Vous êtes sur la page 1sur 43

Prsentation du cours

Thorie

Bases de la thorie des sous-ensembles flous

Pratique

Utiliser la thorie (exercices)


Applications FisPro

1
Maria Rifqi-Berger

Bibliographie

La logique floue , B. Bouchon-Meunier, Quesais-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.
2
Maria Rifqi-Berger

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
3
Maria Rifqi-Berger

Introduction

L'imprcision du monde rel

Thorie des sous-ensembles flous

Le flou est partout


Le flou est humain
Le flou est plus souple
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.
4
Maria Rifqi-Berger

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).
5
Maria Rifqi-Berger

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
6
Maria Rifqi-Berger

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

7
Maria Rifqi-Berger

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

Ensembles classiques / Ensembles


flous

ensemble classique = ensemble des objets satisfaisant


des proprits prcises

ensemble flou = ensemble des objets satisfaisant des


proprits imprcises

Exemple : ensemble des nombres compris entre 6 et 8


fonction caractristique : m : R {0, 1}
m(x) = 1 si 6 x 8
0 sinon.

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
9
Maria Rifqi-Berger

Thorie des sous-ensembles flous


X ensemble de rfrence
A sous-ensemble flou de X dfini par une fonction
d'appartenance
X [0, 1]
Caractristiques
Noyau : lments appartenant de faon absolue
Noy(A) = {x X / (x) = 1}
Support : lments appartenant au moins un peu
Supp(A) = {x X / (x) 0}

10
Maria Rifqi-Berger

Thorie des sous-ensembles flous

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.

11
Maria Rifqi-Berger

Probabilit / Flou
ensembles flous = dguisement pour les
statistiques ?

NON
A

B
p(B) = 0.9

Quelle bouteille boirez-vous ?


12
Maria Rifqi-Berger

Probabilit / Flou

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
13
Maria Rifqi-Berger

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 logique floue : application de la thorie des sousensembles flous pour la modlisation du raisonnement

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

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

14

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

Jeune
1

15

20

30

35

X
15

Maria Rifqi-Berger

Fonctions dappartenance

16
Maria Rifqi-Berger

Caractristiques d'un sef

Soit X un univers, et A un sous-ensemble flou de


fonction d'appartenance fA.
Noyau de A :

Support de A :

Supp(A) = {x X | fA(x)>0}

Hauteur de A :

Noy(A) = {x X | fA(x)=1}

h(A) = supx X fA(x)

Cardinalit de A:

|A| = x X fA(x)
17

Maria Rifqi-Berger

Support dun sef

18
Maria Rifqi-Berger

Noyau dun sef

19
Maria Rifqi-Berger

Oprations sur les sefs (1)

Extension des oprations de la thorie des


ensembles classiques: =, , , , complment
Soient A et B deux sefs de X, de f.d'a. fA et fB.
galit de sefs:

Inclusion de sefs:

A B ssi x X, fA (x) < fB(x)

Intersection de sefs: A B:

A = B ssi x X, fA (x) = fB(x)

x X, fA B (x) = min(fA (x), fB(x))

Union de sefs: A B:

x X, fA B (x) = max(fA (x), fB(x))


20

Maria Rifqi-Berger

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 :

Commutativit de et de U :

(A U B) U C = A U(B U C)
AB = BA

Distributivit de par rapport U :

A(B U C) = (AB) U(AC)


A U(BC) = (A U B)(A U C)
21

Maria Rifqi-Berger

Oprations sur les sefs (3)

Complment Ac d'un sous-ensemble flou

Certaines proprits de la thorie des ensembles


classiques sont vrifies ( faire en exercice):

x X, fAc (x) = 1 fA(x)

(Ac)c = A
(AB)c = Ac U Bc
(A U B)c = Ac Bc

D'autres proprits ne le sont pas (gnralement):

Ac A (contradiction)
Ac U A X (tiers exclu).
22

Maria Rifqi-Berger

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) [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)
23
Maria Rifqi-Berger

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.
24

Maria Rifqi-Berger

Normes triangulaires (t-normes)

Soit une fonction :[0,1][0,1] [0,1] telle que


x, y, z [0,1]:

Exemples de telles fonctions :

(x,y) = (y,x)
(commutativit)
(x, (y,z)) = ( (x,y),z) (associativit)
(x,y) (z,t) si x z et y t (monotonie)
(x,1) = x
(1 est lment neutre)
min(x,y), xy, max(x+y-1,0)

est une t-norme


Utilise pour l'intersection ou la conjonction
Maria Rifqi-Berger

25

Normes triangulaires (t-conormes)

Soit une fonction :[0,1][0,1] [0,1] telle que


x, y, z [0,1]:

(commutativit)
(associativit)
y t (monotonie)
(0 est lment neutre)

Exemples de telle fonction:

(x,y) = (y,x)
(x, (y,z)) = ((x,y), z)
(x,y) (z,t) si x z et
(x,0) = x

max(x,y), x+y-xy, min(x+y,1)

est une t-conorme


Utilise pour l'union
26
Maria Rifqi-Berger

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

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 :

par exemple: fc = 1-f

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

27

Comparaison des normes de Zadeh et


des normes probabilistes

28
Maria Rifqi-Berger

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)


Jeune

Salari

15

20

30

35

55

70

X
29

Maria Rifqi-Berger

Caractristiques d'un sef (2): -coupes

Une -coupe (alpha-coupe) d'un sef A est un


sous-ensemble classique A extrait du sef A,
dfini en fonction d'un seuil [0,1] fix :

soit [0,1], x X, x A si et seulement si


fA(x)
A est un sous-ensemble classique de X. (fA
prend ses valeurs dans {0,1}).

On vrifie que ( faire en exercice):

Si > ' alors A A' et si B A alors B A


(A B) = A B , et (A B) = A B
x X, fA(x) = sup]0,1] f(x) (i.e. on peut
reconstruire A partir de ses -coupes).
30

Maria Rifqi-Berger

-coupes dun sef

31
Maria Rifqi-Berger

Relations entre sous-ensembles


flous

Relation: notion fondamentale des


mathmatiques classiques

Les relations tablissent des liens entre


lments

Base sur le produit cartsien d'ensembles

soit d'un mme ensemble


soit d'ensembles diffrents

Elles permettent de construire des applications

une application est une relation particulire


32

Maria Rifqi-Berger

Produit cartsien de sefs

Cas o l'on dsire combiner l'information venant


de plusieurs ensembles de rfrence
Soit X1 et X2, deux univers de rfrence et X leur
produit cartsien (classique), X=X1X2, dont les
lments sont les couples (x1,x2), x1X1 et x2X2
Df.: Soient A1 et A2 respectivement dfinis sur
X1 et X2, on dfinit le produit cartsien A=A1A2
comme un sef de X, de fonction d'appartenance:

x X, x=(x1,x2), fA(x)=min( fA1(x1), fA2(x2) )


33

Maria Rifqi-Berger

Produit cartsien
X2
A2

x2

(x2 , x1)

x1

X1

A1
34
Maria Rifqi-Berger

Exemple d'application du produit


cartsien

X1={moto,auto,train} (moyens de transport)

Transport rapide:
A1= 0.7 / moto + 0,5 / auto + 1.0 / train

X2={pasCher, cher} (prix)

Prix souhait :
A2= 0.7 / pasCher + 0.4 / cher

Donnez la fonction d'appartenance du


produit cartsien (transport rapide, prix
souhait)
35
Maria Rifqi-Berger

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 fR

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) XxZ, fR(x,z)= sup y Y min(fR1(x,y), fR2(y,z))

36
Maria Rifqi-Berger

Relation floue transitive

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 maxmin, on dira que la relation floue R est max-min
transitive si :

(x,z) XxZ, fR(x,z) sup y Y min(fR(x,y),


fR(y,z))

37
Maria Rifqi-Berger

Principe d'extension (1)

Principe d'extension: utilis pour tendre


une fonction classique aux sefs.

38
Maria Rifqi-Berger

Entre prcise

39
Maria Rifqi-Berger

Entre floue

40
Maria Rifqi-Berger

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 :
yY, fB(y)= sup{x X | y= (x)}fA(x) si -1(y)
0
sinon
Le sef B est l'image du sef A par la fonction .
41
Maria Rifqi-Berger

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?

fB(L)= max(fsc(camion),fsc(caravane))=max(0, 0.1)= 0.1


fB(N)= fsc(voiture)= 0.4
fB(R)= fsc(moto)= 0.5
42

Maria Rifqi-Berger

Exemples d'application du principe


d'extension (2)

Fonction mathmatique classique : (x)= x2

A un sef de [0,1] de f. a. fA, le sef B de [0,1[ de f.a.


fB qui correspond la A2.

y Y, fB(y)= sup{x X | y=x2} fA(x) si -1(y)


0
sinon

Mesure de surprise : (p)= -log(p)

A un sef de [0,1] de f. a. fA, le sef B de [0,1[ de f.a.


fB qui correspond la valeur floue de surprise
cause par A.
43

Maria Rifqi-Berger