Chapitre 3

Logique Floue

III.1. Introduction

La conception et la mise en œuvre de systèmes d’informations avancées, de logiciels

d’aide à la décision, de postes de supervisions de procédés industriels avec les problèmes de
communications homme- machine qui les accompagnent se caractérisent par la constante
manipulation d’informations dont beaucoup sont subjectives, imprécises, vagues et
incertaines.

L’intégration de l’homme dans son environnement informatique pour exploiter

correctement les savoirs ou automatiser certaines tâches, tout cela requiert la formalisation et
la mécanisation des méthodes humaines pour des raisonnements empiriques ou naturels et la
rationalisation de procédures de choix.

L’intelligence artificielle a eu un impact limité, jusqu’à une date récente, sur les
applications industrielles, parce qu’elle a mis l’accent, de façon exclusive, sur le traitement
symbolique de la connaissance, par opposition à la modélisation numérique utilisée
traditionnellement dans les sciences de l’ingénieur. Néanmoins, la logique floue permet de faire
le lien entre modélisation numérique et modélisation symbolique, ce qui a permis des
développements industriels à partir d’algorithmes très simples de traduction de connaissances
symboliques en entité numérique et inversement.

Plus récemment, on a assisté à un retour du numérique dans ces problèmes

d’intelligence artificielle, avec la logique floue. Cette dernière est plus conforme à
l’intelligence artificielle symbolique, qui met en avant la notion de raisonnement, et ou les
connaissances sont codées explicitement.

III.2. Idée de l’utilisation de la logique floue

Comme la science s’appuie sur la notion de mesure, les questions qui se posent :
Comment représenter les valeurs non mesurables? Comment représenter ce qui est incertain ou
subjectif ? Comment représenter les termes du langage humain ?

Les descriptions linguistiques d’un système sont souvent vagues. Mais, le flou n’est pas
imprécis. Si une donnée n’est pas connue précisément, elle peut être exprimée par un intervalle
de confiance précis. Cet intervalle est un ensemble de valeurs possible pour la donnée.
1
Dr Meriem Benbrahim MI2022
 La logique floue est une technique de résolution de problèmes très puissants avec une
large applicabilité dans le contrôle et la prise de décision.

Elle est très utile lorsque: le modèle mathématique du problème à traiter n’existe pas, il
existe mais difficile à implémenter, ou il est trop complexe pour être évaluer assez rapidement
pour des opérations en temps réel, et encore lorsque des experts humains sont disponibles pour
fournir des descriptions subjectives du comportement du système avec des termes en langage
naturel. Elle est aussi supposée de travailler dans des situations où il y a de larges incertitudes
et des variations inconnues dans les paramètres et la structure du système.

III.3. Définitions de la logique floue

- La logique floue est une extension de la logique classique qui permet la modélisation des
imperfections des données et se rapproche dans une certaine mesure de la flexibilité du
raisonnement humain.

- La logique floue diffère de la logique classique parce qu’elle permet des définitions
partielles ou “floues” des règles de contrôle.

- La logique floue est une branche des mathématiques qui permet à un ordinateur de
modéliser le monde réel de la même façon que les personnes. Elle est préoccupée par la
quantification et le raisonnement en utilisant un langage qui permet des définitions ambigües
comme, beaucoup, peu, petit, haut, dangereux, etc. Elle s’occupe de situations où la question
qui est posée et la réponse obtenue contiennent des concepts vagues.

III.4. Principe de base de la logique floue

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. En introduisant la notion de degré dans la vérification
d'une condition, nous permettons à une condition d'être dans un autre état que vrai ou faux.
Dans ce cas, la logique floue accorde une flexibilité très appréciable aux raisonnements
qu’elle utilise, ce qui rend possible la prise en compte des imprécisions et des incertitudes.

Dans la logique binaire une variable ne peut prendre que deux valeurs vraie (1) ou fausse
(0). Les propositions énoncées en prémisse d’une règle et en conclusion ne peuvent être, dans
ce cas, que totalement vraies ou bien totalement fausses (si P, alors C). Contrairement, la
logique floue proche du raisonnement humain ne suit pas la logique basée sur le (vrai) ou le

2
Dr Meriem Benbrahim MI2022
(faux). C’est une logique linguistique, floue ou approximative. Les valeurs de vérité sont des
mots du langage courant plutôt vrai, presque faux, etc.

III.5. Historique de la logique floue

1965 : le concept de la logique floue est introduit par Pr. Lotfi Zadeh (Berkeley), où
il définit les ensembles flous et les opérateurs associés; Fuzzy Set Theory.

1970 : les premières applications étaient basées sur la notion d’expertise qui permet
de quantifier le flou à partir de connaissances acquises antérieurement; Systèmes experts
pour l’aide à la décision en logique floue et au diagnostic dans le domaine médical,
commercial, orientation professionnelle, etc.

1974-1975: la première application industrielle apparaît; le professeur Mamdani

développait une stratégie pour le contrôle des procédés et les résultats obtenus étaient
appliqués sur la conduite d’un moteur à vapeur. Régulation floue d’une chaudière à vapeur
réalisée par Mamdani à Londres.

1978- 1980: la société Danoise F.L. Smidth a réalisé le contrôle d’un four à ciment.
C’est en ce moment qu’apparaît la première véritable application industrielle de la logique
floue.

Au Japon, la logique floue connaît son véritable essor à la fin des années 80 dont
la recherche n’est pas seulement théorique mais également très applicative dans plusieurs
secteurs.

1985- 1987: les japonais sont les premiers à introduire des produits grand public,
Métro de Sendai Hitachi au Japon. « Fuzzy Logic Inside» (i.e. machine à laver, appareils
à photo, etc.).

1990-1992: En Allemagne des applications apparaissent en grand nombre comme

la conduite de hauts-fourneaux Dunkerque et au Portugal l’apparition de l’Usine de Papier
et de Produits de consommation courante: Aspirateurs, machines à laver, système de
climatisation, etc.

Enfin, c’est le grand pas de généralisation de l’utilisation de la logique floue dans

les systèmes automobiles embarqués (climatisation, suspension, etc.), système de
contrôle/ commande dans la plupart des domaines industriels de production, appareils
électroménagers, etc.

3
Dr Meriem Benbrahim MI2022
III.6. Intérêt de la logique floue

La logique floue, ou généralement le traitement des incertitudes, a pour objectif la

représentation des connaissances imprécises et le raisonnement proche du langage humains de
tous les jours. Elle présente aussi l’intérêt d’incorporer des connaissances linguistiques sur la
manière de piloter un processus difficile, en prenant en compte les expériences acquises par les
utilisateurs et les opérateurs du processus à commander. Cette logique permet d’exploiter les
informations linguistiques de l’expert humain et décrivant le comportement dynamique d’un
processus ou la stratégie de commande.

Les connaissances dont disposent les humains sur le monde ne sont presque jamais
parfaites. Elles présentent des imperfections qui peuvent être distinguées en deux classes :

Incertitudes : pour désigner les connaissances dont la validité est sujette à question.

Exemple

Je crois que la température dans la salle est élevée ; la température dans la salle est très
élevée. C’est la mise en question de la validité de l’observation. Ceci induit à une
probabilité.

Imprécisions : pour désigner les connaissances qui ne sont pas perçues ou

nettement définies.

Par exemple, que signifie très élevée ? C’est une appréciation => et là
intervient la logique floue.

Enfin, son intérêt réside dans sa capacité à traiter et à manipuler l’imprécis, l’incertain
et les informations vagues issus de l’aptitude de l’être humain à décider d’une façon pertinente
malgré la nature floue des connaissances disponibles. En effet, l’opérateur humain peut définir
des stratégies de commande de façon linguistique avec un minimum de connaissance sur le
processus. Aussi, formaliser le raisonnement humain et les règles sont énoncées en langage
naturel.

Si «Observation», Alors «Décision» où Si «Prémisse», Alors «Conclusion», qui peuvent

être utilisées pour l’identification des systèmes comme pour leurs commandes.

Exemple courant de quelques règles de conduite qu'un conducteur suit avec Si-Alors.
(IF- THEN). (tab III.1).

4
Dr Meriem Benbrahim MI2022
 Si le feu est rouge si ma vitesse est élevée et si le feu est proche alors je freine fort
Si le feu est rouge si ma vitesse est faible et si le feu est loin alors je maintiens ma vitesse
Si le feu est orange si ma vitesse est moyenne et si le feu est loin alors je freine doucement
Si le feu est vert si ma vitesse est faible et si le feu est proche alors j'accélère
Tab 3.1. Présentation de règles de la conduite

Intuitivement, il semble donc que les variables d'entrée sont appréciées par le cerveau
de manière approximative, correspondant ainsi au degré de vérification d'une condition de la
logique floue.

De ce fait, un système complet de règles basées sur la logique floue et permettant de

prendre des décisions est appelé un Système d'Inférence Flou (SIF) à voir ci-après.

Afin d'illustrer chacune des définitions, nous allons concevoir au fil de ce cours un
système d'inférence flou en se basant sur les notions et les concepts flous.

III.7. Notions fondamentales sur la théorie des ensembles flous

III.7.1. Ensembles classiques et ensembles flous

Pour commencer, quelques petits rappels sur les ensembles classiques s'imposent. La
théorie des ensembles classiques, malgré son nom compliqué, désigne simplement la branche
des mathématiques qui étudie les ensembles.

Par exemple, {5; 10; 7; 6; 9} est un ensemble d'entiers. {0; 1; 2; 3; 4; 5; 6; 7; 8; 9; 10}

est l'ensemble des entiers compris entre 0 et 10. {' s '; 'd'; 'z'; 'a'} est un ensemble de caractères.
{" Vue" ; " maître " ; " zéro"} est un ensemble de mots. Nous pouvons également créer des
ensembles de fonctions, d'hypothèses, de définitions, des ensembles d'individus c'est-à-dire une
population, etc. et même des ensembles d'ensembles.

La logique classique nécessite une compréhension approfondie du système, des

équations exactes et avec des valeurs précises.

Par contre, la logique floue a une manière de penser alternative qui permet de modéliser
des systèmes complexes en tenant compte d’un niveau d’abstraction issu de notre expérience
tout en utilisant des connaissances vagues: «lourd», «moins fort», «chaud», mappées dans des
plages numériques exactes (représentant des valeurs et des variables linguistiques exprimées
dans des ensembles flous).

III.7.2. Fonction d’appartenance

Le concept d'appartenance est primordial dans la théorie des ensembles : il désigne le

fait qu'un élément fasse partie ou non d'un ensemble. Par exemple, l'entier 7 appartient à

5
Dr Meriem Benbrahim MI2022
 l'ensemble {6; 7; 9} et l'entier 5 n'appartient pas à l'ensemble {6; 7; 9}. Une fonction
d'appartenance (également appelée fonction indicatrice ou encore fonction caractéristique)
est une fonction qui explicite l’appartenance ou non à un ensemble A.
Exemple

Soit F la fonction caractéristique de l'ensemble A= {6; 7; 9}, et x un entier quelconque :

1si 𝑥  A
𝐹 (𝑥 ) = { (3.1)
0si 𝑥 A

Cette notion d'appartenance est très importante pour notre cours, car la logique floue se
base sur le concept d'appartenance floue. Cela signifie simplement que l'on peut appartenir
par exemple à 0,8 à un ensemble, contrairement à la théorie des ensembles classiques où
comme nous venons de le voir l'appartenance est soit 0 (n'appartient pas) ou 1(appartient).
Remarque

Comme la logique floue se base sur le concept d'appartenance floue qui prend des valeurs
dans un intervalle [0,1], nous voyons dès maintenant le genre de problèmes auxquels nous
allons faire face et que nous allons essayer de résoudre dans les prochaines sections : Comment
définir par exemple une union si les appartenances ne sont pas clairement 0 ou 1 ?

III.7.3. Théorie des ensembles flous

La logique floue repose sur la théorie des ensembles flous, qui ne sont d’autre qu’une
généralisation de la théorie des ensembles classiques.

Pour faire une métaphore en langage ensembliste, la théorie des ensembles classiques
n'est qu'un sous -ensemble de la théorie des ensembles flous. (Figure 3.1).

Logique floue
Logique classique

Figure 3.1. Présentation des Ensembles Flous

i) Définition : Soit A un ensemble flou défini sur un univers de discours X, est

caractérisé par une fonction d'appartenance µA(x) qui prend des valeurs entre [0,1].
A  {( x ,  A ( x ))| x  X }
(3.2)

6
Dr Meriem Benbrahim MI2022
 Autrement, en logique Floue, un ensemble flou « A » dans un univers de discours « X »
est défini par une fonction d’appartenance «𝐴 » qui à tout élément « x » appartenant à
« X », est associé un nombre «𝐴 (x) » compris entre 0 et 1.

Un ensemble flou A sur un univers de discours X est un ensemble de paires ordonnées :

1. A est tel que tout x en est membre à un degré entre 0 et 1

2. A est entièrement caractérisé par sa fonction d’appartenance.

Concrètement, A est un attribut qualitatif (valeur floue ou linguistique) que l’on associe
avec les valeurs précises d’une variable numérique x.

Exemple

Exemple du pourboire, il faudra définir les fonctions d'appartenance pour chaque sous -
ensemble flou de chacune des trois variables :

Input 1 : qualité du service. Sous -ensembles : mauvais, bon et excellent.

Input 2 : qualité de la nourriture. Sous -ensembles : déplorable et délicieux.

Output : montant du pourboire. Sous -ensembles : faible, moyen et élevé.

ii) La fonction d’appartenance mesure le degré avec lequel un élément x appartient à

un ensemble flou A. Les fonctions d’appartenance peuvent avoir plusieurs formes.
(Figure 3.2):

Triangulaire Trapézoïdale

a b c a b c d
Gaussienne Sigmoïdale

g d

m m  b-2/a b b+2/a

Figure 3.2. Présentations de quelques formes de fonctions d’appartenance.

7
Dr Meriem Benbrahim MI2022
 - La fonction triangulaire est caractérisée par trois paramètres (a,b,c) qui sont les
bordures (sommets) du triangle telle que :
𝑥−𝑎 𝑐−𝑥
𝜇 (𝑥 ) = max [𝑚𝑖𝑛 [ , ] , 0] (3.3)
𝑏−𝑎 𝑐−𝑏

- La fonction trapézoïdale est définie par quatre paramètres (a,b,c,d) telle que :
𝑥−𝑎 𝑑−𝑥
𝜇(𝑥 ) = max [𝑚𝑖𝑛 [ , 1, ] , 0] (3.4)
𝑏−𝑎 𝑑 −𝑐

- La fonction gaussienne (en cloche) est définie par m et σ respectivement le centre et

l’épaisseur telle que :
(𝑥−𝑚)2
𝜇 (𝑥 ) = exp [− ] (3.5)
𝜎2

Remarque

La fonction d'appartenance est l'équivalent de la fonction caractéristique d'un ensemble

classique. La forme de la fonction d'appartenance est choisie arbitrairement en suivant les
conseils de l'expert ou en faisant des études statistiques : formes sigmoïde, tangente
hyperbolique, exponentielle, gaussienne ou de toutes autres natures sont utilisables.

iii) Caractéristiques des ensembles flous

Pour pouvoir définir les caractéristiques des ensembles flous, nous redéfinissons
et étendons les caractéristiques usuelles des ensembles classiques. Les ensembles
flous comportent un certain nombre de caractéristiques à prendre en considération.
Soit un ensemble flou A de X et µA la fonction d'appartenance le caractérisant

a- Hauteur notée H(A) : C’est le plus fort degré avec lequel un élément de X
appartient à A où :
H(A)  {xA/ A(x)≠0}. (3.6)

b- Noyau noté N(A) : C’est l’ensemble des points qui appartiennent

intégralement à A :
N(A) = {x/μA(x) = 1}. (3.7)

Par construction noy(A)⊂sup(A). (3.8)

c- Support noté Sup(A) : avec des degrés d’appartenances supérieur à zéro :

S𝑢p (𝐴) = {𝑥 ∈ 𝑋/µ𝐴 (𝑥) > 0} (3.9)

8
Dr Meriem Benbrahim MI2022
III.7.4. Variables linguistiques

Le concept de fonction d'appartenance vu précédemment nous permettra de définir des

systèmes flous en langage naturel, la fonction d'appartenance faisant le lien entre logique floue
et variable linguistique que nous allons définir à présent.

i) Définition
Une variable linguistique représente un état dans le système à régler ou bien une variable
de réglage dans un contrôleur flou. Chaque valeur constitue un ensemble flou de l’univers de
discours.

Exemple 1

Prenons la variable linguistique «Température» Figure 3.3.

- Univers de discours : Gamme de température de -10°C à 14°C.

- Variable linguistique : La température.
- Valeurs linguistiques : « Chaud » « Tempéré » « Froid ».

Figure 3.3. Présentation de la variable linguistique Température

Ou encore
La variable linguistique x = température ambiante, peut être définie avec un ensemble de
termes :
T(x)= {extrêmement froide, très froide, froide, chaude, très chaude, extrêmement chaude}, qui
forment son univers de discours U = [-20C°, 40C°].
La variable de base est la température. Le terme froid représente une valeur linguistique. On
peut l’interpréter, par exemple comme « les températures plus petites que 15C° ».
Exemple 2

Soit V une variable (qualité du service, montant du pourboire, etc.), X est la plage de
valeurs de la variable (par exemple, entre 0 et 30 DA pour le pourboire) et TV un ensemble fini
ou infini de sous-ensembles flous. Une variable linguistique correspond au triplet (V, X, TV)
9
Dr Meriem Benbrahim MI2022
 Lorsque nous définissons les sous -ensembles flous d'une variable linguistique,
l'objectif n'est pas de définir exhaustivement la variable linguistique. Au contraire, nous
définirons seulement les sous -ensembles flous qui nous seront utiles plus tard dans la
définition des règles que nous appliquerons dessus.

De même, c'est également la raison pour laquelle, par exemple, 30 est un pourboire
plus élevé que 25, alors que 25 appartient pourtant davantage au sous-ensemble flou "élevé"
que 30 : cela est dû au fait que 30 est considéré non pas comme élevé mais très élevé (ou
exorbitant si l'on veut changer d'adjectif).

Exemple 3

Prenons l’exemple de la variable linguistique «vitesse» (Figure 3.4).

- Univers de discours : Gamme de vitesse de 20Km/h à 120Km/h.

- Variable linguistique : La vitesse.
- Valeurs linguistiques : « petite » « moyenne » « grande ».

Figure 3.4. Variable linguistique Vitesse

ii) Opérateurs ensemblistes flous

Les opérateurs logiques de base en logique floue sont définit selon Table 3.2.

Opérateur Application

OU A OU B= max (A, B)

ET A ET B= min (A, B)

NON NON A=1-A

OU Exclusif A OUEx B= max (A, B)- min (A, B)

Tab 3.2. Opérateurs logiques.

10
Dr Meriem Benbrahim MI2022
 Pour pouvoir manipuler aisément les ensembles flous, nous redéfinissons les
opérateurs de la théorie des ensembles classiques afin de les adapter aux fonctions
d'appartenance propres à la logique floue permettant d’avoir des valeurs strictement entre 0
et 1.

Contrairement aux définitions des propriétés des ensembles classiques qui sont
toujours les mêmes, la définition des opérateurs sur les ensembles flous est choisie, à l'instar
des fonctions d'appartenance. Voici les deux ensembles d'opérateurs pour le complément
(NON), l'intersection (ET) et l'union (OU) utilisés le plus couramment : (Table 3.3).

Dénomination Intersection ET Union OU Complément

Non
µA∩B(x) µAυB(x) µĀ(x)
Opérateurs de Zadeh MIN(µA(x)),µB(x)) MAX(µA(x)),µB(x 1-µA(x)
MIN/MAX ))
Probabiliste µA(x) x µB(x) µA(x)+µB(x)-µA(x) 1-µA(x)
PROD/PROBOR x µB(x)
Tab 3.3. Présentation des opérateurs flous

Enfin, pour toutes les définitions des opérateurs ET et OU les propriétés des opérateurs
booléens classiques sont préservées.

Commutativité

A B B A

A B B A

Associativité

A B C A B) C 

A B C A BC

Distributivité

A B C A B A  C)

A B  C A  B A  C),

Idempotence

AᾹ

AᾹ

Lois de Morgan

11
Dr Meriem Benbrahim MI2022
A B = A  B

A B = A B

Lois d’absorption

A (A  B)= A  (A  B)=A

En logique floue, des cas exceptionnels peuvent exister où :

- le principe du tiers exclu est contredit tel que : AᾹ≠ i.e. A A  X   1

- le A est le non A en même temps tel que : AᾹ≠ i.e.  A A  X   0

Figure.3.5. Intersection de l’ensemble flou et son complément. Union de

l’ensemble flou et son complément.

Exemple

Un sous-ensemble flou A est défini sur un ensemble de valeur, le référentiel U, caractérisé

par une fonction d'appartenance : Exemple de température Figure 3.6 (a, b)

Quantifie le degré d'appartenance de chaque élément de U à A.

Froide : F ; Tiède : T ; Chaude : C

(a)

12
Dr Meriem Benbrahim MI2022
 Logique floue (passage graduel) (b)

Figure 3.6. Présentation de la variable ‘Température’ en logiques classique

(a) et floue (b)

III.8. Raisonnement en logique floue et conception d’un système de contrôle flou

Selon la logique floue, le raisonnement exact est un cas limite du raisonnement

approximatif ; tout n’est qu’un degré. Tout système logique peut être rendu flou. Les
connaissances sont interprétées comme une collection de contraintes élastiques ou floues d’un
ensemble de variables. Ainsi, un système de contrôle flou c’est un système qui analyse les
valeurs d’entrée en termes de variables logiques qui prennent des valeurs continues entre 0 et 1
contrairement à la logique classique ou numérique qui fonctionne sur des valeurs discrètes soit
1 ou 0

III.8.1. Règles d’inférence

Une inférence est une opération logique par laquelle on admet une proposition sous sa
liaison avec d’autres propositions tenues pour vraies. Elle représente un processus de
propagation de contraintes élastiques. La logique floue permet alors, d’accommoder le concept
de vérité partielle : des valeurs entre complètement vrai et complètement faux sont admises. On
supporte des modes de raisonnement approximatifs plutôt qu’exacts. Son importance provient
du fait que le raisonnement humain est approximatif.
La règle est exprimée comme une implication logique ; SI x est A alors y est B, où x ∊X
(représente l’entrée) et y ∊ Y (représente la sortie) et la relation entre A et B est donnée par
une fonction d’appartenance µ A ͢ B(x,y)∊[0,1] qui mesure le degré de vérité d’implication entre x
et y

13
Dr Meriem Benbrahim MI2022
 On appelle règles d’inférence, l’ensemble des différentes règles reliant les variables
d’entrée aux variables de sortie du système. Ces règles sont représentées sous la forme :
Si condition 1 ET/OU condition 2 (ET/OU...) Alors action sur les sorties.
En logique classique, les raisonnements sont de la forme :

Si p alors q
{ (3.10)
p vrai alors q vrai

La règle prend la forme : Si [prémisses] alors [conclusion]. En revanche, le

raisonnement flou se base sur des règles floues qui sont exprimées par des variables
linguistiques dont nous avons donné la définition précédemment.

Ces règles auront des formes telles que :

Si x ∊ A et y ∊ B alors z ∊ C

Si x ∊ A alors z ∊ C

Si x ∊ A ou y ∊ B alors z ∊ C

avec A, B et C des ensembles flous.

Remarque

Le résultat de l'application d'une règle floue dépend donc de deux facteurs : La

définition de la fonction d'appartenance de l'ensemble flou de la proposition située en
conclusion de la règle floue et du degré de validité des propositions situées en prémisse.

Exemple

- Si la température de la pièce est élevée ET l’humidité est forte Alors le confort est
mauvais.
- Si HBA1C<6 et Glycémie entre [0.7 – 1.1] Alors Non diabète
Les règles floues mises en œuvre au travers ce raisonnement représentent un lien
symbolique entre les entrées /sorties d’un système présentées par des opérateurs
logiques.

III.8.2. Implication floue

Contrairement à l’implication classique où le raisonnement est simple ; p→q, l’implication

floue est une relation qui associe à toute règle floue une fonction d’appartenance qui peut être

14
Dr Meriem Benbrahim MI2022
définie de différentes manières. Ainsi, l’implication floue décrit un lien causal entre x et y/ x est
A et y est B.

1- On dispose d’une règle floue telle que :

Si x est A Alors y est B

fA fB on dispose de faits observés

2- Maintenant, x est A’ représente l’observation floue

avec f A’
Conclusion y est B’
fB’
Comment calculer fB’(y), y Y?

En fonction de f A’(x) et fA(x)→fB(y) ?

fA, fB et f A’ sont connus

En implication floue, il n’y a pas de définition unique, l’implication la plus

utilisée est celle de Mamdani.

fA→ B(x,y) =min(fA(x), fB(y))

La règle de déduction de raisonnement de déduction utilisée dans le système flou

est le modus ponens généralisé. Ce dernier combine la règle floue avec l’observation
(x est A’) pour construire B’.

Modus ponens : implication Si x est A Alors y est B

Fait x est A

Conséquence y est B

Cette forme de raisonnement est adaptée à la logique floue, pour prendre en

compte les informations et les règles vagues que les systèmes d’inférence peuvent
contenir.

Les implications les plus utilisées sont les suivantes :

- Implication minimum de Mamdani :
- µ𝐴→𝐵 (𝑥, 𝑦) = min(µ𝐴 (𝑥 ), µ𝐵 (𝑥)) (3.11)
A, B : ensembles flous.
A (𝑥 ): Fonction d’appartenance. x  A

15
Dr Meriem Benbrahim MI2022
 B (𝑥 ): Fonction d’appartenance. x  B
- Implication produit de Larsen :
µ𝐴→𝐵 (𝑥, 𝑦) = µ𝐴 (𝑥 ). µ𝐵 (𝑥 ) (3.12)
A, B: ensembles flous
A (𝑥 ): Fonction d’appartenance x  A
B (𝑥 ): Fonction d’appartenance x  B
- Ces deux implications peuvent être exprimées comme suit :
µA→B(x,y)= µ𝐴 (𝑥 ). µ𝐵 (𝑥 )=t-normes[µA(x), µB(y)]=T[µA(x), µB(y)] (3.13)
T= t-normes, produit ou minimum.
III.8.3. Système d’Inférence Floue

Le système d’inférence floue (SIF) est un système de prise de décision à partir d’une base
de règles. Il a comme but de transformer les données d’entrée (les entrées sont les éléments qui
forment le vecteur d’entrée x) en données de sortie à partir de l’évaluation d’un ensemble de
règles. Le SIF est constitué des étapes suivantes : (Figure 3.7).

Figure 3.7. Système d’Inférence Floue

Le système d’inférence floue utilise une expertise exprimée sous forme de règles de
type : Si prémisse ET (conjonction) prémisse Alors (implication) conclusion

La prémisse, comprise entre Si et Alors, est le déclencheur de la règle.

La conclusion, est appelée le corps de la règle

La règle dans un système flou peut avoir plusieurs structures à savoir :

- Structure de Zadeh (1973), appelée règle de Zadeh.

- Structure de Takagi Sugeno et Kang (1988), appelée règle de TSK.
Les deux structures ont les mêmes prémisses (prémisses identiques) mais diffèrent dans
leurs conclusions.

16
Dr Meriem Benbrahim MI2022
III.8.4. Agrégation des règles

Selon le type d’implication, l’opérateur utilise pour agréger les règles de types conjonctif
ou disjonctif. Ainsi, en commande, l’implication étant généralement de type conjonctif, cela
revient à considérer que les règles sont liées par un opérateur OU.

III.8.5. Fuzzification

La fuzzification consiste à caractériser les variables linguistiques utilisées dans le

système. Il s’agit donc d’une transformation des entrées réelles en une partie floue définie sur
un espace de représentation lié à l’entrée. Cet espace de représentation est normalement un
sous-ensemble flou. Autrement, cette étape consiste à définir les fonctions d’appartenance pour
les différentes variables d’entrée pour établir le passage des grandeurs déterminées en variables
linguistiques pour être traitées par les inférences.

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
Chauffer une salle.
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. C’est
l’étape dans laquelle nous allons donner du sens ou interpréter les variables d’entrée de notre
modèle de décision.
III.8.6. Moteur d’inférence
C’est l’étape dans laquelle on va paramétrer nos règles de décision «Si…, alors…». Grâce
à ce moteur, on va pouvoir appliquer les règles que l’on a fixées à nos variables d’entrée floues.
Remarque
Le degré d’activation de chaque règle représente:
a- l'activation des règles qui consiste à appliquer une norme triangulaire (ou T-normes)
pour obtenir le degré d'activation de chacune d’elles.

17
Dr Meriem Benbrahim MI2022
 b- une valeur comprise dans un intervalle.
c- la recherche de la fonction d’appartenance pour la sortie de chaque règle.
d- l’agrégation ou la recherche de la fonction d’appartenance résultante globale.
III.8.7. Défuzzification
Elle consiste à transformer l’ensemble flou en une valeur finale nette. C'est l'opération
qui, inversement à la fuzzification, consiste à transformer une information floue en une
information précise (valeur réelle), Transformation d’un nombre flou de l’ensemble flou en une
grandeur numérique.

Parmi les méthodes de défuzzification, nous allons présenter les deux principales et les
plus utilisées :
- la méthode du Centre de Gravité (COG= Center Of Gravity).
- la méthode Moyenne des Maxima (MM= Mean of Maxima)
III.8.7.1. Méthode du Centre de Gravité
C’est la méthode la plus utilisée dans les systèmes flous. Elle donne comme valeur le
centre de gravité de l’ensemble flou. La sortie est calculée comme l’abscisse du centre de
gravité de la surface.
Ainsi, la sortie défuzzifiée y est définie par
∑nj=1 µy (𝑦j )yj
𝑦= n (3.14)
∑j=1 µy (yj )

III.8.7.2. Méthode de la Moyenne des Maxima

Elle donne comme valeur la moyenne des valeurs dont le degré d’appartenance est
maximum.

S
ydy
𝐷é𝑐𝑖𝑠𝑖𝑜𝑛 = (3.15)

S
dy

avec
S = {ym ∈ R, µ (ym) = SUPy∈R (µ(y))}.
R: l’ensemble flou issu de l’agrégation des conclusions.

Dans cette méthode, la sortie est calculée comme la moyenne des abscisses pour lesquels
le degré d’appartenance est maximal.

18
Dr Meriem Benbrahim MI2022
III.9. Avantages et inconvénients de SIF

Les avantages du SIF résident en :

- sa simplicité à mettre en œuvre, quand il n’existe pas de modèles mathématique, permet

l’utilisation de modèles empiriques (règles de types ‘humain’). De ce fait, la nécessité de faire
un modèle mathématique du système à régler n’est pas dispensable.

- l’incorporation directe des informations floues en linguistiques venant d’un expert humain,
dans le système flou.

- le système flou est un approximateur universel ; il est suffisamment général pour générer
n’importe quelle action.

Pour ce qui est des inconvénients nous citons quelques points essentiels :

- existence d’un manque de directives précises pour la conception d’un régulateur.

- précision de réglage peu élevée.
- caractère empirique de modèles ou des règles peuvent être non précis et de
sources d’erreurs pendant la phase de construction des règles.
Conclusion

La logique floue est alors une théorie qui nous permet de manipuler dans des conditions
incertaines, des réalités dont la connaissance est imprécise. D’une autre manière, elle cherche
à représenter mathématiquement l'ambiguïté, l'incertitude du langage et du raisonnement
humain. Ainsi, elle se trouve très à l’aise avec l’imprécision et l’incertitude que l'on trouve
partout dans le monde environnant : « un peu plus chaud, pas tout à fait loin, environ zéro, etc.

Nous terminons ce chapitre par des exemples simples pour mieux comprendre l’approche floue.

Exemple 1

Prenons comme système d’inférence floue l’exemple suivant :

Trois entrées du contrôleur flou.

Stress

Conflit

Fatigue

Sortie

19
Dr Meriem Benbrahim MI2022
 Performance ?

Etablir la règle correspondante.

Stress
Robot
Contrôleur flou
Conflit
Performance ?
Fatigue
Figure 3.8. Présentation du SIF/contrôleur flou

Règle:

Si degré (stress du robot) est très faible ET degré (fatigue du robot) est très faible ET degré
(conflit de robot) est faible Alors performance grande.

Exemple 2

A- On représente le concept de « vitesse rapide » par un système d’ensemble flou sur

l'espace des vitesses.
Une voiture roule à env. 100km/h.

Questions:

1. Avec qu'elle certitude peut-on dire que la voiture roule avec une vitesse rapide?

2. Avec quel degré env. 100km/h signifie-t-il « vitesse rapide »?

~100 km/h Rapide

1

0
90 100 110 km/h

Figure 3.9. Présentation de la variable floue ‘la vitesse’

B- Si on termine sur le même exemple avec le feu tricolore (fonction d’appartenance

de la classe, le feu est rouge). Considérons dans ce cas, une fonction d’appartenance

20
Dr Meriem Benbrahim MI2022
 particulière telle que, lorsqu’un fait certain correspond à l’énoncé de la valeur d’une
variable, on a un singleton :

µ𝑥0(𝑥0) = 1 pour 𝑥 = 𝑥0
{ (3.16)
µ𝑥0(𝑥 ) = 1 pour 𝑥 ≠ 𝑥0

Vert Couleur
Rouge Orange
du feu

Figure 3.10. Cas d’un singleton

Remarque

Les ensembles classiques sont des cas particuliers d’ensemble flou et leurs fonctions
d’appartenances équivalentes à 0 ou 1 sont en créneaux. Dans ce cas, la logique floue englobe
les données certaines.

Exemple 3

I- Mise en place du système d’inférences floues

Résultats obtenus (sur 20)

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

Figure 3.11. Présentation du SIF

i) Choix des entrées /sorties

03 entrées: Résultats, Méthodes, Présentation

01 sortie : Evaluation

ii) Univers des discours

[0 20] pour chacune des entrées et sorties
iii) Classes d’appartenance
Résultat appartient {médiocre, moyen, excellent}

21
Dr Meriem Benbrahim MI2022
 Méthode appartient {médiocre, moyen, excellent}

Présentation appartient {médiocre, moyen, excellent}

Evaluation appartient {médiocre, mauvais, moyen, bon, excellent}

iv) Choix des fonctions d’appartenances

Entrées :

Sortie :

Figure 3.12. Fonctions d’appartenance entrées/sortie

22
Dr Meriem Benbrahim MI2022
 Base de règles

1- Si (résultat est excellent) alors (évaluation est excellente)

2- Si (résultat est moyen) alors (évaluation est moyenne)
3- Si (résultat est médiocre) alors (évaluation est médiocre)
4- Si (résultat est moyen) et (méthode est médiocre) alors (évaluation est mauvaise)
5- Si (résultat est moyen) et (méthode est excellente) alors (évaluation est bonne)
6- Si (résultat est médiocre) et (méthode est moyenne) alors (évaluation est mauvaise)
7- Si (résultat est excellent) et (méthode est excellente) et (présentation est excellente) alors
(évaluation est excellente)
8- Si (résultat est médiocre) et (méthode est excellente) alors (évaluation est moyenne)
9- Si (résultat est excellent) et (méthode est médiocre) alors (évaluation est moyenne)

Choix des opérateurs flous.

Figure 3.13. Agrégation d’un ensemble de règles

ET flou: MIN

OU flou: MAX

Implication floue : MIN

Agrégation des règles : MAX

Défuzzification : COG

23
Dr Meriem Benbrahim MI2022
Tracer la Surface de décision floue.

Figure 3.14. Surface de décision floue obtenue pour une évaluation de la présentation de 10/20.

Remarque

Un des exemples le plus utilisé pour montrer l’importance de la logique floue pour la
résolution des problèmes vagues incertains et indéfinis.

Exemple 4

1- Proposer une fonction d’appartenance pour une variable floue de type 3ème âge

µ3ème A
1

0
60 80 100 Age

Figure 3.15. Présentation de la variable floue ‘3 ème Âge’

2- On souhaite défuzzifier un ensemble flou représentant l’âge d’une personne. Cet

âge est caractérisé par deux valeurs linguistiques ; jeune avec un degré
d’appartenance égal à 0.4 et adulte avec un degré d’appartenance égal à 0.5.

24
Dr Meriem Benbrahim MI2022
 Quel est l’âge de cette personne ?
Remarque
i. défuzzifier âge en année.
ii. degré d’appartenance.
iii. valeurs typiques : données comme telles ; c'est-à-dire supposées exactes
donc ‘singleton’, ou encore moyenne selon la fonction d’appartenance.
iv. valeurs défuzzifiées: moyenne des valeurs typiques pondérée par le degré
∑𝑛
𝑖=1 𝑤𝑖𝑣𝑖
d’appartenance donnée par : 𝑣𝑑𝑒𝑓 = ∑𝑛
𝑖=1 𝑤𝑖

0.4∗15+0.5∗40
𝑣𝑑𝑒𝑓 = vdef =28.88≈29 ans
0.4+0.5

µA

1 Adulte actif
2ème âge

0
15 20 40 100 Âge

Figure 3.16. Défuzzifucation de l’ensemble flou représentant l’Âge

Exemple 5 Flou ne signifie pas imprécis ou inconnu !

• X : taille d’une personne exprimée par une variable t

• X(t) : vraisemblance de t par rapport à X

25
Dr Meriem Benbrahim MI2022