Deg at INTRODUCTION [a logique floue suscite actuelement un incérét afndral de la part des chercheurs, des ingénieurs et Ses industriels, mas plus géneralement de la part de tous ceux qui Eprouvent fe besoin de formaliser des rmathodes empirques, de sénéraiser des modes de ‘alsonnemeat natures, dautomatser la prise de déci- Sion dans leur domaine, de consruire des systémes lance eftectuant les Aches habiuellemeat prises fen charge par les humains Le but de ce livre est d'expiquer aussi simplement aque possible en quoi consste fa logigue floue et ce {q'elle peat apportr ses utlisateus poten, mais Sralement de moniter qu’ele repose sur une théorle Figoureuse et de présente des laments méthodologi- ‘ques qui Vont bien auedela des applications simples, Goncernant par exemple des appatels électroména. bets, acuellement mises en lume. ‘Les connaissances dont nous disposons sur une sitvation quelcongue sont généralement imprflts, folt parce que nous avons un doute sur leut valid, elles sont alors incertaines, sit parce que nous Eprow ons une diffcuté & les exprimer clairement, elles ont alors Impréises. Ces deux types d'imperfection ‘das les connaissances sont souvent indement més. ‘Ans, le monde réel apparaltil a la fois imprécis cet incertain. I et rare que deux éléments considers ‘Somme semblables possédent exactement les memes ‘aracteristiques (deux frees jumeaux sont générale. ‘ment eifferenciables), les limes des Etats de la nature fe sont pas toujours tr nettes (le passage du jour Ala nuit par exemple). Méme les données bien fonnues de Tunivers sont parfols approximatives 3(comme Ia durée de gestation d'un dre humain). Notre capaclté a appechender les éats de Munivers ct, de plus, limite par les pessibilités de nos instru- iments d-observation, Tussent-ils nos yeux. Les obser- ‘rations que nous fecueillons sur Tunivers peuvent ‘one tre incetaines, mals également approximaives ou vagus. Dans Te fonctionnement de esprit humain, ts Impréisions sont aus particultrementremarquables, par exemple dans sey fonctions de reconnaissance et Ge raisonnement. La capacité @etablir des classes ‘Fdéments de la nature ayant des propriéés analogues fest trés naturelle chee Phomme. Isat reconnattre tun chien, déterminer (age approximatif d'un indi- Vid en observant, identifier une voix, sens utiliser lune liste précis de eitres pour cette identification. ites tout aussi naturel A homme de walter des don ines affeciées dincertitude, ihérente & univers ov dive & sa méconnatseance de certains facteurs, (son plitude au jeu en est la preuve) que duller des ritres subjects, done imprécis, tes que la flablité un observateur ou ta force dbune douleur. Notte capacité a décrire précsément un systéme fest une fonction inverse de'sa complexié, crests fie dt nombre amen qui le composent, des rela- tions ente eux, de la efficuté de defini leurs earac- Leristques. Le besoin etudier ou de gécer des sys- temes complexes conduit nésesseirement a la prise fen compte de données vagues(« colt élevé »), impre ‘Sses (a mesurant envicon 3S m »), soumises& des erreurs (« 200 kg &'5 % pres »), mal dfinies(« fore Souleur »), dont la validté n'est pas absolue (« dans 50 th dee cas »), soumises 4 une incertitude (o tres probable »). L'tre umain ext pourtantnatutellement ‘ompétent dans la manipulation de telssystemes. Il Shit, pour sen convainere, d'évoguer le systéme de Condhite automobile (a voiture avec ss composants sneaniques, ensemble router, les régles du code de Ii route, le comportement des res humains, Nevo Tusion des ements du systme dans le temps...) ov ‘4 encore fe sstéme musical (es instruments de musi, fis methodes de representation des sons, les eles de composition, les capaciés physiques humaines, La ‘chroniraion, Pacoustique d'un lew. et de penser ‘tia compétence des homines pour conduire une Vo fuze ou jouer une symphonic. Thee deux types dlimpertection dans les connais sances tont cependant pas eu la méme importance dans les preoccupations des slentifigues. En ce qui foncerne Pincerain, il a &€ aborde par Ia, notion ‘e probabilte des le vu" siéle par Paseal et Fermat. Cependant, celle-ct ne permet pas de traiter des ‘royanoes subjesives comme on a longtemps pensé fuvelle pouvat le Tare, ni de résoudee le probleme pose par les connaissances Imprécises ou vapues. ‘Ges demieres ont et prises en consideration qu’ parti de 1968, lorsque L. A. Zadeh, profeseur 4 PUniversté de Californie’ "Berkeley, jusqu’alors {ntnationalement conn pour ses travaux sur la théorie des systémes, a introdut la notion de sous ‘ensemble flow (en anglals Tuzzy set»). & partir de Tiadee d'sppartenance partielle & une clase, de cate porie aux lites mal defines, de gradualité dans le passage dune situation une autre, dans une géné Falisaton dela theorie classique’ des ensembles, ‘Sdmettant ds situations intermédiaires entre le (out tle rien. Les développements de cette notion four hisseat des moyens de représente et de manipuler des connaissances imparfaitement dries, vagucs ou impresses et Ht Gablisent une interface entre des données dérites symboliquement (aver des mots) et hnumeriguement (avec des chiftes). La logique floue Conduit a raisonner sur de tells connaissances. La théorie des possibiltes quia été introdute en 1978, Ggalement par L- A. Zadch, constitue un eadre per tnettant de raiter des concepts rinceritude de nature hon probabiiste, Loraqu'elle ext considésée & partir de la notion 'sasemble flou, La theorie des possibi lites constitue un cadre permettant d'exploiter, dans lun méme formalisme, impréssions et incerttudes.Un nombre important de sintfgues vest in ressd Wes 16t 8 cele aouvelethcore et lee recher ‘hess es aspsts mathematigues eles applications des sous-ensembles Hous, de la logique Move et de Ia theorc des posits se sont developpées depuis Ia fin des anaes 6, aussi bien en Europe qu aux Etats-Unis, en Chine ta apo, comme cn to ‘ent les reves scleatfiques et les cones Snterna tionaux sur le jet Let premitresvealiations de commande Move de proces industrils sont ins pparues en Europe a. debat der années 70 et la rthode développes a te reprise par ls Japonais au debut des années 80, pour en fare des sucts Indstils dont les medias se sont fat echo. T Tat cependant se garder de reir Ptiisition de fa foigue floue& ce sul cadre. Des applications en existent dans Ta ppart des donicines, Citons par exemple économie, la médecine, Taide & la dest Sion, ln déssion de groupe, la reconnaissance des formes la classification, ls sstémes experts, es bases de donness, Ta conception induce Cuanrtee 1 SOUS-ENSEMBLES FLOUS, La notion de sous-ensemble flow a pour but de permetire des gradations dans l'appartenance 4 Clement & une caste, <'estadire d'autoriser un Ge ‘ment & apparteniz plus ou moins fortement a cetie Classe; par exemple, un individu d'une tile donnée apparent pas di tout A la clase des « grands » Fil mesure 1,30 m, iy appartient cout & fait ou « adulte »), de situations intermédiaires tent Te tout et le ren (« presque vrai»), le passage Drogeesif dune proprité a une autre (passage de {te » 8 chaud » selon ia température), usa tion de valeurs approsimatives (« environ 12 ans»). Elle evite Ptilsation arbitrare de limites rigides & des classes; il serait aberrant, pour. reprendre exemple évoque, de considérer qu'un individu de 17am est grand, mais qu'un individu de 1,775.m ne Pes pas du fout Le concept de sous-ensemble flow constitue un assoupliseent de cell de. sousensemble d'un Ensemble donné. Notons. qu'on parle souvent ‘ensemble flot et non de sous-ensemble Nou, par ‘bus de langage t conformément & la traduction du terme original de « fuzzy set»1. — Definitions tant donné un ensemble de référence X, on peut Indiquer les elémeats de X qui apparienent & une cettaine classe de X et ceux qui n'y appartiennent pas. Certe classe est alors un souensemble de. X {au sens habituel de Ia thor des ensembles), on le qualifie de clasique ou ordinare dans la suite, TFappartenance de certains éléments de X'a une lass 1st pas absolve, on peut indiquer avec quel Segre chaque eément apparent cette cass. Calle ci fst alors tn soutenvemble flow de X. 1. Definition d'un sous-ensemble flo, — Un sous ensemble classique A de X est defini par une fone tion earacteristique 1 qui prend la valeur 0 pou les léments de X n’appartenant pas & A et la valeut 1 our ceux qui appartienneat 8A tai X = (01) Un sousensemble flow A de X est défini par une fonction dappartenance qui associe & chaque de ment x de X, le degre 40, compris entre 0 et 1 avee lequel x appartient "A JatX = 10,1 Le sous-ensemble fou A est un sous ensemble clas- sique de X dans le cas particulier od f, ne prend ‘que des valeurs égales 20 ou 1. Un sous-ensemble classique ext done un cas particulier de sous-ensemble Nou. Les cas extémes de sous-ensembles fous de X sont feopectivement X lui-méme, associé & une fonction ‘appartenance fc prenant la valeur | pour tous es ekments de X, et Fensemble vide 2, associé 8 une fonction dappartenance nulle sur tout X ‘On adopte souvent Is notation suivante pour repre Senter le sous-ensemble flow A, qui indique pour tout fement x de X son degré fa} dappartenance a A A= Byegha/% 8 Xest fin ene | pone xen 2, Caractéristiques dan sous-ensemble flow. — our pouvoir decrire faclement un sous-ensemble fou Ade X, on uilise ertaines de ses earacttis tigues, essetellement. celles qui montent dans (quelle mesure il dffere dun souvensemble classique dex. La premigre de ces caractristiques est le support ae A,'Cestacire Pensemble des élements de X qui fppartiennent, au moins un pev, a A. Il est note appt) el cest la partie de X str laquelle la fone tion dappartenance de A. nvest pas nulle supp(A) = [x€X/fal2) #0) La deusitme caractérstique de A est sa hauteur, notée MA) e'sstacire le plus Fort dearé avec lequel tin element de X appariea & A, C'est a plus grande valeur prise par sa fonction d'sppartenance MA) » s0prexhal ‘Une famille importante de sous-nsembles flous, ‘qui est utlsge dant la théorie des possiilités en par. {leur (chapite Il), correspond a ceux qu sont nor. mmalisés, c'est-Aedite pour leagues i existe au moins tin élement de X appartenant de fagon absolue (avee tin degre 1) 4 A. Plus précisément, A est normalise fsa hauteur MA) ost gale a1 Liensemble de tous les éléments appartenant de fagon absolue (avee tin dogré 1) & A est appelé Te nova de Ae noté noy(A) noy(A) [eX 70) =Si A est un sousensemble ordinaie de X, il est normalisé et il est identique & son support et & son noyau Une derate caractéristique du sous-ensemble fou A de X Gorsque X est ini) est sa cardinalité, valuant Te deat global avec lee! les elements de X sppartennent’ A. File est definie par? [AL = Senda): Si.A est un sous-ensemble ordinate de X, sa ca dinaité-es le nombre d'éléments qu le compasent, selon la definition clasique Exemple I.) : Soit X = | Paris, Ville de province, Bourgade |, Vensemble des Teux proposés pour une habitation, nots P, V, B- On peut definic les sous ‘ensembles Nous suivants, cortespondant a des choix A= 08/P + 06/¥ + 0,4/B (H(A)=0.8, supptA)=X, noy(A)= 2, |A| = 1,8), ous les eux ean aeceptables, aves néanmoins un ordre de prétérence. #Ar = 02/P + 1/V 4 O/B (normals, supp(A’) = (Py Vj, noy(A') = Vi, ‘Avi= 1,2), avec Un choix de V, modéré par Fasceptation avec un faible degré de P. AT = 0/P + O/V F/B (singleton deX, normals, supp(A")=noy(A")=(B), [ASD = 1, avee un choix és net de B ‘On note dans toute la suite F(X) Penerble de tous les sous-ensembles flous de X'(ligure 1.1). 3. Spéciicité et précsion d'un sous-ensemble fou, = Lorsqu'on sintéresse& un univers %, on peut per ‘evoir un point unique x de X, par exemple la cou leur blanche dee cheveux ou Vage précis un indi vidu. La classe de X que T'on étudle est alors un singleton [| On peut aussi consider une classe qui ‘eontent plus d'un point de X, bat exemple recher- 0 la bun ma pea mba x (xy hom) aioe mera 2 ‘ ‘ebtn wk Hlnd lne ules = oer Arete” ie cap. 1 seo on 1 ow mm @ lon re 11 — Eamonn Ge damien ae cher spon ose ono oes les oe moa aa atomaton he Fo ae 2 Satie pine as on ea Ten de gh tour mee osteo Sa en bl ondae Sof" imabutin pee on seen pet Sie ee eh ink i ee ete, acts onto none, oot ae ics Cov wrt onde a8 gees ets La ae SE LOLSE tie fu ce eee eee Seissetath foe Aca) de ons ae eT I Moya teh oa ree ey etout nls fost Te A ai gs nae re Oy eo pom outy se Un so Late ow Ae vex) Bt pin prs aun sus. pe ear aport de B. Le sousnsemble fou le plus précis associé SA est le sousensemble ordinalte noy(A) de X. 1, — Opérations sur Tes sous-ensembles flous Le fait wiser des sous-ensembles flows pour sie des class lnpafatement locales dans X, Sondui carats ls polns de X commune ferentes clases ou bien rangers a ces Casey par exemple. Les notions. 'acison, intersection, Yemen, un élément x'ne peat appartenir & A ov 8 B, Pestdie AU B, plus qu'il n'appartient & Pun eux. Comme dans la théorie des ensembles classiques, Jes definitions que nous venons de donner condui- Sent aux proprietés suvantes + associativité de Ot de Us = Commutative de 0 et de Uy SAUZ =A AUX=X, SAOX=AAND = 3B. TAUB BAZAN B, TAN UB) = (ANB) U (ANB) TAU (BB) = (AU BY NIAU BS), ct Ia cardinalié de sous-ensembles flous vérifie Al +[Bl=|A OB) +\AUB) Exemple 1.2: Avec les sous-ensembles flous de veremple I.1, on obtient ANA’ = 02/2 + 06/V + 0/8, RUA! = O8/P + 1/V + 0478.3. Comolémeat dun souvensemble fou, — On efit cane complement A aden 4: FO en coniaévant gan Gent do apr set Patt pas © Ago apart pe kt it comme Ie souemenbe fou de de fone ton apparenanses WEX Seta) = 1-400. Contrarement aux sous-ensembles classiques, il vere péntralement AA #2 et A'U AX. [es autres propriets de la théorie des ensembles elas siques sont cependant satisfaite, telles que #0 BY = ASU BS SAU BES ATA BS oe SIA +] A?) = 1X), Exemple 1.3: En poursuivant Vexempe 1-1, on obtieat! A= 02/P + O4/V + O6/B 4 4, Remarque, — Le choix des opératurs min ec max et dele complementation & 1 pour défnir respective tment Fintersetion, Punion ete complément de sous nsembles flous est juste pa le fit que ces opéra- {urs préservent presque toute a structure de a théorie Classique des ensembles. On démontre que ce sont les “opeateus les plas satisfabants pour cetepréservation ‘Néanmoins, d'aulres opérateurs sont envsageables si Pon ext moins exigeant sur la preservation des pro prittés clasigues ot si on a des raisons spéciales Be souhalter d'autres comportements des opérations Sur les sous-encembles lous. Les opérateurs les plus onnus sont les aormes tiangulaires pour Pintersec: tion, ls conotmestrangulares pour Punion, es néva- tions pour le complement, sur lesquelles nous revien ‘rons dans Te paragraphe VL IHL, — Les a-coupes associéee 4 un sourensemble flow 1. Definition des a-coupes, — Il est souvent int ressant de se referer & des sousensembes ordinates Correspondant de fagon approximative & un sous Ensemble flow donne, pour user des crtéres de prise {Se deision ou des connaissances de la théorie lassique {ds ensembles, par exemple. La facon la plus simple ‘de realisee cette approximation est de fixer une limite Invériewe, note a, aux degrésd'appartenance pris en ‘consideration, On constrai¢ done Ie sousenserble or naive A, de X associé 4 A € FIX) pour le seuil a, en ‘destinnant tous les éiémens de X qui appartiennent DA aveo un degré au moins égal us préciément, pour toute valeur @ de 10, 1) fon dint la acoupe (ou sous-ensemble de nivea@) ‘A: d'un sous-ensemble flow A de X comme le sous ensemble Ae = [X€X/fx(0) = a], de fonction ‘aracteisigie xq, telle que: abr) = 1 set seulement si fyCo) = @5 = Ascenaine] Y 7 ° wo ee 0 Kirvor) Mo a st eS % 2. Propriéés des o-coupes. — Lorsqaan construit lune -coupe A, du soustensemble flou A, on peut dire que a représente le seul partir dugue la notion {'appartenance, bien que relative dans la définition de A. est comsidérée comme suffisante pour en construire le sous-ensemble approché A... Pls on st exigeant sur la notion d'appartenance, plus on aug- mente ce seul, et moins il existe d'lements. de X satisfaisant cette notion d'appartenance. Les coupes dde‘A sont des parties non Tloues de X emboitées par rapport Ja valeur dea, cest-a-dire que sia” =, alors A, 2 Ay Ta cOmpaubiite des opérations sur les ensembles fous avec les opérationsclassgues permet de véri- fier que, pour tous A et Bde FCX), pour tout a de 10,1), il tevient au méme dPeffecticr Tintersection fou Tunfon (au sens flou) de A et de B, puis de ‘construe ses a-coupes, ou de chercher ls a-coupes fe A et B puis d’en effectuer Pinersetion of Punto (au sens ordinaire) FAN By Tea 26 aon ALR, Sion choi le niveau @ = 0, alors Ay = X, Si Yon choi Te niveau @ = I, alts Ay et Te soya de A, éventuellement vide, a ” 6 Exemple 1.3: Dans la figure [1, la 02-coupe de A cst [brun, auburn}, sa 0,3-coupe, ientique & sa Oa-coupe, . 0,8-coupe est [bran] “Avec les ensembles Nous de exemple Il, Ag, Ags=X, Ags Ae Moa Bay Aap A= 2) 2. Représentation d'un sousensemble lo & partir. de se e-coupes."Supposons que on consider fh nombre fn de depres W'appartenance ordonnes fe fayon crossante, par exemple 1 (0,1. 0.2, 05 OP SiVon coat es esoupes Ay dl 005 tiscmble Nou incon A pour tous les sell a € 1, on pest constr fa fonction y. Elle est de plus dnvolue five si et seulement si nén(x) =» pour tout x. ‘ine nation favolutive permet de définit Te Com plément d'un sousensemble flow A de X'comme le Fourensomble flow A de fonction d'appartenance Lar) nlfqQs)) en tout x de X, ‘Une t-norme T et une t'sonorme 1. sont dualer pour la nézation stricte msi elles satisfont es rele tions suivantes pour tous x et » de [0, I] Tex, 99) = (na), mb) MLE 9) = Tne, AO. La négation n(x) = 1 ~ x permet de mettre en &vi ddence'la dualité eatre tes principales t-normes et ‘reonormes, commie indique dans la figure 1. enorme | reonorme | négation am mingcy)—[maxiey) [=x [Zadeh ny xtyay | -x |probailste rmax(x+y-1,0)| mingxty, 1) | 1-x [Lokasienice| a seyaye py] t-x [Hamacher Pie narn| Mews (P) xsiyst|pxsiyso [1-x [Weber ysl [[ ysizeo Osinon —_|L 1 sinon Les propritis des optrateurs généraux présentés leur permetent d'etre utes pour définir des opéra tions de combinaison de sousensembles flous, ainsi que la composition et la transitnite de relations foues, par exemple (chapitre 11). Leur importance Apparat dans le cadre de la logique lowe (che pitte V) 4 Cuaorene I RELATIONS ET QUANTIVES FLOUE: MESURES D'IMPRECISION De nombreux concepts mathématiques classques peuvent sre assouplis pour ere ui lorsque les Connaisances dont on dispose sont impréises, Des Soncepts sont alors introduts dans te cadre de la thgorie des sous-ensembles flows, qui se confondent tvec des concepts classigues lorsque les fonctions Pappartenance des sous-ensembles Mlous concernés foe prennent que des valeurs 0 ou J. Parmi ceux qui Dnt Te plus dapplicatons, on peut ctr les relations floes qui mettent en évidence des liaisons impr aes ou gradacles entre eléments un méme ‘semble es quantités loves qui permettent de man: puler des nombres ou des intervales imprécisement Fonts, les mesures eimpréision qui permettent Pevaluer He flow inhérent A un sous-easemble. 1. — Relations floues Etant donné tes ensembles de référence X et ¥. une lisson entre X et Y peut re dificiement cepre emtable par une relation classique, parce qu'elle ext Jmprccisement connue ou graduell. Par exemple, si X ft Fensemble des prix d'achat et Y celui des prix fe vente, «le pr qPachat est tes infieur au prix de vente’» defini une classe imprécise de prix de ‘vente correspondant chaque prix achat et ta rela om entre X et ¥ que om iniroduit ainsi ext de plus fn plus selisfaite av fur et & mesure que les valeurs 2sdes ements de X deviennent de plus en plus fables par rapport a celles des eléments de Y, Jusqu'’d une Satisfaction totale. Une relation floue R entre X et ¥ est défnie comme un sousensemble lou de X x ¥. En particule, si et sont fins, elle peut fire décrite par la matrice M(R) des valeurs dese fonction dappartenance, Exemple IL: Soit abord X = Y= (ay. x5 255 gles 9) et defn: sous forme matricille (ig. H.10) Sit Ensuite les ensembies X d'ubsoisses et Y e’ordon nées des pines d'une image en noit et Blane; en uti lisant un seat niveau de gris, on dscrit Pimage par Mintermédiaie une’ relation love “de fonction Aappartenance épile& 0, 0,5 et | pour les coordon nées des pixels respectivement blancs, gris et noits (lig. 11.10), Soit enfin X= l'ensemble des nom bres rls la relation floue R= « approxinativement gal db» peut Gre déinie par WEEX, WEX Jlz.r) = 1/0 + Oe yh oo | 5] max T [5] sqcnnrost os] 03] rsa 09 | al 1, Propeitssénérales. — Sion échange ls res as a dey of fo cone: Pe a me to floue (ef rx de vente ext beaucoup plus gran Ave le prt achat » pour reprendre Pexemple in 2% tia, Liswerse de Ja rolation entse X et Y est la relation floue Re! entee Y et X définie par WEEK, MEY Se WO2) = Silt Pour trois ensembles de référence X, ¥ et Z, il est utile de composer les relations qui les iat (si fe prix d'achat est ts inférieur au prix de revient sr celuel est am pe pls petit gue e prix de vente, Guelle relation pevt-on mettre en evidence entre le prix d'achat et ie pri de vente). La composition BP asuw relations Moves Ry sur X x ¥ et Ry sur Y¥ x7 defini une relation floue R — Ry © Rp sur XX Z de fonction d'appartenance Yon 2) eX x Z Srl 2) = S0Pyee iN FOG Ms i ete definition correspond a Is composition max min, la plus classiquement ulisée. Tl ext cependant Pepi remo Toe mine a ateut (composition max-"), par exemple une forme triangulsire, et en particulier le produit (voir ‘hapitre LVL Ta relation floue R = Rye Ry est ainsi définie comme la. projection sur Xx Z de T'intesecton RU N'RS des extensions cplindriques de Ry et Ry ‘Cette definition est compatible avec la composi tion ordinaire lorsque lek relations Ry et Ry ne sont pas floues. Elle est partculiérement facile 4 obtenir {Quand les ensembles de reference sont finis. En cit, Peale de fy a partir de la donnée de fy, &t Je, pet ee regardé comme un produit matricel pour FEquel on remplace addition par 'opération « max » fla multipieaion par Popéracion «min » Exemple 12: Pour la relation R definie sur XonY a xi 3,33) dans la figure Tia, la compo: Sition max-iin-fournt Ia relation Re R, dont la fonction dappertenance est indiguée capes. nyf ape | a Era ea cd | [es] aa) ay | 0 | os] va front) 2. Props paralized lone Ls printer aon Mowe seve ete a tesa (oh po prs deal) ou er ee ras tc Dncouy seg bot) Coe pee Se rciaiom fone R dein sees MEDEX XX fel5.9) = Fes. Si ome ies et en particulier transitive max-min si Von utilise la iE me son La propre de transivié opal facile &' verifier lorague X es fin, utsqu'lor fs et ace desl eS oe tepuisrsof dur car de maid Sa he = a mate de iB iaion R ew-onitymove oe vi We sex xX, KES TS 0.09 > 00x» Exempc IL}: Repenosteemple.Larelation orcntonivenen a sO tates 28 ce transitive, comme on peut le vértier en compa: fant sa matrice aves la matrice Ge R'+ R indiquée dans exemple 11.2. ‘Pour tout € {0,1}, on ééfinit relation non Rove Ry de nivens & associ A R, (Cest-idire tlle gue fas 9) = 1 al fle) 2 et fas 9) = 0 ShoalOn remarque alors Que R est symeirigue (res- pretivement transitive) si et seulement si Ry est une Felation non floue symetique (respectivement transi five max-min) quel que soit @ €10, 1. 3, Relations de similarté. — Certsines relations sToues posstdent plusieurs de ces proprieés. Une rela tion flove symetrigue, reflexive et transitive max-min {st ainsi appeée relation de similarité et ele comes: pond a idee de resemblance, ‘Quel que soit w choist dans 10, 1), 1a relation Ry de niveau a associce & une relation de similanté est tne elation d'equivalence aur X. faisant varier @ GeO 4 T, on oblient des partitions emboitées de X (Etines& partir des. classes d'équivalence de Re {Giz. 1.2) Pour chaque niveau a, x et y appartin heni Ane méme classe de la partition si et seule- tment ss sont en relation, done se ressemblent,ave= tn degré au moins zal & a (fig, 1.2). ‘Si ta relation de similarité Rest. tele que ‘falts)) = 1 sh seulement six = y, on peut Iu todee une distance a détinie sur X et & valeurs dans (0, 11 par WE EX KX dts 9) = 1 ~ Fabs 2) Cette distance est utransérique pusqu’elle vie Vox EX KN KX dor 9) max (dl, 2), dle 9D. ‘Les relations de smiartéinterviennent principale ment dans les problémes de classification. 4, Relations d’ordre lowes. — Une relation floue R séflexve ot transitive est un préordre fl, Si R est »Ad af al sf af tos frags aa HLT PR POLS] kos. Taq) Spa peal ey SB, os ya) Td ty Bgl sy) PONE Y = ty Hp. ty) Rylanee R= ROR 3 [oes os sgl os] 03] os] 1 de plus antisymétrique, c'est une relation ’ordre lowe et elle correspond i Tidée de classement ou 41 in representation danteionté, Quel que soit a choisi dans J0, 1}, la selation Ry de hiveau a associge d'une relation d'ordre flout est lune relation d'ordre partiel sur X. Les relations d"ordse loves sont utilisées dans des méthodes d'aide & Ia decision, par exemple. pout analyse des preferences 'un groupe d'individus, ou encore pour des ordonnancements temporel, Tl ~ Quanutés toues 1. Intervalles et nombres fous. — Dans les appii- cations, on utilise souvent comtme ensemble de rele ‘ence X celui des nombres réels I, les sousensembles flous correspondamt a des mesures ou des estima. ‘ions impréciss de grandeursréalies (a tail, le prix, Ja durée... On choisit des formes simples de fonctions appartenance qui sont celles que Von consiruit genéralement de fagon naturelle’ On utilise 'a notion de sous-ensemble flu F convexe, qui virife Yor 9) ER R, Ve Els 9] fa) 2 min UEC, FO. Cte proprist est éguivalente ati fait que toute tecoupe de F est une partie convexe de R. 20 consider alors les sou-ensembles fous nr mS SER, qvon appele quanes flows. Une mal O dated Q ex un eee m de tel due Jel te Tout membered, apparent {2402 fata Qren ox une valeur odale ‘in ntrsatflow'ue quanit e soovee 11 entoond un interac de ensemble des eels tee me sot ein 9 4 onton menace est sam-comtne supercuemen, so. appar eneer dh neva termes de pou Tout ect 1 i ‘un nombre flow M est un interval flow de fone- tion @appartenance semi-ontinuesupéicurement et te support compact, admetant une unigue valeur ‘modal Il correspond &-un nombre ret connu impr cdstment. Principals opératonsacimgues. — 1 6 scan te effec er inns Sy ise somres precsemnt conus (6 ue Sige ee evion 1 de fog et ttron 3 sont approxmatvement surat confine’). om doit doe pase ds ee one weg csinuc su le nombres gene pcos oars sur es quantis NOU, Aa eteimeliave ds prince extension, conan une’ pt am re ie seals Rous pari une option uae aR ar A parte une quam love Q, le enfournit une autre quantité flove AQ de fonction @apparienance VEER Sigle) ~ 507, gS) En particulier, Popposé, noté ~Q, d'une quantité Floue Q, et tel que pour tout 7 € RF g(2) fol ~2) Viinverse de Q, now 1/0, es teh aie Vee Re 0 ule) = Jll/2). Par exemple, Vopposs du nombre Fou « envizon 3 » peut tre exprimé comme « envi- Ton} » et son inverse comme eaviron 1/} », Une opération binaire + pent tre define suv les quanttésfloues pour toute opération bina sur les réels. A parti de deux quanttesfloues Q et Q", elle fournit une autre quaniiéfloue Q'* Q” de fone! tion d'appartenance vse Foro'®) = SUP sycemyy IML. for). Si Vopération y est commutative, « Vest aussi. Si opération est associative, Test Gealement En particulier, on definit la somme, le produit, la iférence, le quotient’ de deux quantits lousy Q et Q' comme les quantités floues notes respect. vernent QQ", 0@O", QOQ" & QZ" de fone. tions d'appartehance défnies pour tout © € pat Fase 2) = stm yeoas 0 Fel SO) $aeoi) = iene) Mi Fath fo OD) Jaee'®) = sur, yenn-n BN Yel, J) Focel®) = Pee rnenaoy Min Pela Je) tlle gue © Q'=Q-S(-Q AQ BY“ ® 07a) 3. Intervalesflous de type L-R. — Pour certaines formes des fonctions d'appartenance définissat les quantités Hloues, lest simple deffectuer les opera Hons que nous venons de define, C'est le cas pour les intervals fous I qui sont dts de type LAR, cst dire dont les fonctions d'appartenance f, sont cons. 2 toutes & partir de quatee paramere (mB met Gels a et bsrctement poss ot de deux Bactons notées Let R deine sur Pensemble des reas poss, valeurs dans [0 t]. semicontinucs Superieurenient, non-croissantes, elles qUe 1, Uay=0. ov Ley > Ove avec 0, ou Rix) > 0 ve aver 6, Ms sont definis par So) = Lom = 29/0) sim Hey =1 Smexem, He) = Rx m'yvb) Six =m On note alors gw iterate flow de type L-R et, comme cas partiulir corres: pondant am =m", M= (7, @ hy un nombre Mow de type ER. Les quantiés floues ont souvent des fonctions @appartenance lineites pat morceaux (Forme trape zoidale pout les intervalles fous, forme trangulaire pour ler nombres lous, tlles que calles indiquées fans ta figure 1-3). Elles sont alors de type L-R pour RG) = L(x) = max(0, 1 ~ 2). On peut également tiller pour 1, eR les fonctions max(0, 1 ~ =), mmax(0, 1 ~ x), e~* par exemple tant donné deux intervalles flous du méme (ype LR T= tm msg, Pg eT = (ts dae Hes ‘operations indiquées dessus sexpriment par Bem mh Tear lm thm nt 60+ dys 183 (=a nave booa a 1 Jest, par conte, énéralement pas du type Lt maison peut en donner a valeur approchéesatvante 18. = (nn, mn’ me + nay mid + my Jorsgue 1 et I ont un support positif, que a et b sont petls devant mye er pelts devant 34. Relations lowes sur des quant flues, — Des srandersvetes peuvent ic compares 1 aide Se Felations Noues, ui assouplssent {alte et Ia ela ordre clas par exemple rane de ee randetrs& pou valeur une quan tte flue Ny Ta relation Ratt la We'd Ta seconde variable permet de donnet la valeur flouede elles Comme ue quanti lowe M de fonction d'appate YER Sls) ~ sunyen min GRO 99, Sal. Exemple 11.4: Pour deux nombres réels x et 3 la relation « yest vraiment plus grand gue x » peut dire define ‘par la relation floue R de fonction appartenance worse? AGI) = min Ly 9/B) si yea BO, Supposons que la longue sot sins vraiment plus svande que la Targeur et qu'sle sol Cralute par Ie hombre low tiangulireN= (mz a) pout O 172 ‘Exemple IS: Soit X = 0, , 6 et les sous ensembles Hous : F= 0,8/a + 0,6/0 + 0,d/e + 0,2/d, 7a + 0,17 + O,ve + Od, tes que F<, F 51 re =f =f =a mm 6 4 oF x oer x ‘atisfaisant a(F”) <= d{F), On caleule dF) = 2.46, CE) = 0325 440) = 12, dt) =0,6; oF) = 0.63, ae) = Oa. 2. Mesures de spice. — Une mesure de pi ‘Sie trale dant ule mesure un sus ssele fou Fest proche ota termination gun clement nique de X comme yleur dune arable V defn Sur, Cesc dans quelle mesure Hex speck fig. Ciet une pander Sp fini sur FOO, 8 valeus das 10. 1h tele que ~ Sp) ext maximal tale & 1 sit selement si Fest un souremembie dX redut un element Ginaleton). “SAD = SAP’) si ct selement si F'2 F «cig, 1, Eemple de mesure de spit (propose par Hazes” pour Tes soenembls Meus “norm sna (17 fo |Fy| est Ie cardinal de la a-coupe F, de F. est fini, cete formule s'exprime en Fonction de la suite rangée en ordre désrowsant gy, gs = de fous Tes coefficients J,09), pat le, ~ sie, Une mere de nope ne wrandeas ost FO sacs das 0.) le ertaF et inna gle 20 seleent iF ena ‘sous-ensemble de X réduit & un 4é- qe) = UC) a sevement 5 F2 Exemple de mesure de non-spéciticite ue {Pose ee proposte par Higashi et Klir, qui s'erit, dans le eas ‘00 X est fin, UB) = Eiesa,. ls ~ Silom -Exemple 1.6 : Soit encore X = {a, , ¢ dl et es sous ensembles flows suivants: F=1/a+0,6/6-0,4/6 eOald, F' = Wa + 0,4/b + 0,2/¢ + O,1/d, tes que FOE". On calcule Sp,(F) ~ 0,56, Sp,(F™) = 0.78; Ui) = 0,52, U\E*) = 0.26: aCuarrene HL ‘THEORIE DES POSsIBILITES. La thiorie ds sous-ensembles lous présente a ‘moins deus intrets aor, elle permet de mode ther des connaissances impresses (ar exetple ue spproxination rune valeur numeri, comme « 8 Det pres 3.80 m ) ou Yague (par exemple une des Criptlon exprimée ven langage’ naturel, comme < hat»), que tris pou autres methodologies ‘torent. Ensuite, ele et le seul moyen de tater dans un mime cadre des sonnaisanees fourier huméciquement, par des instruments de mesure, et des connaisanctsexprimées symboiquement pa on fbservateur humain par exemple. ile ne permet ependant as de matipule dans un méme form sme ds impressions et ds inertudes, Or ces Sauk ‘yp Timperttion diecast dmement es, be seratee que pare fait que dais ble des cas, pls on exige de précis dans cnonce <'une assertion, moins Tawertion et” cetane (exerpie de dialogue: Quel Age a1? Une tren: {aine Wannées Vous en Sts certain? Absolurient Cr be Imp i Jer al Sas tosis Je en sis pas tt. »). D'aure par on rae fontement base sur des connaitsancs impedes ngendre souvent des incertae su la dion ale Slaquelie i conduit (par cxemple sf on india 4 pls de 18 ang, i'ale deo de voter Or, on ait aque Pierre environ 18 ans, tle droit de voter? Gest tout ‘Tait posable, ‘nls pos certain. {a theorie des possibile ast htroduite en 1978 par LA. Zadeh, ch Halton avec Ta theore des sous Pn exsembles flows, pour permettre de rasonner sur des Connaissances impresses ou Vagues, en introduisant linimoyen de prendre en compte des incetitudes sur ‘Les développements auxquels cette introduction @ conduit constituent une méthode pour formalise des {ncertitudes de nature non probabilste sur des éve ements, cestcdie un moyen de dire dans quele ‘mesure ia réalistion d'un evenement est possible dans quelle mesuce on en est certain, sans touteois avoir 4 sa dapesition Tévaluation de la probabilté de ceite réaltation, par exemple parce qu'on ne fonnat pas d’événcment analogue auguel se réferer. Supposons que on pose la question suivante {CM Dupont sera-til dans Son bureau le lan 6 jan- Vier? », Pour y répondre, Il est aifficile de savoir Sion doit consdérer ce gue M. Dupont a fait tous Tes lundis peeédents, ou ce qu'il fat chaque premier Indi du mois, ou encore de Mannée, ce qu'll fat pénéralement pendant le mols de janvier... Sa seeré- {hire est néanmoins capable de dre sil et possible Ge repondtre postivement a la question, &avee quelle Cente, par une approche subjective du probleme a théorie des possibilités va re présentée dans ce qui suit sous sa forme generale. Elle sera ensuite placce dans le cadre de la theorie de I'vidence, qui fhe! en evidence un parallisme par rapport & la theorie des probabiites, montrant en quoi ces deux theories sont proches, sais montrant également c= fui fat lear difference fondamentale. 1, — Mesure et distribution de poss 1, Mesure de possibile, — Etant donné un ensemble de relérence fini X, on autribue A chaque Grenement defini sur X, cesbédite & tout sous: fnsemble de X, un coeficent compris entre 0 et 1 ‘raluant quel pont cet éxénement est posible, Pour definir ce coefficient, om introduit une mesure de pos »sibilté 1, qui est une fonction définie sur Pensem ble POX) ‘des parties de X, prenant ses valeurs das (0, 1, tele que i) m2) =o, 1109 ~ 1 i) WA; EPOX), Ar € POD, MCU p24.) = 56Pia2 THAD, 8 sup indique le supremum des valeurs concerns, ‘estar la pls grande entre alos dans le ca fi. 1 propre (se ret dans te cas de deus pa A,B) EPOX)? ‘ce qui exprime que la eéaisation de Yun des deux Evénements A ou B, pris indiferemment, est affecée ‘du meme coeticent de possibile que la realisation de événement Ie plus possible. Un événement est tout a fait possible si lalmesure de sa possibiite et Ggale a1, & impossible = celleci ext null, F(A UB) = max (A), 118), Exemple 1.1: Soit X ensemble des jours d'une semaine. Supposons qu'il sot tout a fit possible que |i nomination du directeur soit annonce lund ow ‘mardi, M(lundi, mardi}) = 1, et relativement pos sible qu'elle le soit mercredi, Ti|mereredi]) ~ 0,8 Test alors tout a fait possible que cette nomination Swit annoncée,Iundi,, mardi ou mercredi, avec Tiundi, mardi, mereredi}) = max(ly 0,8) = 1 (On remarque que le coetlicient atribué & inter section d'événements, eest-a-dire ta valeur de la ‘mesure de possibilit associge & imtersection de par ties de X, n'est pas donné par les concitons () et Gi) qui définissent cette mesure. Collec Imposent ‘ependant que ce coefficient soit toujours majoré par lesplus pedt des coefficients ariibuts a chacun des deux évenements. Une mesure de posiblit véife TIAN) = ming), 1B), WA, Bye POO? 0 [En particulier, deux événements peovent xe pos- sible: (I(A) 2 0, T1(8) » 0), mas leur occurrence simultange impossible (H(A. B) = 0). [Exemple 111.2: Reprenons les conditions de exemple IU.1 et ajoutons qu'il est impossible que Ta nomination soit annoneée jeud (TI({jeudi}) = 0) ‘On obtient alors pour A = flundl, mardi, jeu, TIA) = maxiT, 0) 1, pour B= jmecred, judi, 1B) =max(0,, 0) = 0,8, mais Vintersextion de A ft-de B, sot [jeudi), est affestze de TAB) On déduit également des conditions () et (i) la smonotonie de IT rlativement & inclusion des par ties de X, exprimant que sila partie A content la partie B, alors A es a moins aussi possible que B SIADB, alors 1A) = 08) On déduit également gue, si on étude un événe- ment queleonque sur X et son contraire, un au moins d'entre eux est tout fait possible, ce qui veut dire que toute partie A de X vere TMA) = 1 ou fst tele que son complémentare A° relaivement & X'vérfie lumeme THA = 1. Les proprieiés su- antes sont satsfaites YA EPOX) maxif(A), THA) Ta) + THA) = 1 (On remarque done que le coefficient de posibilté atribue 4 une partie Ade X nvinflve que modéré ‘ment sur le coefficient attbué & son complemen: faire A". Sile premier n'est pas égal& 1, le'second ‘doit Pair; sinon, eeluce! a une valeur quelcongue 2, Distribution de possibile. — Une mesure de porsbilite est totaloment définie si Yon attribue un Eoetfcient de possibile & toute partie de ensemble fe réference X. Elle est défnic plus simplement si Yon indique les coefficients atribués seulement aux partes elementaites de X, une parte queleongue éant 4"Punion de parties ékimentaizes et pouvant&reaffetée un coefficient de possibiite en se servant de la condition i). Pout cela, on utilise une autre fonction qu atribue des coefficients compris entre © e¢ 1 tout élément fe X, e€ non plus & toute partie de X. On appell ‘done aiibution de possibile x une fonction diie Sr X, prenunt ses valeurs dans [0, 1], satislasint Ta condition de normalisation suivante sux) 1 Mesure et distribution de possibilité peuvent eure associées. A partir une distribution x, qui atribue lun coefficient de possbiité 4 chaque element de X, ‘on consult une mesure de possbilité TT en conse rant, pour coute partie de X, les coefficients des tenis de X qui la composent. On définit alors: YAEPOX) THA) = supa On verte que Mains deine satisfies propriés 4) ot (i), e2 qui fait dete une mesure de posse ‘A patti de x, on constuit done TL Reciproquement, toute mesure de. possiblté attibue.un coefficient de possibiité& toutes les par- ties de X, done en particulier & celles réduites & un seal élément. On peut donc sen servir pour definit ‘une distbution de possbilté affecant un coetTicient | chaque element de X. La mesure Tl est alors ui Tisée pour definir une fonction ® par ! vreX AG) = Tx), dont on montze qu'elle stisfit la condition de nor. tmalisation, ce qu Tat delle une distribution de pos sibiié. A partir de TI, on construit done x Remargue : Une mesure de possibilité £7 peut etre <éfini, pour toute partic A de X, par référence & un sous-ensemble fixe S de X par TWA}=15i ANS 2, T(A) = 0 sinon, en indiquant dans quelle mesure 2 iL est possible que Ia valeur d'une variable définie Sur X se trouve dans A, sachant qu'elle est dans le ouvensemble S. Exemple II1,3 ; Considérons l'ensemble de ref rence X des eniers inférieurs 100 et la possiblité {qu'un certain nombre de personnes se crouvent dans hn wagon de métro. La configuration du wagon permet par exemple une distribution de possbilite x Bonde dans Ta figure IL. dans laquelle Ro) exprime Te degré avec leq! il et possible que x personnes $e trouvent dans un wagon. La mesure de possbilité orrespondantesaisait par exemple TH(70, $2 })=1, fxprimant le degré avoclequel il est rout & fait pos Sible que le nombre de personnes se trouvant dans tun wagon soit compris entre 70 et 82, 190, 100) ft plus. géneralement TK(2, 2) ~"x(@) pour tout 2a = b en raison de la monoconie de x. Notons Ta difference avec In probabilité qu'un certain nombre de personnes se trouvent dans le wagon. En part= fale on temarque gue TIQ0, 70) =TK(71, 100 )=1, Sestdire que les deus intervals compiémentares Sont cous deux absolument possible. 53, Distribution de possibiié conjointe. — Etant donné deux ensembles de référence X et Y, on sin recse a depré avec lequel chacun des couples x, hve eX el CY, est possible. On defini alors line distribution de possiiité sur Te produit cart asien X_x ¥. que on appelle distribution de possib- we conjoinie n(x, 9), pour tout x € X ety CY. Elle texprime ls influences respective dela prise en cons Aeration de élément x de X ede calle element y de Y et indique dans quelle mesure il est possible ils apparalsent simultanément ‘Cette connaissance globale sur X x ¥ fount une formation sur chacun des ensembles de référence at ¥ pis individullement. On fait correspondre & la distribution de possibilité conjointe x une distr ution de possbitté marginale definie sut par exemple, en conservant la plus grande valeur den Felativement & Tensemble de rétence Y dont on se sintéresse momentanément YrEX ma) = supyey Abs 9, (On defint de méme la distribution de possibile mar- sinale sur ¥ par weY mo) iP ecx 3) fen que tout nyCs) et tout ézaun A n(x 3), quels que soient x ety, done WEX WEY HUx,9) 5 minis), mC). (On observe qu'une dstibution de possi conjoint foumit de fagon unique tn Couple de Aisribons marginale. May teproquemen, Mon donne ler ditions de pos ny ar ty sur Ya dein de Gepnd des eras on ees enemies erect le Gln inconnis, on ae oat ps reer, on Sal Seukment que mG 3) et fou orae superar min(nxa), RYO). po ™ Ts enseubls de tence sot dis noinerad EEX WEY nO y= min(axQ9, RO), cette distribution de possibile conjointe partiulere tant la plus grande de celles compatibles avec des Aistribucions marginales- données ty et my. Deux ‘ariablesrespeciverent defies sur ees univers sont sors également dites nom interacves. influence résiproque des ensembles de référence peut Ggalement etre etudiée par Vintermédaire du Aegré avec Tequel un élément »' de Y est posible, sachant que element x de X est pris en considera: tion, On definit done une distribution de possibile conaitionnelle ry.x. de tlle sorte que WEEN WEY mG) = yal 9) RAC, pour un opérateur de combinalson # qui est généra fement le minimum ou le produit, -Exemple HL.4. Poursuivons exemple IIL.3 et con- sideront de plus ensemble Y des heures dela Journce, my, dant le degré aver leque ibest possible quill y ait des personnes dans un wagon de metro. Par exemple %(7)=0 pour y€]0h30, 5130, my(s)=1 pour tout autre y. Pour un nombre x de personnes présentes dans un wagon et une heure y, on defini fe degre nox, ») avec lequel le couple (x,y) est pos fHble. Comme la valeur de y a une influence sur celle de, ler ensembles de reference ne sont pas non- Interacts, Par exemple (60) = 1, m4(7) =F, mals (G0, 7) = 0,08. On défint ass I degre zyate 9) Avec Lequel il est possible que Pheure soit y, sachant 4guil yx personnes dans un wagon. Par exemple yx, 18) = 1, compatible avec. n(60, 18) = 1 PAF R(60, 18) = imin(Ry,n(60, 18, Ry(60). 1H, — Mesure de néeessité 1, Definition, — Une mesure de possiblté four lune information sur loceurrence d'un événement felatif & un ensemble de réference X, mais ele ne Suffit pas pour décrire Vineertitude exstante sur cet 45yenement, Par exemple, si UA) = 1 i et tout & fat pee que Aso real mason pou oe a, tine temps THA) © ge aul exe. Une indermin'on comple su lasagne A. os FiiAS =e ur meen ene Te a gee Ae pot eta, ce gaan et done ern 4 etnton Pour esp Faforton su on indque le des aves ec a alton de Set. aan ve mere de cs, ianlewr disie dune mesure de posist te aide, ee as tn Coste Comps fate Oc toute pare de Xmas ls pede As proprits tents o cs dune meer de ponte Une mire de née une fonction dine sur ensemble POX) ds pars de Xe vleus 10, 1], tele que : ® stews Sans ii) N@ =0, NOO = 1, 1) VA, POD, ADE POD. Ng 208) = ifs. NAD, ‘int indique inimum des valeurs conceenéss, este ‘ie In plus petite denre elles dans le cas fi! {a promi ve réduit dans leas de deux pr YA, B)E POO? NAN B) = min(N(A), NIB), fu comet ane pute b copie ine ie rade nécesité Que celle de B SAB, alors NAD = NOB. “ba valeur de a menire de née asociée & vie en atone ec mace ee ‘WA, B) €PEX)? N(A U B) = max(N(A), NOB). 46 (On déduit aussi une Haison entre fa nécesité d'un ‘Svénement quelcongue A et celle de son complemen faire A! YA POX) min(N(A), NAD) = 0 NiA) + NAD 5 1, lilson relativement faible puisque, si NCA) nest pas fulle, N(A}) doit Pte, sinon NAY) peut prendre importe quelle valeur Remargue : Une mesure de néeestité N peut ére ‘finie pour toute partie A de X, 2 partir dun sous- ‘ensemble finé S de X, par N(A) = 1 si A 2S, (A) = 0 sinon, indiquant dans quelle mesu Mcessarement vrai que la valeur d'une variable Gefinie sur X'se trouve dans A, sachant qu'elle est dans 5 2. Relations entre mesures de possibilité ct de nécesté. ~ Les proprités imposées aux mesures de Dossbiité ec de nécesite sugérent qu’elles sont asso igs. Plus précisément, sur_un ensemble de reié- fence X, une mesure de nécessté N peut etre ablenne § partir dela donnée d'une mesure de posibilite Tl, par intermediate du complementare A’ de toute partie Ade X VARIN) N(A)= 1 = TCA. Pus un fsdnement As afeté ane eran nfs Sie, moins Fevenemen conplemenate Ate pos Site "don plus on ext ert de a reanaton de A THA) mort Te cegre see nga evenemen A et Sepals dee Hale, NA) ndigue Te dese de ‘Stite ave fon pout senbuer cate réalsauon 1a elon Ge crenest st cee wn Sips seulement st sll de Sn som Sregtave et impossible HAD = 0, done ays Sha mess de possi 1 st tiie & pane ”‘ane distribution de possibilité x, on peut définie la mesure de néeessitéN'duale de Tl par YAEPOX) NA) = infya(l — nt) La dualié entre 1 et N apparatt encore dans tes telations suivants, quelle que Sot Is patie A de X + TK) = Nea), ‘max(TWA}, 1 NUA)) = 1 Ls avons précdentss poser que, si NA) loys THA) = Ice qu veut de que tout Evenement dont on et, au moins un peu, certain st out 8 a Dose. Dé meme, si TWA) #1, alors MA) = 0, ee {ul sinerrete en dant qu'on ne pest avo Is Imoindre cere sor un Clement ut nc que ‘eatvemeat posse Bremple LS: Reprenant exemple 1, et ta fate Lon pet ese lec are at uel nombye de voyage dias un wagon eta pls Gea 30 vau NG, 80) 1 = TR, 100} i Se) = Os. On wes pas cele ce ah Iuisgil et ercre pol, ter unde de po! Bie'o9, are nombre de voyage si & UL. — Comparaison entre possibile probable ‘Les mesures de possibilité, comme de nécesité, constituent des moyens de representation dincerti- tudes, comme les mesures de probabilté. Leurs pro- pridtés en sont diferentes, mais elles leur sont cepen dant comparables. De meme, les propretés des sisributions de possibile peuvent etre comparées a calles des distributions de probabilte. La figure IL.2 met en évdence les principaux points de comparaison, ton observe que les égaltés ont des formes analo” ues, excepté le fait que (oute addition de la théorie des probabiliés est remplacée, dans la theorie des 4s possbilités, par un maximum et que tout produit et Femplacé par un minimum, Cette démarche revient Titer une teonorme plutdt qu'une autre (Lass “Lenin ne tnorme plutOt qu'une autre (Tze, Tynan), Les propretés similares sont soumises Tmo de conttaines dans Ia théorie des possibi- frgs que dant celle des probabiités et les valeurs des mesures et distributions sont chosies avec plus de Hiberté, dans fe cas det possbiltés que dans le cas des probabil. FOSSILS PROBABILITES Gan mre Tr Pop oF law xe x m8 Pac xpr=t ‘yea. € moo Yow €p0% Inar=mp ge 70 PRADME geaPts) u8) 2mm fA) 1@)]ALB)=KA)(B) ANDO INAna) min SCA) NB) [RAM B)-PAIRB) inpentasd fs T1185 Inw=ane | fe masa Ia) - Nad <1 frxex ms ence} 8X 79) 1/0 IV, — Possibilié et nécesité de sous-ensembles fous Les notions de possibilité et de nécessité ont été inroduites pour quantifier la certitude sur un événe men, c'stadire qv'elles s'appiquent & des clases brdinaires d'un ensemble dereference X. Lorsaue ls lasses que Pon etude soat floes, on peut indiquer Gans quelle mesure elles sont possbles et elles sont ®cetaines, dant donnéss des connaissances préalables Sur Vensemble dereference X. Par exemple, sachant que la taille d'un individa est grande, dans quelle ‘mesure peut-on considérer qu'il mesure approximat ‘vemont entre 165 et 175 em? On répond & cite ques. tion en fasant intervenir deux coefficiens, l'un de possibiit, Pautre de nécessié, qui donnent tine infor mation giobale sur la classe floue consiérée Premier type de connaissance préalable sur X calle est fournie par un sousensemble de re fence A de X, Un atte sous-ensemble flou F de X ‘est Wautant plus acceptable qu'il est compatible ance A On Eval als la possible F retatve TF; A) ex MINE, F400), 4qui mesure le degré maximal avec legue! un élément x de X peut appartenir & la fois a F el a A. On remarque que THF; A) = O indique que FA = et que TF; A) = 1 indique que FM Ax 2. De fagon duale, I nécesité de F relative @.A ext efinie par N(F;'A) = I= TE; A), soit = NOP: A) = inf max (Ale), 1 = fA0, qui est maximale et égule a 1 si et seulement si Noy (F) 3 Supp (A. La compatibilié de P relativement & A peut aire ‘mesurée par un coefficient résumant les dev coeff cients precedents: (PA) = (TUE: A) + NPS ANI?2, dau sacsfalt (Fs A) 4 e(F5 A) = 1 Second type de connaissance préalable sur X : on salt quelles sont les valeurs posibles de (ensemble de reference X, Ia. possblé d'un sous-ensemble ow ¥ de X est évahite pat retérence ane distribu tion de possibile x sur X'eomme ! TH) = supsex min Ula), 200), esa nécessité s'en déduit par N(E) = 1 — THF), NG = imfge maxUH0.1 — BEAD, Ces deux coefficients permettent d'évaluer la com patbiite d'une description floue F avec une dist bution de possbilité eonnue. Exemple II. : Considérons & nouveau fa variable tinguistigue CV, X,T) 08 X= (0, 100] et V est le fombre de peronnes dans un wagon, comme dans exemple 1113, Supposons que. ce’ nombre. sot fadgu comme P = aon aeoure de 85» par un Ubservateur, avec” une representation triangulalre 5,5. Shox indiguée dans la figure 113. On en {éduit une apprésation sur ete indication, donnée par sa possbilté FIQE) = 2/3 et sa nésessit, done tine certitude sur sa véracté NF) = 0. Les utlsations de tels coefficients existent par exemple en inteligenceartificille pour compazer une proposition floue abservee « V est F» 4 une propo ion flove de référence «'V est A» V, — Mesures de possibile ‘et Tonetions ‘de eroyance Les mesures de possbiité peuvent re placées dans le cadve d'une theore plus genécale su Tes fonctions fe eroyance, quia Tintéret de les stuer par rapport staux probabilités. Théorie des posibiltés et théorie des probabilités apparaissent comme descendantes fun ancéire commun, la théorie de Véyidence. Cec! mt en évidence, dune part, la raison pour laquelle elles ont des propristes simisires inst qu'il a le ‘montré dans le paragraphe I, ot "autre part Ie fat 4u'eles ne peuvent etre confondues puisquelesrepo- Sent sur des assertions incompatibes. Les fonevions de crovance concernent a modiisa: tion et Ia-quantifcation de la eredibilite arvibue & des fats. La théorie de V'évidence de Sharer cons: dere un univers de référence fini X sur Tequel sont ‘terminés des coeficients de croyance, ablenus eo repartissant une masse globale de croyance Gale 8 1 enire (ous les évenements posibles. Une masse m aviribue un coefficient entre O et 1 aux patties de Xde telle sate que! Exax mA) = mA) eeprésente le degre ave level un grou Jes elements de croyance sont concordant, ies ob vateursnattibuent pas de croyance des événements Jncompalibies. Alors le degré de pausibilté a ls pro- Drigtés d'une mesure de possibiité, et le degre de {rovance ales propries dune mesure de ngcssté, ‘On en déduit que, quelle que soit la partie Ade NIA) = PUA) = TIA) ‘On peut alors construin inex! eEX RO) = PH(X) =O si xEX— Ave = Exeiae MAD sinon, ‘Ag ant alors Velément focal tel que x € Ae An 2) Supposons que les éléments focauk soient des singletons de X, les avs émis ne concernent que des Gvenements émentaires. Alors toute partie A de X tet tele que Bel(A) = PICA) et ctte valeur commune fst également celle de la probabilité P(A). Exemple LL? : Soit X = (a, be d,e f} un ‘ensemble de chevaux de course, par exemple. P= hypothise:onattribue des coefficients deeroyance en leur vitoire par m((a, 6)) 0,5 indiquant que on 0,5, que a@ ou b gagnera, In(le})=0.3,et mt (a, , 6, 7) 0,2. Onse trouve dans Tassituation generale de definition des masses et Yon ‘btint par exemple Bel(a, , d])~0,5etPI(a, , d)) 0,5 +02 =07. 2 ypothése es masses atribudes sont les suivan- tes stl, B})= 0,8, la, by €))=03, (ia, b,€, dl) Sint (a, b, 6d, €]) = Outs les autres parties de X syant tine masse nulle. On définitains les élément focaux, dont on remarque quill sont emboiés : la 8, 6, dye] 21a, 6, ¢, d) 2a, Bc) (a, bl. done Jes degres de plausible et de croyance’ qui s'en 8 Alistrbution de possibteduisent ont respectivement Ios proprtés dase Inesure de neces e d'une mesure de pow On trouve Bel({a, b, ¢, d, e} een d 0,9, Bel({a, b, €}) = 0, ) PIC b)=1, Pte) Pi(ie})=0,1. seu Shots; om true des eoeiens de exoyance en fa victoire des chevsnn par mite) OS ‘m({0})= 0,4, m(e))=0,3, mel) =O oneal i. eee ey hast eet de chaque hve on a donc une idée de la probabilité pour qu’i! gagne. {nse trouve en presen teens fovauy son 4 Snletons et la valeur commune dv dose ae Dlausbieet de eevonce obtenur et cle dane pos able: Bella bs end c}) “Plo, ede) or Bel({a, b, cd!) = PI(\a, 6, ¢ dj) = 0,9 . 6 Caarrrae IV VARIABLES LINGUISTIQUES, ET PROPOSITIONS FLOUES La thgore des possibiliés, tlle qu'elle 2 &€ pré sentée av chapitre IT permet le traitement dincer tudes de nature non probabliste sur des événements ‘erie cans imprécsions ni caractéistiques vagues. Mais. historguement, tA. Zadeh a introduit 1a thorie dee possibilité & propos de la caracérsation tle variables par des descriptions linguistiques impre tikes, représentées par des sous-ensembles flous. La ouction e'appartenance de eeuxei conduit Ala def nition dune distribution de possbiite, qui permet Ge traiter Tes inceritudes engendrées au cours d'un raitonement fonde sur les caractérisations lowes des variables. (On définit dans ce chapitre Ia notion de variable linguistigue et on introduit le concept de proposition flowe gti esc uills¢ en logue flue. On montre com- ‘ment defini dans ce cadre des distributions de pos- Hite qui. permettont de aiter_simulianément connaissances impresses et connaissances ncertanes Gans un raisonnerent 1. = Variable Ungustique En physique, une variable V, elle que ta tempéra ture, prend ses valeurs dans un ensemble de defini- tion X, par exemple ensemble des nombres réeis fomprs entre ~ 300 °C et + 300 °C. Généralemen, ‘Un instrument de mesure permet de donner la valeutfexacte qu'elle prend dans une situation donnée. Si "instrument de mesure est légerement imprécis, cette valeur est connue a1 pres, par exemple” Sila valeur dela variable est, par contre, fournie par un observateur qui ne dispose pas dinsicument de ‘mesure, il Mévalue grosierement comme « aux alen tours de 25°C = 50°C », ou il exprime que «la Températute est dlevée ». La notion de variable fn ‘uisique sert A modéiser les connaissances impre. ‘ties ou vagues sur une variable dont Ia valeur pre Une variable lnguistique est représentée pa un ts let (V, X, Ty), dans equel Vest une. vatlable (ape, ta eemperature..) definic sur un ensemble de référence X'(Pensembie des nombres entiets, et els.) S2 valeur pouvant étre n'importe quel él meat ‘de X, On note Ty = (Ay, Ap ..} un ensemble, fini ow infin, de sousensemibles fious de X. qui sont ut lise pour caractériser V, définisant des restieions es valeurs que prend'V dans X. Si Ton tine « chaud » pour caractriser la température, on res teeint au moins Mensembe des valeurs possible: pour Ia température aux nombres postfs, Des tenmee Ay sont done chose pour effectuer des descriptions de V" et chacun est associé 2 un sous-ensemble flow de X de fonction dappartenance fy. définie sur X et valeurs dans [0,1]. Pour simple, on note A, & la fois le terme lnguistique'(« viewk ». « ehaud ») le sousensemble flow qui lui est associé. Notomy ‘que certains des: dlements de Ty peuvent ere. des parties ordinates de ensemble de reference X. even ‘wellement des singletons de X, qui sout des cs pa Uiculiers de sous-ensembles flous, avec des fonctions 4Vappartenance prenant les valeurs 0 ct 1 Exemple 1V.1; Considérons ta taille comme variable V, définie sur Mensemble X des entiers pos tifs par exemple. La definition des sous-ensembles Aus de X qui permettent de caratériser V depend 56 dy contexte dans lequel V est ute, puisque ‘mene » dat eal un Se an ou Selle d'un arbre ne put ere dfn parla mime fone: tion dappartenance: Un exemple ensemble Ty «3 donne dans Ia figure 1V-1 Selon Futlation gui doit fire fae, le nombre d'lements de Ty ex plas fu moins grand, ce qui veut die que la description GeV est plus ou moins fine. Si fon 'awiorise & ‘écrir églement Ia tale dun dre human par 58 Salcur peeise, i faut ajouter dane Ty Tous Ks sine stons'de X. par exemple [160, (18). eacios dappananse reareaalen we ae [Miuiets Raw Moyer Graaf i 1100198 wo _ 160170190 200 tule, XR", Ty=t Minune, Pali Moye, Oran, mee a Wem eae gi, X.) 1H, — Moditicteurs linguistiques Le but de Puilsation de variables tngutiqus caracterice par des deserptions fous, vague 00 impesics,ieeboreatllemant Fides de descriptions ordnaires et dintroduie une frande souplesse dane les caratérsations. Lid ‘Papproxmation une descripon standard, de pros trite entre caracirisations, e'interpolation etre les faracterisstions doanes dans Vensemble Ty associé Sie variable lingustique (V, X,y) conduit 8 ls Sefiniion de modiicteurs, tls que «tes», « pls fu moins », qu constituent tne sorte de sandard Sation de" expression linguisique utisee pour ”moduler ne description. Les caracérsations ti sfes pour décrire leat de la variable V sont donc, Sit les éléments de T, soit des formes modules de 2s ements obtenues en utilisant des modificateuts, Un modificateur linguistique est un opératcur m ‘qui permet, & partir de toute caracérnation floue A deV, de produire une nouvelle ciractérisation floue m(A)."Si la fonction 'appartenance de A ex fy elle de MA) eS Ja) ™ tlJ) ObteNVE pat Tintdimédiaire "a'une transformation mathéma. tique fy attachée Pour un ensemble M de modificateurs disponibles, fon note MCTy) elu} des caractérisaions.floues engendrées par M a partir de Ty, par exemple avec Ty = (petty moyen, grand}, M = {plutot, non), Miiy) Contient plutét petit, plutdt non grand, nox moyen... Exemple 1V.2 : Les effets les plus inéressans que ‘voir un modificateur linguistique sur la carac- terisation intiale sont indiqués dans Ta figure 1V.2. ‘On peut distinguer des modifcateus de enforcement {img par exemple), tels que tres, fortement, séelle ment... et des modificateurs d'afaiblissement (ry, ‘as miy par exemple), tels que plus ou ovoins, cela tivement, plucé... Les premiers modiiateurs ont € proposes par Zadeh sous le nom de « tes», seeocls 4 1a transformation a /al0) = fal, ct sous le ‘pom de-« plus ou moins, associ la transforma: tion f4U408) = Za)" Une negation w non » pet fire considérée comme un modificateur lingustigue, our une transformation fy fx00) = I~ Jae Exemples de transformations”: + in Faa= max, Wfyes) + 1 ~ »), pour un para mette Dcomprisentre1/2et I, qui indigue& quel point ima) dittere de A. # fa Fab) fale+ a), pour wn paramere « postié ‘ou ngact selon que on veut effectuer un renforce- ‘meat ou un affablssement. ss — cesta inne Sentatn me aN oda eenigae IML, — Propositions owes 1, Proposions floes cémentaires, — La repré seniation pulse tltement de connascanes xp Sa tymilquement et non numeniquement, passe fr Taigaon de arabes linguistiques, Ons ite Pg" deerpitoas ela forme «ia tlle ot moyenne nla test et pte rapide», Te prix wen pas cher Formllement, on considére un ensemble L, de variables Hnguistiques et un easomble M de modi teu. Une proposition floue dlémenaire et dine Sante dune varable ingustnue (Ws) de L fa qualification eV est An, pour ie crater Teflon floue A ave Yon suppore normals, appat- team 27 O08 MC Ta propeson « Ve A» et autant mins wale due la valeur eae de V, soit ment Je X, sa {at mal i carateadion A, cestaedre que [AO 39et faible. La valeur de vrité d'une proposition flowe Glemenizire « V est A» est define par la fonction @appartenance fq de A. 2. Proposition floue générale. — Une proposition Plu générale est obtents par Ia composition de pro- positions floucs eémentares « Vest A», « W est D>... pour des variables V, W ... supposées non: interactives. La plus simple s'exprime comme la conjonction de propositions loues dlementaires « V est A et W est B >, (par exemple, la tile est moyenne etl prix Brest pas chet), Wet W sont definies sur des ensembles de référence X et Y, et elle est associée 4 produit cartésien Ax B caracérisant la variable ‘onjoiate (V. W) sur ensemble X.Y. Sa valeur Se rite est’ donc définie par min(/aGs, fe) 20 tout point ty) de X' Y. Une tole proposition floue'apparat 16s Tréquemment dans les reles des systémes a base de connaissances et en commande flowe, ‘On peut de méme composer deux propositions foues élémentaires par dijonction de propositions Aloues elementaires «V ext A ou W ext > (par exemple, la tale ext moyenne ou le prix n'est pas then). La valeur de verité de la proposition Mowe fobtenue’est-d&fnie par max(/al. fa0)) en tout point (x59) de Xx ‘Une implication entre deux propositions owes éé- ‘mentaires dfinit aussi une propeston flove que Pon Deut exprimer par « si Vest A alors W est B» (par ‘exemple, sila taille est moyenne, alors le prin est peu cher), sur laguelle nous reviendrons longucment fn raison’ de son r6le important dans le raisonne ‘ment sur des connaissances Moves, Plus généralement, on peut construire des propo: sitions floues par cofjonction,disjonction ou impli- tation portant sur dee propositions floves ‘quel- cones En partieulier, une proposition floue utilisant une « implication entre deux propositions floues quel ongues, par exemple de la forme «si V est A et W'S Alors Ut Cy (I tlle et moyenne tle prix peu cher, alors Pachat est conse) ex Spee une rele floue, « Vest A ct W est B » Geant is prémisse de ia rege et «U est C » sa conclusion. 3. Disibtion de posabitéasoce 4 une pro- posi Mover Ls sion de variable gusta 2°Ge proposition flove permet de satague a a fence de connaissances impresses 8 gus, {S'iperinndes tur le acsompagnent ne sont Pas ‘Seore fasten inaipuabes; Now alors mow. fro vt Te sont a sat ia tone es os this [Une caactérston flow tle que « sand » es aatinie‘e" port et ou foncion Sapparenaee J indie avec quel degre chaque élément de X fat {ppatcnt, Une propetion flows tie que «la ale grande» est une deseripten posterior, apts Starvation dune ptustion paral, deri de {pon vague Ta tile denis doone ee nde Ete gucke mesure est pow que sa tale exaete Soi ov ee dlement de X ea veut dirs qvune proposition love indut une tcvrbuton de poste ny sit X, i pat Se foncion drapprterace asosee # A Tar WEEX Bgl) = Sab Cette definition exprime que, si e est le degré a’appartenance d'un element quelcongue x de Xd la caracterisation love A, la possiilité pour que la variable V_prenne fa valeur X, sachant que V est aractrisée’ par A, est aussi gale 4 ¢ Cite distribution de possiblté permet de définir une mesure de possibile pour toute partic non ove’ D de X, ane donne que V admet la caractéxi- sation flove A! Hy a(D) = suPsety (8) et une mesure de nécessté Ny, ,(D) = I= Ty a(D") ait deta mime tribution de possibilcé sur Ie produit carésien des ensembles de défnition des diferentes variables intervenant dans la proposition flows. Par exemple, « V es A et W est B >, avec V ct W dee ies sur ‘des ensembles de référence X et ¥, indut | distribution de_possbi vrex, WEY evan na 9) = MN KA, FD. Exemple 1V.3: Soit V est la taille, X ensemble des tiles possible [0, 280), T un ensemble donne de caractérsations loues de V, pat exemple celles données dans la figure IV.1. La valeur x = 133 cm e Ia variable V appartieat au sourensemble flow A = «moyen » de'X, avec un degre 0:3. On peut fen conclure que si un individu est désrit & Pale de |a proposition floue « Ia alle et moyenne », la pos. silité ny (3) pour qu'il mesure 133 em vaut Gea Tement 0.3. La possbiite pour que sa_talle soit comprise entre 130 et 140 em vat THy ((130, 1401) = suP.eo ea) = 1 Dans le eas d'une proposition floue incetaine dt type « X est A, aves tne incertitude t », pour Ae T, aucun élément de univers ne peut tre qualifié impossible en raison de Tincertitude et tout él sient a un degré de possbiite au moins Seal de. Une telle proposition floue est assocge 8 la distribu. ‘ion de possbilité obienue en tronguant la base de salle associge a « X est A» pat une droite horizon tale dordonnée e, et lle est donnée par: WeEX x/G) = maxinGd, 6) (oie fis. IV.3). Remarque : Considérons le eas particulier oi A est un sous-ensemble erdinaire de X. Si A est certain il permet dassocier& V la distribution de possiblité tele que my as) <1 ve € Act ty Q(t) = OVE A, On en déduit que Mly,(A) = Tet Ny,a(A) = 1. Si e aaa ‘Vest A mac ume iene ¢ Ape Afe Ape Lin Go i. 13. cos pt de apt ne nrtton ce pose sac ‘3t incertain, il permet dassocier& V la distribution te posstbe elle que xy a00)= 1 ¥x € A et my.) = Eva A, 8 at so dept cincerdude; i ex edu 1a mesure de possibile Ty, a(A) = mesure de néoessité Ny(A) = I~ ce qu Fides selon laquelle Ia‘aécssité est une évaluation de crtiude. IV, — Caractvistiques de ta logique floue LLtsation de connaissances imprécises, vagus sown cond abana iit Sur ls qu'on ne pourat I fare en logigue las Sie een paticuer &tépondr sox bois se ‘) manipler des valers de véié interme te ral ele fae aol, ‘} moduler It notion de quantfcatour ence es deus enrmes ge 90 es anaes unites ¥ sCexitenie 3 a5 uallfieringustigucment Ia probabil a pos isla in Este one propostion, ) lis dos rps de duction en présence de fal qu ne lou convieneat qimparatement {ue nfacorent pane scemat de rasonement els Ge fe mts ponens ee mods tlle (Ui. 1) 6ection ptt eaq pva Pd gfot sgn yao eyes yor bt foo aftr vor Pour répondre au premier de ces besoins (), une premidre extension dela logge elasigue a et pro. posée en 1920 par Lukasiewicz comme une logiaue 2 trois valeurs de vérité représeniées par 0 (le faux), Te vrai) et 1/2 (e dovte). Elle peut Etre introdute & partir de la donnée des valeuts de Vimplication — ‘tide le négation —, celles de Ia disjonction sen Aéduisant par pV q'- (oq) q et celles de la conjonetion par p Ag = (> pv" a). Bile est rappelge dans la ‘figure 1V.5 coeesion dejan tapiion npn re pe Fie VS. ~ Legere Lala, De _nombreuses autres logigues multvatentes {admettant plus de deux valeurs de verte) ont ensuite 16 propostes. Mais detalles extensions de la logigue classique ne sufisent pas pour traiter des connais- sances imprécises, puisquelles ne eépondent pas ux Desoins Gi, (i) et (wh et L.A. Zadeh a presente Te logique floue comme un cadre pour le raisonne 6 rent approximatif c'est le raisonnement sur des ‘connaissances pout lesquelles. des caracteristions Figides n'auraient pas de signifieation, Par exemple, lnrégle «si le prix est infrieur& 60 000 F, jachéte » sera ntuitivement utlsable sl prix est de 60 010 F, mais elle ne pourrait re explotée en lopique classique puisque le prix indiqué ne satiserat pas la premise. Les caraciéristiques générales de la logique floue sont les suivantes —les propositions sont des propositions loves etnies 2 parr d'un ensemble L de variables lin- suistiques (V, X,T,) et d'un ensemble M de modi- eaten, “ia valour de véeité de coute proposition floue apparent & (0, 1] et est fournie par la. fonction Gappartenance dela earseérisation flow ute dans I proposition floue, les quantificateurs peuvent étre flows, (par exemple «dans la plupart des cas », « généra- Tement », = “Sil exste des qualifications de vérté(« V est A » st vai, ers vray peu vray), det qualifications de probabité (« Vest A.» est probable, tes pro- babe, peu probable, ..), es qualifications de possi- (EV est A» est possible, ts possible, peu pos- sible, 3. "Ia lopique fou ext considérée comme une exten- sion de 1a logique classique ‘Cette dernitre caractristique signifie que, les sous ‘ensembles classes Gant ds cas parialiers de sous- ensembles flous, des caractérisations précis dune warlable (« gaa la valeur de») donnent des ‘as particuliers de propositions floues (par exemple ‘tla hauteur est de’ 30 m », ou encore + Ia déision 4 prendre est 'opérer ») que Von peut qualifier de booléennes, fournissant des valeurs de vérté qui ne font que O'et 1. Dank le eas od toutes les propos! tions floues Soat, en fit, booléennes, la Topique Nowe fst identique 4 Ia logigue classique 6sY. — Quantifeateurs Nous Une forme courante de connaissances fournics Fin euistiquement est Ménoncé de lois aenérales, comme ‘généralement, Tes magasins sont fermés le Aimanche» ow Wl est rare: que tes femmes soient chauves ». On inttoduit alors des quantficateurs fous, qui déerivent des situations intermediaires entze le quantiicateur universe et le quantilicatear exis Tent, e'esta-dire entre les deux situations extremes. Is caractérisent une cardinalité absolue ou relative ‘Un guantfiateur flow est un sous-ensemble Nou de Pensemble R des nombres rls, mais le pls SOU vent de 0, I] seulement, qui décrit un nombre de ‘on une proportion approximative, tels que « dans la plupart des eas », w rarement », « dans quelques cas», «epénéralement»... Exemple 1V-4: On peut imaginer une régle floue ‘aui s'exprime de facon équivalente par: dans la Plupare des cas, sila nationalité (V) est nordique (A) sors la couleur de cheveux (W) est blonde (B)»; fou par «la plupart des nordiques (A). sont blonds (B) ». Le quantificateur« la plupart » pourra Sure représenté comme dans la figure TV.6. fQ a eee TR a 16 — ae te sau cto Soit Q un quantficateur flu, de fonction d'app tenance fo. Une régfe floue ‘quamtifide est de orme « Q's V est alors W ext Bn qui peut encore 66 Sexprimer par « Q les A sont B », pour deus pro- positions floucs « V est A » et « W est B » defiios PParir de variables linguistiques (V, X, Ty) et (W, ¥, T)- La possbilité pour que la proportion eB qui sont A soit p est égale A Ia valeur de Fh?) Vi. — Probabité, possibitte fet verte Hngutstiques acm les variables numériques susceptibles etre catactérisées symboliquement figutent la probable tla possibilié, dont on ne connate pas toujours la valeur précise. On peut également considerer que la ‘Erte nest pas seulement qualifiée par « vral» ou ‘faux », mais qu'il existe des degrés de vrité intr ‘niaires, valeur ente O(correspondant faux ») cL (correspondant a 1). Des qualifications de pro- Dobilté («i est peu probable que ..»), de posib- ie (it est possible que »), de vérté (eit est relti- ‘omen vral que ») sont respectvement moddsées par Timermédiaire de variables linguistiques (Pr. (0,1), Tp (PO, 10, tl Ty, (Ve, 1,1, Tyo, 0 Pe, PO, VE Sont ies variables ‘de probabil, de possibile, de verte, aves par exemple Toy ~ |improbable,pro- table, tout & fat probable), Th, = impossible, pos- sible tout a fait possible}, Tye = (faux, vrai, tout fait vrai 0Canora ¥ RAISONNEMENT EN LOGIQUE FLOUE Les sous ensembles flous et la théorie des possibi tds sont des déments importants de la représenta tion de connaissances imparfaitement défnies. Pout falsonner sur detalles connaissances, la logue clas Sique ne suffi pas el on utilise une logique Hove, Torsque es connaissances sont impresses, vagues e Gventuellement inertaines, 1, — Implications flowes 1, Definition. — Considérons une régle floue de ta forme ws V ert A alors W ext H », introduite dans le chapitre 1V-I2, consruite& pattir de deux variables Hinguistiques (V, X, Ty) et (W, Y, Ty) et "un ensemble M de modificateurs. On. quaniite Ia force de liaison entre la prémisse « V est A » et In conclsion « W est B » de eete rege, pour mettre fen evidence Vinfluence du fait-que la premise soit Stisfaite, cesti-die que V soit effectvement carac {rise par A, su le fait que la conclusion de la régle soit satistate Pour cela, on définit une implication floue asso- cide a toute réple floue, définie & partir des deux fnscmbles de reference X et Y. La valeur de vérite dela proposition flows obtenue pur vlisation Pune implication floue entre les propositions floues él mntaires « Vest Av et « West B vest défiie par Ia fonction d'appartenance fq dune relation flowe Renire X et ¥. Celloci 'exprime, pour tout (9) eX x Y, en fonction des fonctions 'appartenance 6 ‘Jale) intervenant dans ta prémisse et fu) dans la ‘ocusion de la régle Fe) = OULD, fab, pour une fonction & choise de tlle sorte que, dans le'cas ob A et B sont definis de fagon précise et certain, Vmplication Nove soit identique 4 Fimpli- tation de Ia Togique clasique. Rappelons que A et B sont préss et certains si leurs fonctions dapparte- nance Jai) et fad) premnent valour Ten un point, pectivement ote ct Jp de leur ensemble 4e definition et la valeur O partout alleus, ce qui fevient & dire que V ext égal Am et WAY Exemple V.1 : Considérons les variables V et W ‘gui sont respectvement le poids et le prix définis sur des univers X et ¥ de nombres res posts. On defnit es ensembles Ty et Ty de earactrisationsfloues de V'et de 'W dans un contexte donne, celui du come merce de diamants par exemple. Pout « important » fw deve » appartenant respectivement & Ty et Ty, tun expert fournit une réple floue tlle que 4st le poids est important, alors le prix est élevé », représentée graphiquement dans la figure V.1. 2, Principals implications floues. — Il n'existe pas tune fagon unique de genéraliser Fimplication de la igle-Dove const dana: Sti pads morte set ee ie poids emporio ™ Te pret det tb tote) ce ew) Vi. — hem ee a ©Jogique classique et le rableau de a figure V.2 indique Jey implications floues le plus souvent employées. On Ya indiqué les implications de Mamdani et de Larsen, bien qu'eller ne genéralisent pas Uimpliation clas Sique Pulsque ce Sont, en fait, des conjonctions, en yest aceptable, ant donné x, relativement a a re @noncte, Par exemple, un poids x appartenant & Pintervaile(b, =[ n'est lie 4 aucun pris » apparte- nant & Vintervale (0, ef puisqu'alors f4i%, 9) ~ 0. Talon de leur ; belles peuvent serir Near. ea lene des condonspartcues hence commends | Tas} > an > Move Tet [alta amreomeaaian| 1 kara Valeri Ren imi] 0 HD Tt faasear |-taonetyin.tyin | Roni so | | anes 4 [aw (xa) | mast «fats mint g(a) pho) | Willmott V3. — Valeur de vets le 9) de Vimeaion fue de Lakasewie fancstsa>| 11 5 £40) fy) Reacher Gaines ha ar ei fee one exces fg — feat] p46 6900 weet 3. Clases générfes implication lowes, — Ces reece pions n sot pa sore aon Jactar | tng Ds te0| cream discs dmplatos floaty sin i fagon dnt es tseoe Sralsent Vimplcation dla lglg clasgue: On oor | itty — fone ci-dessous quelques exempes de tlle Saiser, estes] mint fg Manic Helse = 468 9) = L(A LAs feeds | 00 faon Le od 4 ext une tsonorme & mune nésstin ive Exemple V.2 : Poussuivons 'exemple V.1. Sion utilise, par exemple, implication de Lukasiewicz pour ‘quantifier Ia force de In Lisson encre la premise et In conclusion, Ia valeur de verte de [a resle Hove Jat 9) est indiquée dans le tableau de la figure V3. Un poids donné x est lig & chaque prix y avec une force fats») Cautant plus grande que la valeur de 0 tive, Cette classe est une généralisation de Péglite B= q = ~ pV gdelaloxiquediasique. Commecie, fle est incangée si 'on templace la rege floue « si Balers q_» pat « si > g alors ~ p'». L'implicaton BR en xt un exemple pour L(4, »)=malu,») e tu) = opel: = TUG, fs (08 T* est le, quasi inverse de la -norme T, défini Mu) 10, 1P par Tu 9) sup e011 144) V1 Dev examples en sont implzaions Hoes pour Tus, Y=mintu, 9, Re pour Tia, Yi=wy eR! pour n=F tase: fs 2)= MITC), ITA, LO7M. Pour une négation m et une tnorme T qu étend M'épa lit pg = > pV(@ Ag) de la lopique classique Des exemples en sont les implications floues RY Tau, ainsi que iax(ut v1, 0) et On remarque ainsi que le choix depérateurs de conjonction de disjonction assgcés 8 une implica- tion n'est pas unigue, puisque R'°, par exemple, est associé A _L(u, »)=max(u, ») pour sa présence dans In I classe ef 4 Tlu, ¥) A. On observe que, si A et A’ ont méme noyau (partie de Xi leur fonction d'appartenance est égale & 1), »Faltaene ven poise pla npn © F2F6, 256,28) @ BRK il en est de méme pour B et B’. Done, si A et A’ ‘ont mime spécticte, A” étant moins présise que A, €/ou plus incertaine, i en ext de méme pour B at ‘SIA et A” ont méme support (la spécifite de 1 Gant olor infu ele de A) eseaste {gue leurs fonctions appartenance sannulent sur le méme sous-ensemble de X, alors expression di 80 résultar « W es B! » dépend de Vimplication floue choise — Soit elle ne comporte pas d'incerttude, Alors Ber B" ont méme support, cest-a-dre que leurs fone tions d'appartenanoe sannulent sur le meape sous ensemble de, Y, cei se produsant avec R™, RE, ReRM, RE ~- Soi lie comporte une incertiude ¢(cest-idire aque e st la plus petite valeur de la fonction appar tenance de B" a Textércur du support de B, done {quand la fonction dappartenance de Best ull). eaiSe produit aves RY RY, RED, RE De fagon plus générale, 'ncrttude sur la conclu son depend de la difference entre A et A et vaut mee supper snraatnta), avec RE, R™, RS ~ Samp ext U0). Ifa), aves RAR, RE? et RE, ‘pour 'opéateur de modus ponens généraliséT choisi, ‘e qui donne comme incettude fe plus grand écart, entre Dobservation et Ia prémisse E> suPax MAK (0)~ F400, 0) POU Thain Remargue : Un cas particulier de cette situation se produit lorsque A’ Sexprime & partir de A pat termédiaire d'un modificateurlingulstique m, avec ‘Av ~ mA), (le fait observ est « X est approxima tivement A par exemple). Dans la figure V.9, es resultats obtonus sont interprétés en ulisant’ des ‘modiflesteurs. Plus peésisément, sim est défini par tine transformation mathématique chovsie de fagon Adequate, tele que celles données pour my ems dans le chapitre TV. par exemple, Ia conclusion fobtenue par le modus ponens generalist est soit de la forme « Y est m(B) > sot de la forme w ¥ est Hy aves ne incertitde dependant des paramétres Aéfiissant m, selon Vimpliation floue utilisé. aSee sghprernatee mer bee Sees fe Sa | eee = ae bg = 4, Loobservation est précise et spéifique, — La rréminse de ta rénle Move peut dre imprécise ou ‘rague, mais le fait observé est parfaitement def ‘A” ayant une fonction d'apparienance égale & 1 et tin point) de X et & Oailers, soit A’ = [3] oir Fig. V9) * Dans le cas ola prémisse est elle-mme précise er spécifique avec Av (%), on obtient éviderment ‘comme résultat la conclusion de la régle flow Six; = Par un modus ponens ordinaire., Pa fonire, 31x) # 2%, on obtieat une conclusion indé- ferminge, aver B’'de fonction d'appartenance éaale A'T'sue tout Y pour toutey les implications floues eta figure V.2, saur RY ec RY, qui donnent B= 2, de Tonciion d'appartenance null surtout Y. Excmple V.S : On sl ques la empératare ot seu ext dei °C, alos fat redureechalage {on obser ous ia temperate est exact de Tec. on tedut éidemment Ie chaffge a Pon Obvare ‘une tempiratre de 17°C, ge fournle ne permet par de conre ‘Dans lees ot a pris ae pas préit, om cltet une sociuson Catan pls proce de Be treme que observation et forme! compa sve: in prenusce, Pour a major des mplcaom lowes a'r gue V2, on bvent ls eeu suivante ai fu) ~ Oy le fat observe conven pas , tle fait observe «ele poids est do'I,4 carat » per. mettent une conclusion du type « son pix et reat vvement lev >, ou « son pel est presque certaine- ment éleyé», selon implication Noue choisie (saul RS"ec R') en tason de fa boane compadbiite entre Ta caractrisation Mloue w eleve » ce poids indique, ui a un degre d'appartenance a « deve » compris entre 0 et 1 (voir fig. V.9) 4. La conclusion deta régl est précis, spéifique ct eeraine, — Cette situation ext tres freqvente ct ‘correspond & des reles de diagnostic ou de Gécsion comme « sla temperature exercure est elevés, alors ouper fe chauffage ». Le modus ponens eenéalise ‘st alors simplitie par Musiisation des résultats sul vans 8 toutes les Yeles lowes en présence ont une sonclusion non Move. La Fonction d'apparienance a aut 1 en un point yp de ¥ et 0 partout ailleurs, soit B= bl Ta conclusion B’ obtenue est généralement B cll sméme (voit fig. V.10), ponder par une incertitude © ‘qui vaut Pe=mpax jineo tna) aver RE RE, RO, # e=supsex jared Tn) 1 = ful ‘Vopérateur de modus ponens généralise T, avec Ba REBT Ge RY naytA) 0 nOytA") 2 2), Ena ene te i leat te a5¢ qui correspond au plus grand gear entre A’ et A POUr Tistnsine Cestire super atossin) Sr) ~ In. On remarque que la conclusion est complétement indeterminge dés-que supp) noy(A') 2 fil site un élément de X Ge degré d'appartenance 1 Ae 02). Si Ton utilise RE, RE, RE, Vincertitude est mulle eB est conservée des que et A” ont méme support, quelle que soit leur ditté- Laconctusion est non normalisée pour RM, RP c. R™ si noy(A) N goy(a") # 2. Sinon, elle est identique a B pour R®, R", ce qu peut tre néfaste dans la mesure o8 A’ peut ete tis different de A Exemple V.7 : Considérons la régle « si le poids un digmant est important, alors le fare asset » ‘i, en presence d'un fat observed type «le poids st relatvement important» produit une conclusion 4e Ia forme il n'est pas certain ql fale le faire assures», incerttude fant 'autant pls grande que ‘erelativement important est décrit comme éloigne de «important», Par conere, en présence dum fat Observe tel_que «le diamant est minuscule m, la Conclusion est indéerminée dans Ia mesure of on ne dispose pas de regle autre que cell indiquée, Disque observation est incompatible avec Ia pré- misse, (Un régultat different est obtenu en ul sant Rou RP: on conserve la conclusion « le fae assurer», ce qui peu Ere regardé comme une action inutile et 'manifeste un comportement du modus Ponens generalise discutable selon la sémantique de fa conclusion, comme dans exemple V4, 5. Le falt observé est le complément de lx pré= imisse de la régle. — Le Tait observe ne convient pas Gu tout & utisation de la regle disponible. Par ‘exemple, pour la régle de Mexemple V.1, on observe ‘que le poids n'est pas important. Dans ce cat, Ia 6 plupart des implications floues indiquées dans Ia Figure V2 fournssent un rsultarindéterming, c'est Adie tel que Jy) = 1 pour tout y de Y. Les exceptions sont encore RM et RP, qui don- nent fog) = 0,¥y €¥ 8 Vopéraeat ‘Je modus ens generalise es Thanseign & une conclusion Bbienve par transformation de B si Von utilise Tasman OU Toate 6, Le fat observé est identique & ta prémisse de ta Tole, avec une incertitude, — Ce cas particulier de la situation B est 16s féquent dans is pratique IW correspond a des fonctions d'appartenance tlles que YEN. fp) = maXYAO, 9. Pour Ja majorité des implications floues de la figure V.2, la conclusion B” obtenue est identique AB, avec la méme incertitude € WEY fy = maxLol. 0, Les seules exceptions soat les implications R™ et Py qui conservent B comme conclusion du modus ponens générale [Exemple V.8 : Pour poursuive le méme exemple, fon observe qu'il est relativement certain, avee un eeré de certitude 0,8, que le poids du diamant soit important. On en déduit pénéralement alors qui est Felativement certain, avec un dearé de certitude 0, Ggue son prs est éleve. Par contre, RM et RY indi- Quent quil est certain que son prix est deve IV, — Conclusion Le but de e chapitre n'est pas de fournit une tude théorique sur ln Togique floue, mais d’aider & son Ullisaton. Un grand nombre d'implications floues ocont G€ eudiées par les chereheurs. Les principales ‘sont présentées et comparées ici, dont les ‘deux der titres sont tes enployes dan la commande Nove de processus mais prsenent des craters ts Dactclieres; le comportement de autes apparent Ns clases itrentes selon suatonssuequelen fn s'intérese, qui permettent de guider le chotx de Pane dentee eles, 86 Cuaniae VE RAISONNEMENT POSSIBILISTE concern des connaissances énoncées sans impré cision ni ambiguit sur la verte desquelles on peat ‘voir des doutes que Ton exprime par Mintermédiaire de degrés de corttude. Si des informations de nature Frequentel taent disponibles, iniquant dans quelle proportion des cas une repe es valde (par exemple ‘dans 90 des ca, sly a raideur dela muque, alors lune mningte ext & diagnostiquer) ou ave quelle pro Dabilté un fait est veal (par exemple : la ele est attzine avec une probabil de 0,87), on pourralteec- ter un ralsonnement de nature probabilise. On sup- pose le} que on ne dispose pas de tells informations {er que l'on est seulement capable de dre dans quelle insure est posible etl est certain gue ls répes sont Walies et que les fais sont vrais. Des coefficients sont auteibués subjectivement par un expert, ou bien déduits de mesures de possiblté et de nécessitéaffetées aux Droposiions ecprésentant ces connaissances qui sont Ges propositions logiquesclassiques. Un ralsonnement ttlsant de teles propositions pourrait re fond, en absence d'inceritude, sur le modus ponens ete ‘modus tollens(rappelés dans la figure IV.) En pré Sence incerttude, on uli une genéralisation de ces -ndthodes qui conduit des conclusions de méme type fue les données dont on dispose, c'est-ddire préises mais soumlses & des incerutudes 1. — Mesures de possiilté et de nécesité de’ propositions logiques Pour déterminer ls degrés aver lesquels i est pos- sible et i est certain gue les propositions énoncées 9conte dudes par les chereheus. Les principales ‘sont_présentées et comparées ici, dont les ‘deux der ‘eres sont tes employees dan la commande Nove de processus ais preseten des cartes (es partculeres; le comportement ds autres apparent ‘es clases trent selon suatonssuequetn an nies, ui pemettent epider le shou de Vane d’enite elles, « “ Cuarrmae VE RAISONNEMENT POSSIBILISTE concern des connaissances énoncées sans impré cision ni ambiguite, sur la verté desquelles on peat ‘voir des doutes que on exprime par Mimermédiaire de degrés de certitude. Si des informations de nature frequentell talent disponibles, indiquant dans quelle proportion des cas une rege es valde (par exemple ‘Sans 90 des ca, s'il ya raideur dele nuque, alors lune meningte ext & diagnostiquer) ou ave quelle pro babilté un fait est vrai (par exemple : la cible est alizinte avec une probabil de 0,87), on pourtaltefec- ter un raisonnement de nature probablliste. On sup pose ici que on ne dispose pas de tells informations Er que Fon est seulement capable de dire dans quelle fnesure est posible et il ext certain que ls repes sont Valdes et que les fais sont vrais. Des coefficients sont lattdbuds subjecvement par un expert, ou bien déduits de mesures de possiblté et de nécesstéaffetées aux propositions représentant ces connaissances, qui sont Ges propositions logiques clasiques. Un raisonnement ttlfant de telles propositions pourrait ere fone, en absence d'incerttude, sur le modus ponens et le ‘modus tollens(rappelés dans la figure IV.) En pré Sence incetitude, on ute une generalisation de ces indthodes qui conduit des conclusions de mEme type fue les données dont on dispose, cest-d-ire présises mais soumlses des inceratudes 1. — Mesures de possiilté et de mécesité de’ propositions logiques our déterminer ls degrés aver lesques i et pos- sible et il ext certain gue les propositions énoneées 89sont vraies, nous allons wiser les notions de mesure de possibile de mesure de nsessiequl ont et intro ules dans le chapitre IL. Les relations enteealgebre 4es ensembles et calcul propositonnel permettent de ‘eduire des proprietés qu fs carctersent des cons erations concernant des propositions lopigues P.2, dune algebre boolgenne’A, munie des opérations de ‘conjonction A, de dsjonction v et de negation Soit TT une mesure de possibile et N une mesure de nécesite-défines sur A et prenant leurs valeurs fentee 0 et 1. Si 0 et 1 dénotent respectivement les propositions toujours fausse et toujours vrai, elles Sont respectivement associges aun parties Det A et elles vértient T10)=0, T1U)=1, N@)=0, N()=1, et quelles que sotent ‘les propasitions peg, maxiti(p), Tg). Wp v a 211), ‘min (N(P), Nig), NUP a) = Nip) De plus, mesures de possibilité ct de nésesié dot vent ee lees par fa relation max (ip), | -Nip))= 1 Exemple Vist: Les propositions p et q représen- tent respectivement« la hauteur de Farbre apparceat Tintervalle [9 m, 12 ma} » avec une cerude de 0.8 ft «la hauteur de Parbre appartiemt & Tintervalie 0m, 13m) » avec une certitude de 0,6, of deduit gue Nip) = 0.8, Nig) ~ 0,6, et par consequent Ia hauteur de arbre appartient dt Fintervalle [10 m, 12-m) (conjonetion des propositions) ave une cert tude min(O8, 0,6) = 046. Untlsons maintenant tes propriété des mesures de possibilit et de nécesst gui font intervenit le com plement d'un sous-ensemble. Elles indiquent qurune Proposition p et sa nézation — p satisfont mardi), Tp) ec Htp)=1 NEP) Sila proposition p ex telle que Tip) ~ 0 (et done Nip) = 0) alors ele est fauss, Si elle ext telle que % min(Nip), N-=p))=9, N¢p) = 1, (et done T1(p) = 1) alos elle est vraie de fagon ceriaine. Par contre les valeurs Tip) = 1 et Ntp) = 0 done T1(-p) =" 1) ne fournissent aucune information sur la verte de p. ‘Exemple VI.2 : Soit p = « Paul viendra demain », s'ilest tout & fait posible (1(p) = 1) mais pas du tout certain (N(p) = 0) que p Sit vray il est éxale ment tout 4 fat possible (M(>p) = 1) mals pas du tout certain (N(=p) = 0) que Paul ne vienne pas demain et s4 venue est indetermince, Plus généralement, si Nip) # 0, alors Tp) = 1, ais si TI) # 1, alors Nip) = 0. Concréement, TH(p) représente le’ coefficient, compris entre 0 et 1, (que Mon altribue au fait que p soit susceptible etre Vraie, & Np) mesute le'depré de certitude, ézale ‘ment compris entre O et 1, que 'on posséde sur cette verte, L'inceritude sur cete verte vaut done T= Nop), soit aussi TI(—p). Une proposition est ‘autant moins cetaine que la propesition contraire fest possible. TL, — Modus poneas et modus tolless avec incerttudes Pour deux propositions pet g, une régle de déue- tion de la forme (R)! «si p est vraie, alors gest aie m, assosde 8 la proposition p — a, ext équivalente & “pv q Pusgue Fon se sfue oh ogigue clasique i Taberce de fut nee Te west ds verses propontions, on blend es schemas de {tsonnemen du modes pone ts modus ole Supgosons maintenant que la vérie des divers proportions rg. p= 4 soi al conus et qu'elle Sow done carte par Pimermédaie de meses de posse er de neces, respelvement ots TT GL, Leabvence ainceritide Gevient lors Unc Patlien, aver Np) =I) = 5 pest vie Rip) = Mip) = 08 p st ause 1Dans quelle mesute peut-on déduite une inform tion sur la vérité de q’ou la faussete de p, sion sit que la régle de déduction (R) et vraie,éventue!- lement avec une certane incertitude et que Pon dis pose de renseignements sur la verte dep oude g? Les connaissances que l'on a sr les propositions p, @ et p= q peuvent alors dire plus ou moins com tes, certaines seulement relatives & la nécessité ‘d'une proposition, d'autres 4 sa possiblité, le cas le pls favorable état bien sr celui I'on dispose de'tous les renseignements possbles, |. Mods ponens avec incertitudes, — Par affai- Dissement des conditions dy modus ponens cassie, fon définit une forme de modus ponens en conse” ant que la mesure de nécessite et/ou de possbiité des propositions connues ext « grande », sion égle 41, On obtient alors le schéma ci-dessous, pour des oettisiens @ et 6 appartenant & Vintevalle 10,11 Si Np= gee ELND) = Ators Nig) = min, 2), = qui sinterpréte de la fagon suivante: si Yon est eta, au moins avec un degré a, de pouvoir déduire ue @ est vraie lorsque p Test, et sp est connie ome vraie avec une certitude’ au moins Esale alors on peat conclure que q et vraie avec ue cet tude au moins épale la plus petite des deux valeurs a et 0. Leeas ob @ ~ b= 1 covrespond au modus Ponens classique. CConerétement, si Ia régle (R) est donne comme valid, avee néanmoins un degre incertitude le tsi Ton est presque sir que la proposition p inter- venant dans sa prémisse est vrale, avec un coettt- cient 1 ~ dincertitude, i est tour 8 fat aisonnable de penser que q est également veal, Pincettude sur sa véritéétant au plus égate a la plus grande des deux valeurs (I~ a) ec ~ b). 2 xemple VI: Soit la rgle wi la hauteur de re dépase 9, alors lagu », affectee un cootient de ceritade a = 0,8. Un artreparialer Sractrné par «la hauteur depase 9m oy aves une Seltude b'= 0,7, condutt fa désivon claguer Dresqe certainementsavee Une centude au moins Gzale & min(e, 0) = 07. autres formes de modus ponens ave incetitudes sont posiblen, Pon conn des mesures de post. Dil asosies b cerns ds propositions logaues, Au les des mesures de ness Ctons par exemple is fomas simples slants, pour ds cotficents a” bY appartenant interval 1, 1) SS Np-O=1 8S = pee BL) = >" Ng) = 1. ‘ors 11@) = 6", Alors Tha) = a" ui s'interpritent de a fag suivant : pour la pre Shire, In eele(R) ext certine, et le posits fue p soit rate vaut a mois b aors la posi AE Gue'¢ soit vine vaut au moins &” egalement; pour la seconde, st verte de la proposition pest crane, ets la possbilte que invent dep ete Salle de'gvaut at moins”, alors a poste pour ‘que q si vraie vaut au mols” gale 2. Modus tollens avec incerttudes. — De fagon analogue, une extension dur modus tllens peut cre mise en dvdence sous la forme du schema chedessous, pour un coefficient 6” appartenant @ Pintervale 16, 1 Si Np ae EL Tg) = b* ‘Alors 1p) 2 maxi — a), .e qui peu sinterpréter de fa fagon suivante : son fst certain, a moins avec un degre a, de powvoit ‘eduize qe p est Tausse lorsque g Test, (puisque = gest aussi vg 7p) et sl et tout 8 fat pos: 93sible que “1 soit viaie, avec une certeude au moins Gale 81 ="b° (puisque Np) = 1 ~ Ip) alors ‘on peut conclure que —p est vraie avec une cert tude a moins égale ata plus petite des deux valeurs a ctl b" Lecas of ‘modus toliens classique CConerétement, si Ja reple (R) est donnée comme wale, avec un degré d'incerttude 1'~ a et si Pon {St piesque sir que la proposition ¢ intervenant dens son conséquent ex fausse, aver un coetTsient incer- titude 6° om peut conelire gue p est fausse, Pincer- ide sur sa fausseté elant au plus égale fla plus ‘grande des deux valeurs (I~ 4) et" Exemple VI4: Reprenons Ia régle de exemple VI3, et une observation concernant un arbre particulier de la forme ‘il est possible ait lagu », avec un degré de possibile au plus zal & 0,1. On en déduit alors qu'il est posible que ‘hauteur dépasse 9 m, avec un coeficent a plus égal 4 max(032, 0,1) = Ol. Une autre forme de modus tllens repose sur Puti- lisation de la mesure de nécesité de Indiguons-en Te cas particulier simple suivant Si N= a) =1 Ec N@) = 0” ‘Alors Nip) = 2, ce ui simerpréte comme suit: si Von est cetain de pouvoir déduire que p est fausse logue q Test, tsi la verté de-g est peu certaine, avec une certi- tude au plus égale 4’, la certitude que Ion pos- side sur la verte dep es du méme ordre de grandeur Cas général. — Les hypotheses que Von a utili sées dans chacun des schémas préctdents represen {lent certains connaissances sur les liens ene p oo cet g, sur la verte ou Ia fausseté de p ou q, mais fe les prenient pas toutes en compte et talent done, dans tne certaine mesure, incompétes. Elles util: sant Ta possiblité et la néoessite attachées & impli tation pa. ‘On obtient des résultats plus foris en considérant a possbiite et la néeesité conditionneles de q Schantp, et en tenant compre de tous les liens entre pet q. 12 notion de possbitéconditfonnelle TI p), {gui correspond au degré avec Tequel i est posible {Que Ia proposition q soit vale sachant que Is propo- ‘Sion p est aig, a &éintroduite au chapitte TH-1.3 cet elle prend ie la forme suivante: Mp Aq) = minirIegip), 11). calle de nésessié conditionnelle est donnée par Nogip) = 1 1410). rendre en compe tous ls lens entre pet revient ‘a considerer que Ia connaissance sur la vénté de q ‘st-une consequence des deux types «information (i) on a des raisons de penser que p est vale et von connait la certitude N(g|p) atrbude & la verte deg lorsque p est vraie, par Vintermédiaire de Ia réple «si p ex vie alors q est vraie »- On connatt alors aussi Tig] p) = 1 — N(mai9): Gi) on a des raisons de penser que la proposition p ‘x fausse eon connatlacertinude Ng) =p) attribuse Ba verte de glorsaue pest fausse, par intermediate dela répe «sh non p est vac aloes q es raie ». On ‘connait alors aussi f(g] ~p)=1—N(>g| 72). Des considérations analogues peuvent tire formu- lées pour la vérté de. ‘On en duit, en drivant que g=(@A7)V (GAP) 95ten utilisant les proprétés des mesures de possibi- The, que Ia mesure de possbiitéatteibuée & g vaut Tq) = max (min{T1Cgip). TH), min {T(g\~p). HCp))} de méme en ce qui concerne q 1(-.g) = max{ min (TK -9)p), TH), min {TT yg! sp), py} (Ces deux expressions un peu compliquées se résu- ment en consigérant, comme pout la composition de Felations floes, le produit matricel (symbolise par *) dans lequet Ie produit habituel est remplact par Ie min, Paddition habituelle par le max: [Re] 19). Hap, Talae ) [Bo Lie py gi a) | * i ey On associe done aux deux propositions p et q la matte care suivante [aie Me) Meo [AE Hela |> dont on remarque que la colonne de gauche concerne In régle symbolisée par w sip et vraie alors q est vrsie, puisque Ig p) = 1 ~ Nala) représente Fineertitude sur la verte de q lorsque fon suppose due p ext viaie et Miq|p) la possibilté pour que @ Soit vrae lorsque on Suppose que p Vest. De méme, Ta colonne de droite concere la rege symbelisge par “si sp est raie alors q est vraie ». Notons égale- rent qu'il doit exister au moins un 1 dans chacune de ces colonaes en raison du fit’ que max), TSA) = T quel que soit A, 96 En particulier, des propositions p et q associges Tt 0 fi une mavrice mip, @) = [9] sont équivalentes puisque, lorsque p est vraie, il est certain que 'on peut en déduire que q est vie, en raison de la pre Imiéte colonne, et lorsque p est fausse, il est impos- Sle dobtenir que ¢ soft vraie, en’ raison de la ‘euxidme colonne 2. Connassances incomplets sur les régles et/ou tes propositions, — Iles parol difficile @ obtenit 1 own nice aos 8 ean ropositions p et, es connaissances sur une Fle {atest vai, alrs q eat vrai » lant pas force tment daponibis en méme temps que des connals- ste age yt «8 et wae, alos fs ai», Danse as, on peut lier det sol ‘ntervaies de (0,1), vontsellement terval (0, 1) lutméme, pour dérte Pensemble des valeurs prises par Tun 08 Pautre des éléments e Ia tstrice at {lee aux propositions pet g. Supposons par exemple {ue seus le coefiens associ p= olen onus, la'matrice sera alors de la forme Maip) 1.1) woo neal) Boll Les connaissances sur la proposition p peuvent éa lement tere incomplete. Iles alors nézesaire de pow voir ffectuer le produit matrice indiqué plus haut pour obtenir une information, méme imprecise, sur Ta véité dela proposition g. Pour ce faire, on ullise les operations min et max pour des sous intervals de (0, 1] en respectant les lois suivantes sin (la, Bf a) = {min (a, g), in (, smax (0,8), [ al) = (max, 2) max (6, le cas it certaines valeurs sont précisément connues Gant considéré comme un cas particulier, avec a= le a 7