Professional Documents
Culture Documents
Département d’informatique
2009/2010 1
Sommaire
• Introduction
• FRBS
• Taxonomie du GFS
• Exemple
• Naissance de la GFS
• Bibliographie
2
Introduction
3
Soft Computing
4
Introduction
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:
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).
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 :
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.
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