Vous êtes sur la page 1sur 161

T

T
H
H

S
S
E
E


En v ue de l ' obt ent i on du

D DO OC CT TO OR RA AT T D DE E L L U UN NI I V VE ER RS SI I T T D DE E T TO OU UL LO OU US SE E

Dl i v r par l' Universit Toulouse I I I - Paul Sabat ier
Di sci pl i ne ou spci al i t : Syst mes Aut omat iques



JURY
Gilles ROUX, Professeur l' UPS de Toulouse, Prsident
Monique POLI T, Professeur l' universit de Perpignan, Rapport eur
Sad DJENNOUN, Professeur l' universit de Tizi Ouzou, Rapport eur
Boubekeur MENDI L, Professeur L' universit de Bj aa, Examinat eur


Ecol e doct or al e : Ecole Doct oral Syst me
Uni t de r echer che : Nom de l' Unit de recherche
Di r ect eur ( s) de Thse : Prof. Ali BELMEHDI et Prof. Bout aib DAHHOU
Rappor t eur s : Prof. Monique POLI T et Prof. Sad DJENNOUN


Pr sent e et sout enue par Ouahib GUENOUNOU
Le 22 avril 2009

Ti t r e : Mt hodologie de concept ion de cont rleurs int elligent s
par l' approche gnt ique- applicat ion un bioprocd
2
Avant propos
Les travaux prsents dans le mmoire ont t effectus dans le cadre dune cotutelle entre
luniversit Paul Sabatier Toulouse III et luniversit A.Mira de Bejaia. Ils ont t raliss
au Laboratoire dAnalyse et dArchitecture des Systmes du CNRS et au Laboratoire de
technologie Industrielle et de linformation de luniversit A. mira de Bejaia. A ce titre je
remercie le service de lAgence Universitaire de Francophonie (AUF) qui par son nan-
cement ma aid effectuer mes travaux dans de bonnes conditions.
Je remercie Messieurs Malik GHALLAB et Raja CHATILA, respectivement ancien et
actuel Directeurs du LAAS CNRS et Madame Louise TRAVE-MASSUYES, responsable
du groupe DISCO.
Je remercie galement Monsieur Ali BELMEHDI, Directeur du LTII.
Je tiens remercier vivement Monsieur Gilles Roux, Professeur lUPS de Toulouse pour
avoir accept dexaminer ce travail et pour mavoir fait lhonneur de prsider la commis-
sion dexamen.
Je tiens galement remercier trs sincrement Madame Monique Polit, Professeur
luniversit de Perpigan et Monsieur Sad Djennoune, Professeur de luniversit Mouloud
Mameri de Tizi ouzou, pour lhonneur quils mont fait dexaminer cette tude et den
tre les rapporteurs. Je remercie galement Monsieur Boubekeur Mendil, Professeur de
lUniversit A. Mira de Bjaia davoir accept dexaminer cette thse.
Jexprime ma profonde reconnaissance mon directeur de thse ct franais, Monsieur
Boutaib Dahhou, Professeur lUPS de Toulouse, et je le remercie pour son soutien scien-
tique et pour la conance quil ma accorde tout au long de mes travaux.
Je ne saurais exprimer ma sympathie et ma reconnaissance envers mon directeur de thse
ct Algrien, Monsieur Ali Belmehdi, Professeur de lUniverist A. Mira de Bjaia pour
le soutien quil a pu mapporter, pour ses orientations, sa disponibilit et ses conseils.
Quil soit assur de ma respectueuse reconnaissance.
Finalement, je remercie sincrement tous mes amis en particulier Nassim pour le soutien
quil ma apport durant les sjours effectus Toulouse.
Table des matires
liste des gures vii
liste des Tableaux xi
Introduction 1
1 Algorithmes gntiques 5
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Algorithmes gntiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.1 Codage et population initiale . . . . . . . . . . . . . . . . . . . . 7
1.2.1.1 Codage binaire . . . . . . . . . . . . . . . . . . . . . . 8
1.2.1.2 Codage rel . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.1.3 Codage en base n . . . . . . . . . . . . . . . . . . . . 9
1.2.2 Oprateur de croisement . . . . . . . . . . . . . . . . . . . . . . 9
1.2.3 Oprateur de mutation . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.4 Fonction dvaluation . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.5 Oprateur de slection . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.5.1 Slection par tournoi . . . . . . . . . . . . . . . . . . . 14
i
ii TABLE DES MATIRES
1.2.5.2 Sharing . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.5.3 Elitisme . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3 Algorithmes Gntiques Hirarchiss . . . . . . . . . . . . . . . . . . . 16
1.3.1 Formulation du chromosome hirarchis . . . . . . . . . . . . . . 16
1.3.2 Oprateurs gntiques . . . . . . . . . . . . . . . . . . . . . . . 18
1.4 Optimisation multi-objectifs . . . . . . . . . . . . . . . . . . . . . . . . 18
1.4.1 Mthode agrgative . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.4.2 Mthode non agrgative . . . . . . . . . . . . . . . . . . . . . . 22
1.4.2.1 Vector evaluated genetic algorithm (VEGA) . . . . . . 22
1.4.2.2 Multiple Objectives Genetic Algorithm (MOGA) . . . 23
1.4.2.3 NSGA (Nondominated Sorting Genetic Algorithm) . . 23
1.4.2.4 Niched Pareto Genetic Algorithm (NPGA) . . . . . . . 24
1.4.2.5 NSGA-II . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2 Rseaux de neurones et systmes ous 29
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2 Rseaux de neurones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.2.1 Le neurone formel . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.2.2 Rseaux non boucls . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.3 Rseaux boucls . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2.4 Apprentissage dans les rseaux de neurones . . . . . . . . . . . . 33
2.2.4.1 Algorithme de rtropropagation du gradient . . . . . . 34
TABLE DES MATIRES iii
2.2.5 Identication par rseaux de neurones . . . . . . . . . . . . . . . 36
2.3 Rseaux de neurones pour la commande . . . . . . . . . . . . . . . . . . 38
2.3.1 Imitation dun contrleur existant . . . . . . . . . . . . . . . . . 38
2.3.2 Utilisation directe de lerreur en sortie du procd . . . . . . . . . 39
2.3.3 Identication du modle inverse . . . . . . . . . . . . . . . . . . 40
2.3.4 Architecture indirecte dapprentissage . . . . . . . . . . . . . . . 41
2.3.5 Apprentissage indirect du systme de commande . . . . . . . . . 42
2.4 Systmes ous . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.4.1 Ensembles ous . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.4.2 Variables linguistiques . . . . . . . . . . . . . . . . . . . . . . . 45
2.4.3 Rgles et oprateurs ous . . . . . . . . . . . . . . . . . . . . . 46
2.4.4 Structure interne dun systme ou . . . . . . . . . . . . . . . . 47
2.5 Systme neuro-ou . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.5.1 Architecture neuro ou hybride . . . . . . . . . . . . . . . . . . 52
2.5.1.1 ANFIS . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.5.1.2 FALCON ET GARIC . . . . . . . . . . . . . . . . . . 53
2.5.1.3 NEFCLASS . . . . . . . . . . . . . . . . . . . . . . . 54
2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3 Conception de contrleurs ous par algorithmes gntiques 55
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.2 Optimisation des contrleurs ous de type Mamdani par algorithmes g-
ntiques simples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.2.1 Reprsentation des fonctions dappartenance . . . . . . . . . . . 58
iv TABLE DES MATIRES
3.2.1.1 Partitionnement avec des fonctions triangulaires . . . . 59
3.2.1.2 Partitionnement avec des fonctions trapzodales . . . . 62
3.2.1.3 Fonction dappartenance Gaussienne . . . . . . . . . . 64
3.2.2 Codage des paramtres des fonctions dappartenance . . . . . . . 66
3.2.3 Reprsentation des rgles oues . . . . . . . . . . . . . . . . . . 66
3.2.4 Codage des rgles oues . . . . . . . . . . . . . . . . . . . . . . 67
3.2.4.1 Le codage binaire . . . . . . . . . . . . . . . . . . . . 67
3.2.4.2 Le codage rel . . . . . . . . . . . . . . . . . . . . . . 67
3.2.4.3 Codage en base n . . . . . . . . . . . . . . . . . . . . 67
3.2.5 Structure du chromosome . . . . . . . . . . . . . . . . . . . . . 68
3.2.6 Oprateurs gntiques . . . . . . . . . . . . . . . . . . . . . . . 68
3.2.6.1 Oprateur de Croisement . . . . . . . . . . . . . . . . 68
3.2.6.2 Oprateur de Mutation . . . . . . . . . . . . . . . . . . 69
3.2.7 Initialisation des chromosomes . . . . . . . . . . . . . . . . . . . 70
3.2.8 Exemple dapplication . . . . . . . . . . . . . . . . . . . . . . . 71
3.2.8.1 Critres de performance . . . . . . . . . . . . . . . . . 72
3.2.8.2 Paramtres de lAG . . . . . . . . . . . . . . . . . . . 73
3.2.8.3 Fonction Objectif . . . . . . . . . . . . . . . . . . . . 73
3.2.8.4 Mthodes de slection . . . . . . . . . . . . . . . . . . 74
3.2.8.5 Rsultats de loptimisation pour la premire mthode
(tournoi) . . . . . . . . . . . . . . . . . . . . . . . . . 75
3.2.8.6 Rsultats de loptimisation pour la deuxime mthode
(NSGA-II) . . . . . . . . . . . . . . . . . . . . . . . . 78
TABLE DES MATIRES v
3.3 Optimisation par algorithmes gntiques hirarchiss . . . . . . . . . . . 82
3.3.1 Structure du chromosome hirarchis . . . . . . . . . . . . . . . 83
3.3.2 Oprateurs gntiques . . . . . . . . . . . . . . . . . . . . . . . 84
3.3.3 Fonction objectif supplmentaire . . . . . . . . . . . . . . . . . . 84
3.3.4 Evaluation des performances de lAGH . . . . . . . . . . . . . . 85
3.4 Optimisation des contrleurs ous de type Sugeno . . . . . . . . . . . . . 88
3.4.1 Structure du rseau Neuro-ou . . . . . . . . . . . . . . . . . . . 90
3.4.1.1 Premire couche (couche dentre) . . . . . . . . . . . 90
3.4.1.2 Deuxime couche (couche des fonctions dappartenance) 91
3.4.1.3 Troisime couche(couche des prmisses) . . . . . . . . 91
3.4.1.4 Quatrime couche(couche des conclusions) . . . . . . . 91
3.4.1.5 Cinquime couche (couche de sortie) . . . . . . . . . . 92
3.4.2 Optimisation des paramtres du rseau neuro-ou . . . . . . . . . 92
3.4.2.1 Optimisation par lalgorithme de rtropropagation du
gradient . . . . . . . . . . . . . . . . . . . . . . . . . 92
3.4.2.2 Optimisation par algorithme gntique . . . . . . . . . 93
3.4.3 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
3.4.3.1 Modle de simulation . . . . . . . . . . . . . . . . . . 94
3.4.3.2 Rsultats de simulations . . . . . . . . . . . . . . . . . 94
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
4 Application un bioprocd 101
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
4.2 Procd de fermentation . . . . . . . . . . . . . . . . . . . . . . . . . . 102
vi TABLE DES MATIRES
4.3 Modlisation des bioprocds . . . . . . . . . . . . . . . . . . . . . . . . 103
4.3.1 Modles non structurs . . . . . . . . . . . . . . . . . . . . . . . 103
4.3.2 Modles structurs . . . . . . . . . . . . . . . . . . . . . . . . . 104
4.4 Modlisation de la fermentation alcoolique . . . . . . . . . . . . . . . . 104
4.4.1 Mode discontinu . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.4.2 Mode semi-continu . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.4.3 Mode continu . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.4.4 Modle dynamique . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.4.5 Simulation du modle en mode discontinu . . . . . . . . . . . . . 107
4.4.6 Simulation du modle en mode continu . . . . . . . . . . . . . . 108
4.5 Application des approches intelligentes pour la conduite du bioprocd . . 110
4.5.1 Optimisation du contrleur ou par algorithme gntique simple . 110
4.5.1.1 Rsultats de simulation . . . . . . . . . . . . . . . . . 111
4.5.2 Optimisation du contrleur ou par algorithme gntique hirar-
chis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
4.5.2.1 Objectifs de la stratgie de commande . . . . . . . . . 122
4.5.2.2 Rsultats de simulation . . . . . . . . . . . . . . . . . 123
4.5.3 Optimisation du contrleur ou de type Sugeno . . . . . . . . . . 126
4.5.3.1 Premire tape: optimisation par rtropropagation . . . 127
4.5.3.2 Deuxime tape: optimisation par AGH . . . . . . . . 129
4.5.4 Paramtres de lAGH . . . . . . . . . . . . . . . . . . . . . . . . 130
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
Table des gures
1.1 Croisement standard en un seul point . . . . . . . . . . . . . . . . . . . . 9
1.2 Croisement standard en deux points . . . . . . . . . . . . . . . . . . . . 10
1.3 Principe de loprateur de mutation . . . . . . . . . . . . . . . . . . . . . 11
1.4 Effet de sharing sur la rpartition des solutions . . . . . . . . . . . . . . . 15
1.5 Structure hirarchique dun chromosome . . . . . . . . . . . . . . . . . . 16
1.6 Principe de dcodage des chromosomes des AGH . . . . . . . . . . . . . 17
1.7 Front de Pareto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.8 Interprtation gomtrique de la mthode dagrgation . . . . . . . . . . 21
1.9 Illustration de la variation des coefcients de pondration pour la re-
cherche du front de Pareto . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.10 Schma de lvolution de lalgorithme NSGA-II . . . . . . . . . . . . . . 25
1.11 Distance de crowding (les points noirs sont des solutions appartenant au
mme front) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1 Modle de base dun neurone formel . . . . . . . . . . . . . . . . . . . . 30
2.2 Perceptron une couche cache . . . . . . . . . . . . . . . . . . . . . . 31
2.3 Rseaux de neurones rcurrents . . . . . . . . . . . . . . . . . . . . . . . 33
2.4 Schma de principe didentication par rseau de neurones . . . . . . . . 37
vii
viii TABLE DES FIGURES
2.5 Structure didentication srie parallle . . . . . . . . . . . . . . . . . . 37
2.6 Structure didentication parallle . . . . . . . . . . . . . . . . . . . . . 38
2.7 Commande neuronale par reproduction dun contrleur conventionnel . . 38
2.8 Apprentissage spcialis . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.9 Commande neuronale par identication du modle inverse . . . . . . . . 40
2.10 Architecture dapprentissage gnralis . . . . . . . . . . . . . . . . . . 41
2.11 Architecture de commande indirecte . . . . . . . . . . . . . . . . . . . . 42
2.12 Reprsentation de la temprature dun corps par les ensembles classiques
et ous . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.13 Diffrents types de fonctions dappartenance utilises . . . . . . . . . . . 44
2.14 Variable linguistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.15 La partition suprieure ne peut sinterprter en termes linguistiques . . . . 46
2.16 Structure interne dun systme ou . . . . . . . . . . . . . . . . . . . . . 47
2.17 Infrence: MINIMUM et PRODUIT . . . . . . . . . . . . . . . . . . . . 49
2.18 Composions des ensembles ous issus de linfrence . . . . . . . . . . . 50
2.19 Diffrentes architectures des systmes neuro-ous . . . . . . . . . . . . . 53
3.1 Reprsentation graphique des diffrentes approches doptimisation dun
contrleur ou par algorithme gntique . . . . . . . . . . . . . . . . . . 56
3.2 Contrleur ou deux entres . . . . . . . . . . . . . . . . . . . . . . . 57
3.3 Fonction dappartenance triangulaire dnie par trois paramtres . . . . . 59
3.4 Partition oue avec des fonctions dappartenance triangulaires . . . . . . 60
3.5 Partition avec 5 fonctions dappartenance daprs Lee et Yubaziki . . . . 61
3.6 Fonction dappartenance trapzodale . . . . . . . . . . . . . . . . . . . 62
TABLE DES FIGURES ix
3.7 Partition avec 5 fonctions dappartenance trapzoidales daprs Lee et Yu-
baziki . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.8 Fonction dappartenance gaussienne asymtrique(ligne continue): La mo-
yenne est note c et les variances
2
g
et
2
d
. . . . . . . . . . . . . . . . . 64
3.9 Partition avec 5 gaussiennes asymtriques . . . . . . . . . . . . . . . . . 65
3.10 Structure du chromosome de lAGS . . . . . . . . . . . . . . . . . . . . 68
3.11 Rponse indicielle du systme en boucle ferme sans le contrleur ou . . 71
3.12 Fonctions dappartenance du meilleur chromosome de la premire gn-
ration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
3.13 Sortie du systme pour le meilleur chromosome de la premire gnration 76
3.14 Evolution de lobjectif Ob travers les gnrations . . . . . . . . . . . . 76
3.15 Fonctions dappartenance du meilleur chromosome de la 210 me gn-
ration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.16 Sortie du systme pour le meilleur chromosome de la 210 me gnration 78
3.17 Rpartition de la population initiale . . . . . . . . . . . . . . . . . . . . 78
3.18 Evolution de la population . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.19 Rpartition de la population nale . . . . . . . . . . . . . . . . . . . . . 80
3.20 Sortie du systme pour la solution de test . . . . . . . . . . . . . . . . . 80
3.21 Fonctions dappartenance . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.22 Bases de rgles contenant des rgles incohrentes . . . . . . . . . . . . . 82
3.23 Structure du chromosome de lAGH appliqu pour loptimisation des pa-
ramtres dun CF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.24 Rpartition de la population nale . . . . . . . . . . . . . . . . . . . . . 86
3.25 Solutions constituant le front de Pareto . . . . . . . . . . . . . . . . . . . 86
3.26 Sortie du systme pour la solution de test . . . . . . . . . . . . . . . . . 87
x TABLE DES FIGURES
3.27 Fonctions dappartenance . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.28 Structures du chromosome optimisant le contrleur de Sugeno . . . . . . 89
3.29 Structure du rseau neuro-ou . . . . . . . . . . . . . . . . . . . . . . . 90
3.30 Rpartition des solutions de la premire gnration . . . . . . . . . . . . 96
3.31 Rpartition des solutions de la dernire gnration . . . . . . . . . . . . . 97
3.32 Rpartition des solutions du front de Pareto . . . . . . . . . . . . . . . . 97
3.33 Test du modle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.1 Schma simpli dune culture de levure . . . . . . . . . . . . . . . . . . 102
4.2 Evolution des concentrations en substrat, biomasse, produit et du taux de
croissance pour une fermentation en mode batch . . . . . . . . . . . . . . 108
4.3 Evolution des variables dtat pour une fermentation en mode continu . . 109
4.4 Principe de la commande oue optimise par algorithme gntique . . . . 110
4.5 Evolution de lobjectif (Ob) travers les gnrations-structure 5*5*5 . . . 113
4.6 Evolution des paramtres du contrleur ou travers les gnrations-
structure 5*5*5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
4.7 Evolution de la concentration en Substrat pour le meilleur chromosome
de la premire gnration-structure 5*5*5 . . . . . . . . . . . . . . . . . 115
4.8 Fonctions dappartenance correspondantes au meilleur chromosome de la
premire gnration-structure 5*5*5 . . . . . . . . . . . . . . . . . . . . 116
4.9 Evolution de la concentration en Substrat et le taux de dilution pour la
dernire gnration-structure 5*5*5 . . . . . . . . . . . . . . . . . . . . 117
4.10 Fonctions dappartenance correspondantes au meilleur chromosome de la
dernire gnration-structure 5*5*5 . . . . . . . . . . . . . . . . . . . . 118
4.11 Evolution de lobjectif (Ob) travers les gnrations-structure 7*7*7 . . . 119
TABLE DES FIGURES xi
4.12 Evolution de la concentration en Substrat et le taux de dilution pour la
dernire gnration-structure 7*7*7 . . . . . . . . . . . . . . . . . . . . 120
4.13 Fonctions dappartenance correspondantes au meilleur chromosome de la
dernire gnration-structure 7*7*7 . . . . . . . . . . . . . . . . . . . . 121
4.14 Rpartition de solutions de la premire gnration . . . . . . . . . . . . . 123
4.15 Rpartition de solutions de la dernire gnration . . . . . . . . . . . . . 124
4.16 Evolution de la concentration en Substrat et le taux de dilution . . . . . . 125
4.17 Schma de principe de loptimisation dun contrleur ou de type Sugeno 126
4.18 Evolution de la concentration en Substrat et le taux de dilution aprs la
premire phase doptimisation . . . . . . . . . . . . . . . . . . . . . . . 128
4.19 Fonctions dappartenance initiales . . . . . . . . . . . . . . . . . . . . . 128
4.20 Solutions de la premire gnration . . . . . . . . . . . . . . . . . . . . 130
4.21 Solutions de la dernire gnration . . . . . . . . . . . . . . . . . . . . . 131
4.22 Solutions du front de Pareto . . . . . . . . . . . . . . . . . . . . . . . . 131
4.23 Evolution de la concentration en Substrat et le taux de dilution pour la
solution de test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
4.24 Fonctions dappartenance correspondant la solution de test . . . . . . . 132
LISTE DES TABLEAUX xiii
Liste des tableaux
3.1 Base de rgles oues . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.2 Base de rgles gnre partir du modle de Macvicar-Whelan . . . . . . 70
3.3 Paramtres de lAGs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.4 Facteurs dchelle du meilleure chromosome de la premire gnration . . 75
3.5 Facteurs dchelle du meilleur chromosome de la 210 gnration . . . . . 77
3.6 Base de rgle gnre partir du meilleur chromosome de la 210 me
gnration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.7 Facteurs dchelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.8 Base de rgle gnre . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.9 Facteurs dchelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
3.10 Base de rgles avec 22 rgles oues . . . . . . . . . . . . . . . . . . . . 88
3.11 Paramtres des fonctions dappartenance obtenus par rtropropagation . . 94
3.12 Base de rgles oues obtenue par rtropropagation . . . . . . . . . . . . 95
3.13 Paramtres des fonctions dappartenance relatifs la solution de test . . . 98
3.14 Base de rgles relative la solution de test . . . . . . . . . . . . . . . . . 98
3.15 Comparaison avec dautres modles . . . . . . . . . . . . . . . . . . . . 99
4.1 Variables denvironnement maintenues au cours de la fermentation . . . . 106
xiv LISTE DES TABLEAUX
4.2 Intervalles de variation des centres des fonctions dappartenance . . . . . 111
4.3 Intervalles de variation des facteurs dchelle . . . . . . . . . . . . . . . 112
4.4 Facteur dchelle correspondants au meilleur chromosome de la premire
gnration-structure 5*5*5 . . . . . . . . . . . . . . . . . . . . . . . . . 115
4.5 Base de rgles oues correspondante au meilleur chromosome de la pre-
mire gnration-structure 5*5*5 . . . . . . . . . . . . . . . . . . . . . . 116
4.6 Facteur dchelle correspondants au meilleur chromosome de la dernire
gnration-structure 5*5*5 . . . . . . . . . . . . . . . . . . . . . . . . . 117
4.7 Base de rgles oues correspondante au meilleur chromosome de la der-
nire gnration-structure 5*5*5 . . . . . . . . . . . . . . . . . . . . . . 118
4.8 Facteur dchelle correspondants au meilleur chromosome de la dernire
gnration-structure 7*7*7 . . . . . . . . . . . . . . . . . . . . . . . . . 120
4.9 Base de rgles oues correspondante au meilleur chromosome de la der-
nire gnration-structure 7*7*7 . . . . . . . . . . . . . . . . . . . . . . 121
4.10 Base de rgles correspondant la solution de test . . . . . . . . . . . . . 125
4.11 Base de rgles obtenue aprs la rtropropagation . . . . . . . . . . . . . . 129
4.12 Paramtres de lAGH . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
4.13 Base de rgles relative la solution de test . . . . . . . . . . . . . . . . . 133
Introduction
Historique
Les outils intelligents sont de plus en plus utiliss dans la conception, la modlisation
et la commande de systmes complexes tels que les robots, les procds biologiques, les
vhicules routiers . On entend par outils intelligents les techniques du soft computing
savoir : les rseaux de neurones, la logique oue et les algorithmes gntiques.
Les rseaux de neurones sont apparus dans les annes cinquante mais nont reu cepen-
dant un intrt considrable qu partir des annes 80 avec lapparition de lalgorithme
de rtropropagation (Rumelhart et McClelland, 1986). Leur capacit dapprentissage et
dapproximation de fonctions leur procure un intrt considrable de la part des cher-
cheurs. Il suft de voir les nombreuses applications industrielles qui en dcoulent partir
des annes 90 et de consulter labondante littrature sur le sujet pour sen convaincre.
La logique oue introduite par Zadeh (1965) dans les annes soixante constitue un outil
trs puisant pour la reprsentation des termes et des connaissances vagues. Elle est issue
de la capacit de lhomme dcider et agir dune manire intelligente malgr limprcis
et lincertitude des connaissances disponibles. Son utilisation dans le domaine du contrle
(contrle ou) a t lune des premires applications de cette thorie dans lindustrie avec
les travaux de Mamdani et Assilian (1975). Depuis, les applications de la logique oue se
sont multiplies pour toucher des domaines trs divers.
Lutilisation de la commande oue est particulirement intressante lorsquon ne dispose
pas de modle mathmatique prcis, voir inexistant, du systme commander ou lorsque
ce dernier prsente de fortes non linarits. Contrairement aux approches classiques de
lautomatique, qui se basent en grande partie sur un modle mathmatique, la commande
par logique oue, repose sur une collection de rgles linguistiques de la forme " Si
Alors " qui traduisent la stratgie de contrle dun oprateur humain.
1
2 INTRODUCTION
Les algorithmes gntiques sont des mthodes stochastiques bases sur une analogie avec
des systmes biologiques. Ils reposent sur un codage de variables organises sous forme
de structures chromosomiques et prennent modle sur les principes de lvolution natu-
relle de Darwin pour dterminer une solution optimale au problme considr. Ils ont
t introduits par Holland (Holland, 1975) pour des problmes doptimisation complexe.
Contrairement aux mthodes doptimisation classique, ces algorithmes sont caractriss
par une grande robustesse et possdent la capacit dviter les minimums locaux pour
effectuer une recherche globale. De plus, ces algorithmes nobissent pas aux hypothses
de drivabilit qui contraignent pas mal de mthodes classiques destines traiter des
problmes rels.
Au cours de ces dernires annes, la combinaison de ces techniques a attir lattention
de beaucoup de chercheurs. Plusieurs hybridations ont t alors proposes dont les plus
rencontres sont: Algorithme Gntique /Contrleur ou (AG/CF) et Rseau de neu-
rones/Contrleur ou (RN/CF).
La premire combinaison (AG/CF) vise la conception des CF par algorithmes gn-
tiques. Karr et Gentry (1993) utilisent un algorithme gntique standard (codage binaire,
oprateurs de croisement et de mutation simples) pour loptimisation des paramtres des
fonctions dappartenance. Le nombre de termes linguistiques associ chaque variable
du contrleur est diffrent, mais il reste xe durant tout le processus doptimisation. Plu-
sieurs mthodes ont t proposes par la suite, dont certaines diffrent par le type de co-
dages et/ou des fonctions dappartenance utilises (Liska et Melsheimer, 1994; Herrera et
al., 1995). Rcemment, les algorithmes hirarchiss ou AGH sont aussi impliqus. Dans
(Acosta et Todorovich, 2003), on utilise un AGH avec un seul niveau de gnes de contrle
pour chercher le nombre minimal de fonctions dappartenance associer chacune des
variables du contrleur ou.
Thrift (1991) est le premier dcrire une mthode doptimisation des rgles oues par
algorithme gntique standard, en utilisant trois bits pour coder chaque rgle. A la mme
poque, Karr propose une mthode permettant de faire intervenir dans le contrleur ou
la fois des rgles spcies par un expert humain et des rgles optimises par un al-
gorithme gntique (Karr, 1991). Quelques amliorations ont t apportes par la suite
(Herrera et al., 1998; Chen et Wong, 2002; Belarbi et al., 2005).
Homaifar et MCCormick (1993) proposent une mthode doptimisation qui prend en
compte simultanment les fonctions dappartenance des variables dentres et les rgles
oues. Les diffrents paramtres sont cods sur le mme chromosome en base 6. Dans
(Lee et Takagi, 1993), les auteurs partagent la mme ide de Hamaifar et MCCormik (co-
INTRODUCTION 3
dage de lensemble des paramtres dans un chromosome unique) en utilisant un codage
binaire. Dans larticle de Zhou et Lai (2000), on adopte un codage mixte des paramtres.
Ainsi les chanes relles et les chanes entires sont utilises respectivement pour coder
les fonctions dappartenance et les rgles oues.
La combinaison (RN/CF), ou tout simplement contrleur neuro-ou est une combinai-
son de la logique oue et des rseaux de neurones qui tire prot des deux approches.
Plusieurs architectures neuro-oues ont t proposes dans la littrature suivant le type
de rgles oues quelles intgrent (Mamdani ou Sugeno). La puissance de ces structures
rside dans la possibilit dincorporer une base de connaissances, de traiter les donnes
imprcises et vagues par logique oue et en mme temps dintroduire lapprentissage via
le rseau de neurones. Pour la plupart des architectures proposes, les procdures dap-
prentissage appliques sont soit supervises et se basent sur les techniques doptimisation
classique (descente du gradient, les moindres carrs), soit non supervises et on utilise les
algorithmes de classication (K-means).
Problmatique
Loptimisation indpendante, des paramtres des fonctions dappartenance ou des
rgles oues par algorithme gntique est juste mais reste incomplte car les deux parties
(fonctions dappartenance et rgles oues) ne peuvent tre dissocies. Par consquent,
pour obtenir de meilleurs rsultats, il faudrait prvoir un codage qui prend en charge si-
multanment les fonctions dappartenance et les rgles oues. En raison dune part dun
espace de recherche trs grand (fonctions dappartenance + rgles oues) et dautre part
de lutilisation dune procdure dinitialisation des chromosomes base souvent sur un
processus alatoire, les mthodes proposes ncessitent gnralement un nombre impor-
tant de gnrations. De plus loptimisation aveugle des algorithmes gntiques, dont le
seul objectif est lamlioration dun critre numrique, conduit souvent la prsence de
rgles oues incohrentes (brouilles) en n du processus doptimisation. Lamliora-
tion de ltape dinitialisation des chromosomes ainsi que lutilisation dune procdure de
slection qui dfavorise lapparition de rgles incohrentes peut tre une solution able
pour contourner ces inconvnients. Cest dans ce cadre que se situent nos motivations et
intrts pour la conception de contrleurs ous par algorithmes gntiques.
4 INTRODUCTION
Prsentation des chapitres
Ce mmoire est organis en quatre chapitres comme suit:
Le premier chapitre est consacr aux algorithmes gntiques. Il est constitu de trois
parties principales. La premire prsente une description dtaille des algorithmes gn-
tiques simples dans laquelle nous rappelons les dnitions relatives leur fonctionnement.
Dans la deuxime partie nous introduirons les algorithmes gntiques hirarchiss, ver-
sion amliore des algorithmes gntiques simples. La troisime partie traite de loptimi-
sation multi-objectifs par algorithmes gntiques. Nous dcrivons quelques algorithmes
de rsolution tout en accordant plus dimportance lalgorithme NSGA-II (Nondomina-
ted Sorting Genetic Algorithm-II) qui est utilis dans ce mmoire.
Le deuxime chapitre est divis en trois parties. La premire traite les rseaux de neu-
rones et leur modalit dutilisation pour les problmes de modlisation et de commande.
La deuxime partie est consacre aux systmes ous. Nous rappelons dabord les notions
de bases sur lesquelles reposent ses systmes puis nous dcrivons leur principe de fonc-
tionnement et leurs diffrentes composantes. Enn, dans la troisime partie nous aborde-
rons lapproche neuro-oue ainsi quune classication des ses diffrentes structures.
Le troisime chapitre constitue le noyau de ce mmoire. Nous commenons par une
description de la premire mthode de synthse des contrleurs ous de Mamdani par al-
gorithmes gntiques simples. Nous introduisons par la suite le NSGA-II avec un codage
hirarchis des paramtres. Enn nous proposons un algorithme hybride pour la synthse
des contrleurs de Sugeno.
Le quatrime chapitre concerne une application des mthodes de synthse des contr-
leurs intelligents pour la conduite dun procd de fermentation alcoolique.
Chapitre 1
Algorithmes gntiques
1.1 Introduction
Les ingnieurs se heurtent quotidiennement des problmes de complexit gran-
dissante, qui surgissent dans des secteurs trs divers, comme le traitement dimages, la
conception de systmes de commande et de diagnostic, etc . . .. Le problme rsoudre
peut souvent tre considr comme un problme doptimisation dans lequel on dnit
une ou plusieurs fonctions objectif, ou fonctions de cot, que lon cherche minimiser
(ou maximiser) par apport lensemble des paramtres concerns. La rsolution dun tel
problme a conduit les chercheurs proposer des mthodes de rsolution de plus en plus
performantes, parmi lesquelles on peut citer les mtaheuristiques. Ces dernires qui com-
prennent notamment la mthode du recuit simul (Kirkpatrick et al., 1983), la mthode de
recherche Tabou (Glover, 1989), les algorithmes de colonies de fourmis, les algorithmes
gntiques etc . . ., prsentent des caractristiques communes, qui sont:
1. Raisonnement par analogie avec les systmes rels (physique, biologie, thologie,
).
2. Stochastiques
et partagent aussi les mmes inconvnients :
1. Difcult de rglage des paramtres de la mthode
2. Temps de calcul lev.
5
6 CHAPITRE 1. ALGORITHMES GNTIQUES
Dans ce chapitre, nous allons nous intresser uniquement aux algorithmes gntiques qui
ont connu ces quinze dernires annes un dveloppement considrable grce laugmen-
tation vertigineuse de la puissance des calculateurs et notamment suite lapparition des
architectures massivement parallles qui exploitent leur paralllisme intrinsque.
Le chapitre est organis en trois parties. La premire est consacre aux algorithmes gn-
tiques comme tant une mthode doptimisation mono-objectif. Aprs une prsentation
gnrale du principe de fonctionnement dun algorithme gntique, nous ferons une des-
cription dtaille de ses diffrentes composantes. La deuxime partie est consacre aux
algorithmes gntiques hirarchiss (AGH), une version amliore des AGS. Ils diffrent
de ces derniers dans la structure de leurs chromosomes qui prsente un niveau hirar-
chique et se compose de deux types de gnes: les gnes de contrle et les gnes de pa-
ramtres. Enn la dernire partie traite de loptimisation multi-objectifs par algorithmes
gntiques. Nous commenons dabord par un bref rappel sur les spcicits dun pro-
blme plusieurs objectifs, puis nous voquons le concept de dominance et la notion
doptimalit au sens de Pareto qui caractrise cette classe de problmes. Enn, nous d-
taillons quelques algorithmes gntiques, ddis loptimisation multi-objectifs tout en
accordant plus dimportance un algorithme litiste de rfrence (NSGA-II) qui sera uti-
lis dans la suite de ce travail.
1.2 Algorithmes gntiques
Les algorithmes gntiques (AG) dvelopps par J. Holland (Holland, 1992) pr-
sentent des qualits intressantes pour la rsolution de problmes doptimisation com-
plexes. Leurs fondements thoriques furent exposs par Goldberg (Goldberg, 1994). Ils
tentent de simuler le processus dvolution des espces dans leur milieu naturel: soit une
transposition articielle de concepts basiques de la gntique et des lois de survie noncs
par Darwin. Rappelons que la gntique reprsente un individu par un code, cest--dire
un ensemble de donnes (appeles chromosomes), identiant compltement lindividu.
La reproduction est, dans ce domaine, un mixage alatoire de chromosomes de deux indi-
vidus, donnant naissance des individus enfants ayant une empreinte gntique nouvelle,
hrite des parents. La mutation gntique est caractrise dans le code gntique de len-
fant par lapparition dun chromosome nouveau, inexistant chez les individus parents.
Ce phnomne gntique dapparition de " mutants" est rare mais permet dexpliquer
les changements dans la morphologie des espces, toujours dans le sens dune meilleure
1.2. ALGORITHMES GNTIQUES 7
adaptation au milieu naturel. La disparition de certaines espces est explique par " les
lois de survie " selon lesquelles seuls les individus les mieux adapts auront une longvit
sufsante pour gnrer une descendance. Les individus peu adapts auront une tendance
disparatre. Cest une slection naturelle qui conduit de gnration en gnration une
population compose dindividus de plus en plus adapts.
Un algorithme gntique est construit de manire tout fait analogue. Dans lensemble
des solutions dun problme doptimisation, une population de taille N est constitue de
N solutions (les individus de la population) convenablement marques par un codage qui
les identie compltement. Une procdure dvaluation est ncessaire la dtermination
de la force de chaque individu de la population. Viennent ensuite une phase de slection
(en slectionnant les individus au prorata de leur force) et une phase de recombinaison
(oprateurs articiels de croisement et de mutation) qui gnrent une nouvelle population
dindividus, qui ont de bonnes chances dtre plus forts que ceux de la gnration prc-
dente. De gnration en gnration, la force des individus de la population augmente et
aprs un certain nombre ditrations, la population est entirement constitue dindividus
tous forts, soit de solutions quasi-optimales du problme pos.
En, le fonctionnement dun AG est alors bas sur les phases suivantes :
1. Initialisation: une population initiale de taille N chromosomes est tire alatoire-
ment.
2. Evaluation: chaque chromosome est dcod puis valu.
3. Reproduction: cration dune nouvelle population de N chromosomes par lutili-
sation dune mthode de slection approprie.
4. Oprateurs gntiques: croisement et mutation de certains chromosomes au sein
de la nouvelle population.
5. Retour la phase 2 tant que la condition darrt du problme nest pas satisfaite.
1.2.1 Codage et population initiale
Premirement, il faut reprsenter les diffrents tats possibles de la variable dont on
cherche la valeur optimale sous forme utilisable pour un AG: cest le codage. Cela permet
dtablir une connexion entre la valeur de la variable et les individus de la population, de
manire imiter la transcription gnotype-phnotype qui existe dans le monde vivant. Il
8 CHAPITRE 1. ALGORITHMES GNTIQUES
existe principalement trois types de codage : le codage binaire, le codage rel et le codage
en base n.
1.2.1.1 Codage binaire
Ce codage a t le premier tre utilis dans le domaine des AG. Il prsente plusieurs
avantages : alphabet minimum {0,1}, facilit de mise en point doprateurs gntiques
et existence de fondements thoriques (thorie sur les schmas). Nanmoins ce type de
codage prsente quelques inconvnients :
1. Les performances de lalgorithme sont dgrades devant les problmes doptimi-
sation de grande dimension haute prcision numrique. Pour de tels problmes,
les AG bass sur les chanes binaires ont de faibles performances comme le montre
michalewicz (Michalewicz, 1992).
2. La distance de Hamming entre deux nombres voisins(nombre de bits diffrents)
peut tre assez grande dans le codage binaire : lentier 7 correspond la chane
0111 et la chane 1000 correspond lentier 8. Or la distance de hamming entre
ces deux chanes est de 4, ce qui cre bien souvent une convergence, et non pas
lobtention de la valeur optimale.
1.2.1.2 Codage rel
Il a le mrite dtre simple. Chaque chromosome est en fait un vecteur dont les com-
posantes sont les paramtres du processus doptimisation. Par exemple, si on recherche
loptimum dune fonction de n variables f(x
1
, x
2
, . . . , x
n1
, x
n
), on peut utiliser tout
simplement un chromosome ch contenant les n variables: Avec ce type de codage, la pro-
ch: x
1
x
2
x
n1
x
n
cdure dvaluation des chromosomes est plus rapide vu labsence de ltape de transco-
dage (du binaire vers le rel). Les rsultats donns par Michalewicz (Michalewicz, 1992)
montrent que la reprsentation relle aboutit souvent une meilleure prcision et un gain
important en termes de temps dexcution.
1.2. ALGORITHMES GNTIQUES 9
1.2.1.3 Codage en base n
Dans ce type de codage, les gnes constituant un chromosome sont des chiffres expri-
ms dans une base de numration n, ce qui permet de reprsenter n valeurs discrtes.
LAG dmarre avec une population compose de N individus dans le codage retenu. Le
choix des individus conditionne fortement la rapidit de lalgorithme. Si la position de
loptimum dans lespace de recherche est totalement inconnue, il est intressant que la
population soit rpartie sur tout lespace de recherche. Si par contre des informations
priori sur le problme sont disponibles, il parat vident de gnrer les individus dans
un espace particulier an dacclrer la convergence. Disposant dune population initiale
souvent non homogne, la diversit de la population doit tre entretenue aux cours des
gnrations an dexplorer le plus largement possible lespace de recherche. Cest le rle
des oprateurs de croisement et de mutation.
1.2.2 Oprateur de croisement
Le croisement est le principal oprateur agissant sur la population des parents. Il per-
met de crer de nouveaux individus par lchange dinformation entre les chromosomes
par leur biais de leur combinaison. La population courante est divise en deux sous popu-
lations de mme taille (N/2) et chaque couple form par un membre provenant de chaque
sous population participe un croisement avec une probabilit (p
c
) souvent suprieure
0,5. Si le croisement a eu lieu entre deux chromosomes parents (ch
1
et ch
2
), constitus de
l gnes, on tire alatoirement une position de chacun des parents. On change ensuite les
deux sous chanes terminales de chacun des chromosomes, ce qui produit deux enfants
ch

1
et ch

2
comme indiqu sur la gure 1.1.
FIG. 1.1 Croisement standard en un seul point
10 CHAPITRE 1. ALGORITHMES GNTIQUES
Dans notre exemple, Figure 1.1, un croisement localis la quatrime position a eu
lieu entre les chromosomes ch
1
et ch
2
: il sagit bien dun croisement en un seul point.
Ainsi on peut tendre ce principe de combinaison en choisissant non pas un seul point,
mais 2, 3, etc...(croisement en multipoints) (Man et al., 1996). Sur la gure 1.2 nous re-
prsentons un croisement en deux points, que nous utiliserons dans la suite de ce mmoire.
FIG. 1.2 Croisement standard en deux points
Ce type de croisement est trs efcace et peut stendre nimporte quel type de
chanes (relles, en base n, etc...). Nanmoins certains auteurs (Wu et Lin, 1999) pr-
frent utiliser dans le cas des chanes relles, un croisement de type barycentre: deux
gnes ch
1
(i) et ch
2
(i) sont slectionns dans chacun des parents la mme position i. Ils
dnissent deux nouveaux gnes ch

1
(i) et ch

2
(i) par combinaison linaire :
_
ch

1
(i) = ch
1
(i) + (1 ) ch
2
(i)
ch

2
(i) = (1 ) ch
1
(i) + ch
2
(i)
(1.1)
o est un paramtre de pondration alatoire qui prend gnralement ses valeurs dans
lintervalle [0.5, 1.5] (ceci permet de gnrer des points entre ou lextrieur des deux
gnes considrs).
Quoi quil en soit, il se peut que leffet de loprateur de croisement soit insufsant pour
assurer une meilleure exploration de lespace de recherche. Ainsi dans le cas du codage
binaire, certaines chanes peuvent totalement disparatre de la population. Par exemple, si
aucun chromosome de la population initiale ne contient de 1 en premire position et que ce
1 fasse partie de la chane optimale trouver, aucun croisement ne peut faire apparatre cet
lment. Ce dernier ne peut sintroduire dans la population que si lon introduit un autre
oprateur et cest, entre autre, pour remdier ce problme que loprateur de mutation
est utilis.
1.2. ALGORITHMES GNTIQUES 11
1.2.3 Oprateur de mutation
Le rle de cet oprateur est de modier alatoirement la valeur dun gne dans un
chromosome. Dans le cas du codage binaire, chaque bit a
i
{0,1} est remplac par son
complmentaire a
i
= 1 a
i
. Dans lexemple de la gure 1.3, une mutation a eu lieu sur
le troisime gne du chromosome ch et elle a transform ce gne de 1 en 0.
FIG. 1.3 Principe de loprateur de mutation
Pour les chaines codes en base n, la mutation consiste remplacer le gne initial par
un chiffre en base n tir au sort.
Dans le cas dun codage rel, on utilise principalement deux oprateurs de mutation: la
mutation uniforme et la mutation non uniforme (Michalewicz, 1992). En supposant xe
la probabilit de mutation p
m
, un tirage au sort pour chaque gne x
k
dun chromosome ch
permet de dcider si ce gne doit tre ou non modi. Nous supposons que le gne prend
ses valeurs dans un intervalle [x
min
k
,x
max
k
].
Pour la mutation uniforme, qui est une simple extension de la mutation binaire, on rem-
place le gne x
k
slectionn par une valeur quelconque x

k
tire alatoirement dans lin-
tervalle [x
min
k
,x
max
k
].
Pour la mutation non uniforme, le calcul de la nouvelle valeur dun gne est un peu plus
complexe. Le gne x
k
subit des modications importantes durant les premires gn-
rations, puis graduellement dcroissantes au fur et mesure que lon progresse dans le
processus doptimisation. Pour une gnration t, on tire au sort une valeur binaire qui
dcidera si le changement doit tre positif ou ngatif. La nouvelle valeur x

k
du gne x
k
est donne par :
x

k
=
_
x
k
+(t,x
max
k
x
k
) si rand = 0
x
k
(t,x
k
x
min
k
) si rand = 1
(1.2)
o (t,y) est une fonction qui dnit lcart entre la nouvelle valeur et la valeur initiale
12 CHAPITRE 1. ALGORITHMES GNTIQUES
la gnration t et rand est nombre altoire qui prend les valeurs 0 ou 1.
Dans (Cordon et al., 2001), les auteurs proposent dutiliser une fonction (t,y) corres-
pondante une dcroissance exponentielle de lcart travers les gnrations. Cette fonc-
tion est dnie par :
(t,y) = y (1 r
(1t/T)

) (1.3)
o T est lindice de gnration pour laquelle lamplitude de la mutation sannule, est
un paramtre de loprateur de mutation (souvent = 5), r est un nombre produit ala-
toirement dans lintervalle [0,1] et t le numro de la gnration.
Si par contre, lintervalle de variations du gne x
k
nest pas connu, une mutation gaus-
sienne est souvent utilise. Le principe de base de ce type de mutation est dajouter un
bruit gaussien centr N(0,) au gne que lon dsire faire muter:
x

k
= x
k
+N(0,) (1.4)
o reprsente la variance.
La mutation est traditionnellement considre comme un oprateur intervenant la marge,
dans la mesure o sa probabilit est en gnral assez faible (de lordre de 1%). Mais
elle confre aux algorithmes gntiques une proprit trs importante : lergodicit (tous
les points de lespace de recherche peuvent tre atteints). Cet oprateur est donc dune
grande importance et il est loin dtre marginal, dailleurs un algorithme gntique peut
converger sans loprateur de croisement et certaines applications fonctionnent de cette
manire (Hwang, 1999).
1.2.4 Fonction dvaluation
Un algorithme gntique ncessite gnralement la dnition dune fonction rendant
compte de la pertinente des solutions potentielles, partir des grandeurs optimiser.
Nous la nommerons fonction dadaptation f (ou tness function en terminologie anglo-
saxonne). Elle est souvent exprime par la composition de deux fonctions g et h:
f = g h (1.5)
avec:
: loi de composition de fonctions
g: fonction de transformation, pouvant tre linaire, exponentielle, logarithmique, etc . . ..
h: fonction objectif ou de cot, elle dpend de lobjectif recherch.
1.2. ALGORITHMES GNTIQUES 13
1.2.5 Oprateur de slection
La slection cre une population intermdiaire constitue de copies des individus de
la population courante. En rgle gnrale, le nombre de copies dun individu est li di-
rectement la tness relative de lindividu au sein de la population. Il existe plusieurs
mthodes heuristiques qui reprsentent la reproduction, la mthode la plus connue et la
plus utilise est la slection par roulette biaise (roulette wheel selection) de Goldberg
(Goldberg, 1994). Selon cette mthode, chaque chromosome est copi dans la nouvelle
population proportionnellement sa tness. On effectue en quelque sorte, autant de ti-
rages avec remise que dlments existant dans la population. Ainsi pour un chromosome
particulier ch
i
de tness f(ch
i
), la probabilit de sa slection dans la nouvelle population
de taille N est :
p(ch
i
) =
f(ch
i
)
N

j=1
f(ch
j
)
(1.6)
Plus la performance dun individu est leve par rapport celle des autres, plus il a une
chance dtre reproduit dans la population. Les individus ayant une grande tness relative
ont donc plus de chance dtre slectionns. On parle alors de slection proportionnelle.
Le nombre de copies espres pour chaque individu ch
i
qui va rsulter de la slection est
alors gal :
n
i
= N p(ch
i
) =
f(ch
i
)
1
N
N

j=1
f(ch
j
)
=
f(ch
i
)
f
(1.7)
Linconvnient majeur de ce type de reproduction vient du fait quil peut favoriser la
dominance dun individu qui nest pas forcment le meilleur. Cette mthode peut aussi
engendrer une perte de diversit par la dominance dun super-individu. Pour palier cet in-
convnient, on prfre souvent des mthodes qui nautorisent en aucun cas lapparition de
super-individu. Par exemple, la slection par tournoi (tournement selection) ou dautres
mthodes faisant intervenir un changement dchelle (Scalling) et/ou des notions de voi-
sinage entre chromosomes (Sharing).
14 CHAPITRE 1. ALGORITHMES GNTIQUES
1.2.5.1 Slection par tournoi
On tire deux individus alatoirement dans la population et on reproduit le meilleur
des deux dans la nouvelle population. On rpte la procdure jusqu ce que la nouvelle
population soit complte.
1.2.5.2 Sharing
Le sharing consiste ajuster la tness des individus pour viter quils se concentrent
dans une niche principale (optimum globale). La technique de partage de la tness (tness
sharing), introduite par Goldberg et Richardson (Goldberg et Richardson, 1987), rduit la
tness de chaque individu dun facteur correspondant environ au taux dagrgation de la
population autour de son voisinage :
f

(ch
i
) =
f(ch
i
)
m
i
(1.8)
o le compteur de niche m
i
se calcule de la manire suivante:
m
i
=
N

j=1
sh(d
ij
) (1.9)
O N dsigne la taille de la population et sh mesure la similarit entre deux individus i
et j en fonction de la distance d
ij
et le rayon de niche
shar
:
sh(d
ij
) =
_
_
_
1 (
d
ij

shar
)

si d
ij
<
shar
0 sinon
(1.10)
La gure 1.4 montre deux exemples de rpartition de populations dans le cas dune fonc-
tion multimodale: le premier sans sharing et le deuxime avec sharing.
1.2. ALGORITHMES GNTIQUES 15
FIG. 1.4 Effet de sharing sur la rpartition des solutions
Si le principe de sharing a t utilis initialement dans lespace de paramtres (le cri-
tre de distance tant fonction des paramtres), il est tout a fait possible de ladapter dans
lespace des objectifs. Cest dailleurs cette ide qui est exploite dans les algorithmes
gntiques multi-objectifs.
1.2.5.3 Elitisme
La stratgie litiste consiste conserver le meilleur individu chaque gnration.
Ainsi llitisme empche lindividu le plus performant de disparatre au cours de la s-
lection ou que ses bonnes combinaisons soient affectes par les oprateurs de croisement
et de mutation. Aprs chaque valuation de la performance des individus une gnra-
tion t donne, le meilleur individu de la gnration prcdente (t 1) est rintroduit dans
la population si aucun des individus de la gnration t nest meilleur que lui. Par cette
approche, la performance du meilleur individu de la population courante est monotone
de gnration en gnration. Il apparat que llitisme amliore considrablement les per-
formances de lalgorithme gntique pour certaines classes de problmes, mais peut les
dgrader pour dautres classes, en augmentant le taux de convergences prmatures.
16 CHAPITRE 1. ALGORITHMES GNTIQUES
1.3 Algorithmes Gntiques Hirarchiss
En dpit des avantages des algorithmes gntiques standards (AGS) pour la rsolution
des problmes doptimisation difciles o dautres techniques ont chou, ils prsentent
quand mme des limites, quand on sintresse loptimisation de la topologie dun sys-
tme plutt qu loptimisation seule de ses paramtres, car le chromosome et la structure
du phnotype dans lAGS sont xs ou prdnis, ce qui conduit lutilisation des AGH
qui surmontent ces contraintes (Tang et al., 1995; Xiang et al., 2006). Les AGH diffrent
des AGS dans la structure des chromosomes. Ils prsentent une structure hirarchique et
se composent de deux types de gnes : les gnes de contrle et les gnes de paramtres.
Les gnes de contrle ont un rle dactivation ou de dsactivation des blocs, tandis que
les gnes de paramtres dnissent la valeur des coefcients dans chaque bloc.
1.3.1 Formulation du chromosome hirarchis
La formulation hirarchique du chromosome se base sur le principe naturel de lADN:
les gnes paramtriques (analogie aux gnes structuraux en ADN) et les gnes de contrle
sous forme de bits (analogie aux ordres de normalisation en ADN). Pour gnraliser cette
architecture, plusieurs niveaux de gnes de contrle sont prsents dune manire hirar-
chique comme illustre par la gure 1.5.
FIG. 1.5 Structure hirarchique dun chromosome
Dans ce cas-l, lactivation des gnes paramtriques est rgie par la valeur du pre-
mier niveau du gne de contrle, qui est rgi son tour par la valeur du deuxime niveau
1.3. ALGORITHMES GNTIQUES HIRARCHISS 17
du gne de contrle, et ainsi de suite. Pour indiquer lactivation du gne de contrle, un
nombre entier "1" est assign pour chaque gne de contrle actif et "0" pour chaque gne
de contrle inactif. Quand "1" est signal, les gnes de paramtres associs ce gne actif,
sont activs dans la structure infrieure. Pour mieux comprendre le concept, prenons les
exemples de la gure 1.6: Les chromosomes ch
1
et ch
2
, sont constitus chacun de 6 gnes
de contrle et 6 gnes de paramtres. Le chromosome ch
1
correspond une squence de
paramtres S(ch
1
) = (3,2,7,8) dune longueur qui diffre de celle du chromosome ch
2
(S(ch
2
) = (2,5)). Ceci signie que le phnotype peut exister avec des longueurs diff-
rentes dans une structure xe. Ainsi un AGH peut explorer toutes les longueurs possibles,
y compris les paramtres de sort satisfaire les exigences et les objectifs tracs. Enn il
est possible daugmenter le niveau hirarchique dans le chromosome en ajoutant un ou
plusieurs niveaux de gnes de contrle. Ceci est illustr par la gure 1.6-b o une structure
deux niveaux de gnes de contrle est prsente.
FIG. 1.6 Principe de dcodage des chromosomes des AGH
La structure dun chromosome contient la fois des gnes actifs et inactifs. Il faut
noter que les gnes inactifs existent toujours dans le chromosome et peuvent tre transmis
ensuite aux nouvelles gnrations. Cette architecture hirarchique implique que le chro-
mosome contient plus dinformations que celle de la structure conventionnelle des AG.
Par consquent, la puissance articielle est largement amliore.
18 CHAPITRE 1. ALGORITHMES GNTIQUES
1.3.2 Oprateurs gntiques
Les oprateurs gntiques de base peuvent tre utiliss sans aucune contrainte. La
mutation et le croisement peuvent tre appliqus indpendamment chaque niveau de
gnes de contrle. Cependant, les oprateurs gntiques qui affectent les niveaux hauts
des gnes de contrle et produisent des changements des gnes actifs mnent des chan-
gements multiples dans les niveaux infrieurs. Cest la raison pour laquelle, un AGH est
capable dobtenir le meilleur ensemble de paramtres dun systme avec une topologie
ou structure minimise.
1.4 Optimisation multi-objectifs
Dans la section prcdente, nous avons considr uniquement le cas o le problme
traiter possdait un objectif unique optimiser. En pratique ces problmes sont rares, il
sagit souvent de satisfaire plusieurs critres simultanment. Loptimisation multi-objectifs
sintresse ce type de problme que lon peut dnir de la manire suivante :
_
min(F(X) = (f
1
(X),f
2
(X)...f
n
(X)))
X C
(1.11)
o n est le nombre de fonctions objectifs, X = [x
1
,x
2
,...x
m
] est le vecteur reprsen-
tant les variables de dcision. C reprsente lensemble des solutions ralisables associ
des contraintes dgalit et dingalit et F(X) = (f
1
(X),f
2
(X)...f
n
(X)) est le vecteur
dobjectifs.
Dans un problme doptimisation multi-objectifs, il y a plus quune fonction dobjectif
(n 2), chaque fonction peut avoir un optimum diffrent. Le but dun problme mul-
tiobjectifs est donc de trouver de "bons compromis" plutt quune seule solution ( moins
quune solution soit optimale pour toutes les fonctions objectifs, ce qui est rarement le
cas). Lorsquil y a plusieurs objectifs, la notion doptimum change, elle est remplace par
les notions de dominance et doptimalit de Pareto.
Dnition 1 (la dominance): une solution A domine une solution B pour un problme
de minimisation (resp. maximisation) si et seulement si:
i {1, 2, . . . ,n} : f
i
(A) f
i
(B) (resp. f
i
(A) f
i
(B))
et j {1,2,...,n} : f
j
(A) < f
j
(B) (resp. f
j
(A) > f
j
(B))
(1.12)
1.4. OPTIMISATION MULTI-OBJECTIFS 19
On dit que B est domine par A ou entre les deux solutions, A est la solution non domi-
ne.
Dnition 2 (Pareto optimum): un vecteur X

C est un optimum de Pareto sil


nexiste aucune solution X de C qui domine X

.
Au lieu dune solution unique, loptimisation multi-objectifs donne lieu un ensemble
de solutions optimales. Toute solution de cet ensemble est optimale dans le sens quil est
impossible damliorer les performances, sur un critre de cette solution, sans que cela
entrane une dgradation des performances, sur au moins un autre critre. Ces solutions
optimales forment lensemble de solutions Pareto optimales, elles sont aussi connues sous
le nom de solutions efcaces, non infrieures et non domines. La reprsentation de ces
solutions non domines dans lespace dobjectif est appele front de Pareto. La gure 1.7
montre un exemple de front de Pareto pour un problme de minimisation deux objectifs.
Lensemble de points blancs reprsentent le front de Pareto.
FIG. 1.7 Front de Pareto
Les algorithmes gntiques, avec un bon rglage de leurs paramtres, constituent une
approche intressante pour la rsolution des problmes doptimisation multi-objectifs. De
plus, ce domaine est trs dynamique et ne cesse de se dvelopper. Il a t propos plu-
sieurs mthodes pour le traitement des problmes multiobjectifs. Ces mthodes peuvent
tre classes principalement en deux catgories: La premire catgorie enveloppe les m-
thodes "agrgatives", qui transforment le problme en un problme uni-objectif utilisant
20 CHAPITRE 1. ALGORITHMES GNTIQUES
une fonction objectif quivalente. La deuxime famille comporte les mthodes dites "non
agrgatives", dans ces mthodes il ny a pas fusion dobjectifs pour se ramener un pro-
blme doptimisation mono-objectif.
1.4.1 Mthode agrgative
Cest lune des premires mthodes utilise pour rsoudre les problmes doptimisa-
tion multiobjectifs (MO). Elle consiste transformer le problme MO en un problme
monoobjectif en combinant les composantes f
i
du vecteur objectif du problme en une
seule fonction scalaire f. Il existe dans la pratique, diffrentes faons de construire la
fonction f . La plus classique et la plus utilise se ramne une simple somme pondre
des objectifs f
i
(agrgation additive):
f =
n

i=1

i
f
i
(1.13)
o les paramtres
i
sont les poids de pondration. La gure 8 illustre linterprtation
gomtrique de la mthode de pondration dans le cas dun problme deux objectifs.
Fixer un vecteur de poids revient trouver un hyper plan dans lespace objectif (une ligne
pour un problme bi-objectif). La solution Pareto optimale est le point o lhyper-plan
possde une tangente commune avec lespace ralisable. La mthode de pondration est
relativement simple utiliser mais il est assez difcile de xer a priori les valeurs des
poids associs chaque objectif. Il est par ailleurs impratif de normaliser les objectifs
lorsque ceux-ci sont non-commensurables, ce qui est souvent le cas. Ce problme de mise
lchelle savre complexe car les valeurs de normalisation ne sont pas faciles dter-
miner. De plus, comme le montre la gure 1.8-b, cette mthode nest pas adapte aux
espaces non convexes qui empchent lalgorithme de converger vers loptimum global.
Le champ applicatif de cette mthode se trouve alors fortement rduit.
Grce au principe de pondration, il est possible avec un algorithme gntique standard
dobtenir le front de Pareto dun problme multi-objectifs. Il est ncessaire pour cela
dexcuter lalgorithme plusieurs fois successives en faisant varier les facteurs de pond-
ration (voir gure 1.9).
1.4. OPTIMISATION MULTI-OBJECTIFS 21
FIG. 1.8 Interprtation gomtrique de la mthode dagrgation
Toutefois, une variation uniforme des poids ne garantit pas la dtermination des solu-
tions Pareto optimales uniformment rparties sur le front.
FIG. 1.9 Illustration de la variation des coefcients de pondration pour la recherche
du front de Pareto
22 CHAPITRE 1. ALGORITHMES GNTIQUES
1.4.2 Mthode non agrgative
Comme nous lavons signal prcdemment, la mthode agrgative peut tre utili-
se de faon squentielle pour obtenir le front de Pareto pour un problme doptimisa-
tion multi-objectifs. Toutefois, cette approche nest gnralement pas satisfaisante car le
nombre dexcutions successives ncessaires pour dterminer les diffrents compromis
conduit alors un nombre dvaluations de critres prohibitif. Ainsi, pour surmonter cette
difcult, on prfre utiliser des mthodes permettant dune part de trouver lensemble
de solutions Pareto optimales en une seule excution et dautre part de saffranchir des
problmes de mise lchelle des objectifs. Parmi ces mthodes on peut citer :
Vector Evaluated Genetic Algorithm (VEGA)
Multiple Objective Genetic algorithm (MOGA)
Niched Pareto genetic algorithm (NPGA)
Nondominated sorting genetic algorithm (NSGA) et sa deuxime version (NSGA-
II)
1.4.2.1 Vector evaluated genetic algorithm (VEGA)
Le VEGA (Vector evaluated genetic algorithm) propos par Schaffer (1985), a t la
premire mthode non agrgative utilisant les algorithmes gntiques pour rsoudre un
problme doptimisation multiobjectif. Cet algorithme considre une population de N in-
dividus. A chaque gnration, la population est divise en un nombre de sous populations
gal au nombre dobjectifs. Chaque sous population i est slectionne en considrant un
seul objectif f
i
. Ensuite, ces sous populations sont regroupes an dobtenir une nouvelle
population de N individus et les oprateurs de croisement et de mutation sont appliqus.
Lavantage de cet algorithme est quil est facile implmenter et combiner avec nim-
porte quel mode de slection (tournoi, roulette, rang), mais son inconvnient majeur est
quil a tendance gnrer des solutions qui excellent dans un seul objectif, sans tenir
compte des autres objectifs (points extrmes du front). Toutes les solutions de perfor-
mance moyenne (ne possdant aucun objectif fort) et qui peuvent tre de bons compromis,
risquent de disparatre avec ce type de slection.
1.4. OPTIMISATION MULTI-OBJECTIFS 23
1.4.2.2 Multiple Objectives Genetic Algorithm (MOGA)
Cet algorithme, propos par Fonseca et Fleming (1993), utilise la notion de dominance
pour ranger les individus de la population. Il diffre de lalgorithme gntique standard
uniquement dans la manire dont la tness est assigne pour chaque solution. Pour dmar-
rer lalgorithme, les relations de domination sont dabord calcules pour chaque solution.
Puis, pour une solution i, un rang gal un plus le nombre de solutions n
i
qui dominent
la solution i est attribu. Une tness est ensuite attribue chaque solution en fonction
de son rang, les individus avec les rangs les plus faibles ayant les meilleures tness. An
de maintenir la diversit entre les solutions non domines, les auteurs utilisent une fonc-
tion de partage (Sharing). La mthode permet dobtenir des solutions de bonne qualit et
simplante facilement. Toutefois, les performances sont trs dpendantes de la valeur du
paramtre
shar
utilis dans le sharing.
1.4.2.3 NSGA (Nondominated Sorting Genetic Algorithm)
Dans lalgorithme NSGA propos par Srinivas et Deb (1993), le calcul de tness sef-
fectue en divisant dabord la population en plusieurs fronts en fonction du degr de domi-
nance au sens de Pareto de chaque individu. Les individus non domins de la population
courante constituent le premier front de Pareto. On attribue alors tous les individus de ce
front la mme valeur de tness factice. Cette valeur est suppose donner une chance gale
de reproduction tous ces individus. Mais pour maintenir la diversit de la population, il
est ncessaire dappliquer une fonction de partage sur cette valeur. En suite, ce premier
groupe dindividus est temporairement supprim de la population. On recommence cette
procdure jusqu lidentication des solutions du deuxime front. La valeur factice de
tness attribue ce second groupe est infrieure la plus petite tness, aprs application
de la fonction de partage sur le premier front. Ce mcanisme est rpt jusqu ce que lon
ait trait tous les individus. Lalgorithme se droule ensuite comme un algorithme gn-
tique standard. Grce sa procdure dassignement de tness base la fois sur la notion
de dominance et la fonction de partage, le NSGA semble le plus appropri maintenir la
diversit de la population et rpartir plus efcacement les solutions sur le front de Pareto.
Nanmoins, cet algorithme prsente quelques insufsances en raison de sa complexit de
calcul et de sa sensibilit au choix de la valeur
shar
.
24 CHAPITRE 1. ALGORITHMES GNTIQUES
1.4.2.4 Niched Pareto Genetic Algorithm (NPGA)
Cette mthode propose par Horn et Napiotis (1994) utilise une slection par tournoi
en se basant sur la notion de dominance de Pareto. Le NPGA excute les mmes tapes
que lAG standard, la seule chose qui diffre tant la mthode de slection. A chaque
tournoi, deux individus candidats A et B sont pris au hasard dans la population courante.
Au lieu de limiter la comparaison aux deux individus (comme cest le cas pour lAG stan-
dard), une sous population (ou ensemble de comparaison) de taille t
dom
est galement
choisie au hasard. Les deux candidats slectionns sont compars chaque individu du
sous-groupe. Si lun des candidats est domin par lensemble de comparaison et le second
ne lest pas, ce dernier est alors positionn dans la population suivante. Dans les autres
cas, une fonction de partage est applique pour choisir le candidat gagnant. Le paramtre
t
dom
permet de contrler la pression de slection ou de dominance.
Lalgorithme NPGA est considr comme tant lalgorithme le plus rapide parmi les ap-
proches prcdentes car chaque gnration la comparaison nest applique que sur une
portion de la population. Le principal inconvnient de cet algorithme est quil ncessite,
en plus de spcier le paramtre de sharing
shar
, un autre paramtre supplmentaire qui
est la taille du tournoi t
dom
.
1.4.2.5 NSGA-II
Toutes les mthodes que nous venons de prsenter ne conservent pas leurs solutions
Pareto-optimales trouves au cours des gnrations. Elles sont dites non litistes. Pour
rsoudre cette difcult, de nouvelles techniques ont t appliques. Nous avons choisi
de prsenter uniquement le NSGA-II car il a t utilis dans nos travaux. Nous ne ferons
que citer les deux autres mthodes les plus connues savoir Strength Pareto Evolutionary
Algorithm (SPEA) et Pareto Envelope-based Selection Algorithm (PESA) prsentes plus
amplement dans les rfrences (Zitzler et Thiele, 1999) et (Corne et al., 2000).
En proposant le NSGA II, Deb (Deb et al., 2002) a tent de rsoudre toutes les critiques
faites sur NSGA: non litiste, complexit de calcul et utilisation de sharing qui implique
le rglage dun ou plusieurs paramtres. Dans cet algorithme, chaque gnration t une
population de parents (P
t
) de taille N et une population denfants (Q
t
) de mme taille
sont assembles pour former une population (R
t
) de taille 2N, comme indiqu sur la
gure 1.10. Cet assemblage permet dassurer llitisme. La population (R
t
) est ensuite
1.4. OPTIMISATION MULTI-OBJECTIFS 25
rpartie en plusieurs fronts (F
1
, F
2
, . . .) par une procdure de tri, plus rapide que celle
propose dans la premire version de NSGA. Une nouvelle population parent (P
t+1
) est
forme en ajoutant les fronts au complet (premier front F
1
, second front F
2
, etc...) tant
que ce ceux-ci ne dpassent pas N. Si le nombre dindividus prsents dans (P
t+1
) est
infrieur N, une procdure de crowding est applique sur le premier front suivant F
i
non inclus dans (P
t+1
). Le but de cet oprateur est dinsrer les (N P
t+1
) meilleurs
individus de F
i
qui manquent dans la population (P
t+1
). Une fois que les individus de
la population (P
t+1
) sont identis, une nouvelle population enfant (Q
t+1
) est cre par
slection, croisement et mutation. La slection par tournoi est utilise mais le critre de
slection est maintenant bas sur loprateur de comparaison (<
n
) dni ci-dessous. Le
processus se rpte dune gnration une autre jusqu satisfaction dun critre darrt.
FIG. 1.10 Schma de lvolution de lalgorithme NSGA-II
Procdure de tri rapide (Fast sorting non dominated)
La rpartition de la population en plusieurs fronts seffectue de la manire suivante :
1. Pour chaque solution p de R
t
on calcule deux paramtres:
n
p
(compteur de dominance), il reprsente le nombre de solutions qui do-
minent la solution p
26 CHAPITRE 1. ALGORITHMES GNTIQUES
S
i
ensemble de solutions domines par p.
2. i = 1 initialisation du compteur de front
3. Identication des solutions non domines n
p
= 0, ces solutions forment le front F
i
.
4. Pour chaque solution p de F
i
on parcourt lensemble S
p
et on retranche 1 au n
p
de
chaque solution.
5. i = i + 1 incrmente le compteur de front
6. On recommence les tapes partir de 3 jusqu ce que tous les points soient traits.
Cet algorithme est dune complexit de O(k.N
2
), alors que celui utilis dans la premire
version est de O(k.N
3
). k tant la taille du vecteur objectifs
Distance de crowding
La dernire critique faite sur le NSGA est lutilisation du sharing. Une mthode qui exige
le rglage dun ou plusieurs paramtre(s). Dans NSGA-II, Deb et al remplacent la proc-
dure de sharing par une procdure de crowding, base sur un calcul de distance (distance
de crowding) qui ne ncessite aucun paramtrage et qui est galement dune complexit
algorithmique moindre que celle de sharing. La distance de crowding dune solution par-
ticulire i se calcule en fonction du primtre de lhypercube ayant comme sommets les
points les plus proches de i sur chaque objectif. Sur la gure 1.11, est reprsent lhy-
percube en deux dimensions associ au point i. Le calcul de la distance de crowding
ncessite, avant tout, le tri des solutions selon chaque objectif, dans un ordre ascendant.
Ensuite, pour chaque objectif, les individus possdant des valeurs limites se voient asso-
cis une distance innie. Pour les autres solutions intermdiaires, on calcule une distance
de crowding gale la diffrence normalise des valeurs des fonctions objectifs de deux
solutions adjacentes. Ce calcul est ralis pour chaque objectif. La distance de crowding
dune solution est obtenue en sommant les distances correspondantes chaque objectif.
1.4. OPTIMISATION MULTI-OBJECTIFS 27
FIG. 1.11 Distance de crowding (les points noirs sont des solutions appartenant au
mme front)
Lalgorithme 1 reprend toutes les tapes dcrites ci-dessus.
Algorithm 1 Calcul de la distance de crowding pour chaque solution dun front
1: l = |I|, nombre de solutions dans le Front I
2: Pour chaque solution i poser I[i]
distance
= 0, Initialisation des distances.
3: Pour chaque objectif m:
-I = trier(I,m), trier I par ordre croissant selon le critre m
-I[1]
distance
= I[l]
distance
= +
-Pour i=2 jusqu l 1 faire
I[i]
distance
= I[i]
distance
+ (
f
i+1
m
f
i1
m
f
Max
m
f
Min
m
)
Dans cet algorithme, f
i+1
m
et f
i1
m
reprsentent respectivement les valeurs de la mime
fonction objectif des solutions i + 1 et i 1 alors que les paramtres f
Max
m
et f
Min
m
dsi-
gnent les valeurs maximale et minimale de la mime fonction objectif.
Oprateur de crowding de comparaison(
n
)
Cet oprateur est utilis pour guider le processus de slection comme suit : chaque solu-
tion i de la population est identie par son rang i
rank
et sa distance de crowding i
distance
.
28 CHAPITRE 1. ALGORITHMES GNTIQUES
Loprateur
n
, dni ci-dessous, permet dtablir un ordre de prfrence entre deux
solutions:
i
n
j si (i
rank
< j
rank
)
ou (i
rank
= j
rank
) et (i
distance
> j
distance
)
Entre deux solutions de fronts diffrents, on prfre la solution avec le plus petit front.
Pour deux solutions qui appartiennent au mme front, on prfre la solution situe dans
une rgion dpeuple, cest--dire la solution possdant la plus grande valeur de distance
de crowding.
1.5 Conclusion
Dans ce chapitre, nous avons dcrit le fonctionnement et les diffrents oprateurs dun
algorithme gntique standard, technique doptimisation mono-objectif. Nous avons vu
que ces algorithmes prsentent des inconvnients lorsquon sintresse loptimisation
de la topologie dun systme plutt qu loptimisation seule des ses paramtres. Cela
nous a conduits introduire une autre version dalgorithmes mieux adapte cette classe
de problmes nomme "algorithmes gntiques hirarchiss". Nous avons galement d-
crit dans ce chapitre le problme doptimisation multi-objectifs et quelques algorithmes
gntiques de rsolution rapports dans la littrature. Parmi les algorithmes examins, le
NSGA-II semble tre aujourdhui lune des techniques de rfrence qui garantit la di-
versit des solutions Pareto-optimal sans quil soit ncessaire de connatre le rayon de
niche.
Chapitre 2
Rseaux de neurones et systmes ous
2.1 Introduction
Lutilisation des rseaux de neurones (RN) et des systmes ous (SF) pour la synthse
des systmes de commande a connu un essor important au cours de ces dernires annes.
Dans ce chapitre, nous allons dcrire ces outils ainsi que les modalits de leur utilisation.
Le chapitre est organis en trois parties. La premire partie fait lobjet dune tude d-
taille sur lemploi des rseaux de neurones pour la commande. Aprs une brve prsen-
tation de quelques notions gnrales sur les rseaux de neurones, nous prsentons les deux
grandes familles de structures neuronales les plus utilises. Nous abordons galement le
problme dapprentissage des paramtres de ces structures, nous nous intressons parti-
culirement lalgorithme de rtropropagation. Nous exposons dans un deuxime temps,
la classication des principales approches de la commande par rseaux de neurones ren-
contres dans la littrature. Notre but nest pas de dresser une liste complte mais plutt
de dgager les lignes directrices communes. Certaines architectures sont ainsi absentes
dans cette classication mais on peut gnralement les rattacher lune des classes pro-
poses. La deuxime partie sera consacre aux systmes ous. Aprs une prsentation
gnrale de quelques notions sur les ensembles ous, nous prsentons en dtail la struc-
ture interne dun contrleur ou. Ce dernier est considr comme lune des applications
les plus importantes des systmes ous. Dans la troisime partie, nous aborderons la tech-
nique dhybridation entre ces deux paradigmes (SF et RN), employe frquemment pour
la modlisation et la commande des systmes complexes.
29
30 CHAPITRE 2. RSEAUX DE NEURONES ET SYSTMES FLOUS
2.2 Rseaux de neurones
2.2.1 Le neurone formel
Un neurone formel est un automate trs simple imitant grossirement la structure et
le fonctionnement dun neurone biologique. La premire version de ce dernier est celle
de Mc Culloch et W. Pitts et date de 1943. Sinspirant de leurs travaux sur les neurones
biologiques, ils ont propos le modle du neurone formel qui se voit comme un oprateur
effectuant une somme pondre de ses entres suivie dune fonction dactivation (ou de
transfert) comme indiqu par la gure 2.1.
O
i
reprsente la somme pondre des entres du neurone, elle est donne par :
U
i
=

ij
x
j
+ b
i
(2.1)
o: x
j
reprsente lentre j connecte au neurone i. b
i
le seuil interne du neurone.

ij
dsigne le poids de la connexion reliant lentre j au neurone.
O
i
= g(U
i
) est la sortie du neurone et g sa fonction dactivation.
FIG. 2.1 Modle de base dun neurone formel
La fonction dactivation de chaque neurone dtermine ses propres caractristiques. Par
consquent, le type du neurone est caractris par sa fonction dactivation. Conform-
ment au neurone biologique, les fonctions dactivation sont gnralement croissantes et
continues. Les fonctions les plus utilises sont la fonction linaire et la fonction sigmode.
Leur choix revt une importance capitale et dpend souvent du type de lapplication et du
domaine de variation des variables dentre/sortie.
2.2. RSEAUX DE NEURONES 31
Un rseau de neurones (RN) est un systme informatique qui a des caractristiques sem-
blables aux rseaux de neurones biologiques. Il est constitu de plusieurs units (neu-
rones) organises sous forme de niveaux diffrents appels couches du rseau. Les neu-
rones appartenant la mme couche possdent les mmes caractristiques et utilisent le
mme type de fonction dactivation. Entre deux couches voisines les connexions se font
par lintermdiaire de poids qui jouent le rle des synapses. Linformation est porte par
la valeur de ses poids, tandis que la structure du rseau de neurones ne sert qu traiter
linformation et lacheminer vers la sortie. La structure ou la topologie dun rseau de neu-
rones est la manire dont les neurones sont connects. Les structures rsultantes peuvent
tre trs varies mais elles sont souvent rparties en deux grandes familles savoir : les
rseaux de neurones non boucls et les rseaux de neurones boucls (Burns, 2001).
2.2.2 Rseaux non boucls
Dans ce type de structure dite feedforward, la propagation de linformation se fait uni-
quement de lentre vers la sortie. Les neurones de la mme couche peuvent se connecter
uniquement avec les neurones de la couche suivante. Larchitecture la plus utilise est le
Perceptron multicouches. Les neurones composant ce rseau sorganisent en N couches
successives (N 3). Dans lexemple suivant (gure 2.2), nous prsentons un perceptron
trois couches. Les neurones de la premire couche, nomme couche dentre, voient
leur activation force la valeur dentre. La dernire couche est appele couche de sor-
tie. Elle regroupe les neurones dont les fonctions dactivation sont gnralement de type
linaire. Les couches intermdiaires sont appeles couches caches. Elles constituent le
cur du rseau. Les fonctions dactivation utilises sont de type sigmode.
FIG. 2.2 Perceptron une couche cache
32 CHAPITRE 2. RSEAUX DE NEURONES ET SYSTMES FLOUS
Sur la gure 2.2, les termes b
l
i
et
l
ij
dsignent respectivement le biais du neurone i de
la couche l et le poids de connexion entre le neurone j de la couche l 1 et le neurone i
de la couche l.
Tenant compte de ces notations, la sortie du neurone i dans la couche l est peut tre donne
par :
U
l
i
=
N
l1

l
ij
O
l1
j
+b
l
i
(2.2)
O
l
i
= g
l
(U
l
i
) (2.3)
l = 1,2
o g
l
(.) est la fonction dactivation des neurones de la couche l.
On peut rcrire les quations ci-dessus sous forme matricielle comme suit :
U
l
= W
l
O
l1
+b
l
(2.4)
O
l
= g
l
(U
l
) (2.5)
avec : U
l
= (U
l
1
,U
l
2
,.....,U
l
N
l
)
T
, O
l
= (O
l
1
,O
l
2
,.....,O
l
N
l
)
T
, b
l
= (b
l
1
,b
l
2
,.....,b
l
N
l
)
T
et
W
l
=
_
_
_
_
_
_
_

l
11

l
12

l
1N
l1

l
21

l
22

l
2N
l1
.
.
.
.
.
.
.
.
.

l
N
l
1

l
12

l
N
l
N
l1
_
_
_
_
_
_
_
Le perceptron multicouche prsente une alternative prometteuse pour la modlisation des
systmes complexes. Avec une seule couche cache, il constitue un approximateur univer-
sel. Les tudes menes dans (Hornik et al., 1989; Cybenko, 1989) montrent quil peut tre
entrain de manire approximer nimporte quelle fonction sous rserve de mettre suf-
samment de neurones dans la couche cache et dutiliser des sigmodes comme fonctions
dactivation.
2.2. RSEAUX DE NEURONES 33
2.2.3 Rseaux boucls
Un rseau dynamique ou rcurrent possde la mme structure quun rseau multi-
couches munie de rtroactions. Les connexions rtroactives peuvent exister entre tous les
neurones du rseau sans distinction, ou seulement entre certains neurones (les neurones
de la couche de sortie et les neurones de la couche dentre ou les neurones de la mme
couche par exemple). La gure 2.3 montre deux exemples de rseaux rcurrents. Le pre-
mier est un simple multicouches qui utilise un vecteur dentre qui contient les copies des
activations de la couche de sortie du rseau et le deuxime est un rseau mmoire se
distingue du premier par la prsence des units mmoires (Sastry et al., 1994).
FIG. 2.3 Rseaux de neurones rcurrents
2.2.4 Apprentissage dans les rseaux de neurones
Lapprentissage dans le contexte des rseaux de neurones, est le processus de modi-
cation des poids de connexions (y compris les biais) ou plus rarement du nombre de
couches et de neurones (Man et Halang, 1997), an dadapter le traitement effectu par le
rseau une tache particulire.
On distingue trois familles dapprentissage :
apprentissage supervis: Dans ce cas, un superviseur(ou expert humain) fournit
une valeur ou un vecteur de sortie (appel cible ou sortie dsire), que le rseau de
neurones doit associer un vecteur dentre. Lapprentissage consiste dans ce cas
34 CHAPITRE 2. RSEAUX DE NEURONES ET SYSTMES FLOUS
ajuster les paramtres du rseau an de minimiser lerreur entre la sortie dsire et
la sortie relle du rseau.
apprentissage semi-supervis ou apprentissage par renforcement: Ce mode dap-
prentissage, suppose quun comportement de rfrence nest pas possible, mais en
revanche, il est possible dobtenir des indications qualitatives (vrai, faux, ...) sur les
performances du rseau.
apprentissage non supervis: Dans cet apprentissage, les donnes ne contiennent
pas dinformation sur la sortie dsire. Il ny a pas de superviseur. La tche du
rseau consiste, par exemple dans ce cas, crer des regroupements de donnes
selon des proprits communes (classication).
2.2.4.1 Algorithme de rtropropagation du gradient
Lalgorithme de rtropropagation (backpropagation) est lun des algorithmes super-
vis les plus utiliss pour lapprentissage des rseaux de neurones. Cest dailleurs sa
dcouverte au dbut des annes 80 (Rumelhart et McClelland, 1986) que lon doit le
renouveau dintrt pour les rseaux de neurones. Lobjectif de cet algorithme est de mo-
dier les poids du rseau dans le sens contraire du gradient du critre de performance.
Dans ce qui suit, nous allons prsenter les quations constituant lalgorithme en utilisant
un rseau multicouches. Une mise sous forme matricielle sera aussi faite an de faciliter
limplantation de lalgorithme sous un logiciel bien adapt aux calculs matriciels.
Considrons le rseau multicouche dcrit prcdemment. Pour allger lexpos, on sup-
pose que lapprentissage se fait chaque prsentation dun couple entre/sortie de len-
semble dapprentissage. Le critre de performance minimiser peut tre alors exprim
par :
J(t) = 0.5
N
L

i=1
(O
L
i
(t) d
i
(t))
2
(2.6)
avec:
J(t)est la valeur du critre linstant t.
d
i
(t) est la ime sortie dsire linstant t.
Les paramtres du rseau sont modis suivant la rgle du gradient comme suit:

l
ij
(t + 1) =
l
ij
(t)
J(t)

l
ij
(t)
(2.7)
b
l
i
(t + 1) = b
l
i
(t)
J(t)
b
l
i
(t)
(2.8)
2.2. RSEAUX DE NEURONES 35
avec est une constante positive appele taux dapprentissage.
Le calcul des quantits
J

et
J
b
fait intervenir les dcompositions ci-dessous:
J(t)

l
ij
(t)
=
J(t)
U
l
i
(t)

U
l
i
(t)

l
ij
(t)
(2.9)
J(t)
b
l
i
(t)
=
J(t)
U
l
i
(t)

U
l
i
(t)
b
l
i
(t)
(2.10)
De lquation (2.2) on dduit que:
U
l
i
(t)

l
ij
(t)
= O
l1
j
(2.11)
U
l
i
(t)
b
l
i
(t)
= 1 (2.12)
En posant,
l
i
(t) =
J(t)
U
l
i
on obitent:
J(t)

l
ij
(t)
=
l
i
(t) O
l1
j
(2.13)
J(t)
b
l
i
(t)
=
l
i
(t) (2.14)
La quantit
l
i
exprime la sensibilit du critre de performance aux changements du po-
tentiel U
l
i
du neurone i de la couche l. Dans le cas o i est lindice dun neurone de sortie
(l = L), on obtient :

L
i
(t) =
J(t)
U
L
i
=
J(t)
O
L
i

O
L
i
U
L
i
= (O
L
i
(t) d
i
(t)) g
l
(U
L
i
(t)) (2.15)
avec
g
L
(U
L
i
(t)) =
dg
L
(U
L
i
(t))
dU
L
i
(t)
Dans le cas o i est lindice dun neurone cach (1 < l < L 1), on peut vrier
aisment que les fonctions de sensibilit satisfont la relation rcurrente ci-dessous (Hagan
et Menhaj, 1994):

l
=

G
l
(U
l
) (W
l+1
)
T

l+1
(2.16)
o

G
l
(U
l
) =
_
_
_
_
_
_
_
g
l
(U
l
1
(t)) 0 0
0 g
l
(U
l
2
(t)) 0
.
.
.
.
.
.
.
.
.
0 0 g
l
(U
l
1
(t))
_
_
_
_
_
_
_
(2.17)
36 CHAPITRE 2. RSEAUX DE NEURONES ET SYSTMES FLOUS
Pour rsumer, lalgorithme de mise jour des paramtres du rseau se droule comme
suit : premirement le vecteur dentre U
0
= (x
1
,x
2
, ,x
N
0
)
T
est propag vers la sortie
en utilisant les quations (2.2) et (2.3). Ensuite, on calcule les fonctions de sensibilits par
rtropropagation de lerreur de sortie laide des quations (2.15) et (2.16). Finalement
on modie les poids et les biais en utilisant les quations (2.13), (2.14), (2.7) et (2.8).
Cet algorithme, prsent ici dans sa version la plus simple, possde de nombreuses va-
riantes. Elles correspondent pour la plupart ladaptation du coefcient dapprentissage
(Magoulasb et al., 1999), ou lutilisation de mthodes du deuxime ordre pour le calcul
du gradient (Hagan et Menhaj, 1994). Nous pouvons galement citer parmi ces variantes
la mthode avec un terme de momentum (Vogl et al., 1988), qui utilise une version lg-
rement diffrente des quations (3.7) et (3.8) pour ajuster les paramtres du rseau:
p(t + 1) = p(t)
J(t)
p(t)
+ p(t) (2.18)
o est une constante appele momentum et p reprsente un paramtre du rseau qui
peut tre soit un poids de connexion ou un biais. Cette version introduit un autre terme
proportionnel la dernire adaptation p du paramtre p.
2.2.5 Identication par rseaux de neurones
Lidentication des systmes linaires est actuellement un domaine bien matris par
lautomaticien. Cependant, de nombreux processus rels sont complexes et prsentent des
dynamiques non linaires. De plus, sur ces mmes systmes, les connaissances des ph-
nomnes physico-chimiques mises en jeu ne sont pas forcment mesures. Le recours
des modles de type "boite noire" devient ncessaire et lidentication du modle est ra-
lise autour dun ensemble de donnes entres/sorties. Un rseau de neurone, quali de
bote noire, prsente un outil incontournable pour lidentication de tels systmes.
La gure 2.4 montre le schma gnral didentication neuronale. Sur cette gure, le r-
seau de neurones est utilis en parallle avec un processus de type boite noire identier.
La sortie y du processus est compare la sortie y du rseau de neurones puis lerreur
e
i
= y y est utilise par un algorithme dapprentissage appropri (exemple la rtropro-
pagation) pour ajuster les paramtres du rseau neuronal.
2.2. RSEAUX DE NEURONES 37
FIG. 2.4 Schma de principe didentication par rseau de neurones
Pour tenir compte de laspect dynamique du processus, le vecteur dentre du rseau
est souvent renforc par des signaux correspondants aux valeurs antrieures des sorties
du systme ou du rseau. Si lon utilise les sorties du processus (gure 2.5), la structure
didentication est dite srie parallle, par opposition la structure parallle qui exploite
les sorties du rseau (gure 2.6). Le modle parallle est un cas particulier de la structure
gnrale dun rseau rcurrent, par consquent il est intressent de remplacer la boucle
donnant ltat du systme par une connexion rcurrente an de rduire la taille du vecteur
dentre. Cependant, il est difcile de vrier dans quelles conditions le modle obtenu
est stable sans oublier la charge de calcul supplmentaire ncessaire dans lalgorithme
dapprentissage. Pour ces raisons, le modle srie parallle est couramment utilis.
FIG. 2.5 Structure didentication srie parallle
38 CHAPITRE 2. RSEAUX DE NEURONES ET SYSTMES FLOUS
FIG. 2.6 Structure didentication parallle
2.3 Rseaux de neurones pour la commande
2.3.1 Imitation dun contrleur existant
La premire mthode utilise pour la conception dun contrleur neuronal consiste
simplement imiter un systme de commande existant. Mme si cette approche semble,
au premier abord, peut intressante puisquelle ncessite lexistence dun autre contr-
leur. Elle peut savrer utile si ce dernier est trop complexe ou prsente des difcults
dimplmentation matrielle.
FIG. 2.7 Commande neuronale par reproduction dun contrleur conventionnel
2.3. RSEAUX DE NEURONES POUR LA COMMANDE 39
La gure 2.7 prsente larchitecture gnrale de ce type de commande. Lerreur e
c
entre la sortie du systme de commande et celle du rseau est utilise directement par
lalgorithme de rtropropagation pour ajuster les poids de connexion du contrleur neu-
ronal.
Bien que les premires applications de cette approche remontent dj plusieurs annes,
il existe nanmoins des travaux rcents qui exploitent cette approche.
2.3.2 Utilisation directe de lerreur en sortie du procd
Dans cette mthode, le rseau neuronal utilise lerreur e, mesure en sortie du pro-
cessus, pour adapter ses paramtres en ligne. Plusieurs stratgies sont possibles. La plus
simple consiste utiliser directement cette erreur comme sil sagissait de lerreur e
c
,
en sortie du contrleur. Cette approche ne peut donner de bons rsultats que si ces deux
erreurs sont fortement corrles. La mthode la plus utilise consiste considrer le pro-
cessus comme une couche supplmentaire du rseau travers laquelle on rtropropage
lerreur.
FIG. 2.8 Apprentissage spcialis
Pour pouvoir utiliser cette stratgie, il est ncessaire de connaitre le Jacobien du pro-
cessus, cest--dire la quantit
y
u
. Il est alors possible dutiliser lalgorithme de rtropro-
pagation en considrant que le processus est une extension xe du rseau. Le calcul du
gradient du critre doptimisation J (J = f(e)) par rapport aux poids du rseau se fait en
appliquant la rgle:
J
p
=
J
y

y
u

u
p
(2.19)
40 CHAPITRE 2. RSEAUX DE NEURONES ET SYSTMES FLOUS
Le terme
J
y
dpend du critre doptimisation choisi,
y
u
est le Jacobien du processus
et
u
p
est obtenu par lalgorithme de rtropropagation du gradient. Comme lobtention
du Jacobien
y
u
est souvent difcile, Psaltis (Psaltis et al., 1988) propose de lapproxi-
mer par une mthode base sur la perturbation des entres, alors que Saerens (Saerens
et Soquet, 1991) le remplace par celui dun systme linaire approchant le procd pour
lequel on dduit aisment le Jacobien. Il est galement possible de nutiliser que le signe
du Jacobien, plus facile connatre que le Jacobien lui-mme.
2.3.3 Identication du modle inverse
Cette approche sexcute en deux tapes spares : tape dapprentissage et tape
dutilisation. Durant lapprentissage, le rseau est entran par rtropropagation de ma-
nire identier le modle inverse du procd. Comme lindique la gure 2.9, le rseau
se place en parallle avec le procd, il reoit par ses entres la sortie actuelle y(t) du
procd et fournit en sortie u(t) une estimation de la commande u(t). Le but de lappren-
tissage est lajustement des paramtres du rseau an de produire en sortie une commande
u(t) proche de u(t). Aprs cette phase, le rseau se place devant le procd an de fournir
chaque instant la commande u(t) ncessaire pour atteindre la sortie dsire y

(t) qui lui


est donne en entre.
FIG. 2.9 Commande neuronale par identication du modle inverse
La mthode prsente un inconvnient majeur li ltape dapprentissage: le mo-
dle appris ne garantit pas forcment la ralisation correcte dun comportement dsir du
2.3. RSEAUX DE NEURONES POUR LA COMMANDE 41
moment que tous les tats dsirs possibles, non pas ncessairement, t rencontrs lors
de lapprentissage. Une autre difcult apparat quand le modle inverse du processus est
mal conditionn (i.e. il existe plusieurs commandes correspondant un comportement d-
sir). Les algorithmes dapprentissage superviss ragissent gnralement ce problme
par une commande gale la moyenne des solutions admissibles rencontres, ce qui peut
tre catastrophique dans certains cas. Cette approche a cependant, t utilise avec succs
par de nombreux auteurs.
2.3.4 Architecture indirecte dapprentissage
Cette mthode, propose par Psaltis (Psaltis et al., 1987), correspond une mise en
uvre particulire de la commande par modle inverse, dans laquelle, le modle neuronal
en cours dapprentissage, sert aussi commander le processus. La sortie dsire y

(t) est
propage travers le premier rseau neuronal pour produire une commande u
1
(t) qui est
applique au systme. La sortie y(t) obtenue est alors utilise comme entre du deuxime
rseau (identique au premier rseau) qui produit une commande u
2
(t). La diffrence entre
u
1
(t) et u
2
(t) sert de signal derreur e
c
(t) an dassurer lapprentissage des paramtres
des rseaux par rtropropagation. Le point positif de lapproche est que lentranement
est ralis dans lespace objectif, permettant ainsi de faire parcourir au processus len-
semble de ses tats possibles, ou tout au moins lensemble des tats qui seront utiliss
lors du fonctionnement. Nanmoins, lide exploite par cette approche (la minimisation
de lerreur commise sur la commande entrane la minimisation de lerreur en sortie du
processus) nest pas souvent juste, ce qui rend lapproche peu utilisable.
FIG. 2.10 Architecture dapprentissage gnralis
42 CHAPITRE 2. RSEAUX DE NEURONES ET SYSTMES FLOUS
2.3.5 Apprentissage indirect du systme de commande
Cette mthode diffre des approches prsentes prcdemment par lusage dun mo-
dle neuronal du procd dans la structure de commande prsente par la gure 2.11. La
mthode ncessite, donc au pralable, une tape de modlisation du procd par un rseau
de neurones. On cherche ainsi obtenir, par un rseau neuronal, une bonne approximation
de la sortie du procd y(t) lorsquune commande u(t) lui est applique.
Le principe de lapproche est alors, puisque lon dispose dun modle diffrenciable du
procd, dutiliser lalgorithme de rtropropagation en considrant le contrleur et le mo-
dle comme un seul rseau. Lerreur est propage travers le modle sans modier ses
poids, et seuls ceux du rseau contrleur subissent une mise jour. On peut alors se ra-
mener au cas de lquation 3.19 en faisant lapproximation
y
u
=
y
u
(2.20)
FIG. 2.11 Architecture de commande indirecte
Contrairement la mthode base sur lidentication du modle inverse prsente
prcdemment, o le systme de commande tend, pour amener le procd dans un tat
dsir, moyenner lensemble des solutions possibles, cette architecture conduit slec-
tionner une solution particulire (Jordan, 1992). On aura remarqu que cette architecture
de base nutilise pas la sortie du modle neuronal du procd. Lorsque cela est ncessaire,
il est cependant possible dutiliser cette sortie pour raliser une adaptation en ligne du mo-
dle du procd. On se trouve alors avec un diagramme typique de commande adaptative
2.4. SYSTMES FLOUS 43
neuronale. Larticle de Narendra (Narendra et Parthasarathy, 1990) constitue une bonne
introduction dutilisation des rseaux de neurones dans le cadre adaptatif. Dans leur archi-
tecture, le contrleur neuronal est entrain de manire minimiser lcart entre la sortie
relle du systme et celle gnre par un modle de rfrence traduisant les performances
recherches.
2.4 Systmes ous
Les systmes ous peuvent tre considrs comme des systmes logiques qui uti-
lisent des rgles linguistiques pour tablir des relations entre leurs variables dentre et
de sortie. Ils sont apparus pour la premire fois dans les annes soixante dix avec des
applications dans le domaine du contrle des processus (Mamdani et Assilian, 1975). Au-
jourdhui, les applications des systmes ous sont trs nombreuses outre la commande,
ils sont largement utiliss pour la modlisation (Kim et al., 1997; Wang et Langari, 1996),
le diagnostic et la reconnaissance de formes. Pour une meilleure comprhension de leur
fonctionnement, nous prsentons brivement quelques notions de base de ces systmes,
notamment les variables linguistiques.
2.4.1 Ensembles ous
La notion densemble ou a t propose par Zadeh (Zadeh, 1965) en introduisant un
caractre graduel de lappartenance dun lment un ensemble donn. Cela permet une
meilleure reprsentation des termes et des connaissances vagues que nous, les humains,
manipulons au quotidien.
Mathmatiquement, un ensemble ou A dun univers de discours U, est caractris par
une fonction dappartenance, note
A
, valeur dans lintervalle [0,1] et qui associe
chaque lment x de U un degr dappartenance
A
(x) indiquant le niveau dapparte-
nance de x A.
A
(x) = 1 et
A
(x) = 0 correspondent respectivement lappartenance
et la non-appartenance.
Exemple: Evaluation de la temprature dun corps (gure 2.12):
44 CHAPITRE 2. RSEAUX DE NEURONES ET SYSTMES FLOUS
FIG. 2.12 Reprsentation de la temprature dun corps par les ensembles classiques et
ous
a) En logique boolenne (Fig 3.12.a), le degr dappartenance ne peut prendre que
deux valeurs (0 ou 1). Dans ce cas le corps peut tre :
Froid:
Froid
= 1,
Tide
= 0,
Chaud
= 0
Tide:
Froid
= 0,
Tide
= 1,
Chaud
= 0
Chaud:
Froid
= 0,
Tide
= 0,
Chaud
= 1
La temprature du corps ne peut pas prendre deux qualicatifs la fois.
b) En logique oue, le degr dappartenance devient une fonction qui peut prendre une
valeur relle intermdiaire comprise entre 0 et 1 inclus. Dans ce cas, pour le qualicatif
tide, le corps peut tre considr la fois, comme froid avec un degr dappartenance de
0.3 et comme tide avec un degr dappartenance de 0.75 (gure 2.12.b).
Pour T=35
0
C :
froid
(T) = 0.3,
Tide
(T) = 0.75,
Chaud
(T) = 0.
FIG. 2.13 Diffrents types de fonctions dappartenance utilises
2.4. SYSTMES FLOUS 45
Lallure de la fonction dappartenance est choisir selon lapplication traite. La -
gure 2.13, illustre les diffrentes formes de fonctions dappartenance les plus utilises.
Cependant, dans certaines applications o lon doit driver la fonction dappartenance,
on choisira plutt des fonctions en S (sigmode) ou des fonctions de type gaussienne,
continuement drivables sur leur support.
2.4.2 Variables linguistiques
Une variable linguistique appele aussi attribut linguistique peut tre dnie partir du
triplet (x,U,T
x
) o x est une variable dnie sur lunivers de discours U et T
x
= A1,A2,..
est un ensemble compos de sous ensembles ous de U qui caractrise x. On associe sou-
vent chaque sous ensemble ou de T
X
une valeur ou un terme linguistique (tiquette).
La gure 2.14 illustre un exemple de la variable linguistique vitesse avec trois termes
linguistiques: petite, moyenne et grande.
FIG. 2.14 Variable linguistique
Il est gnralement impos que les ensembles ous A
i
doivent satisfaire la condition
suivante:
x, i,
A
i
(x) = 0 (2.21)
Cette condition quon appelle dans la littrature, proprit dassurance (coverage pro-
perty) (Pedrycz et Zadeh, 1995), exige que chaque lment soit affect au moins un
ensemble ou avec un degr dappartenance non nul. A cette condition, on ajoute sou-
vent une proprit supplmentaire qui est le respect de la smantique : les sous ensembles
doivent interprter rellement les termes linguistiques qui leurs ont associs. Dans la par-
tie infrieure de la gure 2.15, le recouvrement entre les ensembles ous est tel quils
46 CHAPITRE 2. RSEAUX DE NEURONES ET SYSTMES FLOUS
peuvent tre ordonns, et donc interprts en termes linguistiques, par exemple de la trs
lente jusqu la trs rapide. La partie suprieure de la mme gure montre un bel exemple
dune partition ininterprtable: il est impossible dtiqueter les trois sous ensembles ous
centraux avec des termes linguistiques.
Le respect de ces deux proprits confre aux variables linguistiques une meilleure mod-
lisation des connaissances imprcises en ralisant une rpartition de lespace de connais-
sance. Cette granulation est dnie comme une dcomposition dun ensemble de rf-
rence, comprenant des informations vagues ou imprcises, en plusieurs sous ensembles
ous pour former des rpartitions de connaissance.
FIG. 2.15 La partition suprieure ne peut sinterprter en termes linguistiques
2.4.3 Rgles et oprateurs ous
On appelle proposition oue lmentaire, une proposition de type X est Ao (X,U,T
x
)
est une variable linguistique et A un sous ensemble de T
x
. Une telle proposition possde
un degr de vrit gal
A
(x) o x est une valeur relle de X. Dune manire gn-
rale, on peut combiner ces propositions lmentaires laide des oprateurs logiques de
conjonction et de disjonction (et et ou) mis en uvre respectivement par des T-normes
et T-conormes (Klir et Yuan, 1994). Le degr de vrit des nouvelles propositions obte-
nues peut tre calcul entre autre par les quations suivantes:
Conjonction: (X est A) ET (Y est B)
minimum (
A
(x),
B
(y))
produit
A
(x)
B
(y)
2.4. SYSTMES FLOUS 47
Disjonction: (X est A) OU (Y est B)
maximum(
A
(x),
B
(y))
somme
A
(x) +
B
(y)
A
(x)
B
(y)
Loprateur dimplication permet dintroduire la notion de rgle oue qui caractrise les
relations de dpendance entre plusieurs propositions oues:
(X
1
est A
1
) ET (X
2
est A
2
) = (Y est B) (2.22)
o X
1
, X
2
et Y sont des variables linguistiques et A
1
et A
2
et B sont des sous ensembles
ous. Une telle rgle se trouve habituellement dans les systmes ous avec une formula-
tion lgrement diffrente :
Si (X
1
est A
1
) ET (X
2
est A
2
) Alors (Y est B) (2.23)
Dans cette dernire formulation la partie (X
1
est A
1
) ET (X
2
est A
2
) est appele
prmisse de la rgle et la partie (Y est B) est appele conclusion (consquent).
2.4.4 Structure interne dun systme ou
De manire classique, le fonctionnement interne dun systme ou repose sur la struc-
ture prsente par la gure 2.16 qui inclut quatre blocs:
FIG. 2.16 Structure interne dun systme ou
La base de connaissances
La fuzzication des variables dentre, avec ventuellement un prtraitement de
linformation.
48 CHAPITRE 2. RSEAUX DE NEURONES ET SYSTMES FLOUS
Linfrence partir dune base de connaissance
La dfuzzication, avec ventuellement un post-traitement de linformation.
La base de connaissances : elle contient les dnitions des fonctions dappartenance
(formes et paramtres) associes aux variables dentre/sortie ainsi que lensemble des
rgles oues.
La fuzzication consiste calculer, pour chaque valeur dentre numrique, les degrs
dappartenance aux ensembles ous associs et prdnis dans la base de donnes du
systme ou. Ce bloc ralise la transformation des entres numriques en informations
symboliques oues utilisables par le mcanisme dinfrence.
Le mcanisme dinfrence consiste dune part calculer le degr de vrit des diffrentes
rgles du systme et dautre part associer chacune de ces rgles une valeur de sortie.
Cette valeur de sortie dpend de la partie conclusion des rgles qui peut prendre plusieurs
formes. Il peut sagir dune proposition oue, et lon parlera dans ce cas de rgle de type
Mamdani:
Si (.......) Alors Y estB, Bensemble flou
Il peut galement sagir dune fonction relle des entres, et lon parlera dans ce cas de
rgle de type Sugeno:
Si (.......) Alors y = f(x
1
,x
1
,....,x
n
)
o x
1
,...,x
n
sont les valeurs relles des variables dentres.
Dans ce dernier cas, la valeur de sortie de la rgle est tout simplement donne par:
f(x
1
,x
1
,....,x
n
).
o reprsente le degr de vrit de la rgle (i.e de la prmisse) quon peut calculer tous
simplement par lune des formules dcrites prcdemment sur la dtermination des va-
leurs de vrit des propositions oues. Dans le cas dune rgle de type Mamdani, la sortie
est un sous ensemble ou obtenu partir de celui prsent dans la conclusion de la rgle,
soit en lui appliquant un facteur dchelle gal au degr de vrit de la permisse, on parle
alors dans ce cas de la mthode dinfrence PRODUIT, soit en le tronquant la valeur
de ce degr de vrit et on parle dans ce cas de la mthode dinfrence MINIMUM (Lee,
1990).
2.4. SYSTMES FLOUS 49
FIG. 2.17 Infrence: MINIMUM et PRODUIT
La dfuzzication consiste remplacer lensemble des valeurs de sorties des diff-
rentes rgles rsultant de linfrence par une valeur numrique unique reprsentative de
cet ensemble. Dans le cas des rgles de type Sugeno, le calcul se fait simplement par une
somme normalise des valeurs associes aux rgles oues.
Dans le cas de rgles de Mamdani, le calcul de la valeur numrique de sortie seffectue
en deux tapes:
1. Composition des rgles
Une fois la phase dinfrence termine, il sagit de regrouper (par union) les sous en-
semble ous issus de linfrence pour en obtenir un seul ensemble reprsentatif des
diffrentes conclusions des rgles oues. Comme mthode de composition, on peut
citer en particulier les compositions MAXIMUM (en gnral couple avec linf-
rence MINIMUM) et SOMME (en gnral couple avec linfrence PRODUIT)
1
.
La premire consiste caractriser lensemble de sorties par une fonction dap-
partenance gale au maximum des fonctions dappartenance des sous ensembles
ous. La deuxime consiste faire la somme de fonctions dappartenance des sous
ensembles issus de linfrence (gure 2.18).
1. Dans le littrature, on regroupe souvent les phases dinfrence et de composition sous le vocable gn-
rique dinfrence. Les qualitatifs MIN-MAX et PRODUIT-SOMME, couramment employs, caractrisent
les oprations retenues pour ces deux phases.
50 CHAPITRE 2. RSEAUX DE NEURONES ET SYSTMES FLOUS
FIG. 2.18 Composions des ensembles ous issus de linfrence
2. Passage du symbolique vers le numrique
Cest la phase de dfuzzication proprement dite qui permet de gnrer une valeur
numrique partir de lensemble obtenu par composition des rgles. Il existe plu-
sieurs mthode de dfuzzication (au moins une dizaine); les plus communment
employes sont:
(a) La mthode de centre de gravit COG
La dfuzzication par centre de gravit consiste calculer labscisse du centre
de gravit de la fonction dappartenance rsultante
r
de la phase de compo-
sition selon:
y

=
_
y
r
(y)dy
_

r
(y)dy
En pratique, on estime le centre de gravit, en calculant la moyenne dun cer-
tain nombre de points chantillonns sur la fonction:
y

y
i

r
(y
i
)dy

r
(y
i
)
(b) La mthode de maximum
Cette mthode, sapplique uniquement dans le cas o la fonction dapparte-
nance associe lensemble de sortie nadmet quun seul maximum. On choi-
sit comme sortie labscisse y correspondant ce maximum.
(c) La mthode de la moyenne des maxima MOM
Dans cette mthode, la valeur de sortie est estime par labscisse du point cor-
2.5. SYSTME NEURO-FLOU 51
respondant au centre de lintervalle M pour lequel la fonction dappartenance
est maximale. Cette valeur est fournie par lexpression:
y

= (inf(M) +sup(M))/2
o inf(M) et sup(M) sont respectivement les bornes infrieure et suprieure
de lintervalle M.
(Lee, 1990) sest intress aux contrleurs ous, lune des applications les plus populaires
de systmes ous, il a donn quelques conclusions relatives ces diffrentes mthodes de
dfuzzication. De mme, dans (Braae et Rutherford, 1978), les auteurs prsentent une
tude comparative des stratgies de dfuzzication (COG, MOM) et concluent que la
mthode du centre de gravit donne de meilleurs rsultats. Nanmoins, on montre dans
(Scharf et Mandic, 1985) que la mthode de la moyenne des maxima assure de meilleures
performances de transition. Rcemment ltude mene dans (Mogharreban et Dilalla,
2006), montre que ces diffrentes approches de dfuzzication donnent des rsultats trs
semblables pour un problme danalyse de donnes. Il en ressort travers ces tudes com-
paratives que le choix dune meilleure mthode de dfuzzication dpend fortement de
lapplication considre, ainsi cest le cas de la mthode du maximum qui savre tre
trs efcace pour les problmes de classication mais pas autant pour les problmes de
commande.
2.5 Systme neuro-ou
Les principaux avantages dun systme ou sont lapproche naturelle de la modlisa-
tion et la bonne interprtabilit de la description, en employant des rgles linguistiques.
Cependant, il ny a aucune mthode formelle pour dterminer ses paramtres (fonctions
dappartenance et rgles oues). Dans ce sens, il serait intressant de disposer dalgo-
rithmes permettant lapprentissage automatique de ces paramtres. Lune des approches
qui permette de rpondre ce besoin est les rseaux de neurones connus pour leur algo-
rithme dapprentissage et leur prcision dans lajustement numrique en employant des
chantillons entre/sortie. De nombreux auteurs ont donc tout naturellement cherch
combiner ces deux approches depuis le dbut des annes 90 et ceci de plusieurs manires :
cooprative, concurrente et hybride. Nous nous portons ici notre attention sur la dernire
approche (hybride) qui permet de reprsenter sous forme dun rseau de neurones, les
52 CHAPITRE 2. RSEAUX DE NEURONES ET SYSTMES FLOUS
diffrentes composantes dun systme ou. La structure du rseau ainsi obtenue dpend
du type de rgles oues et de mthodes dinfrence et de dfuzzication employes par le
systme ou. Les paramtres du systme ou (fonction dappartenance et rgles oues)
peuvent ensuite tre modis par un algorithme dapprentissage conu initialement pour
lajustement des paramtres dun rseau de neurones.
2.5.1 Architecture neuro ou hybride
Plusieurs architectures, mettant en uvre cette approche hybride, sont dcrites dans la
littrature (Farag et al., 1998; Lee, 2005). Ces architectures peuvent tre classes en trois
groupes (Wang et Lee, 2001) selon le type de rgles oues quelles intgrent:
Si (X
1
est A
1
) ET (X
2
est A
2
)ET...ET(X
N
est A
N
) Alors (Y est C)
o:
C =
_

_
B (typeI)
f(x
1
,x
2
, ,x
n
) (typeII)
(typeIII)
(2.24)
o X
i
(i = 1,2, ,n), Y reprsentent respectivement les variables dentre et de sortie,
A
j
i
les ensembles ous dentre; B, f(x
1
,x
2
, ,x
n
) et reprsentant respectivement,
lensemble ou de sortie,une fonction linaire des variables dentre et un composant sin-
gleton.
Notons que dans le paragraphe prcdent, nous avons considr uniquement deux types
de rgles (les type I et II de lquation 2.24 ) an dune part dallger lexpos et dautre
part le type III est souvent considr dans la littrature comme un cas particulier du type
I (Sugeno, 1999).
La gure 2.19 montre les diffrentes architectures des systmes neuro-ous hybrides.
FALCON (a) et GARIC (b) interprtent la rgle oue du type I avec une structure orga-
nise en 5 couches, ANFIS (c) interprte la rgle oue du type II avec une structure
6 couches et NEFCLASS (d) interprte la rgle oue de type III avec une structure 4
couches.
2.5. SYSTME NEURO-FLOU 53
FIG. 2.19 Diffrentes architectures des systmes neuro-ous
2.5.1.1 ANFIS
ANFIS (Adaptive-Network-based Fuzzy Inference System) est un systme ou mis
en application dans le cadre des rseaux adaptatifs. Il a t propos par Jang (Jang, 1993).
Pour les utilisateurs de MATLAB, ANFIS est implant dans la boite outils Neuro-
fuzzy accompagn de son algorithme dapprentissage hybride bas sur la rtropropaga-
tion et la mthode des moindres carrs. Ce modle donne de trs bons rsultats dapproxi-
mation de fonctions non linaires.
2.5.1.2 FALCON ET GARIC
IL sagit de modle 5 couches (Lin et Lee, 1991; Berenji et Khedkar, 1992) utilisant
la fuzzucation en entre et la dfuzzication en sortie. Ceci correspond une interpr-
tation juste de la mthode de Mamdani. La prcision accrue des rsultats provoque une
lenteur dans lexcution du systme. Ce modle est rarement utilis en pratique mais il
donne de meilleurs rsultats en commande.
54 CHAPITRE 2. RSEAUX DE NEURONES ET SYSTMES FLOUS
2.5.1.3 NEFCLASS
Modle utilis gnralement pour la classication, il est constitu de 3 couches: une
couche dentre avec les fonctions dappartenance, une couche cache reprsente par
lensemble des rgles et une couche de sortie dnissant lensemble des classes. Ce mo-
dle est facile mettre en application, il vite ltape de dfuzzication, tout en tant
prcis dans le rsultat nal, avec une rapidit suprieure aux autres modles.
2.6 Conclusion
Les rseaux de neurones, de part la quantit des travaux de recherche et des ralisa-
tions existantes, prsentent un certain nombre de points forts. En premier lieu, ils consti-
tuent des approximateurs universels capables de modliser des systmes complexes avec
la prcision voulue partir dun jeu de donnes entres /sorties et un processus dopti-
misation. Leur capacit dapprentissage permet de simplier la synthse dun contrleur
dans la mesure o lon obtient celui-ci par un simple rglage de paramtres sans quil soit
ncessaire de faire appel au modle mathmatique du systme commander. Dans le cas
de systmes complexes, cela reprsente un avantage indniable par rapport la plupart
des autres mthodes qui sattachent utiliser un modle mathmatique souvent imprcis
ou difcile obtenir. Cependant, linconvnient majeur rside dans le fait que lon ne peut
pas incorporer les connaissances des experts, qualies dune certaine intelligence, et qui
peuvent tre utiles soit pour acclrer le processus dapprentissage, soit pour obtenir des
structures interprtables. Contrairement aux rseaux de neurones, les systmes ous fonc-
tionnent base de ce type de connaissances et permettent dsormais une meilleure exploi-
tation de lintelligence humaine pour accomplir des tches complexes. Dans ce mmoire,
les contrleurs que nous dveloppons sont base de ces systmes ous. Le problme
doptimisation de la structure et des paramtres de ces contrleurs, qui reste nanmoins
plus difcile dans de nombreux cas, sera tudi dans le prochain chapitre en utilisant les
algorithmes gntiques. Les rseaux de neurones vont intervenir, comme nous allons le
voir, uniquement dans le cas des systmes ous avec des rgles de type Sugeno.
Chapitre 3
Conception de contrleurs ous par
algorithmes gntiques
3.1 Introduction
Les difcults rencontres dans la conception des contrleurs ous(CF), ont guid les
chercheurs sorienter vers lutilisation des algorithmes gntiques cause de leur carac-
tristique dexploration globale dans un environnement complexe. On rencontre souvent,
dans la littrature, trois stratgies dapplication des AG pour la conception des contrleurs
ous.
1. La base de rgles oues est bien dnie et leurs fonctions de stratgies sont optimi-
ses par lAG
2. Les fonctions dappartenance associes aux variables dentres et de sorties sont
xes et lAG est utilis pour loptimisation des conclusions des rgles oues.
3. Les fonctions dappartenance et les rgles oues associes sont optimises simulta-
nment
Une reprsentation graphique de ces types de stratgies est indique dans la gure 3.1.
55
56 CHAPITRE 3. CONCEPTION DE CONTRLEURS FLOUS PAR ALGORITHMES
GNTIQUES
FIG. 3.1 Reprsentation graphique des diffrentes approches doptimisation dun
contrleur ou par algorithme gntique
Dans notre travail, on sintresse la troisime stratgie, qui savre tre la plus ef-
cace car, en toute logique, une mthode traitant globalement les diffrents paramtres
dun contrleur ou devrait donner de meilleures solutions.
Le chapitre est organis en trois parties. Dans la premire partie nous tudions loptimi-
sation des paramtres dun CF de type Mamdani par algorithme gntique simple. Nous
examinons dabord les diffrents codages qui permettent de reprsenter les fonctions dap-
partenance et les rgles oues. Ensuite, nous prsentons la structure du chromosome et
les oprateurs gntiques adopts pour loptimisation simultane de lensemble des pa-
ramtres dun CF. Enn pour mieux illustrer la mthode, nous traitons un exemple de
commande dun systme linaire de deuxime ordre.
Dans la deuxime partie, loptimisation des CF de Mamdani est effectue par les AGH.
Dans un premier temps, nous prsentons nos motivations pour lemploi de ce type dal-
gorithme. Ensuite, aprs la formulation de la structure du chromosome hirarchis, nous
dcrivons les oprateurs de mutation et de croisement qui sappliquent sur les gnes de
contrle du chromosome de lAGH. A la n de cette deuxime partie, le mme problme
de commande est considr.
La troisime partie concerne loptimisation de contrleurs ous de type Sugeno par un
3.2. OPTIMISATION DES CONTRLEURS FLOUS DE TYPE MAMDANI PAR
ALGORITHMES GNTIQUES SIMPLES 57
algorithme hybride utilisant la rtropropagation et NSGA-II avec un codage hirarchis.
3.2 Optimisation des contrleurs ous de type Mam-
dani par algorithmes gntiques simples
On considre un contrleur deux entres, lerreur e(t) et sa variation e(t) et une
sortie u(t), la variation de la commande, qui permet dajuster chaque instant la com-
mande u(t) applique au systme (gure 3.2):
u(t) = G
s
u(t) +u(t 1) (3.1)
avec G
s
un facteur dchelle (scaling factor) en sortie.
Les rgles oues constituant la base du contrleur, dans ce cas, possdent deux prmisses
FIG. 3.2 Contrleur ou deux entres
et une seule conclusion:
Rgle i
1
,i
2
: Si (e est A
1i
1
) ET (e est A
2i
2
) Alors u est B
j
o (A
1i
1
| i
1
= 1, 2,..., N
e
), (A
2i
2
| i
2
= 1, 2,..., N
e
) et B
j
| j = 1, 2,..., N
s
) sont les
termes linguistiques qualiant respectivement lerreur e , la variation de lerreur e et la
variation de la commande u. N
e
, N
e
et N
s
reprsentent respectivement le nombre de
termes linguistiques associs e, e et u.
On dnit alors N
e
N
e
rgles oues pour ce contrleur, organises couramment sous
forme dun tableau et dont le contenu correspond aux conclusions de toutes les congu-
rations possibles de prmisses.
Un exemple de ce type de tableau est prsent ci-dessus: La conclusion dune rgle rep-
58 CHAPITRE 3. CONCEPTION DE CONTRLEURS FLOUS PAR ALGORITHMES
GNTIQUES
TAB. 3.1 Base de rgles oues
u e
A
21
A
22
A
2i
2
A
1N
e
A
11
R
11
R
12
R
1N
e
A
12
R
21
R
22
R
2N
e
e
.
.
.
.
.
.
A
1i
1
R
i
1
i
2

.
.
.
.
.
.
A
1N
e
R
N
e
1
R
N
e
2
R
N
e
N
e
re par les indices i
1
et i
2
est alors reprsente par un nombre R
i
1
i
2
dni comme suit:
R
i
1
i
2
= j, j {1,2, ,N
s
} si la conclusion de la rgle i
1
i
2
est B
j
Les paramtres de rglage dun tel contrleur (deux entres et une sortie) sont alors:
Deux facteurs dchelle en entre (G
e
et G
e
) et un autre en sortie G
s
.
Les fonctions dappartenance associes aux variables dentre et de sortie.
Les N
e
N
e
conclusions de la table de rgles.
Dans cette section, le rglage de ces paramtres sera tudi par les algorithmes gn-
tiques simples. Comme ces derniers travaillent sur une population de chromosomes sur
lesquels sont cods les paramtres optimiser, il est ncessaire de dnir la structure du
chromosome qui prend en compte lensemble des paramtres cits ci-dessus.
3.2.1 Reprsentation des fonctions dappartenance
Dans un contrleur ou, les rgles oues sont appliques sur des termes linguistiques.
Ces termes, qui permettent de qualier une variable linguistique, sont dnis par linter-
mdiaire de fonctions dappartenance. Les paramtres optimiser sont donc dnis en
deux tapes : on doit dabord dnir les paramtres de chaque fonction dappartenance,
puis lensemble des paramtres des fonctions dappartenance qui constituent la partition
oue de la variable linguistique.
3.2. OPTIMISATION DES CONTRLEURS FLOUS DE TYPE MAMDANI PAR
ALGORITHMES GNTIQUES SIMPLES 59
3.2.1.1 Partitionnement avec des fonctions triangulaires
Une fonction dappartenance triangulaire dans un univers du discours [a,b]peut tre
dnie par:

A
(x) =
_

_
x x
1
x
2
x
1
x
1
x < x
2
x
3
x
x
3
x
2
x
2
x < x
3
0 ailleurs
(3.2)
On constate que cette fonction dpend des trois paramtres x
1
, x
2
et x
3
qui prennent leurs
valeurs dans lintervalle [a,b], comme indiqu par la gure ci-dessous.
FIG. 3.3 Fonction dappartenance triangulaire dnie par trois paramtres
Cette fonction tant parfaitement dnie par ces trois paramtres, on peut donc utiliser
la reprsentation suivante: o C
[a,b]
(x
k
) est un code (binaire, rel, ..., etc) de la variable
C
[a,b]
(x
1
) C
[a,b]
(x
2
) C
[a,b]
(x
3
)
x
k
qui prend ses valeurs dans lintervalle [a,b]. Les valeurs codes doivent satisfaire la
condition suivante:
x
1
< x
2
< x
3
(3.3)
Dans un contrleur fou, chaque variable linguistique est dnie par un ensemble de fonc-
tions dappartenance des termes linguistiques, comme le montre la gure 3.4.
60 CHAPITRE 3. CONCEPTION DE CONTRLEURS FLOUS PAR ALGORITHMES
GNTIQUES
FIG. 3.4 Partition oue avec des fonctions dappartenance triangulaires
La partition oue peut tre donc reprsente par le codage suivant:
c(x
A
1
3
) c(x
A
i
1
) c(x
A
i
2
) c(x
A
i
1
) c(x
A
n
2
)
A la condition (3.3), on ajoute dautres contraintes sur la plage de variation des pa-
ramtres de chaque fonction dappartenance an dobtenir un partitionnement la fois
continu et interprtable. Ces contraintes sont traduites par la double condition ci-dessous:
_
x
A
i1
2
< x
A
i
2
x
A
i
1
< x
A
i1
3
< x
A
i
3
(3.4)
Dans (Guenounou et Belmehdi, 2006), en adoptant ce type de reprsentation pour la com-
mande de la vitesse dune machine asynchrone, nous avons pu obtenir des rsultats satis-
faisants et un contrleur ou comprenant une base de rgles lisible et smantiquement in-
terprtable. Linconvnient majeur de cette reprsentation est quelle introduit un nombre
important de contraintes et de paramtres qui peuvent limiter lefcacit de la procdure
de recherche de paramtres optimaux. Lee (Lee et Takagi, 1993) et Yubaziki (Yubazaki et
al., 1995) ont propos une autre mthode de partitionnement pour laquelle le nombre de
paramtres requis est rduit de manire signicative (un rapport de 3 pour les fonctions
dappartenance de type triangulaire). Leur mthode repose sur lide de faire partager le
mme paramtre par plusieurs fonctions dappartenance.
La gure 3.5 illustre un exemple de partitionnement avec 5 fonctions dappartenance se-
lon cette mthode.
3.2. OPTIMISATION DES CONTRLEURS FLOUS DE TYPE MAMDANI PAR
ALGORITHMES GNTIQUES SIMPLES 61
FIG. 3.5 Partition avec 5 fonctions dappartenance daprs Lee et Yubaziki
Une partition oue comportant n termes linguistiques est compltement dnie par
lintermdiaire de n points (x
1
= a, x
2
, , x
n
= b) en utilisant les fonctions dapparte-
nance suivantes:

A
1
(x) =
_

_
1 x < x
1
x
2
x
x
2
x
1
x
1
x < x
2
0 x x
2

A
i
(x) =
_

_
x x
i1
x
i
x
i1
x
i1
x < x
i
x
i+1
x
x
i+1
x
i
x
i
x < x
i+1
i = 2, ,n 1
0 ailleurs
(3.5)

A
n
(x) =
_

_
0 x < x
n1
x x
n1
x
n
x
n1
x
n1
x < x
n
1 x x
n
La partition oue peut tre donc reprsente par le codage de (n 2) points:
c
[a,b]
(x
2
) c
[a,b]
(x
i
) c
[a,b]
(x
n1
)
et par les (n 1) ingalits:
a = x
1
< x
2
< < x
n1
< x
n
= b
62 CHAPITRE 3. CONCEPTION DE CONTRLEURS FLOUS PAR ALGORITHMES
GNTIQUES
3.2.1.2 Partitionnement avec des fonctions trapzodales
Une fonction dappartenance trapzodale dans un univers du discours ni [a,b] peut
tre dnie par:

A
(x) =
_

_
x x
1
x
2
x
1
x
1
x < x
2
1 x
2
x < x
3
x
4
x
x
4
x
3
x
3
x < x
4
0 ailleurs
(3.6)
Cette fonction est dnie par quatre paramtres x
1
, x
2
, x
3
et x
4
qui prennent leurs valeurs
dans lintervalle [a, b].
La gure 3.6 illustre cette fonction, elle ncessite un paramtre de plus par rapport la
fonction triangulaire. En effet cette dernire est un cas particulier de la fonction trapzo-
dale (lorsque x
2
= x
3
).
FIG. 3.6 Fonction dappartenance trapzodale
La reprsentation de la fonction trapzodale fait intervenir les quatre paramtres sui-
vants:
c
[a,b]
(x
1
) c
[a,b]
(x
2
) c
[a,b]
(x
3
) c
[a,b]
(x
4
)
et les conditions aux limites associes sont:
x
1
< x
2
x
3
< x
3
(3.7)
La gure ci-dessous illustre un exemple de partitionnement ou avec 5 fonctions dappar-
tenance trapzodales selon lide de Lee et Yubaziki.
3.2. OPTIMISATION DES CONTRLEURS FLOUS DE TYPE MAMDANI PAR
ALGORITHMES GNTIQUES SIMPLES 63
FIG. 3.7 Partition avec 5 fonctions dappartenance trapzoidales daprs Lee et Yuba-
ziki
Plus gnralement, une partition oue avec n fonctions trapzodales est dnie par
2n paramtres (a = x
1
, x
2
, , x
n
= b) et par les quations suivantes:

A
1
(x) =
_

_
1 x
1
x < x
2
x
3
x
x
3
x
2
x
2
x < x
3
0 x x
2

A
i
(x) =
_

_
0 x < x
2i2
x x
2i2
x
2i1
x
2i2
x
2i2
x < x
2i1
1 x
2i1
x < x
2i
i = 2, ,n 1
x
2i+1
x
x
2i+1
x
2i
x
2i
x < x
2i+1
0 x x
2i+1
(3.8)

A
n
(x) =
_

_
0 x < x
2n2
x x
2n2
x
2n1
x
2n2
x
2n2
x < x
2n1
1 x x
2n1
Dans ce cas,la reprsentation est:
c
[a,b]
(x
1
) c
[a,b]
(x
i
) c
[a,b]
(x
2n1
)
64 CHAPITRE 3. CONCEPTION DE CONTRLEURS FLOUS PAR ALGORITHMES
GNTIQUES
et les conditions aux limites sont de la forme:
a = x
1
< x
2
< < x
2n1
< x
2n
= b
3.2.1.3 Fonction dappartenance Gaussienne
Une fonction dappartenance Gaussienne asymtrique dans lunivers de discours [a,b]
peut tre exprime sous la forme:

A
(x) =
_

_
exp(
(x c)
2
2
2
g
) x < c
exp(
(x c)
2
2
2
d
) x c
(3.9)
Pour calculer cette fonction dappartenance, nous utilisons deux fonctions gaussiennes
possdant le mme centre c mais deux variances diffrentes (
2
g
et
2
d
). La premire gaus-
sienne est utilise lorsque la valeur dentre est infrieure la moyenne, et la deuxime
dans le cas oppos. Ceci permet de dnir une fonction dappartenance asymtrique (voir
la gure 3.8) et dtre moins restrictif sur la classe des systmes ous que nous pouvons
reprsenter.
FIG. 3.8 Fonction dappartenance gaussienne asymtrique(ligne continue): La moyenne
est note c et les variances
2
g
et
2
d
La reprsentation dune fonction gaussienne asymtrique est alors donne par le code
suivant:
3.2. OPTIMISATION DES CONTRLEURS FLOUS DE TYPE MAMDANI PAR
ALGORITHMES GNTIQUES SIMPLES 65
C(
g
) C
[a,b]
(c) C(
d
)
Lorsquon utilise des termes linguistiques caractriss par des fonctions gaussiennes
asymtriques pour reprsenter une variable linguistique sur un univers de discours [a,b],
il est possible, comme dans le cas des fonctions triangulaire et trapzodale, de simplier
la reprsentation en imposant des conditions sur les variances de chaque gaussienne:
_

g,i
=
d,i1

d,i
=
g,i+1
(3.10)
o
g,i
et
d,i
dsignent respectivement les variances gauche et droite de la ime gaus-
sienne.
La gure ci-dessous montre un exemple de partitionnement avec 5 gaussiennes asym-
triques quon peut obtenir en tenant compte de la condition 3.10.
FIG. 3.9 Partition avec 5 gaussiennes asymtriques
Le taux de chevauchement entre deux fonctions dappartenance adjacentes a t x
0,5. On peut vrier partir des quations 3.9 et 3.10 que le taux de chevauchement relie
la variance commune entre
A
i
et
A
i+1
aux centres c
i
et c
i+1
par la relation suivante:

d,i
=
g,i+1
=

(c
i+1
c
i
)
2
8 ln(
i
)
(3.11)
Une partition comportant n termes linguistiques peut tre alors reprsente par:
C(
1
) C
[a,b]
(c
2
) C(
2
) C
[a,b]
(c
i
) C(
i
) C
[a,b]
(c
n1
) C(
n1
)
66 CHAPITRE 3. CONCEPTION DE CONTRLEURS FLOUS PAR ALGORITHMES
GNTIQUES
et les conditions aux limites sont:
a = c
1
< c
2
< < c
n1
< c
n
= b
i
]0,1[
3.2.2 Codage des paramtres des fonctions dappartenance
Comme nous venons de le voir, une variable linguistique est reprsente par un certain
nombre de paramtres qui dpendent la fois du nombre et du type de fonctions dap-
partenance utilises. Pour coder ces diffrents paramtres, on utilise souvent les chanes
binaires et les chanes relles.
Lorsque le nombre de paramtres est rduit et leurs plages de variations bien dnies,
un algorithme gntique avec un codage binaire est largement sufsant pour retrouver les
paramtres optimaux. Par contre si le nombre de paramtres devient important, et que
lintervalle de variation de chaque paramtre nest pas bien connu, le codage rel est le
plus appropri. En ce qui concerne lutilisation du codage en base n, il y a eu trs peu de
travaux sur le sujet (Homaifar et MCCormick, 1993; Ng et Li, 1994). Le seul intrt est
de disposer dun type de codage homogne pour tous les paramtres du contrleur que
lon souhaite optimiser. Homaifar (Homaifar et MCCormick, 1993) a opt pour ce co-
dage an de reprsenter dans un mme chromosome les conclusions des rgles oues et
les paramtres de la fuzzication (paramtres des fonctions dappartenance associes aux
variables dentres). Nous verrons dans la suite de ce mmoire, quil est possible de re-
grouper les diffrents paramtres (paramtres des fonctions dappartenance, rgles oues
et facteurs dchelle) dans un mme chromosome, sans quil soit ncessaire dutiliser le
mme codage.
3.2.3 Reprsentation des rgles oues
Pour reprsenter lensemble des rgles du contrleur ou de la gure 3.2, on ror-
ganise le tableau 3.1 en une liste de valeurs en le balayant ligne par ligne. Cela fournit
comme reprsentation:
R
11
R
12
R
1N
e
R
21
R
22
R
N
e
N
e
An de permettre un traitement par les algorithmes gntiques, chaque lment R
ij
de
3.2. OPTIMISATION DES CONTRLEURS FLOUS DE TYPE MAMDANI PAR
ALGORITHMES GNTIQUES SIMPLES 67
la reprsentation ci-dessus doit tre cod pour tre insr dans un chromosome. Plusieurs
types de codage peuvent tre adopts.
3.2.4 Codage des rgles oues
3.2.4.1 Le codage binaire
Avec ce type de codage, la base de rgles est reprsente par une chaine binaire,
chaque lment R
ij
de la reprsentation tant cod sur m bits. Nous avons vu quun
lment R
ij
prend ses valeurs dans lensemble {1,2, ,Ns}, o N
s
dsigne le nombre
de termes linguistiques associs la variable de sortie u. Une sous-chaine dcrivant
une de ses valeurs doit donc comporter au minimum m = E(log
2
(Ns + 1)) bits, E(x)
dsignant la partie entire de x. Quand (N
s
+1) nest pas une puissance de deux, certaines
congurations binaires ne constituent pas un codage valide. On doit alors ajouter une
condition sur la valeur reprsente par la sous-chaine binaire, qui doit tre infrieure o
gale N
s
. Cette condition, quil faut tester chaque fois que lon ralise une opration
sur la chane binaire (croisement ou mutation), constitue un des principaux inconvnients
de lemploi du codage binaire.
3.2.4.2 Le codage rel
Ce type de codage est rarement utilis pour loptimisation des rgles oues de Mam-
dani cause de la nature des conclusions quelles prsentent. Par contre, comme nous le
verrons plus loin, ce codage sadapte facilement aux rgles de type Sugeno.
3.2.4.3 Codage en base n
Cest le codage le plus utilis pour la reprsentation des rgles oues de Mamdani
(Zhou et Lai, 2000; Cheong et Lai, 2000). Dans larticle (Homaifar et MCCormick, 1993),
Homaifar dcrit une procdure doptimisation des rgles oues dun contrleur dont les
sorties sont partitionnes en 5 valeurs linguistiques. Le nombre 6 (5+1) ntant pas une
puissance de deux, il propose dutiliser un codage en base 6, ce qui permet de coder
efcacement les 5 valeurs possibles de la conclusion dune rgle oue.
68 CHAPITRE 3. CONCEPTION DE CONTRLEURS FLOUS PAR ALGORITHMES
GNTIQUES
3.2.5 Structure du chromosome
Dans le paragraphe prcdent, nous avons prsent les mthodes de codage des para-
mtres permettant loptimisation des fonctions dappartenance et la base de rgles dun
contrleur ou de Mamdani. Prenant appui sur ces diffrentes mthodes, nous proposons
un codage mixte, qui permet de reprsenter simultanment les rgles oues, les para-
mtres de fonctions dappartenance et les facteurs dchelle. Le chromosome de lAG
ainsi obtenu est divis en trois parties: une premire partie, code en base n, reprsente
les conclusions des rgles oues, une deuxime partie, code en nombres rels, reprsente
les paramtres des fonctions dappartenance et une troisimes partie, code en binaire, re-
prsente les facteurs dchelle en entre et en sortie. Cette structure est reprsente par la
gure 3.10.
FIG. 3.10 Structure du chromosome de lAGS
3.2.6 Oprateurs gntiques
Puisque sur le mme chromosome, il existe trois types de chanes: chane en base
n, chane relle et chane binaire, il convient alors de spcier pour chacune delle les
oprateurs gntiques permettant une meilleure exploration de lespace de recherche.
3.2.6.1 Oprateur de Croisement
Croisement en base n
Nous utilisons un croisement en deux points standard comme sil sagissait de chaines
binaires.
Croisement des chanes relles
Dans ce cas, on a le choix entre un croisement standard et un croisement arithmtique.
3.2. OPTIMISATION DES CONTRLEURS FLOUS DE TYPE MAMDANI PAR
ALGORITHMES GNTIQUES SIMPLES 69
Nous utilisons un croisement arithmtique en deux points.
Croisement des chanes binaires
Nous utilisons aussi, ici un choisement standard en deux points. Les lieux de croisement
pour toutes les chanes sont choisis alatoirement et changent chaque gnration.
3.2.6.2 Oprateur de Mutation
Mutation des chaines en base n
La mutation des chanes codes en base n, consiste remplacer llment de la chane
muter par un chiffre en base n.
Lapplication directe dune telle mutation pour loptimisation des rgles oues savre
peu efcace et peut conduire une exploration chaotique cause du caractre graduel pr-
sent dans les ensembles ous utiliss pour le partitionnement des variables du contrleur.
Considrant le contrleur de la gure 3.1 dont la sortie est partitionne en 7 valeurs lin-
guistiques Ngative Grande (NG), Ngative Moyenne (NM), Ngative Petite (NP), Zro
(Z), Positive Petite (PP) et Positive Moyenne (PM) et Positive grande (PG) reprsentes
respectivement par les nombres 1, 2, 3, 4, 5, 6 et 7 de la base 8. Si maintenant le nombre
4, reprsentant une variation de commande gale zro, est ramen 1, aprs mutation,
la variation de commande code devient alors ngative grande, ce qui conduira probable-
ment un mauvais rsultat. Par contre si ce mme nombre (4) est ramen 3, reprsentant
une variation de Ngative Petite, le rsultat peut tre amlior, ou au pire dtrior, avec
un degr moindre que dans le premier cas.
Il convient alors aprs la mutation dun lment de produire des lments voisins consti-
tuant le partitionnement de la variable de sortie. Ceci peut tre obtenu en adoptant la
mutation dnie ci-dessous:
R

i
1
i
2
=
_

_
2 si R
i
1
i
2
= 1
R
i
1
i
2
1 si 1 < R
i
1
i
2
< N
s
N
s
1 si R
i
1
i
2
= N
s
(3.12)
o R

i
1
i
2
reprsente dans ce cas, le rsultat de la mutation de R
i
1
i
2
.
Mutation des chanes relles
La mutation non uniforme dcrite dans le chapitre 2 est choisie.
70 CHAPITRE 3. CONCEPTION DE CONTRLEURS FLOUS PAR ALGORITHMES
GNTIQUES
3.2.7 Initialisation des chromosomes
Habituellement, les chromosomes de la premire population sont initialiss avec des
valeurs alatoires ou avec des valeurs qui drivent le savoir-faire des experts pour acc-
lrer la convergence de lalgorithme doptimisation. Nous avons utilis une combinaison
de ces deux mthodes, ainsi nous initialisons les paramtres des fonctions dappartenance
par des valeurs alatoires prises dans leur intervalle de variation. En ce qui concerne lini-
tialisation de la base de rgles, nous utilisons le modle de rgles propos par Macvicar-
Whelan (Macvicar-Whelan, 1976). Ce modle est considr comme une extension de
la base de rgles utilise dans les premiers contrleurs ous dvelopps par Mamdani
(Mamdani et Assilian, 1975) et peut tre obtenu partir des mta rgles ci-dessous:
MR1 Si lerreur e(t) et sa variation e(t) sont zro (EZ) Alors maintenir le prsent
rglage.
MR2 Si lerreur e(t) tend vers zro (EZ) avec un rythme satisfaisant Alors maintenir le
prsent rglage.
MR3 Si lerreur e(t) nest pas auto corrective alors laction de commande u(t) est
diffrente de zro, son signe ainsi que son amplitude sont fonction de lerreur e(t)
et de sa variation e(t).
TAB. 3.2 Base de rgles gnre partir du modle de Macvicar-Whelan
u e
NG NM NP Z PP PM PG
NG 1 1 1 1 2 3 4
NM 1 2 2 2 3 4 5
NP 1 2 3 3 4 5 6
e Z 1 2 3 4 5 6 7
PP 2 3 4 5 5 6 7
PM 3 4 5 6 6 6 7
PG 4 5 6 7 7 7 7
Dans le tableau 3.2, nous avons reprsent lensemble des rgles oues dnies par le
modle de rgles de Macvicar-Whelan pour le contrleur ou considr (partitionnement
avec 7 fonctions dappartenance). Dans le cas gnral (partitionnement avec un nombre
quelconque de fonctions), une description dtaille de la procdure de gnration des
3.2. OPTIMISATION DES CONTRLEURS FLOUS DE TYPE MAMDANI PAR
ALGORITHMES GNTIQUES SIMPLES 71
rgles, selon lapproche de Macvicar-Whelan, peut tre trouve dans louvrage de Yager
(Yager et Filev, 1994).
3.2.8 Exemple dapplication
Dans cette section, nous allons tester les performances de la mthode propose sur un
exemple de commande dun systme linaire de second ordre utilis dans (Cheong et Lai,
2000).
La fonction de transfert de ce systme est donne par :
G(p) =
2
p(p + 1.4) + 2
(3.13)
La gure 3.11 montre la rponse indicielle du systme en boucle ferme (sans contrleur),
obtenue sous Matlab en utilisant la mthode dintgration de Runge Kutta dordre 4 une
priode dchantillonnage de 0.1s.
FIG. 3.11 Rponse indicielle du systme en boucle ferme sans le contrleur ou
On remarque la prsence doscillations amorties en rgime transitoire qui steignent
au bout de 10s avec une erreur statique de 0.5.
La stratgie de commande adopte est celle donne en gure 3.2. Le contrleur reoit
par ses entres lerreur e(t) et sa variation e(t) et fournit en sortie la variation de com-
mande u(t). Cette dernire sollicite lentre dun intgrateur dont la sortie est laction
de commande u(t). Au niveau de la structure interne, chaque variable est dnie sur un
72 CHAPITRE 3. CONCEPTION DE CONTRLEURS FLOUS PAR ALGORITHMES
GNTIQUES
univers de discours normalis [+1, 1]. Ce dernier est partitionn en sept sous ensembles
ous {NG, NM, NP, EZ, PP, PM, PG}. Les fonctions dappartenance retenues pour
lensemble des variables du contrleur sont de type gaussiennes asymtriques. Le traite-
ment des rgles oues, qui sont 49 au total, est effectu par la mthode MIN-MAX. La
grandeur de sortie du contrleur est gnre par la mthode de centre de gravit.
3.2.8.1 Critres de performance
En gnrale, lobjectif dun systme de commande est de minimiser lcart e(t) entre
la sortie dun systme et une valeur de consigne dsire. Cet cart peut tre d, soit un
changement de consigne, soit des perturbations agissant sur le systme. Pour choisir un
bon rglage du rgulateur, on prend en compte lamplitude maximum de lcart et la dure
ncessaire pour quil sannule aprs une perturbation ou un changement de consigne. Il
existe plusiers critres numriques permettant de mesurer la qualit dun rglage donn.
Parmi ces critres on peut citer:
Critre de lintgrale du carr de lerreur (ISE):
ISE =
L

n=0
[e(n.t)]
2
(3.14)
o t et n sont respectivement la priode dchantillonnage et lindice dchan-
tillon. [0, L] est lintervalle sur lequel est calcul le critre. En pratique, la valeur
de L est choisie de manire que lintervalle [0, L] contienne sufsamment le rgime
transitoire
Critre de lintgrale de la valeur absolue de lerreur(IAE):
IAE =
L

n=0
|e(n.t)| (3.15)
Critre de lintgrale de lerreur absolue temporelle (ITAE):
ITAE =
L

n=0
(n.t) |e(n.t)| (3.16)
Critre du pourcentage de dpassement(dep):
Dep(%) =
s
max
s
final
s
final
s
initial
100% (3.17)
3.2. OPTIMISATION DES CONTRLEURS FLOUS DE TYPE MAMDANI PAR
ALGORITHMES GNTIQUES SIMPLES 73
Dans (Dorf et Bishop, 1995) on peut trouver une liste exhaustive de critres de perfor-
mance dun systme de commande. Par la suite nous retiendrons ces deux derniers cri-
tres (ITAE et Dep). Ces critres permettent de conclure que le systme de commande
est dautant meilleur que les valeurs de ITAE et Dep sont plus faibles. Il sagit donc
dun problme de minimisation. Pour un algorithme gntique, ces critres vont servir
pour obtenir une fonction objectif exploitable par le processus slection.
3.2.8.2 Paramtres de lAG
Lalgorithme gntique exploitant le codage mixte des paramtres dcrits prcdem-
ment doit permettre doptimiser simultanment les paramtres des fonctions dapparte-
nance, les facteurs dchelle et les conclusions des rgles oues. Pour se faire, on doit
choisir soigneusement les valeurs des paramtres rgissant lvolution de la population
traite par cet algorithme gntique : taille de la population, probabilites de croisement
et de mutation. Dans ce travail, aprs une srie de tests, nous avons opt pour les para-
mtres du tableau 3.3
TAB. 3.3 Paramtres de lAGs
Chromosome de lAG standard
Rgles oues fonction dappartenance facteurs dchelle
Reprsentation En base 8 (1, 2, , 7) Relle Binaire
Probabilit de croisement 0,65
Probabilit de mutation 0.01 0.01 0.02
Taille de la population 40
Nombre de gnrations 500
3.2.8.3 Fonction Objectif
On xe comme objectif, la minimisation de lerreur e(t) entre la sortie et la consigne.
Cet objectif peut tre dni par plusieurs indices numriques (ISE,IAE, ITAE, Dep.)
et seul le comportement dsir peut tre un paramtre prpondrant prendre en compte
pour faire un bon choix parmi ces indices. Dans notre propos, nous avons opt pour la
74 CHAPITRE 3. CONCEPTION DE CONTRLEURS FLOUS PAR ALGORITHMES
GNTIQUES
minimisation de lerreur absolue temporelle (ITAE) et le dpassement (Dep):
Ob
1
= ITAE (3.18)
Ob
2
= Dep (3.19)
Par ces deux critres, il est possible de minimiser lerreur en rgime permanent par lem-
ploi de (ITAE) et de pnaliser les dpassements qui peuvent apparaitre durant le rgime
transitoire (en minimisant ITAE) par lemploi du critre (Dep).
3.2.8.4 Mthodes de slection
Nous avons vu, dans le chapitre 2 que la rsolution dun problme doptimisation
multi-objectif base dalgorithmes gntiques peut se faire selon deux approches: agr-
gative (approche non Pareto) et non agrgative (approche de Pareto).
Si on utilise comme mthode de rsolution, la premire approche, il devient alors n-
cessaire de combiner les deux objectif Ob
1
et Ob
2
en un seul objectif Ob reprsentatif,
soit :
Ob =
1
Ob
1
+
1
Ob
2
(3.20)
o
1
et
2
sont des poids de pondration. Comme on se retrouve avec un seul objectif
(Ob), une mthode de slection telle que le tournoi ou la roulette biasie seront suf-
santes pour entamer la procdure doptimisation. Nanmoins, il faut noter que le choix
des valeurs de
1
et
2
nest pas toujours ais, seule la connaissance a priori des plages
de variation des deux objectifs Ob
1
et Ob
2
peut tre considre pour choisir les poids ap-
propris.
Quant la deuxime approche (approche de Pareto), elle prsente lavantage de ne pas
ncessiter un choix de poids de pondration et permet de trouver en une seule excution
lensemble des solutions du front de Pareto.
Nous utilisons donc deux mthodes de slection. La premire est celle du tournoi (ap-
proche agrgative) et la deuxime est base sur le NSGA-II, lun des algorithmes repr-
sentatifs de lapproche non agrgative.
3.2. OPTIMISATION DES CONTRLEURS FLOUS DE TYPE MAMDANI PAR
ALGORITHMES GNTIQUES SIMPLES 75
3.2.8.5 Rsultats de loptimisation pour la premire mthode (tournoi)
Les rsultats obtenus sont illustrs par les gures 3.12 3.15. La gure 3.12 montre
les fonctions dappartenance correspondantes au meilleur chromosome de la poulation
initiale. les valeurs des facteurs dchelle sont donns par le tableau 3.4.
FIG. 3.12 Fonctions dappartenance du meilleur chromosome de la premire gnration
TAB. 3.4 Facteurs dchelle du meilleure chromosome de la premire gnration
G
e
G
e
G
s
1,796 19,434 0,175
Ils donnent lieu des rsultats mdiocres, soit un dpassement de lordre de 5% et la
prsence doscillations entretenues en rgime permanent(gure 3.13) pour une consigne
76 CHAPITRE 3. CONCEPTION DE CONTRLEURS FLOUS PAR ALGORITHMES
GNTIQUES
dentre constitue de deux chelons: un chelon passant de 0 1 (front montant) dune
dure de 10s suivi par un autre chelon de 1 0 (front descendent) de mme dure. Lef-
cacit de lAGS est ressenti ds les premires gnrations du processus doptimisation,
titre dexemple lobjectif Ob pour le meilleure chromosome de la 60
me
gnration est
ramen 34,5161 alors quil tait initialement (premire gnration) de 69,3873, soit une
diminution dun rapport de 2. Les rsultats sont amliors au cours des gnrations (voir
lvolution Ob sur la gure 3.14) et ce nest qu partir de la gnration 210 ime quon at-
teint des performances trs apprciables. La gure 3.15 et les tableaux 3.5 et 3.6 donnent
les nouveaux paramtres correspondants au meilleur chromosome de cette gnration.
FIG. 3.13 Sortie du systme pour le meilleur chromosome de la premire gnration
FIG. 3.14 Evolution de lobjectif Ob travers les gnrations
3.2. OPTIMISATION DES CONTRLEURS FLOUS DE TYPE MAMDANI PAR
ALGORITHMES GNTIQUES SIMPLES 77
FIG. 3.15 Fonctions dappartenance du meilleur chromosome de la 210 me gnration
TAB. 3.5 Facteurs dchelle du meilleur chromosome de la 210 gnration
G
e
G
e
G
s
1,998 19.623 0.181
TAB. 3.6 Base de rgle gnre partir du meilleur chromosome de la 210 me gn-
ration
u e
NG NM NP EZ PP PM PG
NG 1 5 1 1 2 3 4
NM 6 3 2 2 2 2 5
NP 1 3 3 3 3 5 6
e EZ 3 4 3 4 5 6 6
PP 4 5 5 5 4 5 7
PM 3 4 5 6 7 2 7
PG 4 6 5 7 6 7 7
78 CHAPITRE 3. CONCEPTION DE CONTRLEURS FLOUS PAR ALGORITHMES
GNTIQUES
FIG. 3.16 Sortie du systme pour le meilleur chromosome de la 210 me gnration
On constate quils sont tous a fait diffrents de ceux obtenus au dbut du processus
doptimisation. Cela se justie par le rle important que joue les oprateurs gntiques
en explorant de nouvelles solutions dans lespace de recherche. A la 500me gnration,
nous avons toujours le mme rsultat (un dpassement nul et une absence doscillation)
(voir gure 3.16-a).
3.2.8.6 Rsultats de loptimisation pour la deuxime mthode (NSGA-II)
FIG. 3.17 Rpartition de la population initiale
3.2. OPTIMISATION DES CONTRLEURS FLOUS DE TYPE MAMDANI PAR
ALGORITHMES GNTIQUES SIMPLES 79
La gure 3.17 montre la rpartition des solutions de la premire population dans les-
pace objectifs (Ob
1
: ITAE et Ob
2
: Dep).
Il faut noter que ce sont, ces mmes solutions qui ont t utilises par lAGS prcdent
(slection par tournoi). On retrouve alors sur la gure, la meilleure solution obtenue pr-
cdemment et qui se trouve sur lune des extrmits du front de Pareto. De gnration en
gnration le NSGA-II tend regrouper les populations autour du front de Pareto, tout en
minimisant les deux objectifs Ob
1
et Ob
2
. Ceci est bien illustr par les gures 3.18 qui re-
prsente deux chantillons de populations obtenus au cours du processus doptimisation.
FIG. 3.18 Evolution de la population
A la 500me gnration nous avons une rpartition meilleure des solutions. Sur le
front de Pareto, nous avons dune part un dpassement qui est pratiquement nul (dordre
10
4
) pour toutes les solutions et dautre part une amlioration trs remarquable du critre
ITAE qui atteint des valeurs optimales comprises entre 28,55 et 28,79.
80 CHAPITRE 3. CONCEPTION DE CONTRLEURS FLOUS PAR ALGORITHMES
GNTIQUES
FIG. 3.19 Rpartition de la population nale
La gure 3.20 donne la rponse du systme pour une solution de test (voir carr bleu
de la gure 3.19) prise dans le front de Pareto. Nous avons un suivi de consigne satisfai-
sant (ITAE = 28.56, Dep = 0.12%). Les paramtres du contrleur correspondant sont
donns par la gure 3.21 et les tableaux 3.7 et 3.8.
FIG. 3.20 Sortie du systme pour la solution de test
3.2. OPTIMISATION DES CONTRLEURS FLOUS DE TYPE MAMDANI PAR
ALGORITHMES GNTIQUES SIMPLES 81
FIG. 3.21 Fonctions dappartenance
TAB. 3.7 Facteurs dchelle
G
e
G
e
G
s
1,995 18.541 0.162
TAB. 3.8 Base de rgle gnre
u e
NG NM NP EZ PP PM PG
NG 1 1 1 1 2 3 4
NM 1 2 4 1 2 3 5
NP 5 3 4 3 4 3 7
e EZ 4 3 3 4 5 5 7
PP 2 4 4 5 4 5 3
PM 3 5 6 6 6 6 7
PG 4 5 6 6 7 6 7
82 CHAPITRE 3. CONCEPTION DE CONTRLEURS FLOUS PAR ALGORITHMES
GNTIQUES
3.3 Optimisation par algorithmes gntiques hi-
rarchiss
Nous avons vu, dans le deuxime chapitre, que les algorithmes gntiques hirarchi-
ss prsentent des proprits plus intressantes que les AG standards quand on sintresse
loptimisation de la structure dun systme plutt qu loptimisation seule de ses para-
mtres. Pour le cas du contrleur ou, loptimisation structurelle consiste gnralement
soit optimiser le nombre de fonctions dappartenance de chaque variable du contrleur
(Acosta et Todorovich, 2003; Tang et al., 1998), soit optimiser le nombre de rgles
oues dans la base de rgles (Belarbi et al., 2005). Pour la premire approche, nous avons
vri travers deux applications diffrentes (Guenounou et Belmehdi, 2006; Guenounou
et al., 2006) quun partitionnement avec 5 ou 7 fonctions dappartenance est largement
sufsant pour obtenir une rgulation ou une poursuite de trajectoire satisfaisante. Quand
la deuxime approche, celle-ci nous semble plus importante, car la minimisation du
nombre de rgles permet dune part de rduire la complexit du contrleur et dautre part
de minimiser les charges de calcul, ncessaires pour valuer la sortie du contrleur, des
essentiellement au nombre de rgles quil faut vrier chaque pas dchantillonnage.
Dans la suite de ce travail nous nous intressons cette dernire approche, non seulement
pour lintrt quelle prsente, mais galement pour remdier linconvnient de la pre-
mire mthode doptimisation, dcrite prcdemment. En effet, cette mthode permet de
gnrer dans beaucoup de cas une base de rgles brouille contenant des rgles qui nont
pas de sens.
FIG. 3.22 Bases de rgles contenant des rgles incohrentes
3.3. OPTIMISATION PAR ALGORITHMES GNTIQUES HIRARCHISS 83
Un exemple dune telle base est reprsent par les tableaux (a) et (b) de la gure 3.22.
Ces deux tableaux correspondent bien aux bases de rgles obtenues (tableau 3.6 et tableau
3.8) la n du processus doptimisation pour les deux mthodes de slection considres
(tournoi et NSGA-II). Les cellules entoures correspondent aux conclusions des rgles
contradictoires avec le sens commun et le modle de rgles de Macvicar-Whelan.
3.3.1 Structure du chromosome hirarchis
Le codage que nous proposons cette fois ci (voir gure 3.23) diffre de celui de la
gure 3.10, par la prsence de gnes de contrle dans la nouvelle structure, et qui ont
comme rle lactivation ou la dsactivation des rgles oues. Le nombre de gnes de
contrle est gal la dimension initiale de la base de rgles: chaque rgle on fait cor-
respondre un gne de contrle. Quand " 1 " est assign au gne de contrle (z
i
), la rgle
oue correspondante devient active. Dans le cas contraire (un" 0 " est assign au gne
de contrle), cette rgle devient inactive (i.e limine de la base de rgles du contrleur).
Pour un contrleur deux entres et une seule sortie (gure 3.2) le nombre de gnes de
contrle est gal K = N
e
N
e
.
Ainsi, si z
i
= 0, i = 1,2, ,K, aucune rgle nest active dans la base de rgles du
contrleur, dans ce cas, le contrleur ne peut fournir une commande.
Pour contourner cette singularit, nous introduisons la contrainte suivante :
K

i=1
z
i
l
r
(3.21)
avec l
r
le nombre minimal de rgles actives dans la base de rgles du contrleur ou.
FIG. 3.23 Structure du chromosome de lAGH appliqu pour loptimisation des para-
mtres dun CF
84 CHAPITRE 3. CONCEPTION DE CONTRLEURS FLOUS PAR ALGORITHMES
GNTIQUES
3.3.2 Oprateurs gntiques
Les oprateurs de croisement et de mutation peuvent sappliquer sur les gnes de
paramtres (partie 2 du chromosome) comme sil sagissait simplement dun algorithme
gntique standard. An de satisfaire la contrainte (3.16), le croisement et la mutation des
gnes de contrle sont effectus de la manire suivante :
1. Oprateur de Croisement: considrons les gnes de contrle des deux chromo-
somes parents ch
1
et ch
2
avant de les recombiner par croisement et supposons que
l
r
= 5 (au moins cinq gnes de contrle sont au niveau 1 pour chaque chromosome):
Gnes de contrle de ch
1
: 1/0000/11110, contrainte satisfaite
Gnes de contrle de ch
2
: 1/1111/11000, contrainte satisfaite.
Si un croisement est appliqu aux points indiqus par le symbole

, les descendants
suivants sont produits :
ch

1
: 1/1111/11110, contrainte satisfaite
ch

2
: 1/0000/11000, violation de contrainte.
An de respecter toujours la contrainte, nous inter-changeons uniquement les pre-
miers bits de ch
2
pour lesquels la contrainte est satisfaite, ainsi aprs cette correction
nous obtenons:
ch

2
: 1/0011/11000, contrainte satisfaite.
2. Oprateur de Mutation : comme pour le cas de loprateur de croisement, la muta-
tion de certains gnes de contrle (quand 1 est mut zro), peut violer la contrainte
(3.16) comme illustr ci-dessous:
Considrons les gnes de contrle du chromosome de ch
3
: 1100001101 pour les-
quels la contrainte est satisfaite (l
r
= 5). Si maintenant une mutation est opre sur
le premier gne, on obtient la chane : 010001101, par consquent la contrainte est
viole. Pour la satisfaire on remet le bit mut 1 (annulation de la mutation).
3.3.3 Fonction objectif supplmentaire
Pour remdier au problme de prsence de rgles oues inutiles et/ou incohrentes
dans la base de rgles du contrleur optimis, nous introduisons, en plus des objectifs
prcdents relatifs aux performances du contrleur en termes derreur (ISE, IAE, ITAE,
Dep) un autre objectif supplmentaire qui favorise les solutions correspondantes un
3.3. OPTIMISATION PAR ALGORITHMES GNTIQUES HIRARCHISS 85
nombre minimal de rgles actives. Cet objectif se traduit par une simple sommation des
gnes de contrle:
Ob
2
=
K

i=1
z
i
(3.22)
3.3.4 Evaluation des performances de lAGH
Pour valuer les performances du contrleur ou optimis par les AGH, des tests de
simulation ont t raliss sur le mme systme trait prcdemment par les AGS.
Nous avons considr le mme type et le mme nombre de fonctions dappartenance
pour dnir les variables du contrleur sur leur univers de discours. Nous avons conserv
galement la mme procdure dinitialisation des chromosomes, les gnes de contrle
qui constituent ici une partie supplmentaire et qui prennent leur valeur dans lensemble
{0,1} sont initialiss par un processus alatoire o lon accorde plus de probabilit un
qu zro. De cette faon, on gnre initialement des solutions qui considrent un nombre
important de rgles oues de la base du contrleur.
Deux objectifs sont considrs:
Minimisation de lintgrale de lerreur absolue temporelle (ITEA) et le dpassement
Dep.(equation 3.20 avec = 50)
Minimisation de rgles oues (quation 3.22)
Les paramtres de LAGH sont ceux du tableau 3.3, dnis prcdemment pour les AGS,
auxquels il faut ajouter la probabilit de mutation (p
mc
= 0.005) et de croisement (p
cc
=
0.45) des gnes de contrle et le nombre minimal (l
r
= 20) de rgles conserver dans la
base de du contrleur.
La gure 3.24 donne la rpartition sur le plan des objectifs (Ob
1
, Ob
2
) des solutions de la
dernire gnration. On constate un regroupement des solutions autour du front de Parto.
Les quelques solutions qui se trouvent loignes du front de Pareto, sont dues principale-
ment aux effets de la mutation et du croisement des gnes de contrle, qui peuvent tre
nocifs dans certains cas en dsactivant des rgles pertinentes et/ou en activant des rgles
incohrentes. Cest dailleurs la raison pour laquelle, les probabilits dapplication des
ces oprateurs ont t xes des valeurs relativement faibles par rapport celle dun
algorithme gntique simple.
86 CHAPITRE 3. CONCEPTION DE CONTRLEURS FLOUS PAR ALGORITHMES
GNTIQUES
FIG. 3.24 Rpartition de la population nale
La gure 3.25 reprsente les solutions constituant le front de Pareto. Tout dabord il y
a lieu de constater que les deux objectifs Ob
1
et ob
2
sont contradictoires car en diminuant
le nombre de rgles, lobjectif Ob
1
tend se dtriorer, notamment partir de moins de 20
rgles. Dautre part il faut noter que certaines congurations pour lesquelles nous avons
plus de 26 rgles actives (Ob
2
> 26) ne font pas partie de ce front. Au-del de 26 rgles il
est difcile dapporter une amlioration lobjectif Ob
1
, cest--dire dobtenir une valeur
de lobjectif Ob
1
infrieur 27,367.
FIG. 3.25 Solutions constituant le front de Pareto
3.3. OPTIMISATION PAR ALGORITHMES GNTIQUES HIRARCHISS 87
La gure 3.26 donne la rponse du systme correspondante une solution prise dans
le front de Pareto.
FIG. 3.26 Sortie du systme pour la solution de test
FIG. 3.27 Fonctions dappartenance
88 CHAPITRE 3. CONCEPTION DE CONTRLEURS FLOUS PAR ALGORITHMES
GNTIQUES
Avec uniquement 22 rgles (voir le carr bleu de la gure 3.25), nous avons des per-
formances trs semblables celles obtenues en considrant la totalit des rgles oues
de la base du contrleur. Les diffrents paramtres correspondants cette solution sont
illustrs par la gure 3.27 et les tableaux 3.9 et 3.10
TAB. 3.9 Facteurs dchelle
G
e
G
e
G
s
2,015 18.541 0.162
TAB. 3.10 Base de rgles avec 22 rgles oues
u e
NG NM NP EZ PP PM PG
NG 1 1 4
NM 2 3 5
NP 4 6
e EZ 3 4
PP 2 4 5 5
PM 3 5 6
PG 4 5 6 6 7
3.4 Optimisation des contrleurs ous de type Su-
geno
La conception de contrleurs ous de types Sugeno par algorithmes gntiques (AGS
ou AGH) peut se faire de la manire expose prcdemment pour le cas du contrleur
de type Mamdani. Tout ce qui change est le codage des conclusions des rgles oues qui
sont de nature diffrente pour les deux types de contrleurs. En effet avec un contrleur
ou deux entres et une seule sortie tel quillustr par la gure 3.2, les rgles oues de
Sugeno sont dcrites par:
Rgle i
1
,i
2
: Si (e est A
1i
1
) ET (e est A
2i
2
) Alors u = a
i
1
i
2
0
+a
i
1
i
2
1
e +a
i
1
i
2
2
e
o a
i
1
i
2
0
, a
i
1
i
2
1
et a
i
1
i
2
2
sont les paramtres associs la Rgle i
1
,i
2
.
Dans ce cas, la conclusion dune rgle peut tre dnie par les trois paramtres: a
0
, a
1
et
3.4. OPTIMISATION DES CONTRLEURS FLOUS DE TYPE SUGENO 89
a
2
.
Tenant compte de cette considration, loptimisation par algorithme gntique de len-
semble des paramtres du CF de Sugeno peut tre obtenue partir des structures illustres
par la gure ci-dessous.
FIG. 3.28 Structures du chromosome optimisant le contrleur de Sugeno
La partie suprieure de la gure correspond une structure simple qui fait intervenir
deux type de reprsentation: binaire pour les facteurs dchelle et relle pour le reste des
paramtres (paramtres des fonctions dappartenance et rgles oues). Dans la partie in-
frieure de la gure, la structure est un peu diffrente, elle prsente un niveau de gnes de
contrle supplmentaire qui a pour rle lactivation ou la dsactivation des rgles oues.
En exploitant ces structures, il est tout fait possible daboutir des rsultats semblables
ceux prsents dans les deux sections prcdentes. Toutefois linconvnient majeur de
cette mthode rside dans le fait que lon ne dispose pas de modle de rgles comme pour
le cas des contrleurs de Mamdani, pour initialiser la base de rgles du contrleur et qui
peut, par consquent, rendre la procdure de recherche couteuse en temps. Pour remdier
cet inconvnient, nous avons propos dans (Guenounou et al., 2009) une mthode dini-
tialisation en utilisant lalgorithme de rtropropagation du gradient. Comme ce dernier
sadapte mieux des structures multicouches (rseaux de neurones), le contrleur ou
est donc transform en un rseau multicouche (rseau neuro-ou) avant toute procdure
doptimisation. Dans ce qui suit, nous allons prsenter la structure du rseau neuro-ou
90 CHAPITRE 3. CONCEPTION DE CONTRLEURS FLOUS PAR ALGORITHMES
GNTIQUES
propose ainsi que son algorithme dapprentissage.
3.4.1 Structure du rseau Neuro-ou
Le rseau neuro-ou propos est une architecture cinq couches qui comprend les
lments dun systme ou de type Sugeno. Pour ne pas rester dans le cas dun contrleur
deux entres, nous considrons cette fois ci un cas plus gnral avec un rseau r
entres [x
1
, x
2
, x
3
, ..., x
r
] et une sortie y. En considrant la gure 3.29, explicitons le
fonctionnement du rseau, couche par couche.
FIG. 3.29 Structure du rseau neuro-ou
3.4.1.1 Premire couche (couche dentre)
Aucune fonction nest ralise avec les neurones de cette couche. Chaque neurone
transmet le signal dentre vers la deuxime couche.
O
1
i
= u
1
i
, u
1
i
= x
i
(3.23)
3.4. OPTIMISATION DES CONTRLEURS FLOUS DE TYPE SUGENO 91
3.4.1.2 Deuxime couche (couche des fonctions dappartenance)
Les neurones de cette couche correspondent aux termes linguistiques (sous ensembles
ous) associs aux variables dentre du contrleur. La sortie de chaque neurone fournit
le degr dappartenance dune variable dentre au sous ensemble ou correspondant ce
neurone. Elle est donne par :
O
2
i
= exp(
(u
2
i
c
i
)
2
2
2
i
) (3.24)
u
2
i
=
_

_
O
1
1
if i = 1,2,...,n
1
O
1
2
if i = n
1
+ 1,...,n
1
+n
2
O
1
j
if i = n
1
+.. +n
j1
+ 1,...,n
1
+.. +n
j
.
O
1
r
if i = n
1
+.. + n
r1
+ 1,...,n
1
+.. +n
r
(3.25)
o n
1
, n
2
, ... et n
r
reprsentent respectivement le nombre de sous ensembles ous associs
aux varaibles du contrleur. c
i
et
i
sont les paramtres de la gaussienne du ime neurone.
3.4.1.3 Troisime couche(couche des prmisses)
Chaque neurone de cette couche correspond une rgle oue de la base de rgles.
Ses entres proviennent de tous les neurones de la deuxime couche qui participent dans
la partie prmisse de la rgle. La sortie de chaque neurone reprsente le degr de vrit
dune rgle, qui peut tre obtenu partir de:
O
3
i
=

j
u
3
j
, u
3
j
= O
2
j
,i = 1,2...K (3.26)
avec K = n
1
n
2
n
r
le nombre total de rgles oues.
3.4.1.4 Quatrime couche(couche des conclusions)
Chaque neurone de cette couche correspond la conclusion dune rgle oue. Il y
a donc autant de neurones dans cette couche que dans la troisime couche. la sortie de
chaque neurone est obtenue par une simple somme pondre des variables dentre :
O
4
i
= a
i
0
+
r

j=1
a
i
j
x
j
(3.27)
o a
i
j
sont les paramtres correspondant la conclusion de la ime rgle oue.
92 CHAPITRE 3. CONCEPTION DE CONTRLEURS FLOUS PAR ALGORITHMES
GNTIQUES
3.4.1.5 Cinquime couche (couche de sortie)
Le neurone de cette couche ou neurone de sortie, correspond la variable de sortie
du contrleur. Il intgre toutes les actions prconises par les couches 3 et 4 de manire
raliser ltape de dfuzzication:
O
5
=
K

j=1
O
3
j
O
4
j
K

j=1
O
3
j
(3.28)
3.4.2 Optimisation des paramtres du rseau neuro-ou
Dans cette section, nous allons prsenter lalgorithme hybride propos pour lappren-
tissage (i.e optimisation) de la structure du rseau neuro-ou. Le principe de cet algo-
rithme est trs simple: il consiste utiliser dans un premier temps lalgorithme de rtro-
propagation pour un ajustement de paramtres et dans un second temps un algorithme
gntique hirarchis pour un deuxime ajustement de paramtres tout en minimisant le
nombre de rgles oues.
3.4.2.1 Optimisation par lalgorithme de rtropropagation du gradient
Pour entraner le rseau, nous utilisons lalgorithme de rtropropagation du gradient
dj dcrit dans le chapitre 2 pour le cas dun perceptron multicouches. Les quations pr-
sentes doivent cependant tre adaptes aux fonctions particulires des neurones utiliss.
Le critre minimiser pour la mesure de performance reste lerreur quadratique donne
par lquation:
J(t) = 0.5 (y(t) y
d
(t))
2
(3.29)
o y(t)
d
et y(t) sont respectivement la sortie dsire et la sortie actuelle du rseau neuro-
ou.
Ladaptation des paramtres a
i
j
correspondant aux conclusions des rgles oues peut tre
obtenue par lquation ci-dessous:
a
i
j
(t + 1) = a
i
j
(t)
1
J(t)
a
i
j
(t)
(3.30)
3.4. OPTIMISATION DES CONTRLEURS FLOUS DE TYPE SUGENO 93
avec
J(t)
a
i
j
(t)
= (y(t) y
d
(t))
O
3
i
x
j
K

k=1
O
3
k
(3.31)
La loi dadaptation du paramtre c
i
, (centre de la i fonction dappartenance du rseau) est:
c
i
(t + 1) = c
i
(t)
2
J(t)
c
i
(t)
(3.32)
la driv du critre J(t) par apport c
i
peuvent tre obtenue partir de la dcomposition
ci-dessous :
J(t)
c
i
(t)
=
J(t)
O
2
i
O
2
i
c
i
(t)
= (

k

3
k
O
3
k
O
2
i
)(
(O
1
l
c
i
)O
2
i

2
i
)
(3.33)
avec

3
k
=
E(t + 1)
O
3
k
= (y(t + 1) y
d
(t + 1))
O
4
k
K

j=1
O
3
j

K

j=1
O
3
j
O
4
j
(
K

j=1
O
3
j
)
2
(3.34)
et
O
3
k
O
2
i
=

j=i
O
2
j
(3.35)
Les quations dadaptation du paramtre
i
peut tre obtenues de la mme manire que
celles de c
i
et elles sont omises.
3.4.2.2 Optimisation par algorithme gntique
Une fois que les paramtres des fonctions dappartenance et ceux des rgles oues
sont obtenus, un algorithme gntique hirarchis peut tre appliqu pour un deuxime
rglage des paramtres tout en minimisant le nombre de rgles oues initiales. Lalgo-
rithme fonctionne de manire identique celui dcrit dans la section 3.3 pour le cas dun
contrleur ou de type Mamdani. La seule diffrence rside dans ltape de gnration des
chromosomes composants la premire population. Pour mieux comprendre cette tape,
dans ce cas, nous la dtaillons ci-dessous travers un exemple dapplication.
94 CHAPITRE 3. CONCEPTION DE CONTRLEURS FLOUS PAR ALGORITHMES
GNTIQUES
3.4.3 Exemple
On ce propose, ici, de tester les performances de lalgorithme dapprentissage hybride
travers un problme classique de modlisation dun systme non linaire propos par
Narendra et Pathasarathy (1990).
3.4.3.1 Modle de simulation
Le systme non linaire modliser est dcrit par lquation aux diffrences suivante :
y(k) = [
y(k 1)y(k 2)(y(k 1) + 2.5)
1 +y
2
(k 1) +y
2
(k 2)
+ u(k 1)] (3.36)
Nous avons choisi larchitecture srie-parallle car elle est considre comme plus stable
vu que le rseau est rgulirement recal en utilisant ltat rel du processus. Le modle
possde trois entres u(k 1), y(k 1) et y(k 2) de trois ensembles ous {N,Z,P}
chacune, 27 rgles oues correspondantes aux diffrentes combinaisons des ensembles
ous et une sortie y(k).
3.4.3.2 Rsultats de simulations
Premire phase
Dans cette premire phase, lalgorithme de retropropagation est utilis pour ladaptation
des paramtres des fonctions dappartenance et des rgles oues. Une base de donnes
de 500 points, gnrs partir de lquation (3.36) et une entre u(k) uniformment r-
partie dans lintervalle [2,2], a t considre. Les paramtres de lalgorithme sont xs
comme suit :
1
= 0.12 et
2
= 0.05. Les paramtres des fonctions dappartenance et des
rgles oues rsultants sont rapports dans les tableaux 3.11 et 3.12 respectivement.
TAB. 3.11 Paramtres des fonctions dappartenance obtenus par rtropropagation
N Z P
c c c
u(k 1) -1.5183 1.2645 -0.0560 1.0001 1.3972 1.3857
y(k 1) -2.2635 1.1603 2.1290 1.2138 5.2837 1.8343
y(k 2) -2.1265 1.1331 2.6931 1.5531 5.8363 1.6604
3.4. OPTIMISATION DES CONTRLEURS FLOUS DE TYPE SUGENO 95
TAB. 3.12 Base de rgles oues obtenue par rtropropagation
Rgle Prmisses des rgles oues Paramtres relatifs aux rgles oues
u(k 1) y(k 1) y(k 2) a
i
0
a
i
1
a
i
2
a
i
3
1 N N N 0.3819 0.5643 0.5282 0.1331
2 N N Z -1.0990 0.9036 -0.3076 0.0405
3 N N P 0.0375 -0.2100 0.4020 0.1568
4 N Z N -1.2384 1.2754 -0.2871 0.0209
5 N Z Z -0.1550 0.7130 0.8397 -0.3301
6 N Z P -0.3562 0.1647 -0.0110 -0.1022
7 N P N -0.2726 0.2397 -0.0472 -0.1973
8 N P Z 0.2389 -0.0889 0.1119 0.0297
9 N P P 0.3798 0.5519 0.1797 0.2498
10 Z N N 0.8673 0.6258 0.2077 -0.0758
11 Z N Z -0.6847 1.0613 -0.0703 -0.2491
12 Z N P 0.0319 -0.4731 0.1814 -0.1433
13 Z Z N -0.9350 0.3343 -0.8489 -0.2357
14 Z Z Z 0.5132 0.5598 0.8888 0.0130
15 Z Z P 0.3603 0.3775 0.3822 0.2313
16 Z P N -0.2939 -0.1890 0.2667 -0.3359
17 Z P Z 0.0990 -0.1465 0.1275 0.6254
18 Z P P 0.1049 0.0452 0.4170 0.1453
19 P N N 1.5562 0.8578 0.4061 0.0614
20 P N Z 0.2563 0.6218 0.0918 -0.1722
21 P N P -0.1096 -0.0101 -0.0462 -0.3373
22 P Z N -0.1032 1.0483 -0.5471 0.4047
23 P Z Z 0.9238 0.7215 0.5852 0.3663
24 P Z P 0.0615 0.7278 0.3912 0.0250
25 P P N 0.2687 0.2973 -0.2713 -0.0743
26 P P Z -0.2067 -0.0493 0.5624 1.1994
27 P P P 0.2293 0.1330 0.2190 0.7235
Deuxime phase
Une fois la premire phase termine, le NSGA-II est utilis pour un deuxime ajustement
des paramtres. Deux objectifs ont t xs :
1. Minimisation de lerreur quadratique moyenne dnie par :
Ob
1
=
1
N
N

k=1
(y
d
(k) y(k))
2
(3.37)
2. Minimisation du nombre de rgles oues (quation 3.22).
La gure 3.30 montre la distribution des objectifs correspondants aux chromosomes de
la premire population. On constate que lobjectif 1 prend ses valeurs dans lintervalle
[3.10
3
,28.10
3
] proche de la solution obtenue par rtropropagation (Ob1 = 3,063.10
3
,
voir gure 3.30) tandis que lobjectif 2 prend ses valeurs autour de 27. Cette rpartition ne
96 CHAPITRE 3. CONCEPTION DE CONTRLEURS FLOUS PAR ALGORITHMES
GNTIQUES
FIG. 3.30 Rpartition des solutions de la premire gnration
rete que la mthode adopte ici pour linitialisation des chromosomes. Contrairement
aux mthodes traditionnelles qui se basent sur un processus alatoire, dans notre cas nous
utilisons le rsultat obtenu par retropropagation pour gnrer la population initiale. Au
dbut un premier chromosome mre est cr par codage des paramtres du rseau confor-
mment la structure illustre par la gure 3.28-b. Pour activer lensemble des rgles,
les gnes de contrle sont forcs 1. Ensuite les autres chromosomes sont gnrs par
mutation avec des taux faibles des gnes de paramtres et de contrle de ce premier chro-
mosome. Cela permet comme lindique la gure 3.30 de crer des chromosomes puissants
au sens de Ob
1
. Nous rappelons que la premire phase ne permet damliorer que lob-
jectif 1, lobjectif 2 tant x 27 (toutes les rgles sont actives). Comme le NSGA-II,
est un algorithme doptimisation multi-objectif litiste, le rsultat obtenu la n de la
premire phase ne risque pas de se perdre travers les gnrations, sil nest pas amlior
la dernire gnration, il sera au moins prserv. La gure 3.31 montre la rpartition
des objectifs relatifs aux chromosomes de la dernire gnration. On constate, un regrou-
pement au tour du front de Pareto (gure 3.32) et une amlioration signicative des deux
objectifs. Une fois lapprentissage accompli, les performances du rseau neur-ou sont
alors values sur un ensemble de test de 75 points gnrs partir dun signal dentre
sinusodal de la forme:
u(k) = sin(2k/25) (3.38)
Le rsultat de simulation obtenu est donn par la gure 3.33. On constate que le rseau
neuro-ou ralise une bonne approximation du systme avec une erreur quadratique mo-
3.4. OPTIMISATION DES CONTRLEURS FLOUS DE TYPE SUGENO 97
FIG. 3.31 Rpartition des solutions de la dernire gnration
FIG. 3.32 Rpartition des solutions du front de Pareto
yenne de 2,69.10
3
. Pour ce rsultat, nous avons choisi les paramtres relatifs au chro-
mosome appartenant au front de Parto de la population nale et indiqu par un triangle.
Dans ce chromosome, uniquement 6 rgles oues ont t considres, le reste (21 rgles)
est dsactiv par les valeurs prises par les gnes de contrle (les gnes de contrle corres-
pondant sont nuls).
98 CHAPITRE 3. CONCEPTION DE CONTRLEURS FLOUS PAR ALGORITHMES
GNTIQUES
FIG. 3.33 Test du modle
TAB. 3.13 Paramtres des fonctions dappartenance relatifs la solution de test
N Z P
c c c
u(k 1) -1.4652 1.7419 -0.2416 1.9084 0.9720 1.5988
y(k 1) -2.0775 1.1299 2.1737 1.0939 - -
y(k 2) -1.6944 1.1538 2.7835 1.7626 5.6253 2.1412
TAB. 3.14 Base de rgles relative la solution de test
Rgle Prmisses des rgles oues Paramtres relatifs aux rgles oues
u(k 1) y(k 1) y(k 2) a
i
0
a
i
1
a
i
2
a
i
3
2 N N Z -1.1995 0.7939 -0.1907 0.0211
5 N Z Z 0.1951 0.7252 0.8052 -0.2866
10 Z N N 0.9245 0.9832 0.2813 0.0423
13 Z Z N -1.2289 1.0474 -0.5949 -0.1234
21 P N P -0.0420 0.1193 -0.3753 0.2551
23 P Z Z 1.2833 0.6592 0.4041 0.2518
An de montrer lefcacit de lalgorithme hybride propos, le mme problme de
modlisation est trait avec un autre rseau neuro-ou qui exploite des rgles oues de
types Mamdani et qui a t propos par Farag et al. (1998). Dans leur modle les auteurs
proposent un algorithme dapprentissage rparti en trois phases. Ils utilisent durant la pre-
mire phase lalgorithme de Kohonen pour trouver les fonctions dappartenance initiales
et dans la seconde phase lalgorithme MMFA (Maximum Matching-Factor Algorithm)
pour loptimisation des rgles oues et enn un algorithme gntique pour un deuxime
3.5. CONCLUSION 99
rglage des fonctions dappartenance. Aussi le tableau (3.15) prsente une tude compa-
rative avec dautres approches de modlisation utilisant les rgles oues de type Takagi
Sugeno. Dans (Wang et Langari, 1996), les fonctions dappartenance sont obtenues par
lalgorithme de classication oue fuzzy c-mean alors que les paramtres relatifs aux
rgles oues sont estims par la mthode des moindres carrs. Cest encore cette dernire
mthode qui est combine avec lalgorithme de rtropropagation dans lapproche de Jang
(1993). Les rsultats obtenus, montrent que les performances de notre approche sont su-
prieures celles des autres modles mme avec un nombre rduit de rgles oues. Il est
aussi important de noter que notre algorithme hybride aboutit un ensemble de solutions
optimales en sens de Pareto au lieu dune unique solution, ensemble qui pourra tre ltr
et afn par lutilisateur.
TAB. 3.15 Comparaison avec dautres modles
Structure EQM EQM
Variables dentre Nombre de rgles (Apprentissage) (test)
6 0.00520 0.00269
u(k 1) 7 0.00469 0.00260
Notre modle y(k 1) 11 0.00372 0.00250
y(k 2) 16 0.00295 0.00189
22 0.00245 0.00179
Modle de Mamdani u(k 1)
(Farag et al., 1998) y(k 1) 22 0.00357 0.00214
y(k 2)
Modle de Sugeno u(k 1)
(Jang, 1993) y(k 1) 12 0.01321 0.01200
y(k 2)
Modle de Sugeno u(k 1)
(Wang et Langari, 1996) y(k 1) 8 0.00980 0.01150
y(k 2)
3.5 Conclusion
Dans ce chapitre nous avons dcrit les trois mthodes proposes pour la conception
dun contrleur ou par algorithmes gntiques.
Nous avons donc prsent dans un premier temps la mthode de synthse dun contrleur
ou de type Mamdani base sur un algorithme gntique simple. Cette mthode consiste
en loptimisation simultane des fonctions dappartenance, de la base de rgles et des fac-
teurs dchelle. Pour cela, nous avons dabord propos une mthode de reprsentation de
lensemble des paramtres du contrleur. Cette reprsentation fait intervenir trois types de
100 CHAPITRE 3. CONCEPTION DE CONTRLEURS FLOUS PAR ALGORITHMES
GNTIQUES
codage savoir un codage en base n, un codage en nombre rels et un codage en binaire.
Ensuite nous avons dcrit ltape dinitialisation des chromosomes en sattardant sur la
partie du chromosome correspondant aux rgles oues. Enn pour tester lefcacit de
la mthode, un problme de commande dun systme de deuxime ordre a t considr.
Les rsultats obtenus montrent limportance et lintrt des AG dans lamlioration des
performances du contrleur. Nanmoins lanalyse des la base de rgles, rsultante la
n du processus doptimisation, montre la prsence de rgles incohrentes. Pour palier
cet inconvnient, nous avons utilis les AGH cause de la structure de leurs chromo-
somes qui ont permis en plus du codage des paramtres du contrleur, lactivation et la
dsactivation des rgles oues. En introduisant alors un deuxime objectif (minimisation
du nombre de rgles) qui dfavorise les solutions avec un nombre important de rgles, il
est possible dliminer les rgles incohrentes comme le montre les rsultats de simula-
tions qui ont t faites sur le mme systme du deuxime ordre. Il faut noter que les deux
mthodes doptimisation par AGS et AGH peuvent tre couteuses en temps de calcul (par-
courir un nombre important de gnrations), dans le cas dun contrleur plus de deux
variables dentre, vu le manque de modles de rgles utiliser pour linitialisation des
chromosomes. Nous nous sommes donc intresss au contrleur de Sugeno, qui facilite
lexploitation des algorithmes dapprentissage classiques (moindres carrs, descente du
gradient) pour lajustement de leurs paramtres, incluant ceux correspondant aux rgles
oues. Nous avons propos pour ce type de contrleurs, une mthode dapprentissage hy-
bride qui utilise lalgorithme de rtropropagation pour linitialisation des chromosomes et
le NSGA-II pour un lajustement des paramtres tout en minimisant le nombre de rgles
oues
Chapitre 4
Application un bioprocd
4.1 Introduction
Dans ce chapitre, nous allons dabord dcrire le procd de fermentation sujet de notre
application et le modle retenu pour sa conduite. Ensuite nous allons procder lappli-
cation des approches de commande dveloppes dans le chapitre prcdent.
La bio-industrie a connu ces dernires annes un progrs considrable. Une grande diver-
sit de produits (alcools, protines, enzymes, pesticides, antibiotiques,..etc.) sont aujour-
dhui obtenus par fermentation.
Le but recherch dans ce domaine suivant dun point de vue automatique est loptimisa-
tion de la productivit, lamlioration de la qualit des produits et la dtection prcoce des
anomalies de fonctionnement, par la surveillance et la conduite automatique des biorac-
teurs.
Les procds biotechnologiques tels que la fermentation sont des procds complexes
cause du caractre vivant du processus. Ils sont non linaires, non stationnaires et caract-
riss par un manque de capteurs ables et /ou peu coteux. Cependant, les performances
des mthodes classiques de commande se dgradent dautant plus que la dynamique du
modle utilis sloigne de celle du procd.
101
102 CHAPITRE 4. APPLICATION UN BIOPROCD
4.2 Procd de fermentation
La fermentation microbienne est un procd qui a pour nalit de faire crotre une
population de micro-organismes (levures, bactries, champignons, etc.) aux dpens de
certains substrats carbons, lintrieur dun bioracteur soumis des conditions envi-
ronnementales (temprature, pH, aration, etc.) variable celon le rsultat voulu. Chaque
type de micro-organismes possde des caractristiques lies son matriel gntique et
ses mcanismes de rgulation interne. Ainsi, la fermentation peut avoir diffrentes utili-
sation:
Production de micro-organismes: lobjectif premier est la croissance de la masse
cellulaire elle-mme. Cest le cas des cultures visant produire la levure de boulan-
ger.
Production mtabolique: dans ce cas, cest la production de substances organiques
rsultantes de lactivit mtabolique qui est favorise (alcools, antibiotiques, etc.)
Consommation du substrat: ici, cest la dgradation du substrat qui est privilgie.
On retrouvera dans cette catgorie les procds de dpollution (traitement biolo-
gique des eaux uses)
A titre dexemple, la fermentation thylique sous certaines conditions denvironnement,
consiste dgrader biologiquement du glucose (substrat) par des levures (biomasse) en
anarobie, de manire produire de lthanol (produit). Cette transformation est illustre
par la gure (4.1).
FIG. 4.1 Schma simpli dune culture de levure
Trois modes de fonctionnement des bioprocds sont habituellement considrs dans
la littrature (Dochain, 2001).
4.3. MODLISATION DES BIOPROCDS 103
le mode discontinu: le substrat est introduit initialement dans le bioracteur conte-
nant les souches microbiennes. Les ractions seffectuent volume constant et le
procd sarrte par puisement du substrat ou inhibition de la biomasse ou le pro-
duit.
le mode semi-continu: le substrat est introduit dans le bioracteur au fur mesure
des besoins des micro-organismes et le volume est donc variable.
le mode continu: le racteur est aliment en substrat avec un ux constant et le
milieu ractionnel est soutir en permanence avec le mme ux, le volume est donc
constant dans le racteur.
4.3 Modlisation des bioprocds
Contrairement une large gamme de systmes physiques (machines lectriques, or-
ganes mcaniques, systmes hydrauliques, etc.) o il existe des lois connues depuis des
sicles, la plupart des modles en biologie reposent sur des lois empiriques. De ce fait, la
modlisation des systmes biologiques nest pas bien matrise et on trouve actuellement
une bibliographie abondante de modles mentionns dans la littrature.
Pour donner une description physique satisfaisante du processus de fermentation, il faut
combiner les quations cintiques qui reprsentent le modle microbien avec les quations
de bilans de matires. Le modle microbien qui dcrit la rponse des micro-organismes
au changement de son environnement peut tre soit structur soit non structur. Dans le
cas des modles non structurs, la constante de temps des mcanismes est trs faible et
ladaptation est donc trs rapide. Les modles structurs sont utiliss pour tenir compte
de lvolution de la composition et du mtabolisme interne des micro-organismes qui ont
des constantes de temps plus importantes.
4.3.1 Modles non structurs
Les modles non structurs sont bass sur lobservation des cintiques macrosco-
piques au sein du bioracteur. Ils sont dit non structurs car ils ne tiennent pas compte
de la composition intracellulaire des cellules. La biomasse est reprsente par une seule
104 CHAPITRE 4. APPLICATION UN BIOPROCD
variable qui est sa concentration dans le milieu ractionnel. Ces modles sont gnra-
lement bass sur lquation de Monod (Monod, 1942) ou des quations du mme type
globalisant les diffrentes ractions enzymatiques. Les constantes apparaissant dans ces
quations sont empiriques et souvent dtermines par optimisation partir de donnes ex-
primentales. Dautres quations dcrivant la consommation du substrat et la production
des produits sont ncessaires pour dcrire le procd.
Ce sont les modles non structurs qui sont exclusivement employs, au LAAS (DISCO),
dans le cas de la fermentation alcooliques (Maher, 1995; Vasilache, 2000; Kabbaj, 2004;
Li, 2006).
4.3.2 Modles structurs
Les modles structurs ont t dvelopps pour tenir compte de lvolution de la struc-
ture du mtabolisme interne des micro-organismes. Dans ces modles, les composs de la
biomasse sont dcrits par des variables clefs qui dcrivent le comportement cellulaire. Par
ce moyen, lactivit microbienne devient non seulement une fonction de variables abio-
tiques (temprature, pH, etc.) qui peuvent changer avec des faibles constantes de temps
mais aussi une fonction de la composition cellulaire qui dpend de lhistorique de la cel-
lule (Bideaux, 2000).
Ces modles sont trs riches en informations et peuvent tre utiliss la place des mo-
dles non structurs dans le cas o ceux-ci sont insufsants. Toutefois, la difcult de la
vrication exprimentale qui requiert parfois la mesure des composants intracellulaires
selon diffrentes conditions opratoires constitue lun des freins lutilisation de ce type
de modles. Dans notre travail, cest le modle non structur qui sera utilis pour dcrire
la dynamique du procd de fermentation alcoolique.
4.4 Modlisation de la fermentation alcoolique
Considrons un bioracteur inniment mlang au sein duquel une population de
micro-organismes C se dveloppe en consommant du substrat S et en produisant un pro-
duit P. Gnralement le modle dynamique dun tel procd dcoule directement de lex-
pression de bilans de matires applique aux diffrentes variables (biomasse, substrat et
produit) du bioracteur, auquel sajoute lquation dcrivant la variation du volume rac-
4.4. MODLISATION DE LA FERMENTATION ALCOOLIQUE 105
tionnel:
dC
dt
= C k
m
C
F
s
V
C (4.1)
dS
dt
=
1
y
c/s
C mC +
F
s
V
S
a

F
s
V
S (4.2)
dP
dt
=
y
p/s
y
c/s
C
F
s
V
P (4.3)
dV
dt
= F
e
F
s
(4.4)
o C, S, P reprsentent respectivement les concentrations en biomasse, en substrat et en
produit dans le bioracteur, S
a
est la concentration en substrat dans lalimentation, k
m
le
taux de mortalit naturelle des cellules,m le coefcient de maintenance de la biomasse
sur le substrat, F
e
le dbit dalimentation en substrat et F
s
le dbit de soutirage.
Le taux de croissance est un paramtre ncessaire pour dcrire lvolution de la bio-
masse. Mme si ce paramtre dpend fortement de plusieurs facteurs tels que les condi-
tions opratoires (temprature, pH, etc.) et le milieu opratoire (concentration en compo-
ss carbons, azots, phosphors, en produits), lexpression la plus couramment utilise
est le modle de Monod, introduit ds le dbut du sicle par Michalis-Menten pour d-
crire une raction enzymatique :
=
max
S
K
s
+S
(4.5)
o
max
est le taux maximum de croissance et K
s
, appele constante de Michalis-
Menten, correspond lafnit des micro-organismes pour le substrat limitant S. Les
valeurs numriques des ces paramtres ainsi que celles des rendements de conversion(
y
c/s
et y
p/s
) sont dtermines en fonction des rsultats exprimentaux.
A partir de ces quations gnrales, on retrouve les trois modes de fonctionnement de la
fermentation dcrits prcdemment :
4.4.1 Mode discontinu
Au dpart, tout le milieu de culture est introduit dans le fermenteur en prsence des
micro-organismes. Ces derniers se dveloppent en consommant le substrat du milieu de
culture et la n de la fermentation on extrait le produit intressant. Cela se traduit par :
F
e
= F
s
= 0 (4.6)
106 CHAPITRE 4. APPLICATION UN BIOPROCD
4.4.2 Mode semi-continu
La fermentation se droule avec un volume initial V
0
infrieur au volume maximal V
m
du fermenteur. Le milieu nutritif est apport, avec un dbit contrl en cours de la fermen-
tation au fur et mesure de la consommation du substrat par les micro-organismes. On
arrte la fermentation lorsquon atteint le volume maximal puis les produits intressants
sont extraits. Cela se traduit par :
F
e
= 0 et F
s
= 0 (4.7)
On utilise une variable D(t), appele taux de dilution, pour exprimer le dbit par unit de
volume.
D(t) =
F
e
(t)
V (t)
(V
0
V (t) V
m
) (4.8)
4.4.3 Mode continu
Le procd fermentaire continu nentrane aucune variation du volume ractionnel. Le
fermenteur est aliment en milieu de culture et soutir avec le mme dbit en permanence.
F
e
= F
s
= F
c
(4.9)
et le taux de dilution est donn par:
D(t) =
F
c
V
(4.10)
avec V (t) = V
c
= Constante
Les variables denvironnement, sont maintenues xes suivant le mode de fonctionnement
considr. Elles sont donnes par le tableau suivant:
TAB. 4.1 Variables denvironnement maintenues au cours de la fermentation
Variables Valeurs
Discontinu Semi-continu Continu
Temprature (

C) 30 30 30
pH 3,8 3,8 3,8
Volume actif (l) 30 30 30
Agitation (tr/m) 200 300 200
Aration (l/h) 3 32 3
4.4. MODLISATION DE LA FERMENTATION ALCOOLIQUE 107
4.4.4 Modle dynamique
Le modle retenu pour une fermentation alcoolique en mode continu est donn par les
quations suivantes :
dC
dt
= C(t) D(t)C(t) (4.11)
dS
dt
=
1
y
c/s
C(t) mC(t) +D(t)S
a
D(t)S(t) (4.12)
dP
dt
=
Y
p/s
y
c/s
C(t) D(t)P(t) (4.13)
dV
dt
= F
e
F
s
= 0 (4.14)
(t) =
max
(t)
S(t)
K
s
+S(t)
(4.15)
Nous avons simul le modle pour diffrents taux de dilution. La rsolution des quations
du modle est faite par une mthode dintgration de Runge-Kutta dordre 4 sous Matlab
6.5.
4.4.5 Simulation du modle en mode discontinu
D(t) = 0 caractrise une fermentation en mode batch (discontinu) ce qui nest pas re-
prsentatif de la culture continue. Le modle en discontinu, est simul sous les conditions
et les paramtres de synthse suivants: C(0) = 0.2g/l, S(0) = 90g/l, P(0) = 0.2g/l,

max
= 0.38h
1
S
a
= 100g/l, K
s
= 2, Y
c/s
= 0.07 Y
p/s
= 0.44
108 CHAPITRE 4. APPLICATION UN BIOPROCD
FIG. 4.2 Evolution des concentrations en substrat, biomasse, produit et du taux de
croissance pour une fermentation en mode batch
Daprs les rsultats obtenus, on constate pour de fortes concentrations en substrat,
entranent une inhibition de la croissance en biomasse et en produit. Cependant, son ab-
sence (substrat) un effet limitant sur ces derniers (Figure 4.2-a). Paralllement, le taux de
croissance dcrit par le modle de Monod, est en fonction de la concentration en substrat.
Une forte concentration de celui-ci limite le taux de croissance (Fig. 4.2-b), et linhibe
pour des faibles concentrations.
4.4.6 Simulation du modle en mode continu
Pour avoir un bon fonctionnement en mode continu, il faut appliquer un taux de dilu-
tion positif et infrieur la borne suprieure de la croissance (D(t)
max
), cela, pour
viter le phnomne de lessivage ou rinage, qui entrane lanantissement et lextinc-
tion de la population cellulaire. De mme, si le taux de dilution est trs faible (au voisinage
de zro), le temps de rsidence des cellules dans le fermenteur crot et engendre une mor-
talit cellulaire. En tenant compte des contraintes du taux de dilution nous avons simul
le modle du bioprocd en mode continu. Les conditions initiales et les paramtres de
synthse utiliss sont: C(0) = 5g/l, S(0) = 5g/l, P(0) = 0.2g/l,
max
= 0.38h
1
S
a
= 100g/l, K
s
= 2, Y
c/s
= 0.07 Y
p/s
= 0.44
Lvolution des diffrentes variables du systme est donne par la gure (4.3).
4.4. MODLISATION DE LA FERMENTATION ALCOOLIQUE 109
FIG. 4.3 Evolution des variables dtat pour une fermentation en mode continu
Nous avons appliqu un taux de dilution avec changement de consigne donn sur la
gure 4.3-a, pour tudier la cintique des variables dtat du bioprocd. On remarque,
que pour les conditions initiales utilises, le taux spcique de croissance suit approxima-
tivement le taux de dilution appliqu.
Conjointement, lvolution de la concentration en biomasse et celle du produit (Figure
4.3-b) et (Figure 4.3-c), sont disproportionnelles au taux spcique de croissance et au
taux de dilution appliqu (Figure 4.3-a). Cela se traduit, par une croissance de la bio-
masse et du produit au dtriment (avec dgradation) du substrat (Figure 4.3-d), qui est
une fonction du taux spcique de croissance.
110 CHAPITRE 4. APPLICATION UN BIOPROCD
4.5 Application des approches intelligentes pour
la conduite du bioprocd
La commande des bioprocds, a pour objectif la maximisation de la productivit, la
minimisation des dpenses nergtiques et lamlioration de la qualit des produits obte-
nus.
Les performances dun bioprocd fonctionnant en mode continu, peuvent tres obte-
nues en deux tapes. Dabord, on dnit exprimentalement des prols optimaux pour
les variables dintrt, ensuite, on dveloppe une commande qui se charge de rguler ces
variables dintrt autour des prols prdnis.
Dans notre cas, lobjectif de la commande est de dterminer le taux de dilution D(t) per-
mettant de rguler la concentration en substrat suivant une consigne (prol) de rfrence
S
r
(t).
4.5.1 Optimisation du contrleur ou par algorithme gntique simple
Pour rguler la concentration du substrat lintrieur du racteur, nous utilisons la
structure de rglage illustre ci-dessous.
FIG. 4.4 Principe de la commande oue optimise par algorithme gntique
Le contrleur ou reoit dans ses deux entres, lerreur de la concentration en substrat
et sa variation et fournit en sortie la variation du taux de dilution D(t) qui sert ajuster
4.5. APPLICATION DES APPROCHES INTELLIGENTES POUR LA CONDUITE DU
BIOPROCD 111
le signal de commande D(t) :
u(t) = D(t) = G
s
D(t) +u(t 1) (4.16)
An dobtenir une rponse optimale, les paramtres du contrleur ou (fonction dappar-
tenance, rgles oues et facteurs dchelle) sont optimiss par un algorithme gntique
simple.
4.5.1.1 Rsultats de simulation
Le bioprocd en mode continu est simul partir des quations (4.11-4.15) en utili-
sant la mthode dintgration de Runge-Kutta dordre 4.
Les conditions initiales et les paramtres de synthse utiliss sont: C(0) = 5g/l, S(0) =
5g/l, P(0) = 44g/l,
max
= 0.38g/l, Sa = 100g/l, Ks = 5, Y
c/s
= 0.07, Y
p/s
= 0.44.
Deux structures du contrleur ou ont t testes.
La premire correspond un partitionnement avec 5 fonctions dappartenance de type
gaussiennes {NG: Ngatif Grand, NM: Ngatif Moyen, EZ: Zro, P: Positif, PG: Positif
Grand} pour chacune des variables du contrleur et 25 rgles oues.
Dans la deuxime, nous utilisons galement le mme type de fonctions dappartenance
mais avec un partitionnement plus n de 7 ensembles ous {NG, NM, NP, EZ, PP, PM,
PG}. La base de rgles correspondante possde alors une taille de 49 rgles. Nous rappe-
lons que la taille de la base de rgles demeure constante durant tout le processus dopti-
misation.
Les intervalles de variation des centres des fonctions dappartenance sont donns dans le
tableau 4.2.
TAB. 4.2 Intervalles de variation des centres des fonctions dappartenance
Premire structure Deuxime structure
Min Max Min Max
NG -1 -0,5 -1 -0,70
NM -0,35 -0,05 -0,69 -0,40
NP - - -0,39 -0,05
Ensembles Flous EZ -0,04 0,04 -0,04 0,04
PP - - 0,05 0,39
PM 0,05 0,35 0,40 0,69
PG 0,50 1 0,70 1
112 CHAPITRE 4. APPLICATION UN BIOPROCD
Ils sont dtermins de manire obtenir la n du processus doptimisation des parti-
tions lisibles dont les ensembles ous interprtent rellement les termes linguistiques qui
leur sont associs. Le niveau de chevauchement entre deux fonctions voisines est dni
dans lintervalle [0.05, 0.6]
Les intervalles de variations des facteurs dchelle en entre du contrleur ou sont ob-
tenus partir du prol de rfrence. En effet la connaissance de la variation maximale
du prol de rfrence (voir gure 4.7) et de la variation de la concentration en substrat
conduit la dnition des intervalles suivant:
TAB. 4.3 Intervalles de variation des facteurs dchelle
Facteurs dchelle
G
e
G
e
G
u
Min 1 3 0,05
Max 2 10 0,15
Quant lintervalle de variation du gain G
u
(tableau), il est choisi de manire faire
un compromis entre rapidit et stabilit.
a.Fonction objectif
La mise au point du contrleur ou est ralise en minimisant un critre qui comprend
lintgrale de lerreur absolue (IAE) et lintgrale de lerreur absolue temporelle (ITAE):
Ob = IAE + ITAE (4.17)
Par cette combinaison, il est possible de minimiser lerreur durant la priode transitoire
(IAE), et en rgime permanent par lemploi de (ITAE).
b.Paramtres de lAG
Comme pour beaucoup dalgorithmes, les paramtres de lalgorithme gntique doivent
tre soigneusement choisis pour obtenir de bons rsultats. Dans notre cas, nous avons
utilis les paramtres suivants:
Longueur du chromosome:
1. Premire structure: 76 (27 pour les fonctions dappartenance, 25 pour les
rgles oues et 24 (3*8) pour les facteurs dchelle)
2. Deuxime structure: 112 (39 pour les fonctions dappartenance, 49 pour les
rgles oues et 24 pour les facteurs dchelle)
Probabilit de croisement: 0,85
4.5. APPLICATION DES APPROCHES INTELLIGENTES POUR LA CONDUITE DU
BIOPROCD 113
Probabilit de mutation: 0,01
Taille de la population: 30
Maximum de gnrations: 500
Mthode de slection: tournoi combin aves une approche litiste.
Premire structure
Les rsultats obtenus pour cette premire structure sont ports sur les gures 4.5-4.8.
FIG. 4.5 Evolution de lobjectif (Ob) travers les gnrations-structure 5*5*5
Nous remarquons que les rsultats diffrent de gnration en gnration. La valeur du
critre de performance Ob est rapidement amliore au cours des premires gnrations,
et est ramene de 661,01 23,65 au bout de 20 gnrations seulement. Elle atteint sa va-
leur optimale (Ob = 17,85) aprs 463 gnrations puisque cest toujours cette valeur qui
revient jusqu la n du processus doptimisation.
Les gure 4.6 donnant lvolution des paramtres des fonctions dappartenance justie
bien le rle des oprateurs gntiques (slection, croisement et mutation) en exploitant
des points diffrents dans lespace de recherche des paramtres. Il est important de noter
que les variations des paramtres sont relativement importantes au cours des premires
gnrations par rapport au reste des gnrations.
114 CHAPITRE 4. APPLICATION UN BIOPROCD
FIG. 4.6 Evolution des paramtres du contrleur ou travers les gnrations-structure
5*5*5
4.5. APPLICATION DES APPROCHES INTELLIGENTES POUR LA CONDUITE DU
BIOPROCD 115
Pour mieux illustrer lvolution des rsultats, nous portons dans les gures ci-aprs
lvolution de la concentration en substrat, du signal de commande et des paramtres du
contrleur, obtenus lors de la premire et de la dernire gnration (1, 500).
FIG. 4.7 Evolution de la concentration en Substrat pour le meilleur chromosome de la
premire gnration-structure 5*5*5
La gure (4.7) prsente lvolution de la concentration en substrat pendant 45 heures
de fermentation continue, correspondant au meilleur chromosome de la premire gnra-
tion. Nous remarquons la prsence doscillations qui stalent sur des intervalles de temps
trs importants.
TAB. 4.4 Facteur dchelle correspondants au meilleur chromosome de la premire
gnration-structure 5*5*5
Facteurs dchelle
G
e
G
e
G
u
Valeur 1,6059 1,2431 0,1000
116 CHAPITRE 4. APPLICATION UN BIOPROCD
FIG. 4.8 Fonctions dappartenance correspondantes au meilleur chromosome de la pre-
mire gnration-structure 5*5*5
TAB. 4.5 Base de rgles oues correspondante au meilleur chromosome de la premire
gnration-structure 5*5*5
u e
NG NM EZ PM PG
NG 1 1 1 2 3
NP 1 2 2 3 4
e EZ 1 2 3 4 5
PM 2 3 4 4 5
PG 3 4 5 5 5
4.5. APPLICATION DES APPROCHES INTELLIGENTES POUR LA CONDUITE DU
BIOPROCD 117
Le rsultat de la dernire gnration est nettement meilleur. On peut constater la dis-
paration des oscillations lexception de quelques-unes qui apparaissent aux instants des
changements de consignes. Ces dernires sont rapidement attnues par une action op-
timale du contrleur ou et les paramtres (gure 4.10 , tableaux 4.6 et 4.7) sont trs
diffrents de ceux obtenus au dbut du processus doptimisation.
FIG. 4.9 Evolution de la concentration en Substrat et le taux de dilution pour la dernire
gnration-structure 5*5*5
TAB. 4.6 Facteur dchelle correspondants au meilleur chromosome de la dernire
gnration-structure 5*5*5
Facteurs dchelle
G
e
G
e
G
u
Valeur 0,8706 1,0392 0,1024
118 CHAPITRE 4. APPLICATION UN BIOPROCD
FIG. 4.10 Fonctions dappartenance correspondantes au meilleur chromosome de la
dernire gnration-structure 5*5*5
TAB. 4.7 Base de rgles oues correspondante au meilleur chromosome de la dernire
gnration-structure 5*5*5
u e
NG NM EZ PM PG
NG 1 1 1 1 3
N 2 2 2 4 5
e EZ 1 3 3 4 2
P 2 4 1 5 4
PG 3 5 5 5 5
4.5. APPLICATION DES APPROCHES INTELLIGENTES POUR LA CONDUITE DU
BIOPROCD 119
Deuxime structure
Pour cette partie et par manque despace, nous reprsentons uniquement lvolution
du critre de performances travers les gnrations, les paramtres du contrleur ou et
la sortie du procd correspondants au meilleur chromosome de la dernire gnration.
FIG. 4.11 Evolution de lobjectif (Ob) travers les gnrations-structure 7*7*7
La gure (4.11) dcrit lvolution de lobjectif Ob en fonction du nombre de gnra-
tions parcourues. De mme que pour la premire structure, on remarque que le critre de
performance diminue rapidement durant les premires gnrations ([0, 20] et [20,135]). Il
continue diminuer lentement jusqu atteindre la valeur 16,56 la 200me gnration.
A partir de cette gnration, on enregistre de trs faibles variations de la fonction objectif
(Ob) soit une diffrence de 0,02 jusqu la 500me gnration.
Les concentrations en substrat et du taux de dilution obtenus pour la 500me gnration
sont donns sur la gure 4.12.
120 CHAPITRE 4. APPLICATION UN BIOPROCD
FIG. 4.12 Evolution de la concentration en Substrat et le taux de dilution pour la der-
nire gnration-structure 7*7*7
Cette variable suit bien le prol dsir, soit une erreur nulle en rgime permanent et un
temps de rponse trs rduit sans quil y ait de dpassements et doscillations aux instants
de changements de consigne.
Les facteurs dchelle, les paramtres des fonctions dappartenance et la base de rgles
correspondants sont respectivement donns par le tableau 4.8, la gure 4.13 et le tableau
4.9.
TAB. 4.8 Facteur dchelle correspondants au meilleur chromosome de la dernire
gnration-structure 7*7*7
Facteurs dchelle
G
e
G
e
G
u
Valeur 1,0529 1,0078 0,0871
4.5. APPLICATION DES APPROCHES INTELLIGENTES POUR LA CONDUITE DU
BIOPROCD 121
FIG. 4.13 Fonctions dappartenance correspondantes au meilleur chromosome de la
dernire gnration-structure 7*7*7
TAB. 4.9 Base de rgles oues correspondante au meilleur chromosome de la dernire
gnration-structure 7*7*7
u e
NG NM NP Z PP PM PG
NG 1 3 2 3 2 3 5
NM 4 1 3 1 2 4 4
NP 2 2 4 3 7 4 6
e Z 2 2 3 4 5 5 7
PP 2 3 4 5 4 7 6
PM 5 4 6 5 6 5 7
PG 3 5 6 7 3 7 7
122 CHAPITRE 4. APPLICATION UN BIOPROCD
Notons bien quune attention particulire doit tre porte sur les bases de rgles ob-
tenues, pour les deux structures, en n du processus doptimisation. Celles-ci prsentent
des rgles incohrentes (cellules noires des tableaux 4.7 et 4.9) qui peuvent avoir un effet
ngatif sur la rponse du contrleur. Pour lAGS, la prsence de ces rgles ne peut tre
ressenti tant que le critre numrique base duquel les individus sont valus, nest pas
dtrior. Pour palier cet inconvnient, nous introduisons donc un deuxime objectif qui
est la minimisation du nombre de rgles oues. Ce dernier permet de privilgier, durant
le processus doptimisation, les contrleurs ous avec un minimum de rgles ce qui per-
mettra dliminer les rgles inutiles.
4.5.2 Optimisation du contrleur ou par algorithme gntique hirar-
chis
La stratgie de commande reste la mme (g.4.4), seule la mthode doptimisation des
paramtres du contrleur ou diffre. On utilise cette fois ci un AGH la place dun AGS
ce qui permet dune part de coder par le biais des gnes des paramtres, les paramtres
des fonctions dappartenance, les facteurs dchelle et les conclusions des rgles oues,
comme sil sagissait dun algorithme gntique simple et dautre part lactivation ou la
dsactivation des rgles oues par le biais des gnes de contrle, chose qui diffre dun
AG simple. En effet, dans les deux cas prcdents (premire et deuxime structure) toutes
les rgles oues et parmi elles les rgles incohrentes, sont restes actives.
4.5.2.1 Objectifs de la stratgie de commande
Deux objectifs sont considr le premier est lamlioration des performances du sys-
tme de commande et le deuxime concerne la rduction de la complexit du contrleur :
Ob
1
= IAE + ITAE (4.18)
Ob
2
=
49

i=1
z
i
(4.19)
Comme il sagit dun problme doptimisation multi-objectif (Ob
1
et Ob
2
), nous avons
opt pour le NSGA-II comme algorithme de rsolution (mthode de slection).
4.5. APPLICATION DES APPROCHES INTELLIGENTES POUR LA CONDUITE DU
BIOPROCD 123
4.5.2.2 Rsultats de simulation
Pou vrier les performances de la mthode doptimisation, nous utilisons un contr-
leur ou congur selon la deuxime structure dj prsente prcdemment.
Les intervalles de variation de lensemble des paramtres du contrleur restent les mmes.
On garde galement le mme prol de consigne.
Les paramtres du NSGA-II sont rsums ainsi:
Longueur du chromosome: 161(49 pour les gnes de contrle, 39 pour les fonctions
dappartenance, 49 pour les rgles oues et 24 (3*8) pour les facteurs dchelle)
probabilit de croisement des gnes de paramtres : 0.85
Probabilit de croisement des gnes de contrle : 0.45
Probabilit de mutation des gnes de paramtres : 0.01
Probabilit de mutation des gnes de contrle: 0.005.
Taille de la population: 40
Maximum de gnration : 1000
La gure (4.14) donne la rpartition des chromosomes de la premire gnration dans
lespace des objectifs.
FIG. 4.14 Rpartition de solutions de la premire gnration
124 CHAPITRE 4. APPLICATION UN BIOPROCD
On constate que la valeur de lobjectif Ob
2
est maintenue 49 pour tous les chromo-
somes. Cela permet de considrer, pour chaque solution, la totalit des rgles oues du-
rant la premire gnration (tous les gnes de contrle sont initialiss 1). Les diffrentes
valeurs de lobjectif Ob
1
sont dues linitialisation alatoire des gnes de paramtres cor-
respondants aux fonctions dappartenance et aux facteurs dchelle.
De gnration en gnration, la valeur dOb
1
est considrablement amliore, toute en
minimisant le nombre de rgles oues actives.
Nous reprsentons ci-aprs la rpartition des chromosomes obtenue la n du processus
doptimisation (gure 4.15). Il est important de noter les amliorations apportes simul-
tanment aux deux objectifs Ob
1
et Ob
2
.
Nous avons pour la plupart des solutions, notamment celles appartenant au premier front
de Pareto, un rsultat meilleur que celui correspondant au meilleur chromosome de la
population initiale.
FIG. 4.15 Rpartition de solutions de la dernire gnration
La gure 4.16 donne lvolution de la concentration en substrat et le signal de com-
mande obtenus pour une solution de test choisie du front de Parto.
Pour cette solution uniquement 26 rgles sont considres (tableau 4.10), les autres rgles
(23 rgles) sont annules par les gnes de contrle.
4.5. APPLICATION DES APPROCHES INTELLIGENTES POUR LA CONDUITE DU
BIOPROCD 125
FIG. 4.16 Evolution de la concentration en Substrat et le taux de dilution
On a un bon suivi du prol de rfrence et des performances trs comparables avec
celles obtenues par algorithme gntique simple (gures 4.9 et 4.12) en considrant toutes
les 49 rgles oues.
TAB. 4.10 Base de rgles correspondant la solution de test
u e
NG NM NP EZ PP PM PG
NG 1 1 1 1 2
NM 6
NP 2 4 5 6 7
e EZ 2 4 5 6 7
PP 3 3 3 5
PM 2 6
PG 6 7 7 7
126 CHAPITRE 4. APPLICATION UN BIOPROCD
4.5.3 Optimisation du contrleur ou de type Sugeno
Le schma de principe utilis pour loptimisation du contrleur ou de type Sugeno
est reprsent dans la gure 4.17
FIG. 4.17 Schma de principe de loptimisation dun contrleur ou de type Sugeno
On distingue deux tapes doptimisation dans ce schma: la rtropropagation qui ra-
lise un premier ajustement des paramtres (premire tape) et un AGH permettant de
modier encore une deuxime fois les paramtres et de minimiser le nombre de rgles
oues (deuxime tape).
La squence de rfrence dsire S
r
(t) est gnre par le modle
dS
r
(t)
dt
+ 0.33S
r
(t) = 0.33S

(t) (4.20)
avec S

(t) est la consigne de la concentration en substrat et dont les valeurs sont prises
comme suit:
S

(t) =
_

_
6g/l pour 0h < t 22,5h
8g/l pour 22,5h < t 45h
6g/l pour 22,5h < t 67,5h
Le contrleur ou reoit par ses deux entres la concentration dsire en substrat S
r
(t)
et la valeur passe de la concentration en substrat S(t 1). Il fournit en sortie le taux de
dilution D(t) qui alimente le bioracteur avec une priode dchantillonnage de 9 minutes
4.5. APPLICATION DES APPROCHES INTELLIGENTES POUR LA CONDUITE DU
BIOPROCD 127
(0,15h).
Au niveau de la structure interne, chaque variable du contrleur est partitionne en 7
ensembles ous (A
1
, A
2
, .., A
7
pour S
r
(t) et B
1
, B
2
, .., B
7
pour S(t 1)) et dnie sur
lunivers de discours [4.8, 8,2]. La table de rgles associe, comporte alors 49 rgles de
la forme:
R
i
: Si S
r
(t) est A
i
et S(t 1) est B
i
Alors D(t) = a
i
0
+a
i
1
.S
r
(t) +a
i
2
.S(t 1) (4.21)
avec a
i
0
, a
i
1
et a
i
2
sont les paramtres relatifs la rgle R
i
.
4.5.3.1 Premire tape: optimisation par rtropropagation
Ladaptation des paramtres du contrleur est ralise en minimisant chaque instant
dchantillonnage le critre quadratique:
J(t) =
1
2
(S(t) S
r
(t))
2
(4.22)
laide dune technique de descente du gradient:
_
_
_
p(t + 1) = p(t) + p(t)
p(t) =
J(t)
p(t)
=
J(t)
S(t)
S(t)
D(t)
D(t)
p(t)
(4.23)
avec
J(t)
S(t)
= S(t)S
r
(t) et
S(t)
D(t)
est grossirement approxim par: signe(
S(t) S(t 1)
D(t) D(t 1)
).
Le terme
D(t)
p(t)
se calcule selon lalgorithme de rtropropagation dcrit dans la section
4 du chapitre 3.
Comme notre objectif, en plus de la minimisation du critre numrique J(t), est dobtenir
un contrleur ou avec des partitionnements interprtables, ladaptation par rtropropaga-
tion est limite uniquement aux paramtres a
i
j
relatifs aux conclusions des rgles oues.
Les centres est les variances des fonctions dappartenance restent donc constants durant
cette premire tape doptimisation. Ils sont initialiss de manire obtenir des ensembles
ous uniformment rpartis sur leur univers de discours ([4.8, 8.2]).
Le suivi de la trajectoire de rfrence lissue de cette premire tape est dj satisfaisant
et est reprsent dans la gure 4.18
128 CHAPITRE 4. APPLICATION UN BIOPROCD
FIG. 4.18 Evolution de la concentration en Substrat et le taux de dilution aprs la
premire phase doptimisation
Les fonctions dappartenance et la base de rgles du contrleur ou sont donnes
respectivement par la gure 4.19 et le tableau 4.11
FIG. 4.19 Fonctions dappartenance initiales
4.5. APPLICATION DES APPROCHES INTELLIGENTES POUR LA CONDUITE DU
BIOPROCD 129
TAB. 4.11 Base de rgles obtenue aprs la rtropropagation
Rgle Prmisses des Paramtres relatifs Rgle Prmisses des Paramtres relatifs
rgles oues aux rgles oues rgles oues aux rgles oues
S
r
(t) S(t 1) a
i
0
a
i
1
a
i
2
S
r
(t) S(t 1) a
i
0
a
i
1
a
i
2
1 A
1
B
1
0.0039 0.0205 0.0085 26 A
4
B
5
0.0070 0.0129 0.0123
2 A
1
B
2
0.0052 0.0021 0.0099 27 A
4
B
6
0.0029 0.0052 0.0098
3 A
1
B
3
0.0008 0.0084 0.0089 28 A
4
B
7
0.0019 0.0061 0.0102
4 A
1
B
4
0.0035 0.0057 0.0026 29 A
5
B
1
0.0084 0.0473 0.0316
5 A
1
B
5
0.0069 0.0040 0.0090 30 A
5
B
2
0.0068 0.0268 0.0203
6 A
1
B
6
0.0001 0.0038 0.0100 31 A
5
B
3
0.0133 0.0304 0.0319
7 A
1
B
7
0.0008 0.0036 0.0082 32 A
5
B
4
0.0041 0.0208 0.0163
8 A
2
B
1
0.0070 0.0246 0.0117 33 A
5
B
5
0.0057 0.0162 0.0148
9 A
2
B
2
0.0090 0.0109 0.0187 34 A
5
B
6
0.0011 0.0110 0.0125
10 A
2
B
3
0.0072 0.0036 0.0017 35 A
5
B
7
0.0083 0.0078 0.0126
11 A
2
B
4
0.0068 0.0038 0.0096 36 A
6
B
1
0.0081 0.0458 0.0344
12 A
2
B
5
0.0064 0.0008 0.0072 37 A
6
B
2
0.0046 0.0256 0.0215
13 A
2
B
6
0.0065 0.0005 0.0034 38 A
6
B
3
0.0046 0.0343 0.0269
14 A
2
B
7
0.0063 0.0063 0.0058 39 A
6
B
4
0.0102 0.0237 0.0262
15 A
3
B
1
0.0077 0.0149 0.0175 40 A
6
B
5
0.0049 0.0216 0.0152
16 A
3
B
2
0.0057 0.0232 0.0192 41 A
6
B
6
0.0046 0.0162 0.0136
17 A
3
B
3
0.0071 0.0182 0.0165 42 A
6
B
7
0.0103 0.0086 0.0134
18 A
3
B
4
0.0051 0.0114 0.0121 43 A
7
B
1
0.0047 0.0091 0.0085
19 A
3
B
5
0.0013 0.0075 0.0011 44 A
7
B
2
0.0075 0.0041 0.0095
20 A
3
B
6
0.0094 0.0007 0.0051 45 A
7
B
3
0.0023 0.0124 0.0111
21 A
3
B
7
0.0042 0.0067 0.0038 46 A
7
B
4
0.0086 0.0195 0.0238
22 A
4
B
1
0.0087 0.0552 0.0349 47 A
7
B
5
0.0020 0.0186 0.0136
23 A
4
B
2
0.0068 0.0199 0.0208 48 A
7
B
6
0.0114 0.0155 0.0189
24 A
4
B
3
0.0076 0.0184 0.0229 49 A
7
B
7
0.0030 0.0188 0.0100
25 A
4
B
4
0.0122 0.0156 0.0156
4.5.3.2 Deuxime tape: optimisation par AGH
Au cours de la seconde et dernire tape doptimisation, lensemble des paramtres
du contrleur (paramtres relatifs aux fonctions dappartenance et aux conclusions des
rgles oues) sont optimiss tout en minimisant le nombre de rgles oues.
Deux objectifs sont considrs:
1. Minimisation de lerreur quadratique moyenne (EQM) de la concentration en sub-
strat:
Ob
1
= EQM =
1
N
(S(t) S
r
(t))
2
(4.24)
avec N est la taille du prol de rfrence S
r
(t)
2. Minimisation du nombre de rgles oues (quation 3.22)
130 CHAPITRE 4. APPLICATION UN BIOPROCD
4.5.4 Paramtres de lAGH
Les paramtres utiliss sont donnes dans le tableau ci-dessous:
TAB. 4.12 Paramtres de lAGH
Chromosome de lAGH
Gnes de contrle Gnes de paramtres
fonctions dappartenance paramtres a
i
j
Reprsentation binaire relle
Type de croisement en deux points
Probabilit de croisement 0.2 0,85
Types de mutation standard non uniforme gaussienne
quations 1.2 et 1.3 quation 1.4
Probabilit de mutation 0.005 0.01 0.008
Mthode de slection NSGA-II
Taille de la population 40
Nombre de gnrations 1500
Contrainte l
r
= 15
La gure 4.20 donne, dans lespace objectifs, la rpartition des solutions de la pre-
mire gnration dont laquelle on retrouve la solution obtenue par rtropropagation (cercle
noire: Ob
1
= 7,209.10
4
, Ob
2
= 49).
FIG. 4.20 Solutions de la premire gnration
4.5. APPLICATION DES APPROCHES INTELLIGENTES POUR LA CONDUITE DU
BIOPROCD 131
La gure 4.21 illustre la rpartition des solutions de la dernire gnration. Nous re-
marquons pour la plupart des solutions une amlioration considrable des deux objectifs.
FIG. 4.21 Solutions de la dernire gnration
FIG. 4.22 Solutions du front de Pareto
Pour toutes les solutions du front de Pareto (gure 4.22), nous avons un bon suivi de
la trajectoire de rfrence (ob
1
[2,538.10
4
, 5,784.10
4
]). Comme exemple illustratif,
nous avons reprsent dans la gure 4.23 lvolution de la concentration en substrat pour
une solution du front de Pareto (carr bleu de la gure 4.22). Le suivi de la trajectoire de
rfrence est meilleur que celui obtenu aprs la rtropropagation. La commande applique
132 CHAPITRE 4. APPLICATION UN BIOPROCD
au bioracteur est douce et ne dpasse pas la valeur de
max
(D(t) < 0,38h
1
, condition
quil faut toujours satisfaire, sans quoi, le bioracteur risque dtre lav).
FIG. 4.23 Evolution de la concentration en Substrat et le taux de dilution pour la solu-
tion de test
Pour cet exemple, uniquement 17 rgles oues sont considres (tableau 4.13), les
autres rgles (32 au total) sont annules par les gnes de contrle. Les fonctions dappar-
tenance trouves pour cet exemple, sont donnes par la gure 4.24
FIG. 4.24 Fonctions dappartenance correspondant la solution de test
4.6. CONCLUSION 133
TAB. 4.13 Base de rgles relative la solution de test
Rgle Prmisses des Paramtres relatifs Rgle Prmisses des Paramtres relatifs
rgles oues aux rgles oues rgles oues aux rgles oues
S
r
(t) S(t 1) a
i
0
a
i
1
a
i
2
S
r
(t) S(t 1) a
i
0
a
i
1
a
i
2
1 A
1
B
1
0.0043 0.0193 0.0089 26 A
4
B
5
0.0074 0.0110 0.0128
2 A
1
B
2
0.0032 0.0013 0.0099 32 A
5
B
4
0.0047 0.0210 0.0176
8 A
2
B
1
0.0069 0.0256 0.0117 33 A
5
B
5
0.0068 0.0164 0.0148
9 A
2
B
2
0.0090 0.0104 0.0180 34 A
5
B
6
0.0012 0.0116 0.0119
10 A
2
B
3
0.0072 0.0012 0.0020 40 A
6
B
5
0.0049 0.0214 0.0142
16 A
3
B
2
0.0061 0.0265 0.0194 42 A
6
B
7
0.0100 0.0095 0.0142
17 A
3
B
3
0.0064 0.0181 0.0170 48 A
7
B
6
0.0082 0.0169 0.0186
18 A
3
B
4
0.0057 0.0098 0.0121 49 A
7
B
7
0.0025 0.0185 0.0102
24 A
4
B
3
0.0062 0.0203 0.0235
4.6 Conclusion
Ce chapitre a montr les diffrentes applications de la commande hybride GA/CF sur
un procd de fermentation en mode continu. Nous avons dabord prsent le modle
mathmatique du procd tabli partir des quations de bilan de matire. Ensuite des si-
mulations en mode Batch et continu ont permi de retrouver les courbes classiques pour les
diffrentes variables, ce qui nous a permi de vrier lexactitude des programmes crits
sous lenvironnement Matlab. La premire hybridation concerne loptimisation des para-
mtres dun contrleur ou de type Mamdani par algorithme gntique simple. Les r-
sultats obtenus sont satisfaisants dans la mesure o la sortie du procd (concentration en
substrat) suit bien le prol de rfrence. Nanmoins, linconvnient de la mthode rside
en niveau de la base de rgles obtenue la n du processus doptimisation. Cette dernire
prsente des rgles incohrentes difciles dtecter par lAG. Cest entre autres, pour
remdier ce problme que nous avons propos une deuxime hybridation du contrleur
ou avec le NSGA-II et un codage hirarchis. Un autre objectif supplmentaire peut
tre alors considr, celui de la minimisation du nombre de rgles oues. Lefcacit de
lapproche est bien justie travers les simulations effectues pour le mme prol de
rfrence. Nous avons toujours un bon suivi de consignes mme avec un nombre rduit
de rgles.
La troisime et la dernire hybridation concerne le contrleur ou de type Sugeno. La
mise au point de ce dernier (optimisation des fonctions dappartenance et des rgles
oues) est ralise travers la poursuite dune trajectoire de rfrence, et ce, laide
dun algorithme hybride bas sur une technique de descente du gradient (rtropropaga-
134 CHAPITRE 4. APPLICATION UN BIOPROCD
tion) et un algorithme gntique hirarchis.
L aussi, les rsultats de simulations ont conrm lintrt de la mthode: le nombre de
rgles oues est considrablement rduit (15 27 rgles) pour lensemble des solutions
du front de Pareto et la poursuite de la trajectoire de rfrence est toujours satisfaisante.
Conclusion et perspectives
Nous nous sommes intresss dans cette thse, au problme de la conception de
contrleurs ous par algorithmes gntiques. La difcult de lobtention de la base de
rgles et des fonctions dappartenance est en effet trs pnalisante lors de lutilisation des
techniques oues.
Cette thse sinscrit donc dans la continuit des travaux existants visant simplier ltape
de conception en proposant quelques mthodes par hybridation des techniques du soft
compting. Ainsi, nous avons prsent dans un premier temps la mthode de conception
par algorithme gntique simple qui optimise simultanment:
Les fonctions dappartenance des variables dentres et de sortie du contrleur,
Les facteurs dchelle en entre et en sortie,
Les conclusions des rgles oues
Nous avons dcrit le principe de codage mixte des paramtres du contrleur dans un seul
chromosome divis en trois parties dont la premire est code en base n, la seconde en
nombres rels et la troisime en binaire. Nous avons ensuite prsent les oprateurs g-
ntiques permettant dexploiter le codage mixte. La mthode de slection est celle du
tournoi. Pour ne pas rester dans un cadre descriptif, nous avons prsent une application
de cette mthode partir dun problme de commande dun systme linaire du second
ordre. Bien que les rsultats obtenus soient satisfaisants en terme derreur, la mthode,
comme la plupart des mthodes proposes dans la littrature, prsente un inconvnient
majeur qui est celui de lobtention de rgles oues incohrentes la n du processus
doptimisation. Pour remdier cet inconvnient nous avons introduit dans un second
temps les AGH. Ces derniers permettent par le biais de leurs chromosomes un codage
plus complet qui offre, en plus du codage des paramtres, lactivation ou la dsactiva-
tion des rgles oues. Pour viter dobtenir, comme pour le cas des AGS, une base de
135
136 CONCLUSION GNRALE
rgles comprenant des rgles incohrntes, un autre objectif a t considr (minimisation
du nombre de rgles oues), ce qui constitue un problme doptimisation multiobjectifs.
Devant un tel problme nous avons utilis le NSGA-II comme mthode de rsolution
cause des caractristiques quelle prsente en particulier la rapidit de tri et llitisme. Les
rsultats de simulation obtenus sur le mme systme sont trs concluants quant lefca-
cit de la mthode du moment que nous avons toujours les mme performances en terme
derreur entre la sortie dsire et la sortie du systme, tout en considrant dans le contr-
leur un nombre rduit de rgles oues et en liminant dventuelles rgles incohrentes
qui peuvent se prsenter.
Pour obtenir de bonnes performances en un nombre rduit de gnrations, linitialisation
de la partie correspondante aux rgles oues, dans la structure des chromosomes, est ef-
fectue par le modle de rgles de Macvicar Whelan. Ce modle, exploit par la plupart
des contrleurs ous, permet de crer des chromosomes performants et donc de dbuter le
processus doptimisation avec une bonne population initiale. Nanmoins ce modle nest
valable que pour des contrleurs deux entres (lerreur et sa variation (ie. drive de
lerreur)). Pour un cas plus gnral nous avons prfr les contrleurs de Sugeno, cause
de la nature des rgles quil prsente (expressions analytiques des variables dentre) et
offrant une meilleure possibilit dexploitation des techniques doptimisation classiques
(descente du gradient, moindres carrs, etc). Nous avons donc propos une mthode de
synthse hybride des CF de type Sugeno qui utilise dabord lalgorithme de rtropro-
pagation pour un premier ajustement de lensemble des paramtres du contrleur, puis
lalgorithme gntique hirarchis pour un deuxime ajustement des paramtres, tout en
minimisant le nombre de rgles oues. Les performances de lalgorithme ont t vri-
es travers un exemple de modlisation dun systme non linaire. La comparaison, de
point de vue performance, entre cet algorithme et dautres algorithmes reports dans la lit-
trature a permi de montrer que lalgorithme propos donne lieu de meilleurs rsultats.
Lensemble de ces hybridations a t appliqu, dans le dernier chapitre de ce mmoire,
un modle de simulation dune fermentation alcoolique. Le contrleur ou optimis per-
met de rguler la concentration en substrat lintrieur du bioracteur en agissant sur le
taux de dilution.
En conclusion, nous pouvons dire que les algorithmes gntiques reprsentent un outil
trs puissant pour la conception de contrleurs intelligents. Pour cela il faut dabord d-
nir les variables dentre et de sortie du contrleur ainsi que les critres de performances
permettant de distinguer les bonnes et les mauvaises solutions. Ensuite, vient le choix
du codage et de la mthode de slection. Le premier choix est conditionn par plusieurs
CONCLUSION GNRALE 137
facteurs savoir le type des variables optimiser (continus ou discrets) et la prcision
recherche. Quant au choix de la mthode de slection, il faut tenir compte du nombre
de critres de performance dni, sil sagit dun seul critre, la mthode de slection par
tournoi peut tre considre dans un premier coup. Si par contre, le nombre de critre est
suprieur un et sils sont non commensurables ou contradictoires, il faut opter pour une
mthode de slection utilisant le principe de dominance au sens de Pareto.
Perspectives
Les travaux dcrits dans cette thse peuvent se poursuivre sur plusieurs voies de re-
cherche. Tout dabord, il serait intressant dtendre la premire et la deuxime mthode
de synthse des contrleurs de Mamdani sur un espace dentre suprieur deux. Pour
viter dobtenir durant le processus doptimisation des solutions pour lesquelles aucune
rgle nest active, nous avons impos une contrainte qui consiste garder un nombre mi-
nimal de rgles l
r
active et quil faut xer ds la premire gnration.
Une tude visant modier la valeur de ce nombre l
r
au cours des gnrations est gale-
ment une problmatique intressante quil faut aborder.
BIBLIOGRAPHIE 139
Bibliographie
Acosta, G. et E. Todorovich (2003). Genetic algorithms and fuzzy control: a practical
synergism for industrial applications. Computers in Industry 52, 183195.
Belarbi, K., F. Titela, W. Bourebiaa et K. Benmahammed (2005). Engineering applica-
tions of articial intelligence. Design of mamdani fuzzy logic controllers with rule base
minimisation using genetic algorithm 18, 875880.
Berenji, H.R. et P. Khedkar (1992). Learning and tuning fuzzy logic controllers through
reinforcements. IEEE Transactions on Neural Networks 3(5), 724740.
Bideaux, C. (2000). Modlisation stchiomtrique des productions microbiennes par des-
cripteur mtabolique au moyen du calcul formel. Validation sur le modle Kluyve-
romyces marxianus. Thse de doctorat. Institut National des Sciences Appliques de
Toulouse.
Braae, M. et D.A. Rutherford (1978). Fuzzy relations in control setting. Kybernetes
7(3), 185188.
Burns, R.S. (2001). Advanced Control Engineering. butterworth heinemann ed.
Chen, C.C. et C.C. Wong (2002). Self-generating rule-mapping fuzzy controller design
using a genetic algorithm. In: IEE Proceedings on Control Theory and Applications.
Vol. 49. pp. 143148.
Cheong, F. et R. Lai (2000). Constraining the optimization of a fuzzy logic control-
ler using an enhanced genetic algorithm. IEEE Transactions on Systems, Man, and
Cybernetics-Part B:Cybernetics 30(1), 3146.
Cordon, O., F. Herrera et P. Villar (2001). Generating the knowledge base of a fuzzy
rule-based system by thegenetic learning of the data base. IEEE Transactions on Fuzzy
Systems 9(4), 667674.
Corne, D., J.D. Knowles et M.J. Oates (2000). The pareto envelope-based selection al-
gorithm for multi-objective optimization. In: Proceedings of the sixth International
Conference on Parallel Problem Solving from Nature. pp. 839848.
140 BIBLIOGRAPHIE
Cybenko, G. (1989). Approximation by superpositions of a sigmoidal function. Mathe-
matics of Control, Signals, and Systems 2, 303314.
Deb, K., A. Pratap, S. Agarwal et T. Meyarivan (2002). Afast and elitist multiobjective ge-
netic algorithm: Nsga-ii. IEEE Transactions on Evolutionary Computation 6(2), 182
197.
Dochain, D. (2001). Automatique des bioprocds. Hermes Science.
Dorf, R.C. et R.H. Bishop (1995). Modern control systems. Addison Wesley.
Farag, W.A., V.H. Quintana et G.Lambert-Torres (1998). A genetic-based neuro-fuzzy
approach for modeling and control of dynamical systems. IEEE Transactions on Neural
Networks 9(5), 756767.
Fonseca, C.M. et P.J. Fleming (1993). Genetic algorithms for multiobjective optimiza-
tion: Formulation, discussion and generalization. In: Proceedings of the Fifth Inter-
national Conference on Genetic Algorithms (S. Forrest, Ed.). Morgan Kaufmann. San
Mateo,California. pp. 416423.
Glover, F. (1989). Tabu search-part 1. ORSA Journal on Computing 1, 190206.
Goldberg, D.E. (1994). Algorithmes gntiques. Exploration, optimisation et apprentis-
sage automatique. Addison-Wesley. France.
Goldberg, D.E. et J. Richardson (1987). Genetic algorithms with sharing for multimodal
function optimization. In: Second International Conference on Genetic Algorithms and
their application. Cambridge, Massachusetts, United States. pp. 4149.
Guenounou, O., A. Belmehdi et B. Dahhou (2006). Optimisation des contrleurs ous
par algorithmes gntiques hirarchiss-application la commande dun bioprocd.
In: Seventh International Conference on Sciences and Techniques of Automatic control
STA 2006. Hammamet,Tunisia. pp. 110.
Guenounou, O., A. Belmehdi et B. Dahhou (2009). Multi-objective optimization of tsk
fuzzy model. Expert Systems with Applications 36(4), 74167423.
Guenounou, O. et A. Belmehdi (2006). Optimisation des contrleurs ous par algorithmes
gntiques hirarchiss-application sur actionneur asynchrone. In: Proceedings de la
confrence internationale sur le gnie lectrique. Batna,Algrie. pp. 600605.
Hagan, M.T. et M.B. Menhaj (1994). Training feedforward networks with marquardt al-
gorithm. IEEE Transaction On Neural Networks 5(6), 989993.
Herrera, F., M. Lozano et J.L. Verdegay (1995). Tuning fuzzy logic controllers by genetic
algorithms. International Journal of Approximate Reasoning 12, 299315.
BIBLIOGRAPHIE 141
Herrera, F., M. Lozano et J.L. Verdegay (1998). A learning process for fuzzy control rules
using genetic algorithms. Fuzzy Sets and Systems 100, 143158.
Holland, J. (1992). Adaptation in natural and articial and systems. 2
nd
edition. IT Press.
Homaifar, A. et E. MCCormick (1993). Simultaneous design of membership functions
and rule sets for fuzzy controllers using genetic algorithms. IEEE transactions on fuzzy
systems 3(2), 129139.
Horn, J. et N. Napiotis (1994). Multiobjective optimization using the niched pareto ge-
netic algorithm. In: Proceedings of the First IEEE Conference on Evolutionary Com-
putation, IEEE World Congress on Computational Intelligence. Vol. 1. pp. 8287.
Hornik, K., M. Stinchcombe et H. White (1989). Multilayer feedforward networks are
universal approximators. Neural Networks 2(5), 359366.
Hwang, H.S. (1999). Automatic design of fuzzy rule base for modelling and control
using evolutionary programming. IEE Proceedings on Control Theory and Applica-
tions pp. 916.
Jang, J.-S.R. (1993). Ans: adaptive-network-based fuzzy inference system. IEEE Tran-
saction on System Man and Cybernetics 23(3), 665685.
Jordan, M.I. (1992). Forward models: Supervised learning with a distal teacher. Cognitive
Science 16, 307354.
Kabbaj, M.N. (2004). Dveloppement damgorithmes de dtection et disolation de d-
fauts pour la supervision des bioprocds. Thse de doctorat. Universit de Perpignan.
Karr, C.L. (1991). Applying genetics to fuzzy logic. AI Expert 6(3), 38

U43.
Karr, C.L. et E.J. Gentry (1993). Fuzzy control of ph using genetic algorithms. IEEE
Transactions on Fuzzy Systems 1(1), 4653.
Kim, E., M. Park, S. Ji et M. Park (1997). A new approach to fuzzy modeling. IEEE
Transactions on Fuzzy Systems 5(3), 328337.
Kirkpatrick, S., C. Gelatt et M. Vecchi (1983). Optimization by simulated annealing.
Science 220(4598), 671680.
Klir, G.J. et B. Yuan (1994). Fuzzy sets and fuzzy logic: theory and applications. Prentice-
Hall. Inc. Upper Saddle River, NJ, USA.
Lee, C.C. (1990). Fuzzy logic in control systems: Fuzzy logic controller, part ii. IEEE
Transactions on Systems, Man. and Cybernetics 20(2), 419435.
Lee, C.S. Ouyang W.J. Lee S.J. (2005). A tsk-type neurofuzzy network approach to
system modeling problems. IEEE Transactions on Systems, Man and Cybernetics
35(4), 751767.
142 BIBLIOGRAPHIE
Lee, M. A. et H. Takagi (1993). Dynamic control of genetic algorithms using fuzzy logic
techniques. In: Proceedings of International conference on Genetic Algorithms. San
Mateo, CA. pp. 7683.
Li, Z. (2006). Contribution llaboration dalgorithmes disolation et didentication de
dfauts dans les systmes non linaires. Thse de doctorat. Universit Paul Sabatier de
Toulouse.
Lin, C.T. et C.S.G. Lee (1991). Neural-network-based fuzzy logic control and decision
system. IEEE Transactions on Computers 40(12), 1320.
Liska, J. et S.S. Melsheimer (1994). Complete design of fuzzy logic systems using gene-
tic algorithms. In: Proceedings of the Third IEEE International Conference on Fuzzy
Systems. Vol. 2. Orlando, FL, USA. pp. 1377

U1382.
Macvicar-Whelan, P.J. (1976). Fuzzy sets for man-machine interaction. International
Journal of Man-Machine Studies 8, 687697.
Magoulasb, G.D., M.N. Vrahatis et G.S. Androulakis (1999). Improving the convergence
of the backpropagation algorithm using learning rate adaptation methods. Neural Com-
putation 11, 17691796.
Maher, M. (1995). Modlisation et laboration dalgorithmes destimation et de com-
mande: Application un bioprocd. Thse de doctorat. Universit Paul Sabatier de
Toulouse.
Mamdani, E.H. et S. Assilian (1975). An experiment in linguistic synthesis with a fuzzy
logic controller. International Journal of Man-Machine Studies 7(1), 115.
Man, K. F. et W.A. Halang (1997). Genetic algorithms for control and signal processing.
In: Proceedings of the 23rd International Conference on Industrial Electronics,Control
and Instrumentation. Vol. 4. New Orleans, LA, USA. pp. 15411555.
Man, K.F., K.S. Tang et S. Kwong (1996). Genetic algorithms: Concepts and applications.
IEEE Transaction on industrial electronics 43, 519534.
Michalewicz, Z. (1992). Genetic Algorithms + Data Structures = Evolution Programs.
Springer-Verlag.
Mogharreban, N. et L.F. Dilalla (2006). Comparison of defuzzication techniques for
analysis of non-interval data. In: Fuzzy Information Processing Society, 2006. NAFIPS
2006.Annual meeting of the North American. pp. 257260.
Monod, J. (1942). Recherche sur la croissance des cultures bactriennes. Hermann, Paris.
Narendra, K.S. et K. Parthasarathy (1990). Identication and control of dynamical sys-
tems using neural networks. IEEE Transaction on Neural Networks 1(1), 427.
BIBLIOGRAPHIE 143
Ng, K.C. et Y. Li (1994). Design of sophisticated fuzzy logic controllers using genetic
algorithms. In: IEEE World Congress on Computational. Vol. 3. USA. pp. 17081712.
Pedrycz, W. et L.A. Zadeh (1995). Fuzzy Set Engineering. CRC Press. Boca Raton,USA.
Psaltis, D., A. Sideris et A. Yamamura (1987). Neural controllers. In: Proceedings of the
International Conference on Neural Networks. Vol. 4. San Diego. pp. 551558.
Psaltis, D., A. Sideris et A.A. Yamamura (1988). A multilayered neural network control-
ler. IEEE Control Systems Magazine 8, 1721.
Rumelhart, D.E. et J. L. McClelland (1986). Parallel Distributed Processing:Explorations
in the Microstructure of Cognition. Vol. 1. M.I.T. Press.
Saerens, M. et A. Soquet (1991). Neural controller based on back-propagation algorithm.
In: IEE Proceedings-F on Radar and Signal Processing. Vol. 138. pp. 5562.
Sastry, P.S., G. Santharam et K.P. Unnikrishnan (1994). Memory neuron networks for
identication and control of dynamical systems. IEEE Transactions on Neural Net-
works 5(2), 306319.
Schaffer, J.D. (1985). Multiple objective optimization with vector evaluated genetic al-
gorithms. In: Proceedings of the 1st International Conference on Genetic Algorithms.
pp. 93100.
Scharf, E.M. et N.J. Mandic (1985). The application of a fuzzy controller to the control of
a multi-degree-freedom robot arm. Industrial Application of fuzzy control pp. 4161.
Srinivas, V. et K. Deb (1993). Muiltiobjective optimization using nondominated sorting
in genetic algorithms. Evolutionary Computation 2(3), 221248.
Sugeno, M. (1999). On stability of fuzzy systems expressed by fuzzy rules with singleton
consequents. IEEE Transactions on Fuzzy Systems 7(2), 201224.
Tang, K.S., C.Y. Chan, K. F. Man et S. Kwong (1995). Genetic structure for nn topo-
logy and weights optimization. In: Conference on Genetic Algorithms in Engineering
Systems:Innovations and Applications. IEE. pp. 250255.
Tang, K.S., K.F. Man, Z.F. Liu et S. Kwong (1998). Minimal fuzzy memberships and
rules using hierarchical genetic algorithms. IEEE Transactions on Industrial Electro-
nics 45(1), 162169.
Thrift, P. (1991). Fuzzy logic synthesis with genetic algorithms. In: Proceedings of the
Fourth International Conference on Genetic Algorithms. pp. 509

U513.
Vasilache, A. (2000). Ler Rseaux de neurones pour la modlisation et la conduite des
procds biotechnologiques. Thse de doctorat. Institut National des Sciences Appli-
ques de Toulouse.
144 BIBLIOGRAPHIE
Vogl, T.P., J.K. Mangis, A.K. Zigler, W.T. Zink et D.L. Alkon (1988). Accelerating the
convergence of the back-propagation method. Biological Cybernetics 59, 256264.
Wang, J.S. et C.S.G. Lee (2001). Efcient neuro-fuzzy control systems for autonomous
underwater vehicle control. In: Proceedings of the IEEE International Conference on
Robotics and Automation. Vol. 3. Seoul, Korea. pp. 29862991.
Wang, L. et R. Langari (1996). Complex systems modeling via fuzzy logic. IEEE Tran-
sactions On Systems, Man, And Cybernetics-Part B: Cybernetics 26(1), 100106.
Wu, C.J. et G.Y. Lin (1999). Design of fuzzy logic controllers using genetic algorithms.
In: Proceedings of IEEE International Conference on Systems, Man, and Cybernetics.
Vol. 6. SAAA. pp. 104109.
Xiang, T., K.F. Man, K.M. Luk et C.H. Chan (2006). Design of multiband miniature
handset antenna by mom and hga. IEEE Antennas and wireless propagation letters
5, 179182.
Yager, R.R. et D.P. Filev (1994). Essentials of fuzzy modeling and control. Wiley-
Interscience. New York, NY, USA.
Yubazaki, N., M. Otani, T. Ashida et K. Hirota (1995). Dynamic fuzzy control method
and its application to positioning of induction motor. In: Proceedings of Fourth IEEE
International Conference on Fuzzy Systems. Japan. pp. 10951102.
Zadeh, L.A (1965). fuzzy sets. Informatic and Control 8, 338353.
Zhou, Y.S. et L.Y. Lai (2000). Optimal design for fuzzy controllers by genetic algorithms.
IEEE Transactions on Industry Applications 36(1), 9397.
Zitzler, E. et L. Thiele (1999). Multiobjective evolutionary algorithms: A comparative
case study and the strength pareto approach. IEEE Transactions on Evolutionary Com-
putation 3(4), 257271.
Mthodologie de conception de contrleurs intelligents par lapproche gntique
- application un bioprocd
Rsum : Dans ce travail, le problme de conception de contrleurs ous est tudi. Dans une premire
partie, on prsente un tat de lart sur les techniques utilises savoir les algorithmes gntiques et ses
diffrentes variantes, les rseaux de neurones, la logique oue et leurs hybridations. Prenant appui sur cet
tat de lart nous proposons une premire mthode de conception des contrleurs ous de Mamdani par
algorithmes gntiques simples.
Cette mthode est en suite amliore par lemploi des algorithmes gntiques hirarchiss. Ces derniers
permettent par le biais de la structure de leurs chromosomes, une meilleure optimisation des paramtres
du contrleur tout en liminant les rgles incohrentes qui peuvent se prsenter, comme pour la premire
mthode, la n du processus doptimisation.
La dernire mthode propose concerne la synthse des contrleurs ous de Sugeno. Elle est base sur une
procdure dapprentissage hybride qui se droule en deux tapes. Durant la premire tape, le contrleur
ou est reprsent sous forme dun rseau de neurones multicouches dont les paramtres sont optimiss par
lalgorithme de rtropropagation. Dans la deuxime tape, les paramtres obtenus lissue de la premire
phase sont extraits et optimiss par le NSGA-II suivant un codage hirarchis.
Lensemble des ces mthodes est appliqu pour la conduite dun procd de fermentation alcoolique en
mode continu.
Mots-cls : Algorithmes gntiques simples, Algorithmes gntiques hirarchiss,contrleur ou, rseaux
de neurones, NSGA-II, bioprocd.
Design methodology of intelligent controllers based on genetic approach
- Application to a bioprocess
Abstract : In this work, the problem of design of fuzzy controllers is studied. In a rst part, we present a
state of art on the techniques used, namely the genetic algorithms and its various alternatives, the neural
networks, fuzzy logic and their hybridizations. Taking support on this state of art, we propose a rst design
method of the fuzzy controllers of Mamdani by simple genetic algorithms.
Thereafter, this method is improved by the use of the hierarchical genetic algorithms. These algorithms
allow, by the means of the structure of their chromosomes, a better optimization of the controller parameters
while eliminating the incoherent rules which can arise, as well as for the rst method, at the end of the
optimization process.
The last method suggested relates to the synthesis of the fuzzy controllers of Sugeno. It is based on a hybrid
procedure of training which proceeds in two stages. During the rst stage, the fuzzy controller is represented
in the form of a network of multi-layer neural networks, whose parameters are optimized by the algorithm
of retro propagation. In the second phase, the parameters obtained at the end of the rst phase are extracted
and optimized by the NSGA-II according to a coding arranged hierarchically. These methods are applied
for control of an alcoholic fermentation process in continuous mode.
Keywords: Genetic algorithms, Hierarchical genetic algorithms, Fuzzy controller, neural networks, NSGA-
II, bioprocess