Afef Abdelkrim ENICarthage

__________________________________________________________________________________________

Soft computing

Introduction
”Soft computing differs from conventional (hard) computing in that, unlike hard computing, it
is tolerant of imprecision, uncertainty, and partial truth. In effect, the role model for soft
computing is the human mind. The guiding principle of soft computing is: exploit the
tolerance for imprecision, uncertainty, and partial truth to achieve tractability, robustness,
and low solution cost“

«Le soft computing diffère du calcul conventionnel dans le fait qu’il est tolérant aux
imprécisions, aux incertitudes et aux vérités partielles. En effet, le modèle pour le soft
computing est la pensée humaine. Le principe directeur du soft computing est : exploiter la
tolérance à l’imprécision, à l incertitude, et à la vérité partielle pour achever la souplesse, la
robustesse et la solution ayant le moindre coût. »

Lotfi Zadeh

Le soft computing, concerne l’utilisation des théories de la logique floue, des réseaux de
neurones artificiels et l’informatique évolutive pour résoudre des problèmes du monde réel
qui ne peuvent pas être résolus en utilisant les techniques de calcul conventionnel.

Les systèmes intelligents ont généralement la capacité d’acquérir et d’appliquer le savoir

d’une manière « intelligente » et ont les capacités de perception, de raisonnement,
d’apprentissage et de faire des inférences (ou décisions) à partir d’information incomplète.

Les knowledge-based systèmes sont définis comme étant des programmes informatiques
étendus qui peuvent résoudre des problèmes relatifs à un champs spécifique limité, en
utilisant des données sur le problème, des connaissances relatives au problème, et des
capacités « intelligentes » de prises de décisions.

Le soft computing est une branche d’étude importante dans le domaine des systèmes
intelligents et des knowledge-based systèmes. Il a effectivement complété l’intelligence
artificiel conventionnelle dans le domaine de l’intelligence machine. Le raisonnement humain
est approximatif, qualitatif et souple. Les êtres humains peuvent effectivement prendre des
décisions intelligentes en traitant des informations incomplètes, imprécises et floues. La
logique floue, les réseaux de neurones artificiels et les algorithmes génétiques sont utilisés
dans le soft computing pour représenter la connaissance et pour mimer le processus de
raisonnement et de prise de décision d’un être humain.

1
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________

Chapitre I :

La logique floue

I. Bases générales de la logique floue

I.1. Introduction : Dans la théorie classique des ensembles, un sens strict est attribué
à la notion d’appartenance à un ensemble, c'est-à-dire qu’un élément soit il appartient, soit il
n’appartient pas à un ensemble. En 1965, Lotfi A. Zadeh a introduit la notion d’ensembles
flous, où un sens plus flexible relatif à l’appartenance est possible. Dans cette théorie,
plusieurs degrés d’appartenance sont permis. Le degré d’appartenance à un ensemble est
indiqué par une valeur dans l’intervalle [0,1]. Les éléments des ensembles considérés dans
une situation donnée font partie d’un ensemble invariable, appelé univers de discours. On
appelle fonction d’appartenance, notée µA(x), la fonction qui, à tout élément de l’univers de
discours X, associe une valeur dans l’intervalle [0,1].
µ A ( x ) : X  [0,1]

Le concept de logique floue vient de la constatation que la variable booléenne, qui ne peut
prendre que deux valeurs (vrai ou faux) est mal adaptée à la représentation de la plupart des
phénomènes courants. Alors que la logique classique considère qu'une proposition est soit
vraie soit fausse, la logique floue distingue une infinité de valeurs de vérité (entre 0 et 1).
Prenons l'exemple de la taille d'un homme : on veut déterminer si un homme est petit ou
grand. En logique classique, on introduit une valeur "seuil" : en deçà de cette valeur, l'homme
sera petit et au-delà, il fera partie des grands.
Mais cette discontinuité paraît absurde : à un demi centimètre près, l'homme peut passer d'une
catégorie à l'autre. La notion de petite taille est difficilement modélisable avec la logique
booléenne classique. En outre, en logique floue, on introduit des fonctions d'appartenance qui
définissent, en fonction du paramètre (la taille), les degrés d'appartenance à chaque état.

Dans l’exemple illustré par la figure 1, un homme de 1m70 sera grand à 50% et petit à 50%,
et quelqu'un de 1m80 sera petit à 20% et grand à 80%.
Ces fonctions étant continues, des petites différences de taille font progressivement passer
l'individu d'un état à l'autre, ce qui est beaucoup plus naturel.
Prenons l’exemple de classification des personnes en trois ensembles « jeune », « entre deux
âge » et « âgé ». Selon la logique classique, une telle classification pourrait se faire comme le
montre la figure 2.
La logique floue, dont les variables peuvent prendre n’importe quelle valeur entre 0 et 1 (on
parle alors de fonction d’appartenance µ), permet de tenir compte du fait que le passage entre
deux tranches d’âge se fait progressivement. Les limites ne varient pas soudainement mais
progressivement. Un exemple de classification possible est donné par la figure 3. Ainsi, une
personne de 25 ans appartient à l’ensemble « jeune » avec une valeur µ=0.75 de la fonction
d’appartenance et à l’ensemble « entre deux âges » avec µ=0.25. Par contre une personne de
70 ans appartient avec une valeur µ=1 de la fonction d’appartenance à l’ensemble « âgé ».

2
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________

Figure 1. Illustration d’un exemple sur la notion du raisonnement flou

µ
Entre deux
jeune âges âgé
1

0 âge
0 20 40 60 80

Figure 2. Classification des personnes en trois ensembles selon la logique classique

µ
Entre deux
jeune âges âgé
1
1
0.75

0.25
0 âge
0 20 25 40 60 70 80

Figure 3. Classification des personnes en trois ensembles selon la logique floue

Un domaine d'application de la logique floue qui devient de plus en plus important est celui
du contrôle et de la commande des processus industriels. Les algorithmes de réglage
conventionnels sont alors remplacés par une série de règles linguistiques de la forme
SI…ALORS…. Ceci nous donne la possibilité de prendre en considération l'expérience des
opérateurs pour la conduite des processus industriels.
La logique floue se prête alors très bien à la commande de processus mal maîtrisables par les
méthodes conventionnelles comme le réglage classique ou réglage d'état.

3
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________

Les éléments de base de la logique floue sont :

- les variables linguistiques
- les fonctions d’appartenance
- les déductions floues (inférences)
- les opérateurs

I.2. Variables linguistiques : La description d’une certaine situation, d’un phénomène ou

d’un procédé contient en général des expressions floues comme :
quelque, beaucoup, souvent
chaud, froid, rapide, lent
grand, petit, etc.
Les expressions de ce genre forment les valeurs des variables linguistiques de la logique
floue.
I.2.1. Description d’un phénomène : Pour mettre en évidence la description d’un
phénomène à l’aide de variables linguistiques, on fait appel à un exemple décrivant la manière
d’aborder un virage avec une voiture.
Un automobiliste « normal » donnera probablement la description suivante :
« Sur le rectiligne, je roule assez rapidement. Quelques centaines de
mètres avant le virage, je commence à ralentir doucement en rétrogradant
éventuellement. A l’entrée du virage, je tourne le volant. A la sortie du
virage, je remets le volant dans sa position droite et je commence à
accélérer progressivement »
Cette description contient beaucoup d’expressions floues comme « rouler assez rapidement »,
« Quelques centaines de mètres », « ralentir doucement » … Elles permettent une
interprétation assez large de la manière dont cet automobiliste aborde le virage.
Une telle description est évidemment très individuelle et subjective. Si on posait la même
question à un pilote de formule 1, la question serait certainement différente et pourrait être
exprimée dans ces termes :
« Sur le rectiligne, je pousse l’accélérateur à fond. Environ à 100 mètres
avant le virage, je freine fortement, de sorte que les roues ne se bloquent
pas et je rétrograde en même temps. A l’entrée du virage, je tourne le
volant afin que la voiture suive la ligne idéale et je redonne à moitié les
gaz pour stabiliser la voiture. Après la tangente, je commence à la sortie
du virage, je continue à accélérer pleinement en montant
progressivement les rapports»
Même si cette description est beaucoup plus précise, il reste encore un certain degré de liberté
pour interpréter ce phénomène.

I.2.2. Description d’un procédé : Le procédé « aborder un virage » peut être

décomposé en plusieurs sous-procédés. Par exemple, la détermination du point initial de
freinage dépend des vitesses initiale et finale. Cette dernière dépend du rayon du virage…
Dans la formulation de la description intervient évidemment beaucoup d’expérience.
La description d’un procédé peut être décomposée en toute généralité de la manière suivante :
SI condition 1, ALORS opération 1, OU
SI condition 2, ALORS opération 2, OU
…
SI condition m, ALORS opération m.
Sous cette forme la description d’un procédé peut être utilisée pour la conception d’un réglage
ou d’une commande par logique floue.

4
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________

I.2. Définitions des variables linguistiques par des fonctions d’appartenance : A

chaque valeur de la variable linguistique, une fonction d’appartenance µ est attribuée, sa
valeur varie entre 0 et 1, en tenant compte de la classification en un certain nombre
d’ensembles flous. On parle aussi de fuzzification.
Dans l’exemple de la figure 3, les termes « jeunes », « entre deux âges » et « âgé » formant
des ensembles flous, sont à considérer comme les valeurs d’une variable linguistique « âge ».
La fonction d’appartenance µ donne une pondération pour une certaine valeur d’entrée de la
variable (l’âge dans le cas de la figure 3).
En toute généralité, la fonction d’appartenance est désignée par µE(x). L’argument x se
rapporte à la variable linguistique, tandis que l’indice E indique l’ensemble concerné. Une
valeur précise pour la fonction d’appartenance, liée à une valeur déterminée de la variable x,
sera désignée par facteur d’appartenance.

I.2.1. Exemple pour les fonctions d’appartenance : On considère l’application à la

température de l’air ambiant d’un local (pour le réglage de la température par exemple).
Dans le cas le plus simple, on peut distinguer deux valeurs « froid » et « très chaud » de la
variable linguistique « température  ». Elles forment deux ensembles flous. Ainsi une
température de 16° appartient avec un facteur d’appartenance µ=0.7 à l’ensemble « froid » et
avec µ=0.3 à l’ensemble « très chaud ».
On peut écrire µfroid(=16°)=0.7 et µtrès chaud(=16°)=0.30

Figure 4. Fonctions d’appartenance avec deux ensembles pour la variable linguistique « température  »

Souvent il s’avère nécessaire d’introduire une subdivision plus fine, par exemple avec 4
valeurs « froid », « tiède », « chaud » et « très chaud » pour la variable linguistique
« température  » formant ainsi 4 ensembles, figure 5. La température 16° appartient alors
avec µ=0.1 à l’ensemble « froid » et avec µ=0.9 à l’ensemble « tiède ». Evidemment cette
valeur (16°) n’appartient ni à l’ensemble « chaud » ni à celui « très chaud ».

5
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________

Figure 5. Fonctions d’appartenance avec quatre ensembles pour la variable linguistique « température  »

I.2.2. 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 de morceaux de droites, figures 6 et 7.

Figure 6. Fonctions d’appartenance de forme triangulaire

Figure 7. Fonctions d’appartenance de forme trapézoïdale avec des formes triangulaires ou rectangulaires

6
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________

Cependant, il existe d’autres formes. Par exemple des formes de cloche.

1
 Exemple 1 : µ( x)  2
;   x  
 x  x0 
1  
 a 
L’allure est représentée dans la figure 8. Dans ce cas, x0 détermine la position du sommet
µ=1, tandis que le paramètre a impose la largeur du domaine. A noter que cette fonction
d’appartenance s’annule seulement pour x  

 Exemple 2 : A l’aide de fonctions trigonométriques

1  x  x0 
µ( x)  1  cos ; x 0  2a  x  x 0  2 a
2 2.a 

Dans ce cas aussi, x0 détermine la position du sommet µ=1, et a la largeur du domaine. La

fonction d’appartenance est nulle en dehors du domaine défini pour la validité de la relation
précédente, figure 9.

7
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________

 Exemple 3 : Parfois il s’avère nécessaire d’élargir le sommet µ=1 par une droite
horizontale selon la relation :

1   x  x1   
µ( x )  1  cos  ; x1  2a1  x x1  2a1 
2 2.a1  

µ( x )  1 ; x1  x x 2 

1  x  x 2  
µ( x)  1  cos  ; x 2  2a 2  x  x 2  2 a 2 
2 2.a 2  

La figure 10 montre l’allure de cette fonction d’appartenance.

 Exemple 4 : Il est possible de composer la fonction d’appartenance par des morceaux

de droites. Ainsi, on peut réaliser une forme concave, comme le montre la figure 11.

Figure 11. Fonction d’appartenance composée par des morceaux de droites

8
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________

I.3. Déductions floues (Inférences) : En général, plusieurs valeurs de variables

linguistiques, convenablement définies par des fonctions d’appartenance, sont liées entre elles
par des règles, afin de tirer des conclusions. On parle aussi de déductions floues ou inférences.
I.3.1.Inférence avec une seule règle : Le cas d’une inférence avec une seule règle se
présente lorsqu’il faut comparer plusieurs concurrents dans une certaine situation et en choisir
l’optimum. On trouve cette problématique essentiellement dans des domaines non techniques,
où il faut prendre une décision, comme par exemple l’achat d’un appareil, l’investissement
d’argent en actions, l’engagement d’un collaborateur, etc.
Si x1, x2, …, xn sont les variables linguistiques pour évaluer une certaine situation, le critère y
pour la prise de décision peut être formulé par une règle par exemple
y=[ x1 OU(x2 ET x3) OU…] ET xn
La forme exacte de cette formule dépend évidemment du problème.
Pour illustrer le cas d’une inférence avec une seule règle, on présente par exemple la prise de
décision qui s’impose lors de l’engagement d’un collaborateur. Dans un tel cas, il existe un
cahier des charges pour le poste à pourvoir qui détermine le profil souhaité et les différentes
aptitudes.
Le critère d’évaluation peut être formulé explicitement par :
critère : (formation OU expérience) ET 

(indépendance OU aptitude à collaborer) ET 
âge 

Les valeurs pour les fonctions d’appartenance des variables « formation », « expérience »,
« indépendance » et « aptitude à collaborer » doivent être fixées de manière subjective en
comparant les qualifications des candidats avec le profil déterminé par le cahier des charges.
Le tableau 1, donne à titre d’exemple, des valeurs pour cinq candidats. Pour simplifier
l’écriture, la variable est mise en indice, par exemple µf pour la variable formation, puisqu’à
chaque variable est attribué un seul exemple. Par contre, la valeur de la fonction
d’appartenance µâge pour la variable âge peut être fixée par une allure trapézoïdale (figure 12)
et dépend donc de l’âge du candidat.

Tableau 1. Valeurs pour les facteurs d’appartenance

de l’exemple d’engagement d’un collaborateur parmi cinq candidats
Variables Candidats
1 2 3 4 5
Formation µf = 0.2 0.8 0.5 0.8 0.6
Expérience µe = 0.3 0.2 0.9 1 0.6
Indépendance µi = 0.6 0.4 0.7 1 0.5
Aptitude à µa = 0.4 0.5 0.2 1 0.8
collaborer
âge µâge = 1 0.5 0.7 0.1 0.6

Figure 12. Fonction d’appartenance pour la variable « âge » de l’exemple d’engagement d’un collaborateur

9
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________

On montrera dans la suite du cours, comment on peut déterminer la valeur pour la fonction
d’appartenance µcr du critère d’évaluation et prendre ainsi une décision.

I.3.2.Inférence avec plusieurs règles : Le cas d’une inférence avec plusieurs règles se
présente lorsqu’une ou plusieurs variables nécessitent une prise de décision différente suivant
les valeurs qu’atteigne ces variables. Cette problématique se présente essentiellement pour des
problèmes de réglage et de commande et la prise de décision conduit à l’exécution d’une
certaine opération.
Les règles peuvent alors être exprimées sous la forme générale
opération : SI conditions 1, ALORS opération 1, OU 
SI conditions 2, ALORS opération 2, OU 

... 
SI conditions m, ALORS opération m, OU 
Comme exemple pour une inférence avec plusieurs règles, on présente le cas du réglage de la
température d’un local. Dans ce but, on mesure la température avec un capteur, qui fournit la
valeur de la grandeur à régler. On forme alors l’écart de réglage e comme la différence entre
la grandeur de consigne w et la grandeur à régler y. Pour varier le flux de chaleur du radiateur,
on peut intervenir sur la position d’une valve de mélange en l’ouvrant ou en la fermant d’une
certaine quantité u .

Dans le cas le plus simple, les règles pour obtenir un réglage de température peuvent être
exprimées par :
var iation de la position de la valve : 
SI écart positif , ALORS ouvrir la valve, OU 


SI écart zéro, ALORS ne pas bouger la valve, OU 
SI écart négatif , ALORS fermer la valve 
En utilisant les symboles :

u : SI e  0, ALORS u positif , OU 

SI e  0, ALORS u zéro, OU 
SI e  0, ALORS u négatif 


L’écart de réglage e, considéré comme variable linguistique, possède par exemple trois
ensembles flous « positif », « zéro » et « négatif ». Les fonctions d’appartenance µ(e) peuvent

10
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________

être définies comme représenté à la figure 13. A noter que l’ensemble flou « zéro » couvre un
domaine de e   1,5 . En effet, dans la logique floue, zéro n’est pas exactement zéro, mais
environ zéro.

µ(e)

Figure 13. Fonctions d’appartenance µ(e) pour l’écart de réglage e

Il faut également introduire des fonctions d’appartenance µ(u ) pour la variable u de la

position de la valve. Il y a alors 3 ensembles « ouvrir », « ne pas bouger » et « fermer » (ou
u « positif », « zéro » et « négatif »). La figure 14 montre les fonctions d’appartenance. La
position u de la valve est normalisée entre 0 et 1 correspondant aux positions « complètement
fermée » et « complètement ouverte ». Dans ce cas aussi, « ne pas bouger » couvre un
domaine non nul entre  0,2

µ( u )

Figure 14. Fonction d’appartenance µ( u ) pour la variation u de la position de la valve

II. Principes des systèmes flous

II.1. Ensembles flous
Un ensemble flou est un ensemble sans limites claires ou sans caractéristiques d’appartenance
binaire. Contrairement à un ensemble ordinaire, où un élément appartient ou n’appartient pas
à l’ensemble, une appartenance partielle est possible pour un ensemble flou. En d’autres
termes, il y a une certaine « souplesse » associée à l’appartenance des éléments à un ensemble
flou.

II.1.1. Fonctions d’appartenance

Un ensemble flou peut être représenté par une fonction d’appartenance. Cette fonction donne
le degré d’appartenance à l’ensemble, de n’importe quel élément de l’univers de discours.

11
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________

Cette fonction relie les éléments de l’univers de discours à des valeurs numériques dans
l’intervalle [0,1]. On note :
µA(x) : X [0,1]
où µA(x) est la fonction d’appartenance de l’ensemble flou A dans l’univers de discours X.
Il existe une façon pour représenter les ensembles flous : Si X est l’univers de discours et x un
élément de X alors un ensemble flou A, défini sur X, peut être écrit comme étant une
collection de paires ordonnées :
A   ( x , µ A ( x )) , x X (.1)
où chaque paire est appelée singleton.
La fonction d’appartenance µA(x) le degré de possibilité qu’un élément x appartienne à
l’ensemble A. Un degré d’appartenance zéro implique que l’élément n’appartient pas à
l’ensemble considéré. Un degré d’appartenance 1 implique que l’élément appartient
définitivement à l’ensemble considéré. Plus µA(x) est proche de 1, et plus l’élément x est
considéré appartenant à A, et de manière similaire, plus µA(x) est proche de 0, et moins
l’élément x est considéré appartenant à A. Une fonction d’appartenance typique est
représentée dans la figure 15.
µ(x)

0
x

Figure 15. Fonction d’appartenance d’un ensemble flou

II.1.2. Représentation symbolique :

Un univers de discours et une fonction d’appartenance balayant l’univers, définissent
complètement un ensemble flou.
Un ensemble flou peut être symboliquement représenté par :
A  x µ A (x)
Si l’univers de discours est discret avec des élément xi, alors un ensemble flou peut être
spécifié en utilisant une forme adéquate de notation due à Zadeh, où chaque élément est
associé en paire avec son degré d’appartenance comme suit:
A  µ A ( x1 ) / x1  µ A ( x 2 ) / x 2  ...  µ A ( xi ) / x i  ...

ou bien
A   µ A (x i ) / x i
x i X

Pour un univers de discours continu, une forme équivalente de notation s’écrit :

A   µ A (x ) / x
X

II.2. Opérations floues

Il est bien connu que « le complément », « l’union » et « l’intersection » en logique classique,
correspondent aux opérations logiques NON (NOT), OU (OR) et ET (AND). Ces opérations

12
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________

peuvent être étendues pour les ensembles flous. Il existe plusieurs méthodes pour définir
l’intersection et l’union des ensembles flous. Les plus classiques et plus utilisées sont celle
proposées par Zadeh, à cause de leur simplicité et leur analogie avec la logique binaire.
Plusieurs opérations sur les ensembles flous comme l’intersection et l’union, sont définies à
travers les opérateurs min et max. Ces deux opérateurs sont analogues au produit et à la
somme en algèbre.
Les opérateurs min et max sont utilisés pour sélectionner le minimum et le maximum entre
deux éléments :
µ ssi µ1  µ 2
min(µ1 , µ 2 )   1
µ 2 ssi µ1  µ 2

µ ssi µ1  µ 2
max(µ1 , µ 2 )   1
µ 2 ssi µ1  µ 2

II.2.1. Complément (négation, NON, NOT)

Considérons un ensemble flou A dans un univers de discours X. Son complément A’ est un
ensemble flou dont la fonction d’appartenance est donnée par :
µA’(x)=1-µA(x) pour tout x  X
Le complément dans les ensembles flous correspond à l’opération de négation (NOT) en
logique floue, comme en logique classique, et est noté par A où A est une proposition floue.
Une représentation symbolique du complément d’un ensemble flou est donnée dans la figure
16.

Figure 16. Complément d’un ensemble flou ou NON en logique floue

13
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________

II.2.2. Union (disjonction, OU, OR)

L’union de deux ensembles flous A et B définis sur le même univers de discours X est un
nouvel ensemble sur X avec la fonction d’appartenance définie par :
µ A  B ( x )  max(µ A ( x ), µ B ( x )) pour tout x  X
L’union de deux ensembles flous est relative à l’opération logique OU et est notée par A  B,
où A et B sont des propositions floues ou des états flous.
Une représentation symbolique de l’union de deux ensembles flous (ou la combinaison OR de
deux états flous d’un même univers) est donnée dans la figure 17.

Figure 17. Union d’ensembles flous ou OU en logique floue

14
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________

Figure 18. Opérateur OU, réalisé par la formation du maximum

15
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________

16
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________

II.2.3. Intersection (conjonction, ET, AND)

L’intersection de deux ensembles flous A et B, définis sur le même univers de discours X, est
un nouvel ensemble sur X avec la fonction d’appartenance définie par :
µ A B ( x )  min(µ A ( x ), µ B ( x ))
L’intersection de deux ensembles flous est relative à l’opération logique ET et est notée par
A  B, où A et B sont des propositions flous ou des états flous.
Une représentation symbolique de l’intersection de deux ensembles flous (ou la combinaison
ET de deux états flous d’un même univers) est donnée dans la figure 19.

Figure 19. Intersection d’ensembles flous ou ET en logique floue

17
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________

Figure 20. Opérateur ET, réalisé par la formation du minimum

II.2.4. Lois de base de la logique floue

Considérons trois ensembles flous A, B et C, définis sur le même univers de discours X. Soit
 l’ensemble vide (un ensemble avec aucun élément, donc ayant une fonction d’appartenance

18
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________

de valeur zéro).Avec cette notation, quelques propriétés importantes des ensembles flous sont
résumées dans le tableau suivant :

Propriété Relation
Commutativité AB  B A
AB  B A
Associativité ( A  B)  C  A  ( B  C )
( A  B)  C  A  ( B  C )
Distributivité A  ( B  C )  ( A  B)  ( A  C )
A  ( B  C )  ( A  B)  ( A  C )
Absorption A  ( A  B)  A
A  ( A  B)  A
Idempotence A A A
A A A
Exclusion :
Loi du milieu exclu A  A'  X
Loi de contradiction A  A'  
Lois de DeMorgan ( A  B )'  A' B '
( A  B )'  A' B '
Conditions des limites A X  X
A X  A
A   A
A  

II.3. Autres réalisations de ET et OU et autres opérateurs flous

Dans ce qui précède, on a introduit la formation du minimum et du maximum pour réaliser les
opérateurs ET et OU. Dans la plupart des cas, ces opérateurs donnent des résultats
convenables, surtout pour le réglage et la commande par logique floue. Cependant, dans
certaines circonstances, il peut être judicieux d’utiliser d’autres réalisations, soit pour
simplifier le traitement numérique, soit pour mieux tenir compte des opérations floues.
II.3.1. Opérateurs ET et OU, réalisés par opérations arithmétiques
L’opérateur ET peut être réalisé par la formation du produit appliqué aux fonctions
d’appartenance, selon la relation :
µc(x)=µa(x) µb(x)
Il s’agit de l’opérateur produit, figure 21. La fonction d’appartenance résultante est toujours
inférieure ou égale à 1. Elle reste donc dans l’intervalle défini par 0  µ  1
La règle de calcul peut être étendue à plus de deux termes dans le produit lorsqu’il faut
combiner trois ou plusieurs ensembles. L’opérateur produit est souvent utilisé dans le
domaine du réglage et de commande par logique floue.

19
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________

Delta1 : y=a1x+b1
Delta2 : y=a2x+b2
Figure 21. Opérateur ET, réalisé par la formation du produit

Par analogie, l’opérateur OU peut être réalisé par la formation de la somme des fonctions
d’appartenance, ou plus précisément par la valeur moyenne, à savoir
µ (x)  µ b (x)
µ c (x)  a
2
Il s’agit de l’opérateur somme, figure 22. La somme est divisée par 2. En effet, il est fort
possible que la somme µa(x)+µb(x) dépasse le domaine admissible 0  µ  1 . Afin que cette
somme reste dans le domaine défini, on peut l’écrêter ou la normaliser. Lors de l’écrêtage à

20
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________

µ=1 beaucoup d’information se perd et cette manière de procéder n’est pas recommandée.
Lors de la normalisation, on multiplie la somme par un facteur inférieur à 1, de sorte que la
fonction d’appartenance atteigne la valeur maximale 1. Une autre possibilité plus
systématique consiste à diviser la somme par 2.
Dans ce cas aussi, la règle de calcul peut être étendue à plus de deux termes dans la somme
lorsqu’il faut combiner trois ou plusieurs ensembles. L’opérateur somme est souvent utilisé
dans le domaine du réglage et de commande par logique floue.

Figure 22. Opérateur OU, réalisé par la formation de la somme (valeur moyenne)

21
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________

II.3.2. Opérateurs ET flou et OU flou

Les opérateurs ET flou et OU flou sont des opérateurs combinés entre l’opérateur minimum
ou maximum et la moyenne arithmétique.

L’opérateur ET flou est défini par :

1
µc ( x)   minµa ( x), µb ( x)  µa ( x)  µb ( x)
2
L’opérateur OU flou est défini par :
1
µc ( x)   maxµa ( x), µb ( x)  µa ( x)  µb ( x)
2
Avec le facteur  0 , 1 , il est possible de pondérer l’influence des deux termes. Pour   1 ,
on aboutit respectivement à l’opérateur min ou max. Par contre, pour   0 on obtient pour les
deux opérateurs la moyenne arithmétique correspondant à l’opérateur somme. Dans ce cas, le
ET flou et le OU flou se confondent.

On peut aussi étendre ces opérateurs à trois ou plusieurs termes. La somme qui apparaît entre
crochets doit alors être divisée par le nombre de termes de la somme.
Les figures 23 et 24 montrent l’influence du facteur  sur la fonction d’appartenance
résultante µc(x). Pour la figure 23, si  diminue, le domaine couvert par µc(x) s’élargit.
L’opérateur ET flou devient de moins en moins restrictif. Pour la figure 24, si  diminue, le
domaine couvert par µc(x) se restreint.

(voir imprimé opérateurs flous)

Figure 23. Opérateur ET flou

(voir imprimé opérateurs flous)

Figure 24. Opérateur OU flou

II.3.3. Opérateur min-max et opérateur 

L’opérateur min-max est défini par la combinaison des opérateurs minimum et maximum
selon :

µc ( x)   minµa ( x), µb ( x)  (1   ) max µ a ( x), µb ( x)

Pour  =1, on obtient l’opérateur ET réalisé par la formation du minimum, tandis que pour
 =0 on aboutit à l’opérateur OU réalisé par la formation du maximum. Par contre,  = 0,5
conduit à l’opérateur OU, réalisé par la formation de la somme, figure 25.

22
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________

(voir imprimé opérateurs flous)

Figure 25. Opérateur min-max

L’opérateur  est défini de la manière suivante :

µc ( x)  µa ( x) µb ( x)1  1  1  µ a ( x)1  µb ( x)
Le premier facteur contient l’opérateur produit pondéré avec l’exposant 1-  , où  0 , 1 . Par
contre, le deuxième facteur qui est pondéré avec l’exposant  , contient l’expression
1  1  µa ( x)1  µb ( x)  µ a ( x)  µb ( x)  µ a ( x) µb ( x)
égale à la somme moins le produit des fonctions d’appartenance. On parle alors aussi de
somme algébrique ou de somme probabilistique. La figure 26 illustre l’allure de la fonction
d’appartenance liée à l’opérateur  .

(voir imprimé opérateurs flous)

Figure 26. Opérateur 

III. Réglage par logique floue

Un domaine d’application de la logique floue qui devient de plus en plus important, est celui
du réglage et de la commande des processus industriels. En effet, cette méthode permet
d’obtenir une loi de réglage souvent très efficace sans devoir faire des études théoriques
approfondies. Par des inférences avec plusieurs règles, il est possible de tenir compte des
expériences acquises par les opérateurs d’un processus technique.
La logique floue se prête alors très bien à la commande de processus mal maîtrisable par les
méthodes conventionnelles comme le réglage classique ou réglage d'état.

III.1. Structure d’un réglage par logique floue

La figure 27 présente la structure d’un réglage par logique floue.

Figure 27. Structure d’un réglage par logique floue (schéma de principe)
S : système à régler
OCM : organe de commande
RLF : régulateur par logique floue
ucm : signal de commande
Le régulateur RLF reçoit à son entrée la grandeur de consigne w et une ou plusieurs grandeurs
mesurées, réunies dans le vecteur yM. Ce dernier contient en général la grandeur à régler y et,
le cas échéant d’autres grandeurs mesurées qui sont déterminantes pour saisir l’évolution
dynamique du système à régler.

23
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________

III.2. Configuration interne d’un régulateur par logique floue

Le régulateur ne traite pas une relation mathématique bien définie (algorithme de réglage),
mais utilise des inférences avec plusieurs règles, se basant sur des variables linguistiques.
Ces inférences sont alors traitées par des opérateurs de la logique floue.
Dans la configuration interne d'un régulateur par logique floue, figure 28, on peut distinguer
trois parties:
- Fuzzification.
- Inférence.
- Défuzzification.
Chacun de ces 3 blocs sera traité séparément dans un paragraphe distinct.
W et yM sont des variables non floues/x variable floue/xR var floue/Ucm var non floue
w RLF ucm

yM

w x ucm
Fuzzification Inférence xR Défuzzification
yM

Figure 28. Configuration interne d’un régulateur par logique floue

III.3. Procédé lors de la conception d’un réglage par logique floue

Le procédé à suivre lors de la conception d’un réglage par logique floue est assez différent de
celui d’un réglage conventionnel. La figure 29 en montre les principales étapes principales.

Etude et description du
système à régler

Détermination de la
stratégie de réglage

Modification de la
stratégie de réglage Implémentation

Test sur l’installation

Figure 29. Procédé lors de la conception d’un réglage par logique floue

24
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________

D’abord, il faut étudier le système à régler et en faire une description adéquate. Il ne s’agit pas
d’une analyse proprement dite afin d’établir un modèle mathématique. On doit plutôt explorer
le comportement du système à régler vis-à-vis de variations de la grandeur de commande et
déterminer des grandeurs internes mesurables, caractéristiques du comportement dynamique.
La description peut faire appel aux variables linguistiques, et être accompagnée d’une
définition par fonctions d’appartenance. Si le système à régler est déjà existant, cette étude
peut se faire par des mesures sur l’installation elle-même. Dans le cas contraire, il faut adapter
des expériences obtenues avec des installations similaires. On passe alors à la détermination
de la stratégie de réglage qui comprend la fuzzification, les inférences et la défuzzification.
Après l’implémentation, le plus souvent sur PC ou microprocesseur, par logiciel ou par
matériel à l’aide de processeurs dédicacés (spécifiques à la logique floue), on fait des tests sur
l‘installation. Il est en général indispensable de modifier la stratégie de réglage
interactivement en plusieurs passages, afin de trouver un comportement convenable. Cette
modification est mise en évidence sur la figure 29 puisqu’il s’agit d’une étape importante dans
la conception d’un réglage par logique floue.
A noter que dans la logique floue, il n’est pas nécessaire d’établir un modèle. Si pour un
certain système à régler, il existe tout de même un modèle mathématique convenable, on peut
l’utiliser pour tester et modifier la stratégie de réglage à l’aide d’une simulation numérique.
Cela facilite évidemment la mise en service sur l’installation réelle.

III.4. Avantages et désavantages du réglage par logique floue

Avantages :
 la non-nécessité d’une modélisation (cependant, il peut être utile de disposer d’un
modèle convenable)
 la possibilité d’implémenter des connaissances (linguistiques) de l’opérateur de
processus
 la maîtrise de systèmes à régler avec un comportement complexe (fortement non
linéaire et difficile à modéliser)
 l’obtention fréquente de meilleures prestations dynamiques (régulateur non linéaire)
 l’emploi possible aussi pour des processus rapides (grâce à des processeurs dédicacés)
 la non disponibilité de systèmes de développement efficaces, soit pour
microprocesseurs ou PC (solution logicielle), soit pour circuits intégrés (solution
matérielle)

Désavantages :
 le manque de directives pour la conception d’un réglage (choix des grandeurs à
mesurer, détermination de la fuzzification, des inférences et de la défuzzification)
 l’approche artisanale et non systématique (implémentation des connaissances de
l’opérateur souvent difficile)
 la possibilité d’apparition de cycles limites à cause du fonctionnement non linéaire
 la précision de réglage souvent peu élevée
 la cohérence des inférences non garantie à priori (apparition des règles d’inférence
contradictoires possible)

III.5. Fuzzification
Il s'agit de la conversion analogique numérique, ainsi que du traitement des grandeurs
mesurées et leur transformation en variables linguistiques avec les définitions des deux
fonctions d'appartenance.

25