Cheat Sheet – Logique Floue en
Intelligence Artificielle
Ce cheat sheet couvre les concepts fondamentaux de la logique floue en intelligence
artificielle, en expliquant les ensembles flous, les opérations, l’inférence floue et
ses applications.
1. Introduction à la Logique Floue
Définition
La logique floue est une extension de la logique classique permettant de gérer
l’incertitude et les valeurs intermédiaires entre vrai (1) et faux (0). Elle est
particulièrement utile pour modéliser des concepts vagues comme "chaud", "froid",
"grand", "petit".
Pourquoi utiliser la Logique Floue ?
Permet de traiter les incertitudes et les données imprécises. Représente des
concepts subjectifs avec des degrés d’appartenance. Très utilisée en automatique,
reconnaissance de formes, robotique, IA...
2. Ensembles Flous (Fuzzy Sets)
Dans la logique classique, un élément appartient ou non à un ensemble :
Classique : ( x \in A ) ou ( x \notin A )
Floue : ( x ) appartient à un degré ( \mu_A(x) ) compris entre 0 et 1
Fonction d’Appartenance (Membership Function)
Une fonction qui définit dans quelle mesure un élément appartient à un ensemble.
Exemple : Définition d’un ensemble flou pour "température chaude" :
Température (°C) Degré d’appartenance (µ)
10°C 0.0
15°C 0.2
20°C 0.5
25°C 0.8
30°C 1.0
3. Opérations sur les Ensembles Flous
Intersection (ET logique, min)
[ \mu_{A \cap B}(x) = \min(\mu_A(x), \mu_B(x)) ]
Union (OU logique, max)
[ \mu_{A \cup B}(x) = \max(\mu_A(x), \mu_B(x)) ]
Complément (NON logique, 1 - µ)
[ \mu_{\neg A}(x) = 1 - \mu_A(x) ]
Ces opérations permettent de combiner plusieurs conditions floues.
4. Inférence Floue (Fuzzy Inference System - FIS)
Un Système d’Inférence Floue (FIS) est un système basé sur des règles floues.
Composants d’un FIS
1 Fuzzification : Convertit les valeurs précises en valeurs floues via des fonctions
d’appartenance. 2 Base de Règles : Contient les règles linguistiques sous la forme
"SI … ALORS". 3 Moteur d’Inférence : Applique les règles floues et effectue le
raisonnement. 4 Défuzzification : Convertit le résultat flou en une sortie précise.
Exemple de Règle Floue
SI température est chaude ET humidité est élevée ALORS ventilation est forte.
5. Méthodes de Défuzzification
Une fois le raisonnement effectué, on obtient une sortie floue. La défuzzification
transforme cette sortie en une valeur concrète.
Principales Méthodes
Centre de Gravité (COG - Centroid) :
[ x^* = \frac{\sum (\mu(x) \times x)}{\sum \mu(x)} ] Très utilisée car elle prend en
compte toute la distribution floue.
Moyenne des Maximaux (MOM) :
[ x^* = \frac{x_{\max_1} + x_{\max_2} + ...}{n} ] Pratique si plusieurs valeurs ont
le même degré d’appartenance maximal.
Maximum de Hauteur (Max Criterion) :
Sélectionne directement la valeur ayant le degré d’appartenance maximal.
6. Applications de la Logique Floue
Contrôle des systèmes : Climatisation, lave-linge, freinage ABS.
Robotique : Contrôle intelligent de robots.
Médecine : Aide au diagnostic médical.
Finance : Évaluation des risques en trading.
Reconnaissance de formes : Analyse d’images et vision par ordinateur.
Résumé Clé
Logique floue : Gère l’incertitude et les concepts vagues.
Ensembles flous : Définis par une fonction d’appartenance (\mu). Opérations floues
: Intersection (min), Union (max), Complément (1 - µ).
Système d’Inférence Floue (FIS) : Fuzzification → Règles → Inférence →
Défuzzification. Applications : IA, robotique, médecine, finance, reconnaissance de
formes.
Avec ce cheat sheet, tu maîtrises les bases de la logique floue en IA !
Si tu veux plus d’exemples pratiques ou des implémentations en Python (avec Scikit-
Fuzzy), fais-moi signe !
