Aide à la décision

Logique Floue

Lhouari Nourine

Master 2 -SIAD

Aide à la décision Logique Floue

Logique Floue : Motivation

B Beaucoup des systèmes complexes sont controlés par des

humains. Les systèmes intelligents tentent de modéliser le
comportement de ces opérateurs.

Exemple : La régulation de la température de l’eau à 50◦ (cas du

chauffage)

B Contrôleur version 1 :
SI Temp<50 ALORS PositionVanne=100%
SI Temp>50 ALORS PositionVanne=0%
B Les actions sont "ouvrir la vanne" ou "fermer la vanne".
B La température va osciller autour de 50◦ .

Aide à la décision Logique Floue

Logique Floue : Motivation

B On divise la température en plusieurs intervalles :

| LN | MN | SN | OK | SP | MP | LP |
15◦ 25◦ 35◦ 45◦ 55◦ 65◦ 75◦ 85

B Contrôleur version 2 :
Erreur | LN | MN | SN | OK | SP | MP | LP |
Action +3 +2 +1 0 -1 -2 -3

SI Erreur=OK ALORS Valeur-Vanne= Valeur-Ancienne

SI Erreur=LN ALORS Valeur-Vanne= +3 tours
.........
SI Erreur=LP ALORS Valeur-Vanne= -3 tours

B Le nombre de règles augmente en fonction du nombre

d’intervalles.

Aide à la décision Logique Floue

Logique Floue : Motivation

B Contrôleur version 2 :
| LN | MN | SN | OK | SP | MP | LP |
15◦ 25◦ 35◦ 45◦ 55◦ 65◦ 75◦ 85

Erreur | LN | MN | SN | OK | SP | MP | LP |
Action +3 +2 +1 0 -1 -2 -3

B très sensible aux petites variations de température

Temp =24.9◦ ⇒ Erreur=LN et l’action +3 tours.
Temp =25.1◦ ⇒ Erreur=MN et l’action +2 tours.

B Pour éviter ce comportement de système, on doit subdiviser les

intervalles
B Le nombre de règles explose
B On doit obtenir plus d’information de l’opérateur (expert)

Aide à la décision Logique Floue

Logique Floue

B La logique floue est déterminée comme un ensemble de principes

mathématiques pour la représentation des connaissances basée sur
des degrés d’appartenance plutôt que sur une appartenance nette
de la logique classique

Objectifs :

B Comprendre l’importance de la logique floue.

B Modélisation le monde réel pour résoudre des problèmes

complexes.

B Connaître les différents techniques et méthodes pour trouver

des solutions appropriées.

Aide à la décision Logique Floue

Logique Floue

C’est quoi la logique floue?

La logique floue a été introduite par Lotfi Zadeh en 1965 : Théorie
des ensembles flous.

B le terme flou signifie que des objets ne sont pas précis ou

vagues.

B La logique floue permet un raisonnement flexible.

B Elle consider l’inexactitude et l’incertain d’une situation. Elle

s’occupe de situations où la question qui est posée et la
réponse obtenue contiennent des concepts vagues

Valeur nette :
B précise
B valeurs dans {0, 1} = {Oui, Non}.

Aide à la décision Logique Floue

Logique Floue

En logique floue :
Il y a des valeurs intermédiaires qui sont partielles. Elle permet
d’exprimer différents niveaux de vérité.

B Logique classique :

B Logique floue :

Aide à la décision Logique Floue

Ensembles flous
Soit U un univers.
B Théorie des ensembles (classique) :
Pour n’importe quel élément x ∈ U et un ensemble A ⊆ U,
l’élément x est soit un membre de l’ensemble A ou membre de
son complément.

A ∪ Ā = U
Loi du milieu exclus: Un élément ne peut pas appartenir à un
ensemble et son complément.

A ∩ Ā = ∅
B Théorie des ensemble flous :
Bien que la théorie des probabilité soit appropriée pour
mesurer le caractère aléatoire de l’information, elle est
inappropriée pour mesurer le sens de l’information.
Aide à la décision Logique Floue
Théorie des ensembles vs fonction caractéristique

B Soit U un univers de discours et A ⊆ U un sous ensemble.

La fonction
 caractéristique de A est donnée par
1 if x ∈ A
χA (x) =
0 if x ∈ /A

B Soient A et B deux sous-ensembles d’un univers U.

Union A ∪ B :
χA∪B (x) = χA (x) ∨ χB (x) = max(χA (x), χB (x))
Intersection A ∩ B :
χA∩B (x) = χA (x) ∧ χB (x) = min(χA (x), χB (x))
Complément Ā : χĀ (x) = 1 − χA (x)
Inclusion A ⊆ B : χA (x) ≤ χB (x)

Aide à la décision Logique Floue

Théorie des ensemble flous : fonction d’appartenance

B Les fonction d’appartenance ont été introduites par Lotfi Zadeh

en 1965. Elles représentent le degré de vérité en logique floue.

B Un ensemble flou A est décrit par une fonction d’appartenance

˜
µ : U → [0, 1].
µ(x) : le degré d’appartenance de l’élément x ∈ U à
l’ensemble A.
˜

B Un ensemble flou peut être représenté par :

B Cas où l’univers U est discret et fini

A = {µA (x1 )/x1 , ..., µA (xn )/xn }

˜ ˜ ˜

Aide à la décision Logique Floue

Ensemble flou : fonction d’appartenance

B Cas de l’univers U est continu ou infini

B Exemple :

Aide à la décision Logique Floue

Fonctions d’appartenance : Formes
B Triangulaire (a, b, c)

Aide à la décision Logique Floue

Fonctions d’appartenance : Formes
B Trapezoidale (a, b, c, d)

Aide à la décision Logique Floue

Fonctions d’appartenance : Formes

B Autres formes Gaussiènne (c, s, m), Sigmoidale (a, c)

Aide à la décision Logique Floue

Fonction d’appartenance : Exemple 1

B Si le niveau d’eau dans un barrage est inférieur à 110 m de

hauteur, on dit qu’il s’agit d’une hauteur « sûre ». Mais si le
niveau s’élève à plus de 120 m, ce qui est considéré comme une
hauteur « dangereuse », l’ouverture immédiate d’une vanne est
nécessaire. Dessinez une fonction d’appartenance pour un niveau
d’eau «sécuritaire».

Aide à la décision Logique Floue

Fonction d’appartenance : Exemple 2
B Développer une fonction d’appartenance raisonnable pour les
ensembles flous suivants basés sur des véhicules en mouvement sur
une autoroute pour la plage de vitesse de 0 à 140km.
a. Rapide
b. Modéré
c. Lent

Aide à la décision Logique Floue

Opérations sur les ensemble flous
B Soient A et B deux sous-ensembles flous d’un univers U.
˜ ˜
Union A ∪ B :
˜ ˜
µA∪B (x) = µA (x) ∨ µB (x) = max(µA (x), µB (x))
˜ ˜ ˜ ˜ ˜ ˜

Aide à la décision Logique Floue

Opérations sur les ensemble flous
B Soient A et B deux sous-ensembles flous d’un univers U.
˜ ˜
Intersection A ∩ B :
˜ ˜
µA∩B (x) = µA (x) ∧ µB (x) = min(µA (x), µB (x))
˜ ˜ ˜ ˜ ˜ ˜

Aide à la décision Logique Floue

Opérations sur les ensemble flous
B Soient A un sous-ensemble d’un univers U.
˜
Complément Ā : µA¯ (x) = 1 − µA (x)
˜ ˜ ˜

Aide à la décision Logique Floue

Opérations sur les ensemble flous

B A ∪ Ā 6= X .
˜ ˜

B A ∩ Ā 6= ∅.
˜ ˜

Aide à la décision Logique Floue

Opérations sur les ensemble flous

B Les lois de Morgan sont vérifiées pour les ensembles flous.

B A ∩ B = Ā ∪ B̄ .
˜ ˜ ˜ ˜

Aide à la décision Logique Floue

Opérations sur les ensemble flous

B Les lois de Morgan sont vérifiées pour les ensembles flous.

B A ∪ B = Ā ∩ B̄ .
˜ ˜ ˜ ˜

Aide à la décision Logique Floue

Relations floues

B Soient E et F deux ensembles d’un univers U.

B Une relation classique est un sous-ensemble R ⊆ E × F . Elle
peut être aussi
 donnée par sa fonction caractéristique :
1 if (x, y ) ∈ R
χR (x, y ) =
0 if (x, y ) ∈
/R

B Une relation floue est décrite par une fonction d’appartenance

µR : E × F → [0, 1].
˜
B Les mêmes opérations et propriétés que les ensembles flous.

Aide à la décision Logique Floue

Relations floues : Propriétés

B Relation d’équivalence classique

Réflexive : χR (x, x) = 1
Symétrique : χR (x, y ) = χR (y , x)
Transitive : χR (x, y ) = 1 et χR (y , z) = 1 → χR (x, z) = 1

B Relation de tolérance ou de proximité classique : Réflexive et

symétrique.

Aide à la décision Logique Floue

Relations d floues : Propriétés

B Relation d’équivalence floue

Réflexive : χR (x, x) = 1
˜
Symétrique : χR (x, y ) = χR (y , x)
˜ ˜
Transitive :

χR (x, y ) = λ1 et χR (y , z) = λ2 → χR (x, z) = λ,
˜ ˜ ˜
où λ ≥ Min(λ1 , λ2 ).

B Relation de tolérance ou de proximité classique : Réflexive et

symétrique.

Aide à la décision Logique Floue

Relations floues

B Les degrés d’appartenance d’une relation vient de différentes

manières :
B Méthodes de similarité dans la manipulation des données
B Classification.
B Produit cartésien floue
B Les règles linguistiques.

Aide à la décision Logique Floue

Relations floues : Similarité cosinus
B La similarité cosinus est utilisée en tant que mesure de
ressemblance entre deux documents xi et xj . Il s’agit de calculer
l’angle entre les représentations vectorielles des documents à
comparer.
B La similarité entre les deux vecteurs s’obtient par :

| m
P
|x1 .x2 | xik xjk |
rij = = q P k=1 P
kx1 k.kx2 k ( m 2 m 2
k=1 xik )( k=1 xjk )

B rij ∈ [0, 1]
B rij = 1 indique que x1 et x2 sont colinéaires (très similaire).
B rij = 0 indique que x1 et x2 sont orthogonaux (dissimilaire).
B Soit X = {x1 , x2 , ..., xn } un ensemble de n vecteurs de dimension
m. La relation de similarité floue R , entre les vecteurs xi et xj est
˜
donnée par : rij = µR (xi , xj )
˜
Aide à la décision Logique Floue
Relations floues : Exemple
B Exemple de similarité entre les régions ayant subi un
tremblement de terre. La table suivante exprime le ratio des
maisons endommagés par rapport à l’ensemble des habitations.
Régions x1 x2 x3 x4 x5
xi1 : ratio sans dommage 0.3 0.2 0.1 0.7 0.4
xi3 : ratio dommage moyen 0.6 0.4 0.6 0.2 0.6
xi3 : ratio dommage sérieux 0.1 0.4 0.3 0.1 0.0
B La relation de tolérance R définie par la similarité deux à deux
˜
entres les régions.
 
1
0.836 1 sym 
 
R= 0.914 0.934 1 
˜ 0.682 0.6 0.441

1


0.982 0.74 0.818 0.774 1

Aide à la décision Logique Floue

Relations floues : Exemple
B La relation de tolérance R définie par la similarité deux à deux
˜
entres les régions.
 
1
0.836 1 sym 
 
R = 0.914 0.934
 1 
˜ 0.682 0.6 0.441 1


0.982 0.74 0.818 0.774 1

B La fermeture transitive R 3 exprime la même information que R

˜ ˜
mais elle classe les régions en catégories.
 
1
0.914 1 sym 
3
 
R = 0.914 0.934
 1 
˜ 0.774 0.774 0.774 1


0.982 0.914 0.914 0.774 1

Aide à la décision Logique Floue

Relations floues : Méthode de Cosinus Amplitude
 
1
0.914 1 sym 
3
 
R = 0.914 0.934
 1 
˜ 0.774 0.774 0.774 1


0.982 0.914 0.914 0.774 1
B La relation de similarité nette R obtenue par la α-coupe comme
suit :
Rα = {(x, y ) ∈ X 2 |µR (x, y ) ≥ α}
˜
   
1 1 1 0 1 1 0 0 0 1
1 1 1 0 1 0 1 1 0 0
   
R0.914 = 1 1 1 0 1 R0.934 = 
 
 0 1 1 0 0 

0 0 0 1 0 0 0 0 1 0
1 1 1 0 1 1 0 0 0 1
{x1 , x2 , x3 , x5 }, {x4 } {x1 , x5 }, {x2 , x3 }, {x4 }
Aide à la décision Logique Floue
Caractéristiques des fonctions d’appartenance
B Un ensemble flou est normalisé, s’il ya au moins un élément de
l’univers dont le degré d’appartenance est 1.

B Deux ensembles flous A et B sont égaux s’ils ont la même

˜ ˜
fonction d’appartenance, µA (x) = µB (x) pour tout x ∈ U.
˜ ˜

B Le support et le noyau d’un ensemble flou A sont définis par :

˜
B support(A) = {x ∈ U | µA (x) > 0}.
˜ ˜
B noyau(A) = {x ∈ U | µA (x) = 1}.
˜ ˜
B Frontiere(A) = {x ∈ U | 0 < µA (x) < 1}.
˜ ˜

Aide à la décision Logique Floue

Fuzzification
B La fuzzyfication est un processus pour convertir une valeur nette
en quantité floue.
B En pratique un capteur génère une valeur nette avec une erreur
de précision qui dépend généralement de la qualité de capteur.

Aide à la décision Logique Floue

Fuzzification

B (a) Conversion d’une valeur nette

B (b) Conversion d’une valeur floue

Aide à la décision Logique Floue

Défuzzyfication

B La défuzzification est le conversion d’une quantité floue en une

quantité précise ou nette.
B La défuzzyfication en un ensemble net : est un processus
pour convertir un ensemble flou en un ensemble classique.
Soit A un ensemble flou. On définit l’ensemble α-cut Aα où
˜
0 ≤ α ≤ 1 par : Aα = {x | µA(x) ≥ α}.
˜

Même chose pour les relations floues.

Aide à la décision Logique Floue

Défuzzyfication

B La défuzzyfication en un scalaire : est un processus pour

convertir un ensemble flou en un scalaire.
La figure (c) montre l’union (opérateur Max) de deux sorties
floues (a) et (b).

Aide à la décision Logique Floue

Défuzzyfication

B Plusieurs méthodes:
B Principe de l’appartenance maximale (Max membership
principle) :
µC (z ∗ ) ≥ µC (z) pour tout z ∈ Z , où z ∗ est la valeur net.
˜ ˜

B Méthode Centroid (center of area or center of gravity)

(Sugeno, 1985) R
µC (z).z dz
˜
z∗ = R
µC (z)dz
˜

Aide à la décision Logique Floue

Défuzzyfication

B Weighted average method : elle est utilisé quand les

fonctions d’appartenance des sorties sont symétriques.
P
µC (z̄).z̄
∗ ˜
z = P
µC (z̄)
˜

a(0.5)+b(0.9)
B z∗ = 0.5+0.9

Aide à la décision Logique Floue

Défuzzyfication
B Mean max membership (Middle-of-maxima)

a+b
z∗ =
2

Aide à la décision Logique Floue

Cours suivant

Les systèmes intélligents flous

Aide à la décision Logique Floue