GIND5439 Systèmes Intelligents Chapitre 4: Logique floue Contenu Logique classique vs floue Logique floue Haies Défuzzification Application GIND5439 – Gabriel Cormier, Université de Moncton 2 Logique floue La logique floue est une méthode de raisonnement qui permet des définitions partielles ou « floues » des règles. La puissance de la logique floue vient de sa capacité à décrire un phénomène ou processus particulier de façon linguistique et ensuite de représenter ce phénomène par un faible nombre de règles très flexibles. Les connaissances dans un système flou sont contenues dans les règles et dans les ensembles flous, qui contiennent des descriptions générales des propriétés du phénomène en question. GIND5439 – Gabriel Cormier, Université de Moncton 3 Logique La logique booléenne classique ne permet que VRAI ou FAUX. La logique floue fut proposée par Zadeh en 1965. La logique floue permet d’exprimer différents niveaux, plutôt que seulement 1 ou 0. Ex: le moteur est chaud, le moteur est très chaud. Quelle est la différence entre « chaud » et « très chaud »? Ex: une homme est haut s’il mesure 170cm. Un homme est très haut s’il mesure 190cm. Où est la ligne de démarcation? Un homme de 180cm est-il haut ou très haut? 180.5cm? 179.5cm? GIND5439 – Gabriel Cormier, Université de Moncton 4 Logique floue La logique floue est une branche des mathématiques qui permet à un ordinateur de modéliser le monde réel de la même façon que les personnes. Elle est préoccupée par la quantification et le raisonnement en utilisant un langage qui permet des définitions ambiguë. Ex: beaucoup, peu, petit, haut, dangereux Elle s’occupe de situations où la question qui est posée et la réponse obtenue contiennent des concepts vagues. GIND5439 – Gabriel Cormier, Université de Moncton 5 Logique floue vs booléenne La logique booléenne ne permet que VRAI ou FAUX (1 ou 0) Ex: le verre est plein ou pas plein Qu’arrive-t-il si le verre est à moitié plein? Concept de degré certain Logique floue (Zadeh Lofti, Université Berkeley, années 60) Le raisonnement exacte est un cas limite du raisonnement approximatif Tout n‘est qu’un degré Tout système logique peut être rendu floue Les connaissances sont interprétées comme une collection de contraintes élastiques ou floues d’un ensemble de variables L’inférence est un processus de propagation de contraintes élastiques. Logique booléenne est un sous-ensemble de la logique floue. GIND5439 – Gabriel Cormier, Université de Moncton 6 Logique floue Un sur-ensemble de la logique classique, augmenté pour accommoder le concept de vérité partielle Des valeurs entre complètement vrai et complètement faux On supporte des modes de raisonnement approximatifs plutôt qu’exacts. Son importance provient du fait que le raisonnement humain est approximatif. GIND5439 – Gabriel Cormier, Université de Moncton 7 Logique floue Pourquoi floue? Pourquoi logique? C’est un terme bien compris, quoique souvent de façon négative La théorie des ensembles flous regroupe la logique Logique floue (Zadeh, 1965) “Fuzzy Logic is determined as a set of mathematical principles for knowledge representation based on degrees of membership rather than on crisp membership of classical binary logic” GIND5439 – Gabriel Cormier, Université de Moncton 8 Ensembles flous En théorie classique, les ensembles sont nets. Gouvernés par la logique booléenne classique Ne peuvent pas représenter des concepts vagues Ne peuvent pas donner des réponses à des paradoxes. GIND5439 – Gabriel Cormier, Université de Moncton 9 Ensembles flous Deux suppositions sont essentielles pour la logique traditionnelle: Pour n’importe quel élément et un ensemble qui appartiennent à un univers, l’élément est soit un membre de l’ensemble ou membre du complément de l’ensemble. Loi du milieu exclus: Un élément ne peut pas appartenir à un ensemble et son complément. Principe de dichotomie Théorie des ensemble flous Bien que la théorie des probabilité soit appropriée pour mesurer le caractère aléatoire de l’information, elle est inappropriée pour mesurer le sens de l’information. GIND5439 – Gabriel Cormier, Université de Moncton 10 Net vs floue École Pythagoréenne (400 B.C.) Q: Est-ce que le philosophe Crétain dit la vérité lorsqu’il affirme que « Tous les Crétains mentent toujours »? LB: Cette assertion contient une contradiction LF: Le philosophe dit et ne dit pas la vérité Paradoxe de Russells Le barbier d’un village coupe les cheveux seulement à ceux qui ne les coupent pas eux-mêmes. Q: Qui coupe les cheveux du barbier? LB: Cette assertion contient une contradiction LF: Le barbier coupe et ne coupe pas ses propres cheveux GIND5439 – Gabriel Cormier, Université de Moncton 11 Logique floue Contient plusieurs valeurs Est concerné par: Degré d’appartenance Degré de vérité Utilise un continuum de valeurs logiques entre 0 (complètement faux) et 1 (complètement vrai). Une fonction d’appartenance est utilisée pour mapper un item X dans le domaine des nombres réels dans l’intervalle de 0 à 1. Ça permet un degré de vérité GIND5439 – Gabriel Cormier, Université de Moncton 12 Net vs floue Exemple: Deux faits concernant le salaire Deux règles qui portent des conclusions quand au degré de risque. IF salaire est élevé THEN risque est faible IF salaire est faible THEN risque est élevé Combien un salaire élevé est-il? Si 50,000$ est élevé, est-ce que 49,999$ est élevé ou faible? GIND5439 – Gabriel Cormier, Université de Moncton 13 Net vs floue IF salaire est 50,000$ THEN risque est très faible IF salaire est 49,999$ THEN risque est presque très faible IF salaire est 49,000$ THEN risque est faible IF salaire est 47,000$ THEN risque est presque faible IF salaire est 45,000$ THEN risque est assez bas IF salaire est 40,000$ THEN risque est plutôt bas … Combien de règles faudra-t-il? GIND5439 – Gabriel Cormier, Université de Moncton 14 Ensembles flous L’appartenance à un ensemble représente une valeur entre 0 et 1 Un ensemble flou peut être défini comme un ensemble ayant des frontières floues. Un ensemble floue est définit selon: Soit S un ensemble et x est un membre de cet ensemble. Un sousensemble flou F de S est définit par une fonction d’appartenance µF(x) qui mesure le degré auquel x appartient à F. Exemple: Soit S un ensemble d’entiers positifs et F un sous-ensemble flou de petits entiers Des valeurs d’entiers peuvent avoir une distribution de probabilité qui indiquent leur appartenance au sous-ensemble flou F µF(1) = 1.0, µF(2) = 1.0, µF(3) = 0.9, µF(4) = 0.8, …, µF(50) = 0.001 GIND5439 – Gabriel Cormier, Université de Moncton 15 Ensembles flous Représentation du sous-ensemble flou F des entiers petits. GIND5439 – Gabriel Cormier, Université de Moncton 16 Fonction d’appartenance Soit X l’univers d’étude, dont les éléments sont identifiés x, En théorie classique des ensembles, L’ensemble net A de Z est définit comme une fonction fA(x) appelée la fonction caractéristique de A f A ( x) : X → 0,1 où ⎧1, si x ∈ A f A ( x) = ⎨ ⎩0, si x ∉ A GIND5439 – Gabriel Cormier, Université de Moncton 17 Fonction d’appartenance Dans la théorie des ensembles flous, L’ensemble flou A de X est définit comme une fonction µ A ( x) : X → 0,1 où µA(x) = 1 si x est totalement dans A µA(x) = 0 si x n’est pas dans A 0 < µA(x) < 1 si x est en partie dans A GIND5439 – Gabriel Cormier, Université de Moncton 18 Fonction d’appartenance La fonction d’appartenance est une mesure: Du degré auquel un élément est membre d’un ensemble Du degré d’appartenance De la valeur de l’appartenance Du degré de confiance GIND5439 – Gabriel Cormier, Université de Moncton 19 Logique floue: utilité? Plusieurs valeurs réelles sont transformées en quelques variables floues avec différentes appartenances On peut donc réduire le nombre de règles On peut raisonner avec quelques règles seulement Bénéfices? GIND5439 – Gabriel Cormier, Université de Moncton 20 Logique floue: représentation Comment représenter la logique floue dans un ordinateur? Il faut déterminer la fonction d’appartenance Demander aux experts pour leurs opinions Acquérir des connaissances de plusieurs experts Utiliser des réseaux de neurones Apprendre les données disponibles Déduire les ensembles flous automatiquement GIND5439 – Gabriel Cormier, Université de Moncton 21 Logique floue: exemple Homme haut N’importe qui au-dessus de 190cm a une fonction d’appartenance de 1 Quelqu’un en dessous de 180cm a une fonction d’appartenance de 0 (pas considéré comme haut) Quelqu’un entre 180 et 190cm aura une fonction d’appartenance qui varie entre 0 et 1 GIND5439 – Gabriel Cormier, Université de Moncton 22 Logique floue: exemple 1.0 Représentation en logique classique 0.8 0.6 Court Haut Moyen 0.4 0.2 150 160 170 180 190 200 210 1.0 Représentation en logique floue 0.8 0.6 Court Haut Moyen 0.4 0.2 150 160 170 180 190 200 GIND5439 – Gabriel Cormier, Université de Moncton 210 23 Logique floue: exemple En logique classique, quelqu’un de 181cm serait considéré haut, tandis que quelqu’un de 179cm serait considéré de hauteur moyenne. En logique floue, un homme de 184cm ferait partie du groupe moyen avec un degré d’appartenance de 0.1, et du groupe haut avec un degré d’appartenance 0.44. GIND5439 – Gabriel Cormier, Université de Moncton 24 Logique floue: représentation Remarquez que les variables floues court, moyen et haut sont représentées par des fonction linéaires. On pourrait aussi utiliser des trapézoïdes, des paraboles, etc. On peut représenter les fonctions linéaires par des vecteurs: Hommes haut: (0/180, 1/190) Hommes moyen: (0/165, 1/175, 0/180) Hommes court: (1/160, 0/170) Les fonctions linéaires sont les plus faciles à utiliser et à représenter: ce sont les plus populaires. GIND5439 – Gabriel Cormier, Université de Moncton 25 Haies Des haies sont des modificateurs de valeurs floues et permettent la génération de déclaration floues à l’aide de calculs mathématiques. Elles modifient la forme des ensembles flous Elles ont le même rôle que des adverbes et adjectifs en français. Selon leur impact sur la fonction d’appartenance, on les classifie selon leur effet: Concentration Dilatation Contraste GIND5439 – Gabriel Cormier, Université de Moncton 26 Haies Concentration aide à intensifier un ensemble Dilatation agrandi l’ensemble Ex: « très » crée une concentration et crée un nouveau sous-ensemble. Ex: « plus » ou « moins » Rend l’ensemble plus grand que l’original. Contraste change la nature de l’ensemble en intensifiant ou agrandissant Ex: généralement GIND5439 – Gabriel Cormier, Université de Moncton 27 Haies Utilisées comme: Modificateurs tout-usage; ex: beaucoup, un peu, extrêmement Valeurs de vérité: très vrai, majoritairement faux Probabilités: possiblement, très peu possible Quantificateurs: la plupart, plusieurs, peu Possibilités: presque impossible, très possible Aident à refléter la pensée humaine GIND5439 – Gabriel Cormier, Université de Moncton 28 Haies 1.0 Représentation en logique floue 0.8 Court 0.6 Haut Moyen 0.4 0.2 150 160 Très court 170 180 190 200 210 Très haut Les haies permettent ici de définir les ensembles « très court » et « très haut ». Une représentation des différentes haies est donnée au tableau 4.2 p. 97 du manuel. GIND5439 – Gabriel Cormier, Université de Moncton 29 Quelques haies Haie Représentation mathématique Très [µA(x)]2 Plus ou moins En effet (indeed) Représentation graphique µ A (x) 2[µA(x)]2 si 0 ≤ µA(x) ≤ 0.5 1 – 2[1 - µA(x)]2 si 0.5 ≤ µA(x) ≤ 1 GIND5439 – Gabriel Cormier, Université de Moncton 30 Opérateurs flous Théorie des ensembles Complément Net: qui n’appartient pas? Floue: De combien les éléments appartiennent-ils? µ¬A(x) = 1 – µA(x) Confinement Net: quels ensembles appartiennent à quels autres ensembles? Floue: quels ensembles appartiennent à d’autre ensembles? Sous-ensembles GIND5439 – Gabriel Cormier, Université de Moncton 31 Opérateurs flous Intersection Net: Quel élément appartient aux deux ensembles? Floue: De combien l’élément est-il dans les deux? µΑ∩B(x) = min[µA(x), µB(x)] Union Net: Quel élément appartient à l’un des ensembles? Floue: De combien l’élément est-il dans l’un des ensembles? µAUB(x) = max[µA(x), µB(x)] GIND5439 – Gabriel Cormier, Université de Moncton 32 Règles floues Qu’est-ce qu’une règle floue? C’est une déclaration de la forme: IF x est A THEN y est B où x et y sont des variables linguistiques, et A et B sont des valeurs linguistiques, déterminées par les ensembles flous sur les ensembles X et Y. GIND5439 – Gabriel Cormier, Université de Moncton 33 Règles floues Une variable linguistique est une variable floue Jean est haut La variable linguistique Jean prend la valeur linguistique haut La plage de valeurs linguistiques possibles d’une règle représente l’univers de cette variable. GIND5439 – Gabriel Cormier, Université de Moncton 34 Règles floues Exemple: IF vitesse est lente THEN distance d’arrêt est courte La variable vitesse peut avoir une plage de valeurs entre 0 et 220 km/h. On peut inclure des sous-ensembles flous {très lent, lent, médium, rapide, très rapide} Chaque sous-ensemble flou représente une valeur linguistique pour la variable GIND5439 – Gabriel Cormier, Université de Moncton 35 Règles classiques vs floues Le IF – THEN classique utilise la logique binaire Règle floue On associe une plage de valeurs, un ensemble flou, avec des variables linguistiques On combine les règles et on peut donc couper le nombre de règles jusqu’à 90%. GIND5439 – Gabriel Cormier, Université de Moncton 36 Fuzzification « Fuzzification » : rendre une entrée classique en valeurs linguistiques. Des valeurs d’entrée sont traduites en concepts linguistiques représentés comme des ensembles flous. Les fonctions d’appartenance sont appliquées aux mesures et des degrés de vérité sont établis pour chaque proposition. GIND5439 – Gabriel Cormier, Université de Moncton 37 Inférence floue Le processus de mapper d’une entrée donnée à une sortie en utilisant la théorie des ensembles flous. Dans un système à logique floue, toutes les règles sont déclenchées en parallèle. Des règles peuvent être déclenchée partiellement. Sélection monotonique: Le niveau d’appartenance de vérité d’une conséquence peut être déterminé à partir du niveau d’appartenance de vérité de l’antécédent. GIND5439 – Gabriel Cormier, Université de Moncton 38 Inférence floue Des règles peuvent avoir des antécédents multiples. Chaque partie est calculée simultanément et résolue à un seul chiffre en utilisant des opérations d’ensemble. Des règles peuvent avoir des conséquences multiples Toutes les parties sont affectées également par les antécédents. La sortie de chaque règle est un ensemble flou On doit obtenir un seul chiffre net qui représente la sortie du système expert On combine les ensembles flous en un seul ensemble flou La « défuzzification » de l’ensemble résulte en un seul chiffre GIND5439 – Gabriel Cormier, Université de Moncton 39 Inférence: règles multiples Si deux règles sont déclenchées, on prend le maximum des deux pour appliquer l’inférence. Ex: IF personne est née au Canada THEN citoyen canadien IF personne marie un(e) canadien(ne) THEN citoyen canadien Supposons qu’une personne n’est pas mariée et qu’elle est née au Canada. D’après la première règle, cette personne est un citoyen canadien. Mais la deuxième règle ne donne aucune information quand à la citoyenneté. Si on combine les résultats, doit-on conclure que la personne est citoyen canadien? Certainement. GIND5439 – Gabriel Cormier, Université de Moncton 40 Inférence: antécédents multiples Si la conjonction qui unit deux antécédents est AND, on prend le minimum des deux. Ex: IF voiture a de l’essence AND voiture a un moteur THEN la voiture peut fonctionner Supposons que la voiture a le plein d’essence (appartenance 1.0), mais qu’elle n’a pas de moteur (appartenance 0). La règle doit-elle être déclenchée? Bien sûr que non; une voiture sans moteur ne fonctionne pas. GIND5439 – Gabriel Cormier, Université de Moncton 41 Inférence: antécédents multiples Si la conjonction qui unit deux antécédents est OR, on prend le maximum des deux. Ex: IF le chien jappe OR il fait très froid dehors THEN ouvrir la porte Supposons que le chien ne jappe pas (appartenance 0.0), mais qu’il fait très froid dehors (appartenance 1.0). Doit-on ouvrir la porte au chien? Bien sûr que oui; on ne va pas laisser le chien dehors en temps très froid. GIND5439 – Gabriel Cormier, Université de Moncton 42 Règles floues Les conclusions atteintes par les systèmes flous sont des faits flous ayant des degrés d’appartenance. Le déroulement final doit cependant être une décision concrète. Ex: risque est faible avec une appartenance de 0.5 Ex: louer de l’argent Le processus de transformer un fait flou en un fait net est la « défuzzification » GIND5439 – Gabriel Cormier, Université de Moncton 43 Défuzzification Convertit une valeur floue en une seule valeur nette. Un ensemble flou n’est pas nécessairement facile à traduire à une valeur nette. Méthodes: Appartenance maximale Méthode du centroïde Méthode des moyennes pondérées GIND5439 – Gabriel Cormier, Université de Moncton 44 Système d’inférence floue Inférence de style Mamdani Étape 1: Fuzzification des variables d’entrée Étape 2: Évaluation des règles Étape 3: Agrégation des sorties des règles Étape 4: Défuzzification GIND5439 – Gabriel Cormier, Université de Moncton 45 Inférence floue: Mamdani Règle 1: IF x est A3 OR y est B1 THEN z est C1 Règle 2: IF x est A2 AND y est B2 THEN z est C2 Règle 3: IF x est A1 THEN z est C3 x = financement, y = main-d’oeuvre, z = risque A1 = inadéquat, A2 = marginal, A3 = adéquat; sur l’espace X B1=petit, B2=large; sur l’espace Y C1=faible, C2=normal, C3=élevé; sur l’espace Z Règle1: IF financement est adéquat OR main-d’oeuvre is petite THEN risque est faible Règle2: IF financement est marginal AND main-d’oeuvre est large THEN risque est normal Règle3: IF financement est inadéquat THEN risque est élevé GIND5439 – Gabriel Cormier, Université de Moncton 46 Inférence floue: Mamdani Étape 1: fuzzification On prend les entrées nettes x1 et y1 et on détermine le degré auquel les entrée appartiennent aux ensembles flous. x1 et y1 sont limités aux espaces X et Y Les experts déterminent l’intervalle des espaces Certaines peuvent être mesurés directement, d’autres seulement sur l’opinion de l’expert. Pour l’exemple: Les espaces X et Y sont de 0 à 100% Supposons que x1 est 35% et fut évalué comme appartenant à inadéquat avec un degré 0.5 et marginal avec un degré 0.2. L’entrée nette y1 est 60% qui tombe dans les domaines petit et large avec un degré 0.1 et 0.7, respectivement. GIND5439 – Gabriel Cormier, Université de Moncton 47 Inférence floue: Mamdani 1.0 0.8 Fuzzification, Entrée X 0.6 A1 A2 A3 0.4 0.2 0 20 x1 40 60 80 100 1.0 Fuzzification, Entrée Y 0.8 0.6 B1 B2 0.4 0.2 0 20 40 60 y1 80 GIND5439 – Gabriel Cormier, Université de Moncton 100 48 Inférence floue: Mamdani 1.0 0.8 Fuzzification, 0.6 Sortie Z 0.4 C1 C2 C3 0.2 0 20 40 60 80 100 Il faut aussi faire une fuzzification de la sortie. GIND5439 – Gabriel Cormier, Université de Moncton 49 Inférence floue: Mamdani Étape 2: Évaluation des règles On prend les entrées rendues floues et on y applique les antécédents des règles Si une règle a plusieurs antécédents, un opérateur flou est utilisé pour obtenir un seul chiffre qui représente le résultat Le résultat est ensuite appliqué à la fonction d’appartenance de la conséquence Le résultat peut être produit par coupure ou mise à l’échelle GIND5439 – Gabriel Cormier, Université de Moncton 50 Inférence floue: Mamdani Pour l’exemple: Règle 1: Règle 2: IF x est A2(0.2) AND y est B2(0.7) THEN z est C2(0.2) Règle 3: IF x est A3 (0.0) OR y est B1(0.1) THEN z est C1(0.1) IF x est A1(0.5) THEN z est C3(0.5) Coupure ou mise à l’échelle Règle 1 = 0.0 + 0.1 - 0.0x0.1=0.1 Règle 2 = 0.2 x 0.7 = 0.14 GIND5439 – Gabriel Cormier, Université de Moncton 51 Inférence floue: Mamdani 1.0 1.0 1.0 0.8 0.8 0.8 0.6 0.6 A3 0.4 0.2 0 20 40 x1 60 80 100 0.6 B1 0.4 0.4 0.2 0.2 0 20 40 60 80 100 C1 0 20 C3 C2 40 60 80 100 y1 Évaluation de R1: on regarde quelle valeur de A3 est obtenue avec l’entrée x1. Dans ce cas-ci, l’entrée x1 est 0.35; elle n’a aucun effet sur A3, et donc sont appartenance est 0. On évalue maintenant l’appartenance de y1 dans B1; dans ce cas-ci, l’appartenance est 0.1. La valeur de sortie qui est affectée par la règle 1 est C1; on va donc couper le diagramme de C1 à la valeur 0.1. Rappel: R1 : IF x est A3 OR y est B1 THEN z est C1 GIND5439 – Gabriel Cormier, Université de Moncton 52 Inférence floue: Mamdani 1.0 1.0 1.0 0.8 0.8 0.8 0.6 A2 0.6 B2 0.6 0.4 0.4 0.4 0.2 0.2 0.2 0 20 40 x1 60 80 100 0 20 40 60 y1 80 100 C1 0 20 C3 C2 40 60 80 Évaluation de R2: on regarde quelle valeur de A2 est obtenue avec l’entrée x1. Dans ce cas-ci, l’entrée x1 est 0.35, ce qui donne une appartenance de 0.2. L’entrée y1 produit une appartenance de 0.7. Cependant, la conjonction qui unit les deux est AND; on prend donc le minimum des deux, soit 0.2. La valeur de sortie qui est affectée par la règle 2 est C2; on va donc couper le diagramme de C2 à la valeur 0.2. Rappel: R2 : IF x est A2 AND y est B2 THEN z est C2 GIND5439 – Gabriel Cormier, Université de Moncton 53 Inférence floue: Mamdani 1.0 1.0 0.8 0.8 0.6 A1 0.6 0.4 0.4 0.2 0.2 0 20 40 60 80 100 C1 0 20 C2 40 C3 60 80 100 Évaluation de R3: on regarde quelle valeur de A1 est obtenue avec l’entrée x1. Dans ce cas-ci, l’entrée x1 est 0.35, ce qui donne une appartenance de 0.5. La valeur de sortie qui est affectée par la règle 3 est C3; on va donc couper le diagramme de C3 à la valeur 0.5. Rappel: R3 : IF x est A1 THEN z est C3 GIND5439 – Gabriel Cormier, Université de Moncton 54 Inférence floue: Mamdani Étape 3: Agrégation de la sortie des règles Unification de la sortie de toutes les règles On prend la sortie des règles et on combine en un seul ensemble flou Un seul ensemble flou pour chaque variable Pour l’exemple: z est C1 (0.1), z est C2 (0.2), z est C3 (0.5) GIND5439 – Gabriel Cormier, Université de Moncton 55 Inférence floue: Mamdani C1 0 20 C2 40 C3 60 80 C1 100 0 20 C2 40 C1 C3 60 80 100 GIND5439 – Gabriel Cormier, Université de Moncton 0 20 C2 40 60 C3 80 100 56 Inférence floue: Mamdani Étape 4: défuzzification On doit produire un chiffre net La technique la plus populaire est la méthode du centroïde On cherche le centre de masse de l’objet b CM = ∑µ x=a b A ∑µ x=a ( x) x A ( x) GIND5439 – Gabriel Cormier, Université de Moncton 57 Inférence floue: Mamdani Pour l’exemple: (0 + 10 + 20)(0.1) + (30 + 40 + 50 + 60)(0.2) + (70 + 80 + 90 + 100)(0.5) CM = 0.1 + 0.1 + 0.1 + 0.2 + 0.2 + 0.2 + 0.2 + 0.5 + 0.5 + 0.5 + 0.5 = 67.4 Donc, z = 67.4; ce qui veut dire que le risque du projet est 67.4%. GIND5439 – Gabriel Cormier, Université de Moncton 58 Inférence floue: Sugeno On utilise un seul pic (ou delta) comme fonction d’appartenance de la conséquence de la règle. Le delta est un ensemble flou ayant un fonction d’appartenance de 1 à un point particulier de l’espace et 0 partout ailleurs. Il diffère de Mamdani en utilisant une fonction de la variable d’entrée plutôt qu’un ensemble flou. IF x est A AND y est B THEN z est k où k est une constante. Les conséquences des règles sont des pics plutôt que des ensembles. GIND5439 – Gabriel Cormier, Université de Moncton 59 Construction d’un système expert en logique floue Spécifier le problème et définir les variables linguistiques. Déterminer les ensembles flous. Expliciter et construire les règles floues. Encoder les ensembles flous, règles floues et procédures pour faire l’inférence floue dans le système expert. Évaluer et mettre au point le système. GIND5439 – Gabriel Cormier, Université de Moncton 60 Avantages de la logique floue Linguistique: Pas numérique, variables utilisées sont similaires à la façon dont les humains pensent. Simplicité Ne nécessite pas d’équations analytiques complexes Facile à comprendre Utilise moins de règles Prototypage rapide Le designer n’a pas besoin de connaître tout à propos du système avant de commencer Peu coûteux Plus facile à faire la conception Plus robuste Plus facile à mettre au point en changeant les fonction d’appartenance. GIND5439 – Gabriel Cormier, Université de Moncton 61 Faiblesses de la logique floue Système d’explications limitées Quand même nécessaire de consulter des experts Problème de saturation si les fonctions d’appartenance ne sont pas bien définies. GIND5439 – Gabriel Cormier, Université de Moncton 62 Applications Analyse de risque Évaluation de prêt Conseils d’investissement Planification stratégique Contrôle de systèmes Robotique GIND5439 – Gabriel Cormier, Université de Moncton 63