Les Systèmes floues et les Algorithmes Génétiques3

8/8/2019 Les Systèmes floues et les Algorithmes Génétiques3

http://slidepdf.com/reader/full/les-systemes-floues-et-les-algorithmes-genetiques3 1/25

Les Systèmes floues et les Algorithmes Génétiques(GENETIC FUZZY SYSTEM)

Préparé par:

BENAISSA Mohamed Amine

BENACHOUR Ibrahim

Enseigné par :

Mr. HADJILA Feth Allah

Module : Logique Pour LIntelligence Artificielle

Université Abou Bekr Belkaid

Faculté des sciences de lingénieur

Département dinformatique

2009/2010 1



Sommaire

Introduction

FRBS

Taxonomie du GFS Exemple

Naissance de la GFS

Bibliographie

2



Introduction

Les algorithmes génétiques (AGs) sont des algorithmesd¶optimisation stochastique fondés sur les mécanismes de lasélection naturelle et de la génétique.

L'utilisation de la génétique à la conception des systèmes flouesconstitue l'une des branches de Soft Computing : (Genetic FuzzySystem).

Le principal intérêt du soft computing réside dans l¶utilisation

conjointe de plusieurs de ces composantes dans des systèmeshybrides tirant parti d¶une synergie entre les différentes méthodesafin d¶exploiter les avantages de chacune tout en compensant sesinconvénients par l¶utilisation d¶une autre dont les propriétés sontcomplémentaires.

3



Soft Computing

4



Introduction

L'approche la plus connue est celle de système à base de règles floues,où certains de ces composant sont dérivés (adapté ou appris) à l'aideun AG.

Les Algorithmes génétiques n'ont pas été spécifiquement conçu commetechniques d¶apprentissage automatique, comme d'autres approchescomme les réseaux de neurones.

Toutefois, il est bien connu qu'une tâche d'apprentissage peut être

modélisé comme un problème d'optimisation, et donc résolu à traversl'évolution.

5



Genetic Fuzzy System

6



FRBS

Un FRBS (il s'agit d'un modèle flou, un contrôleur flou ou un classifieur flou),est composé de deux principales composantes:

La base de connaissances (KB), en stockant les connaissances sous la

forme des règles floues .

Le moteur d'inférence, en appliquant une méthode de raisonnement

sur la base de connaissance.

Les deux doivent être conçues pour construire un FRBS :

La base de connaissance(KB) est obtenu à partir des connaissancesd'expert ou par des les méthodes d'apprentissage automatiques.

Le système d'inférence est mis en place en choisissant l'opérateur flouepour chaque composant (fuzzification,defuzzification).

7



Structure dun FRBS

8



Taxonomie du GFSL¶ approche GFS a été diviser on deux processus (tuning et learning).

Genetic tuning :Si la base de connaissance existe déjà, on applique un processusd¶optimisation pour améliorer le FRBS mais sans changer la base desrègles.

Ajuster les paramètres du FRBS pour améliorer ses performances enmaintenant la même base de règle.

Genetic learning:

la possibilité est d'apprendre les composants de la KB .

Générer automatiquement les règles floues en utilisant les AG.

9



Taxonomie du GFSO

ptimisation des paramètres de la base de connaissance(KB):Ajuster les paramètres de la fonction d¶appartenance sans changer lenombre des variables linguistiques (reste fixer dés le début).

Optimisation des méthodes de défuzzification :

Optimiser les Paramètre des méthodes de défuzzification .

10



Triangulaire :

Fonction d¶Appartenance

11



Trapézoïdale :

Fonction d¶Appartenance

12



Gaussienne :

Fonction dAppartenance :

13



Représentation :

Règle Floue

14



Représentation :

Règle Floue

15



Input : xi = {0,3,5,7}

Output : Yi = {0,9,25,49}

i=1,2,3,4.

Exemple :

16



6 bit pour chaque distance(Basei )

4 points label pour chaque variable

Alors 6*4=24 bits longueur du chromosome

L : longueur de gène

D : valeur de variable en décimale

Calcule des nouveau distance :

Erreur Total :

Exemple :

17



Exemple :

18



Evaluation de Fitness est de la formule :

Nombre de copie de la génération suivante est de formule :

Exemple :

19



La solution du premier chromosome dans la

population initial.

Exemple :

20



Exemple :

21



Exemple :

22



Exemple :

23



Naissance de la GFS (1991) Thrift¶s ICGA91 paper (Mamdani-type Rule Base Learning Pittsburgh approach)

The birth of GFSs: 1991

birth, roadmap, Thrift s Mamdani Learning. Thrift P (1991) Fuzzy logic synthesiswith genetic algorithms. In: Proc. of 4th

I nternational Conference on Genetic Algorithms ( I CGA'91), pp 509-513

Valenzuela-Rendón¶s PPSN-I paper (Scatter Mamdani-type KB Learning. Michigan

approach)

Valenzuela-Rendon M (1991) The fuzzy classifier system: A classifier system for

continuously varying variables. In: Proc. of 4th International Conference on

Genetic Algorithms ( I CGA'91), pp 346-353

Pham and Karaboga¶s Journal of Systems Engineering paper (Relational matrixbased

FRBS learning. Pittsburgh approach)

Pham DT, Karaboga D (1991) Optimum design of fuzzy logic controllers usinggenetic

algorithms. J ournal of Systems Engineering 1:114-118).

Karr¶s AI Expert paper (Mamdani-type Data Base Tuning)

Karr C (1991) Genetic algorithms for fuzzy controllers. A I Expert 6(2):26-33.

La base de ce system a été presque établie dans la première année.

24



Bibliographie

Ouvrages électroniques(Ebooks):

Oscar Cordon,Francisco Herrera,Frank Hoffmann,Luis Magdalena,GENETIC FUZZY SYSTEMS EVOLUTIONARY TUNING AND LEARNING OFFUZZY KNOWLEDGE BASES, World Scientific,2002.

Thèse :

Wei WU, Synthèse d¶un contrôleur flou par Algorithme Génétique :Application au réglage dynamique des paramètres d¶un système ,Université de Lille 1 ,1998

Articles:

Francisco Herrera, Genetic Fuzzy Systems: Basic notions and Tuning

Methods,2008 Francisco Herrera, Genetic fuzzy systems: taxonomy, current research

trends and prospects,2008

25

Documents

Les Systèmes floues et les Algorithmes Génétiques3