Résolution d’un problème en utilisant la Logique floue

•il faut d’abord définir les entrées et les sorties du système.

Pour résoudre
P é d un problème
blè par lla logique
l i floue,
fl on d
doit
it passer
nécessairement par trois étapes.

Etape 1 : Fuzzification (quantification floue)

Cette étape consiste à définir les états de chaque variable
(Entrées/sorties) et à déterminer les degrés d’appartenance
de chaque variable aux différents états.
états
p
La fuzzification des variables consiste à représenter les états
de chaque variable par des fonctions d’appartenance
choisies en fonction de la nature du pproblème.
cours IA Master AS N.Achour 1
La fuzzification peut s’appliquer à toutes les
variables (Entrées et sorties),
sorties) dans ce cas on parle
de la méthode de Mamdani.

LLa fuzzification
f ifi i peut s’appliquer
’ li uniquement
i aux
variables d’Entrées, dans ce cas on parle de la
méthode
é h d de d Sugeno.
S

cours IA Master AS N.Achour 2

 Remarque : Le
R L processus de
d
fuzzification est souvent
empirique.
p q C’est un va et vient
entre la pratique et la théorie.

cours IA Master AS N.Achour 3

Etape 2 : Inférence floue ou Fuzzy
inference (Etablissement des règles
floues)
•il s’agit d’établir des règles liant les sorties aux entrées à
partir des
d observations
b effectuées
ff é sur les
l entrées
é et les
l
sorties.

Une règle floue doit pouvoir déterminer une sortie pour

une entrée donnée.

En général
général, on utilise des règles simples de type
SI…ALORS

cours IA Master AS N.Achour 4

Exemple : Un système avec deux entrées E1 et E2 et
une sortie S.

L’entrée E1 possède deux états A et B et l’entrée E2 a

d
deux éétats C et D et lla sortie S a d
deux éétats F et G

Une des
d règles
è l peut s’écrire
’é i :

Si E1 est A ET E2 est C ALORS S est F

Prémisses de la règle Conclusion de la règle

cours IA Master AS N.Achour 5

L’ensemble des règles va constituer la base de
connaissance (Knowledge base)
Pour élaborer
P él b les
l règles,
è l l’expert
l’ t dispose
di d’opérateurs
d’ é t
logiques ET, OU et NON qui manipulent des valeurs
eentre
t e 0 et 1

Chaque condition (et chaque Conclusion) va être remplie

avec un certain
i ddegréé d’
d’appartenance (d
(de validité).
lidi é)

LLa question
ti quii se pose estt ‘’Comment
‘’C t composer
avec tous les degrés d’appartenance correspondant
aux conditions et aux conclusions ??’’

cours IA Master AS N.Achour 6

il existe des méthodes mais les plus connues
sont:
•La méthode de Zadeh (MIN/MAX)
/
•La méthode Probabiliste

Nous allons utiliser la méthode de L.Zadeh :

Lorsqu’il s’agit d’un opérateur OU, on considère le

degré d’appartenance maximum,

cours IA Master AS N.Achour 7

 EXEMPLE

Considérons juste la partie Condition (prémisses)

d lla règle
de è l :
Si E1 est A OU E2 est C
C,
cela signifie

μA(e1)=a
) a OU μC(e2)=b,
) b
Degré de validité
de la règle= Max(μ( A(e ) μC(e
( 1), ( 2)) = M ( b)
Max(a,

Cette valeur représente le degré de validité de la règle.

règle
cours IA Master AS N.Achour 8
 Lorsqu’il s’agit d’un opérateur ET, on considère le degré
d’appartenance minimum
exemple :

Si E1 est A ET E2 est C

cela signifie
μA(e1)=a ET μC(e2)=b

Degré de validité
d la
de è l =
l règle Min(μ
( A(e ) μC(e
( 1), ( 2)) = Mi ( b)
Min(a,

cours IA Master AS N.Achour 9

 Question : et si plusieurs règles (différentes par leurs
prémisses) mènent à la même conclusion (sortie)
(sortie),
quelle est la règle qu’il faudra appliquer ?

Dans ce cas on utilise l’opérateur logique OU pour

dét
déterminer
i lla sortie.
ti
Exemple
p :
1ière règle (R1): Si E1 est A ET E2 est C ALORS S est F
2ième règle (R2): Si E1 est B ET E2 est C ALORS S est F
3ième
iè règle
è l (R
( 3):
) Si E1 est A ET E2 est D ALORS S est F

cours IA Master AS N.Achour 10

Admettons que les degrés de validité des
règles R1, R2 et R3 sont respectivement a, b
et c

alors nous prendrons la règle qui a le

maximum de degré de validité soit max (a,
b, c).

cours IA Master AS N.Achour 11

 Ecriture d
d’une
une règle
Une règle peut s’écrire
s écrire de différentes façons
façons,
prenons l’exemple de R1 :
On peut l’écrire : Si E1 est A ET E2 est C
ALORS S est F
Ou alors [A, C ; F]
Ces deux façons d’écriture sont préférables lorsqu’il
y a plusieurs
l entrées
é ((plus
l dde d
deux entrées)
é ) et
plusieurs sorties (plus d’une sortie).

cours IA Master AS N.Achour 12

 en Automatique, nous avons souvent des systèmes à
deux entrées et une sortie
Dans ce cas l’utilisation d’une table est préférable
p
Fuzzification de E1 ≡ Etats de E1 ≡ Ensembles flous de E1

Entrée 1
P M G TG
Entrée
é 2
Fuzzification de E2 ≡ EEtats de E2

P M
P
bles flous de E2

M P M

G G
≡ Ensemb

TG

Etat de la sortie ≡ ensemble flo

flou associé à la
sortie
cours IA Master AS N.Achour 13
Cette table est appelée base de connaissance,
Elle est aussi appelée table de décision
Elle représente l’ensemble des règles qui régissent un
système en question.
Une règle (exemple) se lit ainsi :

Si E1 est M ET E2 est M ALORS S est M

•La table peut ne pas être entièrement remplie.

•La table
bl contient seulement
l 5 règles
è l

cours IA Master AS N.Achour 14

•En pratique, seul un petit nombre de règles est
nécessaire.

•Il est donc indispensable de bien analyser le système

au préalable et de connaître les états les plus
probables.

Important : si le nombre de capteurs est important, le

nombre
b d de règles
è l possibles
bl croît
î en exponentielle.
ll

cours IA Master AS N.Achour 15

Exemple : 2 capteurs donc deux entrées
Si chaque entrée est fuzzifiée en 7 états

nous aurons donc 49 règles possibles.

Si nous ajoutons 1 capteur et donc une entrée

si elle est fuzzifiée avec 7 états

alors le nombre de règles devient : 7×7×7=343 règles.

En automatique,
automatique et plus précisément dans un problème de
commande, on s’intéresse principalement aux règles qui
concernent l’initialisation et la sécurité du système
système.
cours IA Master AS N.Achour 16
Etape 3 : Défuzzification (Combinaison des règles floues)

C’est l’opération inverse de la fuzzification

Résoudre la qquestion suivante: Pour un vecteur d’entrées

donné, plusieurs règles peuvent être validées
simultanément et fournir des consignes
g différentes p
pour la
sortie du système, comment alors déterminer une action
unique
q ?

Auparavant on doit faire l’agrégation des règles : l’objectif étant

de trouver la figure finale qui contient la valeur de sortie

cours IA Master AS N.Achour 17

Agrégation des règles

Il s’agit d’un processus d’unification des sorties

des règles
Cela
C l consiste
i à regrouper toutes lles sorties
i d des
règles impliquées dans une entrée donnée.
Il existe plusieurs méthodes pour celà:
•Méthode de Mamdani qu’on appelle aussi MIN-MAX
•Méthode PROD-MAX
•Méthode PROD-SOMME

cours IA Master AS N.Achour 18

 Le 1ier terme de la méthode est relatif à l’opérateur d’implication
utilisé (correspondant à ALORS).
ALORS)

Le 2ième terme est relatif à l’agrégation des règles.

Méthode MIN‐MAX (appelée aussi méthode de MAMDANI)

L’implication ALORS réalise une opération ‘’Minimum’’:
ce qui revient à tronquer l’ensemble
l ensemble flou de la sortie au niveau
du degré de validité de la règle.

cours IA Master AS N.Achour 19

Exemple :
Pour une entrée donnée,
donnée nous avons par exemple deux
règles mises en jeu (d’après la table de décision).

Règle 1 : Si E1 est P ET E2 est M ALORS S est P

Règle 2 : Si E1 est M ET E2 est M ALORS S est M

On va fuzzifier les deux entrées E1 et E2 et la sortie S.

Supposons (pour simplifier) qu’on prenne des fonctions
d’appartenance triangulaires avec un taux de
recouvrement de 50%)

cours IA Master AS N.Achour 20

 μ(E2)

μ(E1) μ(S)

1
1 1

M TG
P G
M TG M TG
P G P G

0 Entrée E1 0 Entrée E2 0 Sortie S

degré de validité
μ(E2)
μ( de la règle
g 1 μ(S)

μ(E1) min(μP(e1), μM(e2))

Règle 1 = μM(e2)
Si E1 est P 1 ET E2 est M 1

ALORS
P M P
μP(e1)
μM(e2)

0 e2 0 Sortie S
0 e1 Entrée E2

μ(E2)
degréé de
d d validité
lidité μ(S)
μ(E1)
de la règle 1
Règle 2 ET E2 est P min(μM(e1), μP(e2)) 1
Si E1 est M = μM(e1)
1
1
P M
μP(e2)

μM(e1)
M
ALORS
e1 0 e2 0 Sortie S
0 Entrée E1

cours IA Master AS N.Achour 21

L’agrégation des règles consiste à réunir les surfaces hachurée dans le
même repère
p : dans la méthode de MAMDANI on appliquepp q un OU
(union des ensembles).

μ(x)

P M

0 x

Le résultat de ll’agrégation
agrégation cc’est
est la surface hachurée
rouge

cours IA Master AS N.Achour 22

Méthode PROD
PROD‐MAX
MAX (ou méthode de LARSEN)

L’implication
p ALORS réalise une opération
p ‘’Produit’’:

ce qui revient à faire le produit de l’ensemble flou de la sortie

avec le degré de validité de la règle.
règle

Si on reprend l’exemple
l exemple précédent
précédent, on aura:

cours IA Master AS N.Achour 23

 μ(E2)

μ(E1) μ(S)

1
1 1

M TG
P G
M TG M TG
P G P G

0 Entrée E1 0 Entrée E2 0 Sortie S

degré de validité
μ(E2)
μ( de la règle
g 1 μ(S)

μ(E1) min(μP(e1), μM(e2))

Règle 1 = μM(e2)
Si E1 est P 1 ET E2 est M 1

ALORS
P M P
μP(e1)
μM(e2)

0 e2 0 Sortie S
0 e1 Entrée E2

μ(E2)
degréé de
d d validité
lidité μ(S)
μ(E1)
de la règle 1
Règle 2 ET E2 est P min(μM(e1), μP(e2)) 1
Si E1 est M = μM(e1)
1
1
P M
μP(e2)

μM(e1)
M
ALORS
e1 0 e2 0 Sortie S
0 Entrée E1

cours IA Master AS N.Achour 24

L’agrégation des règles consiste à réunir les surfaces hachurée dans le
même repèrep : dans la méthode de LARSEN on applique
pp q un OU logique
gq
(qui est l’équivalent du MAX en logique flou).

μ(x)

P M

0 x

Le résultat de ll’agrégation
agrégation cc’est
est la surface hachurée
rouge

cours IA Master AS N.Achour 25

Déf ifi i
Défuzzification
Il existe trois méthodes principales (les plus connues) :

•La technique
h du
d maximum : elle ll consiste à ne considérer
dé
que la règle qui a le plus grand degré de validité. Elle est
très
è peu employée
l é en pratique.
•La technique de la moyenne pondérée : cette technique
est plus réaliste, elle préconise de considérer comme
valeur de sortie, la moyenne des valeurs données par
chaque règle pondérées par leurs degrés de validité
respectives.

cours IA Master AS N.Achour 26

La technique du centre de gravité (Fuzzy centroid) : Elle
revient à calculer le centre de gravité de plusieurs figures
simples émanant des ensembles flous. L’abscisse du centre de
gravité constitue la grandeur de sortie.

x res =
∫ x μ( x ) dx

∫ μ(x) dx

cours IA Master AS N.Achour 27

 CALCUL DU CENTRE DE GRAVITE

La position sur l’axe du centre de gravité d’une figure définie

par une fonction f(x) est :

∫ x.f ( x )
Gx =
∫ f (x)

En logique floue
floue, les figures dont on veut obtenir le centre
de gravité sont généralement des ensembles de triangles, de
rectangles ou de trapèzes
trapèzes. Pour ces derniers
derniers, il s’agit
s agit de les
décomposer en triangles et rectangles.

cours IA Master AS N.Achour 28

 f(x)

B f(x) = ax
a = B/A

x
o x
g = 2A/3 A

Dans le cas d’un triangle

g rectangleg ayant
y un sommet à
x = 0, la fonction qui délimite ce triangle est f(x) = ax
où a est la p
pente de la droite et est égal
g à B/A
A

∫ x .f ( x ) dx
gx = 0
A

∫ f ( x ) dx
0
cours IA Master AS N.Achour 29
 A

∫ dx
2
ax
2
gx = 0
A gx = A
3
∫ axdx
d
0
On voit donc que dans le cas d’un triangle rectangle, le centre de gravité
est au deux tiers de la base, quelque soit la longueur de la base.

Le cas du rectangle est trivial, le centre de gravité est tout simplement

au centre du rectangle.

Pour une figure plus complexe, on a recours à la décomposition en

figures plus simples

cours IA Master AS N.Achour 30

 On calcule le centre de gravité de la somme des figures
en utilisant la formule suivante qui est la version
intégrale de la formule intégrale donnée plus haut :

∑ gixi Si
Gx = i
∑ Si
i

gix estt l’l’abcisse

b i d centre
du t d de gravité
ité de
d la
l figure
fi i

et Si la surface de la figure associée

cours IA Master AS N.Achour 31

 EXEMPLE
μ (x)
C tt fi
Cette figure peutt êt
être dé
décomposée
é en 3 fi
figures
1
Si
μ (x)
1
2 4 65 x
6.5

Gx =
∑ g ix .Si G x
∑ Si
g1 g2 g3

La base du premier triangle mesure 2, D même

De ê pour lel
rectangle : G = 3.16
le centre de gravité est donc
à 2/3 × 2 = 4/3 du sommet g2 = 3 S2 = 2
g1 = 4/3 S1 = 1 Le centre de gravité de la figure complète est
donc situé à :
Dans le 2ième triangle
((4/3 × 1)) + ((3 × 2)) + ((4.9 × 1.25))
G = (( ))
g3 =4.9
4 9 S3 = 1.25
1 25
/(1+2+1.25
cours IA Master AS N.Achour 32
Méthode (ou modèle) d’inférence de Takagi‐Sugeno

•Takagi et Sugeno (1985) ont proposé une autre approche pour

calculer la sortie (le résultat de l’implication ALORS), et cela dans le
but d’accélérer le calcul de la sortie.

•Ils ont donc proposé d’exprimer

d exprimer la sortie par une fonction
mathématique simple qui lie la sortie aux entrées.

Avec deux entrées x et y et une sortie z, on écrira une règle

ainsi :

Si x est A (μA(x)) ET y est B (μB(y)) ALORS z=f(x,y)

x, y et z, sont des variables linguistiques

cours IA Master AS N.Achour 33

•A, B sont des noms (ou valeurs) linguistiques

•A et B sont des ensembles flous appartenant respectivement aux

univers de discours X et Y.
•f(x,y) est une fonction mathématique, la plus utilisée étant d’ordre
zéro appelée modèle flou de Sugeno d’ordre zéro.

Avec deux entrées x et y et une sortie z, on écrira une règle

ainsi :

Si x est A (μA((x))
)) ET y est B (μB(y)) ALORS z=k ((constante))

Ça signifie que les ‘’ensembles

ensembles flous’’
flous de la sortie z sont des
singletons.

cours IA Master AS N.Achour 34

•Définition :
•Dans la
l théorie
hé d
des ensembles,
bl un singleton
l est un ensemble
bl qui
contient un seul élément.
•En logique floue, une fonction d’appartenance de type singleton vaut
1 en un point particulier de l’univers de discours et 0 ailleurs.
μ(z)
()

1
⎧1 si z = k
μ( z ) = ⎨
⎩0 ailleurs
0 k Z : univers de discours
μ(z)
A B C
Si la sortie z peut avoir 1

plusieurs états (valeurs

linguistiques), on aura la
représentation suivante : 0 k1 k2 k3 Z : univers de discours

cours IA Master AS N.Achour 35

•Les valeurs k1, k2 et k3 sont le résultat d’une expertise.(il suffit de faire
plusieurs essais expérimentaux (plusieurs règles)), on obtient alors :
•Pour une entrée donnée, nous avons un certain nombre de règles qui
sont impliquées. La sortie est calculée ainsi :
∑ μ(k i ). k i
sortie = i
∑ μ(k i )
i

avec μ(ki) le degré de validité de la règle i.i

•avec

Modèle flou de Sugeno d’ordre 1

Avec deux entrées x et y et une sortie z, on écrira une règle

ainsi :
Si x est A (μA(x)) ET y est B (μB(y)) ALORS z=ax+by+c (fonction
polynomiale d’ordre
d ordre 1)
cours IA Master AS N.Achour 36
•a, b et c sont déterminées expérimentalement

•on obtient alors un système d’équations avec comme inconnues a, b,

et c, il faut 3 équations).
La sortie est calculée de la même manière que pour l’ordre zéro.
∑ μ( R i ). z i
sortie = i
∑ μ(R i )
i

Ri : Règle Ri
μ(Ri) : degré de validité de la règle Ri

zi : sortie de la règle Ri

cours IA Master AS N.Achour 37

•Application : Réaliser un régulateur flou (d’une commande en
position)

cours IA Master AS N.Achour 38