Fuzzy Logic SDZ 20121

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/267041176
Introduction à La Logique Floue
Article · August 2011
CITATIONS READS
22 23,010
1 author:
Franck Dernoncourt
Adobe Research
201 PUBLICATIONS 2,983 CITATIONS
SEE PROFILE
All content following this page was uploaded by Franck Dernoncourt on 19 October 2014.
The user has requested enhancement of the downloaded file.

Introduction à La Logique Floue
Franck Dernoncourt
[email protected]
Paris, Avril 2011

Table des matières
Table des matières i
Table des figures ii
1 La logique floue 1
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Les sous-ensembles flous . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Les variables linguistiques . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Les opérateurs flous . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5 Le raisonnement en logique floue . . . . . . . . . . . . . . . . . . . 7
1.6 La défuzzification . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.7 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.8 Remerciements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Bibliographie 14
i
Table des figures
1.1 Fonction d’appartenance caractérisant le sous-ensemble ’bon’ de la

qualité du service . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Représentation graphique d’un ensemble classique et d’un ensemble flou 3
1.3 Comparaison entre fonction caractéristique d’un ensemble classique et
fonction d’appartenance d’un ensemble flou . . . . . . . . . . . . . . . 3
1.4 Propriétés d’un ensemble flou . . . . . . . . . . . . . . . . . . . . . . . 5
1.5 Variable linguistique ’qualité du service’ . . . . . . . . . . . . . . . . . 5
1.6 Variable linguistique ’qualité de la nourriture’ . . . . . . . . . . . . . . 6
1.7 Variable linguistique ’montant du pourboire’ . . . . . . . . . . . . . . 6
1.8 Exemple d’implication floue . . . . . . . . . . . . . . . . . . . . . . . . 8
1.9 Exemple d’implication floue avec conjonction OU traduite par un MAX 9
1.10 Exemple d’implication floue en utilisant la matrice des décisions . . . 10
1.11 Défuzzification avec la méthode moyenne des maxima (MM) . . . . . . 10
1.12 Défuzzification avec la méthode centre de gravité (COG) . . . . . . . . 11
1.13 Aperçu synoptique d’un système flou . . . . . . . . . . . . . . . . . . . 12
1.14 Ensemble des décisions d’un système flou . . . . . . . . . . . . . . . . 12
1.15 Ensemble des décisions d’un système se basant sur la logique classique 13
ii
Chapitre 1
La logique floue
La vérité n’est pas l’exactitude. Henri Matisse.
1.1 Introduction
La logique floue est une extension de la logique booléenne créée par Lotfi Zadeh
en 1965 en se basant sur sa théorie mathématique des ensembles flous, qui est une
généralisation de la théorie des ensembles classiques. En introduisant la notion de
degré dans la vérification d’une condition, permettant ainsi à une condition d’être
dans un autre état que vrai ou faux, la logique floue confère une flexibilité très
appréciable aux raisonnements qui l’utilisent, ce qui rend possible la prise en compte
des imprécisions et des incertitudes.
Un des intérêts de la logique floue pour formaliser le raisonnement humain est que
les règles sont énoncées en langage naturel. Voici par exemple quelques règles de
conduite qu’un conducteur suit, en supposant qu’il tienne à son permis :
Si le feu est rouge... si ma vitesse est et si le feu est alors je freine fort.
élevée... proche...
Si le feu est rouge... si ma vitesse est et si le feu est loin... alors je maintiens
faible... ma vitesse.
Si le feu est orange... si ma vitesse est et si le feu est loin... alors je freine douce-
moyenne... ment.
Si le feu est vert... si ma vitesse est et si le feu est alors j’accélère.
faible... proche...
Intuitivement, il semble donc que les variables d’entrée à l’instar de cet exemple sont
1
Introduction à la logique floue par Franck Dernoncourt - (Home Page) (Blog) (E-mail) Page 2 sur 13
appréciées par le cerveau de manière approximative, correspondant ainsi au degré de

vérification d’une condition de la logique floue.
Afin d’exemplifier chacune des définitions, nous allons concevoir au fil de ce cours
d’introduction à la logique floue un système d’inférence flou concret dont l’objectif
est de décider du pourboire à donner à la fin d’un repas au restaurant en fonction de
la qualité du service ainsi que de la qualité de la nourriture.
1.2 Les sous-ensembles flous
La logique floue repose sur la théorie des ensembles flous, qui est une généralisation
de la théorie des ensembles classiques [Zadeh, 1965]. Par abus de langage, suivant les
us de la littérature, nous utiliserons indifféremment les termes sous-ensembles flous
et ensembles flous. Les ensembles classiques sont également appelés ensembles nets,
par opposition à flou, et de même la logique classique est également appelée logique
booléenne ou binaire.
Figure 1.1: Fonction d’appartenance caractérisant le sous-ensemble ’bon’ de la

qualité du service
La figure 1.1 montre la fonction d’appartenance choisie pour caractériser le sous-

ensemble ’bon’ de la qualité du service.
Définition 1.
Soit X un ensemble. Un sous-ensemble flou A de X est caractérisé par une fonc-
tion d’appartenance f a : X → [0, 1].
Note : cette fonction d’appartenance est l’équivalent de la fonction caractéristique
d’un ensemble classique.
Copyright © 2011 - Franck Dernoncourt <[email protected]>.

Ce cours est sous la licence libre Creative Commons-BY-SA. Vous pouvez le diffuser sous condition de garder
cette licence et de citer l’auteur de ce document.
http ://franck-dernoncourt.developpez.com/tutoriels/algo/introduction-logique-floue/
Dans notre exemple du pourboire, il nous faudra redéfinir des fonctions d’apparte-
nance pour chaque sous-ensemble flou de chacune de nos trois variables :
– Input 1 : qualité du service. Sous-ensembles : mauvais, bon et excellent.
– Input 2 : qualité de la nourriture. Sous-ensembles : exécrable et délicieux.
– Output : montant du pourboire. Sous-ensembles : faible, moyen et élevé.
La forme de la fonction d’appartenance est choisie arbitrairement en suivant les

conseils de l’expert ou en faisant des études statistiques : formes sigmoı̈de, tangente
hyperbolique, exponentielle, gaussienne ou de toute autre nature sont utilisables.
La figure 1.2 montre graphiquement la différence entre un ensemble classique et

l’ensemble flou correspondant à une nourriture délicieuse.
Figure 1.2: Représentation graphique d’un ensemble classique et d’un ensemble

flou
La figure 1.3 compare les deux fonctions d’appartenance correspondant aux ensembles
précédents.
Figure 1.3: Comparaison entre fonction caractéristique d’un ensemble classique

et fonction d’appartenance d’un ensemble flou
Pour pouvoir définir les caractéristiques des ensembles flous, nous redéfinissons et

étendons les caractéristiques usuelles des ensembles classiques.
Soit X un ensemble, A un sous-ensemble flou de X et µA la fonction d’appartenance

le caractérisant.
Définition 2.
La hauteur de A, notée h(A), correspond à la borne supérieure de l’ensemble
d’arrivée de sa fonction d’appartenance : h(A) = sup{µA (x) | x ∈ X}.
Définition 3.
A est dit normalisé si et seulement si h(A) = 1. En pratique, il est extrêmement
rare de travailler sur des ensembles flous non normalisés.
Définition 4.
Le support de A est l’ensemble des éléments de X appartenant au moins un peu
à A. Autrement dit, c’est l’ensemble supp(A) = {x ∈ X | µA (x) > 0}.
Définition 5.
Le noyau de A est l’ensemble des éléments de X appartenant totalement à A.
Autrement dit, c’est l’ensemble noy(A) = {x ∈ X | µA (x) = 1}. Par construction,
noy(A) ⊆ supp(A).
Définition 6.
Une α-coupe de A est le sous-ensemble classique des éléments ayant un degré
d’appartenance supérieur ou égal à α : α-coupe(A) = {x ∈ X | µA (x) > α}.
Une autre fonction d’appartenance pour un pourboire moyen sur lequel nous avons
fait figurer les propriétés précédentes est présentée sur la figure 1.4.
Nous remarquons que si A était un ensemble classique, nous aurions simplement

supp(A) = noy(A) et h(A) = 1 (ou h(A) = 0 si A = ∅). Nos définitions permettent
donc bien de retrouver les propriétés usuelles des ensembles classiques. Nous ne
parlerons pas de la cardinalité car nous n’utiliserons pas cette notion dans la suite de
ce cours.
1.3 Les variables linguistiques
Le concept de fonction d’appartenance vu précédemment nous permettra de définir

des systèmes flous en langage naturel, la fonction d’appartenance faisant le lien entre
logique floue et variable linguistique que nous allons définir à présent.

Figure 1.4: Propriétés d’un ensemble flou
Définition 7.
Soit V une variable (qualité du service, montant du pourboire, etc.), X la plage
de valeurs de la variable et TV un ensemble fini ou infini de sous-ensembles flous.
Une variable linguistique correspond au triplet (V, X, TV ).
Figure 1.5: Variable linguistique ’qualité du service’

Figure 1.6: Variable linguistique ’qualité de la nourriture’
Figure 1.7: Variable linguistique ’montant du pourboire’
1.4 Les opérateurs flous
Afin de pouvoir manipuler aisément les ensembles flous, nous redéfinissons les opérateurs
de la théorie des ensembles classiques afin de les adapter aux fonctions d’appartenance
propres à la logique floue permettant des valeurs strictement entre 0 et 1.
Contrairement aux définitions des propriétés des ensembles flous qui sont toujours les

mêmes, la définition des opérateurs sur les ensembles flous est choisie, à l’instar des
fonctions d’appartenance. Voici les deux ensembles d’opérateurs pour le complément
(NON), l’intersection (ET) et l’union (OU) utilisés le plus couramment :
Dénomination Intersection ET : Réunion OU : Complément NON :

µA∩B (x) µA∪B (x) µĀ(x)
Opérateurs de Za- min (µA (x), µB (x)) max (µA (x), µB (x)) 1 − µA (x)
deh MIN/MAX
Probabiliste µA (x) × µB (x) µA (x) + µB (x) − 1 − µA (x)
PROD/PROBOR µA (x) × µB (x)
Avec les définitions usuelles des opérateurs flous, nous retrouvons toujours les pro-
priétés de commutativité, distributivité et associativité des opérateurs classiques. Ce-
pendant, relevons deux exceptions notables :
– En logique flou, le principe du tiers exclu est contredit : A ∪ Ā 6= X, autrement
dit µA∪Ā (x) 6= 1.
– En logique floue, un élément peut appartenir à A et non A en même temps :
A ∩ Ā 6= ∅, autrement dit µA∩Ā (x) 6= 0. Notons que ces éléments correspondent
à l’ensemble supp(A) − noy(A).
1.5 Le raisonnement en logique floue
En logique classique, les raisonnements sont de la forme :

(
Si p alors q
p vrai alors q vrai
En logique floue, le raisonnement flou, également appelé raisonnement approximatif,

se base sur des règles floues qui sont exprimées en langage naturel en utilisant les
variables linguistiques dont nous avons donné la définition précédemment. Une règle
floue aura cette forme :
Si x ∈ A et y ∈ B alors z ∈ C, avec A, B et C des ensembles flous.
Par exemple :
’Si (la qualité de la nourriture est délicieuse), alors (le pourboire sera élevé)’.
La variable ’pourboire’ appartient à l’ensemble flou ’élevé’ à un degré qui dépend

du degré de validité de la prémisse, autrement dit du degré d’appartenance de la
variable ’qualité de la nourriture’ à l’ensemble flou ’délicieux’. L’idée sous-jacente est
que plus les propositions en prémisse sont vérifiées, plus l’action préconisée pour les

sorties doit être respectée. Pour connaı̂tre le degré de vérité de la proposition floue
’le pourboire sera élevé’, nous devons définir l’implication floue.
À l’instar des autres opérateurs flous, il n’existe pas de définition unique de l’appli-
cation floue : le concepteur du système flou devra choisir parmi le large choix d’im-
plications floues déjà définies, ou bien la définir à la main. Voici les deux définitions
de l’implication floue les plus couramment utilisées :
Nom Valeur de vérité

Mamdani min (fa (x), fb (x))
Larsen fa (x) × fb (x)
Fait notable, ces deux implications ne généralisent pas l’implication classique. Il existe
d’autres définitions d’implication floue la généralisant, mais elles sont moins utilisées.
Si nous choisissons l’implication de Mamdani, voici ce que nous obtenons pour la

règle floue ’Si (la qualité de la nourriture est délicieuse), alors (le pourboire sera
élevé)’ lorsque la qualité de la nourriture est notée 8,31 sur 10 :
Figure 1.8: Exemple d’implication floue
Le résultat de l’application d’une règle floue dépend donc de trois facteurs :

1. la définition d’implication floue choisie ;
2. la définition de la fonction d’appartenance de l’ensemble flou de la proposition
située en conclusion de la règle floue ;
3. le degré de validité des propositions situées en prémisse.
Comme nous avons défini les opérateurs flous ET, OU et NON, la prémisse d’une règle
floue peut très bien être formée d’une conjonction de propositions floues. L’ensemble
des règles d’un système flou est appelé la matrice des décisions. Voici celui de notre
exemple du pourboire :

Si le service est mauvais ou la nourriture est exécrable alors le pourboire est faible
Si le service est bon alors le pourboire est moyen
Si le service est excellent ou la nourriture est délicieuse alors le pourboire est elevé
La figure 1.9 montre nous obtenons pour la règle floue ’Si (le service est excellent
ou la nourriture est délicieuse), alors (le pourboire sera élevé)’ lorsque la qualité
du service est notée 7,83 sur 10 et la qualité de la nourriture 7,32 sur 10 si nous
choisissons l’implication de Mamdani ainsi que la traduction du OU par MAX.
Figure 1.9: Exemple d’implication floue avec conjonction OU traduite par un

MAX
Nous allons maintenant appliquer l’ensemble des 3 règles de notre matrice des décisions.
Cependant, nous allons obtenir 3 ensembles flous pour le pourboire : nous les agrégerons
par l’opérateur MAX qui est presque toujours utilisé pour l’agrégation. La figure 1.10
montre cette agrégation.
Comme nous le voyons, il ne nous reste plus qu’à prendre la décision finale, à savoir
quel pourboire nous allons réellement donner sachant que la qualité du service est
notée 7,83 sur 10 et la qualité de la nourriture 7,32 sur 10. Cette étape finale, qui
permet de passer de l’ensemble flou issu de l’agrégation des conclusions à une décision
unique, s’appelle la défuzzification.
1.6 La défuzzification
Comme pour tous les opérateurs flous, le concepteur du système flou doit choisir
parmi plusieurs définitions possibles de défuzzification. Une liste détaillée peut être
consultée dans [Leekwijck and Kerre, 1999]. Nous allons présenter brièvement les
deux principales méthodes de défuzzification : la méthode moyenne des maxima (MM)
et la méthode du centre de gravité (COG).
La défuzzification MM définit la sortie (décision du montant du pourboire) comme

Figure 1.10: Exemple d’implication floue en utilisant la matrice des décisions
étant la moyenne des abscisses des maxima de l’ensemble flou issu de l’agrégation
des conclusions.
R
y·dy
Décision = RS
S dy
où S = {ym ∈ R, µ(ym ) = SU Py∈R (µ(y))}
et R est l’ensemble flou issu de l’agrégation des conclusions.
Figure 1.11: Défuzzification avec la méthode moyenne des maxima (MM)

La défuzzification COG est plus couramment utilisée. Elle définit la sortie comme
correspondant à l’abscisse du centre de gravité de la surface de la fonction d’appar-
tenance caractérisant l’ensemble flou issu de l’agrégation des conclusions.
R
y·µ(u)·dy
Décision = RS
S µ(u)·dy
Figure 1.12: Défuzzification avec la méthode centre de gravité (COG)
Cette définition permet d’éviter les discontinuités qui pouvaient apparaı̂tre dans la
défuzzification MM, mais est plus complexe et demande des calculs plus impor-
tants. Certains travaux tel [Madau D., 1996] cherchent à améliorer les performances
en cherchant d’autres méthodes aussi efficaces mais avec une complexité algorith-
mique moindre. Comme nous le voyons sur les 2 figures montrant les méthodes de
défuzzification MM et COG appliquées à notre exemple, le choix de cette méthode a
un effet important sur la décision finale.
1.7 Conclusions
Au cours des définitions, nous avons vu que le concepteur d’un système flou doit faire
un nombre de choix important. Ces choix se basent essentiellement sur les conseils
de l’expert ou sur l’analyse statistique des données passées, en particulier pour définir
les fonctions d’appartenance et la matrice des décisions.
Voici un aperçu synoptique d’un système flou :
Dans notre exemple,

Figure 1.13: Aperçu synoptique d’un système flou
– l’input est ’la qualité du service est notée 7,83 sur 10 et la qualité de la nourriture
7,32 sur 10’ ;
– le fuzzifier correspond aux 3 variables linguistiques ’qualité du service’, ’qualité de
la nourriture’ et ’montant du pourboire’ ;
– le moteur d’inférence est constitué du choix des opérateurs flous ;
– la base de connaissances floues est l’ensemble des règles floues ;
– le defuzzifier est la partie où entre en jeu la méthode de défuzzification ;
– l’output correspond à la décision finale : ’le montant du pourboire est 25,1’.
Il est intéressant de voir l’ensemble des décisions en fonction de chacune des variables
avec notre système d’inférence flou (figure 1.14) par rapport au type d’ensemble de
décisions que nous obtiendrions en utilisant la logique classique (figure 1.15).
Figure 1.14: Ensemble des décisions d’un système flou

Figure 1.15: Ensemble des décisions d’un système se basant sur la logique clas-
sique
Ainsi, toute la puissance de la logique floue est de rendre possible la mise en place
de systèmes d’inférence dont les décisions sont sans discontinuités, flexibles et non
linéaires, plus proche du comportement humain que ne l’est la logique classique. De
plus, les règles de la matrice des décisions sont exprimées en langage naturel, ce
qui comporte de nombreux avantages, comme par exemple inclure des connaissances
d’un expert non informaticien au coeur d’un système décisionnel ou encore modéliser
plus finement certains aspects du langage naturel.
1.8 Remerciements
Je tiens à remercier (en ordre chronologique) :

– Jean Baratgin et Emmanuel Sander pour m’avoir laissé l’opportunité d’écrire ce
cours sur la logique floue ;
– Alp Mestan et Romuald Perrot pour leur aide dans la mise en ligne ce cours sur
Developpez.com ;
– 3DArchi, Julien Plu et Antoine Dinimant pour leur avis technique ;
– Patriarch24 pour avoir effectué la correction orthographique.

Bibliographie
[Leekwijck and Kerre, 1999] Leekwijck, W. V. and Kerre, E. E. (1999). Defuzzification :

criteria and classification. Fuzzy Sets and Systems, 108(2) :159 – 178. [cited at p. 9]
[Madau D., 1996] Madau D., D. F. (1996). Influence value defuzzification method. Fuzzy
Systems, Proceedings of the Fifth IEEE International Conference, 3 :1819 – 1824.
[cited at p. 11]
[Zadeh, 1965] Zadeh, L. (1965). Fuzzy sets. Information and Control, 8(3) :338 – 353.
[cited at p. 2]
14
View publication stats

Fuzzy Logic SDZ 20121

Transféré par

Droits d'auteur :

Formats disponibles

Fuzzy Logic SDZ 20121

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Fuzzy Logic SDZ 20121

Transféré par

Droits d'auteur :

Formats disponibles

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

Introduction à La Logique Floue

Article · August 2011

The user has requested enhancement of the downloaded file.

Paris, Avril 2011

Table des matières i

Table des figures ii

1.1 Fonction d’appartenance caractérisant le sous-ensemble ’bon’ de la

La vérité n’est pas l’exactitude. Henri Matisse.

appréciées par le cerveau de manière approximative, correspondant ainsi au degré de

1.2 Les sous-ensembles flous

Figure 1.1: Fonction d’appartenance caractérisant le sous-ensemble ’bon’ de la

La figure 1.1 montre la fonction d’appartenance choisie pour caractériser le sous-

Copyright © 2011 - Franck Dernoncourt <[email protected]>.

La forme de la fonction d’appartenance est choisie arbitrairement en suivant les

La figure 1.2 montre graphiquement la différence entre un ensemble classique et

Figure 1.2: Représentation graphique d’un ensemble classique et d’un ensemble

Figure 1.3: Comparaison entre fonction caractéristique d’un ensemble classique

Copyright © 2011 - Franck Dernoncourt <[email protected]>.

étendons les caractéristiques usuelles des ensembles classiques.

Soit X un ensemble, A un sous-ensemble flou de X et µA la fonction d’appartenance

Nous remarquons que si A était un ensemble classique, nous aurions simplement

1.3 Les variables linguistiques

Le concept de fonction d’appartenance vu précédemment nous permettra de définir

Copyright © 2011 - Franck Dernoncourt <[email protected]>.

Figure 1.4: Propriétés d’un ensemble flou

Figure 1.5: Variable linguistique ’qualité du service’

Copyright © 2011 - Franck Dernoncourt <[email protected]>.

Figure 1.6: Variable linguistique ’qualité de la nourriture’

Figure 1.7: Variable linguistique ’montant du pourboire’

1.4 Les opérateurs flous

Copyright © 2011 - Franck Dernoncourt <[email protected]>.

Dénomination Intersection ET : Réunion OU : Complément NON :

1.5 Le raisonnement en logique floue

En logique classique, les raisonnements sont de la forme :

En logique floue, le raisonnement flou, également appelé raisonnement approximatif,

La variable ’pourboire’ appartient à l’ensemble flou ’élevé’ à un degré qui dépend

Copyright © 2011 - Franck Dernoncourt <[email protected]>.

Nom Valeur de vérité

Si nous choisissons l’implication de Mamdani, voici ce que nous obtenons pour la

Figure 1.8: Exemple d’implication floue

Le résultat de l’application d’une règle floue dépend donc de trois facteurs :

Copyright © 2011 - Franck Dernoncourt <[email protected]>.

Figure 1.9: Exemple d’implication floue avec conjonction OU traduite par un

La défuzzification MM définit la sortie (décision du montant du pourboire) comme

Copyright © 2011 - Franck Dernoncourt <[email protected]>.

Figure 1.10: Exemple d’implication floue en utilisant la matrice des décisions

Figure 1.11: Défuzzification avec la méthode moyenne des maxima (MM)

Copyright © 2011 - Franck Dernoncourt <[email protected]>.

Figure 1.12: Défuzzification avec la méthode centre de gravité (COG)

Voici un aperçu synoptique d’un système flou :

Dans notre exemple,

Copyright © 2011 - Franck Dernoncourt <[email protected]>.

Figure 1.13: Aperçu synoptique d’un système flou

Figure 1.14: Ensemble des décisions d’un système flou

Copyright © 2011 - Franck Dernoncourt <[email protected]>.

Je tiens à remercier (en ordre chronologique) :

Copyright © 2011 - Franck Dernoncourt <[email protected]>.

[Leekwijck and Kerre, 1999] Leekwijck, W. V. and Kerre, E. E. (1999). Defuzzification :