Université de Blida1

Département d’informatique
Master 1- ISI

Cours 8: La logique Floue

Mme Fareh
2023/2024

1
Plan du cours
1. Présentation Exemples introductifs
Logique floue vs booléenne
Champs d’applications et historique
2. Concepts principaux Ensemble flou
Opérateur logique floue
Fuzzification>>Inférences floues>>Défuzzification
3. Fuzzification Variables linguistiques
Comment fuzzifier?

4. Inférences floues Principe du raisonnement approximatif

Base de règles
Méthodes d’inférences floues
5. Défuzzification Méthode de défuzzification

6. Résumé du processus d’inférence floue

2
 Nous faisons de la logique floue….

Exemple de règles floues:

Règles de conduite automobile à l’approche d’un carrefour contrôlé par des feux
tricolores.

si le feu est si ma vitesse est et si le feu est

alors je freine fort.
rouge... élevée ... proche ...

si le feu est si ma vitesse est faible et si le feu est loin alors je maintiens ma
rouge... ... ... vitesse.

si le feu est si ma vitesse est et si le feu est loin alors je freine

orange... moyenne ... ... doucement.

si le feu est si ma vitesse est faible et si le feu est

alors j'accélère.
vert... ... proche ...

Les règles floues sont énoncées en langage naturel

3
 …sans le savoir!
Transposition de notre exemple selon un modèle plus mathématique « moins
flou »

Si le feu est rouge, si ma vitesse dépasse 85,6 Km/H et si le feu est à

moins de 62,3 mètres, alors j'appuie sur la pédale de frein avec une
force de 33,2 Newtons !!!

Notre cerveau fonctionne en logique floue.

Elle apprécie les variables d'entrées de façon approximative (faible, élevée, loin,
proche), fait de mêmes pour les variables de sorties (freinage léger ou fort) et édicte
un ensemble de règles permettant de déterminer les sorties en fonction des entrées.

4
 Limite de la logique booléenne
un patient atteint d'hépatite présente généralement les symptômes
suivants :
•Le patient a une forte fièvre,
•sa peau présente une coloration jaune,
•il a desEnsemble
nausé[Link] Ensemble flou
1
Avoir une forte fièvre 1 Avoir une forte fièvre

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 T(°C) 0 T(°C)
36 37 38 39 40 41 42 36 37 38 39 40 41 42

Si le patient à 38,9°C de température

Logique classique
Le patient n’a pas de forte fièvre  Le patient n’a pas d’hépatite.
Logique floue
Le patient a une forte fièvre à 48%  Le patient a une hépatite à x %.
5
Champ d’applications de la logique floue

• Aide à la décision, au diagnostic.

(domaine médical,….)

• Reconnaissance de forme.

• Agrégation multicritère et optimisation

• Commande floue de systèmes

•…

6
 Bref historique:

 1965: Concept introduit par Pr. Lotfi Zadeh:

« Fuzzy set theory »: Définition des ensembles flous et
opérateurs associés
 1970: Premières applications: Systèmes experts, Aide à la
décision en médecine, …
 1974: Première application industrielle. Régulation floue
d’une chaudière à vapeur réalisée par Mamdani.
 1985: Les premiers, les japonais introduisent des produits
grand public « Fuzzy Logic Inside ».
 1990: Généralisation de l’utilisation de cette technique.
◦ Appareils électroménagers, systèmes autonomes mobiles,
systèmes de décision, diagnostic, reconnaissance, systèmes de
contrôle/commande dans la plupart des domaines industriels de
production……
7
 Les 2 concepts principaux de la logique floue

1. Les ensembles et variables flous et opérateurs associés.

2. Prise de décision à partir d’un base de règles

SI…ALORS...
C’est l’inférence floue.

8
 L’ensemble flou
A Soient U: L’univers du discours.
U A: un sous-ensemble de U

Théorie classique des ensembles:

Si  A est la fonction d ' appartenance de l ' ensemble A
x  U  A ( x ) = 0 si x  A
 A ( x ) = 1 si x  A

Concept d’ensemble flou:

Si  A est la fonction d ' appartenance de l ' ensemble flou A
x  U  A ( x )   0;1

Si  A ( x ) =0,30
x appartient à l’ensemble flou A avec un degré d’appartenance de 30%

Un ensemble flou est totalement déterminé par sa fonction d’appartenance

9
 L’ensemble flou

Ensemble classique Ensemble flou

1
Avoir une forte fièvre 1 Avoir une forte fièvre

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 T(°C) 0 T(°C)
36 37 38 39 40 41 42 36 37 38 39 40 41 42

10
Fonctions d’appartenance

Right Trapézoidale Left Trapézoïdale

11
Caractérisation: Fonctions d’appartenance

❑ Le type
La forme peut être triangulaire, trapézoïdale, gaussienne, …

❑ La hauteur
La hauteur de 𝐴 correspond à la borne supérieure de
l’ensemble d’arrivée de 𝜇𝐴 : 𝐻(𝐴) = sup{𝜇 𝐴 (𝗑 ) | 𝗑 ∈ 𝑿}

❑ Le support
Le support de 𝐴 , est l’ensemble z des élément de 𝑋
tel que:
𝑆(𝐴) = {𝗑 ∈ 𝑿| 𝜇 𝐴 (𝗑 ) >0}
❑ Le noyau
Le noyau de 𝐴 est l’ensemble des éléments de 𝑋
tel que :
𝑁 𝐴 = 𝗑 ∈ 𝑿 𝜇 𝐴 𝗑 = 𝟏}

Note : en général, on utilisera des ensembles flous

normalisés, i.e. avec 𝐻(𝐴) = 1
Illustration de la hauteur, du noyau et
du support

13
 Exemples d’ensembles flous.
Ensemble flou " Personne de petite taille" Ensemble flou: "Personne de taille moyenne" Ensemble flou :"Personne de grande taille"
Petit Moyen Grand
1 1 1

0.8 0.8 0.8

0.6 0.6 0.6

0.4 0.4 0.4

0.2 0.2 0.2

Taille(m) Taille(m) Taille(m)

0 0 0

1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9 1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9 1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9

partition floue de l'univers du discours

Petit Moyen Grand
1

0.8 Ici, Ahmed mesure 1,625 m

0.6
se traduit en logique floue par
« Ahmed est petit » à un degré de 75%
0.4
« Ahmed est moyen » à 25%
0.2 « Ahmed est grand » à 0%
Taille(m)
0

1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9

14
Opérateurs de logique floue
On définit la réunion, l’intersection, le complément d’ensembles flous
La réunion
A est l’ensemble flou des personnes petites.
B est l’ensemble flou des personnes moyennes.
L’ensemble des personnes petites OU moyennes est un ensemble flou de
fonction d’appartenance :
 AB ( x ) = max (  A ( x ) ,  B ( x ) ) x  U
Exemple 1:
Ensemble flou « Personnes petites
OU moyennes » de fonction
d’appartenance 𝜇 𝑝𝑒𝑡𝑖𝑡 ∪ 𝑚𝑜𝑦𝑒𝑛 𝑥
Petit Moyen 1
1

0 0 t1 t2 t3 taille
t1 t2 t3 taille
15
 L’intersection
A est l’ensemble flou des personnes petites.
B est l’ensembles flou des personnes moyennes.

L’ensemble des personnes petites ET moyennes est un ensemble flou de

fonction d’appartenance :
 AB ( x ) = min (  A ( x ) ,  B ( x ) ) x  U
Exemple 2:
Ensemble flou « Personnes petites ET
moyennes » de fonction d’appartenance
𝜇 𝑝𝑒𝑡𝑖𝑡 ∩ 𝑚𝑜𝑦𝑒𝑛 𝑥
Petit Moyen
1 1

0 t1 t2 t3 taille 0 t1 t2 t3 taille

16
 Le complément
A est l’ensemble flou des personnes petites.
L’ensemble des personnes NON petites est un ensemble flou de fonction
d’appartenance :
 A ( x ) = 1 −  A ( x ) x  U

Exemple 3:
Partition floue de l'univers du discours Ensemble floue :"Personnes non petites"
Petit Moyen Grand
1 1

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

Taille(m)
0 0
Taille (m)
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9 1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9

17
 Variables floues
• Logique floue → basée sur des variables floues dites variables linguistiques à
valeurs linguistiques dans l’univers du discours U.
• Chaque valeur linguistique constitue alors un ensemble flou de l’univers du
discours.

Exemple:

Univers du discours : Gamme de température de 0°C à 200°C.

Variable linguistique : La température.
Valeurs linguistiques : « Très froid» « Froid » « Tempéré » « Chaud » « Très
Chaud » 18
Processus d’inférence floue (FIS)

Valeur réelles ➔ Valeur floues ➔

Valeurs floues Valeurs réelles

Base des
règles

19
 La fuzzification
Les systèmes à logique floue traitent de variables d’entrées floues
et fournissent de résultats sur des variables de sorties elle-mêmes floues
La fuzzification est l’étape qui consiste en la quantification floue des valeurs réelles
d’une variable.

Exemple 4: Petit Moyenz Grand

1
0,75

0,25
taille
0 3
𝑥 = 1,625

« Ahmed est petit » à un degré de 75%

Ahmed mesure 1m625 Interface de
« Ahmed est moyen » à 25%
fuzzification
« Ahmed est grand » à 0%
20
Comment fuzzifier?

Pour fuzzifier, il faut donner:

1. L’univers du discours
2. Une partition en classe floue de cet univers.
3. Les fonctions d’appartenances de chacune de ces classes.

La fuzzification des variables est une phase délicate du

processus mis en oeuvre par la logique floue. Elle est souvent
réalisée de manière itérative et requiert de l'expérience.

21
 Base de règles

Les systèmes à logique floue utilisent une expertise exprimée sous forme d’une base de
règles du type: Si….Alors…

Si ( X est A) Alors (Y est B )

Si Temps est beau ET Moment est DébutMatinée ALORS Moral est haut

Si Temps est mauvais ET Charge de travail est Importante ALORS Moral est bas

Si .........

22
 Inférence floue
Si Temps est beau ET Moment est DébutMatinée ALORS Moral est haut

Prémisses Conjonction Implication Conclusion

Inférence :
Opération logique par laquelle on admet une proposition en vertu de sa liaison avec
d’autres propositions tenues pour vraies.

En logique classique En logique floue

 Si p Alors q Si ( X est A) Alors (Y est B )


 p vrai Alors q vrai • La variable floue X appartient à la classe floue A avec un
degré de validité (x0)

• La variable floue Y appartient à la classe floue B à un degré

qui dépend du degré de validité (x0) de la prémisse
23
 Principe du raisonnement approximatif

Plus la condition sur les entrées est vraie.

Plus l'action préconisée pour les sorties doit être respectée

SI la température est très basse ALORS Chauffer fort

La conclusion d’une règle floue est l’appartenance d’une

variable floue de sortie « Chauffer » à une classe floue « fort ».

Cette appartenance dépend de :

1°) La classe floue de sortie considérée.

2°) du degré de validité de la prémisse prémisses(x0).
3°) de la méthode d’implication choisie.

24
 Méthodes d’implication
La méthode principale d’implication floue:
Méthode de Mamdani :  'conclusion ( y ) = MIN (  prémisse ( x0 ) , conclusion ( y ) )
y

Exemple 5:
Règle: SI la température est très basse ALORS Chauffer fort
 'conclusion ( y ) = MIN (  prémisse ( x0 ) , conclusion ( y ) )
y

1
Température trés basse 1
Chauffer fort

0.8 0.8
0.7
0.6 0.6

0.4 0.4

0.2 0.2

0 0
T(°C) Puissance chauffe(KW)
-10 -5 0 3 5 10 15 0 5 10 15

T=3°C 25
 Activation des règles

R1: Si ( X1 est A11 ) et ( X 2 est A12 ) alors Y est B1

R2: Si ( X1 est A21 ) ou ( X 2 est A22 ) alors Y est B2
R3: Si ( X1 est A31 ) et ( X 2 est A32 ) et ( X 3 est A33 ) alors Y est B3
..........

• Une règle est activée dès qu’elle a une prémisse ayant une valeur de vérité non
nulle.

• Plusieurs règles peuvent être activées simultanément et préconiser des

actions avec différents degrés de validités

Il convient d’agréger les règles pour fournir une appartenance

de la variable floue de sortie à une classe floue consolidée
26
 Activation des règles
Exemple 6:

27
Exemple 7:

28
Composition de règles

On considère que les règles sont liées par un opérateur OU.

 B ( y ) = MAX   B ( y ) 
i
i  indices des règles activées

29
Composition de règles: Mamdani (min-max)
Exemple 8:
On considère un moteur d’inférence à 3 règles qui fournit pour sa sortie tension S1,
les résultats suivants : R
1 petite=0.6

Moteur moyenne=0.3
R2
d’inférences
3 règles R3 grande=0.1

Tension de sortie Tension de sortie

1 Petite Moyenne Grande 1 Petite Moyenne Grande

0.8 0.8

0.6 0.6

0.4
Implication floue 0.4

0.2 de Mamdani 0.2

0 0
Volt(v) Volt(v)
0 2 4 6 8 10 0 2 4 6 8 10

30
Exemple 9:
Tension de sortie Tension de sortie
1 Petite Moyenne Grande 1

0.8 0.8

0.6 0.6
Agrégation
0.4 des conclusions 0.4

0.2 0.2

0 0
Volt(v) Volt(v)
0 2 4 6 8 10 0 2 4 6 8 10

A ce stade,
on a la fonction d’appartenance d’un ensemble flou
qui caractérise le résultat

Il faut défuzzifier, c’est à dire :

Associer à cette ensemble flou un nombre interprétable par l’utilisateur,

31
Exemple 10:

32
Défuzzification.
Méthode du centre de gravité (COG)
C’est l’abscisse du centre de gravité de la surface sous la courbe résultat

Tension de sortie
1

0.8

0.6

0.4

0.2

0
Volt(v)
0 2 4 6 8 10
3,5V
33
Exemple 11:

34
Résumé
 Définition des entrées,
 Fuzzification,
 Définition des règles floues
 Activation des règles
 Agrégation des règles
 Défuzzification

35