Plan

Introduction à la logique floue:  Partie 1 : I.A. – L’approche classique

Les concepts fondamentaux et applications
 Partie 2 : La théorie des sous ensembles flous
 Partie 3 : Logique Floue
 Partie 3.1 : Fuzzification
 Partie 3.2 : Inférence floue
 Partie 3.3 : Défuzzification
Sabeur ELKOSANTINI  Partie 4 : Exemple d’applications
[Link]@[Link]

A. U. : 10-11 S. Elkosantini 1 A. U. : 10-11 S. Elkosantini 2

Plan I.A. – L’approche classique

 Introduction
 Partie 1 : I.A. – L’approche classique
 Partie 2 : La théorie des sous ensembles flous  « L’intelligence artificielle est une science qui s’intéresse à la réalisation de
 Partie 3 : Logique Floue machines qui réalisent des tâches qui nécessiteraient de l’intelligence si elles
 Partie 3.1 : Fuzzification étaient faites par un homme » (Minsky, 1968)
 Partie 3.2 : Inférence floue
 Partie 3.3 : Défuzzification  « Science qui étudie comment faire faire à des machines des tâches pour
 Partie 4 : Exemple d’applications lesquelles l’homme est, aujourd’hui encore, le meilleur » (Rich et Knight).

A. U. : 10-11 S. Elkosantini 3 A. U. : 10-11 S. Elkosantini 4

1
 I.A. – L’approche classique I.A. – L’approche classique

 La logique propositionnelle
 La logique propositionnelle

 On appelle logique propositionnelle la partie de la logique qui traite des

 Les propositions ont des valeurs dans l’ensemble {Vrai, faux} ou {0 , 1}.
propositions.
 Les propositions sont des affirmations qui ne peuvent être que vraies ou fausses.

Exemples : la température est élevée, la couleur est noire.

Exemple de propositions :
 Les propositions sont traitées comme des variables (désignées par des lettres). Si p, alors q Noté aussi par p  q

 Des opérateurs permettent de combiner les valeurs de ces variables.

 Les connectives sont : , , , , 

A. U. : 10-11 S. Elkosantini 5 A. U. : 10-11 S. Elkosantini 6

I.A. – L’approche classique I.A. – L’approche classique

 Les systèmes experts

 Règle d’inférence
 Un système expert utilise la connaissance correspondante à un domaine
spécifique afin de fournir une performance comparable à l’expert humain.
 Définition: Un mécanisme par lequel on peut tirer des conclusions.
 Les connaissances sont issues de l’expertise ou/et de la pratique .
Modus Ponens:
AB
A
B MP: 1,2

Conjonction
A
B
Structure d’un système expert
AB CONJ: 1,2

A. U. : 10-11 S. Elkosantini 7 A. U. : 10-11 S. Elkosantini 8

2
 I.A. – L’approche classique I.A. – L’approche classique

 Les systèmes experts

 Les systèmes experts

R1 : Si (distance.<.2km) Alors (aller.à.pied)
R2 : Si ((non distance.<.2km) ^ distance.<.300km) Alors ([Link] )
R3 : Si (non distance.<.300km) Alors (prendre.l'avion)
R4 : Si ([Link] ^ [Link].téléphone) Alors (téléphoner.à.l'agence)
R5 : Si ([Link] ^ (non [Link].téléphone)) Alors (aller.à.l'agence)
 La base de règles (ou base de connaissances) contient les connaissances concernant R6 : Si (prendre.l'avion) Alors ([Link])
R7 : Si (durée.>.[Link] ^ ê[Link]) Alors (non prendre.l'avion)
la résolution du problème.
Base de connaissances
 Le moteur d’inférence applique une stratégie de résolution en utilisant les
connaissances et ceci pour en dériver une nouvelle information.

 Le moteur d’inférence simule le raisonnement de l’expert en enchaînant les

connaissances suivant une certaine logique. Moteur
d’inférence

 F1 : (non distance.<.300km)
 F2 : ([Link].téléphone)

Base de faits
A. U. : 10-11 S. Elkosantini 9 A. U. : 10-11 S. Elkosantini 10

I.A. – L’approche classique I.A. – L’approche classique

 Les systèmes experts

 Exemple d’application : credit scoring:
 Les systèmes experts : les moteurs d’inférences
 La solvabilité et le risque de non-remboursement des prêts se base, par exemple,
sur:  Dans un système à base de règles, les connaissances sont représentées par des
 Ancienneté du compte, règles.
 Capacité de remboursement,  Le moteur d’inférence peut fonctionner en chaînage arrière ou avant.
Ancien
 Age. 1
 Le moteur d’inférence simule le raisonnement de l’expert en enchaînant les
Récent
0 connaissances suivant une certaine logique.
10

Si le compte du client a plus que 10 ans  Le client est potentiellement sans

risque.

A. U. : 10-11 S. Elkosantini 11 A. U. : 10-11 S. Elkosantini 12

3
 I.A. – L’approche classique I.A. – L’approche classique

 Les systèmes experts : les moteurs d’inférences

 Les systèmes experts : les moteurs d’inférences
 Le chaînage avant: raisonnement guidé par le but :
 Le chaînage avant: raisonnement guidé par le but :  Algorithme :
 Part des faits pour arriver au but

 Ne sélectionne que les règles dont la partie prémisse est vérifiée par les faits présents

 Déclenchement des règles jusqu’à épuisement des faits possibles à produire.

 S’arrête :

 Avec succès dès que le but est atteint

 Avec échec quand il n’y a plus de règles applicables

A. U. : 10-11 S. Elkosantini 13 A. U. : 10-11 S. Elkosantini 14

I.A. – L’approche classique I.A. – L’approche classique

 Les systèmes experts : les moteurs d’inférences

 Les systèmes experts : les moteurs d’inférences
 Le chaînage arrière : raisonnement guidé par le but :
 Le chaînage avant: raisonnement guidé par le but :
 Le système cherche dans sa base de connaissances les règles dont la conclusion
 Exemple :
correspond au but posé.
 si f1 est vrai et f1  f2 alors f2 est vrai.
 Une des règles est choisie selon une stratégie donnée.

 Ses prémisses sont empilées dans la mémoire de travail et deviennent les sous-buts
 de f1 sont déduits f2 et f3 actuels à résoudre.

 de f2 sont déduits f4 et f5  Le système continue à travailler de cette façon jusqu’à ce que tous les sous buts placés
 etc ... en mémoire soient vérifiés.

Le système garde aussi la trace de son

raisonnement sous forme d’un graphe

A. U. : 10-11 S. Elkosantini 15 A. U. : 10-11 S. Elkosantini 16

4
 I.A. – L’approche classique I.A. – L’approche classique

 Inconvénients
 Les systèmes experts : les moteurs d’inférences
 Les variables décrivant des états sont booléennes.
 Le chaînage arrière : raisonnement guidé par le but :
La variable booléenne, qui ne peut prendre que deux
 Exemple : valeurs (vrai ou faux) est mal adaptée à la représentation
de la plupart des phénomènes courants.
 Si est q non vrai et si p  q alors p est non vrai.

Ancien
1
Récent
 de f4 est déduit f3 0
Et si le compte a 9 ans et 11 mois
 de f3 est déduit f1 Et si le compte a 10 ans et 1 mois ?! 10

Et si le phénomène était plus complexe ?!

A. U. : 10-11 S. Elkosantini 17 A. U. : 10-11 S. Elkosantini 18

I.A. – L’approche classique Plan

 Inconvénients

Exemple : Dans un environnement de gestion des ressources humaines,  Partie 1 : I.A. – L’approche classique
que signifie : Le stress de l’opérateur est 0.8
 Partie 2 : La théorie des sous ensembles flous
Valuation numérique Valuation qualitative: langage  Partie 3 : Logique Floue
naturel  Partie 3.1 : Fuzzification
Le stress de l’opérateur est fort  Partie 3.2 : Inférence floue
 Partie 3.3 : Défuzzification
Comment représenter ces valeurs linguistiques ?  Partie 4 : Exemples d’applications
Comment formuler cette quantification linguistique ?
Comment intégrer ces valeurs linguistiques dans un système intelligent ?

A. U. : 10-11 S. Elkosantini 19 A. U. : 10-11 S. Elkosantini 20

5
 Théorie des sous ensembles flous Théorie des sous ensembles flous

 L’incertain et l’imprécis
 L’incertain et l’imprécis

 Je crois que la température est élevée.

Incertitude... "Je crois, mais ce n'est pas sûr."
Mise en question de la validité de l'observation

 La température de la chambre est très élevée

Imprécision... Que signifie " très élevée " ?
Appréciation

 La température de la chambre a augmenté de à peu prés 20%

Imprécision ou incertitude ??

A. U. : 10-11 S. Elkosantini 21 A. U. : 10-11 S. Elkosantini 22

Théorie des sous ensembles flous Théorie des sous ensembles flous

 Historique  Historique

 1965 : Théorie des ensembles flous introduite par L.A. Zadeh (UC Berkeley)  Dans les années 80, plusieurs applications commencent à immerger (notamment
au Japon).
 En 1973, le Pr. Zadeh publie un article (dans l'IEEE Transactions on Systems, Man
and Cybernetics) qui mentionne pour la première fois le terme de variables  1990: Généralisation de l’utilisation de cette technique.

linguistiques (dont la valeur est un mot et non un nombre).  Appareils électroménagers (laves-linges, aspirateurs, autocuiseurs,...etc) ,

 Systèmes audio-visuels (appareils de photos autofocus, caméscopes à stabilisateur d'images,

 En 1974, première application industrielle. Régulation floue d’une chaudière à
photocopieurs,...)
vapeur réalisée par Mamdani.
 Systèmes automobiles embarqués (BVA, ABS, suspension, climatisation,...etc.),
 En 1980, F.L. Smidth & Co. A/S (au Danemark) met en application la théorie de
 Systèmes autonomes mobiles,
la logique floue dans le contrôle de fours à ciment. C'est la première mise en
 Systèmes de décision, diagnostic, reconnaissance,
œuvre pratique de cette nouvelle théorie.
 Systèmes de contrôle/commande dans la plupart des domaines industriels de production.

A. U. : 10-11 S. Elkosantini 23 A. U. : 10-11 S. Elkosantini 24

6
 Théorie des sous ensembles flous Théorie des sous ensembles flous

 Concepts fondamentaux
 Concepts fondamentaux
 Le concept de sous-ensemble flou permet des graduations dans l'appartenance
 Dans l’approche floue :
d'un élément à une classe.
A  Un élément peut appartenir plus ou moins fortement à cette classe.
 Dans l’approche classique :
X  Un sous-ensemble flou A d'un référentiel X est caractérisé par une fonction
Si μ Aest la fonction d' appartenance de l' ensemble A d'appartenance µA :
x  X μ A ( x)  0 si x  X
μ A ( x)  1 si x  X Si μ Aest la fonction d' appartenance de l' ensemble flou A
x  X μ A  [0,1]

L’ensemble A est défini par : A  (x, μ A ( x)) x X L’ensemble A est défini par : A  (x, μ A ( x)) x X

A. U. : 10-11 S. Elkosantini 25 A. U. : 10-11 S. Elkosantini 26

Théorie des sous ensembles flous Théorie des sous ensembles flous

 Concepts fondamentaux  Concepts fondamentaux

Si  A  x  =0,10
 La fonction d'appartenance décrivant un sous-ensemble flou est caractérisée par
x appartient à l’ensemble flou A avec un degré d’appartenance de 10%
quatre propriétés :
 Faible appartenance  Traduction de la valeur linguistique « Faible »
 Le type : la forme du nombre flou qui peut être triangulaire, trapézoïdale, gaussienne
ou sigmoïdale.
Si  A  x  =0,90
x appartient à l’ensemble flou A avec un degré d’appartenance de 90%  La hauteur : H(A) = SupxX (μA(x)) de la fonction d'appartenance. Un sous-ensemble
flou est dit normalisé s'il est de hauteur 1.
 Forte appartenance  Traduction de la valeur linguistique « Fort»
 Le noyau : N(A) = {x/μA(x) = 1} est l'ensemble des éléments qui appartiennent
degré d’appartenance = valeur de vérité. totalement à A. Pour les fonctions de type triangulaire, le noyau est un singleton qui
Un ensemble flou est totalement déterminé par sa fonction d’appartenance est appelé aussi valeur modale.

 Le support : S(A) = {x/μA(x) ≠ 0} ; cet ensemble décrit l'ensemble des éléments qui
sont partiellement dans A.

A. U. : 10-11 S. Elkosantini 27 A. U. : 10-11 S. Elkosantini 28

7
 Théorie des sous ensembles flous Théorie des sous ensembles flous

 Concepts fondamentaux  Notation :

 La fonction d'appartenance décrivant un sous-ensemble flou est caractérisée par
 L'intervalle flou couramment utilisé dans R est décrit par sa fonction
quatre propriétés :
µdi µdi d'appartenance.
 Le type : µdi 1 1
1  Un nombre flou trapézoïdale est notée généralement par (a, b, , ) :
ou diou di
0 di 0 0

 La hauteur, le noyau, le support :

A. U. : 10-11 S. Elkosantini 29 A. U. : 10-11 S. Elkosantini 30

Théorie des sous ensembles flous Théorie des sous ensembles flous

 Notation :  Notation :
 Un nombre flou triangulaire est un cas particulier d’un nombre trapézoïdale.  La fonction d’appartenance d’un nombre flou avec des cotés paraboliques est
Il est notée généralement par (a, , ). définie de la manière suivante :

 Dans le domaine de la recherche, ce type de nombres flous est très utilisé :

 Ils contiennent tous les intervalles de confiance des distributions de probabilité
symétrique ayant même noyau et même support que les nombres flous (Dubois et
al., 2004)

 La traduction de l’expertise humaine vers ce type de nombre flou est plus facile.

La manipulation mathématique est plus Les nombres flous de forme gaussienne est
facile avec cette forme un cas particulier

A. U. : 10-11 S. Elkosantini 31 A. U. : 10-11 S. Elkosantini 32

8
 Théorie des sous ensembles flous Théorie des sous ensembles flous

 Concepts fondamentaux : le support  Concepts fondamentaux : le noyau

Triangle [a,b,c] Triangle [a,b,c]

Trapézoïdale [a,b,c,d] Trapézoïdale [a,b,c,d]

Gaussien [a, ʘ] Gaussien [a, ʘ]

singleton [a, m] singleton [a, m]

A. U. : 10-11 S. Elkosantini 33 A. U. : 10-11 S. Elkosantini 34

Théorie des sous ensembles flous Théorie des sous ensembles flous

 Les opérateurs flous  Les opérateurs flous : Union

 Extension des opérations de la théorie des ensembles classiques: =, , , , L’ensemble des personnes petites OU moyennes est un ensemble flou de fonction
complément. d’appartenance :

 Soient A et B deux sefs de X, définis par les fonctions d’apprentissage µA et µB :  AB  x   max   A  x  ,  B  x   x  U
Égalité de sefs:
A = B ssi  x  X, µA (x) = µB(x)
Partition floue de l'univers du discours Ensemble flou:"Personne petite OU moyenne"
Inclusion de sefs: 1
Petit Moyen Grand
1

A  B ssi  x  X, µA (x) < µB(x) 0.8 0.8

Intersection de sefs: A  B: 0.6 0.6

 x  X, µA∩B (x) = min(µA (x), µB(x)) 0.4 0.4

Union de sefs: A  B: 0.2 0.2

 x  X, µA  B (x) = max(µA (x), µB(x)) Taille(m) 0

Taille(m)
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

A. U. : 10-11 S. Elkosantini 35 A. U. : 10-11 S. Elkosantini 36

9
 Théorie des sous ensembles flous Théorie des sous ensembles flous

 Les opérateurs flous : Intersection  Les opérateurs flous : complément

L’ensemble des personnes petites ET moyennes est un ensemble flou de fonction
d’appartenance : L’ensemble des personnes NON petites est un ensemble flou de fonction
d’appartenance :
 AB  x   min   A  x  ,  B  x   x  U
 A  x   1   A  x  x  U
Partition floue de l'univers du discours Ensemble flou: "Personne petite et moyenne"
Petit Moyen Grand Partition floue de l'univers du discours Ensemble floue :"Personnes non petites"
1 1
Petit Moyen Grand
1 1

0.8 0.8
0.8 0.8

0.6 0.6
0.6 0.6

0.4 0.4 0.4 0.4

0.2
0.2 0.2 0.2

Taille(m)
Taille(m) Taille (m) 0
0
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
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

A. U. : 10-11 S. Elkosantini 37 A. U. : 10-11 S. Elkosantini 38

Théorie des sous ensembles flous Théorie des sous ensembles flous

 Les opérateurs flous : propriétés  Les opérateurs flous : propriétés

 Certaines propriétés de la théorie des ensembles classiques sont vérifiées :

 Certaines propriétés de la théorie des ensembles classiques sont vérifiées :  La relation de Morgan :

 A  ∅ = A, A ∩ ∅ = ∅, A  X = X, A ∩ X = A
 ¬(A ∩ B) = (¬A) ∪ (¬B)

 ¬(A ∪ B) = (¬A) ∩ (¬B)

 Associativité de ∩ et de  : (A  B)  C = A (B  C)
 Les lois d'absorption :
 Commutativité de ∩ et de  : A∩B = B∩A
 A ∪ (A ∩ B) = A ∩ (A ∪ B) = A
 Distributivité de ∩ par rapport à U :

 A∩(B  C) = (A∩B) U(A∩C)

 A  (B∩C) = (A  B)∩(A  C)

A. U. : 10-11 S. Elkosantini 39 A. U. : 10-11 S. Elkosantini 40

10
 Théorie des sous ensembles flous Théorie des sous ensembles flous

 Les opérateurs arithmétiques :  Le produit cartésien :

 L’addition :
 Le produit cartésien est défini par μA*B (x, y) = min [μA(x), μB(y)].
μA+B(z) = max {min(μA(x), μB(y)) / x + y = z} :

 La multiplication :
μA.B(z) = max {min(μA(x), μB(y)) / xy = z}
 Cardinalité d’un ensemble flou

A+B :  Dans le cas fini, on peut définir le nombre d'éléments d'un ensemble flou A
(a, b, α, β) + (a', b', α', β') = (a + a', b + b', α + α', β + β') par : card ( A)    A ( x)
B :
 Si A est continu, le nombre d'éléments d'un ensemble flou A par :
λ (a, b, α, β) = ( λ a, λ b, λ α, λ β)
card ( A)    x ( x)dx
Et pour la multiplication et la division ? x

A. U. : 10-11 S. Elkosantini 41 A. U. : 10-11 S. Elkosantini 42

Théorie des sous ensembles flous Théorie des sous ensembles flous

 La distance de Hamming  La distance de Hamming

 La notion de distance entre ensembles flous peut être utile pour définir des  Soit un ensemble de référence X={a,b,c,d,e,f,g} et deux sous ensembles flous
relations telles que «à peu près égal» ou «très supérieur à». représentés de la manière suivante :

 La distance de Hamming est : d(A, B) = (x ∈ X) |μA(x) - μB(x)|

Ou autrement :
b


a
A ( x)   B ( x) dx

Quelle est la distance de Hamming entre les deux sous

ensembles flous A et B ?
 La distance de Hamming relative est :

d ( A, B)
 ( A, B) 
card ( X )

A. U. : 10-11 S. Elkosantini 43 A. U. : 10-11 S. Elkosantini 44

11
 Théorie des sous ensembles flous Théorie des sous ensembles flous

 Les -coupes  Les -coupes

 Il est important aussi d'introduire le concept d'α-coupe ou coupe de niveau :

Si α1 ≥ α2 alors Aα2 ⊇ Aα1
 Une α-coupe d'un sous-ensemble ou A pour une valeur α ∈ [0..1] est le sous-
ensemble classique noté Aα et déni par :

A   x ;  A ( x )     Les α-coupes des sous-ensembles A et B flous vérifient les propriétés

 Les α-coupes Aα d'un sous-ensemble A sont des intervalles non-flous suivantes:

emboités par rapport à la valeur de niveau α.  (A ∪ B)α = Aα ∪ Bα

µA
1  (A ∩ B)α = Aα ∩ Bα

α1  Si (A ⊇ B)α alors Aα ⊇ Bα

α2  (¬A)1-α1 ≠ ¬(Aα), sauf pour α = 1/2.

x
A. U. : 10-11 S. Elkosantini 45 A. U. : 10-11 S. Elkosantini 46

Théorie des sous ensembles flous Théorie des sous ensembles flous

 Principe d’extension  Principe d’extension

 Utilisé pour étendre une fonction classique aux sefs :

Mesure précise

Mesure floue

A. U. : 10-11 S. Elkosantini 47 A. U. : 10-11 S. Elkosantini 48

12
 Théorie des sous ensembles flous Théorie des sous ensembles flous

 Principe d’extension  Les valeurs linguistiques :

 Principe : possédant une fonction sur un univers classique X, permettre son
utilisation avec des sefs de X .

Définition : Étant donné un sef A de X, et une application  de X vers

Y, le principe d'extension permet de définir un sef B de Y associé à A Fonction d’appartenance, distance, cardinalité, ensemble flou, etc.
par  : … et après !!???
yY, µB(y)= sup{x,  (x)=y}µA(x)
avec sup µA(x)=0

 Le sef B est l'image du sef A par la fonction .

A. U. : 10-11 S. Elkosantini 49 A. U. : 10-11 S. Elkosantini 50

Théorie des sous ensembles flous Théorie des sous ensembles flous

 Les valeurs linguistiques :  Les valeurs linguistiques : µA(x)

e
bl

t
or
ai

en
le

f
f

ib

oy

ès
ès

rt
Fa

Exemple : Dans un environnement de gestion des ressources humaines,

Fo

Tr
M
Tr

1
que signifie : Le stress de l’opérateur est 0.8

Valuation numérique Valuation qualitative: langage 0 1

naturel

Le stress de l’opérateur est fort  L’ensemble de référence d’un mot du langage naturel s’appelle l’univers du
discours.
Comment représenter ces valeurs linguistiques ?  Une variable linguistique représente un état dans le système à régler.
Comment formuler cette quantification linguistique ?  Sa valeur est définie dans des termes linguistiques qui peuvent être des mots
Comment intégrer ces valeurs linguistiques dans un système intelligent ? ou des phrases d’un langage naturel.

A. U. : 10-11 S. Elkosantini 51 A. U. : 10-11 S. Elkosantini 52

13
 Théorie des sous ensembles flous Théorie des sous ensembles flous

 Les valeurs linguistiques :  Les valeurs linguistiques :

 Chaque variable linguistique est caractérisée par l’ensemble : Ancien
1
<x, T(x), U, G, M> Récent
0
avec :
10
o x est le nom de la variable, Si le compte du client a plus que 10 ans  Le client est potentiellement sans
o T(x) est l’ensemble des valeurs linguistique que peut prendre x risque.
o U est l’univers du discours associé avec la valeur de base

o G est la règle syntaxique pour générer les valeurs linguistique de x

o M est la règle sémantique pour associer un sens à chaque valeur linguistique Si le compte de client est très ancien  Le client est potentiellement sans risque.

Comment représenter « très »?

A. U. : 10-11 S. Elkosantini 53 A. U. : 10-11 S. Elkosantini 54

Plan Logique floue

 Conception de contrôleur flou :

Contrôleur flou
 Partie 1 : I.A. – L’approche classique Mais pourquoi un contrôleur flou ??

 Partie 2 : La théorie des sous ensembles flous

Commande
 Partie 3 : Logique Floue Mesures
Système
 Partie 3.1 : Fuzzification
 Partie 3.2 : Inférence floue Modus Ponens:
 Partie 3.3 : Défuzzification AB
A
 Partie 4 : Exemples d’applications
B
Et si c’est à peu près A ??
Modus Ponens:
AB
A’
??

A. U. : 10-11 S. Elkosantini 55 A. U. : 10-11 S. Elkosantini 56

14
 Logique floue Logique floue

 Conception de contrôleur flou :  Conception de contrôleur flou :

 Les méthodes d'inférence utilisées dans la logique classique, modus tollens et modus
ponens ne permettent pas de raisonner lorsque les règles ou les faits sont dénis de façon
imparfaite.

 Cette forme de raisonnement a été adaptée à la logique floue pour prendre en compte
les informations et les règles vagues que les systèmes d'inférence peuvent contenir.
source : cours de LESCIEUX

Modus Ponens généralisé : Éclairage

Température Température
AB Contrôleur Ventilation Serre
A’ Humidité flou Humidité
Agricole
Chauffage/
B’ Rayonnement Refroidissement Rayonnement

Humidification

A. U. : 10-11 S. Elkosantini 57 A. U. : 10-11 S. Elkosantini 58

Logique floue Logique floue

 Conception de contrôleur flou :  Conception de contrôleur flou :

Mais concrètement, qu’est ce qu’un contrôleur flou ??
Age

Ancienneté
Décision
Contrôleur
Salaire flou
source : (Riat & Aurrand-lions; 98)

Système d’inférence flou

Position
R1: SI Age est moyen ET Ancienneté est moyen ET Salaire est Moyen
Cap/chaussée ALORS Décision = octroyer le prêt
Contrôleur Véhicule
Vitesse R2: SI Age est Elevé ET Ancienneté est faible ET Salaire est Faible élevé
flou Pas moteur autonome ALORS Décision = ne pas octroyer le prêt
volant
Angle volant
R3:…

A. U. : 10-11 S. Elkosantini 59 A. U. : 10-11 S. Elkosantini 60

15
 Logique floue Logique floue

 Conception de contrôleur flou :  Conception de contrôleur flou :

 Les conjonctions :
• La définition des opérateurs logiques est assurée selon le type de la fonction
Si Temps est beau ET Moment est DébutMatinée ALORS Moral est haut d'appartenance utilisée.

• Quelques opérateurs mathématiques :

Prémisses Conjonction Implication Conclusion

A. U. : 10-11 S. Elkosantini 61 A. U. : 10-11 S. Elkosantini 62

Logique floue Logique floue

 Conception de contrôleur flou :  Conception de contrôleur flou :

 L’implication :  Il y a 5 étapes nécessaires lors de la conception d’un contrôleur flou :

• L'implication floue est une relation qui associe à toute règle floue R une fonction  Définition des entrées et des sorties du contrôleur:
d'appartenance qui peut être définie de différentes manières.
 nombres, noms, types, univers de discours

 subdivision de toutes les variables d’entrées et de sorties en sous ensembles flous :

 nombres de subdivisions, types de subdivisions, noms, paramètres.

 Définition de la base de règles :

 nombre de règles, type de règles, les combinaisons possibles, les résultats.

 Sélection de la méthode d’inférence

 Sélection de la méthode de défuzzification

A. U. : 10-11 S. Elkosantini 63 A. U. : 10-11 S. Elkosantini 64

16
 Logique floue Logique floue

 Conception de contrôleur flou :  Conception de contrôleur flou :

 Il y a 5 étapes à suivre pour aboutir à la sortie d’un système flou :  Il y a 5 étapes à suivre pour aboutir à la sortie d’un système flou :

Entrée

Fuzzification

Calcul de degré d’activation de chaque règle Contrôleur flou

Recherche de la fonction d’appartenance pour la sortie de chaque règle

Recherche de la fonction d’appartenance résultante globale Commande

Mesures
Système
Defuzzification
Sortie
A. U. : 10-11 S. Elkosantini 65 A. U. : 10-11 S. Elkosantini 66

Logique floue Logique floue

 Conception de contrôleur flou :  Conception de contrôleur flou :

 Il y a 5 étapes à suivre pour aboutir à la sortie d’un système flou :  Il y a 5 étapes à suivre pour aboutir à la sortie d’un système flou :

Base de connaissances

Fuzzification Inférence floue Défuzzification

Mesures Commande
Système source : cours de Tai-Wen Yue

A. U. : 10-11 S. Elkosantini 67 A. U. : 10-11 S. Elkosantini 68

17
 Logique floue Logique floue

 Conception de contrôleur flou :  Conception de contrôleur flou :

1. Comment fuzzifier ?
1. Fuzzification : processus qui consiste à transformer une grandeur numérique
1. Donner l’univers du discours : plage de variations possibles de l’entrée considérée.
en un sous-ensemble flou.
2. Une partition en classe floue de cet univers.
 Qualifier une valeur numérique avec un terme linguistique.
3. Les fonctions d’appartenances de chacune de ces classes.

« Pierre est petit » à un degré de 75%  Exemple : Selon les valeurs des entrées , le système flou indiquera qu’en sortie la
Interface de « Pierre est moyen » à 25%
Pierre mesure 1m625 puissance de chauffe devra prendre les valeurs de sortie « faible » ou « moyenne » ou
fuzzification
« Pierre est grand » à 0% « forte ».

La fuzzification des variables est une phase délicate du processus mis

Et si on augmente le support des nombres flous utilisés ?
en œuvre par la logique floue.
Elle est souvent réalisée de manière itérative et requiert de l'expérience.

A. U. : 10-11 S. Elkosantini 69 A. U. : 10-11 S. Elkosantini 70

Logique floue Logique floue

 Conception de contrôleur flou :  Conception de contrôleur flou :

2. Calcul du degré d’activation de chaque règle : 2. Calcul du degré d’activation de chaque règle :

 L'activation des règles consiste à appliquer une norme triangulaire (ou T-

norme) pour obtenir le degré d'activation de chacune.

 C’est une valeur comprise entre 0 et 1.

Exemple : t-norme défini par Zadeh

Quelques exemples de t-normes

A. U. : 10-11 S. Elkosantini 71 A. U. : 10-11 S. Elkosantini 72

18
 Logique floue Logique floue

 Conception de contrôleur flou :  Conception de contrôleur flou :

3. Recherche de la fonction d’appartenance pour la sortie de chaque règle : 4. Agrégation ou Recherche de la fonction d’appartenance résultante globale :
• La conclusion finale d'un système d'inférence est le résultat de la combinaison des
résultats de différentes règles activées en utilisant les normes triangulaires (T-
norme) ou T-conorme :

1. Par T-norme : la fonction d'appartenance du sous-ensemble flou Y’, qui est le

résultat de l'agrégation, est définie de la manière suivante :

Exemple : Selon la t-norme défini par Zadeh avec T la T-norme Min et N est le nombre de règles activées

A. U. : 10-11 S. Elkosantini 73 A. U. : 10-11 S. Elkosantini 74

Logique floue Logique floue

 Conception de contrôleur flou :  Conception de contrôleur flou :

4. Agrégation ou Recherche de la fonction d’appartenance résultante globale : 4. Agrégation ou Recherche de la fonction d’appartenance résultante globale :
2. Par T-conorme : la fonction d'appartenance du sous-ensemble flou Y’, qui est le
résultat de l'agrégation, est définie de la manière suivante :

avec ⊥ la T-conorme Max et N est le nombre de règles activées.

A. U. : 10-11 S. Elkosantini 75 A. U. : 10-11 S. Elkosantini 76

19
 Logique floue Logique floue

 Conception de contrôleur flou :  Conception de contrôleur flou :

5. Défuzzification : 5. Défuzzification :
• C'est l'opération qui, inversement à la fuzzication, consiste à transformer un
nombre flou B’ en une grandeur numérique y0

• Parmi les méthodes de défuzzication les plus répandues :

Centre de gravité Centre de gravité

Premier Maximum Premier Maximum

Dernier Maximum Dernier Maximum

Centre Maximum Centre Maximum

A. U. : 10-11 S. Elkosantini 77 A. U. : 10-11 S. Elkosantini 78

Logique floue Logique floue

 Conception de contrôleur flou :  Conception de contrôleur flou :

 Méthode d’inférence : Méthode de Mamdani  Méthode d’inférence : Méthode de Mamdani

 Considérons les observations : . . Le raisonnement flou se

décompose comme suit :

1. Calcul du degré d'activation de chaque règle :

2. Calcul de l'implication :

Min-Max

A. U. : 10-11 S. Elkosantini 79 A. U. : 10-11 S. Elkosantini 80

20
 Logique floue Logique floue

 Conception de contrôleur flou :  Conception de contrôleur flou :

 Méthode d’inférence : Méthode de Mamdani  Méthode d’inférence : Méthode de Larsen

3. Calcul de l'agrégation pour former la conclusion finale floue C :  Considérons les observations : . . Le raisonnement flou se
décompose comme suit :

1. Calcul du degré d'activation de chaque règle :

2. Calcul de l'implication : Cette méthode utilise le produit pour définir

la conclusion

A. U. : 10-11 S. Elkosantini 81 A. U. : 10-11 S. Elkosantini 82

Logique floue Logique floue

 Conception de contrôleur flou :  Conception de contrôleur flou :

 Méthode d’inférence : Méthode de Larsen  Méthode d’inférence : Méthode de Larsen

3. Calcul de l'agrégation pour former la conclusion finale floue C :

max-prod

A. U. : 10-11 S. Elkosantini 83 A. U. : 10-11 S. Elkosantini 84

21
 Logique floue Logique floue

 Conception de contrôleur flou :  Conception de contrôleur flou :

 Méthode d’inférence : Méthode de Takagi-Sugeno:  Méthode d’inférence : Méthode de Takagi-Sugeno:

If x is A and y is B then z = f(x, y) R1: if X is small and Y is small then z = x +y +1

R2: if X is small and Y is large then z = y +3

sous-ensemble R3: if X is large and Y is small then z = x +3

Souvent : f(x, y) est une fonction
flou
polynomiale en fonction de x et y
R4: if X is large and Y is large then z = x + y + 2

A. U. : 10-11 S. Elkosantini 85 A. U. : 10-11 S. Elkosantini 86

Logique floue Logique floue

 Conception de contrôleur flou :  Conception de contrôleur flou :

 Méthode d’inférence : Méthode de Takagi-Sugeno  Méthode d’inférence : Méthode de Takagi-Sugeno

1. Calcul du degré d'activation de chaque règle (en utilisant l'opérateur de

source : cours de Tai-Wen Yue
Larsen - produit) :

2. Calcul de l'implication :

3. La sortie finale est calculée comme la moyenne des sorties des règles,
pondérées par le poids αRi :

les étapes 4 et 5 d’un contrôleur flou classique n’existent plus

A. U. : 10-11 S. Elkosantini 87 A. U. : 10-11 S. Elkosantini 88

22
 Plan Exemple d’applications

 Systèmes experts:

 Partie 1 : I.A. – L’approche classique  Development of an Expert System for Credit Card Application Assessment
 Partie 2 : La théorie des sous ensembles flous  Expert systems in finance – A cross-section of the field
 Partie 3 : Logique Floue
 Partie 3.1 : Fuzzification  Fuzzy set theory:
 Partie 3.2 : Inférence floue
 A fuzzy credit-rating approach for commercial loans: a Taiwan case
 Partie 3.3 : Défuzzification
 Partie 4 : Exemples d’applications  A fuzzy logic evaluation system for commercial loan analysis
 Modelling credit rating by fuzzy adaptive network
 Association rules applied to credit card fraud detection

A. U. : 10-11 S. Elkosantini 89 A. U. : 10-11 S. Elkosantini 90

Exemple d’applications Exemple d’applications

 Réseau de neurones artificielles :  Fuzzy logic systems for transportation engineering: the state of the art

 Neural network credit scoring models  An evaluation of fuzzy transportation underwriting systematic risk

 Using neural network ensembles for bankruptcy prediction and credit  A fuzzy logic controller for traffic junction signals
scoring  A two-stage fuzzy logic controller for traffi•
c signals
 Credit risk assessment using Multilayer Neural Network Models : Case of a  Design and implementation of a fuzzy inference system for supporting
Tunisian bank customer requirements(pdf)

 Fuzzy inference to risk assessment on nuclear engineering systems (pdf)

 Fuzzy logic in control systems; Fuzzy logic controller - Part I (pdf)

 Fuzzy rule-based approach to describe solute transport in the unsaturated

zone (pdf)

A. U. : 10-11 S. Elkosantini 91 A. U. : 10-11 S. Elkosantini 92

23
 Logique floue Logique floue

 Exemple de problème :  Exemple de problème :

 On désire développer un système d’aide à la décision pour la gestion d’octroi de crédit  Les étapes de conception :
L
bancaire en se basant sur le salaire S et l’ancienneté du compte A. 1. identifier les entrées et sorties :
Décision
P Contrôleur
A S 150 200 250
flou
4 Refuser Refuser Refuser
5 Refuser Mettre en Mettre en
2. Subdivision de toutes les entrées en sous-ensembles flous :
instance instance
6 Mettre en Accepter Accepter
instance

Mettre en instance= 0; Accepter = +1 ; Refuser= -1

 On souhaite remplacer le système de contrôle de qualité par un système flou de type

Takagi-Sugeno.

A. U. : 10-11 S. Elkosantini 93 A. U. : 10-11 S. Elkosantini 94

Logique floue Logique floue

 Exemple de problème :  Exemple de problème :

 Les étapes de conception :  Les étapes d’inférences:

3. Etablir la base de règles (la tâche d’un expert humain) 1. Fuzzification :

Si (P est léger) ET (L est cout) alors D=+1

…. 2. Calcul de l'implication

….

Si (P est lourd) ET (L est large) alors D=-1

3. Calcul du degré d’activation de chaque règle :

Quelle est la décision pour un portable de poids 175g et

largeur 5,5cm 4. Calcul de la sortie finale :

A. U. : 10-11 S. Elkosantini 95 A. U. : 10-11 S. Elkosantini 96

24
 Logique floue Logique floue

 Exemple de problème :  Exemple de problème 2

 Améliorons encore plus le système de contrôle de la qualité en minimisant le nombre de  Ordonnancement de n tâches sur m machines en utilisant, par exemple, les algorithmes
de subdivision de chaque entrée. génétiques.

 Durée de la tâche i sur la machine j est égale à 10 min.

A. U. : 10-11 S. Elkosantini 97 A. U. : 10-11 S. Elkosantini 98

Logique floue Logique floue

 Exemple de problème 2  Exemple de problème 2

Comment procéder ?? Comment procéder ??

Solution 1 : 1 2 3 4 5 6 7 8 Solution 1 : 1 2 3 4 5 6 7 8
Comparer Comparer
Solution 2 : 8 2 3 4 5 6 7 1 Solution 2 : 8 2 3 4 5 6 7 1

Et si les données été imprécises : la durée de la tâche i sur la Et si les données été imprécises : la durée de la tâche i sur la
machine j est égale à 10 min mais pas plus de 15min et pas machine j est égale à 10 min mais pas plus de 15min et pas
moins de 5 min moins de 5 min

A. U. : 10-11 S. Elkosantini 99 A. U. : 10-11 S. Elkosantini 100

25
 Fin du cours

A. U. : 10-11 S. Elkosantini 101

26