférence (Si … ALORS …).
 Comment appliquer ces règles, c'est-à-dire définir les opérateurs logiques (ET, OU, NON),
puis définir une méthode pour prendre en compte simultanément toutes ses règles.
 Comment deffuzifier, c'est-à-dire générer une commande pour le système à contrôler.
2.2- Structure générale d’une commande floue :
La mise en œuvre d’un système basé sur la logique floue fait apparaître les quatre modules
principaux suivant :
 L’interface de fuzzification : qui permet de passer du « monde réel » au « monde flou » en

transformant les entrées exactes du système en degrés d’appartenance.
 La base de connaissance : qui est scindée en deux parties :
La base de données qui contient la définition des ensembles flous, les facteurs d’échelle pour
la normalisation des ensembles de référence et la partition de l’espace flou d’entrée et de
sortie.
La base des règles floues qui contient les relations entre les variables d’entrée (variables
linguistiques) et les variables de sortie (variables linguistiques aussi).
 Le bloc de décision ou le moteur d’inférence : qui contient les inférences des opérations sur les
règles.
 L’interface de défuzzification : c’est l’opération inverse de la fuzzification. Elle fait

correspondre à chaque résultat flou calculé, la sortie précise adéquate.
Base de connaissance
Base de données Base de règles
Moteur d’inférence
Entrée Fuzzification ou Défuzzification Sortie
Bloc de décision
Figure 05- Structure générale d’un système basé sur la logique flou
2.2.1- Fuzzification :
Les entrées du régulateur flou sont les sorties du processus et donc ne sont pas des valeurs
floues mais des valeurs exactes. Il faut transformer ces valeurs exactes en valeurs floues. Il faut
donc accorder des fonctions d'appartenance aux valeurs d'entrées.
Il existe plusieurs formes pour les fonctions d'appartenance. Le plus souvent, on utilise des
formes trapézoïdales ou triangulaires. Il s'agit des formes les plus simples, composées par
morceaux de droites. L'allure est complètement définie par 3 points pour la forme triangulaire,
ou 4 points pour la forme trapézoïdale. Dans la plupart des cas, en particulier pour le réglage
par logique floue, ces deux formes sont suffisantes pour délimiter des ensembles flous.
Conseils pour le choix des fonctions d'appartenance :
La notion d’« univers de discours » se conçoit aisément : reprenons notre concept de

température : l'utilisateur pourra décrire la variable « température » par un certain nombre de
mots : par exemple « chaud », « froid », « tiède », ou « très chaud », « assez chaud », « tiède »,
« assez froid », « très froid ». Pour chacun de ces prédicats, on pourra donner une fonction
d'appartenance. L'univers de discours sera considéré comme le domaine de fonctionnement du
processus.
Les problèmes qui peuvent se poser sont :
 Combien de prédicats sont nécessaires à la commande et comment les choisir ?
 Est-il nécessaire de choisir chaque prédicat ?
En général, on peut donner un nombre de règles de commande important, mais l'intérêt de la

commande floue est que seul un petit nombre de règles est nécessaire. Le nombre de prédicats
dépend essentiellement de la manière dont l'expert peut décrire le processus et de la précision
souhaitée. Par exemple, en commande floue classique, 5 prédicats (grand, très grand, moyen,
petit, très petit) est un bon compromis ; parfois trois peuvent suffire (dans les cas extrêmes, on
peut aller jusqu'à 7).
L'univers de discours d'une variable couvrira l'ensemble des valeurs prises par cette variable.
En pratique, l'intersection entre deux prédicats consécutifs est non nulle, de façon à pouvoir
exercer une pondération sur la commande. Il en résulte un chevauchement des variables qui
doit être suffisant pour permettre une description continue des variables mais pas trop
important pour limiter l'imprécision. Il est notamment préférable d'éviter que les fonctions
d'appartenance de deux prédicats voisins soient simultanément égales à 1.
En premier lieu, on démarre avec une fuzzification utilisant 3 à 5 ensembles donc 3 à 5

fonctions d'appartenance pour chaque variable. Les fonctions d'appartenance seront choisies
triangulaires et/ou trapézoïdales, symétriques et équidistantes.
Puis en fonction du comportement obtenu en boucle fermée, on peut :
 augmenter le nombre d'ensembles d'une ou plusieurs variables

 plus de souplesse dans les règles.
 désymétriser les fonctions d'appartenance

 prise en compte de non linéarités du système.
 changer la forme des fonctions d'appartenance

 variations de commande plus souples.
En tout état de cause, il faut éviter des lacunes ou un chevauchement insuffisant entre les
fonctions d'appartenance de deux ensembles voisins (Figure 06.a). En effet, cela provoque des
zones de non intervention du régulateur, ce qui conduit à une instabilité de réglage. De même,
on doit éviter un chevauchement trop important, surtout avec  = 1 entre deux ensembles
voisins (Figure 06.b).
 
a- Fonction d'appartenance avec lacunes ou b- Fonction d'appartenance avec

chevauchement insuffisant chevauchement trop important
Figure 06- Différentes formes à éviter pour les fonctions d'appartenance
2.2.2- Moteur d’inférence ou bloc de décision :
a) Définition des règles d'inférence :
La logique floue a pour objectif de formaliser et de mettre en œuvre le raisonnement humain.

L’idée principale pour cela est de l’exprimer sous forme de règles linguistiques ou floue de
type :
SI (un ensemble de conditions est satisfait) ALORS (un ensemble de conséquences est validé)
« Prédicat » ou « Prémisse » Implication « Conclusion »

floue
La partie antécédente exprimée par « SI » décrit l’état du système. C’est une combinaison de
propositions par des opérateurs ET, OU, NON.
La partie conséquente exprimée par « ALORS » correspond à l’action que l’opérateur doit
effectuer. C’est une combinaison de propositions liées par des opérateurs ET uniquement.
L’opérateur OU n’est pas admis dans les conclusions car il signifierait que l’expertise ne permet
pas de déterminer quelle décision prendre. La négation n’est également pas permise car une
conclusion du type « ALORS vitesse NON moyenne » est insuffisante. Elle ne tranche pas entre
les décisions « vitesse forte », « vitesse faible » et « vitesse nulle ».
b) Implication floue :
Les règles floues sont basées sur l’implication floue. Elles relient les variables floues d’entrée
d’un système à ses variables floues de sortie. Il existe divers opérateurs d’implication floue dont
ceux mentionnés ci-dessous :
 Implication de MAMDANI : AB(x,y) = min { A(x), B(y) }
 Implication de LARSEN : AB(x,y) = A(x)  B(y)
 Implication de LUKASIEWICZ : AB(x,y) = min { 1 - A(x) + B(y) , 1 }
c) Présentation des règles d'inférence :
Les règles d’inférence peuvent décrites de plusieurs façons :
 Linguistiquement :
On écrit les règles de façon explicite, par exemple :
SI la température est élevée ET la vitesse est faible Alors la tension est grande positive
 Symboliquement :
Il s’agit en fait d’une description linguistique où l’on remplace la désignation des ensembles
flous et des variables floues par des abréviations, par exemple :
SI T est E ET V est F Alors U est GP
 Par matrice d’inférence :
Elle rassemble toutes les règles d’inférence sous forme de matrice. Dans le cas d’une matrice
à deux dimensions (Tableau 05.a), les lignes correspondent à l’une des ensembles flous des
variables d’entrée et les colonnes à l’autre.
L’intersection d’une ligne et d’une colonne donne l’ensemble flou de la variable de sortie
définie par une règle d’inférence. Il y a autant de cases que de règles.
Les variables d’entrée sont liées par l’opérateur « ET », tandis que les variables de sortie des
différentes règles sont à combiner par l’opérateur « OU », afin d’obtenir la variable de sortie de
l’inférence. La représentation par matrice d’inférence impose donc une restriction au cas, le plus
fréquent, où la condition de chaque règle ne contient que l’opérateur « ET ».
Il arrive que quelques cases de la matrice ne soient pas remplies, on parle dans ce cas de
règles d’inférence incomplètes. Cela ne signifie pas que la sortie n’existe pas, mais plutôt que le
degré d’appartenance est nul pour la règle en question.
Lorsqu’il y a plus de deux variables linguistiques, il faut juxtaposer plusieurs matrices

(Tableau 05.b). Cependant ce genre de description devient complexe lorsqu’il y a plus de trois
ou quatre variables et si ces dernières sont subdivisées en un nombre élevé d’ensemble.
X3
C T F
Xr
X1
L N R L N R L N R
N PG PG PM PM EZ EZ
F Z PG PM EZ PM EZ NM EZ NM NG
P PG EZ PM NM EZ NG
N PG PM PM PM EZ EZ NM
X4 M X2T Z PG PM EZ PM EZ NM EZ NM NG
U
F M PE PM EZ EZ NM NM NM NG
F Z P GP
N PG EZ PM NM EZ NG
V
E EZ Z ZP PG PM EZ PM EZ NM EZ NM NG
P EZ EZ NM NM NG NG
a- pour deux variables
linguistiques b- pour quatre variables linguistiques
Tableau 05- Matrice d’inférence
 Par tableau d’inférence :
Une autre possibilité de description des inférences est celle d’un tableau d’inférence. Elle se
prête particulièrement bien à un nombre élevé de variables linguistiques et surtout à des
systèmes multivariables avec plusieurs variables de sortie.
Pour chaque règle, il y a une ligne indiquant les ensembles des variables d’entrée qui sont
liées par l’opérateur « ET » et montre l’ensemble correspondant pour chaque variable de sortie.
Enfin, les opérations des inférences s’obtiennent par combinaison avec l’opérateur « OU », sur
chaque variable de sortie. Dans ce cas aussi, il y a une restriction au niveau des règles, dont la
condition ne peut contenir que l’opérateur « ET ».
Règle n° X1 X2 X3 Xr1 Xr2

1 N M L PG NG
2 N M N PG NG
3 N M R EZ NG
4 Z F L PG NG
5 Z F N PG NG
6 Z F R EZ NG
7 Z M L PG NG
8 Z M N EZ EZ
9 Z M R NG PG
10 Z E L EZ PG
11 Z E N NG PG
12 Z E R NG PG
13 P M L EZ PG
14 P M N NG PG
15 P M R NG PG
Tableau 06- Tableau d’inférence
d) Conseils pour le choix des règles d'inférence :
Il est impossible de donner des directives précises concernant l'établissement des règles,
cependant les conseils peuvent être utiles :
 Établir un minimum de règles au départ, ce n'est que si le comportement du système en

boucle fermée n'est pas satisfaisant qu'il faut augmenter le nombre de règles et parfois le
nombre de fonctions d'appartenance.
 Méfiez-vous de l'« évidence première » lors de l'établissement des règles.

 Utilisez une matrice d'inférence, cela évite les règles contradictoires et permet d'imaginer
plus facilement la surface de commande.
e) Méthodes d'inférence :
En se basant sur les différentes règles floues et leurs méthodes de génération, les approches
de la commande floue peuvent être classées en trois catégories :
 Méthodes d'inférence basées sur l’approche de MAMDANI.

 Méthode d'inférence basée sur l’approche de TAKAGI & SUGENO.
 Méthode d'inférence basée sur l’approche de TSUKAMOTO.
e.1) Méthodes d'inférence basées sur l’approche de MAMDANI :
La base des règles dans cette approche comporte des règles floues du type :
Si x1 est A ET x2 est B ALORS y est C
A et B : les ensembles flous des entrée x1 et x2

C : l’ensemble flou de la sortie y
Après l’application de la règle d’inférence, le résultat est un ensemble flou caractérisé par sa
fonction d’appartenance. Afin d’obtenir la valeur réelle de la sortie il faut passer par une étape
de défuzzification.
Il existe plusieurs méthodes pour définir les degrés d’appartenance de la variable de sortie
au sous ensembles flous. Ces méthodes se diffèrent essentiellement par la manière dont vont
être réalisés les opérateurs ET, OU et ALORS utilisés dans les règles d’inférence. Les méthodes
les plus usuelles sont :
c.1) Méthode d'inférence « MAX-MIN » :
L’implication flou « ALORS » et l’opérateur « ET » sont réalisés par la fonction minimum

« MIN » et l’opérateur « OU » est réalisé par la fonction maximum « MAX ».
Cette méthode est également dite « implication de MAMDANI ».
Exemple :
 T  
1 F U M E 1 F E 1 Z P GP
F M E
F Z P GP
T V U
  
1 F M E 1 F E 1 Z P GP
T V U
SI T est E ET V est F ALORS U est GP

(MIN) (MIN)
  
T V U
SI T est M ET V est F ALORS U est P

(MIN) (MIN)
  
1 Z P GP 1 Z P GP 1 Z P GP
U U U
OU
(MAX)
Figure 07- Exemple d’inférence MAX-MIN
c.2) Méthode d'inférence « MAX-PROD » :
La différence par rapport à la méthode précédente réside dans la manière de réaliser la

conclusion « ALORS ». Dans ce cas, on utilise le produit au lieu de la fonction minimum.
Cette méthode est également appelée « implication de LARSEN ».
Exemple :
 T  
F M E
F Z P GP
T V U
  
T V U

(MIN) (PRODUIT)
  
T V U

(MIN) (PRODUIT)
  
U U U
OU
(MAX)
Figure 08- Exemple d’inférence MAX-PROD
c.3) Méthode d'inférence « SOMME-PROD » :
L’opérateur « ET » est réalisé par le produit, de même que la conclusion « ALORS ».

Cependant, l’opérateur « OU » est réalisé par la valeur moyenne des degrés d’appartenance
intervenant dans l’inférence.
Exemple :
 T  
F M E
F Z P GP
T V U
  
0,7
T V U

(µT = 0,7) PRODUIT (µV = 1) PRODUIT
(0,7×1=0,7)
  
T V U

(µT = 0,3) PRODUIT (µV = 1) PRODUIT
(0,3×1=0,3)
  
U U U
OU
(SOMME = VALEUR MOYENNE)
Figure 09- Exemple d’inférence SOMME-PROD
e.2) Méthode d'inférence basée sur l’approche de TAKAGI & SUGENO :
Si x1 est A ET x2 est B ALORS y est f( x1 , x2 )
A et B : les ensembles floues des entrée x1 et x2

f( x1 , x2 ) : une fonction numérique. En général, c’est une fonction polynomiale des variables
d’entrée. Mais, elle peut être toute fonction susceptible de décrire convenablement le
comportement du système étudié.
L’opérateur « ET » est réalisée par le « MINIMUM » ou le « PRODUIT ».
Étant donnée que chaque règle donne une sortie numérique, la sortie globale est obtenue par
le calcul de la moyenne pondérée de toutes les sorties :
n
 wi y i
i1
yr  n
 wi
i1
Exemple :
MIN
ou
 
PROD
1 F M E 1 F E
w1 y1 = a1 x1 + b1 x2 + c1
T
x1 x2 V w1y1  w2y 2
y
  w1  w2
1 F M E 1 F E
w2 y2 = a2 x1 + b2 x2 + c2
T
x1 x2 V
Figure 10- Exemple d’inférence basée sur l’approche de TAKAGI & SUGENO
e.3) Méthode d'inférence basée sur l’approche de TSUKAMOTO :
Si x1 est A ET x2 est B ALORS y est C
A et B : les ensembles floues des entrée x1 et x2

C : l’ensemble flou de la sortie y. Il est représenté par une fonction d’appartenance monotone.
L’opérateur « ET » est réalisée par le « MINIMUM » ou le « PRODUIT ».
La sortie inférée par chaque règle est définie comme la valeur induite par le degré
d’activation da chaque règle. La sortie globale est obtenue par le calcul de la moyenne pondérée
de toutes les sorties :
n
 wi y i
i1
yr  n
 wi
i1
Exemple :
 T  
1 F U M E 1 F E 1 N P
F M E
F N P P
T V U
MIN
ou
  
PROD
1 F M E 1 F E 1 N P
w1
T
x1 x2 V y1 U
  
1 F M E 1 F E 1 N P
w2
T
x1 x2 V y2 U
w1y1  w2y 2
y
w1  w2
Figure 11- Exemple d’inférence basée sur l’approche de TSUKAMOTO
2.2.3- Défuzzification :
À la fin de l’inférence basées sur l’approche de MAMDANI, le résultat est un sous ensemble
flou qui n’est pas directement utilisable pour donner une information précise à l’opérateur ou
commander un actionneur. La défuzzification permet de transformer ces fonctions
d’appartenance en informations déterministes et donc de définir des variables de sortie
numériques précises. Il s’agit de calculer, à partir des fonctions d’appartenance à tous les
ensembles flous de sortie, l’abscisse qui correspond à la valeur de cette sortie.
Plusieurs méthodes de défuzzification sont proposées dans la littérature, les plus

couramment utilisées sont :
a) Méthode du maximum (Height method) :
La valeur de la sortie est simplement l’abscisse du maximum de la fonction d’appartenance

résultante (Figure 12). Cette méthode n’est applicable que si le maximum est unique.
 
y y
yr yr
Figure 12- Méthode du maximum
b) Méthode du premier maximum (First of maxima method) :
 
y y
yr yr
Figure 13- Méthode du premier maximum
c) Méthode du dernier maximum (Last of maxima method) :
 
y y
yr yr
Figure 14- Méthode du dernier maximum
d) Méthode de la moyenne des maximums (Middle of maxima method) :
yr
Figure 15- Méthode de la moyenne des maximums
Cette méthode est applicable seulement pour les fonctions symétriques.
e) Méthode de la moyenne pondérée (Weighted average method) :
Cette méthode est appelée souvent la méthode de déffuzification de SUGENO. La valeur

déffuzifiée est obtenue en faisant la pondération des maximums des valeurs de la sortie comme
suit :

n C3
 y i C i ( y i ) C2
C1
i1
yr  n
 C i ( y i ) y1 y2 y3
y
i1
Figure 16- Méthode de la moyenne pondérée
Cette méthode est applicable seulement pour les fonctions symétriques.
Exemple :

1
0 1 2 3 4 5 6 7 8 9 10
f) Méthode du centre de gravité (Center of gravity method) :
La sortie défuzzifiée yr correspond à l’abscisse du centre de gravité de la surface de la

fonction d’appartenance résultante, cela se traduit par :

yr 
 y  ( y )dy
  ( y )dy
Lorsque la fonction (y) est discrétisée, le y
centre de gravité est donné par : yr
n Figure 17- Méthode du centre de gravité

 yi  ( y i )
i1
yr  n
  ( yi )
i1
Le centre de gravité est relativement facile à calculer lorsque la fonction d’appartenance

résultante est constituée de morceaux de droites. Dans les autres cas, ce calcul peut être
gourmand en temps de calcul et donc pénalisant lors de l’implémentation sur un
microprocesseur. C’est l’une des raisons qui font préférer les fonctions d’appartenance de
formes trapézoïdales ou triangulaires et les opérateurs logiques de type MIN-MAX.
Exemple :

1
0 1 2 3 4 5 6 7 8 9 10
g) Méthode des hauteurs pondérées :
Elle correspond à la méthode du centre de gravité quand les fonctions d’appartenance de la

variable de sortie sont des singletons (Figure 18).
L’abscisse qui correspond à la valeur de la sortie 

est donné par : 1 GN N Z P GP
n
 yi  ( y i ) y
i1
yr  n yr
  ( yi )
i1 Figure 18- Méthode des hauteurs pondérées
h) Méthode du centre des sommes (Center of sums method) :
L’abscisse qui correspond à la valeur de la sortie est donné par :
n 
 yi Ai
i1
yr  n
 Ai y
i1
  
A1 A2 A3
y y y
y1 y2 y3
Figure 19- Méthode du centre des sommes
Exemple :

1
0 1 2 3 4 5 6 7 8 9 10
i) Méthode du centre de la plus grande surface (Center of largest area method) :
La sortie défuzzifiée yr correspond à 

l’abscisse du centre de gravité de la plus
grande surface de la fonction d’appartenance A3
résultante : A1 A2
y
yr 
 y  ( y )dy yr
  ( y )dy Figure 20- Méthode du centre de la plus grande surface
Exemple :

1
0 1 2 3 4 5

TIA - Chap01 - Logique Floue - New

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

TIA - Chap01 - Logique Floue - New

Titre original :

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 1 : Logique floue 0

1- Logique floue (Fuzzy logic) :

1.1- Exemple introductif :

Afin de mettre en évidence le principe fondamental de la logique floue, on présente un

a- selon la logique classique. b- selon la logique floue.

Figure 01- Classification des personnes en trois ensembles.

1.2- Bases générales de la logique floue :

1.2.1- Ensembles flous (Fuzzy set) :

 ne pas appartenir à l’ensemble flou,

Ensembles classiques Ensembles flous

Figure 02- Comparaison entre un ensemble classique et un ensemble flou.

1.2.3- Variables linguistiques (Linguistic variables) :

 quelque, beaucoup, souvent,

1.2.4- Fonction d’appartenance (Membership function) :

Plus généralement, le domaine de définition de A peut être réduit à un sous-ensemble de X.

Dans l’exemple précédent :

 La variable floue est l’âge de la personne.

Les fonctions d’appartenance peuvent théoriquement prendre n’importe quelle forme. En

Fonction Équation Allure

triangulaire   xa cx 

trapézoïdale   xa dx 

Tableau 01- Fonctions d'appartenance usuelles

Il existe d'autres formes de fonctions d'appartenance, moins utilisées à cause du temps de

a- Fonction convexe b- Fonction concave

Figure 03- Fonctions d'appartenance composées par des morceaux de droites

Les fonctions d'appartenance peuvent être symétriques et distribuées de manière

a- Fonction d'appartenance b- Fonction d'appartenance c- Fonction d'appartenance non

Figure 04- Différentes formes pour les fonctions d'appartenance

1.2.5- Opérateurs de la logique floue :

La complémentation d’un ensemble flou A dans un ensemble B est définie de la même

NON ( A(x) )= Ā(x) = 1 - A(x)

b) Intersection (Conjonction, ET) :

La t-norme ET possède les propriétés suivantes :

 Admet 0 comme élément absorbant : 0 ET x = 0

 Admet 1 comme élément neutre : 1 ET x = x

 Opérateur minimum (d’après ZADEH) : AB(x) = min { A(x), B(x) }

 Produit algébrique (probabiliste) : AB(x) = A(x)  B(x)

 Produit borné (d’après LUKASIEWICZ) : AB(x) = max { A(x) + B(x) – 1 , 0 }

c) Union (Disjonction, OU) :

La t co-norme OU possède les propriétés suivantes :

 Admet 1 comme élément absorbant : 1 OU x = 1

 Admet 0 comme élément neutre : 0 OU x = x

 Opérateur maximum (d’après ZADEH) : AB(x) = max { A(x), B(x) }

 Somme algébrique (probabiliste) : AB(x) = A(x) + B(x) - A(x)B(x)

 Somme borné (d’après LUKASIEWIEZ) : AB(x) = min { A(x) + B(x) , 1 }

Le plus souvent, on utilise les opérateurs de ZADEH :

Tableau 02- Les opérateurs de ZADEH

2- Commande floue (Fuzzy control) :

 Comment définir les règles d'inférence (Si … ALORS …).

 Comment deffuzifier, c'est-à-dire générer une commande pour le système à contrôler.

2.2- Structure générale d’une commande floue :

 L’interface de fuzzification : qui permet de passer du « monde réel » au « monde flou » en

 La base de connaissance : qui est scindée en deux parties :

 L’interface de défuzzification : c’est l’opération inverse de la fuzzification. Elle fait

Conseils pour le choix des fonctions d'appartenance :

La notion d’« univers de discours » se conçoit aisément : reprenons notre concept de

Les problèmes qui peuvent se poser sont :

 Combien de prédicats sont nécessaires à la commande et comment les choisir ?

 Est-il nécessaire de choisir chaque prédicat ?

En général, on peut donner un nombre de règles de commande important, mais l'intérêt de la

En premier lieu, on démarre avec une fuzzification utilisant 3 à 5 ensembles donc 3 à 5

Puis en fonction du comportement obtenu en boucle fermée, on peut :