Vous êtes sur la page 1sur 43

Maria Rifqi-Berger

1
Prsentation du cours
Thorie
Bases de la thorie des sous-ensembles flous
Pratique
Utiliser la thorie (exercices)
Applications FisPro
Maria Rifqi-Berger
2
Bibliographie
La logique floue , B. Bouchon-Meunier, Que-
sais-je? PUF, N 2702.
Logique floue exercices corrigs et exemples
d'applications , B. Bouchon-Meunier, L. Foulloy
et M. Ramdani, Cpadus d., 1998.
La logique floue et ses applications , B.
Bouchon-Meunier, Addison Wesley d., 1995
Fuzzy sets, uncertainty and information , G.
Klir and T. Folger, Prentice Hall ed., 1988.
Maria Rifqi-Berger
3
Plan du cours
Introduction
Prsentation du cours
Dfinitions de base
Sous-ensemble flou (sef)
Caractristiques de sef
Oprations sur les sefs
Quelques applications commerciales de la
logique floue
Maria Rifqi-Berger
4
Introduction
L'imprcision du monde rel
Le flou est partout
Le flou est humain
Le flou est plus souple
Thorie des sous-ensembles flous
mesurer une gradation dans l'appartenance un
ensemble
Une thorie mathmatique formelle pour la prise en
compte de l'imprcision et des incertitudes
Article fondateur: Fuzzy Sets , L. A. Zadeh, in
Information and Control, 1965.
Maria Rifqi-Berger
5
Historique
1965 : Thorie des ensembles flou introduite par L.A. Zadeh (UC
Berkeley)
En 1973, le Pr. Zadeh publie un article (dans l'IEEE Transactions on
Systems, Man and Cybernetics) qui mentionne pour la premire fois le
terme de variables linguistiques (dont la valeur est un mot et non un
nombre).
En 1974, Mamdani (Universit de Londres) ralise un contrleur flou
exprimental sur un moteur vapeur.
En 1980, F.L. Smidth & Co. A/S (au Danemark) met en application la
thorie de la logique floue dans le contrle de fours ciment. C'est la
premire mise en oeuvre pratique de cette nouvelle thorie.
Dans les annes 80, plusieurs applications commencent immerger
(notamment au Japon).
En 1987, explosion du flou au Japon (avec le contrle du mtro de
Senda) et qui atteint son apoge en 1990 (fuzzymania).
Aujourd'hui, une vaste gamme de nouveaux produits ont une tiquette
produit flou (Fuzzy).
Maria Rifqi-Berger
6
Gestion des imprcisions -
Approche conventionnelle
Dissoudre le flou puis traiter des
donnes prcises
informations floues informations prcises
part importante d'arbitraire

analyse de la sensibilit indispensable
plusieurs jeux de donnes traits un par
un
comparaison des rsultats
Maria Rifqi-Berger
7
Gestion des imprcisions -
Approche floue
Traiter des donnes floues puis
dissoudre le flou
Garder le flou comme une information
Reporter la dissolution du flou le plus tard
possible et sur la dcision uniquement
Accroissement de la fiabilit et de la
stabilit du systme

Maria Rifqi-Berger
8
Gestion des imprcisions
Thorie des ensembles flous introduite par Lotfi
Zadeh en 1965.
Modle mathmatique pour reprsenter
l'imprcision et l'incertitude.
Ide des ensembles flous facile comprendre :
Freine dans 32m50
ou
Freine bientt
La prcision n'est pas toujours utile.
Capable d'interprter des informations
imprcises et d'agir.
Maria Rifqi-Berger
9
Ensembles classiques / Ensembles
flous
ensemble classique = ensemble des objets satisfaisant
des proprits prcises
Exemple : ensemble des nombres compris entre 6 et 8
fonction caractristique : m : R {0, 1}
m(x) = 1 si 6 s x s 8
0 sinon.
ensemble flou = ensemble des objets satisfaisant des
proprits imprcises
Exemple : ensemble des nombres proches de 7
fonction d'appartenance : : X [0, 1]
(x) pas unique.
diffrence majeure : unicit fonction caractristique /
infinit fonction d'appartenance
Maria Rifqi-Berger
10
Thorie des sous-ensembles flous
X ensemble de rfrence
A sous-ensemble flou de X dfini par une fonction
d'appartenance
A
:

A
: X [0, 1]

Caractristiques
Noyau : lments appartenant de faon absolue
Noy(A) = {x e X /
A
(x) = 1}
Support : lments appartenant au moins un peu
Supp(A) = {x e X /
A
(x) = 0}

Maria Rifqi-Berger
11
Infinit de fonctions d'appartenance possibles
flexibilit, ajustement maximal pour une situation
donne
Ensemble flou = toujours et seulement des fonctions

Toute fonction : X [0, 1] est un ensemble flou dans
le sens mathmatique. D'un point de vue smantique,
il faut qu'une telle fonction soit interprtable l'aide de
proprits imprcises dcrivant les lments de X.
Thorie des sous-ensembles flous
Maria Rifqi-Berger
12
Probabilit / Flou
ensembles flous = dguisement pour les
statistiques ?
NON

A
B
(A) = 0.9
p(B) = 0.9
Quelle bouteille boirez-vous ?
Maria Rifqi-Berger
13
A contient par exemple de l'eau vaseuse, pas de l'acide
chlorydrique.
A est proche d'un liquide tout fait potable.
Sur 100 bouteilles B, 90 sont potables, 10 sont
dgotantes voire fatales.
Il vaut mieux boire de l'eau vaseuse que de
prendre le risque de mourir.
2 philosophies diffrentes
Probabilit / Flou
Maria Rifqi-Berger
14
La thorie des sous-ensembles flous
Une extension de la thorie des ensembles classiques
Une thorie plus gnrale qui englobe la thorie des
ensembles classiques
La thorie des ensembles classiques est un cas particulier
Des choix sont faire pour conserver certaines des proprits
existantes dans la thorie des ensembles classiques
Toutes les proprits ne peuvent pas tre conserves en mme
temps
La logique floue : application de la thorie des sous-
ensembles flous pour la modlisation du raisonnement
Extension de la logique classique
La commande floue : utilisation de la logique floue pour le
contrle de systmes automatiques
Cas particulier de la logique floue
Maria Rifqi-Berger
15
1
0
Jeune
X
15
20 30 35
Exemples de sous-ensembles flous
X={moto,auto,train} (moyens de transport)
A: sous-ensemble de X des moyens de transport rapides
A= 0.7 / moto + 0,5 / auto + 1.0 / train
X=[0, 130] (ensemble des ges)
A: sous-ensemble de X des ges jeunes
Maria Rifqi-Berger
16
Fonctions dappartenance
Maria Rifqi-Berger
17
Caractristiques d'un sef
Soit X un univers, et A un sous-ensemble flou de
fonction d'appartenance f
A
.
Noyau de A :
Noy(A) = {x e X | f
A
(x)=1}
Support de A :
Supp(A) = {x e X | f
A
(x)>0}
Hauteur de A :
h(A) = sup
x e X
f
A
(x)
Cardinalit de A:
|A| = E
x e X
f
A
(x)
Maria Rifqi-Berger
18
Support dun sef
Maria Rifqi-Berger
19
Noyau dun sef
Maria Rifqi-Berger
20
Oprations sur les sefs (1)
Extension des oprations de la thorie des
ensembles classiques: =, , , c, complment
Soient A et B deux sefs de X, de f.d'a. f
A
et f
B
.
galit de sefs:
A = B ssi x e X, f
A
(x) = f
B
(x)
Inclusion de sefs:
A c B ssi x e X, f
A
(x) < f
B
(x)
Intersection de sefs: A B:
x e X, f
A B
(x) = min(f
A
(x), f
B
(x))
Union de sefs: A B:
x e X, f
A B
(x) = max(f
A
(x), f
B
(x))
Maria Rifqi-Berger
21
Oprations sur les sefs (2)
Certaines proprits de la thorie des
ensembles classiques sont vrifies ( faire en
exercice):
A U = A, A = , A U X = X, A X = A
Associativit de et de U :
(A U B) U C = A U(B U C)
Commutativit de et de U :
AB = BA
Distributivit de par rapport U :
A(B U C) = (AB) U(AC)
A U(BC) = (A U B)(A U C)
Maria Rifqi-Berger
22
Complment A
c
d'un sous-ensemble flou
x e X, f
Ac
(x) = 1 f
A
(x)
Certaines proprits de la thorie des ensembles
classiques sont vrifies ( faire en exercice):
(A
c
)
c
= A
(AB)
c
= A
c
U B
c
(A U B)
c
= A
c
B
c
D'autres proprits ne le sont pas (gnralement):
A
c
A (contradiction)
A
c
U A X (tiers exclu).
Oprations sur les sefs (3)
Maria Rifqi-Berger
23
Oprations sur les sefs (4)
Autres extensions des oprations de la thorie
des ensembles classiques: et U
Ces oprations sont en fait des fonctions
mathmatiques F:[0,1][0,1] [0,1] telle que
x, y, F(x,y) e [0,1].
L'intersection peut tre ralise en prenant
comme oprateur une t-norme (oprateur ET)
L'union peut tre ralise en prenant comme
oprateur une t-conorme (oprateur OU)
Maria Rifqi-Berger
24
Oprations sur les sefs (5)
Justification des choix des oprateurs
Les oprateurs min et max sont les seuls
oprateurs qui soient commutatifs, associatifs,
mutuellement distributifs, continus et doublement
non dcroissants
D'autres oprateurs sont possibles :
conjonction normes triangulaires (t-normes)
disjonction conormes triangulaires (t-conormes)
Proprits communes : associativit,
commutativit, monotonie, lment neutre.
Maria Rifqi-Berger
25
Normes triangulaires (t-normes)
Soit une fonction :[0,1][0,1] [0,1] telle que
x, y, z e [0,1]:
(x,y) = (y,x) (commutativit)
(x, (y,z)) = ( (x,y),z) (associativit)
(x,y)s (z,t) si x s z et y s t (monotonie)
(x,1) = x (1 est lment neutre)
Exemples de telles fonctions :
min(x,y), xy, max(x+y-1,0)
est une t-norme
Utilise pour l'intersection ou la conjonction
Maria Rifqi-Berger
26
Normes triangulaires (t-conormes)
Soit une fonction :[0,1][0,1] [0,1] telle que
x, y, z e [0,1]:
(x,y) = (y,x) (commutativit)
(x, (y,z)) = ((x,y), z) (associativit)
(x,y) s (z,t) si x s z et y s t (monotonie)
(x,0) = x (0 est lment neutre)
Exemples de telle fonction:
max(x,y), x+y-xy, min(x+y,1)
est une t-conorme
Utilise pour l'union
Maria Rifqi-Berger
27
Dualit t-norme / t-conorme
Le choix d'une t-norme et celui d'une t-conorme est li
Etant donn un oprateur de complmentation
par exemple: fc = 1-f
Df.: Une t-norme et une t-conorme sont duales si et
seulement si :
1 (x,y) = (1-x, 1-y)
1 (x,y) = (1-x, 1-y)
En termes de sous-ensembles, la dualit permet de
conserver les lois de De Morgan
Ainsi, par exemple, le min et le max sont duaux :
on a : 1 min(x,y) = max(1-x, 1-y) ainsi que 1 max(x,y) =
min(1-x, 1-y)
On montre que ( faire en exercice)
les oprateurs probabilistes sont duaux
les oprateurs de Lukasiewicz sont duaux
Maria Rifqi-Berger
28
Comparaison des normes de Zadeh et
des normes probabilistes
Maria Rifqi-Berger
29
Exemples
X={moto,auto,train} (moyens de transport)
Transport rapide: A= 0.7 / moto + 0,5 / auto + 1.0 /
train
Transport familial: B= 0.1 / moto + 1.0 / auto + 0.6 /
train
X=[0, 130] (ensemble des ges)
1
0
Jeune
X
15
20 30 35 70 55
Salari
Maria Rifqi-Berger
30
Une o-coupe (alpha-coupe) d'un sef A est un
sous-ensemble classique A
o
extrait du sef A,
dfini en fonction d'un seuil o e [0,1] fix :
soit o e [0,1], x e X, x e A
o
si et seulement si
f
A
(x) >o
A
o
est un sous-ensemble classique de X. (f
Ao

prend ses valeurs dans {0,1}).
On vrifie que ( faire en exercice):
Si o > o ' alors A
o
c A
o'
et si B _ A alors B
o
_ A
o
(A B)o = A
o
B
o
, et (A B)
o
= A
o
B
o
x e X, f
A(x)
= sup
oe]0,1]
o f
o
(x) (i.e. on peut
reconstruire A partir de ses o-coupes).
Caractristiques d'un sef (2): o-coupes
Maria Rifqi-Berger
31
o-coupes dun sef
Maria Rifqi-Berger
32
Relations entre sous-ensembles
flous
Relation: notion fondamentale des
mathmatiques classiques
Base sur le produit cartsien d'ensembles
Les relations tablissent des liens entre
lments
soit d'un mme ensemble
soit d'ensembles diffrents
Elles permettent de construire des applications
une application est une relation particulire
Maria Rifqi-Berger
33
Produit cartsien de sefs
Cas o l'on dsire combiner l'information venant
de plusieurs ensembles de rfrence
Soit X
1
et X
2
, deux univers de rfrence et X leur
produit cartsien (classique), X=X
1
X
2
, dont les
lments sont les couples (x
1
,x
2
), x
1
eX
1
et x
2
eX
2
Df.: Soient A
1
et A
2
respectivement dfinis sur
X
1
et X
2
, on dfinit le produit cartsien A=A
1
A
2

comme un sef de X, de fonction d'appartenance:
x e X, x=(x
1
,x
2
), f
A
(x)=min( f
A1
(x
1
), f
A2
(x
2
) )
Maria Rifqi-Berger
34
X
2
X
1
A
2
A
1
x
2
(x
2
, x
1
)
x
1
Produit cartsien
Maria Rifqi-Berger
35
Exemple d'application du produit
cartsien
X
1
={moto,auto,train} (moyens de transport)
Transport rapide:
A
1
= 0.7 / moto + 0,5 / auto + 1.0 / train
X
2
={pasCher, cher} (prix)
Prix souhait :
A
2
= 0.7 / pasCher + 0.4 / cher
Donnez la fonction d'appartenance du
produit cartsien (transport rapide, prix
souhait)
Maria Rifqi-Berger
36
Relations floues
Une relation floue R entre 2 ensembles de rfrences X
et Y, est un sous-ensemble flou de XxY de fonction
d'appartenance f
R
Si X et Y sont finis, R peut tre reprsente par la matrice M(R)
des valeurs de sa fonction d'appartenance
Exemple: la relation est prfr sur XxX avec X={Train,
Voiture, Moto, Avion}
La composition de 2 relations floues R1 sur XxY et R2
sur YxZ dfinit une relation floue R=R1 R2 sur XxZ de
f.a. dfinie par :
(x,z)e XxZ, fR(x,z)= sup
y e Y
min(fR1(x,y), fR2(y,z))
Maria Rifqi-Berger
37
Transitivit : proprit trs utilise pour des
relations
si A ressemble B, et que B ressemble C, alors
est-ce que A ressemble C ?
si x < y et que y < z alors x < z
Une relation floue R sur X est dite transitive si
elle vrifie RR _ R.
En particulier, si on utilise la composition max-
min, on dira que la relation floue R est max-min
transitive si :
(x,z)e XxZ, fR(x,z) > sup
y e Y
min(fR(x,y),
fR(y,z))
Relation floue transitive
Maria Rifqi-Berger
38
Principe d'extension (1)
Principe d'extension: utilis pour tendre
une fonction classique aux sefs.
Maria Rifqi-Berger
39
Entre prcise
Maria Rifqi-Berger
40
Entre floue
Maria Rifqi-Berger
41
Principe d'extension (2)
Ide: possdant une fonction sur un univers
classique X, permettre son utilisation avec des
sefs de X.
Dfinition: tant donn un sef A de X, et une
application de X vers Y, le principe d'extension
permet de dfinir un sef B de Y associ A par :
yeY, fB(y)= sup{x e X | y= (x)}fA(x) si
-1
(y)
0 sinon
Le sef B est l'image du sef A par la fonction .
Maria Rifqi-Berger
42
Exemple d'application du principe
d'extension (1)
X={camion, caravane, voiture, moto} (moyens de
transport)
Y={Rapide, Lente, Normale} (mesures des vitesses)
On dfinit la fonction qui associe une vitesse un
moyen de transport :
(camion)=L, (caravane)=L, (voiture)=N, (moto)=R
Nouveau vhicule: side-car= 0.5|moto + 0.4|voiture +
0.1|caravane
Mesure de la vitesse d'un side-car?
f
B
(L)= max(f
sc
(camion),f
sc
(caravane))=max(0, 0.1)= 0.1
f
B
(N)= f
sc
(voiture)= 0.4
f
B
(R)= f
sc
(moto)= 0.5
Maria Rifqi-Berger
43
Exemples d'application du principe
d'extension (2)
Fonction mathmatique classique : (x)= x
2
A un sef de [0,1] de f. a. f
A
, le sef B de [0,1[ de f.a.
f
B
qui correspond la A
2
.
y eY, f
B
(y)= sup{x e X | y=x
2
} f
A
(x) si
-1
(y)
0 sinon
Mesure de surprise : (p)= -log(p)
A un sef de [0,1] de f. a. f
A
, le sef B de [0,1[ de f.a.
f
B
qui correspond la valeur floue de surprise
cause par A.