Prsent par :

ELHILALI Abdelmounaim
GHAZLI Noureddine
MOYERDENE Marouane
Ralis pour :
Mr A.ALAYACHI
Universit Mohamed I
Ecole Nationale des sciences
Appliques
Oujda
DEFINITION
1. Exemple introductif
2 Origine
3 principe
4 Limites de la Logique boolenne, logique floue et fonction dappartenance
5 Pricipaux concepts de la logique floue
SYSTEME FLOU
1. Fuzzification ou quantification floue
2. Infrence
3. Dfuzzification
CONCLUSION
considerons l'ensemble, A, des vitesses, v,
superieures ou egales 90 km/h:
A = {v/v >= 90km/h }
En logique boolenne, les vitesses de 10 89,9
km/h n'appartiennent pas a l'enssemble A et
sont consideres de la meme faon. Entre 89,9 et 90,
il y a un seuil, une discontinuit. La logique
floue permettra de nuancer ce jugement et de
prendre en compte que 89,9 est trs proche de
90, alors que 10 ne l'est pas


Constat :
Les connaissances dont disposent les
humains sur le monde ne sont presque
jamais parfaites. Ces imperfections peuvent
tre distingues en deux classes:
incertitudes
.
Imprcisions

Comment faire en sorte dexprimer ces imprcisions
en termes logiques ?
En logique classique une proposition est
vraie ou fausse.Exemple:Cette personne est
grande.Vrai ou faux ?
Pas flexible
En logique floue une proposition peut avoir
autant de valeurs que l on veut.Exemple :
Cette personne est grande. Cest vrai 30%.
Flexible !



La logique floue (fuzzy logic) est une technique
utilise en intelligence artificielle. Elle a t
formalise par Lotfi Zadeh en 1965 et utilise dans
des domaines diverses.
l'inverse de la logique boolenne, la logique
floue permet une condition d'tre en un autre
tat que vrai ou faux.
Une propriet pourra ainsi etre presque
vraie, ce qui s'exprimera, par exemple, par : la propriete
est vraie a 80%
fausse a 20%






On sapperoit immdiatement que la logique
boolene est difficilement applicable notre
problme: un simple degr decart entre 2
tempratures peut faire basculer notre perception
dun tat un autre
comment representer forte ??
De faon plus formelle, on introduit une
fonction, appele fonction d'appartenance,qui
donne le degr d'appartenance d'une variable
un ensemble.
Exemple 1:

36 37 38 39 40 41 42
0
0.2
0.4
0.6
0.8
1
T(C)
Avoir une forte fivre
Ensemble classique
36 37 38 39 40 41 42
0
0.2
0.4
0.6
0.8
1
Ensemble flou
T(C)
Avoir une forte fivre
Les concepts principaux de la logique floue: Les ensembles , variables
flous
et oprateurs associs

10
Ici, Pierre mesure 1m625
se traduit en logique floue par :

1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
partition floue de l'univers du discours
Taille(m)
Petit Moyen
Grand
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Ensemble flou " Personne de petite taille"
Taille(m)
Petit
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Ensemble flou: "Personne de taille moyenne"
Taille(m)
Moyen
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Ensemble flou :"Personne de grande taille"
Taille(m)
Grand
Pierre est petit un degr
de 75%
Pierre est moyen 25%
Pierre est grand 0%

11
A est lensemble flou des personnes petites.
B est lensemble flou des personnes moyennes.
Lensemble des personnes petites OU moyennes est un
ensemble flou de fonction dappartenance :
x e U, A B (x) = max(A (x), B(x))


1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Ensemble flou:"Personne petite OU moyenne"
Taille(m)
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Partition floue de l'univers du discours
Taille(m)
Petit Moyen Grand
12
A est lensemble flou des personnes petites.
B est lensembles flou des personnes moyennes.
Lensemble des personnes petites ET moyennes est un ensemble flou
de fonction d appartenance:
x e U, A B (x) = min(A (x), B(x))
( ) ( ) ( ) ( )
,
A B A B
x min x x x U

= e
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Ensemble flou: "Personne petite et moyenne"
Taille (m)
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Partition floue de l'univers du discours
Taille(m)
Petit Moyen Grand
13
A est lensemble flou des personnes petites.
Lensemble des personnes NON petites est un ensemble flou de
fonction dappartenance :
A ( x) = 1 A ( x) x eU

( ) ( )
1
A
A
x x x U = e
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Partition floue de l'univers du discours
Taille(m)
Petit Moyen Grand
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Ensemble floue :"Personnes non petites"
Taille (m)
14
Exemple:
Univers du discours : Gamme de temprature de 0C 200C.
Variable linguistique : La temprature.
Valeurs linguistiques : Trs froid Froid Tempr Chaud Trs
Chaud
:
Le principe d'un systme flou, c'est de pouvoir
calculer des paramtres de sorties en
fournissant au systme un ensemble de rgles
formuls en langage naturel. Pour qu'il y ait
comptabilits entre les donnes capteurs, ces
rgles et les paramtres de sortie, on doit
dcomposer un systme flou en trois parties :
1.
2.
3.

Les systmes logique floue traitent de variables dentres floues
et fournissent de rsultats sur des variables de sorties elle mmes
floues.


La fuzzification est ltape qui consiste en la quantification floue des
valeurs relles dune variable.
Interface de
fuzzification
Pierre est petit un degr de 75%
Pierre mesure 1m625
Pierre est grand 0%
Pierre est moyen 25%
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
partition floue de l'univers du discours
Taille(m)
Petit Moyen
Grand
Pour fuzzifier, il faut donner:

1. Lunivers du discours
i.e.: Plage de variations possibles de lentre considre.
2. Une partition en classe floue de cet univers.
3. Les fonctions dappartenances de chacune de ces classes.
La fuzzification des variables est une phase dlicate du
processus mis en oeuvre par la logique floue. Elle est souvent
ralise de manire itrative et requiert de l'exprience.


Il faut fuzzifier les entres ET les sorties du processus flou.
Exemple: Selon les valeurs des entres , le systme flou indiquera quen sortie la
puissance de chauffe devra prendre les valeurs de sortie faible ou moyenne ou
forte .
Les systmes logique floue utilisent une expertise exprime sous forme dune
base de rgles du type: Si.Alors
( ) ( )
Si X est A Alors Y est B
Si ET ALORS Temps est beau Moment est DbutMatine Moral est haut
Si ET ALORS Cours est Ennuyeux Moment est DbutCours Moral est bas
Si ET ALORS Cours est Intressant ChargedeTravail est Importante Moral est Maussade
Si .........
20
Si ET ALORS Temps est beau Moment est DbutMatine Moral est haut
Prmisses Conjonction Conclusion
Infrence :
Opration logique qui consiste appliquer des rgles floues , pralablement
tablies afin dobtenir en fin le degr dappartenance des variables de sortie
chaque tat flou
Implication
En logique classique
Si p Alors q
p vrai Alors q vrai

En logique floue
( ) ( )
Si X est A Alors Y est B
La variable floue X appartient la classe floue A avec
un degr de validit (x
0
)
La variable floue Y appartient la classe floue B un
degr qui dpend du degr de validit (x
0
) de la
prmisse
En sortie , le systme flou ne peut pas communiquer des valeurs
floues quil peut seul exploiter . Il lui est donc ncessaire de fournir
des valeurs prcises , cest le rle de la Dfuzzification.
Pour dterminer la valeur prcise utiliser on peut soit :
1. Conserver le maximum.
2. Calculer la moyenne pondre .
3. Soit dterminer le centre de gravit des valeurs obtenues
La logique floue ouvre des possibilits
remarquables de codification des connaissances
des experts . Cependant les applications utilisant la
logique floue ne sont pas fondamentalement plus
performantes . Elles sont tout simplement plus
faciles raliser et utiliser .
La mise en place dun systme flou ncessite une
attention particulire lors de la phase de test de
manire dtecter les ventuelles aberrations du
systme, rsultats de rgles non prcises .