Cours : Intelligence Artificielle Chapitre 1 Logique Floue

Chapitre 1

Logique Floue

Create PDF files with PDF Writer for Windows 8. This is an evaluation copy. Buy full version now.
 Cours : Intelligence Artificielle Chapitre 1 Logique Floue

Introduction

La logique floue est une extension de la logique booléenne créée par Lotfi Zadeh en
1965 en se basant sur sa théorie mathématique des ensembles flous, qui est une
généralisation de la théorie des ensembles classiques. La logique floue donne ainsi une
flexibilité très appréciable aux raisonnements qui l'utilisent, ce qui rend possible la prise
en compte des imprécisions et des incertitudes.

I.1.2 Systèmes flous

Les systèmes flous peuvent être considérés comme des systèmes logiques qui utilisent des
règles linguistiques pour établir des relations entre leurs variables d’entrée et de sortie. Ils sont
apparus pour la première fois dans les années soixante-dix avec des applications dans le
domaine du contrôle des processus. Aujourd’hui, les applications des systèmes flous sont très
nombreuses outre la commande, ils sont largement utilisés pour la modélisation, le diagnostic
et la reconnaissance de formes. Pour une meilleure compréhension de leur fonctionnement,
nous présentons brièvement quelques notions de base de ces systèmes, notamment les
variables linguistiques.

I.1.2.1 Ensembles flous

La notion d’ensemble flou a été proposée par Zadeh en introduisant un caractère graduel de
l’appartenance d’un élément à un ensemble donné. Cela permet une meilleure représentation
des termes et des connaissances vagues que nous, les humains, manipulons au quotidien.
Mathématiquement, un ensemble flou Af d’un univers de discours Uf, est caractérisé par une
fonction d’appartenance, notée µA, à valeur dans l’intervalle [0,1] et qui associe à chaque
élément x de Uf un degré d’appartenance µA(x) indiquant le niveau d’appartenance de x à Af.
µA(x) = 1 et µA(x) = 0 correspondent respectivement à l’appartenance et la non-appartenance.
Exemple: Evaluation de la température d’un corps (voir figure I.5) :

Create PDF files with PDF Writer for Windows 8. This is an evaluation copy. Buy full version now.
 Cours : Intelligence Artificielle Chapitre 1 Logique Floue

Figure I.5 Représentation de la température d’un corps par les ensembles classiques et flous

a) En logique booléenne (Figure I.5.a), le degré d’appartenance µ(T) ne peut prendre que deux
valeurs (0 ou 1). Dans ce cas le corps peut être :
§ Froid: µFroid(T)= 1, µTide = 0, µChaud(T) = 0
§ Tiède: µFroid(T)= 0, µTide = 1, µChaud(T) = 0
§ Chaud: µFroid (T) = 0, µTide(T) = 0, µChaud (T)= 1
La température du corps ne peut pas prendre deux qualificatifs à la fois.
b) En logique floue, le degré d’appartenance devient une fonction qui peut prendre une valeur
réelle intermédiaire comprise entre 0 et 1 inclus. Dans ce cas, pour le qualificatif tiède, le
corps peut être considéré à la fois, comme froid avec un degré d’appartenance de 0,3 et
comme tiède avec un degré d’appartenance de 0,75 (figure I.5.b).
Pour T=35 0C : µfroid(T) = 0,3, µTide(T) = 0,75, µChaud(T) = 0.

L’allure de la fonction d’appartenance est à choisir selon l’application traitée. La figure I.6,
illustre les différentes formes de fonctions d’appartenance les plus utilisées.
Cependant, dans certaines applications où l’on doit dériver la fonction d’appartenance, on
choisira plutôt des fonctions en S (Sigmoïde) ou des fonctions de type gaussienne,
continument dérivables sur leur support.

Create PDF files with PDF Writer for Windows 8. This is an evaluation copy. Buy full version now.
 Cours : Intelligence Artificielle Chapitre 1 Logique Floue

Figure I.6. Différents types de fonctions d’appartenance utilisées

I.1.2.2 Variables linguistiques

Une variable linguistique appelée aussi attribut linguistique peut être définie à partir du triplet
(x,Uf,Tx) où x est une variable définie sur l’univers de discours Uf et Tx = A1, A2,… est un
ensemble composé de sous-ensembles flous de Uf qui caractérise x. On associe souvent à
chaque sous ensemble flou de TX une valeur ou un terme linguistique (étiquette).
La figure I.7 illustre un exemple de la variable linguistique ’vitesse’ avec trois termes
linguistiques: petite, moyenne et grande.

Figure I.7 Variable linguistique

Il est généralement imposé que les ensembles flous Ai doivent satisfaire la condition suivante:

∀ x, ∃i, µ Ai ( x ) ≠ 0 (I.17)

Cette condition qu’on appelle dans la littérature, propriété d’assurance (coverage property),
exige que chaque élément soit affecté à au moins à un ensemble flou avec un degré
d’appartenance non nul. A cette condition, on ajoute souvent une propriété supplémentaire qui

Create PDF files with PDF Writer for Windows 8. This is an evaluation copy. Buy full version now.
 Cours : Intelligence Artificielle Chapitre 1 Logique Floue

est le respect de la sémantique : les sous-ensembles doivent interpréter réellement les termes
linguistiques qui leurs ont associés. Dans la partie inférieure de la figure 8, le recouvrement
entre les ensembles flous est tel qu’ils peuvent être ordonnés, et donc interprétés en termes
linguistiques, par exemple de la très lente jusqu’à la très rapide. La partie supérieure de la
même figure montre un bel exemple d’une partition ininterprétable: il est impossible
d’étiqueter les trois sous-ensembles flous centraux avec des termes linguistiques.
Le respect de ces deux propriétés confère aux variables linguistiques une meilleure
modélisation des connaissances imprécises en réalisant une répartition de l’espace de
connaissance. Cette granulation est définie comme une décomposition d’un ensemble de
référence, comprenant des informations vagues ou imprécises, en plusieurs sous-ensembles
flous pour former des répartitions de connaissance.

Figure I.8 Partition ininterprétable en termes linguistiques

I.1.2.3 Règles et opérateurs flous

On appelle proposition floue élémentaire, une proposition de type Xf est Af où (Xf,Uf,Tx) est
une variable linguistique et Af un sous ensemble de Tx. Une telle proposition possède un degré
de vérité égal à µA(x) où x est une valeur réelle de Xf. D’une manière générale, on peut
combiner ces propositions élémentaires à l’aide des opérateurs logiques de conjonction et de
disjonction (’et’ et ’ou’) mis en œuvre respectivement par des T-normes et T-conormes. Le
degré de vérité des nouvelles propositions obtenues peut être calculé entre autre par les
équations suivantes:
Conjonction: (Xf est Af) ET (Yf est B f)

Create PDF files with PDF Writer for Windows 8. This is an evaluation copy. Buy full version now.
 Cours : Intelligence Artificielle Chapitre 1 Logique Floue

§ minimum (µA(x),µB(y))
§ produit µA(x) × µB(y)
Disjonction: (Xf est Af) OU (Yf est Bf)
§ maximum (µA(x),µB(y))
§ somme µA(x)+µB(y)- µA(x)× µB(y)
L’opérateur d’implication permet d’introduire la notion de règle floue qui caractérise les
relations de dépendance entre plusieurs propositions floues:

( X f 1 est A f 1 ) ET ( X f 2 est A f 2 ) ⇒ (Y f est B f ) (I.18)

où Xf1, Xf2 et Yf sont des variables linguistiques et Af1, Af2 et Bf sont des sous-ensembles flous.
Une telle règle se trouve habituellement dans les systèmes flous avec une formulation
légèrement différente :

Si ( X f 1 est A f 1 ) ET ( X f 2 est A f 2 ) Alors (Y f est B f ) (I.19)

Dans cette dernière formulation la partie (Xf1 est Af1) ET (Xf2 est Af2) est appelée prémisse de
la règle et la partie (Yf est Bf) est appelée conclusion (conséquent).

I.1.2.4 Structure interne d’un système flou

De manière classique, le fonctionnement interne d’un système flou repose sur la structure
présentée par la figure 9 qui inclut quatre blocs:

Figure I.9 Structure interne d’un système flou

Create PDF files with PDF Writer for Windows 8. This is an evaluation copy. Buy full version now.
 Cours : Intelligence Artificielle Chapitre 1 Logique Floue

La base de connaissances elle contient les définitions des fonctions d’appartenance (formes
et paramètres) associées aux variables d’entrée/sortie ainsi que l’ensemble des règles floues.
La fuzzification consiste à calculer, pour chaque valeur d’entrée numérique, les degrés
d’appartenance aux ensembles flous associés et prédéfinis dans la base de données du système
flou. Ce bloc réalise la transformation des entrées numériques en informations symboliques
floues utilisables par le mécanisme d’inférence.
Le mécanisme d’inférence consiste d’une part à calculer le degré de vérité des différentes
règles du système et d’autre part à associer à chacune de ces règles une valeur de sortie.
Cette valeur de sortie dépend de la partie conclusion des règles qui peut prendre plusieurs
formes.
La défuzzification consiste à remplacer l’ensemble des valeurs de sorties des différentes
règles résultant de l’inférence par une valeur numérique unique représentative de cet
ensemble. Dans le cas des règles de type Sugeno, le calcul se fait simplement par une somme
normalisée des valeurs associées aux règles floues.

I.1.2.5 Avantages de la Logique floue

§ Le modèle mathématique non requis.

§ La connaissance antérieure sur les règles peut être utilisée
§ Une interprétation et implémentation simple.

I.1.2.6 Inconvénients de la Logique floue

§ Les règles doivent être disponibles.

§ Ne peut pas apprendre.
§ Adaptation difficile au changement de l’environnement.
§ Aucunes méthodes formelles pour l’ajustement.

Create PDF files with PDF Writer for Windows 8. This is an evaluation copy. Buy full version now.