Vous êtes sur la page 1sur 24

ECOLE NATIONALE SUPERIEURE DES SCIENCES

AGRO INDUSTRIELLES
CYCLE MASTER
BP: 455 NGAOUNDERE

EXPOSE DE THEORIE DES FILES D’ATTENTE

Master 2 recherche IEA

THEME: MODELISATION PAR LA LOGIQUE FLOUE

Exposants: Enseignant:
OBAYA Mureille Laure Dr NZIE Wolfgang
YAMDJEU Lynda Prucillia
WONG Caroline Félicité
TALLE SOH Calvin
Année académique: 2015/2016
PLAN DE L’EXPOSÉ
Introduction

I. Définition
II. Principe de fonctionnement
III.Intérêt de la logique floue

Conclusion
2
INTRODUCTION (1)

La gestion du risque fait appel depuis fort


longtemps à des modèles complexes pour
évaluer l’incertitude. Bien que les
professionnels de la gestion du risque
s’efforcent de mieux comprendre les risques, un
grand nombre d’entres eux ne sont toujours pas
bien compris et de nouveaux risques émergent.

3
INTRODUCTION (2)
Les modèles classiques de risque reposent sur la
théorie des probabilités et la théorie classique
des ensembles. Ils sont couramment employés
pour évaluer les risques de marché, de crédit,
d’assurance et de négociation.

Par contraste, les modèles de logique floue


s’appuient sur la théorie des ensembles flous et
la logique floue et servent à analyser les risques
lorsque les connaissances sont insuffisantes ou
que les données sont imprécises. 4
DÉFINITION (1)
La logique floue est une extension de la logique
booléenne créée par Lotfi Zadeh en 1965 en se
basant sur sa théorie mathématique des ensembles
flous, qui est une généralisation de la théorie des
ensembles classiques.

En introduisant la notion de degré dans la


vérification d'une condition, nous permettons à une
condition d'être dans un autre état que vrai ou faux.
La logique floue rend possible la prise en compte
des imprécisions et des incertitudes . 5
DÉFINITION (2)
La logique floue permet de formaliser le
raisonnement humain. Voici par exemple
quelques règles de conduite qu'un conducteur
suit:

6
DÉFINITION (3)
Elle permet la modélisation des imperfections
des données et se rapproche dans une certaine
mesure de la flexibilité du raisonnement humain.

Les variables prédictives sont des modalités


subjectives («grand», «petit») et non des données
objectivables (176 cm).
Une donnée peut appartenir à plusieurs modalités
d’une même variable (un individu de 165 cm peut
être considéré comme petit mais aussi comme
moyen).
7
DÉFINITION (4)
 Lalogique floue intègre un ensemble de
règles permettant d’attribuer (d’une manière
logique) une sortie à une entrée.

8
PRINCIPE DE FONCTIONNEMENT (1)

9
PRINCIPE DE FONCTIONNEMENT (2)
La fuzzification

C’est transformation des variables en variables floues


(ou variables linguistiques). Elle se fait en 03 étapes:

Donner l’univers du discours : plage de variations possibles


de l’entrée considérée.
Partitionner en classe floue de cet univers.
Définir les fonctions d’appartenances de chacune de ces
classes.

10
PRINCIPE DE FONCTIONNEMENT (3)
La fuzzification

11
PRINCIPE DE FONCTIONNEMENT (4)
L’inférence floue

Construction de règles (et de résultats)


basées sur les variables linguistiques,
attribution d’une véracité à chaque règle, puis
agrégation des règles pour obtenir un résultat
(linguistique) unique.

12
PRINCIPE DE FONCTIONNEMENT (5)
L’inférence floue
a. Construction d’un ensemble de règle

Sur la base des catégories précédemment


réalisées, un ensemble de règles sont construites. Par
exemple : «Variable1 Catégorie1 et Variable2
Catégorie1».

Une véracité pour chacune des règles est alors calculée.


La construction de ces règles, principalement basée sur
des « ET », des « OU » et des « SANS », se traduit
mathématiquement de la sorte.
13
PRINCIPE DE FONCTIONNEMENT (6)
L’inférence floue
b. Matrice de décision
Chaque règle se voit attribuer une réponse au travers
d’une matrice de décision.

14
PRINCIPE DE FONCTIONNEMENT (7)
L’inférence floue
c. Implication : calcul de la règle d’activation
L’implication est la définition d’une règle
d’activation afin d’obtenir une réponse unique.

Calculer la règle d’activation revient à croiser la


probabilité de la règle et la probabilité de la sortie
associée à la règle. Il est possible de poursuivre
l’analogie avec les méthodes bayésiennes du cadre
probabiliste classique: la probabilité de la règle peut
s’apparenter à une probabilité a priori, et la probabilité
de la sortie à une probabilité a posteriori.
15
PRINCIPE DE FONCTIONNEMENT (8)
L’inférence floue
d. L’agrégation
Cette quatrième étape de l’inférence consiste à
regrouper toutes les règles. Ce regroupement est
donc effectué à base de « Ou » logiques, ce qui se
traduit par des « Max ».

16
PRINCIPE DE FONCTIONNEMENT (9)
La défuzzification
C'est l'opération qui, inversement à la fuzzification,
consiste à transformer un nombre flou en une grandeur
numérique.

Deux méthodes sont applicables pour obtenir la valeur


de la variable à prédire :
 La méthode de la moyenne des maxima
 La méthode des centres de gravité : abscisse du centre
de gravité de la surface de la courbe de résultats.

17
PRINCIPE DE FONCTIONNEMENT
(10)
La méthode de la moyenne des maxima
Elle correspond à la moyenne des valeurs de sortie
les plus vraisemblables.

Où :
𝑆 = {𝑥 ∈ 𝑈 𝑡𝑒𝑙 𝑞𝑢𝑒 𝜇(𝑥) = 𝑆𝑈𝑃 𝑥∈𝑈 (𝜇(𝑥))}
𝑁 le nombre de point appartenant à 𝑆.
18
PRINCIPE DE FONCTIONNEMENT (11)
La méthode des centres de gravité
On utilise l’abscisse du centre de gravité de la
surface de la courbe de résultats.

Où:
U est l’univers du discours de la variable de sortie.
Cela revient à considérer l’espérance liée à la
densité 𝜇 / ∫𝜇𝑥𝑑𝑥𝑈 associée à la fonction de véracité.

19
Intérêt de la logique floue(1)

Exemple: Un patient atteint d’hépatite présente


généralement les symptômes suivants :
• le patient a une forte fièvre
• sa peau présente une coloration jaune
• il a des nausées

20
Intérêt de la logique floue(2)

Le patient a 38.9°C
En logique classique: le patient n’a pas de forte fièvre =>
pas d’hépatite
En logique floue: le patient a une forte fièvre à 50% =>
hépatite à x%
21
Intérêt de la logique floue(3)
La plupart des problèmes auxquels sont
confrontés les êtres humains sont modélisables
mathématiquement, mais les problèmes du
monde réel nécessitent parfois des informations
imprécises et incertaines.

Le fait d’apprécier les données de manières


approximatives et imprécises et non de manière
quantitative est l’intérêt fondamental de la
logique floue,
22
CONCLUSION
La logique floue peut s’appliquer dès
qu’une problématique se base sur une
modélisation comportementale ou un
raisonnement subjectif Elle ouvre donc la
possibilité à de nombreuses applications
notamment :
la modélisation de comportements
associés à un sentiment de satisfaction
la modélisation de décisions liées, en
partie, à une intuition.
23
Merci pour votre aimable attention!!!!

24

Vous aimerez peut-être aussi