les systèmes floues et les algorithmes génétiques3
TRANSCRIPT
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
8/8/2019 Les Systèmes floues et les Algorithmes Génétiques3
http://slidepdf.com/reader/full/les-systemes-floues-et-les-algorithmes-genetiques3 2/25
Sommaire
Introduction
FRBS
Taxonomie du GFS Exemple
Naissance de la GFS
Bibliographie
2
8/8/2019 Les Systèmes floues et les Algorithmes Génétiques3
http://slidepdf.com/reader/full/les-systemes-floues-et-les-algorithmes-genetiques3 3/25
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
8/8/2019 Les Systèmes floues et les Algorithmes Génétiques3
http://slidepdf.com/reader/full/les-systemes-floues-et-les-algorithmes-genetiques3 4/25
Soft Computing
4
8/8/2019 Les Systèmes floues et les Algorithmes Génétiques3
http://slidepdf.com/reader/full/les-systemes-floues-et-les-algorithmes-genetiques3 5/25
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
8/8/2019 Les Systèmes floues et les Algorithmes Génétiques3
http://slidepdf.com/reader/full/les-systemes-floues-et-les-algorithmes-genetiques3 6/25
Genetic Fuzzy System
6
8/8/2019 Les Systèmes floues et les Algorithmes Génétiques3
http://slidepdf.com/reader/full/les-systemes-floues-et-les-algorithmes-genetiques3 7/25
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
8/8/2019 Les Systèmes floues et les Algorithmes Génétiques3
http://slidepdf.com/reader/full/les-systemes-floues-et-les-algorithmes-genetiques3 8/25
Structure dun FRBS
8
8/8/2019 Les Systèmes floues et les Algorithmes Génétiques3
http://slidepdf.com/reader/full/les-systemes-floues-et-les-algorithmes-genetiques3 9/25
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
8/8/2019 Les Systèmes floues et les Algorithmes Génétiques3
http://slidepdf.com/reader/full/les-systemes-floues-et-les-algorithmes-genetiques3 10/25
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
8/8/2019 Les Systèmes floues et les Algorithmes Génétiques3
http://slidepdf.com/reader/full/les-systemes-floues-et-les-algorithmes-genetiques3 11/25
Triangulaire :
Fonction d¶Appartenance
11
8/8/2019 Les Systèmes floues et les Algorithmes Génétiques3
http://slidepdf.com/reader/full/les-systemes-floues-et-les-algorithmes-genetiques3 12/25
Trapézoïdale :
Fonction d¶Appartenance
12
8/8/2019 Les Systèmes floues et les Algorithmes Génétiques3
http://slidepdf.com/reader/full/les-systemes-floues-et-les-algorithmes-genetiques3 13/25
Gaussienne :
Fonction dAppartenance :
13
8/8/2019 Les Systèmes floues et les Algorithmes Génétiques3
http://slidepdf.com/reader/full/les-systemes-floues-et-les-algorithmes-genetiques3 14/25
Représentation :
Règle Floue
14
8/8/2019 Les Systèmes floues et les Algorithmes Génétiques3
http://slidepdf.com/reader/full/les-systemes-floues-et-les-algorithmes-genetiques3 15/25
Représentation :
Règle Floue
15
8/8/2019 Les Systèmes floues et les Algorithmes Génétiques3
http://slidepdf.com/reader/full/les-systemes-floues-et-les-algorithmes-genetiques3 16/25
Input : xi = {0,3,5,7}
Output : Yi = {0,9,25,49}
i=1,2,3,4.
Exemple :
16
8/8/2019 Les Systèmes floues et les Algorithmes Génétiques3
http://slidepdf.com/reader/full/les-systemes-floues-et-les-algorithmes-genetiques3 17/25
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
8/8/2019 Les Systèmes floues et les Algorithmes Génétiques3
http://slidepdf.com/reader/full/les-systemes-floues-et-les-algorithmes-genetiques3 18/25
Exemple :
18
8/8/2019 Les Systèmes floues et les Algorithmes Génétiques3
http://slidepdf.com/reader/full/les-systemes-floues-et-les-algorithmes-genetiques3 19/25
Evaluation de Fitness est de la formule :
Nombre de copie de la génération suivante est de formule :
Exemple :
19
8/8/2019 Les Systèmes floues et les Algorithmes Génétiques3
http://slidepdf.com/reader/full/les-systemes-floues-et-les-algorithmes-genetiques3 20/25
La solution du premier chromosome dans la
population initial.
Exemple :
20
8/8/2019 Les Systèmes floues et les Algorithmes Génétiques3
http://slidepdf.com/reader/full/les-systemes-floues-et-les-algorithmes-genetiques3 21/25
Exemple :
21
8/8/2019 Les Systèmes floues et les Algorithmes Génétiques3
http://slidepdf.com/reader/full/les-systemes-floues-et-les-algorithmes-genetiques3 22/25
Exemple :
22
8/8/2019 Les Systèmes floues et les Algorithmes Génétiques3
http://slidepdf.com/reader/full/les-systemes-floues-et-les-algorithmes-genetiques3 23/25
Exemple :
23
8/8/2019 Les Systèmes floues et les Algorithmes Génétiques3
http://slidepdf.com/reader/full/les-systemes-floues-et-les-algorithmes-genetiques3 24/25
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
8/8/2019 Les Systèmes floues et les Algorithmes Génétiques3
http://slidepdf.com/reader/full/les-systemes-floues-et-les-algorithmes-genetiques3 25/25
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