Université Abou Bekr Belkaid

Faculté des sciences de l’ingénieur

Département d’informatique

Module : Logique Pour L’Intelligence Artificielle

Les Systèmes floues et les Algorithmes Génétiques

(GENETIC FUZZY SYSTEM)

Préparé par: Enseigné par :

BENAISSA Mohamed Amine Mr. HADJILA Feth Allah
BENACHOUR Ibrahim

2009/2010 1
 Sommaire
• Introduction
• FRBS
• Taxonomie du GFS
• Exemple
• Naissance de la GFS
• Bibliographie

2
 Introduction

• Les algorithmes génétiques (AGs) sont des algorithmes

d’optimisation stochastique fondés sur les mécanismes de la
sélection naturelle et de la génétique.

• L'utilisation de la génétique à la conception des systèmes floues

constitue l'une des branches de Soft Computing : (Genetic Fuzzy
System).

• Le principal intérêt du soft computing réside dans l’utilisation

conjointe de plusieurs de ces composantes dans des systèmes
hybrides tirant parti d’une synergie entre les différentes méthodes
afin d’exploiter les avantages de chacune tout en compensant ses
inconvénients par l’utilisation d’une autre dont les propriétés sont
complémentaires.

3
Soft Computing

4
 Introduction

• L'approche la plus connue est celle de système à base de règles floues,

où certains de ces composant sont dérivés (adapté ou appris) à l'aide
un AG.

• Les Algorithmes génétiques n'ont pas été spécifiquement conçu comme

techniques d’apprentissage automatique, comme d'autres approches
comme les réseaux de neurones.

• Toutefois, il est bien connu qu'une tâche d'apprentissage peut être

modélisé comme un problème d'optimisation, et donc résolu à travers
l'évolution.

5
Genetic Fuzzy System

6
 FRBS
Un FRBS (il s'agit d'un modèle flou, un contrôleur flou ou un classifieur flou), est
composé de deux principales composantes:

La base de connaissances (KB), en stockant les connaissances sous la

forme des règles floues .

Le moteur d'inférence, en appliquant une méthode de raisonnement

sur la base de connaissance.

Les deux doivent être conçues pour construire un FRBS :

La base de connaissance(KB) est obtenu à partir des connaissances
d'expert ou par des les méthodes d'apprentissage
automatiques.

Le système d'inférence est mis en place en choisissant l'opérateur floue

pour chaque composant (fuzzification,defuzzification).

7
Structure d’un FRBS

8
 Taxonomie du GFS
L’ approche GFS a été diviser on deux processus (tuning et learning).
Genetic tuning :
Si la base de connaissance existe déjà, on applique un processus
d’optimisation pour améliorer le FRBS mais sans changer la base des
règles.
Ajuster les paramètres du FRBS pour améliorer ses performances en
maintenant la même base de règle.
Genetic learning:
la possibilité est d'apprendre les composants de la KB .
Générer automatiquement les règles floues en utilisant les AG.

9
 Taxonomie du GFS
Optimisation des paramètres de la base de connaissance(KB):
Ajuster les paramètres de la fonction d’appartenance sans changer le
nombre des variables linguistiques (reste fixer dés le début).

Optimisation des méthodes de défuzzification :

Optimiser les Paramètre des méthodes de défuzzification .

10
 Fonction d’Appartenance

• Triangulaire :

11
 Fonction d’Appartenance

• Trapézoïdale :

12
 Fonction d’Appartenance :

• Gaussienne :

13
 Règle Floue

• Représentation :

14
 Règle Floue

• Représentation :

15
Exemple :

• Input : xi = {0,3,5,7}
• Output : Yi = {0,9,25,49}
• i=1,2,3,4.

16
 Exemple :
• 6 bit pour chaque distance(Basei )
• 4 points label pour chaque variable
• Alors 6*4=24 bits longueur du chromosome
• L : longueur de gène
• D : valeur de variable en décimale
• Calcule des nouveau distance :

• Erreur Total :

17
Exemple :

18
 Exemple :

• Evaluation de Fitness est de la formule :

• Nombre de copie de la génération suivante est de formule :

19
 Exemple :
La solution du premier chromosome dans la
population initial.

20
Exemple :

21
Exemple :

22
Exemple :

23
 Naissance de la GFS (1991)
• Thrift’s ICGA91 paper (Mamdani-type Rule Base Learning Pittsburgh approach)
The birth of GFSs: 1991
• birth, roadmap, Thrift s Mamdani Learning.  Thrift P (1991) Fuzzy logic synthesis
with genetic algorithms. In: Proc. of 4th
• International Conference on Genetic Algorithms (ICGA'91), pp 509-513
• Valenzuela-Rendón’s PPSN-I paper (Scatter Mamdani-type KB Learning. Michigan
• approach)
• Valenzuela-Rendon M (1991) The fuzzy classifier system: A classifier system for
• continuously varying variables. In: Proc. of 4th International Conference on
Genetic
• Algorithms (ICGA'91), pp 346-353
• Pham and Karaboga’s Journal of Systems Engineering paper (Relational matrixbased
• FRBS learning. Pittsburgh approach)
• Pham DT, Karaboga D (1991) Optimum design of fuzzy logic controllers using
genetic
• algorithms. Journal of Systems Engineering 1:114-118).
• Karr’s AI Expert paper (Mamdani-type Data Base Tuning)
• Karr C (1991) Genetic algorithms for fuzzy controllers. AI Expert 6(2):26-33.

La base de ce system a été presque établie dans la première année.

24
 Bibliographie
Ouvrages électroniques(Ebooks):
• Oscar Cordon,Francisco Herrera,Frank Hoffmann,Luis Magdalena,
GENETIC FUZZY SYSTEMS EVOLUTIONARY TUNING AND LEARNING OF
FUZZY KNOWLEDGE BASES, World Scientific,2002.
Thèse :
• Wei WU, Synthèse d’un contrôleur flou par Algorithme Génétique :
Application au réglage dynamique des paramètres d’un système ,
Université de Lille 1 ,1998

Articles:
• Francisco Herrera, Genetic Fuzzy Systems: Basic notions and Tuning
Methods,2008
• Francisco Herrera, Genetic fuzzy systems: taxonomy, current research
trends and prospects,2008

25