Académique Documents
Professionnel Documents
Culture Documents
__________________________________________________________________________________________
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 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
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
__________________________________________________________________________________________
µ
Entre deux
jeune âges âgé
1
0 âge
0 20 40 60 80
µ
Entre deux
jeune âges âgé
1
1
0.75
0.25
0 âge
0 20 25 40 60 70 80
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
__________________________________________________________________________________________
4
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________
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 »
Figure 7. Fonctions d’appartenance de forme trapézoïdale avec des formes triangulaires ou rectangulaires
6
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________
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
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
8
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________
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)
µ( u )
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
ou bien
A µ A (x i ) / x i
x i X
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
13
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________
14
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________
15
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________
16
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________
17
Afef Abdelkrim ENICarthage
__________________________________________________________________________________________
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 AB B A
AB 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
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
__________________________________________________________________________________________
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.
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
__________________________________________________________________________________________
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
__________________________________________________________________________________________
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
Etude et description du
système à régler
Détermination de la
stratégie de réglage
Modification de la
stratégie de réglage Implémentation
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.
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