Visit https://ebooknice.

com to download the full version and

explore more ebooks

(Ebook) Principles of Soft Computing Using

Python Programming by Gypsy Nandi ISBN
9781394173136, 139417313X

_____ Click the link below to download _____

https://ebooknice.com/product/principles-of-soft-
computing-using-python-programming-57397896

Explore and download more ebooks at ebooknice.com

Here are some suggested products you might be interested in.
Click the link to download

(Ebook) Internet of Things Using Single Board Computers. Principles of

IoT and Python Programming by G. Kanagachidambaresan ISBN
9781484281079, 1484281071

https://ebooknice.com/product/internet-of-things-using-single-board-
computers-principles-of-iot-and-python-programming-48978064

(Ebook) Practical Numerical Computing Using Python by Mahendra Verma

https://ebooknice.com/product/practical-numerical-computing-using-
python-38420516

(Ebook) Learning BeagleBone Python Programming: Unleash the potential

of BeagleBone using Python by Hiam, Alexander ISBN 9781784399702,
1784399701

https://ebooknice.com/product/learning-beaglebone-python-programming-
unleash-the-potential-of-beaglebone-using-python-55334008

(Ebook) Internet of Things Using Single Board Computers: Principles of

IoT and Python Programming (Maker Innovations Series) by G. R.
Kanagachidambaresan ISBN 9781484281086, 9781484281079, 148428108X,
1484281071
https://ebooknice.com/product/internet-of-things-using-single-board-
computers-principles-of-iot-and-python-programming-maker-innovations-
series-50783752
(Ebook) The Practice of Computing Using Python by William Punch,
Richard Enbody ISBN 9780134379760, 0134379764

https://ebooknice.com/product/the-practice-of-computing-using-
python-45334432

(Ebook) Programming and Scientific Computing in Python by J.M.

Hoekstra, J. Ellerbroek

https://ebooknice.com/product/programming-and-scientific-computing-in-
python-51055746

(Ebook) Intelligent control systems using soft computing methodologies

by Ali Zilouchian, Mo Jamshidi ISBN 9780849318757, 0849318750

https://ebooknice.com/product/intelligent-control-systems-using-soft-
computing-methodologies-1185592

(Ebook) The Practice of Computing Using Python by William F. Punch,

Richard Enbody ISBN 9780132805575, 013280557X

https://ebooknice.com/product/the-practice-of-computing-using-
python-4339144

(Ebook) Practical Quantum Computing for Developers: Programming

Quantum Rigs in the Cloud using Python, Quantum Assembly Language and
IBM QExperience by Vladimir Silva ISBN 9781484242179, 1484242173

https://ebooknice.com/product/practical-quantum-computing-for-
developers-programming-quantum-rigs-in-the-cloud-using-python-quantum-
assembly-language-and-ibm-qexperience-7284138
Principles of Soft Computing Using Python Programming
1st Edition Gypsy Nandi Digital Instant Download
Author(s): Gypsy Nandi
ISBN(s): 9781394173136, 139417313X
Edition: 1
File Details: PDF, 8.34 MB
Year: 2023
Language: english
Principles of Soft Computing Using Python
Programming
 IEEE Press
445 Hoes Lane
Piscataway, NJ 08854
IEEE Press Editorial Board
Sarah Spurgeon, Editor in Chief

Jón Atli Benediktsson Behzad Razavi Jeffrey Reed

Anjan Bose Jim Lyke Diomidis Spinellis
James Duncan Hai Li Adam Drobot
Amin Moeness Brian Johnson Tom Robertazzi
Desineni Subbaram Naidu Ahmet Murat Tekalp
Principles of Soft Computing Using Python
Programming

Learn How to Deploy Soft Computing Models in

Real World Applications

Gypsy Nandi
Assam Don Bosco University
Guwahati, India
Copyright © 2024 by The Institute of Electrical and Electronics Engineers, Inc.
All rights reserved.

Published by John Wiley & Sons, Inc., Hoboken, New Jersey.

Published simultaneously in Canada.

No part of this publication may be reproduced, stored in a retrieval system, or transmitted in any
form or by any means, electronic, mechanical, photocopying, recording, scanning, or otherwise,
except as permitted under Section 107 or 108 of the 1976 United States Copyright Act, without
either the prior written permission of the Publisher, or authorization through payment of the
appropriate per-copy fee to the Copyright Clearance Center, Inc., 222 Rosewood Drive, Danvers,
MA 01923, (978) 750-8400, fax (978) 750-4470, or on the web at www.copyright.com. Requests to
the Publisher for permission should be addressed to the Permissions Department, John Wiley &
Sons, Inc., 111 River Street, Hoboken, NJ 07030, (201) 748-6011, fax (201) 748-6008, or online at
http://www.wiley.com/go/permission.

Trademarks: Wiley and the Wiley logo are trademarks or registered trademarks of John Wiley &
Sons, Inc. and/or its affiliates in the United States and other countries and may not be used
without written permission. All other trademarks are the property of their respective owners.
John Wiley & Sons, Inc. is not associated with any product or vendor mentioned in this book.

Limit of Liability/Disclaimer of Warranty: While the publisher and author have used their best
efforts in preparing this book, they make no representations or warranties with respect to the
accuracy or completeness of the contents of this book and specifically disclaim any implied
warranties of merchantability or fitness for a particular purpose. No warranty may be created or
extended by sales representatives or written sales materials. The advice and strategies contained
herein may not be suitable for your situation. You should consult with a professional where
appropriate. Neither the publisher nor author shall be liable for any loss of profit or any other
commercial damages, including but not limited to special, incidental, consequential, or other
damages.

For general information on our other products and services or for technical support, please
contact our Customer Care Department within the United States at (800) 762-2974, outside the
United States at (317) 572-3993 or fax (317) 572-4002.

Wiley also publishes its books in a variety of electronic formats. Some content that appears in
print may not be available in electronic formats. For more information about Wiley products,
visit our web site at www.wiley.com.

Library of Congress Cataloging-in-Publication Data Applied for:

Hardback ISBN: 9781394173136

Cover Design: Wiley

Cover Image: © Tuomas A. Lehtinen/Getty Images

Set in 9.5/12.5pt STIXTwoText by Straive, Chennai, India

 v

Contents

About the Author xi

Preface xiii

1 Fundamentals of Soft Computing 1

1.1 Introduction to Soft Computing 1
1.2 Soft Computing versus Hard Computing 2
1.3 Characteristics of Soft Computing 4
1.4 Components of Soft Computing 7
1.4.1 Fuzzy Computing 7
1.4.2 Neural Network 10
1.4.3 Evolutionary Computing 12
1.4.4 Machine Learning 19
1.4.5 Other Techniques of Soft Computing 29
Exercises 31

2 Fuzzy Computing 35
2.1 Fuzzy Sets 37
2.1.1 Features of Fuzzy Membership Functions 38
2.2 Fuzzy Set Operations 41
2.3 Fuzzy Set Properties 42
2.4 Binary Fuzzy Relation 45
2.5 Fuzzy Membership Functions 46
2.6 Methods of Membership Value Assignments 49
2.7 Fuzzification vs. Defuzzification 58
2.8 Fuzzy c-Means 62
Exercises 71
vi Contents

3 Artificial Neural Network 75

3.1 Fundamentals of Artificial Neural Network (ANN) 76
3.2 Standard Activation Functions in Neural Networks 81
3.2.1 Binary Step Activation Function 81
3.2.2 Linear Activation Function 83
3.2.3 Sigmoid/Logistic Activation Function 84
3.2.4 ReLU Activation Function 85
3.2.5 Tanh Activation Function 87
3.2.6 Leaky ReLU Activation Function 88
3.2.7 SoftMax Activation Function 90
3.3 Basic Learning Rules in ANN 91
3.3.1 Hebbian Learning Rule 93
3.3.2 Perceptron Learning Rule 93
3.3.3 Delta Learning Rule 94
3.3.4 Correlation Learning Rule 94
3.3.5 Competitive Learning Rule 95
3.3.6 Outstar Learning Rule 95
3.4 McCulloch–Pitts ANN Model 96
3.5 Feed-Forward Neural Network 98
3.5.1 Single-Layer Perceptron 99
3.5.2 Multilayer Perceptron 103
3.5.3 Radial Basis Function Network 107
3.6 Feedback Neural Network 111
3.6.1 Self-Organizing Map (SOM) 111
3.6.2 Hopfield Neural Network (HNN) 116
Exercises 119

4 Deep Learning 123

4.1 Introduction to Deep Learning 123
4.2 Classification of Deep Learning Techniques 125
4.2.1 Convolutional Neural Networks 125
4.2.2 Recurrent Neural Network (RNN) 137
4.2.3 Generative Adversarial Network (GAN) 144
4.2.4 Autoencoders 149
Exercises 155

5 Probabilistic Reasoning 159

5.1 Introduction to Probabilistic Reasoning 159
5.1.1 Random Experiment 160
5.1.2 Random Variables 160
 Contents vii

5.1.3 Independence 161

5.1.4 Sample Space 162
5.1.5 Odds and Risks 162
5.1.6 Expected Values 165
5.2 Four Perspectives on Probability 165
5.2.1 The Classical Approach 166
5.2.2 The Empirical Approach 166
5.2.3 The Subjective Approach 167
5.2.4 The Axiomatic Approach 167
5.3 The Principles of Bayesian Inference 168
5.4 Belief Network and Markovian Network 171
5.4.1 Syntax and Semantics 172
5.4.1.1 Belief Network 172
5.4.1.2 Markovian Network 172
5.4.2 Conditional Independence 172
5.4.3 Learning Methods of the Networks 177
5.5 Hidden Markov Model 178
5.6 Markov Decision Processes 186
5.7 Machine Learning and Probabilistic Models 191
Exercises 194

6 Population-Based Algorithms 197

6.1 Introduction to Genetic Algorithms 197
6.2 Five Phases of Genetic Algorithms 198
6.2.1 Population Initialization 198
6.2.2 Fitness Function Calculation (Evaluation) 199
6.2.3 Parent Selection 200
6.2.4 Crossover 204
6.2.5 Mutation 205
6.3 How Genetic Algorithm Works? 207
6.4 Application Areas of Genetic Algorithms 212
6.4.1 Using GA in Travelling Salesman Problem 212
6.4.2 Using GA in Vehicle Routing Problem 216
6.5 Python Code for Implementing a Simple Genetic Algorithm 221
6.6 Introduction to Swarm Intelligence 225
6.7 Few Important Aspects of Swarm Intelligence 227
6.7.1 Collective Sorting 228
6.7.2 Foraging Behavior 228
6.7.3 Stigmergy 229
6.7.4 Division of Labor 229
viii Contents

6.7.5 Collective Transport 230

6.7.6 Self-Organization 231
6.8 Swarm Intelligence Techniques 233
6.8.1 Ant Colony Optimization 233
6.8.1.1 How ACO Technique Works? 233
6.8.1.2 Applying ACO to Optimization Problems 235
6.8.1.3 Using ACO in Travelling Salesman Problem 236
6.8.1.4 Python Code for Implementing ACO in TSP 239
6.8.2 Particle Swarm Optimization 241
6.8.2.1 How PSO Technique Works? 242
6.8.2.2 Applying PSO to Optimization Problems 243
6.8.2.3 Using PSO in Job-Shop Scheduling Problem 246
6.8.2.4 Python Code for Implementing PSO 247
Exercises 251

7 Rough Set Theory 255

7.1 The Pawlak Rough Set Model 255
7.1.1 Basic Terms in Pawlak Rough Set Model 256
7.1.2 Measures of Rough Set Approximations 260
7.2 Using Rough Sets for Information System 262
7.3 Decision Rules and Decision Tables 263
7.3.1 Parameters of Decision Tables 264
7.3.1.1 Consistency Factor 264
7.3.1.2 Support and Strength 265
7.3.1.3 Certainty Factor 265
7.3.1.4 Coverage Factor 266
7.3.2 Probabilistic Properties of Decision Tables 266
7.4 Application Areas of Rough Set Theory 268
7.4.1 Classification 268
7.4.2 Clustering 271
7.4.3 Medical Diagnosis 273
7.4.4 Image Processing 276
7.4.5 Speech Analysis 278
7.5 Using ROSE Tool for RST Operations 280
7.5.1 Attribute Discretization 280
7.5.2 Finding Lower and Upper Approximations 281
Exercises 285

8 Hybrid Systems 289

8.1 Introduction to Hybrid Systems 289
8.2 Neurogenetic Systems 291
 Contents ix

8.2.1 GA-based Weight Determination of Multilayer Feed-forward Net 292

8.2.2 Neuroevolution of Augmenting Topologies (NEAT) 298
8.3 Fuzzy-Neural Systems 302
8.3.1 Fuzzy Neurons 303
8.3.2 Adaptive Neuro-fuzzy Inference System (ANFIS) 307
8.4 Fuzzy-Genetic Systems 311
8.5 Hybrid Systems in Medical Devices 315
Exercises 322

Index 327
 xi

About the Author

Dr. Gypsy Nandi currently holds the position

of Associate Professor and Head of the Depart-
ment of Computer Applications at Assam Don
Bosco University, located in Assam, India.
With a profound educational background that
includes a PhD in computer science, she
has amassed nearly two decades of invalu-
able experience within the academic sphere.
Driven by a fervent passion for cutting-edge
technologies, she has been instrumental in
advancing the fields of machine learning, data
science, and social network analysis through
her significant contributions.
Her accomplishments extend to successfully managing various government-
sanctioned consultancy and research-based projects. Additionally, she has
authored two impactful books that delve into the domains of data science and soft
computing. She has also secured an Indian patent grant for her innovative design
of a versatile, multi-functional robot.
Over the course of her illustrious academic career spanning 18 years, she has
been a sought-after speaker for both national and state-level events, where she
shares her expertise in her respective fields. Her extensive research output is
evident in her numerous publications, which include esteemed journal articles,
conference papers, and book chapters.
Beyond her academic pursuits, she remains actively engaged in social commit-
ment activities. She serves as the coordinator of VanitAgrata, a women empow-
erment cell at Assam Don Bosco University. Through this initiative, she provides
free digital literacy training to girls and women in rural areas, contributing to the
advancement of society. She has also received international recognition from a
xii About the Author

university in the Philippines for her dedication to service-learning at the institu-

tional level. Her commitment extends to offering free digital literacy training to
various underprivileged communities in rural Assam.
In summary, she stands as a distinguished scholar and educator who has left an
indelible mark on the fields of computer science and technology. Her accomplish-
ments showcase not only academic excellence but also a profound dedication to
social development and enriching the lives of students and communities alike.
 xiii

Preface

In an era defined by rapid technological advancements, the field of soft computing

has emerged as a powerful paradigm for solving complex real-world problems.
Soft computing leverages the principles of human-like decision-making, allowing
machines to handle uncertainty, vagueness, and imprecision in data and rea-
soning. This interdisciplinary field encompasses a variety of computational
techniques, each with its unique strengths and applications.
This comprehensive textbook, Principles of Soft Computing Using Python
Programming, is designed to provide students, researchers, and practitioners with
a solid foundation in the core concepts and techniques of soft computing. With a
focus on clarity and accessibility, this book takes you on a journey through the
fundamental principles and methods that underpin soft computing.
Chapter 1 – Fundamentals of Soft Computing initiates our exploration,
setting the stage by introducing soft computing and distinguishing it from its
counterpart, hard computing. It delves into the key characteristics of soft com-
puting and explores its essential components, including fuzzy computing, neural
networks, evolutionary computing, machine learning, and other techniques.
Engaging exercises at the end of the chapter invite you to apply your newfound
knowledge.
Chapter 2 – Fuzzy Computing delves deeper into one of the cornerstone tech-
niques of soft computing. It covers fuzzy sets, operations on fuzzy sets, properties,
and more. You will also explore the practical aspects of fuzzy computing, such as
membership functions, fuzzification, defuzzification, and the application of fuzzy
c-means clustering.
Chapter 3 – Artificial Neural Network introduces the fundamentals of
artificial neural networks (ANNs), a powerful tool inspired by the human brain.
You will learn about standard activation functions, basic learning rules, and var-
ious types of neural network architectures, including feedforward and feedback
networks. Engaging exercises will help reinforce your understanding of ANN
concepts.
xiv Preface

Chapter 4 – Deep Learning delves into the realm of deep neural networks,
which have revolutionized fields such as computer vision, natural language
processing, and speech recognition. This chapter provides an overview of deep
learning techniques, including convolutional neural networks (CNNs), recur-
rent neural networks (RNNs), generative adversarial networks (GANs), and
autoencoders.
Chapter 5 – Probabilistic Reasoning explores the world of probability and
its applications in soft computing. You will delve into random experiments, ran-
dom variables, and different perspectives on probability. Bayesian inference, belief
networks, Markovian models, and their applications in machine learning are also
covered.
Chapter 6 – Population Based Algorithms introduces genetic algorithms and
swarm intelligence techniques. You will discover how genetic algorithms work
and explore their applications in optimization problems. Additionally, you will
dive into swarm intelligence methods, including ant colony optimization (ACO)
and particle swarm optimization (PSO), with practical Python code examples.
Chapter 7 – Rough Set Theory delves into the Pawlak Rough Set Model and its
applications in information systems, decision rules, and decision tables. You will
explore the use of rough sets in various domains such as classification, clustering,
medical diagnosis, image processing, and speech analysis.
Chapter 8 – Hybrid Systems concludes our journey by discussing hybrid sys-
tems that combine different soft computing techniques, including neuro-genetic
systems, fuzzy-neural systems, and fuzzy-genetic systems. You will also explore
their applications in medical devices.

Each chapter in this book is carefully structured to provide a clear understand-

ing of the topic, with practical exercises to reinforce your learning. Whether you
are a student, researcher, or practitioner, “Principles of Soft Computing Using
Python Programming” equips you with the knowledge and skills to tackle com-
plex real-world problems using the power of soft computing. So, let us embark on
this enlightening journey through the world of soft computing.

16 October 2023 Dr. Gypsy Nandi

Guwahati, Assam, India
 1

Fundamentals of Soft Computing

Soft computing is a vital tool used for performing several computing operations.
It uses one or more computational models or techniques to generate optimum
outcomes. To understand this concept, let us first clarify our idea about computa-
tion. In any computation operation, inputs are fed into the computing model for
performing some operations based on which results are accordingly produced.
In the context of computing, the input provided for computation is called
an antecedent, and the output generated is called the consequence. Figure 1.1
illustrates the basics of any computing operation where computing is done using
a control action (series of steps or actions). Here, in this example, the control
action is stated as p = f (q), where “q” is the input, “p” is the output, and “f ” is
the mapping function, which can be any formal method or algorithm to solve a
problem.
Hence, it can be concluded that computing is nothing but a mapping function
that helps in solving a problem to produce an output based on the input provided.
The control action for computing should be precise and definite so as to provide
accurate solution for a given problem.

1.1 Introduction to Soft Computing

Many a time, it has been noticed that no fixed solution can be found for a com-
putationally hard task. In such a case, a precisely stated analytical model may not
work to produce precise results. For this, the soft computing approach can be used
that does not require a fixed mathematical modeling for problem solving. In fact,
the uniqueness and strength of soft computing lie in its superpower of fusing two
or more soft computing computational models/techniques to generate optimum
results.
The concept of soft computing was evolved by Prof. Lofti A. Zadeh (University
of California, USA) in the year 1981. Soft computing, as described by Prof. Zadeh,

Principles of Soft Computing Using Python Programming: Learn How to Deploy Soft Computing Models
in Real World Applications, First Edition. Gypsy Nandi.
© 2024 The Institute of Electrical and Electronics Engineers, Inc. Published 2024 by John Wiley & Sons, Inc.
2 1 Fundamentals of Soft Computing

Figure 1.1 Basic concepts of

computing.

Input Computing: Output

(Antecedent) p = f(q) (Consequence)

is “a collection of methodologies that aim to exploit the tolerance for imprecision and
uncertainty to achieve tractability, robustness, and low solution cost.” Prof. Zadeh
also emphasized that “soft computing is likely to play an increasingly important role
in many application areas, including software engineering. The role model for soft
computing is the human mind.” Soft computing mimics the notable ability of the
human mind to reason and make decisions in an environment of improbability
and imprecision. The principal components of soft computing include fuzzy logic,
neurocomputing, and probabilistic reasoning (PR).
If you are wondering in which areas soft computing is being used in our day-
to-day lives, the simplest and most common examples include kitchen appliances
(rice cookers, microwaves, etc.) and home appliances (washing machines, refrig-
erators, etc.). Soft computing also finds its dominance in gaming (chess, poker,
etc.), as well as in robotics work. Prominent research areas such as data compres-
sion, image/video recognition, speech processing, and handwriting recognition
are some of the popular applications of soft computing.

1.2 Soft Computing versus Hard Computing

If we consider computing from the perspective of computer science, it is consid-

ered a certain task that can be accomplished using computers. Such computing
may require certain software or hardware systems to accomplish the task(s) and
to derive a certain outcome or output. To understand this easily, let us take a
simple example of a self-driving car (named, say, Ziva). Now, the car Ziva is given
the instructions to start moving (say, from point A) and to arrive at a destination
point B. To accomplish this task, two possible cases can be considered, as discussed
below:

Case A: The car Ziva uses a software program to make movement decisions.
The path coordinates for movement decisions are already included in the soft-
ware program with the help of which Ziva can take a predefined path to arrive
at its destination. Now, suppose, while moving, Ziva encounters an obstacle in
the path. In such a case, the software program can direct it to move to either to
 1.2 Soft Computing versus Hard Computing 3

the right, or to the left, or to take a back turn. In this case, the self-driving car
is not modeled to identify the nature and complexity of the obstacle to make a
meaningful and proper decision. In this situation, the computation model used
for the car is deterministic in nature, and the output is also concrete. Undoubtedly,
there is less complexity in solving the problem, but the output is always fixed due
to the rigidness of the computation method.
Case B: The car Ziva uses a software program to make movement decisions.
However, in this case, the complexity of the program is more compared to the
complexity of the program defined in Case A. This is so as the car is much more
involved in complex decision-making. Ziva can now mimic the human brain in
making decisions when any kind of obstacle is met in between its travel.
Ziva, first of all, assesses the type of the obstacle, then decides whether it can
overcome the obstacle by any means, and finally, it keeps track of if any other
alternate path can be chosen instead of overcoming the obstacle found in the
same path. The decision to be taken by Ziva is not very crisp and precise, as there
are many alternative solutions that can be followed to reach destination point B.
For example, if the obstacle is a small stone, Ziva can easily climb up the stone
and continue on the same path, as it will lead to a computationally less-expensive
solution. However, if the obstacle is a big rock, Ziva may choose an alternative to
choose another path to reach the destination point.
Case C: Now, let us consider Case C, in which the software program is written
to let the self-driving car reach its destination by initially listing out all the possible
paths available to reach from source A to destination B. For each path available,
the cost of traveling the path is calculated and accordingly sorted to reach at the
fastest time possible. Finally, the optimum path is chosen, considering the mini-
mum cost as well as considering avoidance of any major obstacle. It can be realized
that Case C appends both the cases of Case A and Case B to inherit approaches
from both cases. It also adds some functionalities to tackle complex scenarios by
choosing an optimum decision to finally reach destination point B.
The above three cases can be summarized (as listed in Figure 1.2) to check the
points of differences among each of these cases. From each of the above three
cases, it can be observed that the nature of computation in each of the three cases
is not similar.
Notice that emphasis is given on reaching the destination point in the first case.
As the result is precise and fixed, the computation of the Case A type is termed
hard computing. Now, in the second case, the interest is to arrive at an approximate
result, as a precise result is not guaranteed by this approach. The computation of
the Case B type is termed soft computing. The third case inherits the properties
of both Case A and Case B, and this part of computing is referred to as hybrid
computing. Thus, computing in perspective of computer science can be broadly
categorized, as shown in Figure 1.3.
4 1 Fundamentals of Soft Computing

Case A Case B Case C

• Guarantee of • May use or may not • All the features
achieving precise use any mathematical mentioned in Case A
result model for problem and Case B are
• No Ambiguity in the solving followed in Case C
control flow • Most of the time • Some additional
• Mathematical approximate solution functionalities are
formulation of the is obtained rather added to tackle
control flow can be than precise solution complex scenarios
derived • Algorithm behavior
may be evolutionary
in nature inspired
from biological
species

Figure 1.2 Summarization of three varying cases of a self-driving car.

Figure 1.3 Classification of computing

Computing (in computer science).
Hard Soft Hybrid
computing computing computing

The choice on which classification of computing should be used relies mainly

on the nature of the problem to be solved. However, it is important that before
choosing any of the computing techniques for problem solving, we should be clear
about the main differences between hard computing and soft computing. Table 1.1
lists a few notable differences between hard computing and soft computing to deal
with real-world problems.
The points of differences listed in Table 1.1 clear out the fact that soft computing
methods are more suitable for solving real-world problems in which ideal mod-
els are not available. To name a few applications that may be solved using soft
computing techniques include signal processing, robotics control, pattern recog-
nition, business forecasting, speech processing, and many more. Recent research
has given a lot of importance to the field of computational intelligence (CI). While
traditional artificial intelligence (AI) follows the principle of hard computing, CI
follows the principle of soft computing.

1.3 Characteristics of Soft Computing

As we understood that soft computing can deal with imprecision, partial truth,
and uncertainty, its applications are varied, ranging from day-to-day applications
to various applications related to science and engineering. Some of the dominant
 1.3 Characteristics of Soft Computing 5

Table 1.1 Important points of differences between soft computing and hard computing.

Sl. no. Hard computing Soft computing

1 Requires a precisely stated analytical Can deal with imprecise models

model
2 Often requires a lot of computation Can solve a problem in
time to solve a problem reasonably less time
3 These techniques commonly use It mostly imitates the model from
arithmetic, science, and computing nature
4 Cannot be used in real-world Suitable for real-world problems
problems for which an ideal model for which an ideal model is not
is not present present
5 Requires full truth to produce Can work with partial truth to
optimum result produce optimum result
6 Needs a precise and accurate Can work in an environment of
environment improbability and imprecision
7 The programs that are written using The soft computing techniques
these techniques are deterministic are developed mainly to get
better results for any
nondeterministic polynomial
(NP)-complete problems
8 Usually, high cost is involved in Low cost is involved in
developing solutions developing solutions

characteristics of soft computing are listed in Figure 1.4, and a brief discussion on
each of these characteristics is given next:

(a) Human expertise: Soft computing utilizes human expertise by framing fuzzy
if–then rules as well as conventional knowledge representation for solving
real-world problems that may consist of some degree of truth or false. In short,
where a concrete decision fails to represent a solution, soft computing tech-
niques work best to provide human-like conditional solutions.
(b) Biologically inspired computational models: Computational learning
models that follow the neural model of the human brain have been studied
and framed for complex problem solving with approximation solutions. A few
such popular neural network models include the artificial neural network
(ANN)-, convolutional neural network (CNN)-, and the recurrent neural
network (RNN)-based models. These models are commonly used for solving
classification problems, pattern recognition, and sentiment analysis.
(c) Optimization techniques: Complex optimization problems that are
inspired by nature are often used as soft computing techniques. For example,
6 1 Fundamentals of Soft Computing

Human
expertise
1.0 Biologically
a) Applicable inspired
to real- computational
world models
problems 2.0
b) 7.0
Characteristics
of soft
computing Optimization
Model-free
techniques
learning
3.0
6.0

Goal-driven Fault
tolerant
5.0
4.0

Figure 1.4 Soft computing characteristics.

genetic algorithms (GA) can be used to select top-N fit people out of a human
population of a hundred people. The selection of the most fit people is done
by using the mutation properties inspired by biological evolution of genes.
(d) Fault tolerant: Fault tolerance of a computational model indicates the
capacity of the model to continue operating without interruption, even if
any software or hardware failure occurs. That is, the normal computational
process is not affected even if any of the software or hardware components fail.
(e) Goal-driven: Soft computing techniques are considered to be goal-driven.
This indicates that emphasis is given more on reaching the goal or destina-
tion than on the path considered to be taken from the current state to reach
the goal. Simulated annealing and GA are good examples of goal-driven soft
computing techniques.
(f) Model-free learning: The training models used in soft computing need not
be already aware of all the states in the environment. Learning of a step takes
place in due course of actions taken in the present state. In other words, it can
be said that there is a teacher who specifies beforehand all the precise actions
to be taken per condition or state. The learning algorithm indirectly only has a
critic that provides feedback as to whether the action taken can be rewarded or
punished. The rewards or punishments given help in better decision-making
for future actions.
 1.4 Components of Soft Computing 7

(g) Applicable to real-world problems: Most of the real-world problems are

built on uncertainties. In such circumstances, soft computing techniques
are often used to construct satisfactory solutions to deal with such real-world
problems.

1.4 Components of Soft Computing

The three principal components of soft computing include fuzzy logic-based com-
puting, neurocomputing, and GA. These three components form the core of soft
computing. There are a few other components of soft computing often used for
problem solving, such as machine learning (ML), PR, evolutionary reasoning, and
chaos theory. A brief summary of all these components of soft computing tech-
niques is explained next, along with an illustrative diagram, as given in Figure 1.5.
While fuzzy computing involves understanding fuzzy logic and fuzzy sets,
neural networks include the study of several neural network systems such as
artificial neural network (ANN) and CNN. Evolutionary computing (EC) involves
a wide range of techniques such as GA and swarm intelligence. Techniques for
ML are categorized mainly as supervised learning (SL), unsupervised learning,
and reinforcement learning (RL). Soft computing also involves a wide variety of
techniques such as chaos theory, PR, and evolutionary reasoning.

1.4.1 Fuzzy Computing

The idea of fuzzy logic was first familiarized by Dr. Lotfi Zadeh of the University
of California at Berkeley in the 1960s. While Boolean logic allows evaluation of
output to either 0 (false) or 1 (true), and no other acceptance values in between,
fuzzy logic, on the other hand, is an approach to computing that works on the basis
of the “degrees of truth” that can consider any values between 0 and 1. That is, fuzzy
logic considers 0 and 1 as extreme values of a fact or truth (value “0” represents
absolute false, and value “1” represents absolute true). Any value between 0 and 1
in fuzzy logic indicates the various levels or states of truth.

Components of
soft computing

Fuzzy Neural Evolutionary Machine Other

computing networks computing learning techniques

Figure 1.5 Components of soft computing.

8 1 Fundamentals of Soft Computing

Fully profitable
Is the XYZ courier service profitable?

Is the XYZ courier service profitable?

(Value: 1)

Moderately profitable
Yes
(Value: 0.75)
(Value: 1)
Neither profitable nor
unprofitable (Value: 0.5)
No
Moderately unprofitable
(Value: 0)
(Value: 0.25)

Fully unprofitable
(Value: 0)

Figure 1.6 (a) Boolean (nonfuzzy) and (b) fuzzy logic-based solutions for a problem.

Let us understand this simple concept with the help of an example. For instance,
if we consider the question, “Is the XYZ Courier Service Profitable?” the reply to
this question can be simply stated as either “Yes” or “No.” If only two close-ended
choices are provided for this question, it can be considered as value 1 if the answer
given is “Yes” or 0 if the answer given is “No.” However, what if the profit is not
remarkably well, and only a moderate profit is incurred from the courier service?
If we have a deeper look at the question, there is a possibility that the answer can
be within a range between 0 and 1, as the amount of profitability level may be not
totally 100% profitable or 100% unprofitable. Here, the role of fuzzy logic comes
into play where the values can be considered in percentages (say, neither profit
nor loss, i.e., 0.5). Thus, fuzzy logic tries to deal with real-world situations, which
consider partial truth as a possible solution for a problem.
Figure 1.6(a) illustrates the two outcomes provided for the question “Is the
XYZ Courier Service Profitable?” The solution provided for the question in
this case is Boolean logic based, as only two extreme choices are provided for
responses. On the other hand, Figure 1.6(b) illustrates the various possibilities of
answers that can be provided for the same question “Is the XYZ Courier Service
Profitable?” Here, the concept of fuzzy logic is applied to the given question by
providing a few possibilities of answers such as “fully unprofitable,” “moderately
unprofitable,” “neither profitable nor unprofitable,” “moderately profitable,” and
“fully profitable.” The class membership is determined by the fuzzy membership
function. As seen in Figure 1.6(b), the membership degree (e.g., 0, 0.25, 0.5, 0.75,
and 1) is taken as output value for each response given.
One common example of using fuzzy sets in computer science is in the field
of image processing, specifically in edge detection. Edge detection is the process
of identifying boundaries within an image, which are areas of rapid-intensity
 1.4 Components of Soft Computing 9

changes. Fuzzy logic can be used to make edge detection more robust and
accurate, especially in cases where the edges are not clearly defined. Let us
consider a grayscale image where each pixel’s intensity value represents its
brightness. To detect edges using fuzzy logic, one might define a fuzzy set for
“edgeness” that includes membership functions like “definitely an edge,” “possibly
an edge,” and “not an edge”. In such a case, the membership functions can be
defined as follows:
(a) Definitely an edge: If the intensity difference is high, the pixel is more likely
to be on an edge.
(b) Possibly an edge: If the intensity difference is moderate, the pixel might be
on an edge.
(c) Not an edge: If the intensity difference is low, the pixel is unlikely to be on
an edge.
Using these membership functions, you can assign degrees of membership to
each pixel for each of these fuzzy sets. For instance, a pixel with a high-intensity
difference would have a high degree of membership in the “definitely an edge”
fuzzy set.
A crisp set, as you may know, is a set with fixed and well-defined boundaries.
For instance, if the universal set (U) is a set of all states of India, a crisp set may be
a set of all states of North-East India for the universal set (U). A crisp set (A) can
be represented in two ways, as shown in Equations (1.1) and (1.2)
A = {a1 , a2 , a3 , … , an } (1.1)
A = {x|P(x)} (1.2)
Here, in Equation (1.2), the crisp set “A” consists of a collection of elements
ranging from a1 to an . Equation (1.2) shows the other way of representing a crisp
set “A,” where “A” consists of a collection of values of “x” such that it has got the
property P(x).
Now, a crisp set can also be represented using a characteristic function, as shown
in Equation (1.3):
{
1, if x belongs to A
𝜇A′ (x) = (1.3)
x, if x does not belong to A
A fuzzy set is a more general concept of the crisp set. It is a potential tool to
deal with uncertainty and imprecision. It is usually represented by an ordered pair
where the first element of the ordered pair represents the element belonging to a
set, and the second element represents the degree of membership of the element
to the set. The membership function value may vary from 0 to 1. Mathematically,
′
a fuzzy set A is represented as shown in Equation (1.4).
{
A′ = x, 𝜇A′ (x)|| xX} (1.4)
10 1 Fundamentals of Soft Computing

Here, the membership function value indicates the degree of belongingness and is
denoted by 𝜇A′ (x). Here, in Equation (1.4), “X” indicates the universal set, which
consists of a set of elements “x.” A membership function can either be any stan-
dard function (for example, the Gaussian function) or any user-defined function
in requirement to the problem domain. As this membership function is used to
represent the degree of truth in fuzzy logic, its value on the universe of discourse
“X” is defined as:
𝜇A′ (x) = [0, 1] (1.5)
Here, in Equation (1.5), each value of “X” represents an element that is mapped
to a value between 0 and 1.
The above explanations lead us to the understanding that a fuzzy set does
not have a crisp, clearly defined boundary; rather it contains elements with
only a partial degree of membership. Some of the standard properties of fuzzy
sets include commutative property, associative property, distributive property,
transitivity, and idempotent property. There are few other properties of fuzzy sets
that will be elaborately discussed in Chapter 2.
Also, there are three standard fuzzy set operators used in fuzzy logic – fuzzy
union, fuzzy intersection, and fuzzy complement. In case of complement oper-
ation, while a crisp set determines “Who do not belong to the set?,” a fuzzy set
determines “How many elements do not belong to the set?” Again, in case of union
operation, while a crisp set determines “Which element belongs to either of the set?,”
a fuzzy set determines “How much of the element is in either of the set?” Lastly, in
case of intersection operation, while a crisp set determines “Which element belongs
to both the sets?,” a fuzzy set determines “How much of the element is in both the
sets?” These fuzzy operations will also be elaborately discussed in Chapter 2.
Fuzzy logic systems have proved to be extremely helpful in dealing with
situations that involve decision-making. As some problems cannot be solved by
simply determining whether it is True/Yes or False/No, fuzzy logic is used to
offer flexibility in reasoning in order to deal with uncertainty in such a situation.
The applications of fuzzy logic are varied, ranging from domestic appliances to
automobiles, aviation industries to robotics.

1.4.2 Neural Network

The human brain consists of billions of interconnected neurons. These neurons
are cells that use biochemical reactions to receive data, and accordingly process
and transmit information. A typical neuron consists of four main parts – dendrites
(receptors that receive signals from other neurons), soma (the cell body that sums
up all the incoming signals to create input), axon (the area through which neu-
ron signals travel to other neurons when a neuron is fired), and synapses (point of
 1.4 Components of Soft Computing 11

Soma (cell body)

Dendrites

Synapse

Axon

Figure 1.7 Parts of a neuron.

interconnection of one neuron with other neurons). The different parts of a neuron
are illustrated in Figure 1.7. A neuron gets fired only if certain conditions are met.
The signals received on each synapse may be of excitatory or inhibitory type.
When the excitatory signals exceed the inhibitory signals by certain quantified
threshold value, the neuron gets fired. Accordingly, either positive or negative
weights are assigned to signals – a positive weight is assigned to excitatory signals,
whereas a negative weight is assigned to inhibitory signals. This weight value indi-
cates the amount of impact of a signal on excitation of the neuron. The signals
multiplied by the weight in all the incoming synapse is summed up to get a final
cumulative value. If this value exceeds the threshold, then the neuron is excited.
This biological model has been mathematically formulated to accomplish optimal
solutions to different problems and is technically termed as “Artificial Neural Net-
work (ANN).” ANN has been applied in a large number of applications such as pat-
tern matching, pattern completion, classification, optimization, and time-series
modeling.
A simple example of an ANN is given in Figure 1.8. The nodes in ANN are orga-
nized in a layered structure (input layer, hidden layer, and output layer) in which
each signal is derived from an input and passes via nodes to reach the output.
Each black circular structure in Figure 1.8 represents a single neuron. The sim-
plest artificial neuron can be considered to be the threshold logic unit (TLU). The
TLU operation performs a weighted sum of its inputs and then outputs either a “0”
or “1.” An output of “1” occurs if the sum value exceeds a threshold value and a
“0” otherwise. TLU thus models the basic “integrate-and-fire” mechanism of real
neurons.
The basic building block of every ANN is the artificial neuron. At the entrance
section of an artificial neuron, inputs are assigned weights. For this, every input
value is multiplied by an individual weight (Figure 1.9). In the middle section of
the artificial neuron, a sum function is evaluated to find the sum of all the weighted
12 1 Fundamentals of Soft Computing

Input Hidden Output

layer layer layer

Input 1

Input 2 Output

Input 3

Figure 1.8 A simple example of neural network.

Sum Transfer function

Multiplication

Input 1 x

Input 2 x ∑ F(X) Output

Bias

Figure 1.9 The design of an artificial neuron.

inputs and bias. Next, toward the exit of the artificial neuron, the calculated sum
value is passed through an activation function, also called a transfer function.
ANN provides a simplified model of the network of neurons that occur in the
human or animal brain. ANN was initially found with the sole purpose of solving
problems in the same way that a human or animal brain does. However, more
and more research on ANN has led to the deviation of ANN from biology to solve
several challenging tasks such as speech recognition, medical diagnosis, computer
vision, and social network filtering.

1.4.3 Evolutionary Computing

EC is a distinct subfield of soft computing that has gained wide popularity in the
past decade in various areas of research related to natural evolution. In the case
of natural evolution, an environment consists of a population of individuals that
struggle for survival and strive for reproduction. The fitness of each individual
decides its probability of being able to survive in a given environment. Evolution-
ary algorithms (EA) follow heuristic-based approach to problem solving, as these
algorithms cannot be solved in polynomial time. Many variants of EC have evolved
 1.4 Components of Soft Computing 13

Initialization Selection Termination

Crossover Mutation

Figure 1.10 Basic steps of evolutionary algorithms.

over time, and each variant is suitable for more specific types of problems and
data structures. At times, two or more evolutionary algorithms (EA) are applied
together for problem solving in order to generate better results. This makes EC
very popular in computer science, and a lot of research is explored in this area.
In general, EA mimic the behavior of biological species based on Darwin’s theory
of evolution and natural selection mechanism. The four main steps involved in EA
include – initialization, selection, use of genetic operators (crossover and mutation),
and termination. Each of these chronological steps makes an important contribu-
tion to the process of natural selection and also provides easy ways to modularize
implementations of EA. The four basic steps of EA are illustrated in Figure 1.10,
which begins with the initialization process and ends with the termination process.
The initialization step of EA helps in creating an initial population of solutions.
The initial population is either created randomly or created considering the ideal
condition(s). Once the population is created in the first step, the selection step is
carried out to select the top-N population members. This is done using a fitness
function that can accurately select the right members of the population. The next
step involves use of two genetic operators – crossover and mutation – to create
the next generation of population. Simply stated, these two genetic operators help
in creating new offspring from the given population by introducing new genetic
material into the new generation. Lastly, the EA involve the termination step to end
the process. The termination step occurs in either of the cases – the algorithm has
reached some maximum runtime, or the algorithm has reached some threshold
value based on performance.
Independent research work on EA led to the development of five main streams
of EA, namely, the evolutionary programming (EP), the evolution strategies
(ES), swarm intelligence, the GA, and the differential evolution (DE) (as shown
in Figure 1.11). A brief discussion on each of these subareas of EA is discussed in
the later part of this section.
● Evolutionary programming: The concept of EP was originally conceived by
Lawrence J. Fogel in the early 1960s. It is a stochastic optimization strategy
14 1 Fundamentals of Soft Computing

Evolutionary
programming
Evolutionary algorithms

Evolutionary Ant colony

strategies optimization

Artificial bee
Swarm intelligence colony

Particle swarm
Genetic algorithms
optimization

Differential evolution

Figure 1.11 Main families of evolutionary algorithms.

similar to GA. However, a study is made on the behavioral linkage of parents and
offspring in EP, while genetic operators (such as crossover operators) are applied
to produce better offspring from given parents in GA. EP usually involves four
main steps, as mentioned below. Step 1 involves choosing an initial population
of trial solutions. Step 2 and Step 3 are repeated either until a threshold value
for iteration exceeds or an adequate solution for the given problem is obtained:
⚬ Step 1: An initial population of trial solutions is chosen at random.
⚬ Step 2: Each solution is replicated into a new population. Each of these off-
spring solutions is mutated.
⚬ Step 3: Each offspring solution is assessed by computing its fitness.
⚬ Step 4: Terminate.
The three common variations of EP include the Classical EP (uses Gaussian
mutation for mutating the genome), the Fast EP (uses the Cauchy distribution
for mutating the genome), and the Exponential EP (uses the double exponential
distribution as the mutation operator). A few of the common application areas
of EP include path planning, traffic routing, game learning, cancer detection,
military planning, combinatorial optimization, and hierarchical system design.
● Evolution strategies: Evolution strategies (ES) is yet another optimization

technique that is an instance of an evolutionary algorithm. The concept of ES

was proposed by three students, Bienert, Rechenberg, and Schwefel, of the
Technical University in Berlin in 1964. ES is also inspired by the theory of
evolution. In fact, it is inspired mainly by the species-level process of evolution
(phenotype, hereditary, and variation). The main aim of ES algorithm is
to maximize the fitness of a group of candidate solutions in the context of
an objective function from a domain. ES usually involves six main steps as
mentioned below, out of which Steps 2–5 are repeated until convergence:
 1.4 Components of Soft Computing 15

– Step 1: Randomly choose n population of individuals.

– Step 2: Create n population of parameters 𝜃 1 , 𝜃 2 , …, 𝜃 n by adding Gaussian
noise to the best parameter (𝜃 is the parameter vector).
– Step 3: Evaluate the objective function for all the parameters, and select the
top-N best-performing parameters (elite parameters).
– Step 4: Find the best parameter (best parameter = mean(top-N elite parame-
ters)).
– Step 5: Decay (minimize) the noise by some factor.
– Step 6: Terminate.
Mutation and selection are two main operations performed in evolution strate-
gies. These two operations are applied continuously until a termination criterion
is met. While selection operation is deterministic and based on fitness rankings,
mutation is performed by adding a normally distributed random value to each
vector component. The simplest case of ES can be a population of size two – the
parent (current point) and the result of its mutation. In such a case, if the fitness
of the mutant is either equal or better than the fitness of the parent, the mutant
then becomes the parent for the next iteration. If not, the mutant is discarded.
● Swarm intelligence: Swarm intelligence (SI) algorithms are a special type
of EA. The concept of SI was first introduced by Beni and Wang in “swarm
intelligence in cellular robotic system.” SI algorithms adapt to the concept of
the behavior of swarms. A swarm is a dense group of homogenous agents
that coordinate among themselves and the environment for an interesting,
combined clustered behavior to emerge. The term swarm is mostly used in
biological concepts to explain the coordinated behavior of a group of animals,
fish, or birds. For example, a colony of ants marching together in search of food
is a remarkable example of clustered behavior found in biological environment.
SI algorithms mainly include particle swarm optimization (PSO), ant colony
optimization (ACO), and artificial bee colony (ABC).
(a) Particle swarm optimization: Particle swarm optimization (PSO) is a
nature-inspired population-based stochastic optimization technique devel-
oped by Kennedy and Eberhart in 1995. PSO algorithms mimic the social
behavior of animals, such as fish schooling and bird flocking, in which fish
or birds move collectively to solve a task. The PSO technique works on the
same principle of foraging behavior of biological species. PSO is easy to
implement, as it requires adjustment of only a few parameters. This is the
reason why PSO has been successfully applied in many application areas,
such as the traveling salesman problem, scheduling problem, sequential
ordering problem, and vehicle routing problem.
(b) Ant colony optimization: Ant colony optimization (ACO) is a population-
based metaheuristic mainly used to find an approximate solution to a given
16 1 Fundamentals of Soft Computing

Obstacle

Food
Nest

Figure 1.12 Colony of ants marching toward food source.

challenging optimization problem. ACO uses a set of software agents called

artificial ants, which help find good solutions to a given optimization prob-
lem. Figure 1.12 shows the concept of how a colony of ants marches together
to reach the food source. In between, if any obstacle is met for the first time,
the ants divide among themselves to travel in both directions. However,
the shorter route is noted and followed by the rest of the ant based on the
pheromone (chemical substance produced and released into the environ-
ment) deposit concentration.
The pheromone smell deposited by the ant on the pathway provides an
indication to the other worker ants about the presence of food in a nearby
area. The pheromone trails help create indirect communication between all
the nearby ants, which helps in finding the shortest path between the food
source and the nest.
(c) Artificial bee colony: Artificial bee colony (ABC) is a computing tech-
nique that is based on the intelligent foraging behavior of honey bee
swarms. This concept was first proposed by Dervis Karaboga of Erciyes
University in the year 2005. The ABC model considers three types of bees:
the employed bees, the onlooker bees, and the scout bees. Usually, only one
artificial employed bee is hired for a food source. The artificial employed
bee targets the food source and performs a dance after returning to its hive.
Once the target food source is over, the employed bee shifts its position to a
scout and starts hunting for a new food source. The role of onlookers is to
watch the dance of employed bees and choose food sources based on the
performance of the dances. The onlookers and the scouts are considered
unemployed bees.
ABC accomplishes the task of hunting for food through social cooper-
ation. In the ABC problem, each food source signifies a possible solution
 1.4 Components of Soft Computing 17

to the optimization problem, and the amount of nectar in the food sources
decides the quality or fitness of the given solution. In fact, the quality of
a food source depends on many factors, such as the amount of food source
available, the ease of extracting its nectar, and also its distance from the nest.
Depending on the number of food sources, the same number of employed
bees is chosen to solve a problem. It is the role of employed bees to carry on
the information about the quality of the food source and share this informa-
tion with the other bees.
The unemployed bees also play an active role in the food hunt. One type
of unemployed bee is the scout, which explores the environment near the
nest in search of food. The other type of unemployed bee is the onlooker,
which waits in the nest to get information about the quality of food sources
from the employed bees and establish the better food sources. Communica-
tion among bees related to the quality of food sources takes place through
the famous “waggle dance” of honey bees. This exchange of information
among the three types of bees is the most vital occurrence in the formation
of collective knowledge.
● Genetic algorithms: The concept of genetic algorithms (GA) was proposed by
John Holland in the 1960s. Later, Holland along with his colleagues and stu-
dents developed the concepts of GA at the University of Michigan in the 1960s
and 1970s as well. A genetic algorithm is a metaheuristic that is inspired by
Charles Darwin’s theory of natural evolution. GA are a part of the larger class of
EA that emphasize on selecting the fittest individuals for reproduction in order
to produce offspring. The generated offspring inherit the characteristics of their
parents and is therefore expected to have better fitness if the parents do have
good fitness values. Such offspring, in turn, will have a better chance of sur-
vival. If this process continues to repeat multiple times, at some point in time, a
generation of the fittest individuals will be formed.
There are basically five main phases of GA (as illustrated in Figure 1.13): pop-
ulation initialization, fitness function calculation, parent selection, crossover,
and mutation. Initially, a random population of size “n” consisting of several
individual chromosomes is chosen. Next, the fitness value of each of the indi-
vidual chromosomes is calculated based on a fitness function. The fitness value
plays a vital role in the decision-making of the selection of chromosomes for
crossover.
In the crossover phase, every two individual chromosomes selected are repro-
duced using a standard crossover operator. This results in the generation of two
offspring from each pair of chromosomes. The new offspring generated are then
mutated to produce a better set of individual chromosomes in the newly gener-
ated population. These entire five phases of GA are repeated until a termination
condition is met. Each iteration of the GA is called a generation, and the entire
18 1 Fundamentals of Soft Computing

Population Fitness Result

initialization evaluation Selection (fittest solution)

Crossover
Mutation

Figure 1.13 Steps followed in genetic algorithms.

set of generations is called a run. The final output (result) is the generation of
the fittest individuals that have the greatest chance of survival.
● Differential evolution: Differential evolution (DE) is a common evolutionary
algorithm stimulated by Darwin’s theory of evolution and has been studied
widely to solve diverse areas of optimization applications since its inception
by Storn and Price in the 1990s. The various steps involved in DE include
population initialization, mutation, crossover, selection, and result generation
(illustrated in Figure 1.14). Prior to applying these basic steps, the parameters
of DE need to be defined, such as the population size, the selection method,
the crossover method, and the perturbation rate (the weight applied to random
differential).
There are various popular variants of DE, some of which are mentioned below:
● The standard differential evolution (DE)
● The self-adaptive control parameters differential evolution (JDE)
● The adaptive differential evolution with optional external archive (JADE)
● The composite differential evolution (CODE)
● The self-adaptive differential evolution (SADE)
The applications of DE are varied, including synthesis and optimization of
heat-integrated distillation system, optimization of an alkylation reaction, digital

Population Fitness
initialization evaluation Mutation

Result Crossover
(fittest solution) Selection

Figure 1.14 Steps followed in differential evolution.

 1.4 Components of Soft Computing 19

filter design, optimization of thermal cracker operation, batch fermentation

process, estimation of heat transfer parameters in bed reactor, engineering system
design applied in multiobjective context, and parameter estimation in fed-batch
fermentation process.

1.4.4 Machine Learning

ML is an emerging area in the field of computer science, and its applications are
varied, be in medical diagnosis or speech recognition, stock market predictions
or gaming, and Google translation or recommendation systems. In fact, ML is a
branch of AI that allows systems to learn through experience rather being explic-
itly controlled through programs. Thus, the core approach in ML is to train a
machine for developing the capability of learning without being explicitly pro-
grammed to provide optimum output.
ML initially follows the procedure of feeding the machine with required input
data and then training the machine to a certain level so that it is able to learn and
adapt to the ability of predicting the output based on the training acquired. Let us
try to understand and analyze this approach with the help of a suitable example,
as given in Figure 1.15. Imagine input data of various objects of different shapes
and colors are fed into the computer system. The ML technique can be applied
to cluster the objects based on the colors, shapes, and sizes. Figure 1.15 shows the
output in which four clusters have been formed after training the model based on
input provided.
Let us consider another example of ML, as shown in Figure 1.16. The emails
received by a user are trained by ML algorithm to classify these emails as either
legitimate mail (sent to inbox folder) or spam emails (sent to spam folder). The ML
algorithm initially uses a dataset that has a list of emails classified either as spam

Cluster 1

Cluster 2
Machine learning
algorithm

Cluster 3

Cluster 4

Figure 1.15 Machine learning algorithm used for training data to form clusters.
20 1 Fundamentals of Soft Computing

Machine learning
algorithm

Figure 1.16 Machine learning algorithm used for classifying email as spam or
legitimate.

or not spam. Once the algorithm gets fully trained and shows high accuracy in
prediction, this algorithm is now all ready to be used for such similar predictions
for the future.
The contribution of ML right from solving day-to-day tasks to solving complex
real-life problems is tremendous. In fact, many home appliances, health care
monitoring systems, mobile apps, and internet services heavily rely on using
ML. Also, popular virtual personal assistants such as Alexa, Siri, and Google Now
rely dominantly on the techniques of ML. These popular virtual assistants are a
perfect example of the usage of advanced ML, as it has a number of capabilities
that include voice interaction, playing audio, answering the door, dimming the
lights of a room, and reading the latest headlines. Again, traffic predictions using
GPS navigation services use ML techniques to provide live data to users regarding
traffic congestion while traveling. ML algorithms also help companies develop
chatboxes to solve user queries. It is expected that the contribution of ML in the
near future will continue exceeding, and researchers have to extensively depend
on such ML algorithms to build innovative tools and techniques.
There are mainly four types of ML – SL, unsupervised learning, semi-supervised
learning, and RL. Under the umbrella of SL are classification and regression,
which use a dataset having known inputs and outputs. Unsupervised learning, on
the other hand, uses a dataset to identify hidden patterns. Under the umbrella of
unsupervised learning falls clustering and association analysis. Semi-supervised
learning lies between SL and unsupervised learning and handles the drawbacks
of both these types of ML techniques.
Figure 1.17 illustrates the various types of ML used for different variety of data
and problems. All these types of ML have a special role to perform, which is
explained in brief next. Let us now try to understand these four types of ML in brief.

● Supervised learning (SL): Most of the ML techniques are based on SL, which
works on the basis of supervision. Basically, supervised learning techniques
train machines using “labeled” datasets. Such datasets have input variables
that are used by a mapping function to derive the output variable(s). This can
be mathematically expressed as P = f (Q), where Q is the input data, and P is the
 1.4 Components of Soft Computing 21

Types of
machine learning

Supervised Semi-supervised Unsupervised Reinforcement

learning learning learning learning

Classification Clustering

Regression Association
analysis

Figure 1.17 Types of machine learning.

output. SL thus uses the input variables and the corresponding output having
“labeled” data to train machines by approximating the mapping function.
The training is carried out accurately to an extent such that when a new input
data (q1) is fed, a perfect prediction can be made to display the output variable
(P) for that data (q1).
To clear the idea of SL, let us consider a simple example. Let us assume that a
dataset that consists of images of three varying animals – say, dog, goat, and cat,
which are provided as input to the machine. The output variable, also called
the labeled variable, stores the values as either “dog,” “goat,” or “cat.” Now, a
SL model is trained with this labeled dataset that can differentiate among these
three animals and correctly predict the output. This learning model is illustrated
in Figure 1.18, in which the labeled data are trained, and the model is tested with
a test dataset (unlabeled data) to check the accuracy of the predicted output once
the training is completed. If the accuracy of prediction is very high, the model
can be set to be trained and ready for use for future predictions.
There are two main notable techniques of supervised ML – classification and
regression. Both these techniques have a similar goal of predicting the output
(dependent attribute) based on the series of input data provided. Classification
deals with prediction of discrete class label(s), whereas regression deals with
prediction of continuous quantity. Also, a classification problem is mainly eval-
uated using accuracy as the evaluation metric, whereas a regression problem is
usually evaluated using root mean square error (RSME).
(a) Classification: Classification is a type of supervised ML as it considers
“labeled” data to perform the task of prediction of output. The “labeled”
22 1 Fundamentals of Soft Computing

Prediction

Dog
Cat
Training Goat
Goat model
Dog
Cat
Dog
Goat
Dog Predicted output
Labeled data Test data

Figure 1.18 Supervised learning.

variables are termed as classifiers, which play a major role in training the
algorithm. It approximates a mapping function (f ) from input variables (Q)
to discrete output variables (P). For a given observation, the primary task of
classification is to predict the value of class. The technique of classification
is applied in many significant areas where new observations are needed to
be categorized, such as spam filtering, face detection, credit approval, fraud
detection, optical character recognition, market segmentation, and so on.
For a given observation, the primary task of classification is to predict the
value of class.
As shown in Figure 1.18, the problem given is of classification in which
the output to be obtained belongs to any of the three classes – cat, dog, or
goat. Another example of a problem of classification would be if the output
to be predicted is either Yes or No, such as “Diabetes” or “No Diabetes,” “Pro-
vide Loan” or “Do not Provide Loan,” “Spam Mail” or “Legitimate Mail,”
and so on.
Classification techniques are further classified under two models – the
lazy learners and the eager learners. In the case of lazy learning model, the
training time taken is comparatively less; however, the prediction time
is more compared to the eager learning model. Examples of lazy learners
include the k-Nearest Neighbor (kNN) classification model, and case-based
learning model. Eager learners construct the classification model from the
given training data even before receiving any test data. Examples of eager
learners include decision trees, Naïve Bayes, and ANNs.
(b) Regression: In regression, the main task is to approximate a mapping
function ( f ) from input variables (X) to a continuous output variable (Y ).
The continuous output variable (Y ) should denote a quantity and has to
be a real value, such as an integer or floating-point value. Given a new
set of input values, regression can make a prediction of the corresponding
quantitative output (y), based on the study of previous corresponding (x, y)
 1.4 Components of Soft Computing 23

paired values. Thus, regression analysis is a predictive modeling technique

that analyses the relationship between a dependent variable (the new y
value) based on the independent variable (the given x value). For example,
given a series of values of the number of sales of tea cups per month at
a tea stall, a prediction on the amount of sale of tea can be made for any
near-future months.
There are various types of regression models, which differ mainly on three
factors – the number of independent variables considered, the shape of the
regression line, and the type of dependent variable being used. If only one
independent variable is used, it is a case of simple regression, whereas if
more than one independent variable is used, it is a case of multiple regres-
sion. Moreover, both simple and multiple regressions can be either linear
or nonlinear. Figure 1.19 mentions the various standard regression models
used for SL for continuous variables.
i. Linear regression: The most common type of regression used is the lin-
ear regression in which a linear relationship is maintained between the
dependent and independent variables. Here, the dependent variable is
continuous, whereas the independent variable(s) can be either discrete
or continuous.
ii. Logistic regression: In logistic regression, the dependent or target vari-
able can belong to only one of the possible binary values, such as 1 or 0,
True or False, Positive or Negative, and so on. Its probability value ranges
between 0 and 1.
iii. Polynomial regression: When the relationship between the depen-
dent and the independent variables is nonlinear in nature, polynomial
regression is used.
iv. Ridge regression: If two or more independent variables are used that
have high intercorrelations among them, it is the case of multicollinear-
ity. Ridge regression is a type of regression that can be best used for
dealing with multicollinearity in multiple regression data.
v. Lasso regression: LASSO stands for least absolute shrinkage and
selection operator. Lasso regression, also called penalized regression,
uses the shrinkage technique to determine the coefficients. Shrinkage

Standard regression
techniques

Linear Logistic Polynomial Ridge Lasso Support vector

regression regression regression regression regression regression

Figure 1.19 The two main types of regression.

24 1 Fundamentals of Soft Computing

is a concept in which the data values are shrunk toward a central or

middle point.
vi. Support vector regression (SVR): This method supports both linear
and nonlinear regressions. It uses the concepts of hyperplanes, kernels,
boundary lines, and support vectors that are also used in the case of sup-
port vector machines (SVM).
● Unsupervised learning: Many of the real-time datasets are not provided
with any labels. Such datasets are not classified beforehand and hence have
no class labels. SL fails to handle such datasets to solve a ML-based task.
This is where unsupervised learning is used to find commonalities among its
input data without the help of any labels or classifications. The primary goal
of unsupervised learning is to discover hidden patterns from the input data
provided.
To understand unsupervised learning, let us consider the same example
given in Figure 1.18. In this Figure, all the data in the dataset are labeled “cat,”
“dog,” and “goat.” Now, imagine that the dataset is not provided with any label.
The primary task of unsupervised learning is to group similar data based on
some features of input data, such as color, size, pattern, and so on. Figure 1.20
illustrates a case of unsupervised learning in which a dataset without having
any labels is fed into the training model to generate similar clusters as output.
As can be seen in Figure 1.20, the dataset consists of several different images
of cats, dogs, and goats. The results obtained are the three clusters that are
grouped based on the common features (similarities) among each animal.

Cluster 1

Train
Generate
model
clusters
Cluster 2

Dataset
(without labels) Cluster 3

Predicted output

Figure 1.20 Unsupervised learning.

 1.4 Components of Soft Computing 25

There are two main notable techniques of unsupervised ML – clustering

and association rule mining. As these are unsupervised learning techniques,
the models are not supervised using any training dataset. Let us now discuss the
concepts of clustering and association rule mining in brief:
(a) Clustering: Clustering is a simple method in which items or objects are
grouped into clusters based on similarities. The similarities are generated
based on the presence or absence of some features among the objects.
A real-time example where clustering is used is in recommender systems of
e-commerce sites, which groups items of similar tastes for a user based on
his/her previous purchasing experiences.
There are various clustering algorithms, and a choice of which algorithm
is to be chosen relies on whether the algorithm can scale to the given input
dataset. The four types of clustering are explained next:
i. Centroid-based clustering: This clustering approach works by repeat-
edly finding the centroid of each cluster until the results become stable.
A classic way to apply centroid-based clustering is the K-means cluster-
ing, where “k” refers to the number of clusters to be formed. Initially,
“k” number of points are chosen at random for selection of centroids.
The rest of the data points are measured and grouped to the nearest cen-
troid based on a distance measure. The centroids are then again deter-
mined based on the cluster formed. The steps are repeated iteratively
until convergence.
ii. Density-based clustering: This clustering approach connects areas of
high density into clusters. While doing so, the outliers are often left out
and may not be included in any of the clusters formed. The distribu-
tions can be of arbitrary shape or size, as the primary approach is to
consider all objects in the same cluster if they belong to dense areas or
connectivities.
iii. Distribution-based clustering: This clustering approach uses the
concepts of probability distribution such as Gaussian distribution or
binomial distribution to form clusters. The basic idea is that as the
distance from the center of the distribution increases, the probability of
a point belonging to that distribution decreases.
iv. Hierarchical clustering: This clustering approach creates a hierarchy
of clusters in the form of a tree. The tree-like structure that is formed to
create several clusters is called dendrogram. The hierarchical clustering
may follow either of the two approaches: agglomerative or divisive.
The agglomerative approach is a bottom-up approach that initially
begins by considering each data item as a single cluster and then
26 1 Fundamentals of Soft Computing

proceeds by merging the closest pair of clusters. The divisive approach,

on the other hand, works just the opposite of the agglomerative
approach. The divisive approach initially begins by considering only one
big cluster that consists of all the data points. It gradually then splits the
big cluster into smaller clusters based on nonsimilarity of data points.
An example of clustering is well explained and illustrated in Figure 1.19.
The example explains how three clusters have been formed based on the
similarity of animal species by using an unsupervised clustering technique.
(b) Association analysis: This unsupervised learning approach was intro-
duced by Rakesh Agrawal, Tomasz Imieliński, and Arun Swami. The
basic idea was to make a market basket analysis of the products sold
in a supermarket. This approach helps in finding the itemsets that are
frequently purchased together so as to understand the customer purchasing
patterns. This is done by generating more and more new rules by analyzing
the dataset. Usually, the dataset considered is large, and the final goal
of association rule learning is to train a machine to be able to mimic the
human brain for feature extraction and abstract association capabilities.
Let us understand the concept better with the help of an example. For
example, a rule {milk, coffee} ⇒ {sugar} that is discovered based on the trans-
action sales of a supermarket indicates that customers have shown a strong
tendency to buy the product sugar when milk and coffee have been bought
together. Such kind of rules generated can help a supermarket increase its
sales through better product placements and promotional pricing of items
when bought together.
If we consider Table 1.2, we find that there are seven transaction details
being considered. In each transaction, it shows what the lists of items
purchased by a customer are. Now, the interestingness of a rule can be

Table 1.2 Transaction details of a supermarket store.

TID Purchased items

1 Milk, coffee, butter

2 Eggs, butter, jam
3 Milk, coffee, sugar
4 Spices, rice, juice
5 Milk, coffee, eggs, cake, cream, sugar
6 Milk, coffee, biscuits, sugar
7 Milk, juice, soap, butter
 1.4 Components of Soft Computing 27

evaluated by using the standard constraints called support and confidence.

While support determines how frequently itemsets appear in a dataset,
confidence indicates how often a rule has been found to be true.
To understand how support is calculated for association analysis, let us
consider a rule. If a rule X ⇒ Y holds with support S, it means S% of the
transactions in the dataset contain X ∪ Y . This support value S is compared
with the threshold support value, and if S is found to be greater than the
threshold support value, it is said to have the minimum support. Again, if the
rule X ⇒ Y holds with confidence C, it means C% of the transactions in the
dataset that contain X also contains Y . This confidence value C is compared
with the threshold confidence value, and it is said to have the minimum
confidence if C is found to be greater than the threshold confidence value.
Let us proceed to find support and confidence for the rule {milk, cof-
fee} ⇒ {sugar} by considering Table 1.2. The support value for this rule will
be calculated from the given seven transactions as 3/7, which is 0.43. This
is calculated by finding out how many transactions contain the items milk,
coffee, and sugar out of a total of seven transactions. This calculated support
value is compared with the minimum support value (a threshold value)
to determine the strength of the rule. Now, if we consider the threshold
support value as 30%, the rule exceeds this value as the calculated support
value is 43%.
Another measure of interestingness of a rule is confidence. The confi-
dence value that can be calculated from the given seven transactions is 3/4,
which is 0.75. This is calculated by finding out how many transactions con-
tain all the items milk, coffee, and sugar out of a total of four transactions that
contain only items milk and coffee. This calculated confidence value is com-
pared with the minimum confidence value (a threshold value) to determine
the strength of the rule. Now, if we consider the threshold confidence value
as 50%, the rule exceeds this value as the calculated confidence value is 75%.
Based on the calculations of support and confidence, the determination of
frequent itemsets is made for market basket analysis for any departmental
store.
● Semi-supervised learning: This learning falls between SL and unsupervised
learning, and is an approach often used to deal with partially labeled data
and mostly unlabeled data. Semi-supervised learning tries to handle the
disadvantages of both supervised and unsupervised learning to solve real-time
applications. At times, data need to be hand-labeled by human, especially
by a data engineer, data scientist, or ML specialist to carry out SL. However,
this is a costly process and requires huge time for labeling all data. This is
where semi-supervised learning balances the disadvantage of SL by carrying
out training with mostly unlabeled data and only a few labeled data. Also,
28 1 Fundamentals of Soft Computing

unsupervised learning, owing to its limitations of dealing with only unlabeled

data, cannot handle a variety of applications. Semi-supervised learning also
resolves this issue, as it considers a few labeled data during the training process.
As semi-supervised learning is more effective, it is used to solve a variety of
real-world ML problems. In cases where 100% of the dataset is unlabeled, this
learning technique considers manual labeling of a small amount of data to train
the model, also called the base model. Only a small portion of data is manu-
ally labeled, as it is a very tedious and time-consuming process. The next step
is the process of pseudo-labeling that uses the partially trained base model and
makes predictions for the rest of the unlabeled data. In each iteration the unla-
beled data gets labeled, thereby increasing the number of labeled data for the
entire dataset. Such unlabeled data are separately trained, and given labels are
called pseudo-labels, as these labels will not be fully accurate. With more num-
ber of iterations, the accuracy of the model is increased, and the model is then
considered ready for any new predictions to be made.
● Reinforcement learning (RL): RL is a feedback-based ML technique that
relies on a software agent for performing some actions. The agent behaves
in an environment by performing some actions and accordingly produces
results. If the agent performs a correct action in the learning environment,
the environment in turn sends feedback to the agent in the form of an award.
However, if the agent performs an incorrect action, the environment sends a
penalty as a reward to the agent. Figure 1.21 illustrates this simple feedback
system of RL. Based on the feedback, the agent accordingly tries to adapt or
improve to the environment. One advantage of this technique is that the agent
need not be pretrained about the environment, as it can learn about it through
the feedback it receives during the training phase.
RL has recently gained much importance, as its applications have increased
over time in the last decade. The concept of RL is applied in playing games
(such as chess), robot decision-making, self-driving cars, operations research,
GA, swarm intelligence, and many more. The primary difference between SL

Actions

Reward

Learning environment Agent

Figure 1.21 Reinforcement learning.

 1.4 Components of Soft Computing 29

and RL is that SL makes a decision based on the initial input provided, whereas
RL makes a decision sequentially by considering the inputs generated at every
new phase of RL. The decisions made in RL at each level are independent of
each other, whereas the decisions made in SL rely on the decisions made at the
previous level.

1.4.5 Other Techniques of Soft Computing

There are several other soft computing techniques such as PR, chaos theory, and
evidential reasoning (ER). A brief description of all of these techniques is given
next:
● Probabilistic reasoning (PR): Real-world situations many a times deal with
uncertainty. In such cases, PR may be used to indicate the degree of uncertainty
involved. As we know, probability is the chance that an uncertain event will
occur, and its value is between 0 and 1. PR uses this concept of probability to han-
dle uncertain situations. Generally, the probability of occurrence of an uncertain
event is calculated as:
number of desired Outcomes (N)
Probability of occurrence (P) =
total number of outcomes (T)
A belief network, also known as a Bayesian network or Bayes network, is
a probabilistic graphical model used to represent a set of variables and their
conditional dependencies via a directed acyclic graph (DAG). The nodes in a DAG
represent variables (can be unknown parameters, latent variables, observable
quantities, etc.), and the edges represent conditional dependencies. If two nodes
are not connected in the graph, it indicates that the two variables are conditionally
independent of each other. A belief can be considered as the occurrence of a
state. For instance, a switch can have two states – either on or off . The probability
of the occurrence of the state {switch = “on”} is 50%. Similarly, the belief in the
state {switch = “off”} is also 50%. In this way, for a given problem, all beliefs of all
possible states of a node are stored in a table called Conditional Probability Table.
To define conditional probability using a traditional approach, the concept of
joint probability is used. For instance, for an uncertain event Q, the probability
P(Q|R) represents a belief in P, assuming that R is known. The conditional
probability formula P(Q|R) can be equated using the concept of joint probability
P(Q, R) as given below.
P(Q, R)
P(Q|R) =
P(R)
However, it is also possible to define P(Q | R) without referring to the joint prob-
ability as follows:
P(R|Q)P(Q)
P(Q|R) =
P(R)
30 1 Fundamentals of Soft Computing

This is called Bayes rule and is often used for updating a belief about a hypothesis
Q in the light of new evidence R.
Bayesian networks provide a natural representation of (casually induced)
conditional independence. It has replaced many rule-based systems by being less
rigorous and more robust. However, one major limitation of a Bayesian network
is that it typically requires initial knowledge of many probabilities. Another issue
is that the output is also largely dependent on the quality and extent of prior
knowledge.

● Chaos theory: Chaos theory is well-suited to be used for problems that are
highly sensitive to initial conditions. In such a case, a slight difference in ini-
tial conditions (for example, a change in initial value in the second place after
the decimal point) leads to highly diverging outcome. The chaotic behavior can
be experienced in our nature, such as changes in weather. Robert L. Devaney has
classified a dynamic system as chaotic based on the following three properties:
– It must be sensitive to initial conditions (the “butterfly effect”): The data points
in a chaotic system are arbitrarily in close approximation to each other with
significantly different future paths.
– It must be topologically mixing: The topological transitivity or topological mix-
ing relates to the evolution of the system over time such that any given region
may eventually overlap with another region.
– It must have dense periodic orbits: Every point in the space is approached arbi-
trarily closely by periodic orbits.
To sum up, chaos theory as defined by Kellert is “the qualitative study of
unstable aperiodic behavior in deterministic nonlinear systems” (Kellert 1993,
p. 2). As understood, a chaotic system is nonlinear and sensitive to initial
conditions. There is also no periodic behavior in such systems, and the motion
remains random. Considering these characteristics, a few applications based on
chaos theory include observation of weather patterns, stock market predictions,
algorithmic trading, bird migration patterns, observation of social phenomena,
robotics, and study of brain waves.
● Evidential reasoning: Evidential reasoning (ER) is a recent approach that
has been developed mainly on the basis of AI, decision theory, statistical
analysis, and computer technology. In decision theory, ER approach is a
generic evidence-based multi criteria decision analysis (MCDA) approach
and can deal with problems having uncertainties that include randomness
and ignorance. ER supports assessments, decision analysis, and evaluation
activities. For instance, ER contributes to the environmental impact assessment
for developing a proposal or a project related to the environment.
The ER approach constitutes the modeling framework of multi-criteria
decision-making (MCDM) problems using the following concepts:
Exploring the Variety of Random
Documents with Different Content
philanthrope doit avoir passé par là. Ce ne sont qu’écoles publiques,
hôpitaux, maisons d’orphelins, d’enfants trouvés et d’ouvriers,
sociétés bibliques et fondations de charité. Et tout cela ressemble à
des palais : la douane même et les usines qui entourent le port
présentent les mêmes proportions monumentales. Ce sont bien, en
effet, les palais de cette ville commerçante, grandie par la pêche du
hareng et le négoce avec les Indes, trop jeune et trop souvent
rebâtie, à la suite de ses désastres, pour avoir des édifices
historiques, et faisant de sa richesse l’usage intelligent et pratique de
ces grands industriels qui achètent rarement un tableau, et n’ont
point le sens artistique ou pittoresque aussi développé qu’on le
souhaiterait peut-être, mais qui fondent autour d’eux des crèches,
des ouvroirs, des asiles et des hospices.
Cependant Gotheborg a un musée, mais là encore le caractère
pratique et positif apparaît. On l’a installé dans l’ancien bâtiment de
la Compagnie des Indes, — un spécimen curieux des vieilles maisons
en briques de la ville primitive — côte à côte avec les bureaux du
télégraphe et l’école des arts et métiers ; et ce musée universel, qui
est l’établissement favori des Gothembourgeois, celui qu’ils montrent
avec le plus de complaisance et dont ils parlent avec le plus
d’orgueil, a fait à l’histoire et à la science une plus large place qu’à
l’art.
La galerie de tableaux, composée presque exclusivement de
noms scandinaves et contemporains, serait d’un attrait fort médiocre
sans un chef-d’œuvre sui generis dont le souvenir me charme encore
aujourd’hui. C’est une toile d’assez grande dimension, datée de 1864
et signée du nom d’Ekman, un artiste finnois de quelque renommée
en son pays. Sur le premier plan, un marin anglais présente une
Bible à un Italien en chemise rouge, qui avance la main droite pour
la prendre, tout en serrant de la gauche le drapeau national sur son
cœur. Au second plan, le pape, coiffé de sa tiare, s’interpose d’un air
farouche entre l’Italien et l’Anglais, et s’efforce d’écarter le bras de
l’hérétique. Mais celui-ci persiste avec énergie, et, dans le fond,
Notre-Seigneur descend du haut des cieux, en tendant une palme au
courageux marin anglais, pour le consoler des mauvais traitements
du pape. Cette simple esquisse suffira, je l’espère, à faire
comprendre l’hilarité douce dont je fus saisi tout à coup, et que mes
guides partagèrent d’ailleurs de très-bonne grâce.
Pic de la Mirandole eût pu trouver dans le Musée de Gotheborg
un ample sujet à ses dissertations de omni re scibili et quibusdam
aliis. A côté des tableaux et des plâtres d’après l’antique, on y voit
une précieuse collection d’objets de l’âge de pierre, de l’âge de fer et
de l’âge de bronze, de haches en silex, d’épées scandinaves, de
monuments runiques ; des hommes fossiles et des oiseaux
empaillés, des monstres qui font reculer la nature d’horreur et des
fœtus confits dans de l’esprit-de-vin ; un cabinet de médailles et une
galerie d’histoire naturelle, dont le morceau principal est la carcasse
d’une énorme baleine, échouée jadis sur la plage de Gotheborg, où
elle resta prise dans la vase, et qui exhale encore, après bien des
années, une odeur presque suffocante.
C’est ainsi que toujours, dans la seconde ville de Suède, se mêle
le grave au doux et l’aimable à l’utile. Les commerçants qui l’ont
fondée et qui l’administrent n’y ont point oublié l’agrément. Partout
s’ouvrent des squares, s’étendent des parcs et de belles
promenades. Le petit lac sur lequel elle est bâtie s’y distribue en
canaux ombragés qui parcourent la ville en tous sens. Gotheborg a
été construit suivant le système hollandais, et ce n’est pas seulement
par ses nombreux canaux, mais par ses maisons en briques et le
caractère général de son architecture, plus solide qu’élégante, par le
nombre de ses établissements charitables, par l’amour de la vie
confortable et du chez soi, par le climat humide et le sol
marécageux, par le développement de son commerce maritime et
jusque par le flegme de ses habitants, que ce coin de la Suède
rappelle les Pays-Bas.
Les temples de Gotheborg sont coiffés à peu près uniformément
de ce clocher rococo, sans style et sans caractère, qu’on rencontre si
souvent en Suède. Le plus beau et le plus grand est la cathédrale de
Gustave, comme la plus grande et la plus belle place de la ville est
celle de Gustave-Adolphe, décorée d’une statue en bronze du roi
conquérant. Parmi les monuments qui l’entourent, celui qui l’emporte
par son luxe architectural, même sur l’hôtel de ville et la Bourse, est
la maison d’un simple particulier. Beaucoup de commerçants
gothembourgeois sont puissamment riches, mais le peuple, qui
profite de leurs richesses, ne songe pas à les leur reprocher : « Ceci,
me disait mon guide, en m’arrêtant devant un édifice de belle
apparence, est un hôpital, et ceci une école fondée par le commerce
de la ville. — Vous avez vu le château et le parc de la famille
Dickson, la plus riche de Gotheborg ; allons voir maintenant les
maisons qu’elle a élevées pour les ouvriers. — Regardez notre port,
me disait-il aussi, en s’asseyant à côté de moi sur une colline d’où
l’on dominait la mer, l’embouchure du Gotha, la ville entière avec ses
monuments, ses quais, ses ponts, ses canaux, ses promenades et sa
large rue de Sodra Hamngatan, bordée de maisons opulentes. Tous
ces bateaux sont à nous. La flotte marchande de Gotheborg
l’emporte aujourd’hui sur celle de Stockholm. Et voici là-bas les
vaisseaux que nous faisons équiper à nos frais pour une expédition
scientifique au pôle Nord. »
Le soir, avant de partir, nos amis nous entraînèrent au beau
théâtre de Gotheborg. En Suède, comme dans le reste de l’Europe,
la littérature de Scribe et la musique d’Offenbach ont conquis leur
droit de cité : d’étape en étape, la Belle Hélène est arrivée jusqu’au
pôle. Mais, ce soir-là, j’eus l’heureuse chance de voir jouer par des
acteurs indigènes un drame national. C’était, autant qu’il m’en
souvienne, le Sigurd Ring de Stagnelius. Sigurd, roi de Suède, a
rencontré dans une fête la jeune et belle Norvégienne Alfsol ; il est
frappé au cœur par le trait parti des yeux bleus de l’enfant, et il
demande sa main. Mais Sigurd a la barbe blanche, et les frères
d’Alfsol le repoussent avec mépris. Alors le vieux roi fait appel à ses
soldats et marche à leur tête pour enlever celle qu’il aime. Il
s’avance, répandant la terreur sur son passage ; les Norvégiens
tremblent à l’approche du héros, et, se sentant vaincus d’avance, ils
empoisonnent Alfsol au moment du combat, pour dérober à leur
ennemi le prix du triomphe. Sigurd se bat comme un lion, met
l’armée norvégienne en déroute et se précipite aussitôt vers la tente
de la jeune fille. Il ne trouve que son cadavre inanimé. Le chœur,
comme une nourrice qui berce son enfant malade pour l’endormir,
chante doucement le calme du tombeau et le repos bienheureux
qu’on trouve dans le sommeil de la mort. Alors le vieux viking, sans
pousser une plainte, sans verser une larme, soulève la blonde Alfsol
dans ses bras nerveux, l’emporte sur son vaisseau et va se faire
engloutir avec elle par la tempête dans le sein de la mer. Un souffle
profond de mélancolie traverse cette légende des temps héroïques
et barbares, qui me remit vivement sous les yeux, au moment de
quitter la Suède, l’image de la vieille Scandinavie trop longtemps
oubliée.
Une demi-heure après, nous montions sur le bateau la Freya, où
nous avaient précédés nos bagages. La mer était admirablement
tranquille. Jusqu’à trois heures du matin, je restai accoudé sur le
pont, regardant le sillage étincelant de la roue à la surface du flot
sombre et, derrière nous, les lumières et les phares de la côte de
Suède ; rêvant à la mythologie primitive, à Niord et aux dieux Vanes,
nés de cette mer que nous traversons. Presque au sortir du port, la
Freya effleure dans l’ombre un petit bateau qui ne s’est point rangé
assez vite et qu’il manque de couper en deux : la malheureuse
barque tournoie éperdue dans le remous des vagues, et se
cramponne de toutes ses rames à l’entrée du tourbillon qui voudrait
l’avaler. Entre trois et quatre heures, la houle commence à se faire
sentir. Nous pénétrons dans le Cattégat, redoutable aux passagers
novices, et il semble vouloir rester fidèle à sa mauvaise renommée.
Après une résistance de quelques minutes, je jugeai prudent d’aller
chercher un asile et une protection dans les bras du sommeil.
Je m’insinuai donc péniblement en l’un de ces cadres étroits qui
ressemblent aux tiroirs d’une commode. A peine avais-je fermé l’œil,
qu’un rêve bizarre et pénible, vrai cauchemar scandinave, formé par
la triple collaboration du bruit et du mouvement de la machine, du
trouble naissant de mon estomac et des impressions toutes fraîches
que j’avais emportées du théâtre de Gotheborg, vint s’abattre sur
moi.
Je rêvais que je montais de la terre au ciel sur le pont Baffrost,
que garde le géant Heimdal. J’arrivais au pied du chêne Yggdrasil,
dont les rameaux recouvrent l’univers entier, et dont les racines
traversent l’abîme. Sur le chêne était perché l’aigle qui sait tout, et
sous le chêne était assis Odin, avec ses deux corbeaux et son cheval
à huit pieds, entouré des nombreux enfants qu’il doit à la fécondité
de son épouse, la belle Freya. Dans mon rêve, Odin, borgne, roux et
farouche, rappelait, à s’y méprendre, la physionomie du célèbre
directeur d’une grande revue parisienne, qu’il est inutile de nommer.
Freya, la déesse de beauté, m’apparaissait sous les traits d’une
sybille à hélice et à roulettes, où se confondaient, en un horrible
amalgame, la figure de la Vénus septentrionale et celle du bateau
qui portait son nom. Odin fixait sur moi son œil unique, autour
duquel rayonnaient les prunelles immobiles et flamboyantes de
l’aigle et des corbeaux, et sous l’action de ces fauves regards, qui
me dévoraient comme le feu, je me sentais maigrir et fondre
d’épouvante. Mon corps s’évaporait en fumée, et se trouvait réduit
peu à peu à l’état d’une tige flexible, plus mince qu’une branche de
bouleau. Tout à coup, des racines du chêne où elles se tenaient
couchées, s’élançaient trois déesses redoutables, les Nornes
scandinaves : armées de longs ciseaux, comme la Parque classique,
elles voltigeaient autour de moi, marmottant les syllabes des runes
sacrées, et s’efforçant à l’envi de couper le fil qui composait mon
corps. Situation horrible et pleine d’angoisses ! Saisi de vertige, ivre
de terreur, je bondissais pour échapper au tranchant fatal, poursuivi
par le tourbillon vivant qui se rapprochait toujours. Les corbeaux
croassaient des ricanements sinistres ; l’œil d’Odin pétillait d’une joie
sauvage ; l’aigle lui-même poussait des cris d’anthropophage en
gaieté, et aiguisait son bec comme pour se préparer à un bon repas.
Un coup violent me réveilla en sursaut. Dans l’élan de cette
danse désordonnée, j’avais cogné du front contre la paroi supérieure
de mon cadre. Je sautai à bas du lit, heureux d’en être quitte pour
une bosse. Le soleil se levait, à demi plongé encore dans les flots de
la mer. Au loin, à travers un rideau de brume, cinq ou six voiles
apparaissaient çà et là, les unes immobiles, pareilles à des maisons
blanches sur la côte ; les autres rasant les flots, avec un mouvement
onduleux et doux, comme l’aile d’une mouette ou d’un albatros. Puis
Helsingborg éleva sur la gauche la haute tour quadrangulaire de son
église et le formidable bastion en ruines, seul débris qui reste de ses
vieilles fortifications. Vers dix heures, les flèches élancées et évidées
de Kronsborg jaillirent de l’autre côté du Sund, et presque aussitôt
on aperçut Elseneur, développant sur la plage ses lignes de maisons
peintes, entre deux moulins à vent qui égayaient encore ce riant
tableau, aussi peu shakespearien que possible, malgré le souvenir
d’Hamlet. A midi, nous débarquions à Copenhague, et, après avoir
serré la main à nos amis danois, nous repartions le soir vers la
France.
 DE PARIS
A L’EXPOSITION DE VIENNE
JOURNAL D’UN CHRONIQUEUR EN VOYAGE

1873.

La chronique est la très-humble servante de l’actualité, qu’elle

doit suivre et traquer partout. Semblable au chasseur diligent de la
ballade, il faut que le chroniqueur, l’œil à l’affût et l’oreille aux
aguets, soit toujours par monts et par vaux, prêt à s’élancer sur sa
proie partout où elle se montre. Le mot de Mahomet semble fait tout
exprès pour lui servir de devise, et quand la montagne ne vient pas
à lui, c’est à lui d’aller à la montagne.
Voilà pourquoi, profitant des loisirs de l’été, où les événements
font relâche comme les théâtres et prennent leurs vacances comme
les écoliers, je suis allé chercher jusqu’à Vienne l’actualité qui me
fuyait à Paris. Malgré bien des mécomptes et des avortements, le
grand fait de la saison présente est l’Exposition internationale
universelle ouverte le 1er mai dernier dans la capitale de l’Autriche,
et qui se fermera le 31 octobre prochain. Permettez-moi, lecteur, de
vous y conduire, ou du moins de vous mener jusqu’à la porte. Nous
en examinerons ensemble les approches et les dehors, et je laisserai
volontiers à un autre le soin de vous faire franchir le seuil et de vous
guider à travers les innombrables et fatigantes richesses de la Welt-
Austellung. Grâce aux chemins de fer, Vienne est, pour ainsi dire,
dans la banlieue de Paris. C’est l’affaire de trente-six heures, comme
jadis pour aller à Épernay. Mais j’ai suivi le chemin des écoliers. En
voyage, j’aime beaucoup à prendre le plus long pour arriver au but,
et à exécuter des variations et des fugues en zigzags sur la ligne
droite, qui est pour les géomètres le plus court, mais pour les
touristes le plus ennuyeux chemin d’un point à un autre.
Que le lecteur se rassure : je ne l’arrêterai pas à chaque étape. Il
y a longtemps, je le sais, que l’Allemagne est découverte. Il me
permettra de négliger les pierres pour les hommes, l’histoire pour la
chronique, et même, après avoir passé, sans détourner la tête,
devant des monuments recommandés solennellement à l’admiration
des badauds par tous les cicerone, de m’amuser, au prochain sentier,
à courir après les papillons et à cueillir la noisette.

Strasbourg, 5 et 6 juillet.

Je suis parti de Paris par le train de huit heures trente-cinq du

soir, et n’ai fait qu’une traite et qu’un somme jusqu’à Avricourt. Il y a
trois ans, Avricourt était une station insignifiante, qui passait
inaperçue pour la plupart des voyageurs. Il n’en est plus ainsi
maintenant : le démembrement de la France l’a élevé au rang de
station frontière, et ce village est devenu aussi célèbre parmi les
voyageurs de la ligne de l’Est qu’il était autrefois inconnu.
Brusquement et sans préparation, on se trouve en terre
prussienne. Même en y mettant la plus mauvaise volonté du monde,
il est impossible de ne pas s’en apercevoir tout de suite. D’abord, on
vous fait descendre pour la visite des bagages, et pendant ce temps,
les employés français ont cédé la place aux Allemands. Le rauque
coassement des grenouilles du Rhin offusque nos oreilles de toutes
parts. Les quais sont envahis par l’uniforme des employés prussiens ;
une sentinelle allemande se promène l’arme au bras devant la gare
en planches, et le drapeau tricolore — mais où le noir, hélas ! a
remplacé le bleu, comme un signe de deuil — flotte au-dessus de la
porte. Il n’est pas jusqu’à l’heure qui ne change aussitôt : il faut
régler sa montre sur les horloges de Berlin et l’avancer de vingt-cinq
minutes.
J’aborde un employé aux moustaches formidables, à la parole
impérieuse, qui marche avec toutes les allures d’un officier
supérieur :
— Monsieur, à quelle heure serons-nous à Strasbourg ?
Il me répond d’une voix bourrue :
— Hier man spricht Deutsch.
Je m’approche du guichet et je présente un billet de vingt francs
à l’employé, qui secoue la tête de droite à gauche et de gauche à
droite, en me disant : « nein, nein. » Mais il accepte un napoléon, et
me passe en retour, avec mon billet, une foule de ces affreuses
petites pièces blanchâtres, à l’effigie effacée, qui représentent des
kreutzers ou des groschens. On remonte en voiture. Quelques
minutes après, le train s’arrête devant une station encombrée de
longues files de wagons sur lesquels se lit en grosses lettres : Elsass-
Lothringen. « Réchicourt-le-Château », me dit mon Livret-Chaix. —
« Rixingen », me crient en même temps l’employé et l’inscription de
la gare. Non, il n’y a vraiment pas moyen d’oublier que l’on est en
Prusse.
En approchant de Strasbourg, on voit se dessiner à droite et à
gauche les silhouettes des forts bâtis par les Prussiens pour retenir
plus sûrement les habitants de l’Alsace dans les bras de leurs frères
allemands. La Prusse sait comme nous que Vauban était un grand
homme ; mais elle sait aussi — et elle le savait avant de nous l’avoir
appris à nos dépens — qu’on ne résiste pas à des canons fabriqués
en l’an 1870 avec des remparts élevés en l’année 1684.
A peine descendu à l’hôtel, je me suis mis à parcourir la ville. La
première impression est navrante. Ce n’est pas seulement parce que
tous les noms des rues, toutes les affiches placardées sur les murs,
toutes les inscriptions sur les monuments, sont en langue allemande,
sans même faire aux vaincus la concession d’une traduction
française ; ni parce que, si avidement qu’on tende l’oreille, on entend
partout résonner les syllabes gutturales de cette langue, faite,
suivant le proverbe, pour être parlée aux chevaux. C’est aussi à
cause du mouvement de la rue et de la physionomie des passants.
On s’attendait à entrer dans une ville en deuil : on aperçoit les cafés
remplis et les brasseries débordantes. De toutes parts, quand la nuit
tombe, s’élèvent des chansons et des rires. Les ruelles qui avoisinent
mon hôtel s’animent d’un fourmillement tapageur et joyeux. Je
m’endors au son de je ne sais quelles mélodies allemandes braillées
à pleins poumons par les habitués d’un estaminet voisin, et je
m’éveille au bruit d’un cantique allemand, piaulé pendant une heure
par les bambins d’une école primaire située sous mes fenêtres. Mais
bientôt tout s’explique, et cette première impression s’efface. Il ne
faut pas oublier d’abord que Strasbourg, même au temps où il
appartenait de corps et d’âme au vaincu, parlait la langue du
vainqueur, et que c’était en allemand qu’il criait : « Vive la France ! »
Mais surtout il ne faut pas perdre de vue que la ville a été dépeuplée
par l’émigration et repeuplée par une véritable invasion prussienne.
Seize mille Strasbourgeois, au minimum, ont quitté leur petite patrie,
après son annexion à la Prusse, pour rester fidèles à la grande, et
parmi ces exilés volontaires, on compte beaucoup d’hommes du
peuple : célibataires qu’aucun lien n’enchaînait au sol, ouvriers qui
remplissaient les rues au sortir de leurs ateliers, et donnaient à la
ville une physionomie toute française sous son enveloppe alsacienne.
Ce vide a été plus que comblé par l’immigration allemande, car le
chiffre total de la population s’est augmenté de quelques milliers. On
peut dire que Strasbourg est submergé par le flot teutonique, qui
coule maintenant à pleins bords dans le lit déserté par le flot
français.
Les calculs les plus modestes évaluent à vingt mille le nombre
des Prussiens qui sont venus s’établir à Strasbourg. C’est le quart de
la population totale ; c’est plus du tiers, en y joignant la garnison. La
pauvre et prolifique Marche de Brandebourg n’avait garde de
négliger une proie aussi riche. Elle a toujours des nuées d’enfants à
placer. Tous ces besogneux se sont rués à l’assaut du butin, une fois
la place conquise, depuis l’humble marchand en quête d’une
clientèle jusqu’au hobereau en quête d’une place de fonctionnaire.
L’immigration prussienne se compose de trois ou quatre éléments
que voici : d’abord, les gens qui suivent l’armée et en vivent ; puis
l’administration, avec son personnel d’employés ; enfin les
commerçants, si l’on peut appeler ainsi les marchands de tabac (ils
ont triplé à Strasbourg depuis l’annexion) et de salaisons, de
saucisses, de choucroute — delicatessen, disent les Allemands par
un mot bien caractéristique, et qui donne envie de s’écrier avec
Molière : « Où diable la délicatesse va-t-elle se nicher ? » Comme on
le croira sans peine, la Prusse n’est pas représentée là par ses
échantillons les plus purs. Les chevaliers d’industrie, les négociants
en déconfiture, les personnages ayant une situation à cacher ou à
refaire, abondent dans cette population nomade et interlope, qui
s’est déjà renouvelée deux ou trois fois depuis l’annexion.
Les deux courants coulent à côté l’un de l’autre sans se mêler. Il
a fallu renoncer aux manifestations des premiers temps. Cependant
quelques dames substituent encore à la cocarde qu’elles ne peuvent
plus porter de petits bouquets de fleurs disposées dans l’ordre du
drapeau tricolore, ou habillent leurs fillettes de blanc, avec une
ceinture bleue et un ruban rouge au cou. J’ai vu un équipage élégant
attelé de deux chevaux qui portaient un capuchon rouge à houppes
bleues, et frangé de blanc. Puérilités, soit ! Mais qui aurait le courage
d’en sourire ? Le patriotisme les ennoblit et les rend touchantes.
Regardez aussi aux vitrines des libraires : les ouvrages, les journaux,
les gravures, même les images d’Épinal que vous y verrez, tout vous
parlera de la France et vous dira qu’on ne l’oublie point. Mais, encore
une fois, la protestation de Strasbourg est surtout dans la dignité
silencieuse de son attitude et le soin qu’elle met à maintenir la
distance entre son ennemi et elle dans la promiscuité forcée de la
conquête.
Les traces du siége sont toujours visibles, malgré l’activité avec
laquelle on s’attache à les faire disparaître. Il reste bien des vides à
l’entour de la place de Broglie et le long du faubourg de Pierres, où
les obus n’avaient laissé qu’une seule maison debout. La cathédrale
n’est pas absolument guérie de toutes ses blessures, mais il s’en faut
de peu. On achève de rebâtir le Palais de justice. La préfecture et le
théâtre étalent encore leurs mutilations. La Bibliothèque et le Temple
neuf n’ont pas cessé d’être un monceau de ruines. Sur la place
Kléber, l’Aubette, où étaient installés l’état-major de la garnison et le
musée de peinture, dresse sa façade béante et noircie, derrière
laquelle l’incendie a fait le vide. La statue de bronze qui occupe le
centre de la place est restée debout. On lit toujours sur le piédestal :
A Kléber ! ses frères d’armes, ses concitoyens, la patrie ! Et le
général en chef de l’armée du Rhin contemple sa ville natale ravagée
et conquise par ceux qu’il avait tant de fois battus.

Baden-Baden, 7 et 8 juillet.

De Strasbourg j’ai fait une pointe sur Bade, — premier accroc à la

ligne droite. En passant sur le grand pont du Rhin, jadis gardé à un
bout par une sentinelle française et à l’autre par une sentinelle
badoise, je remarque que la Prusse, si soigneuse de faire disparaître
les moindres traces de la nationalité vaincue, a poussé le dédain ou
l’ironie jusqu’à laisser intact l’aigle qui en décore l’entrée. Je ne
saurais dire l’effet navrant que produit en pareil lieu la vue de cet
oiseau, qui semble cloué là désormais en signe d’infamie, comme un
hibou sur la porte d’une grange. A tous les Français qui passent, sa
vue crie : Souviens-toi ! Et je me suis souvenu. Tandis que le convoi
traversait lentement le fleuve majestueux, le souvenir des derniers
jours de l’empire me remontait à la mémoire. Je revoyais en
imagination la séance du 6 juillet, M. de Grammont à la tribune,
mettant la main sur la garde de son épée : j’entendais les longues
acclamations de la Chambre auxquelles répondaient les clameurs de
la rue, les chants guerriers, la Marseillaise, le Rhin allemand de
Musset, avec la musique de Gounod, et les couplets de G. Nadaud :
Malheur à qui brave la France ! chantés sur le théâtre du Vaudeville,
avec accompagnement de drapeaux tricolores, et repris en chœur
par la salle entière. — Vous ne l’avez pas oublié sans doute, joyeux
auteur de Pandore !
Naturellement, les Prussiens ont rétabli l’arche du pont qu’on a
fait sauter, puisque le chemin de fer y passe. Voici Kehl, où les
soldats en garnison à Strasbourg et les commis voyageurs de
passage allaient jadis acheter des cigares en contrebande. Le convoi
fait bravement ses cinq lieues à l’heure, comme la diligence de
Joigny ou le coche d’Auxerre. Parfois il s’arrête au milieu des
champs, sans qu’on sache pourquoi. A chaque station, il flâne et
reprend haleine. On le laisse souffler tranquillement, tandis que les
employés vont boire un bock et que le mécanicien, appuyé sur sa
noire locomotive, engage une conversation sentimentale avec
quelque jeune fille dont on voit passer la tête blonde par la fenêtre
du châlet qui sert de gare, encadrée de clématite et de lierre. Idylle
charmante et digne d’être chantée par Gessner ! Comment se
plaindre d’une patriarcale lenteur qui permet au regard de savourer
à l’aise cette nature verdoyante, ces frais villages dont chacun
semble avoir été fabriqué tout exprès pour le plaisir des yeux et
cette ceinture de collines chargées de ruines féodales qui ferment le
décor ! Tout cela est si joli, qu’au bout d’un quart d’heure j’avais
oublié que j’étais en Allemagne et dans la patrie du général de
Werder.
Voici Achern, où l’on garde les entrailles de Turenne, à un quart
d’heure tout au plus de Sasbach, où le héros fut tué ; Bühl, dont la
vallée produit l’affenthaler, ce bourgogne en miniature du grand-
duché ; Steinbach, la patrie d’Erwin, dont la statue colossale regarde
du haut d’une colline le Munster de Strasbourg. Enfin nous arrivons à
Bade. Une vingtaine de voyageurs descendent du train. Dès qu’ils
apparaissent, les cochers rangés sur leurs siéges les saluent
humblement au passage. L’un d’eux, mis comme un cocher de
grande maison, s’approche de moi et, le chapeau à la main, me
poursuit de propositions obséquieuses, en m’offrant sa voiture au
rabais. A ce premier symptôme, bientôt confirmé par
l’empressement des garçons lorsqu’on arrive à l’hôtel, il est facile de
pressentir la décadence dont on va être témoin.
Qui n’a vu le Bade d’avant la guerre et ne se rappelle le spectacle
unique, éblouissant, étourdissant, que présentaient, à certaines
heures du jour, les abords du Kursaal ? Bade, en ce temps-là, était le
rendez-vous de tous les heureux de ce monde. Princes, banquiers,
artistes, viveurs et courtisanes, se pressaient, se coudoyaient en une
cohue joyeuse, toute imprégnée de parfums et de rires, dans ce
paradis terrestre — un paradis après la pomme — de l’Allemagne et
de l’Europe. Pendant trois mois, Bade devenait la capitale d’un
royaume enchanté. On n’y était occupé qu’à jouir par tous les sens à
la fois. Dans les salons étincelants de marbres, de fresques et de
dorures ; dans le café et la Restauration en plein vent ; le long des
allées où les grands châtaigniers versaient une ombre épaisse,
fraîche comme l’eau d’une source ; autour du kiosque chinois où,
deux fois par jour, un orchestre trié sur le volet passait en revue les
chefs-d’œuvre de la musique, c’était comme un fourmillement
radieux, une mêlée d’élégance et de raffinements. On ne rencontrait
que visages souriants, épanouis par la bonne chère et allumés par la
fièvre du plaisir. Les bals, les spectacles, les concerts, les
promenades, les dîners et le jeu, se disputaient chaque heure du
jour et de la soirée. Le tintement de l’or se mêlait au bruit des
violons et au choc des verres ; à la chanson des sylphes la chanson
de Marco. Lorsqu’un pauvre diable était décavé, il se gardait de faire
tache au tableau. Se sentant déplacé en si charmante compagnie, et
honteux de montrer sa figure maussade dans ce pays de la joie, il
prenait aussitôt le chemin de fer, à moins qu’il ne préférât se faire
sauter la cervelle dans un coin. L’amphytrion de ces lieux
enchanteurs, pour ne point attrister ses hôtes, poussait la
munificence jusqu’à lui payer le voyage ou les frais d’enterrement, et
le trouble-fête disparaissait sans que personne s’en aperçût.
Le cadre est resté le même, mais le tableau est bien changé.
Bade a gardé ce merveilleux décor où l’art vient en aide à la nature
sans pouvoir l’égaler ; mais l’herbe pousse dans l’allée des Soupirs et
l’avenue de Lichtenthal, sur le chemin de la Chaire-du-Diable, de la
Gorge-aux-Loups et du Vieux-Château. Le concierge de la Favorite se
promène comme une ombre dans son ermitage désert, tenté de
revêtir le cilice et de s’appliquer la discipline dont l’exhibition lui a
valu tant de pourboires. Les marchandes de la grande allée ne font
plus leurs frais, et l’une d’elles, en me proposant des cigarettes
turques, m’a confié son intention de venir à Paris pour y vendre des
gâteaux de Nanterre dans une baraque des Champs-Élysées. La
maison de Conversation a imaginé de suppléer aux recettes d’antan
en demandant 18 kreutzers par jour pour octroyer la jouissance,
qu’on ne se dispute pas, de ses lambris dorés, de son cabinet de
lecture et de ses concerts. Quelques maniaques y jouent, du matin
au soir, l’écarte à 25 centimes la fiche, comme dans la partie
classique, chez le percepteur, et deux ou trois malades y causent
tout bas à l’écart. Jamais, au temps du trente-et-quarante, on n’avait
tant conversé dans la maison de Conversation.
Vers deux heures, au moment où l’orchestre attaquait l’ouverture
du Domino noir, je suis allé m’asseoir sur la terrasse du café. Une
douzaine de promeneurs erraient mélancoliquement aux alentours
du kiosque, et la Restauration, théâtre jadis de tant de joyeuses
folies, et où l’on faisait si galamment sauter les bouchons de
madame veuve Cliquot, offrait la morne physionomie d’un restaurant
de sous-préfecture. J’interrogeai l’un des garçons, un Badois pur
sang, mais qui a servi à l’Exposition de 1867, à Paris, et pris dans ce
séjour une légère teinte de la langue et de l’esprit du boulevard :
« Ah ! Monsieur, me dit-il, depuis que le moulin ne tourne plus (le
moulin, c’est la roulette), nos beaux jours sont passés. Plus
d’Anglais, plus de Russes !
— Et des Français ?
— Presque plus… Il y en a bien encore quelques-uns, ajouta-t-il
en clignant de l’œil d’un air très-malin ; seulement ils se font passer
pour Belges.
— Alors de quoi se compose actuellement votre clientèle ?
— De malades qui vivent de régime, et d’Allemands, de Prussiens
surtout. Mauvaise pratique, Monsieur. Encore si c’étaient des
Viennois ! Le Prussien se gorge de bière, s’empiffre de bœuf aux
confitures, fume une demi-douzaine de cigares d’un sou, et se croit
magnifique en donnant deux kreutzers de trinkgeld au garçon. »
En ce moment, une voix rogue cria à l’autre bout de la salle :
« Kellner !
 — Vous allez voir, me dit tout bas le garçon : c’est une famille de
Prussiens. »
Il s’approcha de la table, où le père, la mère et trois enfants
venaient d’achever leur déjeuner, fit l’addition et reçut l’argent. En
passant à côté de moi pour le porter au comptoir, il ouvrit à demi la
main gauche où était tapie une petite pièce de billon :
« Un gros », souffla-t-il sans s’arrêter.
Nous aurions voulu pouvoir attribuer exclusivement à l’absence
des Français la décadence de Bade ; mais la vérité nous force de
reconnaître que la principale cause est dans l’abolition des jeux.
Qui sait ? A mesure que les souvenirs de rouge et noire iront
s’effaçant, peut-être s’apercevra-t-on que les eaux de Bade ne sont
pas des eaux de fantaisie faites pour servir de prétexte et d’excuse
aux viveurs, excellentes seulement pour les gens qui se portent bien
et contre les maladies qu’on n’a pas, mais qu’elles sont souveraines
contre la névralgie, la névrose, les maux d’estomac et les
rhumatismes.

Carlsruhe, 10 juillet.

Je ne saurais trop engager mes lecteurs, s’ils voyagent jamais en

Allemagne, à bien étudier d’avance leur itinéraire dans le Hendschel’s
Telegraph. C’est pour ne pas m’être suffisamment conformé moi-
même à ce sage conseil que je me trouve conduit à le répéter aux
autres. Les employés allemands ont le tort de ne point crier à haute
voix le nom de chaque station, et quand ils s’y décident, leur
prononciation germanique déroute une oreille étrangère. Il suffit
d’un moment de distraction pour déranger toute l’économie d’un
voyage.
C’est ainsi qu’en allant de Bade à Carlsruhe, j’ai failli arriver à
Fribourg. Il y a là tout un drame, que je veux vous conter dans sa
simplicité saisissante, sous ce titre qui semble si bien fait pour
l’affiche de l’Ambigu :

LE DRAME D’OTTERSWEYER.
 C’était mercredi dernier, par une de ces journées meurtrières où
le soleil change les wagons en rôtissoires. Il faisait un temps à ne
pas mettre un Cafre dehors. J’avais pris un billet pour Carlsruhe, et
je cuisais consciencieusement dans mon coin. A Oos, le train s’arrête
et tout le monde descend. Je fais comme tout le monde. Rivé à mes
deux valises ainsi qu’un forçat à ses fers, la gibecière et la jumelle se
croisant en bandoulière sur ma poitrine, le parapluie sous le bras, le
paletot jeté sur l’épaule, je cherche sur le quai l’ombre d’un poteau,
comme l’Arabe cherche au désert l’ombre d’un palmier.
Tandis que je souffle et m’éponge, un autre train arrive en gare.
Tout le monde se précipite et l’envahit en un clin d’œil ; mon premier
mouvement est de faire encore comme tout le monde. Néanmoins,
en homme prudent et qui ne donne rien au hasard, j’interroge un
employé qui passe : « Carlsruhe ? — Ia. » Je ressaisis vaillamment les
deux valises, la gibecière, la jumelle, le parapluie, le par-dessus, le
Livret-Chaix, le Guide-Joanne, et je m’insinue, en me faisant hisser
par cet employé complaisant, dans un wagon déjà presque plein, où
mon entrée parmi d’autres compagnons de voyage non moins
fournis en colis que moi produit l’effet de la tête de Méduse.
« Carlsruhe ? » redemandé-je encore d’un air aimable, avant
même de m’asseoir. Six de mes compagnons restent muets : ils
n’ont pas compris, malgré toute mon application à bien donner
l’accent germanique. Le septième n’a pas compris davantage, mais il
ne veut pas l’avouer, même par son silence. « Ia », répond-il. Là-
dessus, ma conscience est en repos : je fourre une valise entre mes
jambes, j’installe l’autre sur mes genoux, — la seule place qui reste
disponible, — et je me rasseois, avec un soupir de soulagement,
dans l’éternel rayon de soleil qui recommence aussitôt mon
ébullition.
Une station se passe, puis une deuxième, puis une autre encore.
A la gare de Bühl, le train se livre, avec la placidité germanique, à
une interminable et incompréhensible manœuvre qui dure près de
trois quarts d’heure. Je trouve le temps long, le soleil chaud et ma
valise lourde. Vers la fin de la manœuvre, un employé se montre à la
portière et demande les billets. C’est le même que j’ai consulté à
Oos, et qui m’a répondu par un ia si coupable. Il me reconnaît et
donne des signes d’agitation à ma vue. Puis il se répand en
explications verbeuses, qu’il éclaire d’un geste éloquent, en me tirant
par le bouton de mon habit. J’ai compris, je me lève ; mais à peine
ai-je saisi une faible partie de mon arsenal de voyage qu’il se ravise,
me repousse, s’échappe, court consulter le chef de gare sur le fait
insolite qui s’est produit. J’attends anxieux. Il revient et me saisit par
le bras. Cette fois, la chose est définitive : il faut descendre. Je
rassemble autour de moi le parapluie, la gibecière, les valises,
comme une poule fait de ses poussins, et j’allonge la jambe. Tout à
coup, le train s’ébranle, l’employé me rejette en arrière, nous voilà
partis !
Mais une minute après, son honnête face éplorée se remontre à
la portière. Là il recommence des explications que j’écoute avec le
calme du désespoir et de l’ahurissement. Pas un de mes
compagnons ne comprend le français. Enfin, il se trouve dans le
compartiment voisin un jeune homme qui s’offre pour interprète
avec la plus cruelle obligeance : il me traduit péniblement les paroles
de l’employé dans un idiome informe qui tient de l’auvergnat et du
sanscrit plus que du français, et il embrouille si bien les choses, que
je finis par n’y plus rien comprendre du tout.
Le train s’arrête et l’on me pousse sur la voie : c’est le plus clair.
Mélancoliquement assis sur mes valises, comme Marius sur les
ruines de Carthage, je regarde autour de moi, et ne vois que les
champs qui verdoient et le chemin qui poudroie. Solitude absolue.
J’éprouve le sentiment de Robinson dans son île déserte, car je
n’aperçois même pas la cabane servant de gare qui s’élève du côté
opposé de la voie. Mais quand l’immense convoi a défilé, en ayant
l’air de me saluer d’un coup de sifflet ironique, alors il dévoile à mes
yeux la station et, sur le seuil, un vieux gardien à figure placide, en
manches de chemise, fumant dans une superbe pipe de porcelaine,
et fort intrigué de voir descendre à Ottersweyer un voyageur en
chapeau, chargé de plus de colis qu’il n’en a vus depuis
l’établissement du chemin de fer. Avec l’aide un peu gouailleuse
d’une bande d’étudiants qui vint à passer tout à point, sac au dos, je
parvins à faire comprendre mon cas au brave homme, et à
comprendre moi-même qu’il me fallait attendre quatre heures dans
ces solitudes avant de pouvoir revenir sur mes pas !
Pour mettre à son comble l’intérêt du drame, le tonnerre grondait
sourdement depuis quelques minutes, et l’orage éclata tout à coup
avec la violence d’une tempête des tropiques. Impossible de rester
dans l’étroite station, que mes colis encombraient et dont l’air
semblait n’avoir pas été renouvelé depuis le printemps dernier. Je ne
pouvais songer à rouvrir, pour en extraire du moins un volume, mes
malles, ficelées et bouclées avec luxe, et que j’avais eu mille peines
à fermer le matin. Mais tandis que je ruminais ces choses avec
accablement, j’aperçus à cinquante pas une maisonnette sur laquelle
s’étalait, en lettres qui me parurent rayonnantes, l’enseigne :
Bierwirthschaft. Robinson ne fut pas plus heureux quand il découvrit
dans son île la marque du pied de Vendredi.
Il faut être condamné à un séjour forcé de quatre heures à
Ottersweyer pour savoir tout le plaisir qu’on peut éprouver à boire la
liqueur du houblon. Je n’aurais jamais cru que ce breuvage amer pût
devenir si doux. O grand roi Gambrinus, sois béni ! Ce qui s’est bu de
choppes dans le Bierwirthschaft d’Ottersweyer le mercredi 9 juillet,
entre une heure et quatre heures de l’après-midi, est un secret entre
ma conscience et moi. L’orage s’était déchaîné dans toute sa
violence, comme si la nature eût voulu s’associer au trouble de mon
âme. La grêle et la pluie faisaient rage ; les éclairs embrasaient le
ciel ; le tonnerre roulait en un grondement continu et tombait à
coups précipités. On eût dit un drame de Werner. Et je buvais d’un
front serein, entre une demi-douzaine de poules qui gloussaient,
deux enfants qui pleurnichaient, quatre charretiers en manches de
chemises dont les gros rires ébranlaient les vitres, et une hôtesse
compatissante et bavarde, qui, flairant une catastrophe, s’obstinait à
me prodiguer des consolations dont je n’entendais pas un mot.
Mais tout s’épuise en ce monde, même la soif d’un voyageur
altéré par 40 degrés de chaleur à jet continu. Au bout d’une heure,
j’avais examiné à fond le paysage, — je le sais encore par cœur
aujourd’hui et le peindrais les yeux fermés, — compté les tas de
fumier, noté toutes les faneuses et les voitures de foin attelées de
bœufs qui passaient sur la route. Au bout de deux heures, j’en étais
réduit à compter les taches de mouches sur les vitres : cette
excellente idée m’occupa longtemps, mais enfin je trouvai le total, et
il fallut passer à un autre exercice. Ma montre, que je tirais à chaque
minute par une sorte de tic nerveux, marchait avec une lenteur
prodigieuse, comme si elle eût été enchaînée par un enchanteur.
Enfin j’avise les cadres de la salle. Un à un, avec la conscience d’un
expert examinant un Hobbema, je les contemple et les savoure. Au-
dessus de ma tête, une lithographie porte cette inscription en
français : Vue de Saint-Malo, prise du Tallard par un beau temps et
par un changement de vent. Qu’est-ce que le Tallard ? Je me creuse
la tête et fouille mes plus lointains souvenirs. Je connais bien le
maréchal de Tallard, sous Louis XIV, mais évidemment ce n’est pas
lui qui a été pris par un beau temps et par un changement de vent !
Il faudra que je m’informe. — Ah ! décidément, nous n’apprenons
pas assez l’histoire de France !
Un nouveau coup de tonnerre ébranle la maisonnette. La porte
s’ouvre, et livre passage à un cinquième charretier, ruisselant comme
un fleuve. Il s’assied à une table voisine, et demande du fromage,
qu’il mange avec appétit. Cet homme paraît heureux : les éclairs et
la foudre l’environnent ; il n’y fait pas attention. Je l’envie ;
malheureusement je n’aime pas le fromage.
Je finis par découvrir, à une centaine de pas en arrière, le village
caché derrière les arbres. Pendant une demi-heure, le parapluie en
main, je me suis promené à travers les rues d’Ottersweyer, inondées
par l’orage, qui, en nettoyant les étables et leurs appendices, avait
empli les rigoles d’un liquide épais et jaunâtre, où piétinait avec
bonheur la jeunesse aux pieds nus des deux sexes. On voyait rentrer
précipitamment les charrettes de foin escortées de faneuses le
râteau sur l’épaule, et l’on entendait les mugissements des bœufs au
fond des écuries. Partout des arbres, de la verdure, des jardins et du
fumier. Comment vous dire le saisissement des indigènes devant ce
touriste en chapeau noir, la gibecière au cou, qui se promenait avec
gravité par leurs rues ? Ils s’appelaient les uns les autres pour se
montrer ce noble visiteur d’Ottersweyer, et je voyais à chaque pas
les figures se coller aux vitres et les habitants apparaître au seuil de
leurs maisons. Après m’avoir contemplé les yeux écarquillés et la
bouche béante, deux adorables bambines aux cheveux blonds se
rapprochent en sautillant, et m’éclaboussent en me demandant un
trinkgeld. Un rayon de soleil qui perce les nuages éclaire cette idylle
encrottée, ce lied naïf traduit par Champfleury, cette pastorale de
Gœthe peinte par Courbet.
J’ai trouvé au cabaret d’Ottersweyer un exemple singulier du
rayonnement de la France jusque dans les villages de l’Allemagne. La
grande salle est décorée de six lithographies représentant les sujets
suivants : Jean Bart à l’abordage du Prince-de-Frise ; Vue de Saint-
Malo, prise du Tallard par un beau temps et par un changement de
vent ; Bataille de Solférino ; portraits du grand-duc Frédéric, de S. M.
Guillaume, empereur d’Allemagne, et de Napoléon Ier.
Le temps et l’espace me défendent de prolonger davantage cette
sombre histoire et de vous expliquer comment, après avoir attendu
quatre heures, je faillis manquer le train pour n’avoir pas su attendre
trois minutes de plus. Mais le récit de ce nouvel incident et de
quelques autres nous mènerait trop loin. Il suffira d’ajouter que le
drame d’Ottersweyer eut pour heureux dénoûment, vers la nuit
tombante, la conquête d’un lit bien mérité dans une des branches de
ce grand phalanstère bâti par un marchand d’éventails, qu’on appelle
Carlsruhe.
Moralité du drame : se défier des lignes à embranchements
lorsqu’on ne sait pas la langue du pays. Cette morale est courte,
simple, claire et pratique. On fera bien de la suivre en voyage.
Sans ce fâcheux incident, je comptais ne faire à Carlsruhe qu’une
promenade entre deux trains. Il n’en faut pas davantage, en effet,
pour voir cette ville monotone, qui serait, je crois, la plus triste et la
plus ennuyeuse de l’Allemagne, si Manheim n’existait pas. Carlsruhe
l’emporte sur Manheim de toute la supériorité pittoresque d’un
éventail sur un échiquier. C’est une maladie particulière au grand-
duché de construire ainsi ses villes sur des plans mathématiques, à
la façon des pénitenciers.
 Les habitants de Carlsruhe ne comprennent rien au dédain de la
plupart des voyageurs : ils se croient victimes d’un préjugé, d’une
injustice ou du mauvais goût. Ceux avec qui j’ai causé m’ont paru
persuadés qu’ils habitaient la plus belle ville de l’Europe. Et, en effet,
la capitale du grand-duché est le type idéal du style que M.
Haussmann et ses imitateurs ont voulu mettre à la mode dans ces
derniers temps, aux applaudissements des esprits éclairés ; le
modèle accompli de la ville neuve, propre et rectiligne. Elle marie la
ligne droite à la ligne courbe dans un ensemble d’une régularité
absolue. Rien n’y est laissé au hasard ; rien n’est abandonné à
l’initiative individuelle : les maisons sont bâties par le grand-duc et
par la ville sur un modèle uniforme, pour être louées aux
particuliers. Dans ma promenade à travers Carlsruhe, je suis tombé
sur un quartier monumental qu’on est en train de construire, vis-à-
vis d’un nouvel édifice destiné à réunir la Bibliothèque et les Musées,
et qui est fermé d’une grille. Les locataires seront là encasernés dans
des palais.
Ce grand éventail, dont une quinzaine de rues, rayonnant autour
du château ducal, forment les lames, reliées entre elles par d’autres
rues semi-circulaires, avec de petites places triangulaires dans les
intervalles, est charmant sur le papier, mais insupportable dans la
réalité. Au fond, il n’y a qu’une seule rue dans la capitale du grand-
duché : la Karl-Friederichs-Strasse, qui conduit en droite ligne de la
gare au château. Joignez-y, si vous voulez, la Lange-Strasse, qui la
coupe à angle droit. C’est dans la première qu’on a accumulé tous
les hôtels et tous les monuments : le buste colossal du grand-duc
Charles, la statue du grand-duc Louis, la lourde pyramide de grès
rouge, d’un effet si bizarre, élevée en l’honneur du margrave
Charles-Guillaume, l’hôtel de ville, l’église protestante avec sa
colonnade corinthienne, la statue de Charles-Frédéric sur la place du
château, ornée de parterres et de pelouses qui ressemblent à des
figures de géométrie. C’est dans cette rue centrale que s’est réfugié
aussi le peu de mouvement et de commerce d’une ville qui semble
presque exclusivement habitée par des fonctionnaires et des
rentiers. Les autres voies ne mènent à rien, et comme, tout en
partant du même point que la précédente, elles s’éloignent dans les
directions les plus divergentes, elles ne sont fréquentées que par
leurs habitants. Il m’a pris fantaisie d’en suivre une, et, après dix
minutes de marche, pendant lesquelles j’avais été épié, dévisagé,
scruté et retourné sous toutes les faces, comme une proie envoyée
par la Providence, à l’aide des miroirs placés à toutes les fenêtres, je
dus faire un circuit d’une demi-lieue pour rejoindre le centre.
C’est une imagination qui donne certainement l’idée la plus
avantageuse des sentiments monarchiques des Badois que d’avoir
pris ainsi le palais ducal pour point de départ de leur capitale et d’y
avoir rattaché toutes leurs rues comme au but et à la fin dernière de
la ville. Il en résulte que, de sa chambre à coucher, le grand-duc
peut surveiller ce qui se passe autour de lui et faire sa police lui-
même, absolument comme le gardien de Mazas embrasse d’un coup
d’œil tous les couloirs qui viennent aboutir à son poste central. Je ne
saurais trouver de comparaison plus juste. Carlsruhe tient à la fois
de la prison, de la caserne, du couvent et du phalanstère. On dirait
un chef-lieu des Frères Moraves. De flegmatiques Allemands peuvent
seuls habiter cette capitale cellulaire sans y être poussés au spleen
et au suicide.
Une ville est l’œuvre du temps, comme une forêt. Il faut que les
rues poussent, que les maisons se groupent, que les édifices sortent
de terre au gré des besoins et par la lente et naturelle floraison des
siècles. Les fondateurs qui croient se ménager toutes les chances en
bâtissant une cité comme un monument, d’un seul jet et sur un plan
tracé par un ingénieur, n’ont jamais réussi qu’à faire des nécropoles
comme Versailles, ou des capitales d’une régularité glaciale et d’une
vie factice comme celle du grand-duché.

Heidelberg, 11 juillet.

Au sortir de Carlsruhe, j’ai fait un second et plus considérable

accroc à la ligne droite en prenant la route de Heidelberg : je voulais
me dédommager de cette ville neuve en contemplant les ruines du
vieux château. Dès qu’on est descendu de wagon et qu’on a dépassé
la porte de la gare, l’aspect est charmant, mais ne répond pas du
tout aux idées qu’éveille le nom d’Heidelberg : on croirait entrer
dans une réunion d’élégantes villas, à demi cachées au milieu des
arbres. Resserrée et blottie, pour ainsi dire, entre le lit du Neckar et
les flancs boisés du Kœnigsthul, l’ancienne capitale du Palatinat
s’allonge dans l’étroite vallée comme un serpent au soleil. En suivant
les deux longues rues qui mènent d’une extrémité à l’autre, je passe
successivement devant les bâtiments modernes de l’antique
Université, qu’anime l’incessant va-et-vient des étudiants et des
professeurs ; devant l’église Saint-Pierre, où Jérôme de Prague
afficha ses thèses hérétiques ; l’église du Saint-Esprit, temple
éclectique où les deux cultes vivent côte à côte, séparés par une
barrière comme celle qu’on met dans les docks entre marchandises
de provenances diverses, et associant ainsi, en une sorte de
promiscuité choquante, la vérité à l’erreur et Dieu à l’esprit malin ;
enfin, devant la Maison du Chevalier, qui tranche vivement, par son
architecture et la teinte brune de sa façade curieusement ouvragée,
sur les maisons sans caractère, sans style et sans âge dont elle est
flanquée à droite et à gauche. Avec l’église voisine, les ruines du
château et le vénérable pont de pierre où la statue de Minerve fait
pendant à celle de l’électeur Charles-Théodore, c’est à peu près
l’unique épave du vieil Heidelberg. Elle a traversé seule, comme la
salamandre, sans recevoir aucune atteinte, les bombardements et
les incendies qui, trois fois en moins de soixante ans, n’ont fait
autour d’elle qu’un amas de décombres fumants de cette
malheureuse ville, qui fut peut-être, de toutes les villes d’Europe, la
plus souvent assiégée, saccagée et ruinée.
J’avais une lettre pour un jeune Français, porteur d’un nom
illustre, qui s’est fixé à Heidelberg dans l’unique but d’y apprendre à
fond l’allemand. Par les jardins de sa maison de la Karl-Strass, et par
des sentiers délicieux, fermés à la banale invasion des touristes, à
travers la fraîcheur des épais ombrages qui me faisaient songer au
gelidis in montibus Hæmi de Virgile, nous sommes montés jusqu’au
château. Je n’entreprendrai pas, on peut le croire, de décrire, après
M. Victor Hugo, ce merveilleux entassement de terrasses, de
galeries, de tours, de façades dans tous les styles, de salles dans
tous les genres et toutes les dimensions, de perrons, de bassins, de
pavillons, d’arcs de triomphe, de souterrains, de fossés, de cours, de
casemates, d’arsenaux, de musées et de cachots ; véritable
mosaïque de palais juxtaposés et soudés les uns aux autres dans un
prodigieux ensemble, ouvrage de tant de siècles et de tant d’artistes
dont pas un n’a laissé son nom gravé au coin d’une pierre, sur lequel
se sont acharnés, sans pouvoir l’anéantir, les boulets, les obus, les
feux des hommes et le feu du ciel, et qui, après avoir logé vingt-trois
générations de cette illustre maison palatine issue de Charlemagne
par les femmes, ne loge plus aujourd’hui qu’un concierge et un
tonneau !
J’ai passé de longues heures à savourer tous les détails de cette
ruine admirable, dont bien peu de monuments égalent la beauté ; les
cinq tours qui lui restent, surtout la tour fendue, construction
cyclopéenne, ouverte par une large blessure dans la formidable
épaisseur de ses murs de granit, et dont un tronçon gigantesque gît
dans le fossé, comme le cadavre d’un Titan abattu ; la sévère façade
du Nord, sur laquelle les atteintes des bombes et de la flamme ont
infligé aux statues des empereurs et des princes palatins des
mutilations bizarres où le grotesque se marie au terrible ; la riante
façade de l’Est, toute fleurie des grâces mythologiques, où le goût
de la Renaissance italienne éclate avec une richesse et une pureté
ravissantes. Partout des silhouettes majestueuses, des lignes
grandioses, des morceaux exquis ou superbes, reliés les uns aux
autres par ces harmonies que la nature jette sur les ruines. Partout
des gazons, des feuillages, des fleurs, des rideaux de lierre et des
tapis de mousse. Chaque embrasure ouvre des perspectives
magnifiques ; chaque pas qu’on fait apporte un éblouissement
nouveau. Si beau que fût le palais dans sa gloire, sa ruine est certes
plus belle encore. Il ne pouvait avoir ni cette majesté imposante, ni
ce mystère qui en accroît la grandeur, ni cette unité où viennent
s’effacer et se fondre les disparates d’une architecture multiple qui
va du quatorzième siècle au dix-huitième. Il semble que l’état actuel
du château de Heidelberg soit son état normal, qu’il ne pourrait être
autrement, et que celui qui déferait cette ruine serait plus barbare
que celui qui l’a faite. La réparation dépasserait le sacrilége de la
destruction. Cela est si beau qu’on oublie presque d’en vouloir aux
moyens sauvages qui ont créé cette incomparable ruine, et qu’il faut
un effort sur soi-même pour ne pas applaudir à leur œuvre.
On a pratiqué un café-restaurant dans le palais. En Allemagne, il
faut toujours songer au boire et au manger. Aussi le spectacle des
souterrains du château transformés en caves ne nous a-t-il point
choqué autant que M. Victor Hugo. La fantaisie pantagruélique dont
il a tiré de si belles antithèses nous a paru, au contraire, toute
ruisselante de couleur locale. Ces électeurs étaient gens solides, qui
buvaient sec — à l’allemande, comme disaient nos pères — et
aimaient qu’on bût de même autour d’eux. L’ivrognerie s’associait à
l’héroïsme dans les idées populaires et même dans les chants
épiques. Les braves des Niebelungen boivent comme ils se battent et
répandent le vin comme le sang. Lisez les Mémoires édifiants où
Hans de Sweinichen nous raconte sa vie et celle de son noble maître
Henri, duc de Liegnitz (seizième siècle) : c’est un long tissu
d’aventures étranges où les exploits bachiques tiennent
continuellement le haut bout. Vous y verrez toute la place
qu’occupait le vin du Rhin dans la vie aristocratique et féodale de
l’Allemagne. On eût cru recevoir froidement son hôte si on ne l’avait
enivré. Les tournois chevaleresques avaient pour pendants des
joutes bachiques, et, dans chaque cour, on élevait quelque monstre,
chargé de divertir le maître et de soutenir dans ces luttes l’honneur
de la maison par sa soif inextinguible. Le nain bouffon de Charles-
Philippe, Perkeo, dont on voit dans la cave la statue en bois,
difforme et grimaçante, tarissait ses quinze doubles bouteilles de vin
du Rhin chaque jour, et ce côté de son talent n’était pas le moins
apprécié. C’est pourquoi le gros tonneau est parfaitement à sa place
dans la crypte d’Heidelberg.
Avez-vous remarqué le goût du public pour les gros tonneaux ?
On lui en montre partout, et il ne se lasse jamais de ce genre de
curiosités. Il y en avait un à l’Exposition universelle de Paris, et ce
fut un des succès les plus incontestés du champ de Mars. Il y en a
un à l’Exposition de Vienne. J’en ai vu une collection imposante dans
la Grande-Cave de Berne. Mais le plus monstrueux n’est qu’une
humble futaille à côté de ce monument, vénérable d’ailleurs par son
âge plus que séculaire autant que par sa masse. Il tient près de
300,000 bouteilles, et il a été trois fois, dans le cours de son
existence, rempli de vin du Rhin. On y monte par un escalier comme
au sommet d’une tour, et les visiteurs s’amusent parfois à danser un
quadrille sur la plate-forme qui le recouvre, comme fit l’électeur
Charles-Théodore avec sa cour, la première fois qu’on fut parvenu à
l’emplir.
Après une promenade sur la terrasse et dans les jardins, nous
étions assis à une table du café, quand un grand jeune homme au
visage tailladé, coiffé d’une casquette blanche, qui buvait sa
quatrième choppe à la table voisine, vint serrer la main à mon
compagnon. Celui-ci nous présenta l’un à l’autre. Le jeune homme
était un étudiant, portant sur sa casquette la couleur de sa
corporation, et dans la balafre qui sillonnait son front les traces de
son humeur batailleuse et de sa fidélité aux vieilles traditions du duel
universitaire.
« Eh bien, Monsieur, me dit-il, vous êtes venu contempler
l’ouvrage de vos compatriotes ?
— Oui, Monsieur, répondis-je, surpris de cette brusque attaque.
En venant, j’ai passé par Strasbourg, et au retour j’ai l’intention de
passer par Bazeilles.
— Ceci a tué cela, Monsieur, comme dirait l’auteur de Notre-
Dame de Paris.
— Comment ! c’est parce que Louvois et Louis XIV ont donné, en
1689 et en 1693, l’ordre de détruire le château d’Heidelberg, que
vous avez bombardé Strasbourg, brûlé Bazeilles et Châteaudun en
1870 ! Votre haine contre la France remonte jusque-là ?
— Elle remonte plus haut, Monsieur.
— Peut-être, comme celle du teutomane dont parle Henri Heine,
jusqu’à la mort de Conradin de Hohenstaufen, décapité à Naples par
Charles d’Anjou ?
 — Plus haut, Monsieur, plus haut… Vous allez à l’Exposition de
Vienne ?
— Oui, Monsieur.
— Eh bien ! regardez à votre entrée, dans le grand Salon, le
tableau de Piloty qui représente Thusnelda, la femme d’Hermann
(que vous appelez Arminius, je crois), au triomphe de Germanicus.
Voilà le premier anneau de la haine allemande.
— Contre la France ?
— Contre les races latines, Monsieur.
C’est bien possible, après tout. L’Allemagne est patiente, parce
qu’elle se croit éternelle. Elle est capable de couver sa vengeance
pendant des siècles. Tout germe lentement, mais sûrement, dans
ces têtes carrées qui mettent huit jours à ruminer un bon mot et
toute leur vie à nourrir une idée. Leur ressentiment n’a fait que
s’exalter, au lieu de s’assouvir, par la défaite et le démembrement de
la France. Cet étudiant était un Prussien de la Poméranie : on est
peu exposé à de pareilles rencontres, non-seulement dans
l’Allemagne autrichienne, mais au sud du nouvel empire, dans le
Grand-Duché, le Wurtemberg, la Bavière même, dont les habitants
diffèrent du Prussien autant que le Napolitain du Piémontais.
« Vous venez de voir là, me dit mon compagnon, lorsque notre
interlocuteur fut parti, un des plus beaux types de ce qu’on appelle
le mangeur de Français. Tous les soirs, à la brasserie, il braille
pendant deux heures la Garde du Rhin ou la Patrie de l’Allemand. Le
mois prochain, il proposera à sa corporation de changer la couleur
blanche de sa casquette contre la couleur rouge, image du sang
français, comme dit Kœrner. Ce qui ne l’empêche pas de rechercher
les Français, dont il parle très-bien la langue, de lire nos auteurs et
nos journaux avec passion, quitte à les traiter après de corrupteurs
de la morale publique, de se cotiser avec deux ou trois amis pour
comprendre le Figaro, et de m’interroger sans cesse sur Paris, qu’il
brûle d’aller voir, tout en le qualifiant de Sodome. Au fond, il y a de
l’amour dans sa haine. »
 Et puis, ces cerveaux allemands ont toujours un petit coin qui
n’est pas bien net.
C’est égal : la réponse n’était pas facile devant les ruines du
château de Heidelberg. Cette destruction, dont la seule pensée
éveillait la princesse Palatine en sursaut dans sa chambre à coucher
de Versailles et la faisait pleurer à chaudes larmes pendant la nuit,
avait excité l’horreur et la pitié des exécuteurs eux-mêmes. « Je ne
crois pas que de huit jours mon cœur se retrouve dans sa situation
ordinaire », écrivait, le 4 mars 1689, le comte de Tessé à Louvois, en
lui rendant compte de l’accomplissement de ses ordres. J’imagine
qu’en voyant passer dans la cour de Versailles le roi Guillaume, qui
allait se faire couronner empereur d’Allemagne, Turenne, qui garde
avec Condé l’entrée du palais de Louis XIV, a dû se souvenir du
Palatinat.

Stuttgard, 12 juillet.

C’est à la station de la jolie petite ville de Bruchsal, s’il m’en

souvient bien, que l’on quitte les wagons badois pour entrer dans
ceux de la compagnie wurtembergeoise. A ce propos, l’équité veut
que je fasse réparation d’honneur aux chemins de fer allemands.
Deux choses y choquent d’abord le voyageur français : ils vont
lentement, et ils n’allouent pas de bagage aux voyageurs. Sur le
second point il faut passer condamnation, à moins qu’on ne voyage
en touriste expert, avec des valises portatives qu’on peut toujours
loger à côté de soi, et pour lesquels les employés se montrent fort
tolérants. Quant au premier point, on apprend bien vite à connaître
les trains rapides, qui coûtent plus cher que les autres, mais
marchent aussi vite qu’en France, et sont vraiment les seuls
praticables pour les gens forcés de compter avec le temps. Ces deux
questions réglées, les chemins de fer allemands ont des mérites qui
les recommandent au respect des voyageurs et à l’étude de nos
compagnies françaises. Leurs secondes sont construites sur le
modèle de nos premières, qu’elles égalent en élégance et en
confortable. Elles ont des filets pour les bagages, et, comme tout le
monde fume en Allemagne, on pousse la précaution jusqu’à y
installer l’attirail nécessaire pour recevoir la cendre et les bouts
d’allumettes. Même supériorité pour les gares qui, jusque dans les
petites villes, sont des monuments dont les nôtres n’approchent pas.
En Wurtemberg, c’est mieux encore. Les wagons sont vastes,
largement éclairés, avec un couloir entre les places qui permet de
passer d’une voiture à l’autre, et, aux extrémités, des plates-formes
sur lesquelles s’ouvrent les portes, et où l’on peut prendre l’air en
regardant le paysage. A cette plate-forme s’adapte un double
escalier, aussi commode que celui d’un appartement parisien. Bref, le
Wurtemberg est le paradis des voyageurs en chemin de fer.
Quelques lieues avant d’arriver à Stuttgard, on rencontre
Ludwisburg, — encore une ville toute neuve et factice, comme
Carlsruhe, avec des rues bien larges, bien droites, bien régulières, où
il ne manque absolument que des passants. Cette création fantasque
d’un prince qui voulait se venger de sa capitale est une ville mort-
née, qui n’est même pas peuplée par des fantômes, comme
Versailles, car elle n’a pas d’histoire : elle n’a qu’une garnison, un
arsenal, une fonderie, un grand château solitaire avec de vastes
jardins, des officiers qui s’ennuient, et des habitants qui ne
s’amusent pas davantage.
Quand nous arrivâmes à Stuttgard, quoiqu’il fût à peine neuf
heures, la ville était déjà silencieuse, obscure et déserte, comme si
l’on eût sonné le couvre-feu. On se couche de bonne heure en
Allemagne. La journée avait été accablante, et je me sentais brisé de
fatigue et énervé de chaleur. L’hôtel, tout voisin de la gare, débordait
de voyageurs : il ne restait sous les combles qu’une chambrette au
midi, aérée par une seule fenêtre donnant sur une cour étroite, et
dont la température faisait aussitôt songer aux Plombs de Venise. On
sentait, en pénétrant dans cette fournaise, que tout le jour elle avait
été chauffée à blanc par un soleil implacable et meurtrier.
Ce fut avec une résignation morne que je pris possession de ce
gîte inhospitalier et que je m’étendis sur une de ces effroyables
couchettes allemandes, vrais lits de Procuste, trop courts et trop
étroits pour un homme de moyenne taille, garnis de matelas durs
Welcome to our website – the ideal destination for book lovers and
knowledge seekers. With a mission to inspire endlessly, we offer a
vast collection of books, ranging from classic literary works to
specialized publications, self-development books, and children's
literature. Each book is a new journey of discovery, expanding
knowledge and enriching the soul of the reade

Our website is not just a platform for buying books, but a bridge
connecting readers to the timeless values of culture and wisdom. With
an elegant, user-friendly interface and an intelligent search system,
we are committed to providing a quick and convenient shopping
experience. Additionally, our special promotions and home delivery
services ensure that you save time and fully enjoy the joy of reading.

Let us accompany you on the journey of exploring knowledge and

personal growth!

ebooknice.com