LOGIQUE FLOUES

&
RSEAUX DE NEURONES ARTIFICIELS

Chapitre 3

CONTRLE PAR LOGIQUE

FLOUE

Pr. Abdellah MECHAQRANE

VARIABLES FLOUES
Logique floue base sur des variables floues dites variables
linguistiques valeurs linguistiques dans lunivers du discours U.
Chaque valeur linguistique constitue un ensemble flou de lunivers
du discours.
Exemple:

Univers du discours : Gamme de temprature de 0C 200C.

Variable linguistique : La temprature.
Valeurs linguistiques (prdicats) : Trs froid Froid Tempr
Chaud Trs Chaud

Les prdicats froide, frache,

normale, chaude et leve sont
les valeurs linguistiques de la
variable linguistique temprature.

PRINCIPE DE LA COMMANDE FLOUE

La commande floue a pour but de traiter des problmes de commande de
processus partir uniquement de connaissances de comportement que
les spcialistes du procd doivent formuler sous forme linguistique
(floue).

En commande floue, la connaissance des diverses fonctions

de transferts nest pas ncessaire.

Exemple:

Commande de vhicule autonome.

Commande de temprature dun serre
Rgulation de niveau complexe
Commande avec capteur imprcis (Camera)
3

BOUCLE DE RGULATION FLOUE STANDARD

Autres entres
SP

erreur

Variation
Commande

Mesure

Commande

Systme

Variation
erreur

Entres usuelles :

Lerreur et la variation de l erreur

Sortie usuelle :

La variation de la commande

STRUCTURE GNRALE DUN CORRECTEUR FLOU

Correcteur flou
Base de connaissances

Fuzzification

Infrences
Raisonnement flou

Mesures floues

Mesures

Dfuzzification

Commande floue

Procd

Commande

3 modules pour un rgulateur logique floue.

1. La fuzzification des entres et sorties.
2. Linfrence floue selon une base de rgle.
3. La dfuzzification des sorties.
5

Etape1: Fuzzification (flouification)

L'tape de fuzzification a pour but de transformer une
donne numrique en variable linguistique.
Elle consiste en la :
1. Dfinition des variables dentre et de sortie que lon
veut manipuler.
2. Dtermination de lunivers du discours de chaque
variable,
3. Dtermination des classes dappartenance floue qui
partionnent lunivers du discours
4. Dtermination de la fonction dappartenance de
chaque classe.

Exemple:

une temprature en degr Celsius provenant d'un capteur (donne

numrique) peut tre transforme en plusieurs variables linguistiques
qualifiant une temprature : chaud, froid, tempr, trs froid, trs chaud,
etc.

La fuzzification des variables est une phase dlicate du

processus mis en uvre par la logique floue. Elle est
souvent ralise de manire itrative et requiert de
l'exprience.

Considration Pratiques
Le nombre de fonctions d'appartenance dans un univers du discours
dpend essentiellement de l'application et de l'expertise.
Un plus grand nombre de zones augmente la sensibilit de la
commande floue. Un univers de discours partitionn en un trop grand
nombre de zones diminue la cadence du fonctionnement du systme flou
sans augmenter les performances.
En pratique, les systmes flous utiliseront, habituellement, une
partition de 3 ou 5 zones et se limiteront une partition ne dpassant
pas 7 zones.
Eviter un chevauchement trop important ou trop faible de deux
fonctions d'appartenance contigus (entre 0.3 et 0.7). Un chevauchement
trop important conduira un appauvrissement des performances du
systme flou. De manire gnrale, le chevauchement des zones est de
50 % par rapport l'axe des ordonnes.
Eviter des zones mortes dans l'univers du discours, c'est--dire une partie
n'appartenant aucune fonction d'appartenance, provoque des zones de nonintervention du rglage et conduira une instabilit du systme flou.

 Eviter qu'une partie de l'univers du discours soit reprsente par plus de

deux variables linguistiques dont la fonction d'appartenance est non
nulle. Ceci crerait de l'imprcision lors de l'tape de calcul de la fuzzification.
Utiliser des fonctions d'appartenance simples autant que possible : On
prfrera les triangles ou trapzes aux gaussiennes ou autres fonctions
compliques, dvoreuses d'espace mmoire et ncessitant un temps de calcul
plus long lorsque le contrleur est en fonction.
Temprature froide 100% et tempre 100%
Information contradictoire

Temprature non reconnue par le RLF

Zones mortes

3 classes se chevauchent : Imprcision

Bonne partition de lunivers du discours

Etape 2: Infrence floue

L'infrence floue est ltape o lon tablit les rgles
floues qui permettent daboutir la commande.
Les rgles floues lient la variable de sortie aux variables
dentre afin de tirer des conclusions ou dductions floues.

Chaque rgle est crite par le concepteur du systme flou

(expert) en fonction des connaissances qu'il en possde.

Linfrence floue transforme un degr dappartenance

en un autre degr dappartenance

Moteur ou engin d'infrence

La base de connaissance ncessaire l'infrence contient:

une base de rgles contenant un certain nombre de rgles
floues de type : SIALORS (IFTHEN rules);
une base de donnes contenant les fonctions
d'appartenance des sous-ensembles flous utiliss dans les
rgles floues.

Rgles floues
Une rgle floue est une dclaration de la forme suivante :

SI

x est A ALORS

y est B

o x et y sont des variables linguistiques, et A et B sont des valeurs

linguistiques, dtermines par les ensembles flous

Ex. : Rgulateur de temprature dont les variables sont :

temp = la temprature ambiante
vac = vitesse de rotation dun ventilateur dair chaud
vaf = vitesse de rotation dun ventilateur dair frais

Les rgles dinfrence peuvent tre :

Si temp est haute alors vac est nulle
Si temp est haute alors vaf est grande
Si temp est basse alors vac est grande
Si temp est basse alors vaf est nulle

Une rgle floue comporte :

des prmisses (conditions) :

Si la vitesse est leve

ET

Prrmisses1

la distance est faible

Prrmisses2

une consquence (dduction ou conclusion) :

Alors

frein fort
Consquence

Chaque rgle est compose de prmisses lies par les oprateurs ET,
OU et donne lieu une implication par loprateur ALORS.

Exemple :
Proposition floue gnrale
(ensemble de propositions simples)
Proposition
floue simple

Si Vitesse leve ET distance faible ALORS frein fort

Prmisses
(Conditions)

Conjonction

Implication

Conclusion
(Consquence)

Remarques:
Une rgle est active ds quelle a une prmisse ayant une valeur de vrit non
nulle.

Plusieurs rgles peuvent tre actives simultanment et prconiser des actions

avec diffrents degrs de validits; ces actions peuvent tre contradictoires.
15

Agrgation des rgles floues

Soit l'ensemble de rgles :
R1 : Si x A1 ET y B1 ALORS z C1 OU
R 2 : Si x A2 ET y B2 ALORS z C2 OU
R 3 : Si x A3 ET y B3 ALORS z C3 OU
R 4 : Si x A4 ET y B4 ALORS z C4

La traduction d'un tel ensemble de rgles floues parallles dans une

relation floue se fait par la combinaison de ces relations dans une seule
relation floue R:

Rk
k

Cette combinaison de rgles floues dans une seule relation floue est
appele "agrgation".
L'agrgation consiste en l'utilisation d'un oprateur de disjonction
traduisant le OU.

Diffrentes Mthodes dinfrence

Les mthodes d'infrence diffrent de la manire d'valuer

les valeurs de vrit des proposition "ET", "OU" et de
l'implications "ALORS".
Il existe plusieurs mthodes d'infrence utilises dans la
littrature, parmi elles, on cite :
Mthode d'infrence MAX-MIN (Mamdani)
Mthode d'infrence MAX-PROD (Larsen)
Mthode d'infrence SOMME-PROD (Sugeno)

Mthode dinfrence MAX-MIN (Mamdani)

Loprateur "ET" est ralis par la fonction min.
La conclusion dans chaque rgle, introduite par "ALORS"
est ralise par la fonction min.

Loprateur "OU" qui lie les diffrentes rgles est ralis par
la fonction max

Mthode MIN-MAX : ETmin , OU max, ALORS min

Mthode d'infrence SOMME-PROD (Zadeh)

Loprateur "ET" est ralis par la fonction produit.
La conclusion dans chaque rgle, introduite par "ALORS"
est ralise par la fonction produit.

Loprateur "OU" qui lie les diffrentes rgles est ralis par
la valeur moyenne des degrs d'appartenance intervenant
dans l'infrence.
A x B y
A B x, y
2

Mthode SOMME-PROD : ETprod , OU somme,

ALORS prod

Mthode d'infrence MAX-PROD (Larsen)

Loprateur "ET" est ralis par la fonction min.

La conclusion dans chaque rgle, introduite par "ALORS"
est ralise par la fonction produit.

Loprateur "OU" qui lie les diffrentes rgles est ralis par
la fonction max
Remarque :
Les deux mthodes qui sont les plus largement utilises en
pratique sont la mthode de Mamdani et la mthode de
Sugeno.

Mthode Max-Prod : ETprod , OU max, ALORS prod

Implication de Mamdani
En commande floue, l'implication la plus couramment utilise
et la plus efficace est l'implication de Mamdani.
Pour la proposition
Si x est A ALORS y est B
Si x est A y est B
l'implication de Mamdani s'crit:

x, y min A x , B y

Exemple 1:

Soient les deux ensembles flous :

A=0.2/x1 + 0.3/x2 + 0.4/x3
B=0.1/y1 + 0.2/y2 + 0.6/y3 + 0.7/y4

Etablir l'ensemble d'implication de Mamdani pour la rgle :

Si x est A Alors y est B
Rponse :
y1

y2

y3

y4

x1

0.1

0.2

0.2

0.2

x2

0.1

0.2

0.3

0.3

x3

0.1

0.2

0.4

0.4

Exemple 1:
Rgle de Mamdani: Cas de plusieurs rgles avec la mme conclusion:

Si :

A x 0.35, A x 0.75 et B y 0.65

1

Si x est A1 ET y est B ALORS z est C1

OU

Si x est A2 ET y est B ALORS z est C1

Laquelle des deux valeurs appliquer C1 z ?

Si x est A1 ET y est B ALORS z est C1

C z min A x , B y 0.35

Si x est A2 ET y est B ALORS z est C1

C z min A x , B y 0.65

Ici, les deux rgles mnent la mme conclusion.

on peut lire z est C1 si x est A1 et y est B OU si x est A2 et y
est B
En appliquant la rgle de Mamdani (Max-Min), le degr
d'appartenance de z C1 se calculera comme suit :
C z max min A x , B y , min A x , B y 0.65
1

tape 3: dfuzzification (dflouification)

La dfuzzification permet de revenir des valeurs physiques

en convertissant lensembles des valeurs linguistiques
obtenues ltape 2 en un nombre unique (commande)
Plusieurs mthodes sont proposes:

Mthode du centre de gravit : Centrode

Mthode du maximum
Mthode de la moyenne des maxima
Etc.

Mthode du centre de gravit

Une des mthodes les plus populaires ; dtermine le point

o une ligne verticale couperait lensemble flou agrg en
deux masse gales :
(x)
1.0

CdG

A x x dx
a
b

A x dx

0.8
A

0.6
0.4
0.2
a

0.0
150

160

170

180

190

200

X
210

Un estim raisonnable consiste

valuer le CdG partir dun
ensemble fini de points

Degree of
Membership
1.0
0.8
0.6
0.4
0.2
0.0
0

10

20

30

40

50

60

70
67.4

COG

(0 10 20) 0.1 (30 40 50 60) 0.2 (70 80 90 100) 0.5

67.4
0.1 0.1 0.1 0.2 0.2 0.2 0.2 0.5 0.5 0.5 0.5

80

90

100
Z

Mthode du maximum
La sortie correspond l'abscisse du maximum de la fonction d'appartenance
rsultante.
3 cas peuvent se prsenter :

C'est une mthode simple, rapide et facile mais elle peut introduire des
ambiguts dans certains cas.

Mthode de la moyenne des maxima

Dans le cas o plusieurs sous-ensemble auraient la mme hauteur maximale,
on ralise leur moyenne (on prend la moyenne des abscisse des maxima).

Infrence floue de type Sugeno ou Takagi-SugenoKang (TSK).

La principale diffrence entre les mthodes de Mamdani et
Sugeno est que les fonctions d'appartenance des sorties de
type Sugeno sont soit linaires ou soit constantes. Une
rgle typique dans un processus d'infrence floue de type
Sugeno a la forme suivante

Si x est Ai ET y est B j ALORS z ax by c

Les prmisses sont toujours exprimes linguistiquement
mais le consquent utilise des variables numriques
plutt que des variables linguistiques.

Infrence de Sugeno dordre 0

Modle de Sugeno le plus courant :
Si
ET
ALORS

x est A
y est B
z is k

o k est une constante.

Comme la sortie de chaque rgle est une constante, le
rsultat global de toutes les rgles est un ensemble de
singletons.

Pour le modle de type Sugeno d'ordre zro, la sortie z est

gale une constante (a=b=0).

Avec ce modle, utilisant des nombres rels pour la sortie,

l'ensemble flou de l'infrence des consquences sera un
ensemble flou discret avec un nombre fini de points, ce qui
peut simplifier grandement le calcul de l'algorithme de
dfuzzification

valuation des rgles floues selon Sugeno

1

A3

B1
0.1

0.0
0

x1

Rule 1: IF x is A3 (0.0)

y1

OR y is B1 (0.1)

A2
0

x1

y1

Rule 2: IF x is A2 (0.2) AND y is B2 (0.7)

1

A1

z is k1 (0.1)

AND
(min)

0.2
0

THEN

k2

z is k2 (0.2)

Rule 3: IF x is A1 (0.5)

k1

1
0.5

0.5

x1

B2
0

0.1

THEN
0.7

0.2
X

OR
(max)

THEN

k3

z is k3 (0.5)

Agrgation des rsultats

1
0.1
0

0.5

0.5

0.1
0

0.2
k1

z is k1 (0.1)

k2

z is k2 (0.2)

k3

z is k3 (0.5)

0.2
k1

k2

k3

Dfloufication de Sugeno
On prend la moyenne pondre de toutes les valeurs
des singletons :
(k1) k1 (k 2) k 2 (k 3) k 3 0.1 20 0.2 50 0.5 80
WA

65
(k1) (k 2) (k 3)
0.1 0.2 0.5

z1

Sortie dure
z1

Exemple : Infrence Mamdani

Linfrence Mamdani procde selon quatre tapes :

1. Fuzzification des variables dentre

2. Evaluation des rgles

3. Agrgation des sorties des rgles
4. Dfuzzification

Considrons un systme de contrle dun ventilateur de maison, ayant 2

entres (temprature et humidit) et une sortie (vitesse du ventilateur).
Des rgles possibles sont :

SI x est A1 OU y est B1 ALORS z est C1

SI x est A2 ET y est B2 ALORS z est C2

SI x est A3 ALORS z est C3
o

x : temprature, y : humidit et z : vitesse du ventilateur.

Les ensembles flous sont :

A1 = faible,
B1 = sec,
C1 = lent,

A2 = moyenne,
B2 = humide
C2 = moyenne,

A3 = leve
C3 = rapide

Fonctions d'appartenance des ensembles flous :

A x
x

B y

Entre x (Temprature [C])

C z

Entre y (Humidit [%])

Sortie z (vitesse du ventilateur [%])

Supposons quil fait actuellement 18C, et que lhumidit est de 80%.

On applique ces entres sur les fonctions dappartenance pour dterminer
lappartenance chaque variable.

Une temprature de 18C correspond une appartenance de 0.5

lensemble faible (A (x)= 0.5) et une appartenance de 0.33 lensemble
1
moyenne (A (x)= 0.33).
2

A (x)= 0.5
1
A (x)= 0.33
2

Une humidit de 80% correspond une appartenance de 0.25

lensemble sec (B (x)= 0.25) et une appartenance de 0.75
1
lensemble humide () .

B (x)= 0.75
2

B (x)= 0.25
1

 Pour la rgle 1 :
SI x est A1 (0.5) OU y est B1 (0.25) ALORS z est C1 ( ?)

Dans cette rgle, on a deux prmisses relies par un "OU". Il y a

plusieurs mthodes qui permettent de reprsenter le "OU" floue (tconorme). Les deux mthodes les plus utilises sont la mthode du
maximum et la mthode probabiliste (probor) :
1. Mthode 1 : maximum

A B x max A x , B y max 0.5,0.25 0.5

1

2. Mthode 2 : probor

A B x probor A x , B y A x B y A x .B y
1

0.5 0.25 0.5 0.25 0.625

Si on utilise la mthode 1, lappartenance est C1(z)= 0.5.

 Pour la rgle 2 :
SI x est A2 (0.33) ET y est B2 (0.75) ALORS z est C2 ( ?)

Dans cette rgle, on a deux prmisses relies par un "ET". Il y a

plusieurs mthodes qui permettent de reprsenter le "ET" floue (tnorme). Les deux mthodes les plus utilises sont la mthode du
minimum et la mthode probabiliste (prod) :
1. Mthode 1 : minimum

A B x min A x , B y min 0.33,0.75 0.33

2

2. Mthode 2 : prod

A B x prod A x , B y A x .B y 0.33 75 0.25

2

Si on utilise la mthode 1, lappartenance est C2(z)=0.33.

 Pour la rgle 3 :
SI x est A3 (0) ALORS z est C3 ( ?)

Dans cette rgle, on a une seule prmisses et une implication. Pour

T=18C:

Eleve x A x 0 C 0
3

Le rsultat de l'valuation de l'antcdent est alors applique

la fonction d'appartenance du consquent.

Au total, on obtient :

SI x est A1 (0.5) OU y est B1 (0.25) ALORS z est C1 (0.5)

SI x est A2 (0.33) ET y est B2 (0.75) ALORS z est C2 (0.33)
SI x est A3 (0.0) ALORS z est C3 (0.0)

Evaluation des rgles

L'valuation d'une rgles se fait en appliquant les oprateurs (conjonction (ET),
subjonction (OU) et/ou implication (ALORS)) qui y interviennent.
Si une rgle a plusieurs prmisses (antcdents), un oprateur flou est utilis
pour obtenir un seul chiffre qui reprsente le rsultat. Ce rsultat est ensuite
appliqu la fonction dappartenance de la consquence (conclusion).
Le rsultat peut tre produit par deux mthodes :

Ecrtage (Coupure)
Mise lchelle

Mthode d'crtage ou de Coupure

 rgle 1 :

SI x est A1 (0.5) OU y est B1 (0.25) ALORS z est C1 ( ?)

A (x)= 0.5
1

A1

0.8

0.8

0.6

0.6

0.4

0.4

0.2

A (x)= 0.25 0.2

2

14

16

18

60

20

A1
1

B1

B1

80

(x)= 0.5

C1

0.8

C1 (z)= 0.5

0.6
0.4
0.2
0

10

20

30

40

50

60

 Rgle 2 :
SI x est A2 (0.33) ET y est B2 (0.75) ALORS z est C2 ( 0,33)
Ax x
A2

A (x)= 0.75 0.8

0.8

A (x)= 0.33
1

B2

0.6

0.6

0.4

0.4

0.2

0.2
16

20

18

24

60

80

A1 B1 (x)= 0.33
C2

0.8
0.6
0.4

C (z)= 0.33
2

0.2
0

10

20

30

40

50

60

70

80

90

100

 rgle 3 :
SI x est A3 (0) ALORS z est C3 ( 0)
A3

1
0.8
0.6
0.4
0.2
0

18

20

40

60

80

100

A3 (x)= 0
C3

1
0.8
0.6
0.4
0.2

C3 (z)= 0

10

20

30

40

50

60

70

80

90

100

Mthode de mise l'chelle

 rgle 1 :

SI x est A1 (0.5) OU y est B1 (0.25) ALORS z est C1 ( ?)

A (x)= 0.5
1

A1

0.8

0.8

0.6

0.6

0.4

0.4

0.2

A (x)= 0.25 0.2

2

14

16

18

60

20

A1
1

B1

B1

80

(x)= 0.5

C1

0.8

C1 (z)= 0.5

0.6
0.4
0.2
0

10

20

30

40

50

60

 Rgle 2 :
SI x est A2 (0.33) ET y est B2 (0.75) ALORS z est C2 ( 0,33)
A2

A (x)= 0.75 0.8

0.8

A (x)= 0.33
1

B2

0.6

0.6

0.4

0.4

0.2

0.2
16

20

18

24

60

80

A1 B1 (x)= 0.33
C2

0.8
0.6
0.4

C (z)= 0.33
2

0.2
0

10

20

30

40

50

60

70

80

90

100

 rgle 3 :
SI x est A3 (0) ALORS z est C3 ( 0)
A3

1
0.8
0.6
0.4
0.2
0

18

20

40

60

80

100

A3 (x)= 0
C3

1
0.8
0.6
0.4
0.2

C3 (z)= 0

10

20

30

40

50

60

70

80

90

100

Agrgation des rsultats des rgles

On prend les fonctions dappartenance de tous les
consquents, crtes ou mise l'chelle (crases) et on
les regroupe en un ensemble flou composite.
C (z)

Mthode d'crtage

0.8

0.6
0.4
0.2
0

10

20

30

40

50

60

70

80

90

100

90

100

C (z)

Mthode de mise l'chelle

0.8
0.6
0.4
0.2
0

10

20

30

40

50

60

70

80

Le calcul de la sortie d'une solution floue sera effectu par la mthode de dfuzzification.

Dfuzzification

Mthode du centre de gravit (CDG)

Elle est base sur le calcul de l'abscisse correspondant (z0)
au centre de gravit de la surface du sous-ensemble flou de
la solution dtermine par l'agrgation de l'action des rgles
floues.
C (z)

0.5
0.33
0

10

20

30

z0

40

50

60

70

80

90

100

Le calcul de la solution prcise, z0, d'une solution floue

l'aide de la mthode du centre de gravit est dfini par :

z0

z . z
C

z
C

Pour le cas continu :

z0

z . z dz

z dz
C

Le centre de gravit na pas besoin dtre calcul des faon

trs prcise.

Pour l'exemple ci-dessus, On peut approximer le CDG en le

calculant un pas de 10, par exemple :

z0

0 10 20 30 0.5 40 50 60 0.33

26.59
0.5 0.5 0.5 0.5 0.33 0.33 0.33

Le ventilateur doit donc tre 26.59% de sa vitesse maximale.

Mamdani ou Sugeno?

La mthode de Mamdani est bien adapte pour

capturer le savoir dexperts.

La mthode de Sugeno est bien adapte

lautomatique et aux problmes dingnierie en
gnral

Permet de dcrire lexpertise de manire intuitive, mais

demande un effort de calcul plus grand.

Filtres adaptatifs et optimisation en temps rel, automatique,

systme dynamiques non linaires, etc.

Dautres techniques existent qui font appel des

approches hybrides (e.g. neuro-floues)