Modélisation Floue

Dr. Yassine Adouani

Maître Assistant à ISG GABES
Email. adouaniyassine@[Link]
 Pourquoi la logique floue ?
 L'informatique traditionnelle est basée sur la
logique binaire (Booléenne) : Vrai (1) ou Faux (0).

 La logique binaire est parfaite pour les calculs

exacts, les bases de données ou les systèmes
digitaux.

 Cependant, le monde humain et physique est rempli

de concepts imprécis.
 Pourquoi la logique floue ?
Pb1: Comment traduire en "Vrai/Faux" des
concepts comme "Il fait chaud", "La voiture est
proche", ou "Ce client est fidèle" ?
Pb 2: Régulateur de vitesse d’une voiture ?
Pb 3: Amélioration l’IA et le traitement des
données ?
Pb 4: Data mining ?
Pb 5: Machine à laver intelligente ?
Pb 6: Diagnostic et aide à la décision ?
…
La logique floue est utile précisément là où la
logique classique échoue.
 Pourquoi la logique floue ?

 Pour un Chercheur : C'est un domaine de

recherche toujours actif, notamment avec les
systèmes de type 2 et l'intégration avec le Deep
Learning.

 Pour un Ingénieur : C'est une boîte à outils

supplémentaire pour résoudre des problèmes de
contrôle, de décision et de modélisation où
l'expertise humaine est disponible mais difficile à
formaliser avec des équations exactes.
Notions de base de
la Modélisation
Floue
 La logique floue est une extension de la logique booléenne.

 La logique floue est une théorie mathématique permettant de

tenir compte des incertitudes.

 En logique binaire l’appartenance d’un objet à un ensemble

est vraie ou faux.

 La logique floue est plus« souple » que la logique binaire car

l’appartenance d’un objet à un ensemble flou est graduelle.

Nécessité de trouver une formalisation mathématique pour

exprimer des notions vagues, approximatives...
 Les ensemble classiques

Logique classique: un fait est soit Vrai, soit Faux

Ex.: personnes de 12 à 19
ans

Une autre
modélisation:
 Limites des ensemble classiques

La caractéristique fondamentale d’un ensemble classique est la

frontière entre deux catégories d’éléments :
• Ceux qui sont à l’intérieur de l’ensemble et qui lui appartiennent.
• Ceux qui sont à l’extérieur de l’ensemble et qui appartiennent à son
complémentaire.
Décision binaire,
La logique
déterministe,
binaire/classique
Vague , aléatoire ,
donne une décision
incertain
binaire (V/F)

Un patient atteint d’hépatite si: Le patient a une

forte fièvre
Une forte fièvre
1

si: Le patient a 38,9 C de température?

Le patient Le patient a
n’a pas une hépatite
d’hépatite à x%

36 37 38 39 40 41
 Exemple Introductif

• Soit l’univers des âges entre 10 et 80.

U = {10,20,30, 40,50,60,70,80}
• On définit les deux sous ensembles J (Jeunes) et V (vieux).
J={10, 20,30, 40 } et V= {50,60,70,80}

• Toute personne âgée de 10 à 40 ans est jeune. Cependant la

réalité impose que des personnes âgées de 10, 20, 30, 40 ne
doivent pas être considérés comme jeune avec le même
degré.

• L’ensemble J implémente un concept vague, imprécis et mal

adapté à un ensemble classique.
 Exemple Introductif

Pour résoudre ce problème, on peut associer à chaque valeur de

l’ensemble J un degré d’appartenance qui varie entre 0 et 1.

Chaque élément de J est défini par deux informations valeur et degré

d’appartenance.

 Cette solution est appelée : modélisation floue

 Logique Floue (LF): Introduction

Avec la logique floue (LF), Un élément peut y appartenir plus ou

moins à un ensemble donné, modélisant ainsi une incertitude qui
permet par la suite un raisonnement plus flexible.

LF: Raisonner avec une formalisation de la représentation et du

traitement des connaissances imprécises et imparfaites

 Un objet peut appartenir à un ensemble et en même temps à son

complément

Exemple:
un individu de 1,66 m peut être considéré à la fois comme grand et petit

Son développement se fait à travers les méthodes par lesquelles

l'homme essaye de copier la nature et de reproduire des modes
de raisonnement et de comportement qui lui sont propres.
 Logique Floue : Introduction

Différence Probabilité / Flou ?

- Flou: traitement des imprécisions

- Probabilités: traitement des incertitudes

FLOU : Il viendra à peu près à 9h (peut-­être 8h30, 9h30 ou 10h...)

=> Imprécision
On est sur qu’il vient mais on ne sait pas exactement quand

PROBA : Il y a 80 % de chances pour qu’il vienne On n’est pas sur

qu’il vienne => Incertitude
 Logique Floue : Apports

• Un des buts principaux de l’intelligence artificielle est de

reproduire et dépasser la performance de l’expert.

• Cela est possible lorsque les données en entrées/sorties sont

suffisamment précises et que le modèle n’est pas trop
complexe: prise de décision entre un nombre limité de
possibilités (système expert).
• La LF permet de traduire les connaissances et le
raisonnement de l’expert en règles simples qu’un
ordinateur peut utiliser, alors que la modélisation classique
est incapable d’atteindre cet objectif.
• Facilite l’implémentation
• Solution de problèmes multi-variables complexes
• Robustesse vis-à-vis des incertitudes
 Logique Floue : Domaines d’application

La logique floue constituent une approche qui est très

intéressante dans plusieurs domaines comme :
- la gestion financière,
- le traitement de l'image,
- les problèmes d'identification,
- de régulation de processus,
- d'optimisation,
- de classification,
- de détection de défauts
- ou de prise de décision.
Le raisonnement en logique floue
Le raisonnement en logique floue: Exemple 01
 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 et si le feu est loin alors je maintiens ma

rouge... faible ... ... 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 et si le feu est

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

Les règles floues sont énoncées en langage naturel

17
 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.

18
 Limite de la logique
booléenne/classique
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.
Ensemble classique
1
Avoir une forte fièvre Ensemble flou
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

Le patient n’a pas de forte fièvre  Le patient n’a pas d’hépatite.

Logique floue

Le patient a une forte fièvre à 41%  Le patient a une hépatite à x %.

19
 Les 2 concepts principaux de la
logique floue

1. Les ensembles et variables flous et opérateurs associés.

2. Prise de décision à partir d’une base de règles SI…ALORS..

C’est l’inférence floue.

20
 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%

degré d’appartenance = valeur de

vérité.
Un ensemble flou est totalement déterminé par sa fonction d’appartenan
21
 Exemples d’ensembles
1
Petit
flous.
Ensemble flou " Personne de petite taille"
1
Ensemble flou: "Personne de taille moyenne"
Moyen
1
Ensemble flou :"Personne de grande taille"
Grand

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

Ici, Pierre mesure 1m625

se traduit en logique floue par
« Pierre est petit » à un degré de
75%
« Pierre est moyen » à 25%
« Pierre est grand » à 0%

22
 Opérateurs de logique floue
Comme pour la théorie classique des ensembles:

définit la réunion, l’intersection, le complément….d’ensembles flou

La logique booléenne standard est un cas

particulier de la logique floue


Tous les résultats obtenus en logique classique doivent être retrouvés
par la logique floue

23
 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

Partition floue de l'univers du discours Ensemble flou:"Personne petite OU moyenne"

Petit Moyen Grand
1 1

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

Taille(m) Taille(m)
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 24 1.9
 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 :

Partition floue de l'univers du discours Ensemble flou: "Personne petite et moyenne"

Petit Moyen Grand
1 1

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

Taille(m) Taille (m)

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

25
 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

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

26
 Opérateurs logiques floues les plus
utilisés: Synthèse

Dénominati Intersection Réunion Complément

on
ET OU NON
(T-norme) (T-conorme)
Opérateurs
de Zadeh  AB  x  min  A  x ,  B  x   AB  x  max  A  x ,  B  x   A  x  1   A  x 
MIN/MAX

Probabiliste
 AB  x    A  x   B  x   A  x    B  x    A  x   B  x   A  x  1   A  x 
PROD/
PROBOR

27
 Opérateurs logiques floues: synthèses
 les définitions d'opérateurs ET et OU, on retrouve les propriétés des opérateurs booléens

2 exceptions notables

1. En logique floue, le principe du tiers exclu est contredit.

A  A U i.e.  A A  x  1

2. En logique floue, on peut être A et non A en même

temps.
A  A  i.e.  A A  x  0

28
 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
30
Chaud »
 La fuzzification

Les systèmes à logique floue traitent de variables

d’entrées floues
et fournissent de résultats sur des variables de sorties
elle-même floues

La fuzzification est l’étape qui consiste à la quantification

floue des valeurs réelles d’une variable.

« Pierre est petit » à un degré de 75%

Pierre mesure 1m625 Interface de
fuzzification « Pierre est moyen » à 25%
« Pierre est grand » à 0%

31
 Comment fuzzifier?
ur fuzzifier, il faut donner:
L’univers du discours
i.e.: Plage de variations possibles de l’entrée considérée.
Une partition en classe floue de cet univers.
Les fonctions d’appartenances de chacune de ces classes.

Il faut fuzzifier les entrées ET les sorties du processus flou.

Exemple: Selon les valeurs des entrées , le système flou
indiquera qu’en sortie la puissance de chauffe devra prendre
les valeurs de sortie « faible » ou « moyenne » ou « forte ».

La fuzzification des variables est une phase

délicate du processus mis en œuvre par la
logique floue. Elle est souvent réalisée de
manière itérative et requiert de l'expérience.
32
 Comment fuzzifier?
Exemple classique : la régulation de la température d'une
pièce.
Étape 1 : Définir les Variables Linguistiques et les
Ensembles Flous
On choisit de décrire la température avec des termes comme
"Froid", "Tempéré" et "Chaud". Ce sont nos ensembles
flous.
Étape 2 : Définir les Fonctions d'Appartenance
On doit choisir à quoi ressemblent ces ensembles. Une forme
très courante est le triangle.
"Froid" : Décroît entre 10°C (μ=1) et 20°C (μ=0).
"Tempéré" : Un triangle entre 15°C (μ=0), 20°C (μ=1) et 33
 Comment fuzzifier?
Étape 3 : Appliquer la Fuzzification (l'action elle-même)
Supposons que le capteur mesure une température de 23°C.
On "fuzzifie" cette valeur précise en la faisant passer à travers
nos fonctions
d'appartenance :
- Pour l'ensemble "Froid" : À 23°C, la fonction est déjà
redescendue à 0.
Donc, μ_Froid(23) = 0.
- Pour l'ensemble "Tempéré" : On calcule le degré
d'appartenance sur la
pente descendante du triangle. Il est, par exemple,
à μ_Tempéré(23) = 0.6.
- Pour l'ensemble "Chaud" : On calcule le degré d'appartenance
34
 La Fuzzification ?

Logique Classique Logique floue

Entrée Valeur précise (ex: 23°C)
Opérati Comparaison à une valeur Fuzzification
on bien définie (fixe)
Sortie Vrai ou Faux Un ou plusieurs degrés
d'appartenance (ex: Froid=0,
Tempéré=0.6, Chaud=0.3)

La fuzzification est donc l'opération qui permet

d'exprimer une mesure du monde réel dans le
langage flexible et nuancé de la logique floue, en lui
attribuant des étiquettes linguistiques pondérées
par un degré de vérité
 Base de règles
Les systèmes à logique floue utilisent une expertise
exprimée sous forme d’une base de règles du type:
Si X estSi….Alors
 
A Alors …Y est B  

Si Temps est beau ET Moment est DébutMatinée ALORS Moral est haut
Si Cours est Ennuyeux ET Moment est DébutCours ALORS Moral est bas
Si Cours est Intéressant ET ChargedeTravail est Importante ALORS Moral est Maussade
Si .........

36
 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 37
 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.

38
Méthodes d’implication
2 méthodes principales d’implication floue:

Méthode de Mamdani :  'conclusion  y   MIN  prémisse  x0 ,  conclusion  y 

y

Méthode de larsen :  'conclusion  y   prémisse  x0   conclusion  y 

39
 Exemple (Mamdani)
Plus la condition sur les entrées est vraie.
Plus l'action préconisée pour les sorties doit être respectée

Règle: SI la température est très basse ALORS Chauffe

 '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
12KW
0 0
T(°C) Puissance chauffe(KW)
-10 -5 0 3 5 10 15 0 5 10 15

T=3°C

Selon la règle considérée, si T=3°C alors Puissance de chauffe =12KW 40

 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; ces actions peuvent
être contradictoires.

Þ Il convient d’agréger les règles pour fournir une

appartenance de la variable floue de sortie à une classe
floue consolidée 41
 Composition de règles

Chaque règle peut être vue comme une relation floue

entre les ensembles d’entrée et de sortie. La
composition consiste à combiner plusieurs règles
pour déterminer la sortie floue finale, en tenant compte
de toutes les entrées.
Lorsqu’on combine (compose) plusieurs règles ayant la
même sortie, on applique un opérateur d’agrégation le
plus souvent le max.

 B  y   MAX   B  y 
i
i   indices des règles activées

42
 Exemple (1)
On considère un moteur d’inférence à 4
règles qui fournit pour sa sortie tension S1,
les résultats suivants :
R1 petite=0.6
Moteur
R2 petite=0.5
d’inférences
4 règles R3 moyenne=0.3
R4 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 0.4
Implication floue
0.2 de Mamdani 0.2

0 0
Volt(v) Volt(v)
0 2 4 6 8 10 0 2 4 6 8 10
43
 Exemple (2)
Tension de sortie Tension de sortie
1 Petite Moyenne Grande 1

0.8 0.8

0.6 0.6
Agrégation
0.4 des 0.4
conclusions
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
(valeur réelle/éxacte) par l’utilisateur, l’interface de
commande…
44
 2 principales méthodes de défuzzification.

1. Méthode du centre de gravité (COG) 2. Méthode moyenne des maximums (MM)

C’est l’abscisse du centre de gravité C’est la moyenne des valeurs de sorti

de la surface sous la courbe résultat les plus vraisemblables

y   y  dy y dy
sortie  U sortie  S
  y  dy dy
S
U
 
U Univers du discours où S  y0  U /   y0  SUP   y 
Toutes les valeurs de sorties considérées  yU 

Tension de sortie Tension de sortie

1 1

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 0
Volt(v) Volt(v)
0 2 4 6 8 10 0 2 4 6 8 10
3,5V 1,9V
45
 Défuzzification

En commande floue, la défuzzification COG est presque toujours

utilisée. Elle prend en compte l’influence de l’ensemble des
valeurs proposées par la solution floue.

La défuzzification MM est plutôt utilisée lorsqu’il s’agit de

discriminer une valeur de sortie (Ex: reconnaissance de formes).

46
Synthèse d’un prise de décision par logique floue.

47
 Exemple : Système de notation floue

On choisit :

Résultats obtenus (sur 20) Système

d’inférences floues
Méthodes utilisées (sur 20) Évaluation du travail (sur 20)

Présentation (sur 20)

 Mise en place du système d’inférences
floues (1)

1. Choix des entrées/sorties

3 entrées: Résultats; Méthodes, Présentation.
1 sortie: Évaluation

2. Univers des discours

[0..20] pour chacune des E/S

3. Classes d’appartenances:
Résultats   Médiocre; Moyen; Excellent
Méthodes   Médiocre; Moyen; Excellent
Evaluation   Médiocre; Mauvais; Moyen; Bon; Excellent

49
 Mise en place du système d’inférences floues (2)

4. Choix des fonctions d’appartenances

Entrées : Sortie :

50
 Bases de règles

1. If (Résultats is excellent) then (Evaluation is excellent)

2. If (Résultats is moyen) then (Evaluation is moyen)
3. If (Résultats is médiocre) then (Evaluation is médiocre)
4. If (Résultats is moyen) and (Méthodes is médiocre) then (Evaluation is mauvais)
5. If (Résultats is moyen) and (Méthodes is excellent) then (Evaluation is bon)
6. If (Résultats is médiocre) and (Méthodes is moyen) then (Evaluation is mauvais)
7. If (Résultats is excellent) and (Méthodes is excellent) and (Présentation is excellent) then
(Evaluation is excellent)
8. If (Résultats is médiocre) and (Méthodes is excellent) then (Evaluation is moyen)
9. If (Résultats is excellent) and (Méthodes is médiocre) then (Evaluation is moyen)

51
Choix des opérateurs flous

ET flou
OU flou
Implication floue : MIN
Agrégation des règles : MAX
Défuzzyfication : COG
52
 Surface de décision floue

(Obtenue pour une évaluation de la présentation de 10/20).

53
 Surface de décision linéaire classique

Pondération Résultats: 0,6

Pondération Méthodes: 0,3
Pondération Présentation: 0,1
(Obtenue pour une évaluation de la présentation de 10/20). 54
Pour mieux comprendre
 L’implication floue traduit la relation logique entre les
prémisses et la conclusion d’une règle floue. C’est la partie
de la règle du type :
« SI température est haute ALORS ventilateur est rapide »
 Quand on applique cette règle, on cherche à propager le
degré d’appartenance de l’entrée (“température
haute”) vers la sortie (“ventilateur rapide”).
 déterminer la force de conclusion n fonction du degré de vérité
de la condition (entrée floue)

Mamdan
i
Pour x
(entrée )
= 30° C
 L’agrégation floue intervient après
l’implication, quand plusieurs règles floues
influencent la même variable de sortie. Elle sert
à combiner toutes les sorties floues partielles en
une seule conclusion floue globale.
 Fusionner les effets de plusieurs règles sur la
même variable de sortie.
Supposons deux règles :
R1 : SI température est haute ALORS vitesse est grande
R2 : SI température est moyenne ALORS vitesse est moyenne
Pour x
(entrée )
= 30° C
La fuzzification consiste à transformer une valeur réelle
en valeurs floues exprimées par des degrés
d’appartenance à différents ensembles flous.
 On traduit une donnée numérique en termes
linguistiques comme “faible”, “moyen”, “élevé”,
etc.
Implication floue : relie entrée → sortie pour une
règle donnée.
Agrégation floue: fusionne les sorties de toutes les
règles pour donner une seule sortie floue finale.

La défuzzification est la dernière étape d’un système

d’inférence flou. Transformer le résultat flou (une
courbe d’appartenance) en une seule valeur
numérique précise utilisable dans le monde réel
 Processus d’un système flou

 Modélisation floue d’un problème donné

 Entrer une valeur numérique du monde réel (ex
envoyer par des capteurs ou autres sources des
données)
1. Fuzzification → convertir les entrées réelles en
degrés d’appartenance
2. Raisonnement flou (inférence –implication ) →
appliquer les règles floues
3. Agrégation → combiner toutes les sorties partielles
4. Défuzzification → convertir le résultat flou final en
une valeur réelle
En résumé : on rend le réel flou pour
raisonner comme un humain, puis on le
rend précis pour agir comme une machine