Cours Logique Floue

Introduction à la logique floue:
Les concepts fondamentaux et applications
Mastère de recherche : R.O.G.P.
Sabeur ELKOSANTINI
Sabeur.Elkosantini@isima.rnu.tn
A. U. : 09-10 S. Elkosantini 1
Plan
Partie 1 : I.A. – L’approche classique

Partie 2 : La théorie des sous ensembles flous
Partie 3 : Logique Floue
Partie 3.1
3 1 : Fuzzification
Partie 3.2 : Inférence floue
Partie 3.3 : Défuzzification
Partie 4 : Exemple d’applications
Plan

Partie 3.1
3 1 : Fuzzification
Partie 4 : Exemple d’applications
1
I.A. – L’approche classique
) Introduction
« L’intelligence artificielle est une science qui s’intéresse à la réalisation de

machines qui réalisent des tâches qui nécessiteraient de l’intelligence si elles
étaient faites par un homme » (Minsky, 1968)
« Science qui étudie comment faire faire à des machines des tâches pour
lesquelles l’homme est, aujourd’hui encore, le meilleur » (Rich et Knight).
) La logique propositionnelle
On appelle logique propositionnelle la partie de la logique qui traite des

propositions.
9 Les propositions sont des affirmations qui ne peuvent être que vraies ou fausses.
Exemples : la température est élevée, la couleur est noire.
Les propositions sont traitées comme des variables (désignées par des lettres).
Des opérateurs permettent de combiner les valeurs de ces variables.
) La logique propositionnelle
Les propositions ont des valeurs dans l’ensemble {Vrai, faux} ou {0 , 1}.
Exemple de propositions :
Si p, alors q Noté aussi par p ⇒ q
Les connectives sont : ∨, ∧, ¬, ⇒, ⇔
2
) Règle d’inférence
Définition: Un mécanisme par lequel on peut tirer des conclusions.

Modus Ponens:
A⇒B
A
B MP: 1,2
Conjonction
A
B
A⇒B CONJ: 1,2
) Les systèmes experts

Un système expert utilise la connaissance correspondante à un domaine
spécifique afin de fournir une performance comparable à l’expert humain.
Les connaissances sont issues de l’expertise ou/et de la pratique .
Structure d’un système expert
La base de règles (ou base de connaissances) contient les connaissances concernant

la résolution du problème.
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.
3

R1 : Si (distance.<.2km) Alors (aller.à.pied)
R2 : Si ((non distance.<.2km) ^ distance.<.300km) Alors (prendre.le.train )
R3 : Si (non distance.<.300km) Alors (prendre.l'avion)
R4 : Si (acheter.un.billet ^ avoir.le.téléphone) Alors (téléphoner.à.l'agence)
R5 : Si (acheter.un.billet ^ (non avoir.le.téléphone)) Alors (aller.à.l'agence)
R6 : Si (prendre.l'avion) Alors (acheter.un.billet)
R7 : Si (durée.>.2.jours ^ être.fonctionnaire) Alors (non prendre.l'avion)
Base de connaissances
Moteur
d’inférence
z F1 : (non distance.<.300km)
z F2 : (avoir.le.téléphone)
Base de faits

Exemple d’application : aide au diagnostique des malades :
9 Un patient atteint d'hépatite présente généralement les symptômes suivants :
¾ Le patient a une forte fièvre,
¾ Sa peau présente une coloration jaune,
¾ Il a des nausées.
1
Forte fièvre
Pas de fièvre
0
39
Si le patient à 37,5°C de température ⇒ Le patient n’a pas de forte fièvre.
Si le patient n’a pas de forte fièvre ⇒ Le patient n’a pas d’hépatite.

) Les systèmes experts : les moteurs d’inférences
Dans un système à base de règles, les connaissances sont représentées par des
règles.
Le moteur d’inférence peut fonctionner en chaînage arrière ou avant.
Le moteur d’inférence simule le raisonnement de l’expert en enchaînant les

connaissances suivant une certaine logique.
4
Le chaînage avant: raisonnement guidé par le but :

9 Part des faits pour arriver au but
9 Ne sélectionne que les règles dont la partie prémisse est vérifiée par les faits présents
9 Déclenchement des règles jusqu’à épuisement des faits possibles à produire.
9 S’arrête :
¾ Avec succès dès que le but est atteint
¾ Avec échec quand il n’y a plus de règles applicables

9 Algorithme :

9 Exemple :
¾ si f1 est vrai et f1 Æ f2 alors f2 est vrai.
¾ de f1 sont déduits f2 et f3
¾ de f2 sont déduits f4 et f5
¾ etc ...
5
Le chaînage arrière : raisonnement guidé par le but :

9 Le système cherche dans sa base de connaissances les règles dont la conclusion
correspond au but posé.
9 U des
Une d règles
è l estt choisie
h i i selon
l une stratégie
t té i d donnée.
é
9 Ses prémisses sont empilées dans la mémoire de travail et deviennent les sous-buts
actuels à résoudre.
9 Le système continue à travailler de cette façon jusqu’à ce que tous les sous buts placés
en mémoire soient vérifiés.
Le système garde aussi la trace de son

raisonnement sous forme d’un graphe
Le chaînage arrière : raisonnement guidé par le but :

9 Exemple :
¾ Si est q non vrai et si p Æ q alors p est non vrai.
¾ de f4 est déduit f3
¾ de f3 est déduit f1
) Inconvénients
Les variables décrivant des états sont booléennes.
La variable booléenne, qui ne peut prendre que deux

valeurs (vrai ou faux) est mal adaptée à la représentation
de la plupart des phénomènes courants.
Forte fièvre
1
Pas de fièvre
0
Et si la température était de 38,99 ?! 39
Et si la température était de 39,01 ?!
Et si le phénomène était plus complexe ?!
6
) Inconvénients
Exemple : Dans un environnement de gestion des ressources humaines,

que signifie : Le stress de l’opérateur est 0.8
Valuation numérique Valuation qualitative: langage

naturel
aue
Le stress de l’opérateur est fort
Comment représenter ces valeurs linguistiques ?

Comment formuler cette quantification linguistique ?
Comment intégrer ces valeurs linguistiques dans un système intelligent ?
Plan

Partie 3.1
3 1 : Fuzzification
Partie 4 : Exemples d’applications
Théorie des sous ensembles flous
) 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 ??
7
) L’incertain et l’imprécis
) Historique
1965 : Théorie des ensembles flous introduite par L.A. Zadeh (UC Berkeley)
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
linguistiques (dont la valeur est un mot et non un nombre).
nombre)
En 1974, première application industrielle. Régulation floue d’une chaudière à

vapeur réalisée par Mamdani.
En 1980, F.L. Smidth & Co. A/S (au Danemark) met en application la théorie de
la logique floue dans le contrôle de fours à ciment. C'est la première mise en
œuvre pratique de cette nouvelle théorie.
) Historique
Dans les années 80, plusieurs applications commencent à immerger (notamment

au Japon).
1990: Généralisation de l’utilisation de cette technique.

9 Appareils
pp électroménagers
g ((laves-linges,
g , aspirateurs,
p , autocuiseurs,...etc)
, ),
9 Systèmes audio-visuels (appareils de photos autofocus, caméscopes à stabilisateur d'images,

photocopieurs,...)
9 Systèmes automobiles embarqués (BVA, ABS, suspension, climatisation,...etc.),
9 Systèmes autonomes mobiles,
9 Systèmes de décision, diagnostic, reconnaissance,
9 Systèmes de contrôle/commande dans la plupart des domaines industriels de production.
8
) Concepts fondamentaux
Le concept de sous-ensemble flou permet des graduations dans l'appartenance

d'un élément à une classe.
A
Dans l’approche classique :
X
Si μ Aest la fonction d' appartenance de l' ensemble A

∀x ∈ X μ A ( x) = 0 si x ∉ X
μ A ( x) = 1 si x ∈ X
L’ensemble A est défini par : A = {(x, μ A ( x)) x∈ X}
Dans l’approche floue :
9 Un élément peut appartenir plus ou moins fortement à cette classe.
9 Un sous-ensemble flou A d'un référentiel X est caractérisé par une fonction

d'appartenance µA :
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}
Si μ A ( x ) =0,10
x appartient à l’ensemble flou A avec un degré d’appartenance de 10%
⇔ Faible appartenance ⇔ Traduction de la valeur linguistique « Faible »
Si μ A ( x ) =0,90
0 90
x appartient à l’ensemble flou A avec un degré d’appartenance de 90%
⇔ Forte appartenance ⇔ Traduction de la valeur linguistique « Fort»
degré d’appartenance = valeur de vérité.

Un ensemble flou est totalement déterminé par sa fonction d’appartenance
9
La fonction d'appartenance décrivant un sous-ensemble flou est caractérisée par

quatre propriétés :
9 Le type : la forme du nombre ou qui peut être triangulaire, trapézoïdale, gaussienne
ou sigmoïdale.
9 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.
9 Le noyau : N(A) = {x/μA(x) = 1} est l'ensemble des éléments qui appartiennent

totalement à A. Pour les fonctions de type triangulaire, le noyau est un singleton qui
est appelé aussi valeur modale.
9 Le support : S(A) = {x/μA(x) ≠ 0} ; cet ensemble décrit l'ensemble des éléments qui
sont partiellement dans A.
La fonction d'appartenance décrivant un sous-ensemble flou est caractérisée par
quatre propriétés :
9 Le type :
ou ou
9 La hauteur, le noyau, le support :
) Notation :
L'intervalle flou couramment utilisé dans R est décrit par sa fonction
d'appartenance.
Un nombre flou trapézoïdale est notée généralement par (a, b, α, β) :
10
) Notation :
Un nombre flou triangulaire est un cas particulier d’un nombre trapézoïdale.
Il est notée généralement par (a, α, β).
Dans le domaine de la recherche, ce type de nombres flous est très utilisé :

9 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)
9 La traduction de l’expertise humaine vers ce type de nombre flou est plus facile.
La manipulation mathématique est plus

facile avec cette forme
) Notation :
La fonction d’appartenance d’un nombre flou avec des cotés paraboliques est
définie de la manière suivante :
Les nombres flous de forme gaussienne est

un cas particulier
) Concepts fondamentaux : le support
Triangle [a,b,c]
Trapézoïdale [a,b,c,d]
Gaussien [a, ʘ]
singleton [a, m]
11
) Concepts fondamentaux : le noyau
Triangle [a,b,c]
Trapézoïdale [a,b,c,d]
Gaussien [a, ʘ]
singleton [a, m]
) Les opérateurs flous

Extension des opérations de la théorie des ensembles classiques: =, ∪, ∩, ⊂,
complément.
Soient A et B deux sefs de X, définis par les fonctions d’apprentissage µA et µB :
Égalité de sefs:
A = B ssi ∀ x ∈ X, µA (x) = µB(x)
Inclusion de sefs:
A ⊂ B ssi ∀ x ∈ X, µA (x) < µB(x)
Intersection de sefs: A ∩ B:
∀ x ∈ X, µA∩B (x) = min(µA (x), µB(x))
Union de sefs: A ∪ B:
∀ x ∈ X, µA ∪ B (x) = max(µA (x), µB(x))
) Les opérateurs flous : Union
L’ensemble des personnes petites OU moyennes est un ensemble flou de fonction

d’appartenance :
μ A∪ B ( x ) = max ( μ A ( x ) , μ 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 1.9
12
) Les opérateurs flous : Intersection

L’ensemble des personnes petites ET moyennes est un ensemble flou de fonction
d’appartenance :
μ A∪ B ( x ) = min ( μ A ( x ) , μ B ( x ) ) ∀x ∈ U
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
) Les opérateurs flous : complément
L’ensemble des personnes NON petites est un ensemble flou de fonction

d’appartenance :
μ A ( x ) = 1 − μ 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
) Les opérateurs flous : propriétés
Certaines propriétés de la théorie des ensembles classiques sont vérifiées :
9 A ∪ ‫ = ׎‬A, A ∩ ‫׎ = ׎‬, A ∪ X = X, A ∩ X = A
9 Associativité de ∩ et de ∪ : (A ∪ B) ∪ C = A ∪(B ∪ C)
9 Commutativité de ∩ et de ∪ : A∩B = B∩A
9 Distributivité de ∩ par rapport à U :
¾ A∩(B ∪ C) = (A∩B) U(A∩C)
¾ A ∪ (B∩C) = (A ∪ B)∩(A ∪ C)
13
) Les opérateurs flous : propriétés
Certaines propriétés de la théorie des ensembles classiques sont vérifiées :
9 La relation de Morgan :
¾ ¬(A ∩ B) = (¬A) ‫¬( ׫‬B)
¾ ¬(A ‫ ׫‬B) = (¬A) ∩ (¬B)
9 Les lois d'absorption :
¾ A ‫( ׫‬A ∩ B) = A ∩ (A ‫ ׫‬B) = A
) Les opérateurs arithmétiques :
L’addition :
μA+B(z) = max {min(μA(x), μB(y)) / x + y = z} :
La multiplication :
μA.B
A B(z) = max {min(μA(x), μB(y)) / xy = z}
A+B :
(a, b, α, β) + (a', b', α', β') = (a + a', b + b', α + α', β + β')
λB :
λ (a, b, α, β) = ( λ a, λ b, λ α, λ β)
Et pour la multiplication et la division ?
) Le produit cartésien :
Le produit cartésien est défini par μA*B (x, y) = min [μA(x), μB(y)].
) Cardinalité d’un ensemble flou
Dans le cas fini, on peut définir le nombre d'éléments d'un ensemble flou A
par : card ( A) = ∑ μ A ( x)
Si A est continu, le nombre d'éléments d'un ensemble flou A par :
card( A) = ∫ μx ( x)dx
x
14
) La distance de Hamming
La notion de distance entre ensembles flous peut être utile pour définir des
relations telles que «à peu près égal» ou «très supérieur à».
La distance de Hamming est : d(A, B) = (x ‫ א‬X) |μA(x) - μB(x)|

Ou aut
autrement
e e t:
b
∫μ
a
A ( x) − μ B ( x) dx
La distance de Hamming relative est :
d ( A, B )
δ ( A, B) =
card ( X )
) La distance de Hamming
Soit un ensemble de référence X={a,b,c,d,e,f,g} et deux sous ensembles flous

représentés de la manière suivante :
Quelle est la distance de Hamming entre les deux sous

ensembles flous A et B ?
) Les α-coupes
Il est important aussi d'introduire le concept d'α-coupe ou coupe de niveau α:
Une α-coupe d'un sous-ensemble ou A pour une valeur α ‫[ א‬0..1] est le sous-
ensemble classique noté Aα et déni par :
A α = {x ; μ A ( x ) ≥ α }
Les α-coupes Aα d'un sous-ensemble A sont des intervalles non-flous

emboités par rapport à la valeur de niveau α.
1
α1
α2
15
) Les α-coupes
Si α1 ≥ α2 alors Aα2 ‫ ل‬Aα1
Les α-coupes des sous-ensembles A et B flous vérifient les propriétés

suivantes:
9 (A ‫ ׫‬B)α = Aα ‫ ׫‬Bα
9 (A ∩ B)α = Aα ∩ Bα
9 Si (A ‫ ل‬B)α alors Aα ‫ ل‬Bα
9 (¬A)1-α1 ≠ ¬(Aα), sauf pour α = 1/2.
) Principe d’extension
Utilisé pour étendre une fonction classique aux sefs :
Mesure précise
Mesure floue
16
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 ϕ de X vers

Y le principe d'extension permet de définir un sef B de Y associé à A
Y,
par ϕ :
∀y∈Y, µB(y)= sup{x, ϕ (x)=y}µA(x)
avec supϕ µA(x)=0
Le sef B est l'image du sef A par la fonction ϕ.
) Les valeurs linguistiques :
Fonction d
d’appartenance
appartenance, distance,
distance cardinalité,
cardinalité ensemble flou,
flou etc.
etc
… et après !!???

Exemple : Dans un environnement de gestion des ressources humaines,
que signifie : Le stress de l’opérateur est 0.8
Valuation numérique Valuation qualitative: langage

naturel
aue
Le stress de l’opérateur est fort
Comment représenter ces valeurs linguistiques ?

Comment formuler cette quantification linguistique ?
Comment intégrer ces valeurs linguistiques dans un système intelligent ?
17
le
ib
t
or
en
fa
le
f
ib
oy
ès
ès
rt
Fa
Tr
Fo
M
Tr
L’ensemble de référence d’un mot du langage naturel s’appelle l’univers du
discours.
Une variable linguistique représente un état dans le système à régler.
Sa valeur est définie dans des termes linguistiques qui peuvent être des mots
ou des phrases d’un langage naturel.

Chaque variable linguistique est caractérisée par l’ensemble :
<x, T(x), U, G, M>
avec :
o x est le nom de la variable,
o T(x) est l’ensemble des valeurs linguistique que peut prendre x
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

Forte fièvre
1
Pas de fièvre
0
39
Si le patient à 38,9°C de température ⇒ Le patient n’a pas de forte fièvre.

Comment représenter « forte »?
18
Plan

Partie 3.1
3 1 : Fuzzification
Logique floue
) Conception de contrôleur flou :

Contrôleur flou
Mais pourquoi un contrôleur flou ??
Commande
Mesures
Système
Modus Ponens:
A⇒B
A
Et si c’est à peu près A ??
B
Modus Ponens:
A⇒B
A’
??
Logique floue

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
d'inférence
inférence peuvent contenir.
Modus Ponens généralisé :

A⇒B
A’
B’
19
Logique floue
source : cours de LESCIEUX
Éclairage
Température Température
Contrôleur Ventilation Serre
Humidité flou Humidité
Agricole
Chauffage/
Rayonnement Refroidissement Rayonnement
Humidification
Logique floue
source : (Riat & Aurrand

Aurrand-lions;
lions; 98)
Position
Cap/chaussée
Contrôleur Véhicule
Vitesse flou Pas moteur autonome
volant
Angle volant
Logique floue

Mais concrètement, qu’est ce qu’un contrôleur flou ??
Stress
Fatigue
Performance
Contrôleur Robot
Conflit flou
Système d’inférence flou
R1: SI Degré (Stress de Robot) est Très faible ET Degré (Fatigue de Robot) est Très faible
ET Degré (Conflit de Robot) est Faible
ALORS Performance est ZE
R2: SI Degré (Stress de Robot) est Modéré ET Degré (Fatigue de Robot) est Faible
ET Degré (Conflit de Robot) est Modéré
ALORS Performance est PS
R3:…
20
Logique floue
Si Temps est beau ET Moment est DébutMatinée ALORS Moral est haut
Prémisses Conjonction Implication Conclusion
Logique floue
Les conjonctions :
• La définition des opérateurs logiques est assurée selon le type de la fonction
d'appartenance utilisée.
• Quelques
Q q opérateurs
p mathématiques
q :
Logique floue
L’implication :
• L'implication floue est une relation qui associe à toute règle floue R une fonction
d'appartenance qui peut être définie de différentes manières.
21
Logique floue
Il y a 5 étapes nécessaires lors de la conception d’un contrôleur flou :

¾ Définition des entrées et des sorties du contrôleur:
9 nombres, noms, types, univers de discours
¾ subdivision de toutes les variables d’entrées et de sorties en sous ensembles flous :
9 nombres de subdivisions, types de subdivisions, noms, paramètres.
¾ Définition de la base de règles :
9 nombre de règles, type de règles, les combinaisons possibles, les résultats.
¾ Sélection de la méthode d’inférence
¾ Sélection de la méthode de défuzzification
Logique floue
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
Recherche de la fonction d’appartenance pour la sortie de chaque règle
Recherche de la fonction d’appartenance résultante globale
Defuzzification
Sortie
Logique floue
Contrôleur flou
Commande
Mesures
Système
22
Logique floue
Base de connaissances
Fuzzification Inférence floue Défuzzification
Mesures Commande
Système
Logique floue
source : cours de Tai-Wen Yue
Logique floue
1. Fuzzification : processus qui consiste à transformer une grandeur numérique

en un sous-ensemble flou.
9 Qualifier une valeur numérique avec un terme linguistique.
« Pierre est petit » à un degré de 75%
Pierre mesure 1m625 Interface de « Pierre est moyen » à 25%

fuzzification
« Pierre est grand » à 0%
Et si on augmente le support des nombres flous utilisés ?
23
Logique floue

1. Comment fuzzifier ?
1. Donner l’univers du discours : plage de variations possibles de l’entrée considérée.
2. Une partition en classe floue de cet univers.
3. Les fonctions d’appartenances de chacune de ces classes.
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.
Logique floue

2. Calcul du degré d’activation de chaque règle :
9 L'activation des règles consiste à appliquer une norme triangulaire (ou T-

norme) pour obtenir le degré d'activation de chacune.
9 C’est une valeur comprise

p entre 0 et 1.
Quelques exemples de t-normes
Logique floue

Exemple : t-norme défini par Zadeh
24
Logique floue

3. Recherche de la fonction d’appartenance pour la sortie de chaque règle :
Exemple : Selon la t-norme défini par Zadeh
Logique floue

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 :
avec T la T-norme Min et N est le nombre de règles activées
Logique floue

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 ٣ la T-conorme Max et N est le nombre de règles activées.
25
Logique floue

Logique floue

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
Premier Maximum
Dernier Maximum
Centre Maximum
Logique floue

5. Défuzzification :
Centre de gravité
Premier Maximum
Dernier Maximum
Centre Maximum
26
Logique floue

Méthode d’inférence : Méthode de Mamdani
Min-Max
Logique floue

Considérons les observations : . . Le raisonnement flou se

décompose comme suit :
1. Calcul du degré
g d'activation de chaque
q règle
g :
2. Calcul de l'implication :
Logique floue

3. Calcul de l'agrégation pour former la conclusion finale floue C :
27
Logique floue

Méthode d’inférence : Méthode de Larsen
Considérons les observations : . . Le raisonnement flou se

décompose comme suit :
1. Calcul du degré
g d'activation de chaque
q règle
g :
2. Calcul de l'implication : Cette méthode utilise le produit pour définir

la conclusion
Logique floue

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

max-prod
28
Logique floue

Méthode d’inférence : Méthode de Takagi-Sugeno:
If x is A and y is B then z = f(x, y)
sous-ensemble Souvent : f(x, y) est une fonction

flou
polynomiale en fonction de x et y
Logique floue

Méthode d’inférence : Méthode de Takagi-Sugeno:
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
R3: if X is large and Y is small then z = −x +3
R4: if X is large and Y is large then z = x + y + 2
Logique floue

Méthode d’inférence : Méthode de Takagi-Sugeno
1. Calcul du degré d'activation de chaque règle (en utilisant l'opérateur de

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 :
29
Logique floue

Méthode d’inférence : Méthode de Takagi-Sugeno
source : cours de Tai-Wen Yue
les étapes 4 et 5 d’un contrôleur flou classique n’existent plus
Plan

Partie 3.1
3 1 : Fuzzification
Exemple d’applications
Fuzzy logic systems for transportation engineering: the state of the art
An evaluation of fuzzy transportation underwriting systematic risk
A fuzzy logic controller for traffic junction signals
A two-stage fuzzy logic controller for traffic signals
Design and
d implementation
l off a fuzzy
f inference
f system for
f supporting
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)
30
Exemple d’applications
Fuzzy Allocation of Manufacturing Resources
Fuzzy modeling of manufacturing and logistic systems
A fuzzy logic based production scheduling/rescheduling in the presence of

uncertain disruptions
Agents Emotional Intelligence and Fuzzy Logic

Agents,
Applying fuzzy logic to personnel assessment: a case study
Alterable-Phase Fuzzy Control Based on Neutral Network
www.sciencedirect.com
login : YcJpNyi
mot de passe : ig1i9sf
Logique floue
) Exemple de problème :
On désire contrôler la qualité de production de téléphone portable. Un Téléphone est
caractérisé par un poids P et sa largeur L.
L P 150 g 200g 250g

4 cm Vente Vente Rejet
5 cm Vente Vente Rejet
6 cm Réparation Réparation Rejet
Réparation = 0; Vente = +1 ; Rejet = -1
On souhaite remplacer le système de contrôle de qualité par un système flou de type

Takagi-Sugeno.
Logique floue
Les étapes de conception :
L
1. identifier les entrées et sorties :
Décision
P Contrôleur
flou
2. Subdivision de toutes les entrées en sous-ensembles flous :
31
Logique floue
Les étapes de conception :
3. Etablir la base de règles (la tâche d’un expert humain)
Si (P est léger) ET (L est cout) alors D=+1
….
….
Si (P est lourd) ET (L est large) alors D=-1
Quelle est la décision pour un portable de poids 175g et

largeur 5,5cm
Logique floue
Les étapes d’inférences:
1. Fuzzification :
2. Calcul de l'implication
4. Calcul de la sortie finale :
Logique floue
Améliorons encore plus le système de contrôle de la qualité en minimisant le nombre de
de subdivision de chaque entrée.
32
Fin du cours
33

Cours Logique Floue

Transféré par

Droits d'auteur :

Formats disponibles

Cours Logique Floue

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours Logique Floue

Transféré par

Droits d'auteur :

Formats disponibles

Introduction à la logique floue:

Les concepts fondamentaux et applications

Mastère de recherche : R.O.G.P.

 Partie 1 : I.A. – L’approche classique

 Partie 1 : I.A. – L’approche classique

 « L’intelligence artificielle est une science qui s’intéresse à la réalisation de

I.A. – L’approche classique

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

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

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

I.A. – L’approche classique

 Les connectives sont : ∨, ∧, ¬, ⇒, ⇔

 Définition: Un mécanisme par lequel on peut tirer des conclusions.

I.A. – L’approche classique

) Les systèmes experts

 Les connaissances sont issues de l’expertise ou/et de la pratique .

Structure d’un système expert

I.A. – L’approche classique

) Les systèmes experts

 La base de règles (ou base de connaissances) contient les connaissances concernant

 Le moteur d’inférence applique une stratégie de résolution en utilisant les

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

) Les systèmes experts

I.A. – L’approche classique

) Les systèmes experts

9 Un patient atteint d'hépatite présente généralement les symptômes suivants :

¾ Le patient a une forte fièvre,

¾ Sa peau présente une coloration jaune,

Si le patient à 37,5°C de température ⇒ Le patient n’a pas de forte fièvre.

Si le patient n’a pas de forte fièvre ⇒ Le patient n’a pas d’hépatite.

I.A. – L’approche classique

) Les systèmes experts : les moteurs d’inférences

 Le moteur d’inférence peut fonctionner en chaînage arrière ou avant.

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

) Les systèmes experts : les moteurs d’inférences

 Le chaînage avant: raisonnement guidé par le but :

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

¾ Avec succès dès que le but est atteint

¾ Avec échec quand il n’y a plus de règles applicables

I.A. – L’approche classique

) Les systèmes experts : les moteurs d’inférences

 Le chaînage avant: raisonnement guidé par le but :

I.A. – L’approche classique

) Les systèmes experts : les moteurs d’inférences

 Le chaînage avant: raisonnement guidé par le but :

¾ si f1 est vrai et f1 Æ f2 alors f2 est vrai.

) Les systèmes experts : les moteurs d’inférences

 Le chaînage arrière : raisonnement guidé par le but :

Le système garde aussi la trace de son

I.A. – L’approche classique

) Les systèmes experts : les moteurs d’inférences

 Le chaînage arrière : raisonnement guidé par le but :

¾ Si est q non vrai et si p Æ q alors p est non vrai.

I.A. – L’approche classique

 Les variables décrivant des états sont booléennes.

La variable booléenne, qui ne peut prendre que deux

Et si le phénomène était plus complexe ?!

Exemple : Dans un environnement de gestion des ressources humaines,

Valuation numérique Valuation qualitative: langage

Le stress de l’opérateur est fort

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

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

« L’intelligence artificielle est une science qui s’intéresse à la réalisation de

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

Des opérateurs permettent de combiner les valeurs de ces variables.

Les connectives sont : ∨, ∧, ¬, ⇒, ⇔

Définition: Un mécanisme par lequel on peut tirer des conclusions.

Les connaissances sont issues de l’expertise ou/et de la pratique .

La base de règles (ou base de connaissances) contient les connaissances concernant

Le moteur d’inférence applique une stratégie de résolution en utilisant les

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

Le moteur d’inférence peut fonctionner en chaînage arrière ou avant.

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

Le chaînage avant: raisonnement guidé par le but :

Le chaînage avant: raisonnement guidé par le but :

Le chaînage avant: raisonnement guidé par le but :

Le chaînage arrière : raisonnement guidé par le but :

Le chaînage arrière : raisonnement guidé par le but :

Les variables décrivant des états sont booléennes.

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

Je crois que la température est élevée.

La température de la chambre est très élevée

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

En 1974, première application industrielle. Régulation floue d’une chaudière à

Dans les années 80, plusieurs applications commencent à immerger (notamment

1990: Généralisation de l’utilisation de cette technique.

Le concept de sous-ensemble flou permet des graduations dans l'appartenance

Dans l’approche floue :

La fonction d'appartenance décrivant un sous-ensemble flou est caractérisée par

Un nombre flou trapézoïdale est notée généralement par (a, b, α, β) :

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

Soient A et B deux sefs de X, définis par les fonctions d’apprentissage µA et µB :

Certaines propriétés de la théorie des ensembles classiques sont vérifiées :

Certaines propriétés de la théorie des ensembles classiques sont vérifiées :