Aide à la décision

Systèmes intelligents flous

Lhouari Nourine

Master 2 -SIAD

Aide à la décision Systèmes intelligents flous

Systèmes intelligents flous

B Langage naturel : variable linguistique

B Modificateurs linguistiques
B Système à base de règles flou
B Aggregation des règles floues
B Exemples de fonctions d’appartenance

Aide à la décision Systèmes intelligents flous

Systèmes intelligents flous

Aide à la décision Systèmes intelligents flous

Logique Floue : Proposition

B Comme la logique classique, la notion de proposition est définie

par :
Proposition floue
Une proposition floue P est associée à un ensemble flou A.
˜ ˜
La degré de vérité d’une proposition floue P est donnée par :
˜
V (P ) = µA (x), avec 0 ≤ µA (x) ≤ 1
˜ ˜ ˜

Aide à la décision Systèmes intelligents flous

Logique Floue : Connecteurs logiques

B Négation: V (P̄ ) = 1 − V (P ).
˜ ˜
B Disjonction: P ∨ Q : x est A ou x est B
˜ ˜

V (P ∨ Q ) = max(V (P ), V (Q ))
˜ ˜ ˜ ˜
B Conjonction: P ∧ Q : x est A et x est B
˜ ˜

V (P ∧ Q ) = min(V (P ), V (Q ))
˜ ˜ ˜ ˜
B Implication (Zadeh 1973): P → Q : x est A alors x est B
˜ ˜

V (P → Q ) = V (P̄ ∨ Q ) = max(V (P̄ ), V (Q ))

˜ ˜ ˜ ˜ ˜ ˜

Aide à la décision Systèmes intelligents flous

Logique Floue : Variable linguistique

B Naissance du concept flou et théorie des ensembles flous en 1965

par le professeur Zedeh Lotfi. En 1973, Zadeh introduit la notion
de variable linguistique. C’est l’univers du discours.
B Température, Vitesse, Taille, ...

B Terme linguistique : Catégorie subjective décrivant une variable

linguistique.
B Température : Chaud, tiède, très chaud, froid, très froid
B Taille : petite taille, taille moyenne, grande taille.
B Vitesse : lent, rapide, normal, très rapide.

Aide à la décision Systèmes intelligents flous

Logique Floue: Variable linguistique
B Un terme linguistique est représenté par un ensemble flou qui
indique pour chaque entrée de la variable linguistique (x), le degré
de vérité (degré d’appartenance). Par exemple :
B Taille : petite taille, taille moyenne, grande taille.
Ensemble flou " Personne de petite taille" Ensemble flou: "Personne de taille moyenne" Ensemble flou :"Personne de grande taille"
Petit Moyen Grand
1 1 1

0.8 0.8 0.8

0.6 0.6 0.6

0.4 0.4 0.4

0.2 0.2 0.2

Taille(m) Taille(m) Taille(m)

0 0 0

1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9 1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9 1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9

partition floue de l'univers du discours

Petit Moyen Grand
1

0.8

0.6

0.4

0.2

Taille(m)
0

1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9

Aide à la décision Systèmes intelligents flous

Logique Floue: Variable linguistique
B Un terme linguistique est représenté par un ensemble flou qui
indique pour chaque entrée de la variable linguistique (x), le degré
de vérité (degré d’appartenance).
B En général, on les représente par :
B Taille : LN,MN,SN,Z,SP,MP,LP;

Aide à la décision Systèmes intelligents flous

Logique Floue: Modificateurs linguistiques
B Les termes linguistiques sont souvent modifiés par des adjectifs
comme : très, probablement , plus ou moins,...
B Exemple de Modificateurs : de
B Concentration con(A) défini par : χcon(A) = χA 2 .
˜ ˜ ˜
1
B Dilatation dil(A) défini par : χcon(A) = χA 2 .
˜ ˜ ˜

Aide à la décision Systèmes intelligents flous

Logique Floue: Les règles floues

B Une règle floue permet de représenter les connaissances de

l’humain.
SI Premisse ALORS conclusion

B Prémisse est une proposition :

IF x est A, ALORS y est B

˜
B Prémisse est un conjonction de propositions :

IF x est A1 et x est A2 et ... et x est Ak , ALORS y est B

˜ ˜ ˜
B Prémisse est un disjonction de propositions :

IF x est A1 ou x est A2 et ... ou x est Ak , ALORS y est B

˜ ˜ ˜

Aide à la décision Systèmes intelligents flous

Logique Floue: Les règles floues

B Un prémisse avec plusieurs propositions peut être transformée en

une prémisse avec une seule proposition.
B Prémisse est un conjonction de propositions :

IF x est A1 et x est A2 et ... et x est Ak , ALORS y est B

˜ ˜ ˜

Soit l’ensemble flou As = A1 ∩ A2 ∩ ... ∩ Ak . On a :

˜ ˜ ˜ ˜
χAs (x) = min(χA1 (x), χA2 (x), ..., χ k (x))
A
˜ ˜ ˜ ˜

IF x est As , ALORS y est B

˜

Aide à la décision Systèmes intelligents flous

Logique Floue: Les règles floues

B Un prémisse avec plusieurs propositions peut être transformée en

une prémisse avec une seule proposition.
B Prémisse est un disjonction de propositions :

IF x est A1 ou x est A2 ou ... ou x est Ak , ALORS y est B

˜ ˜ ˜

Soit l’ensemble flou As = A1 ∪ A2 ∪ ... ∪ Ak . On a :

˜ ˜ ˜ ˜
χAs (x) = max(χA1 (x), χA2 (x), ..., χ k (x))
A
˜ ˜ ˜ ˜

IF x est As , ALORS y est B

˜

Aide à la décision Systèmes intelligents flous

Logique Floue: Agrégation des règles floues
B Système avec conjonction de règles : Les règles sont connectées
par le connecteur "et". Dans ce cas la conclusion y est calculée par
l’intersection des sorties individuelles des règles y j , j = 1, 2, ..., r .

y = y 1 ∩ y 2 ∩ ... ∩ yr
qui est défini par la fonction d’appartenance
χy (y ) = min(χy 1 (y ), χy 2 (y ), ..., χy r (y ))
B Système avec disjonction de règles : Les règles sont connectées
par le connecteur "ou". Dans ce cas la conclusion y est calculée
par l’union des sorties individuelles des règles y j , j = 1, 2, ..., r .

y = y 1 ∪ y 2 ∪ ... ∪ yr
qui est défini par la fonction d’appartenance
χy (y ) = max(χy 1 (y ), χy 2 (y ), ..., χy r (y ))

Aide à la décision Systèmes intelligents flous

Système Flou

Aide à la décision Systèmes intelligents flous

Logique Floue: Inférence de Mamdani

B La méthode d’inférence la plus utilisée est celle de professeur

Ebrahim Mamdani (1975, London University)
B Elle se décompose en 4 étapes :
B Fuzzification des variables d’entrée
B Evaluation de la règle
B Agrégation des sorties de règles
B Défuzzyfication

Aide à la décision Systèmes intelligents flous

Logique Floue: Inférence de Mamdani

Aide à la décision Systèmes intelligents flous

Etude de cas : Aide à la décision

B Un centre de stockage et réparation de pièces détachées.

B Un client apporte une pièce défaillante et reçoit une pièce
de rechange de même type.
B Les pièces défaillantes sont réparées et placées dans le stock.

B L’objective est d’aider le directeur du centre dans certaines

décisions pour garder les clients satisfaits.

Aide à la décision Systèmes intelligents flous

Etude de cas : Aide à la décision

1 Spécification du problème et définir les variables linguistiques

2 Déterminer les ensembles flous
3 Construire les règles floues
4 Codage des ensembles flous, règles floues et les procédures
pour l’inférence floue.
5 Evaluer le système

Aide à la décision Systèmes intelligents flous

1- Spécification du problème et définir les variables
linguistiques

1 Déterminer les variables d’entrée et de sortie et leur domaines.

B Le temps moyen d’attente (t); le plus important.
B Nombre de serveurs (s)
B Le nombre de pièces de rechange initial (n)
B facteur d’utilisation de la réparation du centre de service (f).
Le facteur d’utilisation du centre de services, f, est le rapport
entre l’évaluation du client à l’arrivé et l’évaluation au départ
du client. Apparemment, l’évaluation de réparation est
proportionnelle au nombre de serveurs, s.

Aide à la décision Systèmes intelligents flous

1- Spécification du problème et définir les variables
linguistiques

Variable linguistique : Temps moyen d’attente (m)

Terme linguistique Notation Domaine (normalisé)
Très Court TC [0,0.3]
Court C [0.1,0.5]
Moyen M [0.4,0.7]

Variable linguistique : Nombre de serveurs (s)

Terme linguistique Notation Domaine (normalisé)
Petit P [0,0.35]
Moyen M [0.30,0.70]
Grand G [0.60,1]

Aide à la décision Systèmes intelligents flous

1- Spécification du problème et définir les variables
linguistiques
Variable linguistique : Facteur d’utilisation (f)
Terme linguistique Notation Domaine (normalisé)
Bas B [0,0.6]
Moyen M [0.4,0.8]
Elevé M [0.6,1]
Variable linguistique : Nombre de pièces de rechange (n)
Terme linguistique Notation Domaine (normalisé)
Très Petit TP [0,0.30]
Petit P [0,0.40]
Plutot Petit PP [0.25,0.45]
Moyen M [0.3,0.70]
Plutot Grand PG [0.55,0.75]
Grand G [0.6, 1]
Très Grand TG [0.7,1]
Aide à la décision Systèmes intelligents flous
2- Déterminer les ensembles flous

Aide à la décision Systèmes intelligents flous

3- Construction de règles floues

B Demander à l’expert
B Les connaissances nécessaires peuvent aussi être collectées ou
calculées à partir d’autres sources.

B Dans notre cas :

B Une règle a deux entrées et une sortie
B On représente les règles floues par des matrices

Aide à la décision Systèmes intelligents flous

3- Construction de règles floues

B Représentation compacte des règles : 2 entrées le nombre de

serveurs s et le temps d’attente t et une sortie le nombre de pièces
de rechange n.

G M P TP
M PG PP P
P TG G M
s/m TC C M

B SI s est G et t est TC alors n est M

B Si s est P et t est C alors n est G
B .....

Aide à la décision Systèmes intelligents flous

3- Construction de règles floues
B Cas des 3 entrées :

Aide à la décision Systèmes intelligents flous

3- Construction de règles floues
B On est pas obligé de considérer toutes les règles : Deux entrées
A et B et une sortie C.

Aide à la décision Systèmes intelligents flous

4- Codage

B Deux choix possibles

B Programmer un système en utilisant C/C++ ou Java,...
B Utiliser Les outils de la logique floue comme MATLAB
Fuzzy logic Toolbox, FuzzyClips, scikit-fuzzy (SciPy),...

Aide à la décision Systèmes intelligents flous

5- Evaluation du système

B La dernière étape est l’évaluation du système et vérifier s’il

satisfait les critères du client.
B Plusieurs situations dépendent du temps d’attente, le
nombre de serveurs et le facteur utilisation de la réparation.
B Les outils de la logique floue peuvent générer des surfaces
très utiles pour analyser la performance du système.
B On peut aussi rajouter plus de termes (ensembles floues) et
augmenter le domaine ou l’univers du discours de la variable
linguistique, et ainsi augmenter le nombre de règles

Aide à la décision Systèmes intelligents flous

Retour sur l’exemple de la 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 Systèmes intelligents flous

Retour sur l’exemple de la 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 Systèmes intelligents flous

Retour sur l’exemple de la motivation
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 Modélisation avec la logique floue :
B µLN (29.9) = 0.51 et χMN (29.9) = 0.49
⇒ 0.51x3 + 0.49x2 = 2.51 tours
B µLN (25.1) = 0.49 et χMN (25.1) = 0.51
⇒ 0.49x3 + 0.51x2 = 2.49 tours

Aide à la décision Systèmes intelligents flous