Logique floue « Ce que les hommes veulent en fait, ce n’est pas la connaissance, c’est la certitude. » Bertrand Russel.

Présentation au sujet: "Logique floue « Ce que les hommes veulent en fait, ce n’est pas la connaissance, c’est la certitude. » Bertrand Russel."— Transcription de la présentation:

1 Logique floue « Ce que les hommes veulent en fait, ce n’est pas la connaissance, c’est la certitude. » Bertrand Russel

2 Nous faisons de la logique floue….
Exemple de règles floues: Règles de conduite automobile à l’approche d’un carrefour contrôlé par des feux tricolores. si le feu est rouge... si ma vitesse est élevée ... et si le feu est proche ... alors je freine fort. si ma vitesse est faible ... et si le feu est loin ... alors je maintiens ma vitesse. si le feu est orange... si ma vitesse est moyenne ... alors je freine doucement. si le feu est vert... alors j'accélère. Les règles floues sont énoncées en langage naturel

3 Notre cerveau fonctionne en logique floue.
…sans le savoir! Transposition de notre exemple selon un modèle plus mathématique « moins flou »  Si le feu est rouge, si ma vitesse dépasse 85,6 Km/H et si le feu est à moins de 62,3 mètres, alors j'appuie sur la pédale de frein avec une force de 33,2 Newtons !!! Notre cerveau fonctionne en logique floue. Elle apprécie les variables d'entrées de façon approximative (faible, élevée, loin, proche), fait de mêmes pour les variables de sorties (freinage léger ou fort) et édicte un ensemble de règles permettant de déterminer les sorties en fonction des entrées.

4 Limite de la logique booléenne
un patient atteint d'hépatite présente généralement les symptômes suivants : Le patient a une forte fièvre, sa peau présente une coloration jaune, il a des nausées. Si le patient à 38,9°C de température Logique classique Le patient n’a pas de forte fièvre  Le patient n’a pas d’hépatite. Logique floue Le patient a une forte fièvre à 48%  Le patient a une hépatite à x %.

5 Champ d’applications de la logique floue
Aide à la décision, au diagnostic. (domaine médical, orientation professionnelle…) Base de données. (objets flous et/ou requêtes floues) Reconnaissance de forme. Agrégation multicritère et optimisation Commande floue de systèmes… Traitement d’images (e.g. segmentation)

6 Bref historique: les débuts
1965: Concept introduit par Pr. Lotfi Zadeh (Berkeley): « Fuzzy set theory »: Définition des ensembles flous et opérateurs associés 1970: Premières applications: Systèmes experts, Aide à la décision en médecine,commerce… 1974: Première application industrielle. Régulation floue d’une chaudière à vapeur réalisée par Mamdani Longtemps universitaire. 1985: Les premiers, les japonais introduisent des produits grand public « Fuzzy Logic Inside ».

7 Bref historique: la maturité
1990: Généralisation de l’utilisation de cette technique. appareils électroménagers (lave-linge, aspirateurs, autocuiseurs,...etc) , systèmes audio-visuels (appareils de photos autofocus, caméscope à stabilisateur d'images, photocopieurs,...) systèmes automobiles embarqués (BVA, ABS, suspension, climatisation,...etc.), systèmes autonomes mobiles, systèmes de décision, diagnostic, reconnaissance, systèmes de contrôle/commande dans la plupart des domaines industriels de production. Il existe de processeurs dédiés et des interfaces de développement spécifiques (Cf 68HC12 de Motorola) Ex: la famille des processeurs WARP (Weight Associative Rule Processor) de SGS-THOMSON dont les principales caractéristiques sont les suivantes : Nombre de règles traitées : 256 Nombre d' entrées : 16 Nombre de sorties : 16 Méthode de composition des règles : Centre de gravité Vitesse de traitement : 200 microsecondes pour 200 règles.

8 Avertissement L’approche des problèmes par la logique floue est différente de celle adoptée, a priori, dans une démarche scientifique. Elle est beaucoup plus pragmatique que déterministe. La décision en logique floue est basée sur la notion d’expertise, qui permet de quantifier le flou à partir de connaissance a priori ou acquise antérieurement.  Ne pas être trop cartésien pour aborder la logique floue Il n’est pas nécessaire d’avoir un modèle entrées/sorties d’une voiture pour pouvoir la conduire de manière satisfaisante.

9 Concepts principaux Deux points essentiels :
Les ensembles et variables flous et opérateurs associés. Prise de décision à partir d’une base de règles de type « SI…ALORS ».  inférence floue.

10 degré d’appartenance = valeur de vérité.
Ensemble flou Soient U: L’univers du discours. A A: un sous-ensemble de U U Théorie classique des ensembles: Concept d’ensemble flou: Si =0,30 x appartient à l’ensemble flou A avec un degré d’appartenance de 30% degré d’appartenance = valeur de vérité. Un ensemble flou est totalement déterminé par sa fonction d’appartenance

11 Ensemble flou Un sous-ensemble flou F est défini sur un ensemble de valeur, le référentiel U. Il est caractérisé par une fonction d'appartenance : qui quantifie le degré d'appartenance de chaque élément de U à F. Froide : F ; Tiède : T ; Chaude : C Logique classique (ensembles « nets ») Logique floue (passage graduel)

12 Ensemble flou Définitions-Propriétés avec
0,5 Aa Une partie floue A de X peut aussi être caractérisée par l'ensemble de ses α-coupes. Une α-coupe d'un ensemble flou A est l’ensemble net (classique) des éléments ayant un degré d'appartenance supérieur ou égal à α. α-coupe(A) = {x ∈ X| μA(x) ≥ α}=Aa

13 Exemples d’ensembles flous
Ici, Pierre mesure 1m625 se traduit en logique floue par « Pierre est petit » à un degré de 75% « Pierre est moyen » à 25% « Pierre est grand » à 0%

14 Fonctions d’appartenance particulières
1 Couleur du feu tricolore rouge orange vert Fonction d’appartenance de la classe « Le feu est rouge » Fonction d’appartenance de la classe « la température est tiède» 1 T(°C) 15°C 20°C  La logique floue englobe les données certaines

15 Opérateurs de logique floue
Comme pour la théorie classique des ensembles. On définit l’union, l’intersection, le complément….d’ensembles flous logique booléenne standard = cas particulier de la logique floue  Tous les résultats obtenus en logique classique doivent être retrouvés par la logique floue

16 Complément Si A et B sont deux sous-ensembles flous et mA(x) et mB(x)
leur fonction d'appartenance, on définit : Le complémentaire de

17 Complément A est l’ensemble flou des personnes petites.
L’ensemble des personnes NON petites est un ensemble flou de fonction d’appartenance :

18 Intersection, union Le sous-ensemble A et B (AB), par: T-norme
mA(x) mB(x) Le sous-ensemble A et B (AB), par: T-norme Le sous-ensemble A ou B (AB), par: T-conorme ( -norme) Remarque: T pour Triangulaire

19 Union A est l’ensemble flou des personnes petites.
B est l’ensemble flou des personnes moyennes. L’ensemble des personnes petites OU moyennes est un ensemble flou de fonction d’appartenance :

20 Intersection A est l’ensemble flou des personnes petites.
B est l’ensembles flou des personnes moyennes. L’ensemble des personnes petites ET moyennes est un ensemble flou de fonction d’appartenance :

21 Opérateurs Liste non exhaustive

22 Opérateurs les plus utilisés
Dénomination Intersection ET (t-norme) Réunion OU (t-conorme) Complément NON Opérateurs de Zadeh MIN/MAX Probabiliste PROD/PROBOR

23 Opérateurs 2 exceptions notables :
 les définitions d'opérateurs ET et OU, on retrouve les propriétés des opérateurs booléens 2 exceptions notables : En logique floue, le principe du tiers exclu est contredit. En logique floue, on peut être A et non A en même temps.

24 Fuzzification Les systèmes à base de logique floue traitent de variables d’entrées floues et fournissent de résultats sur des variables de sorties elle-mêmes floues  La fuzzification est l’étape qui consiste en la quantification floue des valeurs réelles d’une variable. « Pierre est petit » à un degré de 75% Pierre mesure 1m625 Interface de fuzzification « Pierre est moyen » à 25% « Pierre est grand » à 0%

25 Comment fuzzifier? Pour fuzzifier, il faut donner: L’univers du discours i.e.: Plage de variations possibles de l’entrée considérée. Une partition en classe floue de cet univers. Les fonctions d’appartenances de chacune de ces classes. Il faut fuzzifier les entrées ET les sorties du processus flou. Exemple: Selon les valeurs des entrées , le système flou indiquera qu’en sortie la puissance de chauffe devra prendre les valeurs de sortie « faible » ou « moyenne » ou « forte ». La fuzzification des variables est une phase délicate du processus mis en oeuvre par la logique floue. Elle est souvent réalisée de manière itérative et requiert de l'expérience (expertise).

26 Variables floues Logique floue  basée sur des variables floues dites variables linguistiques à valeurs linguistiques dans l’univers du discours U. Chaque valeur linguistique constitue alors un ensemble flou de l’univers du discours. Exemple: Univers du discours : Gamme de température de 0°C à 200°C. Variable linguistique : La température. Valeurs linguistiques : « Très froid» « Froid » « Tempéré » « Chaud » « Très Chaud »

27 Variable linguistique
Une variable linguistique est représentée par un triplet (V, XV, TV) V : nom de la variable (age, taille, température, longueur,...) XV : univers des valeurs prises par V (ℝ,...) TV = {A1, A2, ...} : ensemble de sous-ensembles flous de XV, utilisés pour caractériser V. Par exemple: (Age-Personne, [0,130], {Très-jeune, Jeune, Agé}) 1 Age Très-jeune Jeune Agé

28 Principe de la logique floue:
Règles floues Après avoir "fuzzyfier" les variables d'entrée et de sortie, il faut établir les règles liant les entrées aux sorties. But final: à chaque instant, analyser l'état ou la valeur des entrées du système pour déterminer l'état ou la valeur de toutes les sorties. Principe de la logique floue: Plus la condition sur les entrées est vraie, Plus l'action préconisée pour les sorties doit être respectée

29 Règles floues Raisonnement flou
Variables linguistiques et propositions floues Variables linguistiques Proposition floue générale Implication floue Raisonnement Flou Modus ponens classique Modus ponens généralisé Application du Modus ponens généralisé

30 Base de règles Les systèmes à logique floue utilisent une expertise exprimée sous forme d’une base de règles du type: Si….Alors…

31 Règles floues Une règle

32 Règles floues Plusieurs règles

33 Exemple d’un système de règles floues

34 Inférence floue Prémisses Conjonction Conclusion Implication
Opération logique par laquelle on admet une proposition en vertu de sa liaison avec d’autres propositions tenues pour vraies. En logique classique En logique floue La variable floue X appartient à la classe floue A avec un degré de validité (x0) La variable floue Y appartient à la classe floue B à un degré qui dépend du degré de validité (x0) de la prémisse

35 Principe du raisonnement approximatif
Plus la condition sur les entrées est vraie. Plus l'action préconisée pour les sorties doit être respectée SI la température est très basse ALORS Chauffer fort La conclusion d’une règle floue est l’appartenance d’une variable floue de sortie « Chauffer » à une classe floue « fort ». Cette appartenance dépend de : 1) La classe floue de sortie considérée. 2) du degré de validité de la prémisse prémisses(x0). 3) de la méthode d’implication choisie.

36 Proposition floue Proposition floue élémentaire : qualification « V est A » d'une variable linguistique (V, XV, TV) Par exemple: « Age-personne est jeune » Proposition floue générale : composition de propositions floues élémentaires de variables linguistiques qui peuvent être distinctes Soit « V est A » p.f.e. de (V, XV, TV), et « W est B » p.f.e. de (W, XW, TW), Exemples de proposition floue générale : « V est A et W est B » « V est A ou W est B »

37 Valeur de vérité d’une proposition floue
Proposition classique : valeur de vérité  {0, 1} (FAUX ou VRAI) Proposition floue : la valeur de vérité est un sous-ensemble flou à valeurs dans [0,1] Valeur de vérité pA de « V est A » : mA fonction d'appartenance de A Négation: « V n'est pas A » : pAc= mAc = 1-mA Valeur de vérité p d'une proposition floue générale : agrégation des valeurs de vérité pA et pB de chaque proposition floue élémentaire Le type d'agrégation dépend de la composition réalisée (et, ou,...) Conjonction « V est A et W est B » : pAB= min(pA, pB) Disjonction « V est A ou W est B » : pAB= max(pA, pB)

38 x  X,  y  Y, fI(x, y) = (mA(x), mB(y))
Implication floue Règle de production : lien particulier (implication) entre 2 propositions floues « V est A  W est B » est lue « si V est A alors W est B » « V est A » = prémisse « W est B » = conclusion Par exemple: « si Age-personne est Jeune alors Salaire est Bas » Valeur de vérité de l'implication « V est A  W est B » : évaluée par une fonction implicative fI : X x Y  [0,1] x  X,  y  Y, fI(x, y) = (mA(x), mB(y))  est une fonction [0,1]x[0,1] [0,1] qui est équivalente à l'implication classique quand les propositions sont classiques.

39 fI(x, y) = (A(x), B(y))
Principales fonctions d'implication floue fI(x, y) = (A(x), B(y)) -

40 Logique classique vs Logique floue

41 Mode de raisonnement classique
Modus ponens de la logique classique Règle: Prémisse  Conclusion Observation: Prémisse-observée Déduction: Conclusion Modus ponens : règle de déduction pour inférer de la connaissance Règle: H est humain  H est mortel Observation: Socrate est humain Déduction: Socrate est mortel

42 Mode de raisonnement flou
Modus ponens généralisé : extension du MP aux propositions floues Soient (V, XV, TV) et (W, XW, TW) deux variables linguistiques Règle floue: V est A W est B mA mB Observation floue: V est A' mA' Déduction: W est B' mB' mA, mB, et mA' sont connues, on recherche la valeur de mB'(y),  y  Y A partir d’une règle floue et d’un fait observé A’ pour V, on en déduit une valeur B’ pour W.

43 mB' = supx  X T(fI(x,y), mA'(x))
Modus ponens généralisé Règle floue « V est A W est B » Implication x  X,  y  Y, fI(x,y)= (mA(x), mB(y)) Le MPG combine la règle floue avec l'observation « V est A' » pour construire la conclusion B' Opérateur de modus ponens généralisé : fonction T de [0,1]x[0,1] dans [0,1] pour combiner fI et mA' T est une t-norme T est liée à fI pour que le MPG soit compatible avec le modus ponens classique. On a, pour tout y  Y : mB' = supx  X T(fI(x,y), mA'(x))

44 Exemples d'opérateurs de MPG
Zadeh :  u,v  [0,1], T(u,v) = min(u,v) Utilisé avec les implications de Mamdani, Larsen,... Lukasiewicz :  u,v  [0,1], T(u,v) = max(u+v- 1,0) Utilisé avec les implications de Lukasiewicz, Reichenbach, Mamdani, Larsen,...

45 Applications du modus ponens généralisé
Commande floue : ensemble de règles floues + entrée numérique + sortie numérique Contrôle flou de processus Phase de défuzzification nécessaire Systèmes experts flous : ensemble de règles floues + entrée floue + sortie floue Raisonnement flou, inférence de connaissances Pas de défuzzification Raisonnement par analogie : ensemble de règles floues + entrée floue + sortie floue B' est à B ce que A' est à A ressemblance (A,A') doit être la même que ressemblance(B,B')

46 Méthodes d’implication
2 méthodes principales d’implication floue: Méthode de Mamdani : Méthode de Larsen :

47 Plus l'action préconisée pour les sorties doit être respectée
Exemple (Mamdani) Plus la condition sur les entrées est vraie. Plus l'action préconisée pour les sorties doit être respectée Règle: SI la température est très basse ALORS Chauffer fort 12KW T=3°C Selon la règle considérée, si T=3°C alors Puissance de chauffe =12KW

48 Activation des règles Une règle est activée dès qu’elle a une prémisse ayant une valeur de vérité non nulle. Plusieurs règles peuvent être activées simultanément et préconiser des actions avec différents degrés de validités; ces actions peuvent être contradictoires. Il convient d’agréger les règles pour fournir une appartenance de la variable floue de sortie à une classe floue consolidée

49 Composition de règles On considère que les règles sont liées par un opérateur OU.

50 Exemple : Max-Min inférence

51 Exemple On considère un moteur d’inférence à 4 règles qui fournit pour sa sortie tension S1, les résultats suivants : Moteur d’inférences 4 règles R1 R2 R3 R4 moyenne=0.3 petite=0.7 petite=0.6 grande=0.1 Implication floue de Mamdani

52 Exemple Exemple Agrégation des conclusions A ce stade, on a la fonction d’appartenance d’un ensemble flou qui caractérise le résultat Il faut défuzzifier: Associer à cette ensemble flou un nombre interprétable par l’utilisateur, l’interface de commande…

53 Principales méthodes de défuzzification
Méthode du centre de gravité (COG) Méthode moyenne des maximums (MM) C’est l’abscisse du centre de gravité de la surface sous la courbe résultat 3,5V C’est la moyenne des valeurs de sorties les plus vraisemblables 1,9V

54 Défuzzification En commande floue, la défuzzification COG est presque toujours utilisée. Elle prend en compte l’influence de l’ensemble des valeurs proposées par la solution floue. La défuzzification MM est plutôt utilisée lorsqu’il s’agit de discriminer une valeur de sortie (Ex: reconnaissance de formes).

55 Prise de décision par logique floue

56 Exemple : système de notation floue
On choisit : Système d’inférences floues Résultats obtenus (sur 20) Méthodes utilisées (sur 20) Présentation (sur 20) Évaluation du travail (sur 20)

57 Mise en place du système d’inférences floues
3 entrées: Résultats, Méthodes, Présentation. 1 sortie: Évaluation Choix des entrées/sorties Univers des discours [0..20] pour chacune des E/S Classes d’appartenances: Résultats {Médiocre, Moyen, Excellent} Méthodes {Médiocre, Moyen, Excellent} Présentation {Médiocre, Moyen, Excellent} Evaluation {Médiocre, Mauvais, Moyen, Bon, Excellent}

58 Mise en place du système d’inférences floues
Choix des fonctions d’appartenances Entrées : Sortie :

59 Bases de règles 1. If (Résultats is excellent) then (Evaluation is excellent) 2. If (Résultats is moyen) then (Evaluation is moyen) 3. If (Résultats is médiocre) then (Evaluation is médiocre) 4. If (Résultats is moyen) and (Méthodes is médiocre) then (Evaluation is mauvais) 5. If (Résultats is moyen) and (Méthodes is excellent) then (Evaluation is bon) 6. If (Résultats is médiocre) and (Méthodes is moyen) then (Evaluation is mauvais) 7. If (Résultats is excellent) and (Méthodes is excellent) and (Présentation is excellent) then (Evaluation is excellent) 8. If (Résultats is médiocre) and (Méthodes is excellent) then (Evaluation is moyen) 9. If (Résultats is excellent) and (Méthodes is médiocre) then (Evaluation is moyen)

60 Choix des opérateurs flous
ET flou : MIN OU flou : MAX Implication floue : MIN Agrégation des règles : MAX Défuzzyfication : COG

61 Surface de décision floue
(Obtenue pour une évaluation de la présentation de 10/20).

62 Applications Fours à micro-ondes Boites de vitesses automatiques
Ascenseurs (freinage, ralentissement) Régulateurs de température Système de freinage progressif (métro, tram, voiture) Appareils photo et caméscopes "anti-tremblement" Robotique …

63 This is the end of this part!