Beruflich Dokumente
Kultur Dokumente
Maître de Conférences
UNIVERSITE DE
OUARGLA
Département
de Génie
Electrique
Intelligence artificielle
Cours E-learn
Documents
pédagogiques
et didactiques
Année Universitaire
2015/2016
Avant-propos
Ce document pédagogique met à la disposition des étudiants réseaux électriques
un cours sur l'intelligence artificielle visant à les préparer pour entamer les différents
projets de rechercher dans cette discipline. Pour mieux accompagner les étudiants pour
se familiariser avec l'utilisation des logiciels, les plus rencontrés en électrotechnique tel
que Matlab, des exercices et des applications sont présentés à la fin de chaque section.
L'intelligence artificielle aborde Cinque chapitres. On a commencé par un rappel sur
introduction qui est très utilise pour l'étude l'intelligence artificielle. Ensuite, La approche
possible est celle de l’intelligence artificielle (appelée IA ), avec pour applications les
plus connues les systèmes experts. Ici, la résolution du problème est confiée à un ensemble
de règles données par l’expert humain du domaine. Il n’en demeure pas moins que toutes
les règles doivent avoir été exprimées préalablement au traitement, et que le
programme demeure binaire dans son exécution. L’introduction de la logique floue ne
change pas la nature des limitations d’emploi du programme : l'exécution reste totalement
déterministe. En fait, l'approche classique basée sur les modèles mathématiques se
limite à des domaines d’application où la modélisation de la connaissance, par exemple
sous forme de règles, est possible. Ces domaines sont souvent ceux des sciences dites
"exactes",
Les techniques classiques ne suffisent pas à répondre à tous les problèmes existants.
Citons les domaines ( Commande des systèmes électrotechniques ), du diagnostic, du
contrôle moteur, de la traduction automatique, de la faciliter de commande , depuis
longtemps explorés à l’aide des approches algorithmiques et à base de l'intelligences
artificielles .
Ce doucement est destiné aux étudiants de la première année master réseaux électriques.
Le contenu de ce programme est conforme au canevas master en réseaux électriques
recommandé et établit par le ministère de l'enseignement supérieur et de la recherche
scientifique (MESRS) pour l'année 2015/2016.
Nous espérions que ce l'aide pédagogique en ligne va être un référence utile pour les
étudiants et les enseignées de spécialité électrotechnique.
Sommaire
Sommaire
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page I
Sommaire
Sommaire
Chapitre 1 : Introduction
1.1 Historique………………………………………………………………………… 2
1.2 Système experte…………………………………………………………………… 2
1.3 Algorithme génétique et Réseaux de neurone…………………………………… 2
1.4 Logique floue…………………………………………………………………… 2
1.5 Apprentissage renforce…………………………………………………………… 3
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page II
Sommaire
Chapitre5:Apprentissage renforcés
5.1 Introduction…………………………..……………………………………… 50
5.2 Apprentissage………………………………………………………………… 50
5.3 Réseau multicouche……………………………………….…………………… 50
5.4 Algorithme d'apprentissage renforce………..………………………………… 50
5.5 Conclusion……………………………………………………………………. 51
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page III
Chapitre1 Introduction
Chapitre 1 : Introduction
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 1
Chapitre1 Introduction
1.1.Historique:
La notion d'intelligence artificielle est une notion assez ancienne qui a apparu dans les années 40
avec l’apparition des réseaux de neurone célèbre W. McCulloch et W. Pitts. Aujourd’hui,
l'intelligence artificielle constitue une technologie bien définie faisant partie des systèmes
experts. Les systèmes experts ont comme finalité la modélisation de la connaissance et de
raisonnement d’un expert (ou d’un ensemble d’experts) dans un domaine donné fixe. Parmi
plusieurs approches sont très utilises dans l'intelligence artificiels
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 2
Chapitre1 Introduction
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 3
Chapitre2 Systèmes experts
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 4
Chapitre2 Systèmes experts
2.1. Introduction:
Les experts humains sont capables d’effectuer un niveau élevé de raisonnement à cause de
leur grande expérience et connaissance sur leurs domaines d’expertise. Un système expert utilise
la connaissance correspondante à un domaine spécifique afin de fournir une performance
comparable à l’expert humain. En général, "Un système expert est un programme conçu pour
simuler le comportement d'un humain qui est un spécialiste ou un expert dans un domaine très
restreint"
Un système expert est un système informatique où les données (la base de connaissance) sont bien
séparées du programme qui les manipule (le moteur d’inférences).
Système expert est un programme :
Incorporant à la fois des connaissances formelles des jugements personnels de l'expert
(sous forme d'heuristiques)
Expliquant à la fois le raisonnement conduisant aux réponses aux questions le savoir qu'il
contient
Capable d'incorporer du nouveau savoir dans le savoir existant de manière incrémentale
Séparant les connaissances, (moyen d'utiliser les connaissances)"Dialoguant" (systèmes
évolués) avec l'utilisateur dans un langage proche du sien (langue naturelle, "jargon" du
domaine)
Les systèmes experts ont été conçus pour résoudre certains types de problèmes comme en
médecine, en droit, en chimie, en éducation etc. Les catégories de problèmes abordés par les
systèmes experts sont:
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 5
Chapitre2 Systèmes experts
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 6
Chapitre2 Systèmes experts
Le cœur d’un système expert se compose d’une base de connaissance et d’un moteur d’inférences :
Partie non
Partie exécutable
exécutable
qui contient une base de faits et une base de règles représente le savoir (les faits permanents) et le
savoir-faire (les règles de l’expert).
La base de faits intègre deux types de faits : les faits permanents du domaine et les faits déduits par
le moteur d’inférences qui sont propres au cas traité.
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 7
Chapitre2 Systèmes experts
base de faits
Il y a de la tension (V),
L’interrupteur est «ON» (I).
base de règle:
contient un algorithme qui examine les conditions de règles et vérifie si elles sont vraies ou fausses.
Une règle dont la prémisse (ou partie condition) est vraie est dite «applicable».
Une prémisse peut contenir une ou plusieurs conditions. Chaque condition correspond à un fait ; elle
est vraie si le fait est présent dans la base, fausse si le fait contraire est présent et inconnue si le fait
est absent.
Dans l’exemple ci-dessus, la prémisse de la règle citée «SI (V) et (I)» est composée de deux
conditions qui sont vraies car elles existent dans la base de faits.
Chaque règle possède également une partie «conclusion». Ce peut être une action à effectuer ou un
fait à déduire et à rajouter dans la base de faits.
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 8
Chapitre2 Systèmes experts
il y a de la tension (V),
L’interrupteur est «ON» (I),
il y a de la tension aux bornes de la lampe (U).
Un moteur d’inférences fonctionne en chaînage avant quand il lit les règles «à l’endroit», c’est-à-
dire qu’il utilise les règles des conditions vers les conclusions. Le raisonnement est alors guidé par les
faits. Pour le moteur, cela consiste à essayer d’activer les règles en examinant leur condition (ou partie
à gauche du ALORS) et à appliquer celles-ci chaque fois que c’est possible. L’application d’une
règle permet de déduire de nouveaux faits qui viennent enrichir la base.
Dans l’exemple de la figure 3 les faits sont représentés par des lettres.
A = il y a de la tension
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 9
Chapitre2 Systèmes experts
base de faits : A, B
R1 : SI A, ALORS C et F
R2 : SI B et E, ALORS D
R3 : SI C ou F, ALORS E
R2 : SI il y a de la tension aux bornes de la lampe et SI la lampe est éteinte, ALORS la lampe est
grillée
Après la déduction précédente, le moteur d’inférences peut maintenant appliquer la règle R2, dont la
conclusion rajoute à la base de faits : la lampe est grillée.
La règle R3 est alors applicable. Sa conclusion est une action. On a ainsi réalisé deux inférences
consécutives. Il est souvent possible de contrôler les inférences du moteur, par exemple en mettant
des priorités sur les règles, afin de forcer le moteur à les examiner dans un ordre précis.
Ce contrôle peut être utile dans les cas où il est nécessaire de hiérarchiser la connaissance. Il peut se
faire de plusieurs manières dont la plus sophistiquée est certainement la prise en compte des «méta-
connaissances», ou «connaissances sur l’utilisation de la connaissance».
SI ...
ALORS ne considérer que les règles portant sur l’état des tensions électriques.
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 10
Chapitre2 Systèmes experts
Sur la nouvelle génération de sous marins, le personnel se trouve réduit et plus polyvalent (donc
moins spécialiste). Autrement dit, il n’y a pas en permanence un électrotechnicien confirmé au
pupitre de la production et de la distribution de l’électricité. Or, jusqu’à présent, en dehors de cas
bien précis, analysés, répertoriés, l’action à mener dépend de la logique et de l’expérience de
l’opérateur.
Les deux rôles d’un système de reconfiguration pour l’aide à la conduite du système électrique
apparaissent donc clairement :
Préparer des informations adéquates en attendant l’arrivée d’un opérateur,
Aider l’opérateur dans les cas les plus complexes, proposer des solutions et justifier les choix
effectués.
Avec ces deux objectifs, logiciel est une aide efficace à la reconfiguration du réseau électrique
suite à un incident
Exemple de contrainte :
Une BB - batterie bâbord- ne doit pas être en liaison avec une BT -batterie tribord-.
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 11
Chapitre2 Systèmes experts
Chaque contrainte non vérifiée permet, à partir d’une configuration donnée du réseau, de générer
autant de configurations induites par les actions correctives associées à la contrainte. Toutes ces
nouvelles configurations conduisent progressivement à rétablir la distribution électrique.
2.8. Conclusion
D’une manière générale, un système expert est un programme qui permet l’exploitation des
connaissances dans un domaine précis et rigoureusement limité. Il est utilisé pour effectuer des
tâches intellectuelles, c’est-à-dire des travaux exigeant le savoir et l’expérience de l’homme. Un
système expert est alors capable d’assister l’utilisateur de manière efficace. Tel un expert
humain, un système expert n’a aucune prétention en dehors de sa spécialité.
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 12
Chapitre3 Algorithme génétique et réseaux de neurones
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 13
Chapitre3 Algorithme génétique et réseaux de neurones
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 14
Chapitre3 Algorithme génétique et réseaux de neurones
Exemple :
Soit un vecteur x composé de trois paramètres x1, x2, et x3, codés a 4 bits.
x1 = 0011
x2 = 1010
x3 = 0100
La séquence totale serait la suivante :
x3 x2 x1
x={ 0011| 1010| 0100}
3.1.4. O p é r a t e u r s gé n é t i q u e s :
3.1.4.a. S él ecti on :
Processus ou les individus sont copiés selon la valeur de leur fonction objec tive f . On
peut écrier la fonction f comme une mesure de profit, utilités ou qualités que l’on veut
maximiser (minimiser). Si on copie des individus selon leur valeur f , ceci implique
que les individus ayant des valeurs plus élevées ont une plus grande probabilité de
contribuer des rejetons à la prochaine génération. Ceci correspond à une version artificielle de la
”survie des plus forts” (sur viva l of the fittest ) de Darwin.
Evaluation- Sélection
A chaque élément de la génération k on associe la probabilité
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 15
Chapitre3 Algorithme génétique et réseaux de neurones
Pour ainsi former deux nouveaux individus ( O 1 et O 2 ). Ce sont ces deux opérations, la
sélection et la reproduction, qui sont à la base des algorithmes génétiques. Puisque aucune
opération mathématique complexe n’a été effectuée. Mais on peut comparer le processus
précédent à l’innovation humaine : souvent, les découvertes n’arrivent pas par chance. Elles sont le
résultat d’un échange d’idées qui crée d’autres idées et finalement mènent à une solution
désirée.
L’opérateur de croisement
Opérateur “d’exploration” de l’espace d’état
On tire :
un couple d’éléments de Hk : ( , )
une variable aléatoire Y∼Bernouilli(η)
Si Y =1 Croisement des individus ( , )
Si Y= 0 Individus replacés dans G(k+ 1)
Pc = Probabilité de croisement (~60-80%)
Croisement pour un codage chromosomique
Deux éléments (binaires) issus de la génération k
On tire une position parmi les 8 bits : 4
Parent 1 Parent 2
101110100 11110000
101110000 11110100
Enfant 1 Enfant 2
Croisement sur éléments réels
Deux éléments issus de la génération k : P1 et P2
3.1.4.c. Mutation:
Processus aléatoire ou un bit change de valeur. Ce processus joue un rôle secondaire dans
l’algorithme génétique, mais il est quand même important. La muta tion assure qu’aucun
point dans l’espace de rechercher a une probabilité nulle d’être atteint.
Exemple : A 1= 00101
Mutation du bit 2.
A ' 1= 01101
0
Population génération k
Evaluation -Sélection
Croisement
Mutation
Nouveaux individus
L’opérateur de mutation
Autre opérateur “d’exploration” de l’espace d’état
On tire :
un élément de ,
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 17
Chapitre3 Algorithme génétique et réseaux de neurones
10111110
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 18
Chapitre3 Algorithme génétique et réseaux de neurones
2.59594
Eléments selection
11011110
Eléments Choisis
10111010
Pc
pour le croisement
01101100
01101100
11011110 01101100
11011100 01101110
Enfant 1 Enfant 2
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 19
Chapitre3 Algorithme génétique et réseaux de neurones
11011100 0.980225
10111010 0.794678
Meilleur
01101110 0.483398 individus
01101100 0.975586
On réitère ensuite la procédure Apres 100 générations (2,5 sec.), le meilleur élément est
x=0,499959.
1 . 1 . 6 . Conclusion:
Ce chapitre nous a permis de donner une vue générale sur les concepts des algorithmes
génétiques. Nous pouvons conclure que ceux-ci sont des algorithmes simples de conception et
peuvent résoudre des problèmes assez complexes avec une bonne précision. Cependant, ils
présentent certaines limites et des difficultés. Ces difficultés reposent sur le choix des critères
d’arrêt : la taille de la population, le nombre de générations, la probabilité de croisement et de
mutation et les techniques à utiliser pour les réaliser. Le bon choix de ses paramètres exige une
bonne connaissance du système à étudier et le problème à résoudre.
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 20
Chapitre3 Algorithme génétique et réseaux de neurones
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 21
Chapitre3 Algorithme génétique et réseaux de neurones
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 22
Chapitre3 Algorithme génétique et réseaux de neurones
Avant d'aborder le comportement collectif d'un ensemble de neurones, nous allons présenter le
Perceptron (un seul neurone) en phase d'utilisation. L'apprentissage ayant été réalisé, les poids
sont fixes.
x1
x2 w1
w2
O
Entrées S O
∑ S Sortie
wn
xn Fonction d'activation
b
+1
Modèle mathématique :
O f w i x i b f w 1 .....w n b x 1 x 2 ...x n 1
T
(3.1)
i 1
A partir de cette valeur, une fonction de transfert calcule la valeur de l'état du neurone. C'est cette
valeur qui sera transmise aux neurones avals. Il existe de nombreuses formes possibles pour la
fonction de transfert. Les plus courantes sont présentées sur la figure 3.
On remarquera qu'à la différence des neurones biologiques dont l'état est binaire, la plupart des
fonctions de transfert sont continués, offrant une infinité de valeurs possibles comprisent dans
l'intervalle [0, +1] (ou [-1, +1]).
10
1 1
5 0.8
0.5
0.6
0
y
0
y
0.4
-5 -0.5
0.2
-10 0
-10 -5 0 5 10 -1
-10 -5 0 5 10 -10 -5 0 5 10
x x x
Y=purelin (x) Y=hardlim (x) Y=hardlims (x)
1 1
1
0.8
0.5 0.8
0.6
0.6
0
y
0.4
y
0.4
0.2 -0.5
0.2
0 -1 0
-10 -5 0 5 10 -10 -5 0 5 10 -10 -5 0 5 10
x x x
Y=logsig (x) Y=tansig (x) Y=radbas (x)
Figure (3.5): Différents types de fonctions de transfert pour le neurone artificiel
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 23
Chapitre3 Algorithme génétique et réseaux de neurones
Nous constatons que les équations décrivant le comportement des neurones artificiels
n'introduisent pas la notion de temps. En effet, et c'est le cas pour la plupart des modèles actuels
de réseaux de neurones, nous avons affaire à des modèles à temps discret, synchrone, dont le
comportement des composants ne varie pas dans le temps.
x1 Mécanisme
x2 D'apprentissage
w1
w2
e
O
Entrées S O t
∑ S - +
wn +
xn
b
+1
S: sortie
O: sortie
t: cible
e: erreur
x
P 1 :forme
x 2
w i k 1 w i k w i (3.2)
w i t o x i (3.3)
3.2.5.a.Règle du Widrow-Hoff
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 24
Chapitre3 Algorithme génétique et réseaux de neurones
w i t s x i (3.4)
L'apprentissage est une phase du développement d'un réseau de neurones, durant laquelle le
comportement du réseau est modifié jusqu'à l'obtention du comportement désiré.
L'apprentissage neuronal fait appel à des exemples de comportement.
L’apprentissage pour RNA (et cerveau) est une étape inéluctable, Ce processus requiert des
exemples généralement de l'expérience à présenter au réseau (étape crucial).Ces exemples peuvent
être :
3.2.6.a. Apprentissage supervisé (Entrées-sorties désirées (P,T)):
La règle de Hebb ne s'applique pas dans certain cas, bien qu'une solution existe. Un autre
algorithme d'apprentissage a donc été proposé, qui tient compte de l'erreur observée en sortie.
L'algorithme d'apprentissage du RNA à celui utilisé pour la loi de Hebb. Les différences se situent
au niveau de la modification des poids.
1 / Initialisation des poids et du seuil S à des valeurs (petites) choisies au hasard.
2/ Présentation d'une entrée P= [x1, ... x n]T de la base d'apprentissage.
3/ Calcul de la sortie obtenue ''O'' pour cette entrée
4/ Si la sortie ''O'' du RNA est différente de la sortie désirée ''T'' pour cet exemple d'entrée P= [x1, ...
x n]T alors modification des poids (η le pas de modification) .
Mécanisme
D'apprentissage
E
O T
P RNA - +
+
"Si 2 cellules sont activées en même temps alors la force de la connexion augmente".
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 25
Chapitre3 Algorithme génétique et réseaux de neurones
L'algorithme d'apprentissage modifie de façon itérative (petit à petit) les poids pour adapter la
réponse obtenue à la réponse désirée. Il s'agit en fait de modifier les poids lorsqu'il y a erreur
seulement.
1 / Initialisation des poids et du seuil S à des valeurs (petites) choisies au hasard.
2/ Présentation d'une entrée P= [x1, ... x n]T de la base d'apprentissage.
3/ Calcul de la sortie obtenue O pour cette entrée :
4/ Si la sortie O est différente de la sortie désirée t pour cet exemple d'entrée El alors modification
des poids (η est une constante positive, qui spécifie le pas de modification des poids) :
wij(t+1) = wij(t) + η.(Oi . Oj) (3.5)
5/ Tant que tous les exemples de la base d'apprentissage ne sont pas traités correctement (i.e.
modification des poids), retour à l'étape 2.
En fonction des différentes excitations, le réseau organise les P en catégories. Après apprentissage,
lorsque une entrée est présentée au réseau, une sortie est activée indiquai : son appartenance à une
classe, sinon une nouvelle classe est Générée. L’apprentissage peut être en ligne (on line) ou ho
ligne (off line)
3.2.7. Réalisation des unités booléennes simples:
Il est possible de construire des neurones réalisant les opérations, dans ce cas nous avons choisi
La fonction d'activation (o=hardlim(s))
x1 x2 S O
3.2.7.a.Opération ET (AND):
0 0 -1.5 0
0 1 -0.5 0
1 -1.5
O 1 0 -0.5 0
1
x1
1 1 1 0.5 1
x2
3.2.7.b.Opération OU (OR): x1 x2 S O
0 0 -0.5 0
1 -0.5 0 1 0.5 1
O
1 1 0 0.5 1
x1
1
x2 1 1 1.5 1
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 26
Chapitre3 Algorithme génétique et réseaux de neurones
Réseau multicouche (au singulier) : les neurones sont arrangés par couche. On appelle
couche d'entrée l'ensemble des neurones d'entrée, couche de sortie l'ensemble des neurones de sortie.
Les couches intermédiaires n'ayant aucun contact avec l'extérieur sont appelés couches cachées.
+1
-0.5
+1 x1 x2 O1 O2 O
-0.5
x1 +1 1 -0.5 0 0 0 0 0
+1
-1
O 0 1 0 1 1
3
+1 1 0 1 0 1
-1
x2 2 1 1 0 0 0
+1
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 27
Chapitre3 Algorithme génétique et réseaux de neurones
1
E w T O
2
(3.7)
2 dI
d : indice pattern
3.2.8.b. Règle Delta généralisée :
La valeur dérivée E w appelé gradient de E par rapport à w , s'écrit :
E E E
E w , ,...., (3.8)
w 0 w 1 w n
Il spécifie la direction que produit la diminution de E indiquée par le signe négatif. La règle
d'apprentissage est alors :
w k 1 w i k Wi (3.9)
E
Ou w i (3.10)
w i
E E O S
(3.11)
w i O S w i
E O S
T O ; f ' S ; xi .
O S w i
3.2.8.c. Généralisation:
Les problèmes réels ne suivent pas des règles spécifiques.
Représentation d’un problème par des exemples d'incluant pas tous les cas possibles
Il est important d'entrainer le RNA pour la plupart des cas :
- Les cas sélectionnés devraient être représentatifs ;
- Etre attentif de ne pas surentrainer le RNA (Overfitting) .
Cela Pourrait résulter de mauvaises performances avec d'autres exemples
L'apprentissage est réalisé sur un sous ensemble des données disponibles, le reste des données est
réservé au test pour la généralisation
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 28
Chapitre3 Algorithme génétique et réseaux de neurones
3.2.9. Conclusion
Grâce aux quelques exemples de comportements vus, il est facile de comprendre que la structure
neurones (ou de connexions).
Nous constatons:
- une réduction du nombre de connexions par neurone (de 10.000 à quelques centaines maximum),
- une réduction drastique du nombre de neurones pour un réseau artificiel (quelques centaines à
comparer aux mille milliards du cerveau)
La plupart des modèles que nous allons découvrir sont des modèles synchrones à temps
discrets et combinatoires, alors que le monde biologique est asynchrone et continu. Il est important
de noter que la nature du message nerveux biologique (codage en fréquence) devient déformé
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 29
Chapitre 4 Logique floue
Chapitre 4:
Logique floue
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 30
Chapitre 4 Logique floue
4.1. Introduction :
La notion de la logique floue est une notion assez ancienne qui est apparu dans les années 60
avec l'apparition du système logique floue célèbre LOTFI ZADAH dont le but était d'aider les
mathématiciens
Dans ce chapitre, nous allons parler des concepts de base de la logique floue entre autre : la
définition, l'historique, constitution, rôle, la structure, le fonctionnement, la classification,
caractéristiques, le développement technologique, les avantages et les inconvénients des systèmes la
logique floue.
4.2. Définition:
4.3. Historique:
Les bases de la théorie de la logique floue ont été formulées par le professeur L .A.ZADAH en
1965,c’est en 1974 que le professeur MAMDANI ,en définissant la structure de base des
régulateurs flous et les principes de la commande floue ,propose la première application
industrielle ,la commande floue d’un générateur de vapeur .
En 1985 la logique floue s’est implantée réellement dans le milieu industriel en montrant toute
son efficacité.
Le principe du réglage par logique floue s'approche de la démarche humaine dans le sens
que les variables traitées ne sont pas des variables logiques (au sens de la logique binaire par
exemple) mais des variables linguistiques, proches du langage humain de tous les jours. De plus ces
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 31
Chapitre 4 Logique floue
variables linguistiques sont traitées à l'aide de règles qui font références à une certaine connaissance
du comportement du système.
4. 4. 1. Variables linguistiques
La notion essentielle de variable linguistique a été introduite par Zadah, , elle suggère
d'emblée que les valeurs de cette variable ne sont pas numériques, mais plutôt symboliques, en
termes de mots ou d'expressions du langage naturel.
Généralement une variable floue est un triplé (u , U, Tu ) pour le quel u représente la variable
définie sur un ensemble de référence U . L'ensemble Tu A1, A 2 . . . fini ou infini, contient des
sous-ensembles flous dans un univers de discours normalisé U utilisables pour caractériser u
Exemple, [27] :
u : Désigne la taille d'un être humain, l'univers des tailles en centimètres est :
U 80 90 100 110 120 130 140 150 160 170 180 191 200 205
Un ensemble flou est une classe d'objets dans laquelle la transition de l'appartenance aux non
appartenances est graduelle au lieu d'être brusque. Une définition plus mathématique peut être
établie comme suit :
Si U est une collection d'objets ou de valeurs notés par " u ", alors un ensemble flou A dans
U est défini par l'ensemble des paires ordonnées :
A u , A (u ) / u U (4.1)
Où A (u ) est une fonction qui prend des valeurs comprises entre 0 et 1 et est appelée fonction
d'appartenance. Elle caractérise l'ensemble flou A et fournit une mesure du degré d'appartenance
d'un objet u de U dans l'ensemble flou A . Elle peut être notée comme suit :
A : U 0, 1
u A (u )
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 32
Chapitre 4 Logique floue
A A (u ) / u Si U est continu (4.2)
A u iU
A (u i ) / u i Si U est discret (4.3)
Dans ces équations les signes d'intégral et de sommation ne désignent pas une intégration ou une
addition arithmétique, respectivement, mais une collection de tous les points u U avec leur
fonction d'appartenance A (u ) .
Il existe différentes formes de fonctions d'appartenances dont on peut signaler quelques
unes : Les formes trapézoïdales et triangulaires sont les plus utilisées,
Triangulaire :
A (u )
u1 u
u u
si u u1 , u 0 1
1 0
A (u )
u u 2 si u u , u
0 2
u 0 u 2
0
u
Trapèze : u1 u0 u2
A (u )
u u1 1
si u u1 , u 2
u 2 u1
A (u ) 1
si u u 2 , u 3
u u 4 si u u 3 , u 4
u 3 u 4 0
u
u1 u 2 u 0 u3 u4
Figure (4.1) : Les différentes fonctionnent d’appartenances
Exemple [28]:
jeune (u ) 1 si u 20
35 u
u jeune (u ) si 20 u 35
15
jeune (u ) 0 si u 35
mûr (u ) 0 si u 20 ou u 75
u 20
mûr (u ) si 20 u 35
u 15
(u ) 1 si 35 u 55
mûr
75 u
mûr si55 u 75
20
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 33
Chapitre 4 Logique floue
Support
On appelle "support" d'un ensemble flou A dans U l'ensemble ordinaire de point u dans
S(A) u U / A (u ) 0 (4.4)
L'ensemble flou dont le support est un ensemble singleton est appelé « singleton flou".
Hauteur :
La "hauteur " d'un ensemble flou A est la plus grande valeur du degré d'appartenance A ( u ) . Elle
Noyau
Le noyau d'un ensemble flou A , noté C(A) est l'ensemble ordinaire qui contient tous les éléments
totalement possibles u dans U de A . Il est noté par C(A) et défini comme suit:
C(A ) u U / A (u ) 1 (4.6)
S'il y a un seul point avec un degré d'appartenance égale à 1, alors ce point est appelé la valeur
modale de A .
L'opérateur NON
A (u ) 1 A (u )
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 34
Chapitre 4 Logique floue
L'opérateur ET
AB (u ) min A (u ), B (u )
L'opérateur OU
AB (u ) max A (u ), B (u )
A (u ) B (u )
A B (u )
u u
(a) (b)
A B (u ) A (u )
u
(c) u
(d)
On appelle règles d'inférence l'ensemble des différentes règles reliant les variables
linguistiques d'entrée d'un système aux variables linguistiques de sorties par des opérateurs flous
.Les règles floues sont élaborées à partir de la base de connaissance du concepteur, la structure de
ces règles est en générale du type :
Si "Antécédent 1" ET/OU
"Conséquence 2"
"Conséquence n"
Les antécédents sont les "conditions " alors que les conséquences correspondent aux
"actions".
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 35
Chapitre 4 Logique floue
Les antécédents correspondent aux entrées floues (degrés d'appartenances) déterminés lors
de la fuzzification.
Exemple :
Si la température est "élevée" ET la pression est "grande" ALORS la vitesse de ventilateur sera
"grande".
La structure conventionnelle d'une commande floue est présente sur la figure (4.3) Elle est
composée de quatre blocs distincts dont les définitions sont données ci dissous.
Entrées Sorties
Floues floues
Base de règles
Entrées Fuzzification sorties
et inférence Défuzzification
non floues non floues
floue
Linguistiquement
Symboliquement
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 36
Chapitre 4 Logique floue
Il s'agit en fait d'une description linguistique où l'on remplace la désignation des ensembles flous
par des abréviations.
Par matrice d'inférence
Elle rassemble toutes les règles d'inférence sous forme de tableau, il y a donc autant de cases que
des règles.
Si la température est élevée ET la vitesse est faible ALORS la tension est grande positive
OU
Si la température est moyenne ET la vitesse est faible ALORS la tension est positive.
-Sous forme de tableau:
t0
U F M E
V F Z P GP
E Z Z P
-Sous forme symbolique :
Si t est F ET v est F ALORS U=Z, Ou
Si t est M ET v est F ALORS U=P, Ou
Si t est E ET v est F ALORS U=GP, Ou
Si t est F ET v est E ALORS U=Z, Ou
Si t est M ET v est E ALORS U=Z, Ou
Si t est E ET v est E ALORS U=P.
Plusieurs approches sont proposées pour le traitement numérique des règles d'inférences à savoir:
Le choix de la méthode dépend de l'utilisateur et du cas à traiter. Dans notre cas on a adopté
pour la méthode d'inférence max-min (méthode de Mamdani)
Exemple [18]:
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 37
Chapitre 4 Logique floue
La variable t 0 est élevée avec un degré d'appartenance de 0.7 et moyenne avec un degré
d'appartenance de 0.2. La vitesse v est faible avec un degré d'appartenance de 1.
A (t ) ET B (v) Alors C ( U)
F M E F E P PG
1 Min 1 Min 1 Z
0.7
0.7
v U
t
t0 v0
Re s ( U)
Z P PG
1
OU Max
A (t ) B (v) C ( U)
ET Alors
F M E 1 F E Z P PG
1 1
Min Min
0.2 0.2
t v U
t0 v0
Figure (4.4): Exemple d'inférence Max-Min
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 38
Chapitre 4 Logique floue
les mécanisme d’inférence employés dans un contrôleur flou sont généralement plus
simples que aux utilisés dans les système experts ;parce que dans un contrôleur flou la
conséquence d’une règle n’est pas appliquée à l’antécédent d’une autre .
Considérons un ensemble de une règles définies par :
Règle x1 est A1 et x 2 est B1 alors x r est C1.
( ci ) le facteur d’appartenance de la condition de règle peuvent être
Exprimés par.
ci x 1 x 2 (4.7)
x 1 et x 2 sont les facteurs d’appartenance de deux variables linguistiques x1 et x 2 Par
Ri ci oi x r (4.11)
ci RM x 1 , x 2 min x 1 , x 2 (4.12)
Par conséquence, la fonction d’appartenance résultante de l’exemple précédent est donnée par :
res x r max R 1 x r , R 2 x r (4.13)
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 39
Chapitre 4 Logique floue
Ri ci oi x r (4.14)
ci RM x 1 , x 2 x 1 x 2 (4.15)
1 m
res x r Ri x r (4.16)
m i 1
m : Nombre de règle. le choix d’une telle ou telle méthode dépend de l’utilisateur et du cas à
traiter ,dans notre cas ,on adopte la méthode d’inférence somme-produit .
4.6.4. Exercice sur les mécanismes d'inférences:
Nous avons deux entrées x1, x2 et une seul sortie xr pour un régulateur flou,
Considérons un ensemble des règles définies par :
Règle1: SI x1 est N ET x 2 est Z ALORS x r est Z. OU
Règle2 : SI x1 est Z ET x 2 est P ALORS x r est P.
Le cas : x1 1 / 4 ; x 2 1 / 2 .
Les fonctions d'appartenances sont présentées comme suit :
A x1 B x 2 C x r
N Z P N Z P N Z P
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 40
Chapitre 4 Logique floue
Min 0 Min
0
0.5
N Z P
Max
0.5
-1 -1/2 0 1/2 1 xr
A x1 B x 2 C x r
N Z P N Z P N Z P
0
Min 0 ×
0.5
OU N Z P
Max
0.5
-1 -1/2 0 1/2 1 xr
A x1 B x 2 C x r
N Z P N Z P N Z P
0.75
Min 0.5 × 0.5
0.5
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 41
Chapitre 4 Logique floue
A x1 B x 2 C x r
N Z P N Z P N Z P
0 × 0 ×
0.5
+ 1/2
0.1875
-1 -1/2 0 1/2 1 xr
A x1 B x 2 C x r
N Z P N Z P N Z P
0.75
× 0.375 ×
0.5 0.375
4.7. Défuzzification
Cette étape consiste à transformer la valeur linguistique issue de régulateur flou en valeur
numérique. Plusieurs méthodes ont été proposées dans la littérature, telles que
. Méthode du maximum
. Méthode de la moyenne des maxima
. Méthode de hauteurs pondérées
la méthode du centre gravité.
La stratégie de cette méthode consiste à traiter graphiquement les aires associées aux fonctions
d'appartenances des termes linguistiques qui forment la fonction d'appartenance résultante RES ( x R ) .
Dans ce contexte, il suffit de calculer l'abscisse x GR qui est détermine à l'aide de la relation
suivante :
x GR
x .
R RES ( x R )dx R
(4.17)
RES ( x R )dx R
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 42
Chapitre 4 Logique floue
La première étape dans la conception d'un système flou est la définition du système en termes de
ses variables d'entrées et de sorties.
Les variables du système sont connues, on associe à chacune d'entre elles un ensemble de
termes caractérisés par des fonctions d'appartenances définies sur le même univers de discours.
Les fonctions d'appartenances trapézoïdale et triangulaire sont les plus utilisées et elles sont
prouvées d'être de bon compensateur entre l'efficacité et la facilité d'implantation .
La structure de l'automatisme peut donc être ramenée à un système asservi, voir figure (4.5).
Consigne Xr e
+-
Contrôleur U Sortie
Processus
X Flou
∆e
∆
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 43
Chapitre 4 Logique floue
ref e en
+- ke
Contrôleur C nref Sortie
r floue
k ce
M s
e e n
k e
j1
Aj (e n ) Bj (e n )C jS j
Cnref 25
j1
Aj (e n ) Bj (e n )S j
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 44
Chapitre 4 Logique floue
Dans les cas simples ,cette variation de la commande est obtenue par une simple lecture
d’une table de décision définie hors ligne.
La forme la plus générale de cette loi de commande est :
C ref k C ref k 1 K c C nref (4.23)
Où
K c : Gain de normalisation.
Le choix de la partition floue consiste à déterminer le nombre de termes linguistique qui doit
exister dans cet ensemble
150
e
Wr
Wref
100
50
PG
de/dt<0 de/dt<0
+ PM
0 +
ZE
_
de/dt>0 NM
NG
-50
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
-3
Temps x 10
Figure (4.2) : Analyse des allures d'erreur et la variation d'erreur pour un système asservi
Les fonctions d'appartenances triangulaires sont les plus utilisées et elles sont prouvées d'être de
bon compensateur entre l'efficacité et la facilité d'implantation.
La figure (4. 6) montre les différentes fonctions d’appartenance des entrées e n , e n ,et C nref .
Respectivement ; Aj e n Bj e n
NG NM EZ PM PG NG NM EZ PM PG
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 45
Chapitre 4 Logique floue
Cj C nref
NG NM NP EZ PP PM PG
C nref en
NG NG NM EZ PM PG
NM NG NM NP NP EZ
e n EZ NM NP NP EZ PP
PM NP NP EZ PP PP
PG NP EZ PP PP PM
NG EZ PP PP PM PG
4.10.4. Simulation:
La toolbox fuzzy logic de Matlab possède un éditeur qui permet de créer des systèmes
d’inférences floues : des FIS (pour fuzzy inference system). Cette boite à outils permet de générer
des fichiers « .fis », qui correspondent à des systèmes d’inférences floues et dont font partie les RLF
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 46
Chapitre 4 Logique floue
Pour lancer cet éditeur principal : >>fuzzy. dans la command windows de Matlab.
4.10.5. Résultats:
La figure(4.6) montre les résultats de simulation obtenus avec un démarrage à vide, dans cet
ordre, elles sont présentées .La réponse de composante de la vitesse, on peut noter les remarques
suivantes.
les performances de régulation pour la commande par la logique floue, on note une nette
amélioration en régime dynamique.
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 47
Chapitre 4 Logique floue
12
Wref
Wr
10
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Temps
4.11. Conclusion
Basés sur ces éléments méthodologiques, plusieurs algorithmes de régulation floue ont été
développés et appliqués sur plusieurs systèmes dans des domaines différents, par exemple
Mamdani à décrit l’application de ces algorithmes pour contrôler des processus dynamiques .
Les intérêts de tels algorithmes surtout lorsqu’il s’agit de la régulation des systèmes
complexes ou difficiles à modéliser .
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 48
Chapitre5 Apprentissage renforcés
Chapitre5:
Apprentissage renforcés
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 49
Chapitre5 Apprentissage renforcés
5.1. Introduction:
L’objectif pédagogique visé dans ce survol du monde biologique est la mise en exergue d'une
organisation structurelle des neurones. Chaque structure est dotée d'une fonction particulière et
ces structures adaptent leur comportement par des mécanismes d’apprentissage. L’apprentissage
implique des modifications physiques des connexions entre neurones. L’association entre
plusieurs structures neuronales, dotées chacune d’une fonction précise, permet l’émergence
d’une fonction d’ordre supérieure pour l’ensemble.
5.2. Apprentissage
Cet algorithme d'apprentissage par renforcement est de type qualitatif par opposition aux
apprentissages dits supervisé ou non supervisé. Il n'est pas nécessaire de disposer pour les
exemples d'apprentissage des sorties désirées, seulement d'une appréciation "globale" du
comportement du réseau pour chacun des exemples traités. Cet algorithme s'applique à toutes
structures de réseaux. La seule condition est de disposer de neurones de sortie stochastiques
(binaires). La réponse du réseau de neurones est ainsi fonction des entrées et, aussi, des
neurones de sortie. On introduit donc à ce niveau une part d'aléatoire dans le comportement du
système. Si la réponse fournie par le système est considérée comme bonne orientation.
Réseau à connexions locales : Il s'agit d'une structure multicouche, mais qui à l'image de la
rétine, conserve une certaine topologie. Chaque neurone entretien des relations avec un nombre
réduit et localisé de neurones de la couche avale Figure (5.1). Les connexions sont donc moins
nombreuses que dans le cas d'un réseau multicouche classique.
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 50
Chapitre5 Apprentissage renforcés
t =o si r = +1 (récompense)
t = −o si r = -1 (pénalité)
∂w = μ. r erreur i . xj
En général, µ dépend de r et est pris 10 à 100 fois plus grand (µ+) pour r = +1 que pour r = -1
(µ-).
6/ Tant que la sortie du réseau n'a pas produit une séquence satisfaisante suffisamment longue,
retour à 2.
5.5. Conclusion:
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page 51
Références bibliographies
Références bibliographies
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page I
Références bibliographies
Chapitre2
R. Forsyth. Expert Systems: Principles and Case Studies. Chapman and Hall, 1984.
P. Jackson. In t r od uc t i on t o Ex p er t S ys t e m s . Addition-wesley, 1986.
G.F. Luger and W.A. Stubblefield. Artificial Intelligence : Structures and Strategies
for Complex Problem Solving. Addition-wesley, 1999.
S. Russel and P. Norvig. Artificial Intelligence : A Modern Approach . Prentice-Hall
International, Inc., 1995
Laurence Negrello '' systèmes experts et intelligence artificielle " cahier de charge N°157
Chapitre 3- partie 1
Holland, Adaptation in Natural and Artificial Systems. University of MichiganPress : Ann Arbor,
1975. Goldberg, D.E., Genetic Algorithms in Search, Optimization and Machine Learning.
Addison-Wesley: Reading, MA, 1989.
A. Wright, Genetic Algorithms for Real Parameter Optimization, pp. 205–218. Morgan Kaufmann:
San Mateo, CA, 1991.
L. Davis, Handbook of Genetic Algorithms. Van Nostrand Reinhold : New York, 1991.
Z. Michalewicz, Genetic Algorithms. Springer-Verlag : New York, 1992.
Holland, J. H. (1995), Hidden Order, Addison-Wesley.
Holland, J. H., Holyoak, K. J. & Thagard, P. R. (1989), Induction. Processes of Inference,
Learning, and Discovery, MIT Press, Cambridge :MA.
Jong, K. D. (1980), ‘Adaptive systeme design: A genetic approach’, IEEE Transactions on Systems,
Man, and Cybernetics 10(3), 556–574.
Jong, K. D. (1985), Genetic algorithms : A 10 year perspective, in IEEE, ed., ‘Proceedings of the
First International Conference on Genetic Algorithms’, pp. 169–177.
Kosorukoff, A. & Goldberg, D. E. (2001), Genetic algorithms for social innovation and creativity.
IlliGAL Report No. 2001005.
Krishnakumar, K. & Goldberg, D. (1992), ‘Control system optimization using genetic algorithm’,
Journal of Guidance, Control, and Dynamics 15(3), 73 5–740.
Chapitre 3- partie 2
J. Anderson, E. Rosenfeld, Neurocomputing : Foundations of research, MIT Press, Cambridge,
Second printing, ISBN 0-262-01097-6, 1988.
W. James, Psychology (Briefer Course), New york: Holt, Chapter XVI, "Association,"pp. 253-279,
1890.
W. McCulloch and W. Pitts, "A logical calculus of the ideas immanent in nervous activity," Bulletin
of Mathematical Biophysics 5: 115-133, 1943.
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page II
Références bibliographies
Chapitre 4
M. Sugeno, « Industrial applications of fuzzy control, » édition Amesterdam, 1985
B.B.Meunie et comarsal « Logique floue : principe, aide à la décision » Edition Hermes science,
lavopsier 2003.
S. G. Cao , N. W. Rees and G. Feng« Model-Free Stability for Continuous-time Fuzzy Control
Systems . » 0-7803-3645-3/96 $5.0001996 IEEE.
A.Kaufmann « Introduction à la théories des sous ensemble flous à l’usage des ingénieur » Tome1,
Edition Mascon, Paris, New york, Barcelone, Milon ,1977.
ShanthiB and NatarajanS.P,AnbukodiS.P «Fuzzy Logic Control for Signal Phase Multilevel
Inverter »Journal Engineering. Electrical.Vol08,Edition4,No8,pp55-61,2008.
Y.Fu, «Commande découplées et adaptatives des machines asynchrones triphasées » Thèse de
Doctorat,Université MontpellierII, 1991.
D.Beriber,E.M. Berkouk,A.Talha andM.O.Mahmoudi, «Study and control two two-level PWM
rectifiersclamping bridge-two three-level NPC VSI cascade.Application to double stator induction
machine, » 35th Annual.IEEE.Electronics.Specialists.Conference,pp.3894–3899,Aachen, Germany,
2004.
L.A.Zadah «The concept of a linguistic variable and its applications to approximate reasoning»
part3, information sciences vol.09, pp.43-80, 1976.
J.R.Tong –Tong « La logique floue » Edition Hermes, paris ,1995.
T.Takagi et N. Sugeno « Fuzzy identification of systems and its applications to modelling and
control » IEEE trans, on systems man and cybernetics, vol .SMC –15pp.116-132, 1985.
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page III
Références bibliographies
1980. D.Dubis ,H.Parade « Fuzzy sets and systems ,theory and applications »,Academic press
B. Bouchon .Meunier « La logique floue et ses applications » Edition Addison.wesley, France,
décembre 1994.
A.Kaufmann « Les logiques humaines et artificielle » Edition hermes ,paris ,1988.
E.H. Mamdani, «Application of fuzzy algorithms for control of simple dynamic plant, » IEEE, PP.
1585-1588, 1974.
J.Godjevac « idées nettes sur la logique floue », Presses Polytechnique et université romande.
Suisse, 1980.
T.Laamayad , F.Naceri , R.Abdessemed , S .Belkacem « Vector Control of the Dual Star Induction
Machine In Fuzzy Logic: Contribution of Adaptive Control. » 11th International Conference
Control, Automation and Systems Oct. 26-29, 2011 in KINTEX, Gyeonggi-do, Korea,2011.
Bao-Gang Hu,George K.I.Mann, and Raymond G.Gosine«A Systematic Study of Fuzzy PID
Function- Based Evaluation Approach,» IEEE.Trans on Fuzzy Systems, Vol. 9, No. -Controllers
5,October 2001.
Chapitre5
C. Touzet et O. Sarzeaud, "Application d'un algorithme d'apprentissage par
pénalité/récompense à la génération de formes locomotrices héxapodes", Journées de
Rochebrune, AFCET I.A., 20-24 janvier 1992.
A. G. Barto & P. Anandan, "Pattern Recognizing Stochastic Learning Automata," IEEE
Transactions on Systems, Man and Cybernetics, SMC-15 : 360-375, 1985.
R. A. Brooks, "A robot that walks: Emergent behaviors from a carefully evolved network," Neural
Computation 1(2) : 253-262, 1989.
Université KASDI Merbah, M1:réseaux électriques– Cours : Intelligence artificielle, Dr.Tahar LAAMAYAD Page IV