Thesis Soukkou Electronics 2008 PDF
Thesis Soukkou Electronics 2008 PDF
Thesis Soukkou Electronics 2008 PDF
Thèse
Présentée par
Thème
Remerciements
Le travail présenté dans cette thèse est le fruit de quelques années de travail dans des
conditions très difficiles qui demandent beaucoup de sacrifices, de courage et de régularité.
Finaliser une thèse dans un petit coin de la maison, je pense, est un très grand défi au 21ème
siècle. Mais, le faite de penser à ALLAH, notre Dieu et Dieu de toutes les existences, le
chemin devient plus court & simple. L’épanouissement est un cadeau donné aux personnes
ayant choisir la patience & le défi comme principe de continuité…
J’adresse mes vifs remerciements à Messieurs les Professeurs Leulmi Salah & Khellaf
Abdelhafid d’avoir accepté de rapporter sur mon mémoire et pour l’intérêt qu’ils ont voulu
porter à ce travail. Leur lecture approfondie du mémoire, leurs remarques et critiques
judicieuses m’ont été très précieuses.
Mon professeur Leulmi « Ammi Salah », avec qui j’ai eu le plaisir, de travailler, pour la
confiance qu’il m’a faite et pour l’encouragement. Je le remercie particulièrement pour son
côté humain, qui représente une école exceptionnelle, sa méthodologie de rédaction typique
ainsi que sa démocratie. Merci infiniment Ammi Salah …
Mon Professeur Khellaf AbdelHafid, pour la confiance qu’il m’a faite en me proposant le
sujet de la thèse. Je le remercie infiniment pour la grande indépendance qu’il m’a accordée
durant le développement de ce modeste travail. Le faite d’être encadré par le Professeur
Khellaf est un honneur & aussi un signe de réussite. Merci infiniment pour l’esprit
scientifique…
C’est un grand honneur & plaisir que Monsieur Monsieur Krim Fateh, Professeur à
l’université de Sétif préside le jury de ce modeste travail. C’est l’occasion de lui remercier
pour les connaissances qui nous a donné durant ma formation : Graduation & Post graduation
au sein du département d’électroniquede l’université de Sétif.
Je veux remercier d’une manière toute particulière Monsieur Belarbi Khaled, Professeur
à l’université de Constantine pour l’intérêt qu’il a porté à ce travail en acceptant de l’examiner.
Les travaux de K. Belarbi et al. font intervenir comme des références de base pour ce modeste
travail & c’est l’occasion de lui dire merci infiniment.
C’est un grand honneur d’être examiné par Monsieur Charef Abdelfateh, Professeur à
l’université de Constantine Je le remercie infiniment.
Mes remerciements s’adressent aussi à Monsieur Mostefai Mohammed, Professeur &
Vice Recteur Chargé de la Post graduation à l’université de Sétif, d’avoir accepter d’examiner
& d’honorer le jury de cette thèse.
C’est un grand honneur que Monsieur Mokrani Karim, Maître de Conférence à
l’Université de Bejaia soit membre de jury de cette thèse.
Je tiens particulièrement à remercier tous les membres du Service de l’Analyse et
d’Automatique des Systèmes LAAS de l’université Libre de Bruxelles qui m’ont aider à
finaliser ce modeste travail tout au long de mon séjour parmi eux. Sans oublier les conseils
précises & précieuses du Professeur Raymond Hanus.
Enfin, mes remerciements vont a tous ceux qui m’ont soutenu ou qui, d’une manière ou
d’une autre, ont contribué à l’élaboration de ce modeste travail.
i
Dédicaces
Dédicaces
ﺇﻫﺪﺍﺀ ﺧﺎﺹ ﻛﻤﺎ ﻛﺘﺒﻪ ﺍﻷﺳﺘﺎﺫ ﺍﻟﻌﻼﻣﺔ ﻋﺒﺪ ﺍﻟﺮﲪــــﻦ ﺍﳉﻴﻼﱄ ﺇﱃ ﻛﻞ ﺍﻷﺳﺎﺗﺬﺓ ﺍﻷﺟﻼﺀ ﺍﻟﺪﻳﻦ
ﺍﻏﺘﺮﻓﻨﺎ ﻣﻦ ﲝﻮﺭﻫﻢ ،ﺇﱃ ﺭﺑﺔ ﺍﻟﺒﻴﺖ ﻭ ﺍﻟﻌﻔﺎﻑ ﺍﳉﻠﻴﻠﺔ ﺍﻟﻜﺮﳝﺔ ،ﻗﺮﻳﻨﱵ ﻭ ﺷﺮﻳﻜﺔ ﺣﻴﺎﰐ ،ﻭﺭﻓﻴﻘﱵ ﰲ ﺍﻟﺴﲑ
ﺪﺍ ﺍﻟﻌﻤﻞ ﺍﳌﺘﻮﺍﺿﻊ ،ﺍﳌﻨﻌﻤﺔ ﺍﳌﱪﻭﺭﺓ ،ﻣﺜﺎﻝ ﺍﻟﻮﻓﺎﺀ ﻭ ﺍﻹﺧﻼﺹ ،ﺃﺳﺘﺎﺫﺓ ﺍﻟﺼﱪ ﻭ ﺍﻟﺘﺤﺪﻱ ﻭ ﺻﺎﻧﻌﺔ ﺍﺪ
ﻭ ﺍﻟﻨﺠﺎﺡ ....أم اﻟﻜﺘﻜﻮت ﺳﻴﺪ أﺣﻤﺪ.
…à toutes et à tous mes ami(e)s
ii
ﻣﻠﺨﺺ
ﻣﻠﺨﺺ
ﻳﻬﺪف هﺬا اﻟﻌﻤﻞ أﺳﺎﺳﺎ إﻟﻰ اﺳﺘﻌﻤﺎل اﻟﺨﺼﺎﺋﺺ اﻟﻤﻤﻴﺰة ﻟﺘﻘﻨﻴﺎت اﻟﺬآﺎء اﻻﺻﻄﻨﺎﻋﻲ ،أو ﻣﺎ ﻳﻌﺮف ﺑﺎﻷﻧﻈﻤﺔ اﻟﻬﺠﻴﻨﺔ
اﻟﺬآﻴﺔ .اﻟﻬﺪف اﻷﺳﺎﺳﻲ ﻣﻦ هﺬا اﻟﺒﺤﺚ هﻮ إﻧﺸﺎء ﻃﺮق ذآﻴﺔ ﺟﺪﻳﺪة ،ﺑﺴﻴﻄﺔ وﻓﻌﺎﻟﺔ ﻟﻠﺘﺤﻜﻢ اﻵﻟﻲ ﻟﻸﻧﻈﻤﺔ اﻟﺪﻳﻨﺎﻣﻴﻜﻴﺔ اﻟﻼﺧﻄﻴﺔ.
اﻟﻤﺰج ﺑﻴﻦ ﺗﻘﻨﻴﺎت اﻟﻤﻨﻄﻖ اﻟﻤﺒﻬﻢ ،اﻟﺸﺒﻜﺎت اﻟﻌﺼﺒﻮﻧﻴﺔ واﻟﺨﻮارزﻣﻴﺎت اﻟﺠﻴﻨﻴﺔ ﺗﻌﺘﺒﺮ اﻟﻮﺳﻴﻠﺔ اﻟﺮﺋﻴﺴﻴﺔ ﻓﻲ هﺬﻩ اﻟﻌﻤﻠﻴﺔ.
إن اﻟﻌﻤﻞ اﻟﺬي ﺑﻴﻦ أﻳﺪﻳﻨﺎ ﻳﺸﺮح اﻟﻤﺸﺎآﻞ اﻟﺘﻲ ﻧﺼﺎدﻓﻬﺎ ﻓﻲ ﻣﺮﺣﻠﺔ ﺗﺸﻜﻴﻞ اﻷﻧﻈﻤﺔ اﻟﻤﺒﻬﻤﺔ أي اﻟﻐﺎﻣﻀﺔ ،واﻟﺘﻲ ﺗﺨﺘﺼﺮ
أﺳﺎﺳﺎ ﻓﻲ :
ﻣﺸﻜﻞ ﺗﻘﻴﻴﺲ و ﺗﺤﺪﻳﺪ أﺑﻌﺎد ﻗﺎﻋﺪة اﻟﺒﻴﺎﻧﺎت ) اﻟﺠﻤﻞ اﻟﻤﺒﻬﻤﺔ( ﻟﻸﻧﻈﻤﺔ اﻟﻤﺒﻬﻤﺔ أي ﺑﻨﻴﺘﻬﺎ. •
ﻣﺸﻜﻞ ﺗﻤﺜﻴﻞ ﻣﻌﻠﻤﺔ أو ﺑﻨﻴﺔ ﻣﺤﺪدات ﻗﺎﻋﺪة اﻟﻤﻌﻠﻮﻣﺎت. •
ﻣﺸﻜﻞ اﻻﺳﺘﻘﺮار وﺻﻼﺑﺔ أو ﻣﺘﺎﻧﺔ ﺑﻨﻴﺔ اﻟﻤﺮاﻗﺒﺔ. •
إن ﻣﺤﺘﻮى هﺬﻩ اﻟﻤﺬآﺮة ﻳﺘﻤﺤﻮر أﺳﺎﺳﺎ ﺣﻮل اﻟﻨﻤﺬﺟﺔ واﻟﺘﺤﻜﻢ اﻟﻤﺒﻬﻢ ﺑﺼﻴﻐﺔ TS1ﻟﻸﻧﻈﻤﺔ اﻟﻼﺧﻄﻴﺔ اﻟﻤﻌﻘﺪة.
اﻟﺠﺰء اﻷول ﻣﻦ هﺬﻩ اﻟﻤﺬآﺮة ﻳﻬﺪف إﻟﻰ ﺗﺸﻜﻴﻞ ﻧﻈﺎم ﺗﺤﻜﻢ ﺁﻟﻲ ﻣﺴﺘﻘﺮ .ﻟﺘﺤﻘﻴﻖ هﺬﻩ اﻟﻐﺎﻳﺔ ،ﺗﻢ ﺿﺒﻂ إﺳﺘﺮاﺗﻴﺠﻴﺔ ﺗﻬﺠﻴﻦ
اﻟﺘﻘﻨﻴﺎت اﻟﺬآﻴﺔ :اﻟﻤﺒﻬﻤﺔ واﻟﻌﺼﺒﻮﻧﻴﺔ .ذﻟﻚ ،ﺑﺎﺳﺘﻌﻤﺎل اﻟﺸﺒﻜﺔ RBFاﻟﻤﺒﻬﻤﺔ ﻣﺮﻓﻘﺔ ﺑﺨﻮارزﻣﻴﺔ هﺠﻴﻨﺔ .ﺗﺤﻘﻴﻖ اﻟﺨﺼﺎﺋﺺ
اﻟﺒﻨﻴﻮﻳﺔ ﻟﻨﻈﺎم اﻟﺘﺤﻜﻢ RBFاﻟﻤﺒﻬﻢ اﻟﻤﻘﺘﺮح ﻳﺒﻨﻰ وﻓﻖ اﻟﺨﻄﻮﺗﻴﻦ اﻟﺘﺎﻟﻴﺘﻴﻦ :
ﺗﺸﻜﻴﻞ آﻠﻲ ﻟﺒﻨﻴﺔ وﻣﻌﻠﻤﺎت ﺷﺒﻜﺔ اﻟﺘﺤﻜﻢ اﻟﻤﻘﺘﺮﺣﺔ ،اﻋﺘﻤﺎدا ﻋﻠﻰ ﺧﻮارزﻣﻴﺔ ﺟﻴﻨﻴﺔ ﻣﺘﻌﺪدة اﻷهﺪاف. •
اﺳﺘﻌﻤﺎل ﻃﺮﻳﻘﺔ اﻻﻧﺤﺪار اﻟﺒﺴﻴﻂ ﻟﻠﺘﺴﻮﻳﺔ اﻟﺪﻗﻴﻘﺔ ﻟﻠﻤﻌﻠﻤﺎت. •
ﺗﺒﺴﻴﻂ ﻧﻈﺎم اﻟﺘﺤﻜﻢ ،ﻓﻌﺎﻟﻴﺘﻪ واﺳﺘﻘﺮارﻩ ﺗﻌﺘﺒﺮ آﻤﺤﺪدات رﺋﻴﺴﻴﺔ ﺗﺘﺪﺧﻞ ﻓﻲ ﺗﺤﺪﻳﺪ ﻣﻮاﺻﻔﺎت داﻟﺔ اﻟﺠﻬﺪ.
اﻟﺠﺰء اﻟﺜﺎﻧﻲ ﻳﺘﻤﺤﻮر ﺣﻮل ﺗﺸﻜﻴﻞ ﻣﻨﻬﺠﻴﺔ ﺗﺄﺧﺬ ﺑﻌﻴﻦ اﻻﻋﺘﺒﺎر ﻋﺪة ﺧﺼﺎﺋﺺ هﻴﻜﻠﻴﺔ ووﻇﻴﻔﻴﺔ ﻓﻲ ﺁن واﺣﺪ .إن ﻣﻔﻬﻮم
اﻟﻨﻤﻮذج اﻟﻤﺘﻌﺪد اﻷهﺪاف ،ﻗﺪ ،اﺳﺘﻌﻤﻞ ﻟﻠﻮﺻﻮل إﻟﻰ ﻧﻈﺎم ﺗﺤﻜﻢ ﻣﺒﻬﻢ ﻣﻊ ﺿﻤﺎن ،ﻓﻲ ﻧﻔﺲ اﻟﻮﻗﺖ ،اﺳﺘﻘﺮار ﺣﻠﻘﺔ اﻟﺘﺤﻜﻢ اﻟﻤﻐﻠﻖ.
وﺗﻘﻮم هﺬﻩ اﻟﻔﻜﺮة ﻋﻠﻰ اﻟﻌﻤﻞ ﻋﻠﻰ ﺗﺪﻧﻲ ﻋﺪد اﻟﻘﻮاﻋﺪ اﻟﻤﺒﻬﻤﺔ ﻣﻊ اﻟﺘﻌﺮﻳﻒ ﺑﻤﻨﺎﻃﻖ اﻟﻨﺸﺎط ﻟﻜﻞ ﻣﺘﻐﻴﺮات اﻟﺤﺎﻟﺔ ﻟﻠﻨﻈﺎم ﻗﻴﺪ اﻟﺪراﺳﺔ.
ﺛ ّﻢ ،ﺣﻮل هﺬﻩ اﻟﻤﻨﺎﻃﻖ ﻳﺘﻢ إﻧﺸﺎء ﻧﻤﻮذج ﻣﺘﻌﺪد اﻟﻐﺎﻳﺎت ﻋﻦ ﻃﺮﻳﻖ ﺗﺤﻮﻳﻠﻪ إﻟﻰ ﻧﻤﻮذج ﺧﻄﻲ .هﺬﻩ اﻟﻤﺮﺣﻠﺔ ﺗﻤﺜﻞ اﻟﻨﻤﺬﺟﺔ اﻟﻤﺒﻬﻤﺔ
ﻟﻠﻨﻈﺎم ﻏﻴﺮ اﻟﺨﻄﻲ .ﺗﻌﺘﺒﺮ اﻟﺨﻮارزﻣﻴﺎت اﻟﺠﻴﻨﻴﺔ اﻟﻮﺳﻴﻠﺔ اﻟﻤﺴﺘﻌﻤﻠﺔ ﻓﻲ آﻞ ﻣﺮاﺣﻞ ﺗﺸﻜﻴﻞ ﻧﻈﺎم اﻟﺘﺤﻜﻢ اﻟﻤﻘﺘﺮح .ﺗﻌﺘﻤﺪ اﻟﻤﻨﻬﺠﻴﺔ
اﻟﻤﻘﺘﺮﺣﺔ ﻋﻠﻰ ﻣﺎ ﻳﻠﻲ :
ﻣﺤﺎآﺎة ﺳﻠﻮك اﻟﻨﻈﺎم ﻗﻴﺪ اﻟﺪراﺳﺔ. •
ﺗﺤﺪﻳﺪ ﻣﺠﻤﻮﻋﺔ اﻟﻘﻮاﻋﺪ اﻟﺘﻤﻬﻴﺪﻳﺔ اﻟﻤﺒﺴﻄﺔ. •
اﻟﻨﻤﺬﺟﺔ اﻟﻤﺒﻬﻤﺔ ﻟﻠﻨﻈﺎم ﻗﻴﺪ اﻟﺪراﺳﺔ ﺑﺄﺳﻠﻮب اﻟﻨﻤﻮذج اﻟﻤﺘﻌﺪد. •
إﻳﺠﺎد ﺷﺮوط اﺳﺘﻘﺮار اﻟﻨﻈﺎم ﺑﺎﺳﺘﺨﺪام ﻃﺮﻳﻖ ﻟﻴﺎﺑﻮﻧﻮف. •
أﺧﻴﺮا ،ﻗﺪ ﺗﻢ ﺿﺒﻂ اﻟﺨﻮارزﻣﻴﺎت اﻟﺠﻴﻨﻴﺔ ﻋﻠﻰ ﻣﺴﺘﻮى هﺬﻩ اﻟﻤﺮﺣﻠﺔ آﻮﺳﻴﻠﺔ ﻟﺘﺤﺪﻳﺪ ﻋﻮاﻣﻞ ﺿﻤﺎن اﻻﺳﺘﻘﺮار ﻋﻦ اﻟﻄﺮﻳﻘﺔ
اﻟﻤﻌﺮوﻓﺔ ب . LMI
ﻧﺘﺎﺋﺞ اﻟﻤﺤﺎآﺎة ﺗﺒﺮز آﻔﺎءة و ﻓﻌﺎﻟﻴﺔ اﻟﻄﺮق اﻟﻤﻘﺘﺮﺣﺔ ﻓﻲ اﻟﺘﺤﻜﻢ اﻵﻟﻲ ﻟﻸﻧﻈﻤﺔ اﻟﺪﻳﻨﺎﻣﻴﻜﻴﺔ اﻟﻼﺧﻄﻴﺔ .ﺗﺜﻤﻴﻦ اﻟﻨﺘﺎﺋﺞ ﻳﻜﻮن ﻋﻦ
ﻃﺮﻳﻖ اﻟﻤﻘﺎرﻧﺔ ﻣﻊ اﻟﻨﺘﺎﺋﺞ اﻟﻤﺤﺼﻞ ﻋﻠﻴﻬﺎ ﺑﻌﺾ اﻟﺒﺎﺣﺜﻴﻦ ﻋﻦ ﻃﺮﻳﻖ ﺗﻘﻨﻴﺎت أﺧﺮى .
آﻠﻤﺎت ﻣﻔﺘﺎﺣﻴﻪ :اﻷﻧﻈﻤﺔ اﻟﻤﺒﻬﻤﺔ ،اﻟﺘﺤﻜﻢ اﻟﻌﺼﺒﻮﻧﻲ اﻟﻤﺒﻬﻢ ،اﻟﺨﻮارزﻣﻴﺎت اﻟﺠﻴﻨﻴﺔ ،اﻟﺘﻬﻴﺌﺔ ﻣﺘﻌﺪدة اﻷهﺪاف ،اﻟﺨﻮارزﻣﻴﺎت
اﻟﻬﺠﻴﻨﺔ ،اﻟﻨﻤﻮذج اﻟﻤﺘﻌﺪد ،PDC ،اﺳﺘﻘﺮار ﻟﻴﺎﺑﻮﻧﻮف ،اﻷﻧﻈﻤﺔ اﻟﺪﻳﻨﺎﻣﻴﻜﻴﺔ اﻟﻼﺧﻄﻴﺔ .
iii
Abstract
Abstract
The principal motivation of this work is the implementation of the capacities offered by the TIA,
as improved hybrid systems, in order to develop approaches for the synthesis of the simple, effective
and robust controller. The formulation of the design problems of the controller was made with a
combination of the fuzzy systems, neural networks and genetic algorithms techniques.
Our work milked and explains, explicitly, the problems encountered in the design phase of the
fuzzy systems. It acts, primarily, to solve :
¾ Problems of dimensioning of the rule of the fuzzy systems (its structure).
¾ Problems of parameters configuration of the fuzzy knowledge base.
¾ Problems of stability/robustness of the control loop.
The work, presented in this thesis, is articulated, primarily, around the principal axes of the
fuzzy modelling and the fuzzy controllers of TS1-type for the strongly, nonlinear complexe systems.
Initially, we aim to synthesize a law of stable and robust fuzzy controller. To satisfy this
objective, a control strategy will be developed and proposed. We anticipate, also, the use of the
technique of fuzzy neural networks hybridization. The fuzzy RBF topology extended to the
approximate TS1 - type is, also, suggested and used. Moreover, one plans to develop and insert an
effective hybrid algorithm for an optimization structural and parametric of fuzzy RBF controller
suggested. Two stages of training are, also, considered and developped :
¾ A global optimization, based on the multi objective genetic algorithm, from the structure &
parameters design of the network controller will be developed and applied.
¾ The use of the gradient descent technique is anticipated for a fine-tuning of the parameters
of the consequences part of the rules.
The simplicity of the control law, the effectiveness, the stability and the robustness are going to
be regarded as a significant factors intervening in the performance criterion to be optimized.
In the second phase, our research consists to develop a methodology of synthesis allowing to
consider, explicitly and simultaneously, several structural and functional specifications. The multi
model concept is exploited for the synthesis of a fuzzy control law while ensuring closed loop
stability. The idea consists in determining a reduced set of rules with the definition of the operation
zones (membership function) for each state variable of the system. Around these zones, the multi
model will be established by the linearization of the model of the system. This phase represents the
fuzzy modelling of the nonlinear system. The entire behaviour results from the "fusion", by the
formalism of TS, of the set of the local behaviours. The genetic algorithms represent the optimization
tool intervening in all the stages of synthesis of the control law. The algorithm developped in this
contribution consists of :
¾ Simulation of the behaviour of the studied process.
¾ Initialization of the reduced rule base.
¾ Fuzzy modelling of the process by the multi model approach.
¾ Establishment of the stability conditions of the complete model by the Lyapunov technique.
The genetic approach is adapted in this last stage. The LMI method is replaced by a genetic
exploration of the space of research of the parameters to justify the stability conditions.
For each control structure, results of simulation will be presented to show and justify the desired
performances. The validation of our results will be confronted with those obtained by other referred
techniques.
Key words :
Fuzzy systems, Fuzzy neural controller, Genetic algorithms, Multiobjective optimization, Hybrid
learning, Multimodel, PDC, Stability & robustness, Nonlinear systems.
iv
Résumé
Résumé
La motivation principale de ce travail est la mise en oeuvre des capacités offertes par les
TIA, en tant que systèmes hybrides améliorés, en vue de développer des approches pour la synthèse
des lois de commande simples, efficaces et robustes. La formulation des problèmes de commande a
été faite avec une combinaison des SIF, des RNA et des AG. Notre travail traite et explique,
explicitement, les problèmes rencontrés dans la phase de conception des SIF. Il s’agit,
essentiellement, de :
¾ Problèmes de dimensionnement de la base des règles floues du SIF (sa structure).
¾ Problèmes de configuration des paramètres de la base de connaissances.
¾ Problèmes de stabilité/robustesse de la boucle de contrôle.
Les travaux, présentés dans cette thèse, s’articulent, essentiellement, autour des principaux
axes de la modélisation et de la commande floue du type TS1 pour des systèmes, fortement, non
linéaires complexes.
En premier lieu, on vise à synthétiser une loi de commande floue stable et robuste. Pour
satisfaire cet objectif, une stratégie de commande va être développée et proposée. Nous anticipons,
aussi, l’emploi de la technique de l’hybridation neuronale floue. La structure RBF - floue étendue
au raisonnement approximatif du type TS1 est, elle - aussi, proposée et utilisée. De plus, on
envisage à développer un algorithme hybride efficace pour une optimisation structurelle et
paramétrique du contrôleur RBF - flou proposé. Deux étapes d’apprentissage sont, aussi,
évoquées :
¾ Une optimisation globale, basée sur un algorithme de type AG multiobjectif, de
l’ensemble structure & paramètres du réseau contrôleur va être développée et appliquée.
¾ L’utilisation de la technique de la descente du gradient est anticipée pour un réglage plus
fin des paramètres des conséquences des règles.
La simplicité de la loi de commande, l’efficacité, la stabilité et la robustesse vont être
considérées comme facteurs intervenant dans le critère des performances à optimiser.
En seconde phase, notre recherche consiste à développer une méthodologie de synthèse
permettant la prise en compte, explicite et simultanée, de plusieurs spécifications structurelles et
fonctionnelles. Le concept du multimodèle est exploité pour la synthèse d’une loi de commande
floue tout en assurant la stabilité en BF. L’idée consiste à déterminer un ensemble réduit de règles
avec la définition des zones de fonctionnement (fonction d’appartenance) pour chaque variable
d’état du système. Autour de ces zones sera établi le multimodèle par la linéarisation du modèle de
système. Cette phase représente la modélisation floue du système non linéaire. Le comportement
global résulte de la « fusion » par le formalisme de TS de l’ensemble des comportements locaux.
Les AG représentent l’outil d’optimisation intervenant dans toutes les étapes de synthèse de la loi
de commande. L’algorithme développé dans cette contribution consiste en :
¾ Simulation du comportement du procédé à étudier.
¾ Initialisation de la base des règles réduite.
¾ Modélisation floue du procédé par l’approche multimodèle.
¾ Etablissement des conditions de stabilité du modèle complet par l’approche énergétique
de Lyapunov.
L’approche génétique est adaptée dans cette dernière étape. La méthode LMI est remplacée
par une exploration génétique de l’espace de recherche des paramètres justifiant les conditions de la
stabilité.
Pour chaque structure de commande, des résultats de simulation vont être présentés pour montrer
et justifier les performances désirées. La validation de nos résultats sera confrontée à ceux obtenus par
d’autres techniques citées en références.
Mots – clés :
Systèmes flous, Commande neuronale floue, Algorithmes génétiques, Optimisation
multiobjectif, Algorithmes hybrides, Multimodèle, PDC, Stabilité & robustesse, Systèmes non
linéaires.
v
Table des matières
Remerciements i
ﻣﻠﺨﺺ iii
Abstract iv
Résumé v
Liste des tableaux ix
Liste des figures x
Liste des acronymes xiii
Introduction générale 1
Chapitre 1
Outils de conception : Structurels & fonctionnels
1. Introduction……………………………………………………………..14
1.1. Systèmes d’Inférence Floue………………………………………………14
1.1.1. Introduction……..…………………………………………………………...14
1.1.2. Ensembles flous…………………………………………………….……….15
1.1.2.1. Partition floue ………...…………………………………………...16
1.1.2.2. Intersection…………………........……………….………..............16
1.1.2.3. Union……………........…………………………………................16
1.1.3. Inférences floues.……………….……………………………… ..................19
1.1.4. Système de contrôle flou….............................................................................20
1.1.5. Propriétés de la base de règles.….………….………………………….........24
1.1.6. Conclusions….………………………………………………………………28
1.2. Réseaux de Neurones Artificiels…………………………………………28
1.2.1. Généralités sur le connexionnisme………………………………………….28
1.2.2. Modélisation d’un PMC………………………………….............................33
1.2.3. Apprentissage des paramètres d’un PMC…………………………………...35
1.2.4. Conclusions.……………………..…………………………………………..39
1.3. Algorithmes Génétiques…………………………………………………..39
1.3.1. Introduction…………………………………………………….....................39
1.3.2. Principe de fonctionnement des AG.………………………………..............39
1.3.3. Codage………………………………………………………………………41
1.3.4. Evaluation…………………………………………………………………...42
1.3.5. Mécanisme d’un AG standard………………………………………………44
1.3.5.1. Sélection…………………………….……………………..............44
a. Sélection par roue de fortune………………………………….44
b. Sélection par rang……………………………..........................44
c. Sélection aléatoire……………………………………………..44
vi
Table des matières
Chapitre 2
Techniques Intelligentes : Vers une approche hybride
2.1. Introduction……..…………………………………………………................57
2.2. Outils de conception……………………………………………….................57
2.2.1. Optimisation des SIF par les AG………………………….…..............63
2.2.2. RNF : Une approche hybride ……........................................................65
2.2.2.1. Modèles basés sur le raisonnement de TS…………..............67
a. Modèles statiques………….…………………………….67
a.1. Modèle ANFIS.............................................67
a.2. Modèle GARIC……………………………69
a.3. RBF-flou…………......................................70
a.4. Modèle SANFIS….......................................72
b. Modèles dynamiques……………………………………73
b.1. Modèle RFNN……………..........................73
b.2. Modèle TSRFNN……….............................75
b.3. Modèle DFNN…………………………….77
b.4. Modèle TRFN……………..........................80
b.5. Modèle RFCMAC…………………………83
2.2.2.2. Modèles basés sur le raisonnement de Mamdani……………85
a. Modèles statiques………………………..........................85
a.1. Modèle FLP………………………………..85
a.2. Modèle NEFPROX………..........................87
b. Modèles dynamiques……………………………………88
b.1. Modèle RSONFIN………………………...88
b.2. Modèle FALCON…………………………90
2.2.2.3. Modèle de Tsukamoto : TNFIN………..……………………92
2.3. Association série-parallèle …………………………………………………..84
2.3.1. Association série……………….………………………….…..............84
2.3.2. Association parallèle..………….………………………….…..............95
2.4. Conclusions………….......................................................................................95
vii
Table des matières
Chapitre 3
Synthèse d’une loi de commande floue à configuration minimale
3.1. Introduction……..…………………………………………………................99
3.2. Méthodes de réduction de la base des règles floues…………......................99
3.3. Synthèse de la loi de commande…………………………………………...103
3.4. Processus de conception……………………………………………………115
3.4.1. Position du problème ………………………….….............................115
3.4.2. Méthode d’optimisation ……..............................................................118
3.4.2.1. Optimisation génétique …………........................................119
a. Caractéristiques fondamentales ………………………..120
b. Critère de performances………………………………..124
3.4.2.2. Apprentissage fin…………………………………………..131
3.5. Simulations………………………………………………………………….133
3.5.1. Commande de la température d’un bain (Contrôleur NL-P)...............133
3.5.2. Commande du pendule inversé (Contrôleur NL-PD)..........................137
3.5.2.1. Commande en régulation………………………………….139
3.5.2.2. Commande en poursuite..………………………………….142
3.5.3. Commande d’un robot manipulateur à 2 degrés de liberté (NL-PI)....144
3.5.3.1. Introduction……….………………………………………..144
3.5.3.2. Description du bras manipulateur………………………….144
3.5.3.3. Synthèse de la loi de commande…………………………..146
3.6. Conclusions…………….................................................................................150
Chapitre 4
Concept de multimodèle : De l’analyse à la synthèse des SIF
4.1. Introduction……..………………………………………………..................156
4.2. Concept de multimodèle …………………………………………………...157
4.3. Méthodes d’analyse de la stabilité ………………………………………...159
4.3.1. Méthodes basées sur l’approche de Lyapunov ……………………...160
4.3.2. Passage d’un modèle non linéaire à un modèle flou de TS………….160
4.3.3. Analyse de la stabilité………………………………………………..162
4.4. Méthodologie de synthèse………………………………………………….167
4.5. Simulation....……………………………………………………..................172
4.5.1. Commande d’un bioprocédé de traitement des eaux usées.................172
4.5.1.1. Généralités............................................................................172
4.5.1.2. Modèle du bioprocédé…………………………………......174
4.5.1.3. Elaboration d’un jeu de données entrée-sortie…………….176
4.5.1.4. Stratégie de modélisation multimodèle …………………...179
4.6. Conclusions…………....................................................................................185
Annexe A 191
Annexe B 192
Références bibliographiques 193
viii
Liste des tableaux
ix
Liste des figures
x
Liste des figures
xi
Liste des figures
xii
Liste des acronymes
AE Algorithmes Evolutionnaires
AEN Action Evaluation Network
ANFIS Adaptive Neural Fuzzy Inference System
AG Algorithme(s) Génétique(s)
AGM Algorithme Génétique Multiobjectif
ASIC Application-Specific Integrated Circuit
ASN Action Selection Network
BF Boucle Fermée
BIBO Bound Input-Bound Output
BMI Bilinear Matrix Inequality (Inégalité Matricielle Bilinéaire)
BP-ALM BP with Adaptive Learning Rate and Momentum coefficient
CANFIS Coactive Adaptive Neural Fuzzy Inference System
CDF Compensation et Division pour modèles Flous
CGA Chaos-Genetic Algorithm
CSGA Chaos-Search Genetic Algorithm
CSTR Exothermic Continuous Stirred Tank Reactor
DFNN Dynamic Fuzzy Neural Network
DOF Degree Of Freedom
DSP Digital Signal Processing
FALCON Fuzzy Adaptive Learning Control Network
FCM Fuzzy-C-Means
FIR Finite Impulse Response
FPGA Field-Programmable Gate Array
GARIC Generalized Approximate Reasoning based Intelligent Control
G-FGS Generalized Fransconi-Gori-Soda neurons
IAE Integral of Absolute Error
ITAE Integral of the Time weighted Absolute Error
IMC Internal Model Control
IIR Infinite Impulse Reference
LF Logique Floue
LMI Linear Matrix Inequality (Inégalité Matricielle Linéaire)
LSE Least Square Estimation
MGA Multiobjective Genetic Algorithms
MIMO Multiple Input Multiple Output (Entrée Multiple Sortie Multiple)
MPG Modus Ponens généralisé
NB Negative Big
xiii
Liste des acronymes
xiv
Introduction générale
A – Etude préliminaire
La conception et la mise en oeuvre des systèmes de modélisation et de contrôle
avancées des procédés industriels complexes sont des tâches indéniables et nécessaires
face aux exigences des nouveaux développements technologiques. La complexité de ces
procédés exige la construction des algorithmes, étroitement, adaptés aux situations
critiques et même très critiques.
Deux modes de contrôle automatique des procédés sont, perpétuellement, convoités :
• Les premiers, dits conventionnels, sont basés sur les mathématiques de
l’ensemble contrôleur/procédé.
• Les seconds sont au centre d'une discipline scientifique, relativement, nouveaux
et en tout cas controversée, qu'on appelle les techniques de l'intelligence
artificielle « TIA ». Les TIA caractérisent l’ensemble des algorithmes et
techniques, connues aussi sous l’appellation anglophone de « soft computing »,
introduites par L.A. Zadeh en 1994, comme un moyen de construire des systèmes
intelligents répondant:
¾ Aux obligations d’efficacité, de robustesse, de facilité d’implémentation.
¾ A l’optimisation de coûts temporels, énergétiques, financiers, …etc.
Ces nouvelles techniques doivent prendre, aussi, en compte la présence de la
composante humaine et surtout de son expérience dans les systèmes à étudier et à analyser
[1]. Les principales techniques sont : La logique floue « LF », les réseaux de neurones
« RNA » et les algorithmes génétiques « AG » [2] - [4]. Les 2 premiers éléments des
TIA « RNA & LF » tentent à modéliser le fonctionnement du cerveau humain. Les RNA
tentent à modéliser l’architecture neuronale du cerveau. Les systèmes flous, quant à eux,
modélisent son mode de fonctionnement (raisonnement) : Apprentissage et déduction. Par
contre, les AG servent à modéliser le processus de l’évolution génétique des espèces
vivants.
Ces dernières années, le développement de nouveaux concepts ou méthodologies et
algorithmes, dans le domaine de l’intelligence artificielle, a fourni des outils alternatifs
pour aborder le problème de modélisation et de contrôle des systèmes non linéaires
(sciences de l’ingénieur). Le but visé par les chercheurs est de construire des systèmes
artificiels qui retiennent les mécanismes importants des systèmes naturels.
L’accroissement de la robustesse, le contrôle non linéaire et le contrôle adaptatif sont
des principaux objectifs pris en charge par de nouvelles stratégies de contrôle. Elles
mettent en œuvre des méthodes avancées de contrôle. Les algorithmes de contrôle
intelligent figurent parmi les nouvelles tendances de contrôle des systèmes complexes.
L’application des TIA ainsi que leurs hybridations, pour la modélisation et la
commande des systèmes fortement non linéaires, peuvent fournir des solutions bien
adaptées à la complexité des procédés industriels.
La logique floue excelle dans la représentation de connaissances imprécises ou
incomplètes [2]. Elle constitue une interface commode pour la modélisation du langage
naturel, en particulier des concepts linguistiques utilisés par les experts d’un procédé. Pour
la gestion des procédés complexes, l’expert se heurte à la difficulté de formalisation des
règles. Les données expérimentales (numériques) constituent une source de connaissance
1
Introduction générale
B – Formulation du problème
Cette étude consiste à la mise en évidence des propriétés et des avantages des TIA
pour la synthèse des lois de commandes floues des systèmes dynamiques. Ces lois assurent
la stabilité et la robustesse des structures de commande par rapport aux perturbations de
différentes formes qui peuvent être dues, soit, aux perturbations environnementales de
fonctionnement soit aux problèmes d’exploitation internes. La synthèse d’une loi de
commande se fait, généralement, en 3 étapes :
• Elaboration d’un modèle de commande.
• Détermination de la structure et des paramètres d’un contrôleur en fonction des
performances désirées.
• Mise en œuvre de l’algorithme de contrôle.
2
Introduction générale
3
Introduction générale
C – Objectifs de ce travail
Les travaux présentés dans cette thèse ont pour objectif de montrer les capacités des
SIF :
• A commander les systèmes complexes.
• De modéliser les dynamiques de ces systèmes.
• De concevoir des structures de commande non linéaires stables et robustes.
Notre travail a été motivé par les problèmes rencontrés dans la phase de conception
des SIF. Il s’agit, essentiellement, de résoudre les :
• Problèmes de dimensionnement de la base des règles floues du SIF, c’est-à-dire,
sa structure.
• Problèmes de configuration des paramètres de la base de connaissances.
• Problèmes de stabilité/robustesse de l’ensemble contrôleur/procédé à commander.
D – Contributions
En premier lieu, le problème de modélisation consiste à choisir une structure
appropriée du SIF puis à concevoir des lois d’ajustement des paramètres satisfaisant un
critère de performances prédéterminé par le concepteur.
La première contribution de cette thèse concerne l’établissement d’une loi de
commande floue efficace, stable & robuste. Le choix du type de raisonnement, les
contraintes conceptuelles, la méthode d’optimisation, le mode de représentation des
informations et le critère des performances désirées sont des facteurs significatifs
intervenant dans la phase de conception. Une RBF-floue à structure minimale a été
développée. L’apprentissage hybride intégrant une couche d’optimisation génétique suivie
par une descente du gradient permet d’avoir un compromis entre structure optimale &
paramètres optimaux. Dans ce cas, la fonction à optimiser tient compte des performances
du système à évaluer, de la complexité de la structure de contrôle et de l’effort énergétique
à appliquer.
L’inclusion des termes structurels (nombre des règles) dans le critère des
performances à minimiser en plus des termes fonctionnels (erreurs de poursuite, efforts
4
Introduction générale
5
Introduction générale
représentent l’outil d’optimisation intervenant dans toutes les étapes de synthèse de la loi
de commande. L’algorithme développé dans cette contribution consiste en :
• Simulation du comportement du procédé à étudier. Cette opération nous permet
de déterminer, approximativement, la plage de variation des variables d’état
décrivant le comportement dynamique du système.
• Initialisation de la base de règles. Cette étape ne concerne que la partie
commande par retour d’état du type PDC. Dans cette phase, l’algorithme
d’optimisation développé dans la première contribution avec quelques
modifications permet de trouver :
¾ Un nombre minimal de règles floues assurant un degré de l’efficacité de la
loi de commande par retour d’état.
¾ Définition des fonctions d’appartenance (zones de fonctionnement)
intervenant dans la détermination des points de fonctionnement.
• Modélisation floue du procédé. La procédure consiste en la construction des
modèles locaux du système par linéarisation de modèle du système autour des
points de fonctionnement prédéterminés. Ces points sont déterminés à partir de la
partie prémisse qui est commune entre le contrôleur et le modèle. Les centres des
fonctions d’appartenance (zones de fonctionnement) correspondants aux
définitions des variables d’état représentent les points de fonctionnement autour
duquel la linéarisation sera établie.
• Etablissement des conditions de stabilité du modèle complet. L’approche
génétique est adaptée dans cette étape. La méthode LMI est remplacée par une
exploration génétique de l’espace de recherche des paramètres justifiant les
conditions de stabilité.
La méthode proposée permet d’établir la synthèse d’une loi de commande et de
donner des conditions suffisantes de stabilité du modèle en BF. Le nombre minimal de
règles (resp. le nombre des modèles locaux capables de représenter, convenablement, le
système non linéaire) est l’avantage de l’algorithme développé. Pour illustrer les
performances de l’algorithme proposé pour la synthèse d’une loi de commande floue tout
en assurant la stabilité en BF, nous considérons la commande en poursuite d’un bioprocédé
de traitement des eaux usées dans l’industrie du papier.
E – Organisation du travail
Ce mémoire, décomposé en 4 chapitres, est organisé de la façon suivante :
Un premier chapitre, consacré intégralement aux notions et aux outils utilisés le long
de ce travail, met l'accent sur les principales notions théoriques et pratiques des techniques
intelligentes : La LF, les RNA et les AG. L'objectif est de fournir un cadre pour les
recherches menées dans cette thèse. Ce chapitre, de nature théorique, porte tout d’abord sur
l’étude approfondie des caractéristiques des TIA dans le but d’analyser leur capacité
d’approximation et d’optimisation des fonctions. Après avoir introduit des concepts de
base concernant la structure générale et les différents types des modèles flous, nous avons
étudié plus, particulièrement, les caractéristiques structurelles et paramétriques des ces
modèles. Par la suite, nous présentons les caractéristiques fondamentales des RNA. La
topologie du réseau, les fonctions d’activation des neurones, le seuil de ces fonctions et
l’algorithme d’apprentissage utilisé sont des facteurs significatifs dans l’emploi des
modèles connexionnistes. Nous avons aussi exposé, en détail, les différentes étapes
nécessaires à l’exécution d’un AG : Configuration paramétriques, initialisation de la
population, évaluation, sélection pour la reproduction, test d’arrêt. Les améliorations de
l’AG de base, pour l’aider à se converger vers une solution optimale, ont, elles – aussi, été
6
Introduction générale
évoquées. Pour chaque technique, nous avons exposé un état de l’art des propositions pour
l’amélioration des performances.
Par contre, le deuxième chapitre est dédié aux modes d’hybridation SIF-AG, SIF-
RNA et SIF-RNA-AG. Un état de l’art bien détaillé des méthodes de modélisation des SIF
est effectué. Nous avons commencé par les différentes techniques d’optimisation des SIF
par les AG. Ensuite, l’accent est mis sur les différentes structures de réseaux neuronaux -
flous «RNF», développées au cours de ces dernières années, alliés avec leurs algorithmes
d’apprentissage.
Ensuite, une partie du fruit de cette étude est couronnée par le troisième chapitre. Ce
dernier est consacré à la description d’une méthodologie de synthèse d’une loi de
commande simple, efficace, stable et robuste pour le contrôle des systèmes, fortement, non
linéaires et complexes. La stratégie de commande proposée dans ce chapitre repose sur le
concept d’hybridation neuronale - floue. Un réseau RBF-flou étendu au raisonnement
approximatif du type Takagi-Sugeno d’ordre 1 est utilisé. Un algorithme hybride est
employé pour une optimisation structurelle et paramétrique du contrôleur proposé. La
simplicité de la loi de commande, l’efficacité, la stabilité et la robustesse sont des facteurs
intervenant dans le critère des performances à optimiser. Les détails de la mise en œuvre et
des exemples d’application (la température d’un bain, le pendule inversé et le robot
manipulateur à 2 degrés de liberté) sont utilisés pour justifier la validité de l’approche
proposée.
Enfin, l’essence de la thèse se concrétise dans le quatrième chapitre. Il est dédié à
l’étude de l’approche multimodèle qui permet de représenter un système dynamique non
linéaire comme une combinaison d’un ensemble de modèles linéaires conçus dans des
zones de fonctionnement. Les modèles de TS sont bien adaptés à ce type de représentation.
La synthèse d’un SIF par l’analyse de la stabilité de systèmes dynamiques en BF, utilisant
le concept de multimodèle a été adaptée et considérée comme outil de conception. Une
stratégie de synthèse a été développée dans ce chapitre. Une exploration génétique de
l’espace de recherche structurelle et paramétrique a été exploitée pour la synthèse d’une loi
de commande floue assurant la précision, l’efficacité, la simplicité et la stabilité. Pour
illustrer la validité de l’algorithme proposé, un exemple de systèmes non linéaires du type
MIMO est examiné. Les résultats de simulations justifient la capacité de l’algorithme
développé de réaliser les objectifs visés par le concepteur.
Il est à souligner que tous les algorithmes proposés dans cette thèse, aussi modeste
qu’elle soit, assurent la stabilité et la robustesse des structures de commande par rapport
aux perturbations et aux erreurs d’approximations.
Finalement, et pour clôturer ce mémoire, nous présentons quelques conclusions tout
en synthétisant les différentes contributions et en discutant des perspectives et propositions
envisagées pour poursuivre cette recherche.
Les liens entre les différents chapitres constituant cette thèse sera représentée par la
figure arborescente suivante :
7
Introduction générale
CHAPITRE 1
INTRODUCTION GENERALE
CHAPITRE 2
CHAPITRE 3
CHAPITRE 4
[3]. A. Soukkou, S. Leulmi, A. Khellaf, “Systematic Design and Hybrid Learning of Robust
Fuzzy Neural Network Network Controller with Reduced Rule Base”, International Journal
of Hybrid and Intelligent Systems (IJHIS), Vol. 4, No. 2, June 2007, pp. 63-88. (IOS Press
Publisher)
ISSN: 1448-5869.
http://ijhis.hybridsystem.com/
Abstracting/ indexing
• CompuScience.
• Computer & Communications Security.
• Abstracts Database.
• SCOPUS.
• ACM Computing Reviews.
• Zentralblatt Math.
• ACM Guide to Computing Literature.
8
Introduction générale
• DLBP.
• COMPEDEX PLUS.
• COMPUTER ABSTRACTS.
• EBSCO’s Database.
[5]. A. Soukkou, S. Leulmi, A. Khellaf, “How to Optimize the TS-Fuzzy Knowledge Base to
Achieve a Desired Performances: Accuracy and Robustness”, International Journal of
Optimal Control Applications and Methods (OCAM), Vol. 29, No. 1, 2008, pp. 19-40.
(Interscience - Wiley Publisher).
Online ISSN : 1099-1514
Print ISSN : 0143-2087
http://www3.interscience.wiley.com/journal/2133/home
Abstracting/ indexing
• Cambridge Scientific Abstracts (CSA/CIG).
• COMPENDEX (Elsevier).
• CompuMath Citation Index® (Thomson ISI).
• CSA Technology Research Database (CSA/CIG).
• Current Contents®/Engineering, Computing & Technology (Thomson ISI).
• Current Index to Statistics (ASA/IMS).
• INSPEC (IET).
• Journal Citation Reports/Science Edition (Thomson ISI).
• Mathematical Reviews/MathSciNet/Current Mathematical Publications (AMS).
• Science Citation Index Expanded™ (Thomson ISI).
• SCOPUS (Elsevier).
• Statistical Theory & Method Abstracts (International Statistical Institute).
• Web of Science® (Thomson ISI).
• Zentralblatt MATH/Mathematics Abstracts (FIZ Karlsruhe).
9
Introduction générale
• EI Compendex.
• INSPEC (IET).
[7]. Soukkou, A. Khellaf, S. Leulmi, “Reduced Rule Base + Hybrid Learning = Robust and
Optimal Fuzzy Controller”, International Applied Soft Computing, Elsevier, (Revised form
October 2007). Revised Paper has been submitted, Elsevier Edition.
ISSN: 1568-4946
Abstracting/ indexing
• CompuMath Citation Index.
• Current Contents/Engineering, Computing & Technology.
• SCI Expanded.
• Scopus.
[10]. A. Soukkou, A. Khellaf and S. Leulmi, “Control of Overhead Crane by Fuzzy-PID with
Genetic Optimization”, Artificial Intelligence Applications and Innovations: IFIP 18th
World Computer Congress TC12 First International Conference on Artificial Intelligence
Applications and Innovations, (AIAI-2004), 22–27 August 2004 Toulouse, France, pp. 67-
80.
Editors = Max Bramer & Devedzic, Vladan ;
Publisher Info = Boston, Mass.; London: Kluwer Academic Publishers, c2004;
Year = {2004};
ISBN: 1-4020-8150-2
10
Introduction générale
11
Chapitre 1
Outils de Conception :
Structurels et Fonctionnels
Résumé :
L 'objectif de ce chapitre est de fournir un cadre pour les travaux menés dans cette
thèse, qui met l'accent sur les principales notions théoriques et pratiques des
techniques intelligentes : la logique floue, les réseaux de neurones et les algorithmes
génétiques.
Sydney J. Harris
12
Sommaire
1. Introduction………………………………………………………………..14
1.1. Systèmes d’Inférence Floue………………………………………………14
1.1.1. Introduction……..…………………………………………………………...14
1.1.2. Ensembles flous…………………………………………………….……….15
1.1.2.1. Partition floue ………...…………………………………………...16
1.1.2.2. Intersection…………………........……………….………..............16
1.1.2.3. Union……………........…………………………………................16
1.1.3. Inférences floues.……………….……………………………… ..................19
1.1.4. Système de contrôle flou….............................................................................20
1.1.5. Propriétés de la base de règles.….………….………………………….........24
1.1.6. Conclusions….………………………………………………………………28
1.3.1. Introduction…………………………………………………….....................39
1.3.2. Principe de fonctionnement des AG.………………………………..............39
1.3.3. Codage………………………………………………………………………41
1.3.4. Evaluation…………………………………………………………………...42
1.3.5. Mécanisme d’un AG standard………………………………………………44
1.3.5.1. Sélection…………………………….……………………..............44
a. Sélection par roue de fortune………………………………….44
b. Sélection par rang……………………………..........................44
c. Sélection aléatoire……………………………………………..44
d. Sélection par compétition ……..……………………………...45
1.3.5.2. Reproduction………………………………………………………45
a. Opérateurs de croisement………………...................................45
a.1. Croisement simple……………………………..45
a.2. Croisement arithmétique simple………………46
a.3. Croisement arithmétique entier………………..46
a.4. Croisement heuristique………………………...46
b. Opérateurs de mutation………………………………………..46
b.1. Mutation uniforme…………………………….47
b.2. Mutation non uniforme………………………..47
b.3. Mutation dans les bornes……………………...48
b.4. Mutation gaussienne…………………………..48
b.5. Mutation chaotique……………………………48
1.3.6. Amélioration des performances de l’AG standard…………………………..49
1.3.7. Conclusions……………………………………………………….................53
1.4. Conclusions………………………………………………………………………..54
13
1. Outils de conception :
Structurels & fonctionnels
1. Introduction
Le soft computing a été introduit par L. A. Zadeh en 1994 comme un moyen de
construire des systèmes intelligents répondant à des obligations d’efficacité, de robustesse,
de facilité d’implémentation et d’optimisation de coûts temporels, énergétiques, financiers,
…etc., tout en prenant en considération la composante humaine, généralement, présente
dans les systèmes [1].
Ses principales composantes dites aussi techniques intelligentes en sont la logique
floue, inspirée du processus de raisonnement approximatif des êtres humains, les réseaux
neuronaux artificiels et des méthodes d’optimisation telles que les algorithmes génétiques.
• La logique floue part, essentiellement, de la notion de variable linguistique. Ce
type de variables sert à modéliser des connaissances imprécises ou incomplètes.
• Les réseaux de neurones artificiels se basent sur l’apprentissage, en simulant le
raisonnement humain.
• Les AG sont des algorithmes stochastiques fondés sur les mécanismes de
l’évolution génétique des espèces, plus précisément, du principe de la sélection
naturelle. Ils sont destinés à la recherche optimale des solutions.
Depuis le début des années 1990, ces techniques intelligentes font leur entrée dans les
sciences de l’ingénieur. Le but visé par les chercheurs est de concevoir des systèmes
artificiels qui retiennent les mécanismes importants des systèmes naturels.
Le reste du chapitre est consacré à la description des éléments de base de la théorie
des systèmes flous, des réseaux de neurones artificiels et les algorithmes génétiques. Ces 3
concepts constituent la plateforme pour les différents travaux exposés dans cette thèse.
14
Chapitre 1 Outils de conception : Structurels & fonctionnels
µ A ( x ) : X → [0, 1] (1.1)
η ( A) = { x ∈ X µ A ( x ) = 1 } (1.2)
s ( A) = { x ∈ X µ A ( x ) > 0 } (1.4)
µ A (x )
A
1
h( A )
0 x∈ X
η ( A)
s ( A)
Univers de discours
15
Chapitre 1 Outils de conception : Structurels & fonctionnels
N
∀x ∈ X , ∑ µ Ai ( x ) = 1 (1.5)
i =1
L’univers de discours est dit aussi espace caractéristique ou espace de décision. L’un
des intérêts essentiels de la notion d’ensemble flou réside dans la possibilité d’étendre les
opérateurs ensemblistes usuels, tels que l’intersection, l’union et la complémentation. Si A
et B sont 2 sous ensembles flous de Ω , on pose généralement :
1.1.2.2. Intersection
A et B sont 2 sous ensembles flous définis dans le référentiel X avec des degrés
d’appartenance µ A ( x ) et µ B (x ) , respectivement. L’intersection entre A et B est aussi un
sous ensemble flou défini par :
A ∩ B = { ( x, µ A∩ B ( x )) x ∈ X } (1.9)
µ A∩ B ( x ) = µ A ( x ) ∧
~ µ (x )
B (1.10)
1.1.2.3. Union
L’union entre A et B est donnée par :
16
Chapitre 1 Outils de conception : Structurels & fonctionnels
A ∪ B = { ( x, µ A∪ B ( x )) x ∈ X } (1.11)
µ A∪ B ( x ) = µ A ( x ) ∨
~ µ (x )
B (1.12)
Type t-norme
Min µ Am∩ B ( x ) = min (µ A ( x ), µ B ( x ))
Produit algébrique µ Aa ∩ B ( x ) = µ A ( x ).µ B (x )
Différence bornée µ bA∩ B ( x ) = max(0, µ A ( x ) + µ B ( x ) − 1)
µ A (x ).µ B (x )
Produit d’Einstein µ AE∩ B (x ) =
2 − (µ A (x ) + µ B (x ) − µ A (x ).µ B (x ))
µ A (x ).µ B (x )
Produit d’Hamasher µ AH∩ B (x ) =
µ A (x ) + µ B (x ) − µ A (x ).µ B (x )
(a)
Type t-conorme
Max µ Am∪ B (x ) = max(µ A (x ), µ B (x ))
Somme algébrique µ Aa ∪ B(x ) = µ A (x ) + µ B (x ) − µ A (x ).µ B (x )
Somme bornée µ bA∪ B (x ) = min(1, µ A (x ) + µ B (x ))
µ (x ) + µ B (x )
Somme d’Einstein µ AE∪ B (x ) = A
1 + µ A (x ).µ B (x )
µ A ( x ) + µ B ( x ) − 2µ A ( x ).µ B ( x )
Somme d’Hamasher µ AH∩ B ( x ) =
1 − µ A ( x ).µ B ( x )
(b)
Dans [20], les auteurs utilisent l’intersection ‘t-norme’ de Yager définie par la
fonction :
⎛
( ) ⎞
1
µ YA∩ B (x ) = 1 − min⎜⎜1, (1 − µ A (x ))w + (1 − µ B (x ))w w ⎟
⎟
(1.13)
⎝ ⎠
avec w ∈ [0, + ∞[ . Une méthode d’optimisation est adoptée pour le choix d’une meilleure
stratégie de t-norme. Il est remarquable que si :
17
Chapitre 1 Outils de conception : Structurels & fonctionnels
w → ∞, µ YA∩ B ( x ) = µ Am∩ B ( x )
⎧min (µ A ( x ), µ B ( x )) si max(µ A ( x ), µ B ( x )) = 1
w → 0, µ YA∩ B ( x ) = ⎨ (1.14)
⎩0 autrement
w = 1, µ YA∩ B ( x ) = µ Ab ∩ B ( x )
Exemple 1.1 :
Considérons la variable taille définie sur l’ensemble des réels ℜ + et caractérisée par
les ensembles flous (labels linguistiques) { P, M , G } où P désigne Petite, M est
l’abréviation de Moyenne et G caractérise la notion Grande, respectivement. La variable
{
taille est, alors, représentée par le triplet suivant : taille, ℜ + , { P, M , G } . }
Les codes P, M et G représentent les variables linguistiques (les fonctions
d’appartenance) qui décrivent l’état ou le comportement du phénomène (ou du procédé) à
étudier. D’après la figure 1.2, une personne mesurant 136 cm est de taille Petite avec un
degré d’appartenance 0.4 et de taille Moyenne avec un degré d’appartenance 0.6.
µ (taille )
taille Variable floue
P M G Variables linguistiques
1
0.6 Fonctions d’appartenance
0.4
Les fonctions d’appartenance peuvent avoir différentes formes, mais il est judicieux
de choisir des fonctions convexes de sorte qu’il existe au moins un point de degré maximal
et tel que le degré décroît, lorsqu’on s’éloigne de ce maximum. Les modèles/formes des
fonctions d’appartenance les plus, couramment, utilisées sont données par le tableau 1.2 et
la figure 1.3.
18
Chapitre 1 Outils de conception : Structurels & fonctionnels
Triangulaire ⎛ ⎛ x−a c− x⎞ ⎞
F (x; a, b, c ) = max⎜⎜ min⎜ , ⎟ , 0 ⎟⎟
(Fig. 1.3a) ⎝ ⎝b−a c−b⎠ ⎠
Trapézoïdale ⎛ ⎛x−a d − x⎞ ⎞
F (x; a, b, c, d ) = max⎜⎜ min⎜ , 1, ⎟, 0 ⎟
(Fig. 1.3b) ⎝ ⎝b−a d − c ⎠ ⎟⎠
Gaussienne ⎛ ⎛ x − c ⎞2 ⎞
F (x; δ , c ) = exp⎜ − ⎜ ⎟ ⎟
(Fig. 1.3c) ⎜ ⎝ σ ⎠ ⎟
⎝ ⎠
1
Sigmoïde F (x; a, c ) =
(Fig. 1.3d) 1 + exp(− a(x − c ))
1
Cloche F (x; a, b, c ) = 2b
x−c
(Fig. 1.3e) 1+
a
a<0 a>0
σ
x x x x x
a b c d c c−a c c+a
a b c
19
Chapitre 1 Outils de conception : Structurels & fonctionnels
avec sup sélectionne la valeur maximale (supremum) d’un ensemble des éléments. La
composition est formée de 2 paires d’éléments dans U × W avec leurs degrés
d’appartenance calculés comme étant le maximum des valeurs minimales de la
composition de différents éléments lorsqu’ils sont combinés avec tous les éléments de V .
La composition de la règle d'inférence est définie comme suit [21] :
~
Soit R une relation floue définie dans U × V et A un ensemble flou de U , alors
~
l’ensemble flou B de V est déduit de la composition :
~ ~
B = AoR (1.18)
où
Prémisse 1 (x est A~ )
Prémisse 2 SI ( x est A) ALORS ( y est B ) (1.20)
Conclusion ( ~
y est B )
où la règle (prémisse 2) correspond à la relation floue R , définie avec un degré
d’appartenance qui indique le degré de vérité de l’implication A ⇒ B .
20
Chapitre 1 Outils de conception : Structurels & fonctionnels
Expert
Entrées humain Sorties
Les règles
Sorties
Engin
Entrées
Fuzzification Défuzzification
d’inférence
Le schéma synoptique général d’un contrôleur flou est représenté par la figure 1.5.
Quelque soit le type d’application du contrôleur, on retrouve généralement la même
configuration qui est composée de 4 blocs essentiels, à savoir :
• Une interface de fuzzification en entrée.
• Une base de connaissances (base de règles & engin d’inférence).
• L’engin d’inférence ou la logique de prise de décision.
• Une interface de défuzzification à la sortie.
Mécanisme
Défuzzification
Fuzzification
d’inférence
Sorties
Entrées
21
Chapitre 1 Outils de conception : Structurels & fonctionnels
Prenons l’exemple d’une règle floue pour un système à 2 entrées x1 , x2 et une sortie
y (Fig. 1.6) de la forme :
" SI ( x1 est A1 ) ET (x 2 est A2 ) ALORS ( y est B )"
où A1 et A2 sont des labels linguistiques associés aux variables d’entrées. Selon la
structure particulière de la conséquence B , on peut distinguer 3 types de modèles flous
basés sur des règles :
• Modèle flou linguistique (ou modèle de Mamdani) : La prémisse et la
conséquence de la règle sont toutes les 2 des propositions floues qui utilisent des
labels linguistiques (règles à conclusion symboliques) [22].
• Modèle flou de Takagi-Sugeno : La conséquence de la règle B est une valeur
numérique constante (singleton) ou une équation mathématique bien précise.
D’une manière plus générale, la partie conséquence d’une règle est une fonction
polynomiale ou une équation différentielle dépendant des variables associées à la
partie prémisse de la règle [5] (règles à conclusions algébriques).
• Le modèle flou de Tsukamoto [27] : Ces règles sont un cas particulier des règles
de type Mamdani pour lesquelles les sous ensembles flous utilisés dans la partie
des conséquences sont des fonctions d’appartenance monotones. L’emploi de ce
modèle est très restreint [28] - [29].
La fuzzification : Elle permet d’assurer la conversion des grandeurs physiques
d’entrées du SIF en variables linguistiques qui peuvent être traitées par les inférences.
Le mécanisme ‘engin’ d’inférence ou logique de prise de décision : Sa fonction est de
calculer les valeurs finales des variables de sortie du contrôleur basées sur les contributions
individuelles de chaque règle de la base de règles. Parmi les mécanismes d’inférence les
plus utilisés, on note : MAX-MIN, MAX-PROD et SOM-PROD.
L’opération de défuzzification : Elle consiste à convertir le résultat de combinaisons
des règles en une forme numérique bien adaptée au milieu du processus à commander.
Plusieurs méthodes de défuzzification sont proposées dans la littérature [30]. La plus
utilisée est celle du centre de gravité.
SI ET ALORS
4. Application d’une
agrégation.
SI ET ALORS
Entrée 1 Entrée 2
5. Défuzzification.
Sortie
22
Chapitre 1 Outils de conception : Structurels & fonctionnels
(
ω i ( x ) = min µ X ij (x j )) j = 1, ..., n (1.21)
(
µ i ( x ) = min ω i ( x ), µ Bi ( y )) (1.22)
µ ( y ) = max(µ i ( y )) (1.23)
Le résultat de l’agrégation est donc un sous ensemble flou caractérisé par sa fonction
d’appartenance. Pour l’obtention d’une conclusion de nature précise y0 à partir d’un
ensemble flou résultant de l’agrégation, il faut utiliser une des méthodes de défuzzification.
Dans le modèle de TS, chacune des règles représente un modèle local sur une région
floue d’entrée. Dans chaque région, le modèle flou est défini par la fonction :
n
Fi = ∑ q ij ⋅ x j (1.24)
j =0
Le modèle global est constitué par interpolation des modèles locaux. L’inférence
floue dans ce modèle est composée de 3 étapes :
• Calcul du degré d’activation de chaque règle avec l’opérateur de conjonction
implémenté par le produit arithmétique :
wi ( x ) = ∏ µ X ij (x j )
n
i = 1, ..., N (1.25)
j =1
• Calcul des sorties individuelles : La sortie de la ieme règle est donnée par sa
fonction conséquente, c’est à dire :
23
Chapitre 1 Outils de conception : Structurels & fonctionnels
y = F i (x )
i
(1.26)
N
∑ wi ( x ). y
i
i =1
y= N
(1.27)
∑ wi (x )
i =1
Les modèles de TS sont les plus utilisés pour extraire les connaissances à partir des
données numériques. Ils correspondent en fait à une approche multimodèle dans laquelle le
flou est utilisé pour agréger les sorties produites par chacun des modèles locaux [32] - [33].
En conclusion, les modèles de TS et les modèles de Mamdani sont 2 représentations
complémentaires et non concurrentes. Le choix d’un modèle ou de l’autre dépend de
l’application et du but visé.
Classe Paramètres
• Mécanisme de raisonnement
• Opérateurs flous
Logique
• Type des fonctions d’appartenance
• Méthode de défuzzification
• Variables d’entrées/sorties
Structurelle • Nombre des fonctions d’appartenance
• Nombre des règles floues
• Antécédents des règles
Connective • Conséquences des règles
• Poids des règles dans certains cas
Opérationnelle • Degrés d’appartenance
24
Chapitre 1 Outils de conception : Structurels & fonctionnels
A11 R1 R2 R3
A12 R4 R5 R6
A13 R7 R8 R9
u B11 B12 B13
x1
x2
Lorsque toutes les cases de la matrice d’inférence sont remplies, il s’agit de règles
d’inférence complètes. Dans le cas contraire, il s’agit de règles d’inférence incomplètes
(Fig. 1.8). La représentation matricielle de la base de règles devient plus complexe lorsque
le nombre de variables linguistiques d’entrées est supérieur à 3.
A11 R1
A12 R6
A13 R7 R9
u B11 B12 B13
x1
x2
25
Chapitre 1 Outils de conception : Structurels & fonctionnels
Afin d’assurer une commande performante d’un système, la base de règles floues du
SIF doit posséder certaines caractéristiques. La continuité, la consistance et la complétude
de l’ensemble de règles sont les caractéristiques les plus significatives.
Une base de règles floues est complète si, quelle que soit la combinaison dans
l’espace d’entrée, il existe une valeur de commande. Une base de règles est incomplète, si
elle existe une situation de l’espace d’entrée pour laquelle aucune règle n’est activable.
L’incomplétude conduit à une discontinuité indésirable dans la loi de commande. Cette
propriété dépend de la partition des espaces et de l’écriture des règles, c’est-à-dire, les
fonctions d’appartenance doivent couvrir toute la dynamique possible des variables. L. T.
Kóczy propose l’interpolation entre les règles floues comme solution à ce problème [37].
Le tableau 1.4 donne les différentes situations possibles des bases des règles en fonction
d’un important facteur : Mesure de complétude. Une mesure de complétude (C ) d’une
base de règles floues est définie par [38] :
N ⎧m ⎫
C ( x ) = ∑ ⎨∏ µ X k ( xi )⎬ (1.28)
k =1⎩i =1 i ⎭
Valeur Situation
C (x ) = 0 Base de règles incomplète.
0 < C ( x ) < 1 Base de règles sous-complète.
C (x ) = 1 Base de règles strictement complète.
C (x ) > 1 Base de règles sur-complète (redondante).
• Concentration : µ A′ ( x ) = µ A ( x ) p (1.29)
• Dilatation : µ A′ ( x ) = µ A ( x )1 p (1.30)
⎧⎪2 p −1 ⋅ µ A ( x ) p si µ A (x ) ≤ 0.5
Intensité : µ A′ ( x ) = ⎨ (1.31)
( )
•
⎪⎩1 − 2 p −1 ⋅ 1 − µ A ( x ) p ailleurs
26
Chapitre 1 Outils de conception : Structurels & fonctionnels
‘Très’ ‘Plus-ou-moins’
A A′ A′
27
Chapitre 1 Outils de conception : Structurels & fonctionnels
TS). Dans le deuxième chapitre, une étude détaillée de l’état de l’art des méthodes de
modélisation des SIF a été introduite.
1.1.6. Conclusions
D’un point de vue mathématique, un SIF n’est qu’une fonction non linéaire d’un
espace d’entrée vers un espace de sortie. D’un point de vue logique, un SIF est une
structure de traitement parallèle et de prise de décisions. Sa structure consiste en 4 partie
principales : La fuzzification, la base de règles, l’inférence et la défuzzification.
Pendant les vingt dernières années, les SIF, dont les bases relèvent de la théorie des
ensembles flous proposés par Zadeh [2], sont devenus très populaires. Les applications
dans la modélisation, le contrôle, le traitement de signal, la supervision des procédés et la
prise de décision sont en effet autant d’application qui démontrent la capacité des SIF à
traiter des problèmes hautement non linéaires grâce à l’utilisation de connaissances
expertes. La logique floue aide à gérer des systèmes complexes de façon simple et
facilement explicitable ‘l’expertise humaine’. La difficulté de sa mise en oeuvre réside
dans la mise au point d’une base de connaissances floues (structure & paramètres du SIF).
Ce problème peut être résolu par l’utilisation des méthodes d’extraction automatique des
connaissances : Les méthodes analytiques, les TIA, …etc.
N F = {X , W , H , Ψ , G} (1.33)
tels que :
28
Chapitre 1 Outils de conception : Structurels & fonctionnels
d’activation non linéaires de type tangente hyperbolique ou une des variantes sigmoïdales.
Un résumé des fonctions d’activation, couramment, utilisées est illustré par le tableau 1.6.
x0 w0
x1 w1
x2 w2
H Ψ G
xn Sortie
wn
Entrées
⎧+ 1 si x > 0
Fonction seuil Ψ (x ) = ⎨
⎩0 ailleurs
⎧+ 1 si x > Ψ+
⎪⎪
Fonction linéaire bornée Ψ (x ) = ⎨ x si Ψ − ≤ x ≤ Ψ +
⎪
⎪⎩− 1 si x < Ψ−
1
Sigmoïde exponentielle Ψ (x ) =
1 + exp(− α .x )
1 − exp(− α .x )
Sigmoïde tangentielle Ψ (x ) =
1 + exp(− α .x )
⎛ x2 ⎞
Fonction gaussienne Ψ (x ) = exp⎜ − 2 ⎟
⎜ α ⎟
⎝ ⎠
1
Ψ (x ) =
Fonction logistique ⎛ x2 ⎞
1 + exp⎜ − 2 ⎟
⎜ α ⎟
⎝ ⎠
2⋅β
Tangente hyperbolique [44] Ψ (x ) = −β (β = 1.716, α = 0.667 )
1 + exp(− α ⋅ x )
29
Chapitre 1 Outils de conception : Structurels & fonctionnels
Les RNA regroupent un certain nombre de neurones formels connectés entre eux de
diverses manières (topologies). Trois facteurs importants intervenant dans la définition
d’un RNA :
• Sa topologie.
• Sa fonction d’activation ou de transfert.
• La méthode d’apprentissage.
La structure du réseau peut prendre 3 formes :
• Réseau multicouches ou du type feedforward (Fig. 1.12).
• Réseau totalement interconnecté (Fig. 1.13).
• Réseau récurrent, partiellement, connecté (Fig. 1.14).
L’analyse et la conception des RNA font appel à plusieurs outils mathématiques, en
particulier :
• La théorie des modèles connexionnistes.
• La théorie des systèmes adaptatifs et des systèmes d’apprentissage.
• La théorie des systèmes dynamiques non linéaires.
30
Chapitre 1 Outils de conception : Structurels & fonctionnels
Une vue schématique d’un RNA est représentée par la figure 1.15 pour une seule
couche cachée. L’expression de la sortie du réseau en fonction des entrées s’exprime de la
manière suivante :
nc ⎛m ⎞
y i = ∑ wk(i ) ⋅ Ψ ⎜⎜ ∑ v kj x j ⎟⎟ i = 1, ..., n (1.34)
k =1 ⎝ j =1 ⎠
nc est le nombre des neurones dans la couche cachée. Les wk et v kj sont, respectivement,
les poids des couches d’entrée et de sortie. La fonction Ψ représente la fonction
d’activation du neurone (sigmoïde, gaussienne, tangente hyperbolique, …etc.).
x1
x2 y1
yn
xm
31
Chapitre 1 Outils de conception : Structurels & fonctionnels
Une fois, la topologie du réseau est choisie, il faut ensuite identifier les poids du
réseau au cours de la phase d’apprentissage. L’apprentissage des RNA est une phase qui
permet de déterminer ou de modifier les paramètres du réseau, afin d’adopter un
comportement désiré. Plusieurs algorithmes d’apprentissage ont été développés depuis la
première règle d’apprentissage de Hebb (1949). Ces algorithmes d’apprentissage sont
classés en 3 catégories : Supervisé, non supervisé et par renforcement. Le tableau 1.7
résume les caractéristiques de chaque type.
Type Description
Supervisé • Ce mode dispose d'un comportement de référence (présence d’un maître
(Fig. 1.16a) qui fournit la réponse désirée), vers lequel il tente de faire converger le
réseau. Une fois le RNA présente des performances acceptables, il peut
être utilisé pour répondre au besoin qui a été à l’origine de sa
construction.
Non supervisé • Les données fournies en entrée ne contiennent pas d'information sur la
(Fig. 1.16b) sortie désirée. L'apprentissage est réalisé à l'aide de règles qui modifient
les paramètres du réseau en fonction des exemples fournis en entrée. Les
modèles de Kohonen et de Grossberg sont 2 exemples parfaits qui
utilisent l'apprentissage non supervisé.
Par renforcement • Ce mode suppose qu'un comportement de référence n'est pas disponible.
(Fig. 1.16c) Mais en revanche, il est possible d'obtenir des indications qualitatifs
(exemple : correct / incorrect), ou lacunaires (exemple : une indication
tous les N exemples d'entrées / sorties) sur les performances du réseau.
Environnement
Environnement
Environnement
Xn Xn
Processus Xn Critique
+ RNA
∑ Renforcement
- Sortie
RNA du RNA RNA
Vecteur
Vecteur
d’entrée Action
d’entrée
(a) (b) (c)
Remarque :
La différence entre ces 3 types d'apprentissage réside dans le critère de performances
implicite ou explicite.
L’apprentissage d’un PMC peut être vu comme un problème d’optimisation non
linéaire ‘nonlinear optimization problem’ [46]. Plusieurs variantes de méthodes peuvent
servir, à savoir :
32
Chapitre 1 Outils de conception : Structurels & fonctionnels
J (w) = f (d i − yi , P ) (1.35)
d i est la ieme composante de la sortie désirée et yi est la ieme sortie du réseau PMC. f (⋅)
est, le plus souvent, l’erreur quadratique sur l’ensemble des données d’apprentissage P
dans le cas des méthodes du premier et du deuxième ordre. Les méthodes du gradient du
premier ordre sont basées sur la règle d’adaptation suivante :
avec w(n ) est le vecteur des poids ajustables à l’itération n . η w (n ) est le pas
d’apprentissage et ∇J (w(n )) est le Jacobien du réseau défini par :
1
J (w) ≈ J (w0 ) + ∇J (w0 )T ⋅ (w − w0 ) + (w − w0 )T ⋅ H (w0 ) ⋅ (w − w0 ) (1.38)
2
avec H (w0 ) est la matrice Hessienne dont les éléments sont les dérivées secondes de J (w)
par rapport aux poids du réseau. w0 est le vecteur des poids initiaux.
∂ 2 J (w)
H (w ) = (1.39)
∂w 2
Remarque :
Les méthodes du gradient du deuxième ordre présentent des résultats meilleurs par
rapport aux méthodes du gradient du premier ordre [53].
33
Chapitre 1 Outils de conception : Structurels & fonctionnels
⎧ xi (t ) ∀i = 1, ..., n0 si l = 0
⎪
zi(l ) (t ) = ⎨ ⎛ nl −1 (l ) (l −1) ⎞ (1.40)
⎪ f ⎜⎜ ∑ wij ⋅ z j (t ) + θ (jl ) ⎟⎟ ∀i = 1, ..., nl si l > 0
⎩ ⎝ j =1 ⎠
où les xi (t ) sont les variables explicatives du problème. f (⋅) est la fonction de transfert
choisie pour les différentes couches et θ représentent des constantes ou termes de biais.
Pour un PMC à une seule couche cachée, les sorties s’écrivent :
⎛ nl −1 ⎛ n0 ⎞ ⎞
z k (t ) = f ⎜⎜ ∑ wij(2 ) ⋅ f ⎜ ∑ w (ji1) ⋅ xi (t ) + θ (j1) ⎟ + θ k(2 ) ⎟⎟ k = 1, ..., n2 (1.41)
⎝ j =1 ⎝ i =1 ⎠ ⎠
θ k(l ) zi(l )
(l )
z k(l −1)
wik
∑ f zi(l )
Neurone i
Couche l zi(l )
Les termes de biais sont souvent considérés comme des neurones supplémentaires
associés à une entrée fixée à 1. Le modèle (1.40) peut prendre une forme réduite dans le
cas où le vecteur seuil est nul :
⎧ xi (t ) ∀i = 1, ..., n0 si l=0
⎪
z i (t ) = ⎨ ⎛ nl −1 (l ) (l −1) ⎞
(l )
(1.42)
⎪f⎜∑ wij ⋅ z j (t )⎟ ∀i = 1, ..., nl si l>0
⎩ ⎝ j =1 ⎠
34
Chapitre 1 Outils de conception : Structurels & fonctionnels
nl −1
si(l ) = ∑ wik(l ) ⋅ z k(l −1) (1.43)
k =0
Soient :
∂C pd ∂C pd ∂si(l )
= ⋅ ∀l = 1, ..., L; ∀i = 1, ..., nl ; ∀j = 0, ..., nl −1 (1.44)
∂wij(l ) ∂si(l ) ∂wij(l )
sont les dérivées partielles du C pd par rapport aux poids du réseau. On pose :
∂C pd
α i(l ) = (1.45)
∂si(l )
∂C pd (l ) (l −1)
(l ) = α i ⋅ z j ∀l = 1, ..., L; ∀i = 1, ..., nl ; ∀j = 0, ..., nl −1 (1.46)
∂wij
En effet :
∂C pd∂C pd ∂z i( L ) ∂C pd
αi (L )
= ( L ) = ( L ) ⋅ ( L ) = ( L ) ⋅ f ′ si( L )
∂si ∂z i ∂si ∂z i
( ) (1.47)
Remarque :
Dans le cas où la fonction d’activation f est de type logistique, sa dérivée est de la
forme :
( ) (
f ′ si( L ) = z i( L ) ⋅ 1 − z i( L ) ) (1.48)
Si f est une tangente hyperbolique, sa dérivée est une fonction simple de la forme :
( ) ( )
f ′ si( L ) = 1 − z i( L )
2
(1.49)
35
Chapitre 1 Outils de conception : Structurels & fonctionnels
⎧ ∂C pd
⎪ (l ) ⋅ f ′ si
⎪ ∂z
( )
(l )
pour les noeuds de sortie.
α i(l ) = ⎨ i (1.51)
⎪⎩ i ( )
⎪ f ′ s (l ) ⋅ nl +1 α (l +1) ⋅ w (l +1)
∑ k
k =1
ki pour les autres noeuds.
∂C pd (w(t ))
wij(l ) (t + 1) = wij(l ) (t ) − η w ⋅ (1.52)
∂wij(l ) (t )
36
Chapitre 1 Outils de conception : Structurels & fonctionnels
∂C pd (w)
wij(l ) (t + 1) = wij(l ) (t ) − η w ⋅ (l )
∂wij (t ) 14444
( 4244444
)
+ α w ⋅ wij(l ) (t − 1) − wij(l ) (t − 2)
3
0 < αw <1 (1.53)
Correction
37
Chapitre 1 Outils de conception : Structurels & fonctionnels
3
1 7
4
2 8 10
5
1
0.8 9
6
0.6
0.4
0.2
-0.2
-0.4
-0.6
-0.8
-1
-4 -3 -2 -1 0 1 2 3 4
σ w13 w14 w15 w16 w23 ... w26 ….. w710 w810 w910
38
Chapitre 1 Outils de conception : Structurels & fonctionnels
• Capacité d'apprentissage.
• Capacité de généralisation.
• Parallélisme dans le traitement (rapidité de traitement).
• Adaptés aux non linéarités des systèmes.
1.2.4. Conclusions
Un RNA est une structure de traitement parallèle et distribuée de l'information. Ce
réseau est constitué de plusieurs éléments processeurs (neurones) avec une topologie
spécifique. Les RNA sont dotés de règles d'apprentissage, mécanismes capables de
modifier leurs poids, automatiquement, en fonction d'un critère interne ou externe.
Les RNA peuvent fournir une solution intéressante pour la modélisation et la
commande des systèmes non linéaires. Leurs capacités de mémorisation, d’apprentissage et
de généralisation, propriétés d’approximations universelles, d’adaptation et le parallélisme
du calcul représentent des fonctions très utiles dans la théorie du contrôle des systèmes non
linéaires [3], [48] & [55]. On peut, également, citer la facilité d’implémentation hardware
et le fait que l’utilisation des RNA permet, parfois, d’éviter des analyses mathématiques
très contraignantes.
39
Chapitre 1 Outils de conception : Structurels & fonctionnels
Chromosome x1 x2 x3 x4 … … xN
Chv( =gen
x3
=3 )
[
= ϑ1 , L , ϑ K , L , ϑ m ]
Keme gène
avec :
Type_coding : Le type de codage utilisé (réel, binaire, …etc.).
Pop_ini : Population initiale.
Max_Pop : Taille maximale de la population.
Parm_op (Pm(gen), Pc(gen)) : Probabilités des opérateurs génétiques de mutation et
de croisement, respectivement.
Fitness : La fonction d’aptitude (Fitness).
gen : Génération en cours.
Max_gen : Nombre maximal de génération.
Tous les AG courants ne se différencient que par la taille de leur population, le mode
du codage utilisé, les méthodes de sélection, de croisement et les formes de la mutation.
L'implémentation d'un AG est spécifique au problème à résoudre. Les considérations
principales sont les suivantes [87] :
40
Chapitre 1 Outils de conception : Structurels & fonctionnels
Début
1. Initialisation aléatoire
3. Création d’une nouvelle d’une population initiale.
population par application
des opérateurs génétiques.
3.2. Croisement.
Non Solution Oui
trouvée ? Fin.
3.3. Mutation.
1.3.3. Codage
Les AG diffèrent des autres méthodes d'optimisation car ils utilisent un codage des
variables (solutions), plutôt que les variables elles-mêmes. Le codage désigne le processus
qui transforme les variables en un chromosome.
L’AG de base emploi un codage binaire qui s'appuie sur la représentation {0, 1} . Le
codage binaire suppose en pratique la définition d'un intervalle admissible pour les
variables et une discrétisation de cet intervalle. Pour chaque variable réelle (xc )i , on définit
41
Chapitre 1 Outils de conception : Structurels & fonctionnels
((x ) − (x ) )⋅10π
max
c i
min
c i
cs
i
≤ 2 li − 1 (1.57)
Un chromosome étant constitué des gènes associés à chaque variable mis bout à bout,
le nombre total de gènes d'un chromosome, caractérisant un individu et un point dans
l'espace de recherche est alors :
m
l = ∑ li (1.58)
i =1
) + (x ) − (x )
max min
=(
li
(xc )i xcmin i c i
li
c i
∑ 2 bit
i −1
⋅ valbin (ibit ) (1.59)
2 −1 ibit =1
où valbin (ibit ) représente la valeur binaire, 0 ou 1, du gène ibit associé à la variable (xc )i .
1.3.4. Evaluation
En raison de son analogie avec le processus de l'évolution naturelle, l'AG est
naturellement formulé en terme de maximisation. Etant donnée une fonction F réelle à
une ou plusieurs variables, le problème d'optimisation dans un espace de recherche V
s'écrit comme suit :
max{F (ϑ )} (1.60)
ϑ∈V
Dans beaucoup de situations, l'objectif est exprimé sous forme de minimisation d'une
fonction coût ou d’un critère de performances J (⋅) :
min{J (ϑ )} (1.61)
ϑ∈V
C te1
F (ϑ ) = (1.62)
(1 + J (ϑ ))C
te 2
ϑ∈V
42
Chapitre 1 Outils de conception : Structurels & fonctionnels
où C te 2 est une constante qui affecte la performance. C te1 ∈ ]0, + ∞ ] est, convenablement,
choisie de sorte que F (⋅) ne soit pas trop petite.
Le processus d’interaction entre l’AG et la fonction à optimiser, c'est-à-dire,
l’environnement est schématisé par la figure 1.21.
Décodage
Descendants
Environnement
Génotype Phénotype
Evolution
génétique Evaluation
‘Fitness’
43
Chapitre 1 Outils de conception : Structurels & fonctionnels
1.3.5.1. Sélection
La sélection permet d’identifier les individus susceptibles à la reproduction dans une
population. Il y a plusieurs façons d’exercer une pression sélective sur la population. La
plus radicale consiste à ne conserver que les meilleurs individus. Mais, les risques de perte
de la diversité sont importants avec ce type de stratégie. Des stratégies de sélection plus
souples ont été développées [80] - [81] & [91] :
i Fi
PSel = (1.64)
Max _ Pop
∑
j =1
(F )
j
i
Chaque individu est alors reproduit avec la probabilité PSel . Certains individus (les
‘bons’) ont ‘plus’ de chance de participer à la reproduction et d’autres (les ‘mauvais’)
seront éliminés.
Rang (Parent i )
PSel (Parent i ) = (1.65)
( )
Max _ Pop
∑ Rang Parent j
j =1
c. Sélection aléatoire
La sélection des individus se fait d’une manière aléatoire sans prise en compte de
leurs fonctions d’évaluation. Chaque individu a une chance d’être sélectionné avec une
probabilité uniforme de :
i 1
PSel = (1.66)
Max _ Pop
44
Chapitre 1 Outils de conception : Structurels & fonctionnels
1.3.5.2. Reproduction
La reproduction représente la phase de l’évolution génétique. Cette opération permet
la construction d'une nouvelle population ‘génération’, par application des opérateurs de
croisement et de mutation.
a. Opérateurs de croisement
Le croisement a pour but d’assurer la diversité des solutions dans la population, tout
en manipulant les composantes ‘gènes’ des chromosomes. Dans l’AG de base, les
croisements sont envisagés avec 2 parents et génèrent 2 enfants. Ce n'est que l'échange
partiel du matériel génétique entre parents pour obtenir des enfants qui prennent les
caractéristiques de leurs parents.
L’opération de croisement est appliquée avec une probabilité Pc . Le mode de
représentation des chromosomes joue un rôle important dans le choix du type de
croisement : simple (en un point ou multipoints), arithmétique (simple ou entier) ou
heuristique.
( ) [
Chϑgen = ϑ1 , L , ϑ K , L , ϑ m ] Chϑ [
( gen +1) = ϑ , L , ϑ~ , L , ϑ~
1 K m ]
Ch s( gen ) = [S1 , L , S K , L , S m ] Ch s( gen +1) = [S1 , L , S K , L , S m ]
~ ~
Site de croisement
~ ~
ϑl = S l l = K , ..., m et S l = ϑl l = K , ..., m
l = K , ..., m l = K , ..., m
45
Chapitre 1 Outils de conception : Structurels & fonctionnels
~
Sj = α ⋅ S j + β ⋅ϑ j (1.68)
j = K , ..., m
( gen +1)
Chnew ( )
= r Chs( gen ) − Chϑ( gen ) + Chϑ( gen ) (1.71)
Dans ce mode de croisement, il faut réarranger les chromosomes afin d'obtenir des
( ) ( )
fonctions d’objectives Fit Chϑ( gen ) ≤ Fit Chs( gen ) pour des problèmes de minimisation et de
maximisation.
b. Opérateurs de mutation
L'opérateur de mutation inverse ou modifie ‘en appliquant des perturbations
aléatoires ou de petites modifications’ une ou plusieurs composantes ‘gènes’ d'un
chromosome. Cet opérateur permet d'avoir une large diversité de solutions dans la
population. La fréquence d’application de cet opérateur est contrôlée par un paramètre
connu sous la probabilité ‘taux’ de mutation Pm . Cette valeur est fixée par l’utilisateur
dans certaines applications des AG. Par contre, elle peut changer, dynamiquement ou peut
être adaptée automatiquement, par un processus d’évolution. La figure 1.23 schématise,
clairement, le processus de mutation.
~
Dans la figure 1.23, ϑ K est la composante mutée de ϑ K . Il existe un certain nombre
d'opérateurs de mutation définis dans la littérature qui, évidemment, dépend du mode de
représentation des chromosomes utilisé. Le schéma de la figure 1.24 donne le classement
par catégories de la représentation à laquelle ces opérateurs sont appliqués.
46
Chapitre 1 Outils de conception : Structurels & fonctionnels
[
Chϑ( gen ) = ϑ1 , L , ϑ K , L , ϑ m ] [ ~
Chϑ( gen +1) = ϑ1 , L , ϑ K , L , ϑ m ]
Site de mutation
Mode de
représentation
Uniforme
Dans les bornes
Non uniforme
Gaussienne
Chaotique
Uniforme
Fig. 1.24 : Différents modes de codage des chromosomes & leurs opérateurs de
mutation appropriés.
~
ϑi = ⎨
(
⎧⎪ϑi + ϑimax − ϑi ⋅ f ( gen ) ) si δ < 0.5
(1.72)
(
⎪⎩ϑi − ϑi + ϑimin ⋅ f ( gen ) ) si δ ≥ 0.5
47
Chapitre 1 Outils de conception : Structurels & fonctionnels
τ
~ ⎛ gen ⎞
f ( gen ) = δ ⋅ ⎜⎜1 − ⎟⎟ (1.73)
⎝ Max _ gen ⎠
r est un nombre aléatoire ∈ [0, 1] . Il faut noter que cet opérateur n’a d’intérêt et d’efficacité
que si la solution est proche des bornes de l’espace de recherche.
~
ϑk = ϑk + f k k = 1, ..., m (1.75)
où f k est un nombre aléatoire qui a une distribution gaussienne à moyenne nulle et une
variance σ k . Parfois, une variance adaptative est appliquée avec la forme [82] :
σk = ⋅
(
Max _ gen − gen ϑ kmax − ϑ kmin ) (1.76)
Max _ gen 3
où Mut (⋅) est la fonction de mutation chaotique, définie par la fonction logistique donnée
par :
Mut (ϑ K ) = A ⋅ ϑ K ⋅ (1 − ϑ K ) (1.78)
48
Chapitre 1 Outils de conception : Structurels & fonctionnels
⎧ (Fmax − Fc )
⎪K1 ⋅ Fc ≥ F
Pc = ⎨ (
Fmax − F ) (1.81)
⎪K Fc < F
⎩ 3
49
Chapitre 1 Outils de conception : Structurels & fonctionnels
⎧ (Fmax − Fm )
⎪K 2 ⋅ Fm ≥ F
Pm = ⎨ (
Fmax − F ) (1.82)
⎪K Fm < F
⎩ 4
où K i , (i = 1, ..., 4) sont des nombres aléatoires ∈ [0, 1] . Fmax et F représentent le
maximum et la moyenne de la population courante, respectivement. Fc est la
plus grande valeur des 2 aptitudes associées aux 2 chromosomes candidats à
l’opération de croisement. Fm est l’aptitude des solutions qui peuvent être subit à
l’opération de mutation. Dans cette méthode d’adaptation, un problème peut être
apparu lorsque la solution optimale avec l’aptitude maximale se produit, c’est-à-
dire Pc et Pm restent toujours nulles. Pour remédier à ce problème, Chang-Kuo
Chen et al. ont proposé des améliorations des lois d’adaptation des probabilités
Pc et Pm [99] :
⎧ (Fmax
′ − Fc′ )
⎪ K1 ⋅ F ′ − F ′ + δ ⋅ a + Pc _ last ⋅ (1 − a )
( ) Fc′ ≥ F ′
Pc = ⎨ max (1.83)
⎪K ⋅ a + P
⎩ 3 c _ last ⋅ (1 − a ) Fc′ < F ′
⎧
⋅
(Fmax
′ − Fm′ )
⋅ a + Pm _ last ⋅ (1 − a ) Fm′ ≥ F ′
⎪
Pm = ⎨
K 2
(
′ − F′ +δ
Fmax ) (1.84)
⎪K ⋅ a + P
⎩ 4 m _ last ⋅ (1 − a ) Fm′ < F ′
F (ch ) − Fmin
F ′(ch ) = (1.85)
Fmax − Fmin
⎧ ⎡ ⎛ gen ⎞ ⎤
2
⎪α 1 ⎢1 − ⎜⎜ ⎟ ⎥ + α2 0 ≤ gen ≤ α 3
⎪⎪ ⎢⎣ ⎝ Max _ gen ⎟⎠ ⎥⎦
Pm ( gen ) = ⎨ (1.86)
⎪ ⎡ ⎛ ( gen − Max _ gen ) ⎞ ⎤
2
⎪α 1 0.1.⎜⎜
⎢ ⎟⎟ ⎥ + α 2 α 3 ≤ gen ≤ Max _ gen
⎢
⎪⎩ ⎣ ⎝ Max _ gen ⎠ ⎥⎦
50
Chapitre 1 Outils de conception : Structurels & fonctionnels
⎛ gen ⎞
Pc ( gen ) = exp⎜⎜ − ⎟⎟ (1.87)
⎝ Max _ gen ⎠
⎛ gen ⎞
P m ( gen ) = exp⎜⎜ 0.05 ⋅ ⎟ −1 (1.88)
⎝ Max _ gen ⎟⎠
où ∆c( gen ) et ∆m( gen ) sont les variations des probabilités de croisement et de
mutation, respectivement, générées par un SIF.
Zhiming Liu et al. ont proposé un AG adaptatif, de sorte que les probabilités de
sélection Ps , de croisement Pc et de mutation Pm sont adaptatives en fonction du
classement des chromosomes dans la population [105]. Après l’opération de
croisement et de mutation, on aura 2 × Max _ Pop solutions (parents et leurs
enfants). Ces solutions sont rangées d’une manière croissante en fonction de leurs
51
Chapitre 1 Outils de conception : Structurels & fonctionnels
aptitudes (compétition). Soit k = {0, 1, ..., 2 ⋅ Max _ Pop} est le rang des individus,
la probabilité de sélection de keme solution sera donnée par :
⎧ 1
⎪ Max _ Pop − 1 ⋅ k
1 − 0 ≤ k ≤ Max _ Pop − 1
⎪
P s (k ) = ⎨ (1.91)
1
⎪ ⋅ (k − Max _ Pop ) Max _ Pop ≤ k ≤ 2 ⋅ Max _ Pop − 1
⎪⎩ Max _ Pop − 1
~
⎧ k ~
⎪ 0 ≤ k ≤ rang
Pc = ⎨ rang (1.92)
⎪ ~
⎩1.0 rang ≤ k ≤ Max _ Pop − 1
~
⎧ k ~
⎪ 0 ≤ k ≤ rang
P m = ⎨ 2 ⋅ rang (1.93)
⎪ ~
⎩0.5 rang ≤ k ≤ Max _ Pop − 1
⎧ (F max − Fc )
⎪k c − (k c − k c 0 ) ⋅ Fc ≥ F
Pc = ⎨ (F max − F ) (1.94)
⎪k Fc < F
⎩ c
⎧ (F max − Fc )
⎪k m − (k m − k m 0 ) ⋅ Fm ≥ F
Pm = ⎨ (F max − F ) (1.95)
⎪k Fm < F
⎩ m
52
Chapitre 1 Outils de conception : Structurels & fonctionnels
1.3.7. Conclusions
Les AG sont des méthodes de recherche stochastique ‘très flexibles’ basées sur des
abstractions des processus d'évolution naturelle. Elles constituent des outils d’optimisation
efficaces permettant de résoudre toute sorte de problème, de l’optimisation des fonctions
au modélisation et contrôle des procédés industriels [99] & [113] - [114], tout en
choisissant une représentation des individus, des opérateurs et une fonction d’évaluation
adéquate. Ces choix sont fortement dépendants du problème. L’aspect parallèle de
fonctionnement des AG leur permet l’implémentation sur des architectures parallèles [88] -
[90]. Néanmoins, leur aspect magique et leur potentiel ne doivent pas masquer de
nombreuses limitations :
• Les outils théoriques disponibles pour effectuer les choix optimaux des
paramètres structurels et fonctionnels des AG sont quasi-inexistants. Des
propositions sont citées dans la littérature du domaine des AG. Au final, il est
53
Chapitre 1 Outils de conception : Structurels & fonctionnels
1.4. Conclusions
Dans ce chapitre, les fondations nécessaires à la maîtrise des TIA sont établies. Après
avoir introduit des concepts de base concernant la structure générale et les différents types
des modèles flous, nous avons étudié, plus particulièrement, les caractéristiques
structurelles et paramétriques des ces modèles.
Les principaux avantages des techniques floues sont l’approche naturelle de la
modélisation et la bonne interprétabilité de la description tout en employant des règles
linguistiques. Cependant, comme il n’y a pas de méthode formelle pour déterminer ses
paramètres, c'est-à-dire sa base de connaissances, il serait intéressant de disposer
d’algorithmes permettant l’apprentissage automatique de ces paramètres.
Dans les systèmes experts, les connaissances de l’expert ont une forme énumérée.
Elles sont exprimées sous forme de règles linguistiques. Dans le cas des modèles
connexionnistes ‘neuronales’, les connaissances ont une forme distribuée. Elle sont codées
dans les poids synaptiques des connexions.
La topologie du réseau, les fonctions d’activation des neurones, le seuil de ces
fonctions et l’algorithme d’apprentissage utilisé sont des facteurs significatifs dans
l’emploi des modèles connexionnistes.
Nous avons aussi exposé en détail les différentes étapes nécessaires à l’exécution
d’un AG, configuration paramétriques, initialisation de la population, évaluation, sélection
pour la reproduction, test d’arrêt et les améliorations de l’AG de base pour l’aider à se
converger vers une solution optimale.
Les algorithmes évolutionnistes, grâce à la simplicité et la souplesse de leurs
principes, peuvent être un outil d’optimisation et de conception des systèmes de contrôle
des processus complexes dont la dynamique n’est pas encore maîtrisée. Leur souplesse leur
permet d’être utilisés à plusieurs niveaux, depuis l’optimisation de paramètres pour un
contrôleur dont la structure a été prédéfinie, jusqu’à l’étude ou même la conception
complète d’un système de contrôle.
Le parallélisme intrinsèque de traitement des informations ‘données’ représente un
point commun entre les différentes TIA. Ce paradigme constitue un facteur primordial
dans des problèmes réels dans des domaines aussi variés que la recherche d’information,
l’aide à la décision, la robotique, l’identification, le contrôle de systèmes complexes, …etc.
Enfin, une caractéristique importante des TIA apparaît, implicitement, dans cette
partie de la thèse : La facilité d'utilisation/implantation par des non spécialistes ‘non
mathématiciens’. Cette caractéristique permet aux chercheurs dans différents domaines de
la science d'utiliser des méthodes puissantes d'approximation, d'optimisation, …etc., sans
passer beaucoup de temps à comprendre ces méthodes et leurs conditions d'application.
54
Chapitre 2
Techniques Intelligentes :
Vers une approche hybride
Résumé :
D ans ce chapitre, un état de l’art bien détaillé des méthodes de modélisation des
SIF est effectué. Nous avons commencé par les différentes techniques
d’optimisation des SIF par les AG. Ensuite, l’hybridation des RNF, avec différentes
structures et algorithmes d’apprentissage proposés dans la littérature, est aussi synthétisée.
Le chapitre se termine par une conclusion.
55
Sommaire
2.1. Introduction……..…………………………………………………................57
2.2. Outils de conception : Etat de l’art ……………………..……….................57
2.2.1. Optimisation des SIF par les AG………………………….…..............63
2.2.2. RNF : Une approche hybride ……........................................................65
2.2.2.1. Modèles basés sur le raisonnement de TS…………..............67
a. Modèles statiques………….…………………………….67
a.1. Modèle ANFIS.............................................67
a.2. Modèle GARIC……………………………69
a.3. RBF-flou…………......................................70
a.4. Modèle SANFIS….......................................72
b. Modèles dynamiques……………………………………73
b.1. Modèle RFNN……………..........................73
b.2. Modèle TSRFNN……….............................75
b.3. Modèle DFNN…………………………….77
b.4. Modèle TRFN……………..........................80
b.5. Modèle RFCMAC…………………………83
2.2.2.2. Modèles basés sur le raisonnement de Mamdani……………85
a. Modèles statiques………………………..........................85
a.1. Modèle FLP………………………………..85
a.2. Modèle NEFPROX………..........................87
b. Modèles dynamiques……………………………………88
b.1. Modèle RSONFIN………………………...88
b.2. Modèle FALCON…………………………90
2.2.2.3. Modèle de Tsukamoto : TNFIN………..……………………92
2.3. Association série-parallèle …………………………………………………..84
2.3.1. Association série……………….………………………….…..............84
2.3.2. Association parallèle..………….………………………….…..............95
2.4. Conclusions………….......................................................................................95
56
2. Techniques Intelligentes :
Vers une approche hybride
2.1. Introduction
Les systèmes flous ont connu un succès considérable dans la modélisation et la
commande des procédés industriels complexes, du fait de leurs caractères approximatif et
qualitatif inspirés de la pensé humaine. Cependant, leurs performances sont liées à 2
facteurs importants :
• La disponibilité de l’expertise, c'est-à-dire, le savoir-faire de l’opérateur humain.
• La validité des techniques d’acquisition des connaissances et la justesse des
données acquises.
La conception d’une base des règles floues est le processus qui conduit à la
formalisation, sous forme de règles et/ou des relations apprises, à partir d’un ensemble
d’exemples qui existe entre les entrées et les sorties d’un procédé. Les principales
méthodes décrites dans la littérature sont présentées dans cette partie de la thèse. Ces
méthodes sont, principalement, pilotées et évaluées par rapport à un critère de
performances (mécanisme d’adaptation).
Dans beaucoup de cas, la structure est déterminée, empiriquement, en choisissant à
priori le type de raisonnement approximatif linguistique ou relationnel, le nombre des
sous-ensembles flous pour chaque variable d’entrée et en prenant toutes les combinaisons
possibles pour construire la base de règles.
Le réglage par essais successifs de ces nombreux paramètres étant assez long et
fastidieux. Diverses techniques d’auto - réglage, d’optimisation et d’apprentissage ont été
développées ces dernières années. On peut citer, les techniques de la programmation
mathématique, les réseaux connexionnistes et les algorithmes évolutionnaires. Ces
techniques permettent à la fois l’extraction automatique des connaissances sous forme de
règles floues à partir d’un ensemble de données numériques.
Les méthodes hybrides intègrent toutes sortes d’outils, dont les plus utilisés sont les
RNA et les AE. Les AE sont susceptibles de trouver un optimum global et permettent
d’optimiser la structure et les paramètres d’un SIF. Les RNA ont apporté aux SIF leurs
algorithmes d’apprentissage et leur précision dans l’ajustement numérique. Ce type
d’outils peut être appréciable lorsque la sémantique est secondaire par rapport aux
performances numériques et pour la gestion des problèmes pour lesquelles aucune
connaissance experte n’est disponible.
L’hybridation des techniques intelligentes dans un sens coopératif permet d’exploiter
les caractéristiques de chacune pour accomplir une tâche performante et efficace dans la
modélisation et la commande des systèmes non linéaires. Elle peut, aussi, fournir des
solutions bien adaptées à la complexité de ces systèmes.
57
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
Index de
d’apprentissage
performances
Couche
Mécanisme
d’adaptation
Mécanisme
Défuzzification
Fuzzification
d’inférence
Modèle de
référence
d’action
Processus
Couche
Base de
règles
58
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
min J (ϑ ) (2.1)
ϑ
SIF
59
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
( )
R i : SI x1 est A1i ... ET x m est Ami ( ) ALORS bi = g i ( x1 , x 2 , ..., x m ) (2.2)
N N N
∑ ai 0 ⋅ µ i ( x ) ∑ ai1 ⋅ µ i ( x ) ∑ aim ⋅ µ i ( x )
y = i =1 N + i =1 N + ... + i =1 N (2.4)
∑ µ i (x ) ∑ µ i (x ) ∑ µ i (x )
i =1 i =1 i =1
La méthode des MCR est souvent utilisée pour l’adaptation des paramètres des
conséquences. Supposons que :
µ i (x )
ξ i (x ) = N
(2.5)
∑ µ i (x )
i =1
De sorte que :
60
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
f (x θ ) = θ T ⋅ ξ ( x ) (2.8)
1 ⎛
( ) ( ) ⎞
−1
P(k ) = ⋅ ⎜⎜ I − P(k − 1) ⋅ ξ k ⋅ ⎛⎜ λI + ξ k ⋅ P(k − 1) ⋅ ξ k ⎞⎟ ⎟⎟ ⋅ P(k − 1)
T T
⋅ ξk
λ ⎝ ⎝ ⎠ ⎠ (2.9)
θ (k ) = θ (k − 1) + P(k ) ⋅ ξ ⋅ ⎛⎜ y k − ξ k
k
⎝
( )T
⋅ θ (k − 1)⎞⎟
⎠
( )
2
1 M
J (k ) = ∑ y (k ) − y (k )
d
(2.10)
M k =1
Y T ⋅Y
J = θ T ⋅ R ⋅θ − 2 ⋅θ T ⋅ P + (2.11)
M
∂J
= −2 ⋅ R ⋅ θ − 2 ⋅ P (2.12)
∂θ
R ⋅θ = P (2.13)
61
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
∂J
∆θ (k ) = − = 2 ⋅ P − 2 ⋅ R ⋅θ (2.14)
∂θ (k )
θ (k + 1) = θ (k ) + ηθ ⋅ ∆θ (k ) (2.15)
62
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
63
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
Population
Règle 1 :
Règle 2 :
Règle N :
64
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
(a)
m1 σ1 m2 σ2 ------ mm σm w0 w1 --- wm
(b)
65
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
Modèles
Neuro-Flous
TNFIN
DFNN ANFIS FALCON FLP
66
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
La principale propriété des RNF est leur capacité à traiter sur un même outil des
connaissances numériques et symboliques d’un système. Ils permettent, donc, d’exploiter
les capacités d’apprentissage des RNA, d’une part et les capacités de raisonnement de la
LF, d’autre part. Diverses combinaisons des méthodes neuro - floues ont été développées
depuis 1990. Elles sont le plus souvent orientées vers le contrôle des procédés complexes,
l’approximation des fonctions (l’identification) et les problèmes de classification. Le
classement des modèles RNF est basé, principalement, sur le type de raisonnement utilisé :
Généralement, Mamdani ou TS, avec bien sur la prise en considération des dynamiques
que présentent ces modèles [169]. Un autre modèle basé sur le raisonnement flou de
Tsukamoto est aussi utilisé tout en restant très restreint [28] - [29]. L’arborescence
schématisée par la figure 2.6 présente le résultat d’une recherche bibliographique
approfondie sur les différents modes d’hybridation neuro - flous.
a. Modèles statiques
Ce type de modèles regroupe les catégories ANFIS, GARIC, RBF, SANFIS-II &III.
Les fonctions d’appartenance de l’espace des entrées varient d’une forme à l’autre
(triangulaire, gaussienne, …etc.). Dans la version de base de l’ANFIS, la fonction de
cloche généralisée est utilisée. Le degré d’appartenance est calculé par :
1
µ Ai ( x ) = bi
(2.20)
⎡⎛ (x − c ) ⎞ 2 ⎤
1 + ⎢⎜⎜ i
⎟ ⎥
⎢⎣⎝ ai ⎟⎠ ⎥⎦
67
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
(
O2, i = min µ Ai ( x1 ), µ Bi ( x 2 ) ) i =1, 2
ou O2, i = µ Ai ( x1 ) ⋅ µ Bi ( x 2 )
i =1, 2
(2.21)
wi
O3, i = wi = i = 1, 2 (2.22)
w1 + w2
Couche 4 : Un neurone de cette couche est appelé neurone adaptatif. Sa sortie est :
O5, i = w1 ⋅ f1 + w2 ⋅ f 2 i =1, 2
(2.24)
x1 x 2
A1 w1 w1
x1 ∏ N w1 f1
A2 f
∑
B1
x2 ∏ N w2 f 2
w2 w2
B2
x1 x 2
68
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
Une autre alternative pour l’apprentissage des réseaux ANFIS est l’emploi des
méthodes d’optimisation d’ordre zéro à savoir les AG, le recuit simulé et la méthode des
essaims particulaires [174] - [176].
Dans le cas où les conséquences sont constantes (TS0), l’algorithme de la
rétropropagation est suffisant pour l’ajustement de la totalité des paramètres adaptatifs du
réseau ANFIS [177]. Mahdi Jalili-Kharaajoo a utilisé un algorithme d’apprentissage
émotionnel (emotional learning) pour l’amélioration des performances de l’ANFIS [178].
v S
AEN
r̂
F′
SAM Processus
Etats ASN F
Etats
Signal d’échec
69
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
R1
x1
R2
R3
x2
R4
a.3. RBF-flou
Le réseau de neurones à fonction de base radiale ou tout simplement réseau à base
radiale a été introduit par Powell [183] - [184] comme alternative des RNA. Un RBF est
défini par un réseau à 2 couches, représenté par la figure 2.10. Sa fonction est déterminée
par :
M
y = f ( x ) = ∑ wi ⋅ Φ i ( x ) (2.25)
i =1
Des exemples de non-linéarités Φ i ( x ) pour des RBF sont récapitulés dans le tableau
2.2 [185]. N’importe quelle fonction radiale peut être utilisée, le choix habituel pour la
fonction de base Φ i ( x ) est la gaussienne, donnée par le modèle :
⎛ x−c 2 ⎞
Φ i ( x ) = exp⎜⎜ − i ⎟
⎟⎟ (2.26)
⎜ 2σ i
⎝ ⎠
⋅ est une norme (en général la norme Euclidienne ou la distance de Mahalanobis). Les
vecteurs σ i2 et ci , (i = 1, ..., M ) sont les variances et les centres des gaussiennes,
respectivement. J. S. R. Jang a montré la similarité de l’approche RBF avec les SIF [186].
L’équivalence s’obtient pour un choix bien spécifique des différents opérateurs flous et des
fonctions d’appartenance définissant les termes linguistiques [48].
Remarque :
Le modèle du neurone flou n’a pu être formulé que grâce à la propriété de la fonction
⎛n ⎞ n
exponentielle : exp⎜ ∑ (α i )⎟ = ∏ exp(α i ) .
⎝ i =1 ⎠ i =1
70
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
w1
x1 w2
r y
x ∑
xm wM
Expression de la fonction
Type
Φ(r , σ ) ( σ = constant)
Linéaire r
Cubique r3
Fonction d’Epanechnikov (
max 0, 1 − r 2 )
Triangulaire max(0, 1 − r )
Spline à feuille épaisse r 2 log r
⎛ r2 ⎞
Gaussienne exp⎜ − 2 ⎟
⎜ σ ⎟
⎝ ⎠
1
Logistique ⎛ r2 ⎞
1 + exp⎜ − 2 ⎟
⎜ σ ⎟
⎝ ⎠
Multiquadratique (r 2
+σ 2 )β 0 < β <1
Multiquadratique inverse (r 2
+σ 2 )α
−
α >0
Noter que les poids ajustables sont, seulement, présents dans la couche de sortie. Les
liens entre la couche d'entrée et la couche cachée sont fixés à un. Les paramètres du RBF
sont les poids wi et les paramètres de la fonction à base radiale. D’après l’expression
(2.25), la sortie du réseau est fonction linéaire de wi . Ces poids peuvent être estimés par la
méthode des MCR.
L’adaptation des paramètres du RBF {ci , σ i } peut être vue comme un problème
d’optimisation non linéaire dont la solution est l’utilisation de la méthode de la descente du
gradient [187]. Une extension de cette architecture RBF est obtenue en associant une
fonction linéaire à la sortie de chaque nœud :
wi = ai ⋅ x + bi i = 1, 2, ..., M (2.27)
71
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
où ai sont des vecteurs des paramètres et les bi sont des constantes scalaires. Il faut
remarquer que dans la première forme, le RBF est équivalent à un modèle de TS0 [186].
Dans l’extension de l’expression (2.27), le RBF correspond à un modèle de TS linéaire
[188].
Les AG présentent une solution pour l’apprentissage des paramètres du RBF-flou. Un
exemple typique d’application de cette forme est présenté dans [101]. Un état de l’art des
combinaisons RBF-GA est présenté par C. Harpham et al. Dans [189]. Dans certains
travaux, l’apprentissage hybride, c'est-à-dire, combinaison des méthodes d’optimisation :
AG, descente du gradient et MCR et orthogonales est utilisé pour préserver les capacités
d’apprentissage et de généralisation des réseaux RBF [190] - [191]. Roman Neruda et al.
ont présenté une série des algorithmes d’apprentissage des RBF avec différentes
combinaisons possibles [192]. Leurs performances sont examinées sur l’exemple du
voyageur de commerce.
( )
R j : SI x1 est A1j ... ET x n est Anj( ) ( ) (
ALORS y1 est f 1 j ... ET y m est f mj ) (2.28)
où
⎧ Bkj (SANFIS - I)
⎪⎪
f kj = ⎨θ kj (SANFIS - II) (2.29)
⎪ j j j
⎪⎩b0 k + b1k ⋅ x1 + ... + bnk ⋅ x n (SANFIS - III)
n N n
a = p j = ∏ µ j (xi ) ∑ ∏ µ A j ( xi )
A
i =1 i j =1 i =1 i
p1 p 2 p3 pN
a
f
R1 R2 R3 RN Couche 4
N n
f = ∑ ∏ µ j (xi )
A
j =1 i =1 i
R1 R2 R3 RN Couche 3
n
a = f = ∏ µ j ( xi )
A
i =1 i Couche 2
a Couche 1
f
x1 xn
72
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
(B ), (θ )
k
j
k
j
( )
et b0jk + b1jk ⋅ x1 + ... + bnkj ⋅ x n représentant, respectivement, les
ensembles flous de sortie, les composants singletons (pics) et les combinaisons linéaires
des variables d’entrées. L’ajout d’une couche de sortie à la fonction floue de base, de la
figure 2.11, donne naissance aux modèles SANFIS-I, SANFIS-II et SANFIS-III (Fig.
2.12).
y1 ym
{x1 ,..., x n }
b. Modèles dynamiques
Afin d'identifier des systèmes non linéaires, on fait appel, généralement, à des
structures NFR. Les modèles NFR sont des systèmes NF avec des rétroactions de
connexions ‘feedback’ de différentes formes ‘topologies’ dans la structure du réseau. Cet
asservissement a pour but de mémoriser le passé du modèle.
73
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
(2 ) ⎪
= exp⎨−
ij (
⎧ I (2 ) − m
ij ) ⎫⎪
2
⎧⎪ I ij(2 ) (t ) = Oi(1) (t ) + Oij( f ) (t )
(2.31)
Oij ⎬ & ⎨ (f )
⎪⎩ ( )
σ ij 2
⎪⎭ ⎪⎩Oij (t ) = Oij (t − 1) ⋅ θ ij
(2 )
Couche 3 : Cette couche représente la base des règles floues. La sortie de chaque
neurone est calculée par l’opérateur de conjonction ET :
m
O (j4 ) = ∑ wij3 ⋅ O (j3) (2.33)
i =1
Couche 4 ∑ ∑
Couche 3 ∏ ∏ ∏
θ1 j θ nj
Couche 1
x1 xn
74
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
y1 yp y y
z-1 z-1
z-1 z-1
z-1 z-1
x1 xn x1 xn x1 xn
(a) (b) (c)
(a) : Proposé dans [198]. (b) : Proposé dans [199]. (c) : Proposé dans [200].
Couche 1 : Couche d'entrée réalise le transfert direct des signaux d'entrées externes. Son
modèle est :
( )
I i(1) (t ) = x i (t ) & Oi(1) (t ) = f i (1) I i(1) (t ) = I i(1) (t ) (2.34)
Couche 2 : Couches des prémisses. Chaque neurone de cette couche représente un terme
linguistique pour une variable d’entrée et calcule le degré d’appartenance. La
fonction gaussienne utilisée est donnée par :
2
⎛ Oi(1) (t ) − mij ⎞
I ij(2 )
(t ) = −⎜⎜
σ ij
⎟
⎟
( ) ( )
& Oij(2 ) (t ) = f ij(2 ) I ij(2 ) (t ) = exp I ij(2 ) (t ) (2.35)
⎝ ⎠
Couche 3 : Couche des règles. Chaque neurone dans cette couche représente une règle
d’inférence floue. L’opérateur de conjonction ET est utilisé pour calculer la
sortie du neurone k :
75
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
⎧ (3)
⎨
M
i =1
(2 )
⎪ I k (t ) = ∏ Oi = exp − Di x j − c j
(2 )
{[ ( )] [D (x ( ) − c )]}
T
i j
2
j
(2.36)
⎩ k
3
k (
⎪O (t ) = f (3) I (3) (t ) = I (3) (t )
( )
k k )
( ) ( )
avec D j = diag 1 σ 1 j , 1 σ 2 j , ..., 1 σ mj & c j = c j1 , c j 2 , ..., c jN . Les liens entre la
couche 2 et la couche 3 sont égaux à l’unité.
Couche 4 : Couche d’état (state layer). Les neurones effectuent la sommation linéaire.
Le modèle mathématique du neurone i est :
(3 )
⎧ (4 ) M
(4 ) Ok (t ) M⎛ m m ⎞ Ok(3) (t )
⎪ I i (t ) = ∑ wik ⋅ M = ∑ ⎜ ∑ ail ⋅ hl (t ) + ∑ bil ⋅xl (t )⎟ M
⎪
∑ Ok (t ) k =1⎝ l =1 ⎠ ∑ O (3) (t )
k =1 (3 ) l =1
⎨ k (2.37)
k =1 k =1
⎪
( )
⎪⎩hi (t + 1) = Oi(4 ) (t ) = f i (4 ) I i(4 ) (t ) = I i(4 ) (t )
où ail et bil sont les paramètres des conséquences à identifier par un processus
d’apprentissage adéquat.
n
( )
I o(5 ) (t ) = ∑ w0(5v) ⋅ Ov(4 ) (t − 1) & y 0 (t ) = O0(5 ) (t ) = f 0(5 ) I 0(5 ) (t ) = I 0(5 ) (t )
v =1
(2.38)
(5 )
avec w0v est un poids de valeur fixe.
Couche de rétroaction : Chaque neurone dans cette couche est un nœud récurrent. Oi(r ) (t )
est la sortie de nœud i à l’instant t et I i(r ) (t ) est son entrée. Selon la figure
2.15 :
⎧ I i(r ) (t ) = hi(r ) (t )
⎪
⎨ (r ) (2.39)
⎪⎩Oi (t ) = I i (t )
(r )
= Oi(4 ) (t − 1)
1≤i ≤ n
∑ wik ⋅ Ok (t )
M
(4 ) (3 )
hv (t + 1) = Ov(4 ) (t ) = k =1
∑ Ok (t )
M
(3 )
(2.40)
k =1
v =1
76
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
y1 yn
∑ ∑ Couche 5
z-1 z-1
h1 (t + 1) hn (t + 1)
Couche 4
∑ ∑
Couche de rétroaction
∏ ∏ Couche 3
Couche 2
G G G G G G G G
Couche 1
h1 (t ) hn (t )
x1 x2
SI (x(t ) est A( ) ) i
ALORS (~y ( ) (t ) = RNR ( ) (x(t )))
i i
(2.41)
x(t ) est le vecteur d’entrée. A(i ) est la partition floue dans la partie prémisse et RNR (i ) est
le RNA correspondant à la partie conséquence de la ieme règle (basé sur l'approche
classique du modèle flou de TS). La forme générale du modèle DFNN est représentée par
la figure 2.16.
µ i (t ), ( i = 1, ..., M ) est le degré d’activation de la ieme règle et M est le nombre global
des règles floues. Chaque RNR (i ) ( x(t )) dans (2.41) est une m − H − 1 structure neuronale
récurrente schématisée par la figure 2.17, où m est le nombre des entrées. H est le
nombre des neurones dans la couche cachée et 1 représente le neurone de la sortie. Les
neurones dans les couches cachée et sortie sont de type G-FGS.
L’architecture d’un G-FGS à une entrée ζ (t ) et une sortie ψ (t ) est représentée par la
figure 2.18. Basée sur cette architecture, la sortie du modèle G-FGS est donnée par :
77
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
⎛ 6447 FIR44 8 ⎞
⎜ Oζ ⎟
( )
Oψ
ψ (t ) = f ⎜ ∑ b j ⋅ ζ (t − j ) + ∑ (ai ⋅ψ (t − i )) + c ⎟ (2.42)
⎜ j =1 i =1 4
1 4244 3 ⎟
⎜ ⎟
⎝ IIR ⎠
où
bj & ai : Sont des poids synaptiques correspondant aux filtres FIR et IIR
{ {
j = 0, ..., Oζ i =1, ..., Oψ constituant le modèle récurrent du neurone G-FGS, respectivement.
c : Est une constante représentant le seuil du neurone.
f (⋅) : Est la fonction d’activation du neurone G-FGS.
Oζ & Oψ : Sont le degré du retard de l’entrée et des signaux de retour ‘local
output feedback’, respectivement.
µ1
Partie prémisse
(statique)
x(t ) µM y (t )
~
Défuzzification
~ (statique)
y1
Partie conséquence
(dynamique)
~
yM
G-FGS o1(i )
x1 (t )
ol(i ) y (i ) (t )
~
G-FGS G-FGS
x m (t )
G-FGS (i )
oH
Couche Couche
Couche cachée
d’entrée de sortie
Le tableau 2.3 donne une description des différents paramètres intervenant dans la
modélisation des G-FGS.
78
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
Paramètres Description
Sont les fonctions d’activation des neurones des couches cachées et de
sortie, respectivement. Paris A. Mastorocostas et al. ont proposé d’utiliser
f1 & f 2
les fonctions du type tangente hyperbolique tanh (.) comme fonction
d’activation [202].
Ol(i ) Est la sortie du neurone i dans la couche cachée à l’instant t.
y (i ) (t )
~ y (i ) (t ) = RNN (i ) ( x(t )) .
Est la sortie du neurone de la couche de sortie, ~
O x & O y1 Sont le degré du retard des entrées des G-FGS et de la couche cachée,
respectivement.
O y3 & O y 2 Sont le degré du retard des entrées et de G-FGS de sortie, respectivement.
1(i )
wljq & wlj2(i ) Sont les poids synaptiques des filtres FIR et IIR dans la couche cachée.
w 4jq(i ) & w 5j (i ) Sont les poids synaptiques des filtres FIR et IIR dans la couche de sortie.
wl3(i ) & w 6(i ) Sont les seuils des neurones cachés et de sortie, respectivement.
ζ (t − 1) ζ (t − 2 ) ζ (t − Oζ )
ζ (t ) z-1 z-1 z-1
b0 b1 b2 bOx
c
∑ f (.) ψ (t )
aOψ a1
z-1 z-1
ψ (t − Oy ) ψ (t − 1)
⎛ H Oy3 Oy 2 ⎞
y (i ) (t ) = f 2 ⎜⎜ ∑ ∑ w 4jq(i ) ⋅ O (ji ) (t − q ) + ∑ w 5j (i ) ⋅ ~
~ y (i ) (t − j ) + w 6(i ) ⎟⎟ i = 1, ..., M (2.43)
⎝ j =1q =0 j =1 ⎠
⎛ m Ox 1(i ) O y1 ⎞
Ol(i ) (t ) = f1 ⎜⎜ ∑ ∑ wljq ⋅ x j (t − q ) + ∑ wlj2(i ) ⋅ Ol(i ) (t − j ) + wl3(i ) ⎟⎟ l = 1, ..., H , i = 1, ..., M
⎝ j =1q =0 j =1 ⎠
(2.44)
79
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
~ (
y (i ) (t ) = F (i ) x(t ), x(t − 1), ...., ~
y (i ) (t − 1), ~ )
y (i ) (t − 2 ), ... i = 1, ..., M (2.45)
F (i ) est une transformation non linéaire définie par le réseau neuronal. La sortie du DFNN
à l’instant t, ~ y (t ) , sera calculée par l’utilisation de la méthode de défuzzification des
moyennes pondérées (1.26). En conclusion, la sortie du réseau de la figure 2.17 sera
donnée par la formule généralisée du contrôleur flou de type TS :
Aij et G sont des sous ensembles flous et wij et aij sont les paramètres de conséquences
des sorties h et y , respectivement. Le nombre des variables internes est défini par Nr .
Six couches forment le réseau TRFN. On note par ζ i(k ) l’entrée du nœud i dans la couche k
et Oi(k ) sa valeur de sortie.
(2 ) j (
⎧ ζ (2 ) − m
⎪ ij ) ⎫⎪
2
(2 ) (1)
Oi = exp⎨− ⎬ & ζ j = Oj (2.48)
⎪⎩ σ ij
2
⎪⎭
80
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
1
Oi(2 ) = & ζ i(2 ) = Oi(5 ) (2.49)
1 + exp − ζ ( (2 )
j )
Les liens entre la couche d’entrée et la couche 2 sont égaux à l’unité.
Couche 3 : La sortie de chaque neurone dans cette couche est calculée par l’opérateur de
conjonction ET. La fonction de chaque règle est :
Oi (3 ) m +1
(2 )
(
= ∏ O j = 1 + exp − Oi ( (5 )
))
−1 ⎜
. exp⎜ − ∑
(
⎛ m O (1) − m
j ij )
2 ⎞
⎟
(2.50)
j =1 ⎜ j =1 σ ij
2 ⎟⎟
⎝ ⎠
m +1 m
Oi(4 ) = ∑ a ij ζ (j4 ) = a i 0 + ∑ a ij x j + a i (n +1) hi (2.51)
j =0 j =1
aij , ( j = 0, 1, ..., m ) sont les paramètres à identifier. Les liens entre cette couche et la
couche 6 sont égaux à l’unité.
Nr
hi = Oi(5 ) = ∑ O (j3) ⋅ wij (2.52)
j =1
Couche 6 : Le nœud dans cette couche permet de calculer le signal de sortie de TRFN. Il
est donné par :
Nr
(3 ) (4 )
∑Oj ⋅Oj
y = O (6 ) =
j =1
Nr
(2.53)
(3 )
∑Oj
j =1
81
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
∑ µ i ( x(t ), hi (t )) ⋅ f i (t )
Nr
y (t + 1) = i =1
∑ µ i ( x(t ), hi (t ))
Nr
(2.54)
i =1
hi (t + 1) = ∑ µ k ( x(t ), hi (t )) ⋅ wik
Nr
k =1
avec :
f i (t ) = ai 0 + ∑ aij ⋅ x j + a i (n +1) ⋅ hi (t )
m
j =1
⎛ m (x j (t ) − mij )2 ⎞ (2.55)
µ i ( x(t ), hi (t )) = (1 + exp(− hi (t ))) −1
. exp⎜ − ∑ ⎟
⎜ j =1 σ ij2 ⎟
⎝ ⎠
y
h1 (t + 1) h2 (t + 1)
∑ ∑ Couche 4
wij
R1 R2 Couche 3
Couche 2
Couche 1
h1 (t ) h2 (t )
x1 x2
82
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
Feedforward
Feedback
Couche 2 : Couche des prémisses des règles floues. Chaque neurone p est une fonction
d’appartenance, qui est donnée dans le cas de la fonction gaussienne par :
83
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
⎧
( )
⎪µ O (1) = exp⎪⎨− i
⎧ O (1) − m
ij ( ) ⎫⎪
2
i = 1, 2, ..., m, j = 1, 2, ..., n
⎬
⎪ Aij i
⎨ ⎪⎩ σ ij 2
( ) ⎪⎭ (2.57)
⎪ (2 )
⎪O p = I (p2 ) = µ Aij Oi(1)
⎩
( ) i = 1, 2, ..., m ⋅ n
Couche 3 : La base des règles floues. Un neurone est une règle d’inférence floue.
L’opérateur de conjonction ET est utilisé pour calculer la sortie de neurone
q:
M
Oq(3) = I q(3) = ∏ µ Aij Oi(1)
i =1
( ) i = 1, 2, ..., m, q = 1, 2, ..., n m (2.58)
nm
(5 ) (5 )
y=O =I = ∑ Oq(4 ) (2.60)
q =1
w1(1) z-1
∏
x1
∏
w2(1) z-1
x2
y
∑
wn(1) z-1
xn
84
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
( )
I (j2 ) = wij(2 ) ⋅ Oi(2 ) & O (j2 ) = f I (j2 ) (2.62)
85
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
I t(5 )
I t(5 ) = ∑ wkt(5 ) ⋅ Ok(4 ) = ∑ (mk ⋅ σ k ) ⋅ Ok(4 ) & Ot(5 ) = F = (4 ) (2.65)
k k ∑ σ k ⋅ Ok
k
x1
x2
( )
2
1 q (d ) (5 )
E= ∑ ∑ Ol − Ol (2.66)
2 X l =1
q est le nombre des neurones dans la couche 5. Ol(d ) et Ol(5 ) sont les sorties désirée et
actuelle dans l’ensemble X , respectivement.
Les poids ajustables wkj correspondent au neurone k dans la couche 4 et au neurone
j dans la couche 3, c’est-à-dire, les fonctions d’appartenance de l’espace d’entrée/sortie.
La règle d’ajustement utilise l’algorithme de descente du gradient, où la règle
d’enchaînement s’effectue par :
(4 ) (5 )
∂E ∂E ∂Ok ∂E ∂Ol ∂Ok(4 )
= ⋅ = ⋅ ⋅ (2.67)
∂wkj ∂Ok(4 ) ∂wkj ∂Ol(5 ) ∂Ok(4 ) ∂wkj
86
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
y1 y2 Couche de
défuzzification
x1 x2 Couche de fuzzification
87
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
b. Modèles dynamiques
b.1. Modèle RSONFIN
La structure RSONFIN proposée par Chia-Feng Juang est un RNF à auto -
apprentissage [221]. Les noeuds de contexte (context nodes) agissent comme la mémoire
interne organisée dans la couche de rétroaction (feedback layer). Le modèle RSONFIN est
représenté par la figure 2.24. La propagation des signaux et la fonction des nœuds dans
chaque couche seront détaillées ci-dessus.
La forme de la ieme règle floue dynamique, réalisée par le modèle RSONFIN à m
entrées (x1 (t ) ~ x m (t )) , 2 sorties y1 (t ) et y1 (t ) et M règles, respectivement, sera donnée par
l’expression :
Couche 2 : Chaque neurone dans cette couche est une partition floue de l’espace
d’entrée (G). Sa sortie est le degré d’appartenance, donnée par la fonction
gaussienne :
O (2 ) ⎪
= exp⎨−
i (
⎧ I (2 ) − m
ij )
2 ⎫
⎪
(2.70)
⎬
⎪⎩ σ ij ( )
2
⎪⎭
Couche 3 : Chaque neurone correspond à une règle. La sortie de chaque neurone dans
cette couche est calculée par l’opérateur de conjonction ET. La fonction de
chaque règle est :
{ }
O (3) = O (6 ) ⋅ ∏ I i(3) = O (6 ) ⋅ exp − [Di ⋅ ( x − mi )]T [Di ⋅ ( x − mi )]
i
(2.71)
Couche 4 : Couche des conséquences des règles. Chaque neurone représente le sous
ensemble flou de la sortie (gaussienne). Le modèle mathématique du nœud
i est l’opérateur OU :
88
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
(5 ) ~
∑ Ii ⋅ m ji
y i = Oi(5 ) = i
(5 ) (2.73)
∑ Ii
i
{I ( ) = O ( ) } et m~
i
5
i
4
ji sont des poids de connexion et le centre de la fonction d’appartenance
du terme i de la variable j de la sortie, respectivement.
hi = ∑ Oi(4 ) ⋅ w ji (2.74)
i
1
O (6 ) = (2.75)
1 + exp(− hi )
En conclusion, la fonction réalisée par le modèle RSONFIN est donnée par les
relations suivantes :
(5 ) ~
∑ Ii ⋅ m ji
y i (t + 1) = i
(5 ) (2.76)
∑ Ii
i
⎧⎪ ⎛ x (t ) − mik ⎞
2⎫
⎪
(5 ) (6 ) (4 ) (6 ) (3) (6 )
Ii = ∑ Oi ⋅ I ik = ∑ Oi ⋅ ∏ I ki = ∑ Oi ⋅ exp⎨− ∑ ⎜⎜ i ⎟⎟ ⎬ (2.77)
k k i k ⎪⎩ i ⎝ σ ik ⎠ ⎪⎭
1
a k(6 ) = (2.78)
1 + exp(− hk )
⎧ ⎛ x j (t − 1) − m jl ⎞
2⎫
(4 ) ⎪
(6 ) ⎪
hk (t ) = ∑ wkl Ol ⋅ (t − 1) = ∑ wkl ⋅ Ol (t − 1). exp⎨− ∑ ⎜ ⎟ ⎬ (2.79)
⎜ σ jl ⎟
l l ⎪⎩ j ⎝ ⎠ ⎪⎭
89
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
y1 y2
Couche 5
wij
~
m ij
Nœuds de
Couche 4 ∑ ∑ contextes
h1 h2
S Nœuds de
S
rétroaction
Couche 3 R1 R2 R3 z-1 z-1 z-1
Couche 2 G G G G G
Couche de
rétroaction
Couche 1
x1 x2
Couche 1 : Chaque nœud dans cette couche correspond à une contribution d’une
variable d’entrée. Sa fonction est de transmettre, directement, la valeur du
signal d’entrée vers la couche suivante. Ainsi, la fonction du nœud i est
définie comme suit :
f = u i1 = x i & a = f (2.80)
90
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
Couche 2 : Chaque nœud dans cette couche correspond à une variable linguistique de
l'un des variables d'entrée dans la couche 1. En d'autres termes, le degré
d’appartenance qui précise les mesures dans laquelle une valeur appartient à
un ensemble flou est calculé dans la couche 2. Dans le cas de la fonction
gaussienne, l'opération exécutée dans cette couche est :
2
1 ⎛⎜ u i − mij ⎞
2
f =− ⋅ ⎟ & a= f (2.81)
2 ⎜⎝ σ ij ⎟
⎠
Couche 3 : Les noeuds dans cette couche représentent les règles d’inférence et
constituent les antécédents de la base de règles floues. Les inférences sont
calculées par :
n
f = ∏ u i3 & a= f (2.82)
i =1
Couche 4 : Les nœuds dans cette couche sont appelés ‘noeuds des variables
linguistiques de sortie’. Chacun possède 2 modes de fonctionnement : Mode
de transmission bas-haut ‘down-up’ et haut-bas ‘up-down’. Dans le mode
bas-haut, les noeuds dans la couche 4 effectuent l’opération de disjonction
‘OU’ sur les règles actives qui ont les mêmes conséquences :
J
f = ∏ u 4j & a = min (1, f ) (2.83)
j =1
Dans le mode de transmission haut-bas, les noeuds de la couche 4 et les liens dans
la couche 5 ont le même mode de fonctionnement que celle de la couche 2, sauf que
seulement un seul nœud est utilisé pour jouer le rôle de la fonction d'appartenance des
variables de sortie.
Couche 5 : Il existe 2 types de noeuds dans cette couche. Le premier type exécute le
mode de transmission haut-bas pour activer les données l’apprentissage dans
le réseau. Pour ce type de nœuds :
f = yk & a = f (2.84)
( )
f = ∑ wij5 ⋅ u i5 = ∑ mij ⋅ σ ij ⋅ u i5 & a=
f
(2.85)
∑ σ ij ⋅ u i
5
91
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
u1k y1
w1k x1
y1d
u 2k
Oik
w2k f ( ) a( )
y2
w kp x2
y 2d
u kp
avec l = (i − 1) * ni + j .
92
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
Ok2
Ok3 = 2
(1 ≤ k ≤ nr ) (2.88)
∑ k Ok
1
µ B (y) = 2
(2.89)
⎛ y−c⎞
1+ ⎜ ⎟
⎝ d ⎠
Selon le nombre des règles défini dans la couche 2, la sortie est partitionnée en nr 2
{ }
variables linguistiques B1 , B2 , ..., Bnr 2 . Le raisonnement flou de Tsukamoto est utilisé
dans la phase de défuzzification comme indiqué par la figure 2.27. La sortie défuzzifiée
de la keme règle est :
⎧ 1
⎪c k − d k −1 si k = impair
⎪ Ok3
yk = ⎨ (2.90)
⎪c + d 1
⎪ k k −1 si k = pair
⎩ Ok3
⎧ ⎛ 1 ⎞
⎪Ok3 ⋅ ⎜ c k − d k ⋅ − 1 ⎟ si k = impair
⎪ ⎜ O 3 ⎟
4 3 ⎪ ⎝ k ⎠
Ok = Ok ⋅ y k = ⎨ (2.91)
⎪ 3 ⎛⎜ 1 ⎞
⎪Ok ⋅ ⎜ c k + d k ⋅ −1⎟ si k = pair
⎪⎩ Ok3 ⎟
⎝ ⎠
Couche 5 : Un seul neurone permet de calculer la somme de l’ensemble des sorties des
règles. Elle est donnée par :
Y = O 5 = ∑ Ok4 (2.92)
k
93
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
∏ Ν
x1
∏ Ν
Y
∑
∏ Ν
x2
∏ Ν
1
B1 B2 Ensemble flou de
sortie Y
Y
Division en 4 fonctions monotones
1
O23 O43
O13 O33
y1 Y y2 Y y3 Y y4 Y
O13 y1 + O 23 y 2 + O33 y 3 + O 43 y 4
Y=
O13 + O23 + O33 + O43
94
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
x1 y1
x2 Z1
y2
xn y’1
Z2
y’k
x1 z1 Z1
x2
z2 Z2
xn+k
x1 dz1
x2
dz2
xn
2.4. Conclusions
Suite à la proposition des ensembles flous par L. Zadeh, l’idée de réunir les SIF, les
AG et les RNA a attirée l’attention des chercheurs dans le domaine des TIA. Les SIF ont la
propriété d’approximer n’importe quelle fonction non linéaire. Mais, la modélisation de
ces systèmes n’était pas toujours évidente. C’est pourquoi le flou adaptatif a fait son
apparition. Les lois d’adaptation proposées dans la littérature (on-line & off-line) agissent
sur le comportement global du SIF : Sa configuration structurelle & paramétrique.
Les TIA sont des approches visant à émuler, dans des systèmes artificiels, les
capacités des espèces vivantes. L’identification de l’environnement et la prise des
décisions adéquates en présence d’incertitudes et d’imprécisions sont l’objectif idéal des
TIA. Les RNA et la LF sont 2 techniques qui disposent aujourd’hui d’une théorie bien
fondée et qui ont été, efficacement, utilisées dans divers domaines.
95
Chapitre 2 Techniques Intelligentes : Vers une approche hybride
Les AG sont des algorithmes d’optimisation stochastiques fondés sur les mécanismes
de l’évolution génétique des espèces. Ils ont été utilisés avec succès pour obtenir des
structures/paramètres optimaux pour les SIF. Cela exige une représentation des paramètres
à rechercher dans une chaîne de caractères codés. Une fonction objective appropriée est
nécessaire pour évaluer l'aptitude des solutions représentées par une population de chaînes.
Les RNF sont créés afin de synthétiser les avantages et de surmonter les
inconvénients des RNA et des SIF. De cette manière, les algorithmes d’apprentissage
peuvent être employés pour déterminer les paramètres des SIF. Ceci revient à créer ou
améliorer un SIF de manière automatique, au moyen des méthodes spécifiques aux RNA.
De nombreuses structures neuro - floues ont été appliquées avec succès dans de nombreux
domaines en raison de leurs avantages. Cependant, l’implantation de telles structures
dépend, fortement, des connaissances, à priori, sur le système et des données empiriques.
Ces approches présentent l’intérêt de résoudre 2 problèmes importants des SIF :
• La détermination des univers de discours ou les partitions flous pour chaque sous
ensemble flou.
• Les règles et leurs adaptations à l’environnement.
L’objectif des approches floue - génétique, neuro - floue et neuro – floue - génétique
est de développer des systèmes hybrides qui réunissent les capacités d’apprentissage des
RNA, d’optimisation des AG et la lisibilité et la souplesse des éléments manipulés par les
SIF. Ceci s’effectue dans un sens coopératif. Une alternative d’hybridation des TIA
destinée à la commande des systèmes non linéaires, hautement complexes est présentée
dans le chapitre 3.
96
Chapitre 3
Résumé :
D ans ce chapitre, nous allons développer une méthodologie de synthèse d’une loi
de commande floue. L’hybridation NF est exploitée dans le développement de
l’algorithme de contrôle. L’une des caractéristiques principales est la réduction de la base
de règles floues. L’efficacité, la simplicité, la stabilité et la robustesse sont des facteurs
significatifs intervenant dans l’indexe de performances désirées. L’optimisation de la
configuration du système de contrôle s’effectue par une approche hybride. L’AGM suivi
par la descente du gradient est utilisée pour réaliser les objectifs mentionnés dans la phase
de conception. Dans le but de tester et d’évaluer les performances de l’algorithme proposé
pour la synthèse d’une loi de commande à objectifs multiples (simple, précis, stable et
robuste), nous effectuerons des simulations sur quelques systèmes non linéaires. A chaque
type de système non linéaire est appliquée une forme spécifique de la loi de commande
développée. Cette différence est due, principalement, à la nature et à la complexité du
procédé à commander. Les résultats de simulations montrent bien l’efficacité de l’approche
proposée.
97
Sommaire
3.1. Introduction……..…………………………………………………................99
3.2. Méthodes de réduction de la base des règles floues…………......................99
3.3. Synthèse de la loi de commande…………………………………………...103
3.4. Processus de conception……………………………………………………115
3.4.1. Position du problème ………………………….….............................115
3.4.2. Méthode d’optimisation ……..............................................................118
3.4.2.1. Optimisation génétique …………........................................119
a. Caractéristiques fondamentales ………………………..120
b. Critère de performances………………………………..124
3.4.2.2. Apprentissage fin…………………………………………..131
3.5. Simulations………………………………………………………………….133
3.5.1. Commande de la température d’un bain (Contrôleur NL-P)...............133
3.5.2. Commande du pendule inversé (Contrôleur NL-PD)..........................137
3.5.2.1. Commande en régulation………………………………….139
3.5.2.2. Commande en poursuite..………………………………….142
3.5.3. Commande d’un robot manipulateur à 2 degrés de liberté (NL-PI)....144
3.5.3.1. Introduction………………………………………………..144
3.5.3.2. Description du bras manipulateur………………………….144
3.5.3.3. Synthèse de la loi de commande…………………………..146
3.6. Conclusions…………….................................................................................150
98
3. Synthèse d’une loi de commande floue
à configuration minimale
3.1. Introduction
L'application du contrôle flou à grande échelle des systèmes complexes n'est pas une
tâche évidente. Pour ces systèmes, le nombre des règles de contrôle SI - ALORS s’explose
exponentiellement. Dans beaucoup de cas, la structure est déterminée, empiriquement, en
choisissant, à priori, le type du raisonnement floue de Mamdani ou de TS, le nombre des
sous ensembles flous pour chaque variable et en prenant toutes les combinaisons possibles
pour construire la base des règles. Le nombre des sous ensembles flous sur chacune des
entrées influera, directement, sur le nombre de règles. Si nous avons l sous ensembles
flous pour chacune des n variables linguistiques, nous aurons ainsi, l n combinaisons
possibles de règles. Dans les applications réelles, les systèmes sont souvent complexes et
ont besoin d'une approche spécifique de modélisation et de contrôle.
Pour extraire, à partir d’une base de données, des règles floues qui complètent le
savoir faire des experts, une optimisation structurelle/paramétrique du système est
nécessaire. Elle consiste en :
• Sélection des variables.
• Réduction de la base des règles.
• Optimisation des paramètres correspondants.
Notre travail a été motivé par les problèmes rencontrés dans la phase de conception
des SIF. Il s’agit, essentiellement, de :
• Problème de dimensionnement de la base des règles floues du SIF, c’est-à-dire, sa
structure.
• Problème de configuration des paramètres de la base de connaissances.
• Problèmes de stabilité/robustesse de l’ensemble contrôleur/procédé à commander.
C’est ainsi qu’on a envisagé l’utilisation d’un algorithme hybride qui combine les
méthodes d’optimisation d’ordre zéro et un pour la conception d’un contrôleur flou. Un
algorithme hybride pour la construction d’un contrôleur NF est proposé dans ce travail. La
simplicité de la loi de commande, l’efficacité, la stabilité et la robustesse sont des facteurs
intervenant dans le critère des performances à optimiser. Le processus de mise en œuvre
ainsi que les résultats de simulation sont décrits dans le reste de ce chapitre.
99
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
Une des premières tentatives de réduction de la base des règles des SIF est la
méthode essais - erreurs ‘trial & errors’. Elle consiste à construire une matrice d’inférence
complète et d’éliminer à chaque essai une règle (resp. plusieurs règles). Garder ou éliminer
une règle dépend du comportement global du système à étudier [11] & [228].
Cependant, pour les applications de contrôle des procédés, généralement, il n'y a pas
assez de données pour extraire la base des règles du contrôleur. Le concepteur doit
concevoir une base des règles générique, c'est-à-dire, une base qui prend en considération
toutes les combinaisons possibles de valeurs des variables d’entrées. L’inconvénient
majeur est que la taille de la base des règles floues augmente, exponentiellement, en
fonction du nombre des entrées du contrôleur. Comme la complexité d'un système à
commander augmente, il devient difficile et parfois impossible de prendre une décision
précise à propos de son comportement. Deux principales familles de techniques sont
proposées dans la littérature. La première consiste à fusionner des éléments de même type :
Groupes, sous ensembles flous ou variables. La seconde famille est basée sur des
techniques stochastiques et mathématiques [119] - [120].
Par exemple, le groupage flou ‘fuzzy clustering’ est considéré comme l'une des
importantes techniques de génération automatique des règles floues à partir des données
numériques [229]. Dans cet algorithme, le partitionnement de l’espace est dérivé de la
partition des données et conduit à une règle par groupe dans le cas général. Par conséquent,
les ensembles flous résultants sont propres à une règle. Ils ne sont pas partagés par
l’ensemble des règles. La taille de la base des règles peut être contrôlée via le contrôle du
nombre de centres de groupage.
Une méthode d’extraction automatique et de simplification de la base des règles
floues, pour établir des modèles flous interprétables à partir des données numériques, a été
proposée par Min-Yu Chen et al. [230]. La technique de groupage flou et l’analyse des
mesures de similarité ‘similarity analysis’ entre règles sont prises en considération.
L’algorithme OLS est un processus d’apprentissage et de réduction de la base de
connaissances floues qui, à partir d’une base de données d’apprentissage, construit un
ensemble de règles pour ensuite conserver que les plus significatives [231] - [232]. L’OLS
s’opère par le biais d’une régression linéaire utilisant les fonctions de base floues de Wang
& Mendel [10].
Une technique pour la génération et la minimisation des règles floues dans le cas où
les données disponibles sont insuffisantes pour l’élaboration du modèle flou a été proposée
par Zaheeruddin [233]. Des règles initiales pour chaque paire de données sont générées.
Les conflits de règles sont fusionnés en fonction de leur degré de pertinence (degree of
soundness).
Une recherche arborescente, dont la base des règles est construite d’une manière
incrémentale, a été développée par Pierre Yves Glorennec [119]. La méthode dite aussi des
arbres de décisions flous consiste à concevoir des bases de règles incomplètes, partant
d’une configuration plus simple et en ajoutant des fonctions d’appartenance à chaque
étape. Les variables d’entrées sont, parfois, sélectionnées en fonction de leurs effets sur la
sortie. Les moins influentes peuvent être retirées du modèle. Ceci peut être appliqué dans
divers formalismes comme les RNA (Chapitre 2).
Un moyen simple et probablement plus efficace pour réduire la taille de la base des
règles est d'utiliser le mode glissant de contrôle. L’inconvénient de cette approche est que
les paramètres de la fonction de commutation doivent être sélectionnés par un expert ou
conçus à travers la théorie du contrôle classique [234].
Les travaux de Kazuo Tanaka & Tadannri Taniguchi représentent une autre voie pour
la réduction de la base des règles des SIF. L’analyse de stabilité au sens de Lyapunov est
l’outil de base. Les conditions pour réduire le nombre de règles ont été représentées dans le
100
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
contexte LMI [235] - [236]. La méthode de réduction SVD est aussi utilisée pour la
réduction automatique de la base des règles des SIF [237].
Comme mentionné auparavant, le dimensionnement des SIF et des RNF est un
problème non résolu d’une manière définitive. Le concept de simplification et de réduction
des bases de connaissances des SIF est une voie ouverte pour la proposition des techniques
de modélisation et de contrôle simples, efficaces et robustes.
Construire des SIF employant aussi moins que possible des règles avec la garantie
des performances désirées est un problème significatif qui a attiré l’attention des
chercheurs dans la communauté de la logique floue [238]. Les TIA représentent une base
algorithmique importante pour répondre aux besoins des concepteurs. Le choix du type de
raisonnement, les contraintes conceptuelles (interprétabilité des règles, stabilité en BF,
…etc.), la méthode d’optimisation, le mode de représentation des informations et le critère
des performances désirées sont des facteurs qui font la différence entre les différentes
propositions [125], [155], [161] & [239] - [244].
J. Zhao et al. ont proposé d’utiliser les AG pour l’élimination des règles redondantes.
Le raisonnement de TS est exploité [239]. K. Belarbi et al. ont introduit un coefficient de
stabilité comme base pour minimisation des règles du type Mamdani. Le codage binaire est
utilisé pour la représentation de paramètres/structure de la base des règles floues [161].
Rafael Alcalá et al. ont présenté une étude sur la façon dont les méthodes
d’amélioration dites à base des approches raffinées ‘basic refinement approaches’ peuvent
être combinées ‘hybridation’. Les approches hybrides présentent un bon compromis entre
l’interprétabilité et la précision [240].
L’inclusion des termes structurels (nombre des entrées, nombre des fonctions
d’appartenance, nombre des règles, …etc.) dans le critère des performances à minimiser en
plus des termes fonctionnels (erreurs de poursuite, temps de réponses, …etc.) est aussi
abordée par certains chercheurs [239] - [240], [243] & [245] - [248].
A. Soukkou et al. ont proposé un AG avec une représentation mixte : Binaire-réel-
entier comme méthode d’optimisation d’un RNF. La précision ‘efficacité’, la réduction de
la base des règles et la minimisation de l’énergie de commande sont des facteurs
significatifs dans l’indexe de performances [246]. La figure 3.1 représente la matrice ainsi
que le codage approprié d’une partie des conséquences des règles d’inférence. Cette forme
a été proposée par V. Matellan et al. [249].
Feng Wan et al. ont présenté une approche de calcul géométrique pour la
détermination d’un nombre minimal de règles tout en gardant un niveau acceptable de
précision du SIF résultant [250].
Francesco Cupertino et al. & Vincenzo Giordano et al. ont développé une stratégie
d’apprentissage hybride pour la conception d’un contrôleur flou adaptatif. L’AG est utilisé
pour l’optimisation des paramètres du contrôleur, y compris le nombre des fonctions
d’appartenance et les règles d’inférence. Un ajustement plus fin des paramètres des
conséquences ‘singleton’ est effectué par l’approche énergétique de Lyapunov [251] -
[252].
Chi-Ho Lee et al. ont présenté 2 phases pour l'optimisation d’un SIF. A chaque règle
floue est associé un poids déterminant le degré de contribution de la règle à l’ensemble de
la base des règles [253] :
• Dans la première phase, un algorithme évolutionnaire est appliqué pour trouver la
forme réduite de la base des règles ainsi que les facteurs d’échelles pour les
variables d’entrées.
• Le principe de l'entropie maximum est utilisé pour déterminer les poids des règles
dans la deuxième phase de l’algorithme.
101
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
x2
NB NM ZE PM PB
NB
NM
x1 ZE
PM
PB
... ...
R1 R2 R13 R24 R25
0 : Ri → Règle inactive
1 : Ri → NB
2 : Ri → NM
3 : Ri → ZE
4 : Ri → PM
5 : Ri → PB
Cette sortie est l’entrée de l’étage i + 1 , ainsi de suite. Par conséquent, on peut
déduire la sortie de la structure hiérarchique du SIF. Elle est donnée par :
102
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
⎛ ⎛ ⎛ ⎞ ⎞ ⎞
⎜ ⎜ ⎟ ⎟
u (t ) = f m ⎜ f m−1 ⎜ f m−2 ⎜ f m−3 (...), em−2 (t )⎟, em−1 (t )⎟, em (t )⎟ (3.2)
{ { ⎜ { ⎜ { ⎟ ⎟
Etage m⎜
⎝ Etage m−1⎝ Etage m−2⎝ Etage m−3 ⎠ ⎠
⎟
⎠
Variables intermédiaires
e1 (t ) u1 (t ) u 2 (t )
Etage 1
e2 (t )
Etage 2
u (t )
Etage m
e3 (t )
em (t )
Prémisse Conclusion
64444 4 744444 8 644 47444 8
R
{ : i
SI ~
x4
11 est
24
A
31
i
(... ET ~
xn est)An
i
(
ALORS ) u est F i (~
142 4
, ...,
x 1 43 x n)
~
4
(3.3)
i =1, ... , N
Antécédent
1 42
4 43 4 Conséquence
Proposition floue
103
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
~
X &U : Correspondent, respectivement, aux univers de discours des
variables d’entrée et de sortie.
A1i ~ Ani : Sont les termes linguistiques caractérisant les sous ensembles
flous des entrées.
F i (~ x n)
eme
x 1 , ..., ~ : Représente la partie conséquence de la i règle.
Le tableau 3.1 résume les différentes configurations possibles du modèle donné par
l’expression (3.3) en fonction des valeurs ‘formes’ des conséquences.
q0i • Type C.
l =n
l =0
i
(
∑ ql ⋅ ~
xl ) • Type D.
Fi
{ (x1 , ..., xn ) Fonction non linéaire • Type E.
i =1, ..., N
(B )× ⎛⎜⎝ ∑ (q
i
l =n
l =1
l
⎞
x l )⎟
⋅~
⎠
• Type F.
( ) ~ ⎛⎜ ∑ (q ⋅ ~ )⎞⎟ ∧
Bi ∧
l =
⎝ l =1
n
l xl
⎠
[ ]
~ c~ i
F • Type G.
l =n
(
∑ ql ⋅ xl (t ) ∧
l =1
i
) {[ ]~ [w
~ c~ i ∧
F
~ ]
i } • Type H.
104
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
• Type E : SIF d’ordre supérieur [265] - [266]. Les auteurs ont proposé une collection
des contrôleurs non linéaires du type :
• Biquadratique - 1 : TS0 + c3 ⋅ x12 + c 4 ⋅ x 22 + c5 ⋅ x1 ⋅ x 2 .
• Biquadratique - 2 : TS0 + c3 ⋅ x1 ⋅ x 2 .
• Trilinéaire : c0 + c1 ⋅ x1 + c 2 ⋅ x 2 + c3 ⋅ x3 .
• Triquadratique - 1 : Trilinéaire + c 4 ⋅ x12 + c5 ⋅ x 22 + c6 ⋅ x32 .
• Triquadratique - 2 : Trilinéaire + c 4 ⋅ x1 ⋅ x 2 + c5 ⋅ x1 ⋅ x3 + c6 ⋅ x 2 ⋅ x3 .
• Type F : Ce travail est inspiré des travaux de Hao Ying dans [267] - [268]. B i est le
centre de gravité de l’ensemble flou de sortie (singleton) associé à la ieme règle
[269].
• Type G : Ce modèle est développé par A. Soukkou et al. [246]. Il s’agit d’une
hybridation entre le modèle de Mamdani et le modèle de TS1 avec une base
de règles réduite. Ce type est une amélioration du travail précédent. Un AG
multiobjectif (MGA) avec un codage mixte : Binaire-réel-entier est développé
pour l’optimisation de la base de connaissances floues. Les résultats de
simulation montrent bien l’efficacité de l’approche proposée.
• Type H : La forme des règles proposée dans ce travail. Un contrôleur flou développé
avec cette forme de règles est utilisé pour le contrôle de système de la
température d’un bain d’eau et le pendule inversé, respectivement, est
présenté par A. Soukkou et al. dans [270]. L’AG avec un codage mixte
binaire - réel est utilisé pour l’optimisation de l’ensemble des paramètres
figurant le contrôleur. A la fin de l’exécution de l’algorithme, nous avons
constaté que seulement 8% des règles sont suffisantes pour assurer les
performances désirées. Dans un autre travail dans le même cadre, une
architecture ANFIS modifiée adaptée à cette forme de règles a été étudiée en
détail avec différentes formes d’hybridation des méthodes d’optimisation :
AG, MCR et de la rétropropagation du gradient [271] - [272]. Dans [272],
4% de la base des règles, c’est-à-dire 1/25, permet de donner de bons
résultats (efficacité et robustesse) pour l’exemple de régulation du système du
pendule inversé. Dans l’exemple de poursuite d’une trajectoire sinusoïdale,
8% de la base des règles, c’est-à-dire, 2/25 sont suffisantes pour réaliser
l’objectif de la commande. Dans [271], les auteurs ont présenté une
comparaison entre 2 alternatives de conception des SIF. La première est le
cas où on fait associé à la base des règles globale un gain unique. La
deuxième est celle présentée par la forme de règles proposée. Une règle
présente un modèle local. L’effet collectif de l’ensemble des modèles locaux
présente le comportement global du SIF. La dernière forme présente de
meilleures performances. Le point commun entre ces 2 formes est le nombre
minimal de règles floues. Les comparaisons ont été effectuées sur l’exemple
du pendule inversé.
Dans cette partie de la thèse, nous intéressons à un type particulier des RNA, abordé
au chapitre précédent, le RBF. S. R. Jang et al. ont montré qu’un RBF est, strictement,
équivalent à un SIF du type TS0 sous certaines conditions [186] :
• Condition 1 : Le nombre des couches dans le réseau RBF correspond au nombre
des règles floues.
• Condition 2 : Les fonctions d’appartenance sont choisies du type gaussiennes.
105
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
Définitions
Le modèle RBF a comme particularité que ses fonctions - noyaux sont locales, c’est-
à-dire, qu’elles ne donnent des réponses utiles que pour un domaine de valeurs
restreint. Ce domaine est défini autour d’un point, le centre (ou noyau). En général,
chaque fonction - noyau est décrite par 2 paramètres : La position de son centre et la
taille du domaine. Pour approximer un comportement donné, les fonctions - noyaux
sont assemblées pour couvrir de leurs domaines l’ensemble des données d’entrée.
Ces fonctions sont, ensuite, pondérées et leurs valeurs sont sommées pour produire
une valeur de sortie. Les fonctions - noyaux peuvent être définies, de manière
générale, par :
Φ( X , c ) = Φ( X − c , Σ ) (3.4)
Φ (⋅) est une fonction-noyau. ⋅ est une norme (en général, la norme Euclidienne ou
la distance de Mahalanobis). c et ∑ sont le centre et l’écart type de la fonction
noyau, respectivement. Dans le cas de la fonction gaussienne, elle est décrite par la
relation :
⎛ λ ⎞
Φ ( X , c ) = exp⎜⎜ − 2 X − ci
2
⎟ (3.5)
⎟
⎝ dm ⎠
λ est le nombre des centres ci (le nombre des fonctions de base) et d m est la
distance maximale entre les centres sélectionnés. De manière générale, la largeur
des fonctions radiales doit être comprise entre le minimum et le maximum de la
distance entre les points de la base de données d’apprentissage (entraînement). Une
règle empirique est utilisée dans le cas où une même valeur d’écart type est choisie
pour toutes les fonctions. La variance de la RBF est donnée par [273] :
dm
σ= (3.6)
2.λ
Dans certains travaux, le paramètre σ est choisi de tel sorte que [73] :
σ i = β ⋅ ci (3.7)
106
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
L’architecture RBF est bien adaptée à l’analyse multimodèle dont chacun des
neurones de la couche cachée correspond à un modèle local. La forme des règles du
contrôle flou développée dans ce travail est représentée par un modèle TS1 avec des
facteurs d’incertitude et de contribution associés à chaque règle d’inférence. Ainsi, le
contrôleur résultant est une collection de sous modèles flous où chaque sous modèle
modi , (i = 1, ..., N ) est une règle floue (Fig. 3.3).
mod1
Agrégation
Entrée(s)
Sortie(s)
modN
La structure d'un PMC (multimodèle) du type RBF-flou proposée dans ce travail est
schématisée par la figure 3.4. L’effet combiné des 5 couches de la figure 3.4 du réseau
constitue le mode fonctionnel du système de contrôle.
⎛ X~ − c 2 ⎞
Φj =Φj ( ~ ⎜
X − c j , σ j = exp⎜ −
σj
)2
j ⎟
⎟
⎜ ⎟
⎝ ⎠ (3.8)
⎛ n ~
⎜
= exp⎜ − ∑
xi − c ij ⎞⎟
2
( ) j = 1, 2, ..., N
⎜ i =1 σ ij 2 ⎟⎟
⎝ ⎠
n ⎛ ~ i 2 ⎞
(
⎜ xi − c j ⎟ n i ~
Φ j = ∏ exp⎜ −
)
µ j ( xi )
i =1 ⎜ σ ij
2 ⎟⎟ = i∏
=1 Ai
(3.9)
⎝4
14 42444 3⎠
µ i j ( ~xi )
A i
107
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
Remarque :
Le modèle du neurone flou n’a pu être formulé que grâce à la propriété de la
⎛n ⎞ n
fonction exponentielle : exp⎜ ∑ (α i )⎟ = ∏ exp(α i ) .
⎝ i =1 ⎠ i =1
Couche 3 : Chaque nœud représente un switch Tout Ou Rien (TOR). Le TOR permet
d’activer ou de désactiver la règle correspondante. Sa formule mathématique
est décrite par :
⎧⎪Φ j si c~Fj = 1
TOR j = ⎨ (3.10)
⎪⎩0 si c~ j = 0
F
Couche 4 : Neurones de TS. Cette couche s'appelle la couche des conséquences des
règles. La sortie du neurone j de la couche 4 est calculée par la relation
suivante :
~
Ψ j = TOR j ⋅ F j (~ xn )
x1 , ..., ~
(3.11)
(
= TOR j ⋅ q1j ⋅ ~
x1 + q 2j ⋅ ~x2 + ... + q nj ⋅ ~
xn )
Couche 5 : Couche de sortie. La sortie du réseau est définie telle que :
N
u * (t ) = ∑ w
~ ⋅Ψ
l l (3.12)
l =1
Par substitution des expressions (3.9) & (3.11) dans (3.12), la sortie du réseau
contrôleur sera calculée par :
N
~ ⋅ TOR ⋅ F~ l (~
u * (t ) = ∑ w xn )
x1 , ..., ~ (3.13)
l l
l =1
Le tableau 3.2 représente des cas particuliers du contrôleur (3.13) et ceci suivant la
~
valeur du polynôme du TS F l (~ x n ) et le vecteur poids des règles.
x1 , ..., ~
En résumé, la forme générale de la loi de commande est donnée par la relation (3.14).
Par la suite, un contrôleur PID et ses dérivés P, PI et PD représentent des cas particuliers
de cette loi. Le choix des variables d’entrée est un facteur significatif dans cette dernière
conséquence.
n
u * (t ) = ∑ Θ i (c~F , ~ ~ )⋅ ~
x , q, w xi (3.14)
i =1
~ ~ ~ N
⎡
{
Θ i (c F , x , q, w ) = ∑ ⎢ c~Fl × w
~ }
⎧n
⎪
⎛ ~ (
x − cr
⋅ ⎨ ∏ exp⎜⎜ − r 2 l
)
2 ⎞⎫ ⎤
⎟⎪ ⋅ q l ⎥ (3.15)
⎢ l ⎟⎟⎬ i ⎥
l =1 ⎪⎩r =1 ⎜⎝ σ lr
⎠⎪⎭ ⎦⎥
⎣⎢
108
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
{c~
1 ~N
F ,..., c F } {~x1 (t ),..., ~x n (t )}
Φ1 Ψ1
~
w1
Φ2
~
Ψ2 w u * (t )
x1 (t )
~ 2 Σ
x n (t )
~
~
w
ΦN N
ΨN
Prémisses Conséquences
L’ajout d’un processeur de normalisation [PN] dans le réseau de la figure 3.4 nous
permet d’avoir un réseau RBF-flou normalisé (Fig. 3.5). Le facteur de normalisation γ l (~
x)
eme
de la l règle est calculé par :
1
γ l (~x ) = (3.16)
∏
n
exp
⎛ ~ (
⎜ − x r − cl
r
)
2 ⎞
⎟
r =1
⎜⎜ σ lr
2 ⎟⎟
⎝ ⎠
109
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
⎡
⎢ N
l
{~
⎧n
⎪
}
∑ c F × wl ⋅ ⎨ ∏ exp⎜ −
⎛ ~
⎜ (
x r − clr ) 2 ⎞⎫ ⎤
⎟⎪ ⋅ q l ⎥
l =1 ⎢
⎟⎟⎬ i ⎥
⎪⎩r =1 ⎜⎝
2
σ lr
~) = ⎣ ⎢ ⎠⎪⎭ ⎥⎦
Θ i (c~F , ~
x , q, w (3.17)
⎧ ⎫
⎪ 2 ⎪
N ⎪ n
∑ ⎨ ∏ exp⎜ −
⎛ ~
⎜ (
x r − clr ⎞⎟⎪ )
l =1 ⎪r =1 ⎜ σ lr
2 ⎟⎟⎬
⎝ ⎠⎪
⎪14442~4443 ⎪
⎩ ρi ( x ) ⎭
fl
644 47 444 8
*
N
∑ ρ l (~
l =1
{
x ) ⋅ c Fl × w }
n
~ ⋅ ∑ ql ⋅ ~
l i xi
i =1
u = N
(3.18)
∑ ρ i (~
x)
l =1
N ⎧ 2 σ r ⎞⎫
⎛
( )
2
⎪n l ⎟⎪
Le terme [PN ] = 1 ∑ ⎨ ∏ exp⎜⎜ − ~
xr − clr ⎟⎬⎪ est le facteur de normalisation.
l =1⎪
⎩r =1 ⎝ ⎠⎭
Dans ce cas, on parle de réseau normalisé.
En introduisant la notion de fonctions floues de base [8], la sortie (3.18), peut être
réécrite sous la forme compacte suivante :
u * = ρ T (~
x )⋅θ (3.19)
θ = [ f1 , ..., f N ]T est le vecteur des paramètres à ajuster. β (~x ) = [β1 (~x ), ..., β N (~x )]T est le
vecteur des fonctions floues de base dont chacune des composantes est donnée par :
ρ k (~x )
β k (~x ) = N
k = 1, ..., N (3.20)
∑ ρ i (~
x)
l =1
Pour ne pas avoir de pertes des données d’entrées, les fonctions floues de base sont
construites de sorte que :
~
∑ ρ i (~
x)≠ 0
N
∀~
x∈X (3.21)
l =1
Le modèle non normalisé de la figure 3.4 n’est pas concerné par la condition (3.21),
il suffit de trouver les règles actives avec des paramètres adéquats.
110
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
{c~
1 ~N
F ,..., c F } {~x1 (t ),..., ~x n (t )}
Φ1 Ψ1
~
w1
Φ2 ~
Ψ2 w
x1 (t )
~ 2 Σ
x n (t )
~
~
w
ΦN N
ΨN
Processeur u * (t )
de normalisation [ΡΝ ] [ΡΝ ] ∏
L’expression (3.15) (resp. (3.17)) est la partie non linéaire que présente le SIF. Les
coefficients de TS qij dans (3.15) (resp. (3.17)) et le vecteur poids des règles
~ = [w
w ~ ]T sont des paramètres à identifier par un processus d’apprentissage adéquat.
~ , ..., w
1 N
La similarité du contrôleur proposé par la loi de commande conventionnelle PID sera
mesurée par le type des entrées du contrôleur. L’erreur et la variation de l’erreur prises
comme variables d’entrées sont des cas particuliers qui sont, couramment, utilisées pour la
génération de la loi de commande.
~ n
L’expression F j (~ 1 x )= ∑q j ⋅~
x , ..., ~ n x présente une association d'un ensemble de
i i
i =0
111
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
K Pd
⎧⎪ x1 (kT ) = y d (kT ) − y (kT ) ∆u *PI (kT ) = ⋅ x 2 (kT ) + K Id ⋅ x 1 (kT )
PI ⎨ T
⎪⎩ x 2 (kT ) = x1 (kT ) − x1 ((k − 1) ⋅ T )
u *PI (kT ) = u *PI ((k − 1) ⋅ T ) + ∆u *PI (kT )
L’utilisation des TIA est la tendance actuelle dans le développement des systèmes de
contrôle efficaces et robustes. Wei-Der Chang et al. ont présenté une méthode adaptative
de réglage d’un contrôleur PID multivariable [279]. Les éléments de base sont des
neurones adaptatifs. Le réglage s’effectue par une procédure temps réel (on-line).
Pour améliorer les performances de la commande des procédés complexes, un
contrôleur non linéaire de type PID a été proposé par TU Diep Cong Thanh et al. [280].
Sylvie Galichet & Laurent Foulloy ont montré qu’un contrôleur flou basé sur le
raisonnement approximatif de Mamadani ou de TS est, strictement, équivalent à un
contrôleur PI avec quelques conditions restrictives [281].
Dans [70], un contrôleur PID robuste à caractère NF a été développé. Sa capacité de
compensation de variations des paramètres et sa robustesse sont prouvées à travers un
exemple d’application. Les capacités d’apprentissage des RNA et les non linéarités des lois
d’adaptation des paramètres du PID sont les éléments de base de la méthode proposée.
Les AG sont aussi des concurrents puissants dans le domaine de conception des
contrôleurs PID robustes [113] & [282]. A. Soukkou et al. ont proposé un contrôleur
robuste du type PI pour la commande de la température d’un bain. Un chromosome de
l’AG codifie l’ensemble des gains des actions proportionnelle et intégrale, respectivement.
Le codage réel avec l’opérateur de mutation non uniforme a été développé [282].
Les résultats obtenus sont appréciables. La structure du chromosome est illustrée par
le schéma de la figure 3.6. Le mode de représentation et l’index de performances
représentent les 2 facteurs qui font la différence entre les travaux proposés. Wei-Der Chang
a utilisé une représentation réelle des chromosomes codant les gains du PID [114].
112
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
Chang-Kuo Chen et al. ont proposé l’utilisation du codage binaire [99]. Les
opérateurs génétiques seront choisis selon le mode de représentation. Les méthodes de
PSO sont aussi utilisées pour la conception des contrôleurs PID [283].
K Pd K Id
{ K ∈ [K
d
P
d
P _ min , ] [
K Pd _ max , K Id ∈ K Id_ min , K Id_ max ]}
Fig. 3.6 : Structure du chromosome.
A. Soukkou et al. ont proposé un SIF du type TS pour la supervision des paramètres
d’un PID [284]. La structure de supervision proposée pour un contrôleur PD est
schématisée par la figure 3.7. Deux bases de règles sont construites pour la génération des
~ ~
fonctions non linéaires : K P _ PD = H 1 ( x1 , x2 ) et K D _ PD = H 2 ( x1 , x2 ) , respectivement. Les
résultats obtenus sur le système du pendule inversé sont encourageants et montrent le
potentiel de la démarche.
SIF relatif K P _ PD
à KP PD
Contrôleur PD
x1 u *PD
x1
x2
SIF relatif K D _ PD
à KD PD
113
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
Θ1 (c~F , ~ ~)
x , q, w
NL-P ( ~
)
x 1 (kT ) = y (kT ) − y (kT ) K x1
~ d u *P (kT ) = ~
K x1
⋅ x 1 (kT )
1442443
~
K Pd c~F1 =1
~ ~
∆u *PI (kT ) = K Pd ⋅ x 2 (kT ) + K Id ⋅ x1 (kT )
avec
⎧ ~ d Θ 2 (c~F , ~ ~)
(
⎪ x 1 (kT ) = y (kT ) − y (kT ) K x1
⎧~ d
)~
⎪ K P = ~
K x2
x , q, w
NL-PI ⎨ ~ ⎪
x 2 (kT ) = ( x1 (kT ) − x1 ((k − 1) ⋅ T )) K x2
⎪⎩ ~ ⎨
⎪ K~ d = Θ1 (cF ~, x , q, w )
~ ~ ~
I
⎪ K x1
⎩
u*PI (kT ) = u *PI ((k − 1) ⋅ T ) + ∆u*PI (kT )
~ ~
u *PD (kT ) = K Pd ⋅ x 1 (kT ) + K Dd ⋅ x 2 (kT )
avec
(
⎪ x 1 (kT ) = y (kT ) − y (kT ) K x1
⎧~ d
)~
⎧ ~ d Θ1 (c~F , ~
K =
~)
x , q, w
NL-PD ⎨ ~ ⎪ P ~
⎩⎪ x 2 (kT ) = ( x1 (kT ) − x1 ((k − 1) ⋅ T )) K x2
~ ⎪ K x1
⎨
⎪ K~ d = Θ 2 (c F , x , q, w )
~ ~ ~
⎪ D ~
⎩ K x2
~ ~
∆u *PID (kT ) = K Pd ⋅ x 2 (kT ) + K Id ⋅ x 1 (kT )
~
+ K Dd ⋅ x 3 (kT )
avec
⎧~
⎪
(
x 1 (kT ) = y (kT ) − y (kT ) K x1
d
) ~ ⎧~ Θ (c~ , ~
⎪ K Pd = 2 F~
~)
x , q, w
⎪~ ~ ⎪ K x2
NL-PID ⎨ x 2 (kT ) = ( x1 (kT ) − x1 ((k − 1) ⋅ T )) K x2 ⎪
⎪~ ~ ⎪ ~ d Θ1 (c~F , ~ x , q, w~)
⎪⎩ x 3 (kT ) = ( x2 (kT ) − x 2 ((k − 1) ⋅ T )) K x3 ⎨K I = ~
⎪ K x1
⎪
⎪ K~ Dd = Θ 3 (c F~, x , q, w )
~ ~ ~
⎪ K x3
⎩
u *PID (kT ) = u *PID ((k − 1) ⋅ T ) + ∆u *PID (kT )
Parmi les problèmes rencontrés dans la phase de conception des contrôleurs PID-
flous est le nombre important des règles floues. Li & Gatland ont proposé une commande
hybride qui consiste à utiliser 2 contrôleurs flous en parallèle du type PI et PD, comme le
montre la figure 3.8 [294].
114
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
u *PD
PD - flou
~
x1 u *PID
∑
~
x 2
u *PI
PI - flou
⎛ n ⎛~ ⎞
2 ⎞ n ⎛ ~ 2 ⎞
x k − cik ⎟ = exp⎜ − ⎛⎜ x k − ci ⎞
k
⎜ ⎜
Ψi = exp⎜ − ∑ ⎜ ⎟ ⎟ ⎟
⎜ k =1⎝ σ ik ⎟ ⎟⎟ k∏ ⎜⎜ ⎜ σ k ⎟ ⎟⎟ (3.22)
⎝ ⎠ ⎠
=1
⎝ ⎝ i ⎠ ⎠
( )
2
i désigne l’indice du neurone k (keme règle). cik et σ ik sont les centres et les variances
des gaussiennes, respectivement. La figure 3.9 présente la forme de cette fonction
d’activation pour un neurone possédant une seule entrée et 2 entrées, respectivement.
~
x
L ~x _ min L ~x _ max
115
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
x(o ) = x0 [
t ∈ 0, t f ]
x ∈ ℜ n , u ∈ ℜ m et y ∈ ℜ q sont les vecteurs d’état, de commande et de sortie,
respectivement. d ist (t ) ∈ R q est le vecteur des signaux additifs (bruits externes). x0 est le
vecteur d’état initial. g : ℜ n × ℜ m → ℜ n est une relation non linéaire reliant les variables
d’état du système à commander, les signaux de commande générées et les signaux de
perturbations, respectivement. C ∈ ℜ q×n est la matrice de sortie, généralement, constante.
Les signaux de perturbations sont, couramment, de types stochastiques ou
sinusoïdaux [295]. Une version des perturbations est générée par des oscillateurs
chaotiques s (⋅) est aussi utilisée dans le domaine de contrôle des procédés [296].
Les signaux de perturbations sont introduits afin de créer un milieu de simulation
proche de celui dans la pratique ‘pratique virtuelle’. Généralement, 2 modes de
perturbations sont utilisés : Perturbations sur les paramètres fonctionnels du procédé ou sur
l’environnement de fonctionnement. Dans ces conditions, la robustesse des systèmes de
contrôle peut être vue comme un objectif prémordial. La forme, couramment, rencontrée
dans la littérature et utilisée dans la modélisation et la commande des procédés est donnée
par :
x& i = xi +1 i = 1, ..., n − 1
x& n = f ( x ) + g ( x ) ⋅ u + d ist (3.24)
y = x1
ou encore
y (n ) = f ( x ) + g (x ) ⋅ u + d ist
(3.25)
( ) ( )
= f y, y& , ..., y (n −1) + g y, y& , ..., y (n−1) ⋅ u + d ist
lim y (t ) − y d (t ) ≤ ε (3.26)
t →∞
116
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
∂y (n )
= g (x ) ≠ 0 (3.27)
∂u
Index de
performances
Algorithme d ist (t )
d’optimisation
yd
Modèle de
référence
u Procédé y
Sortie
Contrôleur
x& (t ) = f (x(t ), u (t ), d ist (t ))
Variables d’état
(x1 ,..., x n )T
L’interaction mutuelle entre les différents blocs de la structure de la figure 3.10 est
illustrée par la procédure suivante :
E1. Génération d’une population initiale des chromosomes caractérisant les
paramètres du réseau contrôleur.
E2. Projection de chaque chromosome sur la structure RBF-flou proposée.
E3. Pour tous les chromosomes et tous x T , y d ∈ Ω : ( )
√ Evaluer la fonction objective.
√ Classifier les chromosomes selon leur aptitude.
√ Construction d’une nouvelle population par application des opérateurs
génétiques adaptés au codage des chromosomes.
Les étapes E2 et E3 sont répétées jusqu'à ce qu'un nombre maximum de générations
soit effectué. Après le processus d'évolution, la génération finale de l’algorithme se
compose des individus bien adaptés et qui fournissent des solutions ‘optimales’ ou
proches. Le reste de l’algorithme hybride est d’appliquer la partie d’apprentissage plus fin
des paramètres de la structure RBF-floue obtenue à la dernière génération de l’AG.
L’objectif de cette dernière phase est d’améliorer la précision de la boucle de commande.
117
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
Procédé
structurelle & paramétrique
Optimisation
AGM
gradient
plus fin
118
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
Minimiser F (α )
Sous les contraintes : (3.28)
⎧G j (α ) ≤ 0 j = 1, ..., mc
⎪
⎨ &
⎪α
⎩ inf (i ) ≤ α (i ) ≤ α sup (i ) i = 1, ..., nb
119
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
a. Caractéristiques fondamentales
L’apprentissage génétique consiste à déterminer le nombre minimal de règles floues,
soit le nombre des neurones de la couche cachée du RBF-flou proposé, les paramètres
correspondants {ci , σ i } , les coefficients de TS1 ainsi que les poids des règles actives.
Afin de construire un algorithme d’optimisation à base des AG, il faut bien préparer
la plateforme suivante :
• Définir la configuration initiale (taille de la population, critère d’arrêt,
probabilités de croisement et de mutation, …etc.).
• Mode du codage approprié (binaire, réel, …etc.).
• Méthode de génération de la population initiale.
• Définir la fonction objective.
• Adapter les opérateurs génétiques au mode de codage choisi.
Les caractéristiques du réseau proposé sont :
• A l’entrée du réseau sont associés des facteurs d’échelles permettant de convertir
le domaine physique des variables d’entrées au domaine normalisé.
• Les partitions floues des prémisses sont, uniformément, réparties (distribuées) sur
l’univers de discours de chaque variable d’entrée, comme l’indique le schéma de
la figure 3.12. Les sous ensembles flous utilisés peuvent être définis par des
fonctions gaussiennes symétriques équidistantes avec un chevauchement de 50%.
Un deuxième type de sous ensemble flou, souvent, utilisé dans les extrémités de
l’univers de discours (lignes en pointillés dans la figure 3.12) peut être obtenu à
l’aide de la famille de fonctions suivantes :
⎧1 si ~
x < ci
⎪
µ i (~x ) = ⎨ ⎛ (~x − ci ) ⎞ (3.29)
⎜ ⎟
⎪exp⎜ − σ 2 ⎟ autrement
⎩ ⎝ i ⎠
⎧ ⎛ (~ x − ci ) ⎞ ~
⎪exp⎜− ⎟ si x < ci
µ i (~x ) = ⎨ ⎜⎝ σ i2 ⎟⎠ (3.30)
⎪
⎩1 autrement
Si χ mf
k
est le nombre des fonctions d’appartenance associées à la variable
d’entrée x k , (k = 1,..., n ) . En se basant sur les travaux de Z. J. Zhou et al. & Mu-
~
Song Chen et al. [215] & [300], les paramètres de la ieme gaussienne c mf
i
k
{, σ mf
i
k
}
sont calculés par la formule suivante :
c 1mfk = ~ k
x max
~ k
x max −~ k
x min
i −1
c =c +
i
mf k mf k i >1 (3.31)
χ mfk − 1
~
xk −~ xk
σ mfi k = max k min
(
2 ⋅ χ mf − 1 )
120
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
~ k
x max et ~ k
x min sont les bornes supérieure et inférieure de l’univers de discours
eme
associé à la k variable d’entrée, respectivement. Dans l’exemple de la figure
3.12, la keme variable d’entrée est échantillonnée en 5 valeurs linguistiques
modélisées par des fonctions d’appartenance gaussiennes symétriques : NB, NM,
ZE, PM et PB avec leurs numéros 1, 2, 3, 4 et 5, respectivement. Cette méthode
permet de réduire le nombre des paramètres à optimiser.
Il suffit de définir la plage de variation de chaque variable d’entrée et le
nombre des sous ensembles flous associés. Le reste est d’appliquer la formule
itérative (3.31).
NB1 NM 2 ZE 3 PM 4 PB5
σ σ
~
xk
~ k
x min ~ k
x max
121
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
~
x2
u
NB NM ZE PM PB
Lmin1 NB R1 R2 R5
NM R6
~
x1
L ~x1 ZE
PM
Lmax1 PB R24 R25
q q–q- q q
ҝ ҝ Ł Ł ŵ ŵ-- ŵ-- ŵ ŵ 0 1--0--1 1
q q–q- q q
~
K x1, 2 L~x1, 2 ~T
j
w c~FT
qi
Les variations des AG peuvent être distingués par le type de codification utilisé pour
les chromosomes et les opérateurs génétiques utilisés. Le codage multiparamétré mixte
binaire - réel est utilisé comme outil de représentation chromosomiale dans ce travail. La
signification ainsi que le mode du codage approprié est illustré par le tableau 3.6.
Le but principal de l’application des AG pour la conception d'un SIF est non
seulement de profiter des avantages des AG, mais de développer, également, une approche
systématique de conception des SIF. Les principales caractéristiques de l’AGM (Fig. 3.15)
adapté à la forme de représentation précédente sont données par le tableau 3.7.
122
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
Caractéristiques valeurs
Taille de la population Max _ Pop ∈ [5, 10]
Nombre de génération Max _ gen ∈ [10, 500]
Représentation Mixte binaire-réelle
Initialisation Aléatoire
Facteurs d’échelle
~
[~ ~
] ~ ~
[ ~
K x1 ∈ K x1 _ min , K x1 _ max & K x 2 ∈ K x2 _ min , K x2 _ max]
Univers de discours L~x ∈ [L~x _ min , L~x _ max ] & L~x ∈ [L~x _ min , L~x _ max ]
1 1 1 2 2 2
Probabilité de mutation
( )
Pm ≅ 1 Max _ Pop ⋅ L _ chrom où L _ chrom est la taille
du chromosome [189].
Mode de remplacement Elitisme
L’opérateur de mutation permet d'avoir une large diversité des solutions dans la
population afin d’améliorer la chance pour que l’AGM s'échappe des optimums locaux. Le
processus de mutation dépend du mode de codage appliqué. Dans la partie binaire du
chromosome, l’opération consiste, tout simplement, en une inversion de gènes ‘bit’.
Si la mutation a lieu dans la partie du chromosome codée en réel, nous avons
appliqué la mutation non linéaire donnée par l’expression (1.72) avec τ = 3 . Enfin et pour
mettre une limite à la divergence génétique, la stratégie d’élitisme a été introduite.
L'élitisme est un mécanisme introduit pour conserver les bonnes solutions lors du
passage de la génération courante à la prochaine génération. Conserver ces solutions pour
123
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
les générations futures permet d'améliorer les performances des algorithmes sur certains
problèmes.
Parents
P1 : Avant
P2 : croisement
E1 :
Enfants
Après
E2 : croisement
Croisement Croisement
simple Croisement en multipoints
2 points
Non
d’une population
Recombinaison
initiale.
Croisement
Mutation
Configuration
paramétrique de
l’AGM
b. Critère de performances
La notion de performances désirées ‘coût’ est centrale dans les procédures
d’optimisation et d’apprentissage. L’obtention d’un contrôle performant requiert une bonne
formulation de cette notion. L’efficacité du contrôleur synthétisé dépend de la fonction
coût choisie ainsi que de l’algorithme d’adaptation. Généralement, lors de la synthèse
d’une loi de commande, les performances recherchées s’articulent souvent autour de 3
types de spécifications, à savoir :
• La simplicité d’implantation et de mise en œuvre.
• La précision et la rapidité.
• La robustesse par rapport à la stabilité.
124
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
Dans cette étude, la fonction à optimiser tient compte des performances du système à
évaluer, de la complexité de la structure de contrôle et de l’effort énergétique à appliquer.
Mathématiquement, la fonction à optimiser sera donnée par :
J = Φ 1 ( J 1 (S SBF )) ⊕ Φ 2 ( J 2 (S C )) ⊕ Φ 3 (J 3 (S p ))
~ ~
(3.32)
142 4 43 4 14243 14243
Critère 1 Critère 2 Critère 3
~
Le symbole ⊕ désigne une composition arithmétique implémentée par la somme
algébrique. J 1 (S SBF ) mesure la performance de l’ensemble : Système de commande-
système à commander (Système en BF SBF ). J 2 (S C ) représente la structure du système
de commande S C spécifiée par le nombre des règles floues. J 3 S p est l’effort de contrôle ( )
à appliquer sur le procédé S p . Les fonctions Φ i , (i = 1, 2, 3) sont choisies en fonction des
objectifs visés. En plus les objectifs visés, la prise en considération des contraintes présente
une alternative de l’optimisation des fonctions (Fig. 3.16).
Fonction
à optimiser
Structure &
Paramètres
Les objectifs
Commande simple,
Stabilité &
robustesse
Effort de contrôle
réduit
Le tableau 3.8 résume la stratégie d’optimisation adaptée aux objectifs visés dans ce
travail. Le lien entre l’environnement (procédé) et l’AGM est représenté par le critère de
performances à optimiser (voir Annexe A).
Φ 2 (J 2 (S C ))
β2
max_ règle
⋅
max_ règle
∑
i =1
{c~ }
i
F 2
β3
( ( ))
max_ k −1
Φ3 J3 S p ⋅ ∑ u (k ) 3
max_ k k =0
125
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
⎧β 1 , β 2 , β 3 ≥ 0
⎪
⎨ & (3.33)
⎪β + β + β ≤ 1
⎩ 1 2 3
Minimiser J
β3
64 47 448
avec J =
β1 max_ k −1
⋅ ∑ e(k ) +
β2
⋅
max_ règle
{ }
~
cF +
i (1 − (β1 + β 2 )) max_ k −1
⋅ ∑ u (k )
∑
max_ k k = 0 max_ règle i =1 max_ k k =0
126
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
En plus, les critères de bornitude des variables d’état, de contrôle et les paramètres
conceptuels du contrôleur sont introduits tout en assurant la stabilité de la boucle de
contrôle, l’évitement des régions de saturation de la loi de commande est une formulation
adéquate de la structure du contrôle.
Afin de tenir compte des contraintes sur les variables manipulées ϑi , la fonction
suivante de saturation a été définie comme suit :
127
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
contrainte ∑ ρ i (~
x ) ≠ 0 doit être vérifiée avec un bon choix des règles qui
N
l =1
couvrent l’espace des données d’entrées. Dans le cas des fonctions gaussiennes,
comme dans notre cas, les degrés d’appartenance ne seront pas zéro en un point
quelconque, et le système (3.18) est bien défini, ainsi aucune modification est
nécessaire [301]. Durant le processus d’optimisation, le problème de violation de
la contrainte 2 survient de temps en temps. La solution proposée est d’agir dans la
partie des facteurs d’incertitudes du chromosome correspondant (Fig. 3.17). Une
méthode proposée par A. Soukkou et al. est la destruction du chromosome
responsable de la violation des contraintes et de générer un remplaçant qui vérifie
les conditions imposées par le concepteur [270]. Les résultats obtenus sont
encourageants. Le temps de simulation est l’inconvénient majeur de cette
méthode. Pour réduire le temps d’exécution de l’AGM et d’éviter des boucles
infinies de l’exécution, nous avons introduit la notion de mutation forcée dans la
partie binaire des chromosomes. A chaque fois qu’il y a une violation des
contraintes par un chromosome, un appel à la procédure de mutation forcée aura
lieu. L’ancien chromosome sera remplacé par le nouveau né qui vérifie toutes les
contraintes. Ce processus se répète pour tous les chromosomes de la population
en cours. L’organigramme de la figure 3.17 résume la stratégie adoptée pour
éviter la violation des contraintes 2 & 3. La contrainte 2 permet au contrôleur
d’être opérationnel tout au long de l’espace entier des données d’entrées. La
contrainte 3 sera examinée par la suite du théorème ci-dessous.
• Les valeurs des poids w ~ ont une influence directe sur la stabilité et la robustesse
i
Théorème :
Le système est dit BIBO (entrée bornée - sortie bornée) stable si la sortie reste
d’énergie finie tant que l’entrée est d’énergie finie. La stabilité entrée-sortie signifie
qu’un signal e de norme finie e en entrée du système engendre un signal s de
norme finie s en sortie et qu’il existe un scalaire γ tel que [303] :
s <γ e (3.37)
La stabilité BIBO est dite faible s’il existe 2 scalaires β et γ tels que :
128
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
s <γ e +β (3.38)
Population initiale
Violation de Oui
contrainte 2
?
Non
des chromosomes
Activer la règle numéro r Mutation
0Æ1 forcée
Critère
Oui
d’arrêt
?
Non Solution
optimale
Population non contraignante
nouvelle population
Sélection
Création d’une
Croisement
Mutation
Nouvelle population
129
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
à priori [304]. Dans n'importe quelle application pratique, une analyse de la stabilité du
système est nécessaire pour assurer son bon fonctionnement [302].
Prenons le cas d’un système à une entrée de commande u et n variables d’état
x = [x1 , ..., xn ]T décrivant son comportement. Les conditions aux limites sont données par
les inégalités suivantes :
x ≤ Cx < ∞ (3.39)
&
N
∑ ρ l (~ { }
x ) ⋅ c Fl ⋅ q1l ⋅ w
~
l
N
∑ ρ l (~ {
x ) ⋅ c Fl ⋅ qnl ⋅ w
~
l}
u= l =1
N
⋅~
x1 + .... + l =1 N
⋅~
xn (3.41)
∑ ρ i (~
x) ∑ ρ i (~
x)
144l =4
1 24443 144l =4
1 24443
Θ1 (⋅ ) Θ n (⋅ )
[
Si x d = x1d , ..., xnd ] T
est le vecteur des états désirés, l’erreur de poursuite sera donnée
par la limite :
~ xid − C xi
xi ≤ ~ (3.43)
K xi
1424 3
ξi
u ≤ Θ1 (⋅) ⋅ ~
x1 + ... + Θ n (⋅) ⋅ ~
x n ≤ Cu (3.44)
∑ Θ i (⋅) ⋅ ξ i ≤ C u
n
(3.45)
i =1
130
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
Cette expression nous permet de trouver des poids des règles actives w~ assurant la
i
stabilité en BF. On peut étendre ce théorème au cas discret. Pour aider à guider la
recherche génétique des poids w ~ ∈ ] 0, α × max( u , u )]
~ , nous proposons de choisir w
i min max
avec α > 0 comme condition nécessaire, mais pas suffisante. Pour assurer la stabilité
globale, il faut que la condition (3.45) soit satisfaite. S’il y a une violation de la contrainte
3 dans (3.35), nous avons appliqué la même procédure qu’avec la contrainte 2. Une
succession des changements aléatoires dans la partie des poids dans le chromosome en
cours d’évaluation aura lieu par application de l’opérateur de mutation. Les poids des
règles actives vont subir à ses changements par application de l’opérateur de mutation
uniforme mentionné dans le chapitre 1.
Une fois les conditions de fonctionnement nominales du système en BF sont établies,
un réglage plus fin de certains paramètres de la boucle de contrôle est adopté. Cette
opération agit directement sur la précision, c’est-à-dire, l’efficacité du système en BF. La
procédure de la descente du gradient est suffisante pour accomplir cette tâche.
( )
2
1 P d
E (k ) ≡ ∑ y (k ) − y (k ) (3.46)
2 k =1
T
~T ⎤
ϑi ≡ ⎡ qij , w
T
(3.47)
⎢⎣ ⎥⎦
∂E (k )
ϑik +1 ≡ ϑik − ηϑ ⋅ (3.48)
∂ϑi
Une fois la structure du modèle du contrôleur est construite par l’AGM, un processus
itératif d’apprentissage plus fin de certains paramètres est, successivement, appliqué pour
améliorer la précision du modèle ainsi obtenu. L’algorithme de la rétropropagation du
gradient est appliqué dans ce travail. Le modèle dans ce cas, peut être vu comme réseau
fonctionnel avec une topologie minimale. Une ‘bonne’ initialisation structurelle &
paramétrique est établie par l’AGM.
La procédure d’adaptation des paramètres des conséquences ainsi que les poids des
règles peut être récapitulé comme suit :
E1. Initialisation des paramètres. Les valeurs initiales des paramètres sont
égales aux valeurs obtenues à la dernière génération de l’AGM.
E2. Appliquer le vecteur d'entrée du contrôleur X = ( x1 , ..., x n )T .
E3. (
Spécifier le vecteur des sorties désirées Y d = y1d , ..., y kd ).
T
131
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
j
(
q ij (k + 1) = q ij (k ) − η q i y kd − y k ) N
ρi ~ (k ) ⋅ x (k );
⋅wi j
∑ ρl
l =1
~ (k + 1) = w
wi
~ (k ) − η ~ y d − y
i w k k ( ) N
ρi n
∑ q j (k ) ⋅ x j (k );
i
∑ ρl j =1
l =1
}
}
}
132
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
3.5. Simulation
Dans le but de tester et évaluer les performances de l’algorithme proposé pour la
synthèse d’une loi de commande à objectifs multiples (simple, précise, stable et robuste),
nous avons effectué des simulations sur quelques systèmes non linéaires. A chaque type de
système non linéaire est appliquée une forme spécifique de la loi de commande
développée. Cette différence est due, principalement, à la nature et à la complexité du
procédé à commander.
La configuration initiale utilisée dans les simulations est la suivante :
• Pour chaque variable d’entrée sont associés 5 sous ensembles flous, comme
mentionnée dans la figure 3.13.
• La taille maximale de la base des règles pour un SIF à 2 entrées et 1 sortie est de
25 règles (max_ régle = 25) .
L'objectif de commande est de permettre aux états du système de suivre une
trajectoire de référence prédéterminée. Ainsi, les erreurs de poursuite doivent être aussi
petites que possible (précision) et le système en BF doit être globalement stable et robuste,
c’est-à-dire, tous ses paramètres sont, uniformément, bornés et l'effet des perturbations
externes est atténué à un niveau prescrit.
Couche de contrôle
y (k )
Module de
sonde
u (k )
Hélice
V
Sonde
Résistance
chauffante
Le modèle récurrent (discret) du système est donné par [163] & [305] - [306] :
Q2 (Ts )
y (k + 1) = Q1 (Ts ) ⋅ y (k ) + u (k ) + (1 − Q1 (Ts )) ⋅ Y0 + d ist (k ) (3.49)
1 + exp(0.5 y (k ) − γ )
avec :
133
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
Coefficient Valeur
α 1.0015.10 −4
β 8.6793.10 −3
γ 40
Ts [s] 30
Y0 [°C] 25.0
Les valeurs spécifiques de la loi de commande ainsi que les contraintes imposées sont
données par le tableau 3.11.
134
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
Caractéristique Valeur
Taille de la population 10
Nombre de génération 100
~
Facteurs d’échelle K x1 ∈ [10, 50]
L _ chrom 8 gènes
[u min , u max ] [0[v], 5[v]]
max_ k 120
Max _ itération 100
⎧35[°C ] si k ≤ 40
⎪
y (k ) = ⎨55[°C ]
d
si 40 < k ≤ 80 (3.52)
⎪75[°C ] si 80 < k ≤ 120
⎩
Trois règles d’inférence sont proposées pour la construction d’une loi de commande
du type NL-P. La base de connaissances obtenue après l’exécution de l’algorithme
d’optimisation est donnée par la figure 3.21.
~
x1
~
x1 Σ
u * (t )
[ΡΝ ] ∏
u
~ ~ ~
NB -0.109637 ⋅ x1 → w1 = 14.144444 K x1 = 10.906834
~ ~ ~
L~x1 x1 ZE +0.610421 ⋅ x1 → w2 = 137.818192 L ~x1 = 2 × 0.029621
~ ~
PB +0.399431 ⋅ x1 → w3 = 119.628189
135
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
⎩ [ ]
⎪70 0 C 90 < k ≤ 120
Perturbation brusque :
[ ]
d istb = - 5 0 C à k = 60 min
136
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
Sur la figure 3.24, on s’aperçoit que les performances de suivi sont satisfaisantes.
Une déformation du signal de sortie autour de t = 60 [min] est due à une perturbation
[ ]
brusque d’amplitude de 5[°C] ( Y0 = 25 0 C / * Condition initiale * / ). L’évolution de la loi
de commande est donnée dans la même figure.
x&1 = x 2
g ⋅ sin( x1 ) +
[− u − m ⋅ l ⋅ x 22 ⋅ sin ( x1 )
P ]
⋅ cos( x1 )
mc + m P (3.54)
x& 2 = + d ist
⎛ 4 m P ⋅ cos2 ( x1 ) ⎞
l ⎜⎜ − ⎟
⎝3 mc + m P ⎟⎠
0
θ
l θ&
mp
u mc
Zone d’oscillation
137
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
Notation Description
mc[kg] Masse du chariot
mp[kg] Masse du pendule
l[m] Demi longueur du pendule
2
g[m/s ] Accélération gravitationnelle
x1 = θ [rad] L’angle du segment par rapport à l’axe vertical
x = θ& [rad/s] La vitesse angulaire du segment
2
Les valeurs numériques utilisées dans la simulation sont données par le tableau
suivant :
Paramètre Valeur
mc 1.0
mp 0.1
l 0.5
Caractéristique Valeur
Taille de la population 5
Nombre de génération 200
~ ~
Facteurs d’échelle K x1 & K x2 ∈ [2 ⋅ π , 6 ⋅ π ]
Une perturbation d’état d ist (t ) est ajoutée au modèle du système non linéaire (3.54).
Elle est caractérisée par ( p1 , p 2 , p3 ) = (π 60 , 50, 0.3) dans (3.51). Sa forme est donnée par
la figure 3.26.
138
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
Fig. 3.27 : Evolution de la fonction coût. Fig. 3.28 : Evolution de la base de règles.
139
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
Prémisse Conséquence
Règles actives
R19 : SI x1 est PM ET x 2 est PM ALORS u = (- 0.484 ⋅ ~
~ ~ x2 )
x1 - 0.208 ⋅ ~
R22 : SI x1 est PB ET x 2 est NM ALORS u = (+ 0.076.x1 - 0.506.x 2 )
~ ~ ~ ~
140
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
Instable
Stable
(a) (b)
(c) (d)
141
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
T
[y d
]
(t ), y& d (t )
T ⎡⎛ π ⎞ ⎛π ⎞ ⎤
= ⎢⎜ ⎟ ⋅ sin (t ), ⎜ ⎟ ⋅ cos(t )⎥ (3.56)
⎣⎝ 30 ⎠ ⎝ 30 ⎠ ⎦
2
(y (t )) (
d 2 2
)
⎛π ⎞
+ y& d (t ) = ⎜ ⎟ (3.57)
⎝ 30 ⎠
Les conditions initiales sont choisies de sorte que x(0) = [− π 18 [rad], 0.05 [rad/s]] .
T
L’évolution de la fonction objective ainsi que le nombre des règles actives au cours de
l’exécution de l’AGM sont données par les figures 3.32 et 3.33, respectivement. La base de
connaissances floues obtenue à la dernière itération de l’algorithme de synthèse hybride est
illustrée par le tableau 3.16.
Les résultats des simulations effectuées montrent les bonnes performances de
poursuite de la méthode proposée (Fig. 3.34). Le signal de commande en fonction de l’état
du système (angle & vitesse) sera représenté par la figure 3.35.
Fig. 3.32 : Evolution de la fonction objective. Fig. 3.33 : Evolution de la base des règles.
Prémisse Conséquence
Règles actives
R8 : SI x1 est NM ET x 2 est ZE ALORS u = (- 0.290 ⋅ ~
~ ~ x1 + 0.387 ⋅ ~x2 )
R19 : SI x1 est PM ET x 2 est PM ALORS u = (- 0.899 ⋅ x1 - 0.435 ⋅ ~
~ ~ ~ x2 )
⎛ ⎧ K~ x = 7.479 ⎧ L ~x = 0.396 × 2 ⎞ {w~8 = 333.118}
⎜⎪ 1 ⎪ 1 ⎟
⎨ , ⎨
⎜⎜ ~ ⎟
K = 14.072 ⎩⎪ L ~x2 = 0.195 × 2 ⎟ {w~19 = 901.374}
⎝ ⎪⎩ x2 ⎠
142
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
(a) (b)
(c) (d)
(e) (f)
Fig. 3.34 : Performance du système : (a) & (b) : Etat du système. (c) & (d): Erreurs en angle et en
vitesse angulaire. (e) : Signal de commande. (f) : Plan de phase.
143
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
changements. On remarque que les trajectoires réelles convergent vers les trajectoires
désirées.
144
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
q2 M
m1,I1 m2, I2
l1
lc2
l2
lc1
q1
aavveecc ::
H 11 = m1l c21 + I 1 + m2 M
(l
1
2
+ l c22 + 2l1 l c 2 M
)
cos(q 2 ) + I 2 M
H 12 = H 21 = m2 ll
M 1 c2 M
cos(q 2 ) + m2 l2
M c2 M
+ I2 M
H 22 = m2 2
l
M c2 M
+ I2 M (3.60)
h = m2 ll
M 1 c2 M
sin (q 2 )
G1 = m1l c1 cos(q1 ) + m2 M
(
g lc 2 M
cos(q1 + q 2 ) + l1 cos(q1 ) )
G2 = m2 l
M c2 M
g cos(q1 + q 2 )
145
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
m2 M
= m2 M =0
+M
m2 .l c 2 + M .l 2
lc 2 = M =0 M =0
(3.61)
M
M + m2 M =0
I2 M
= I2 M =0
(
+ lc 2 M
− lc 2 ) 2
(
+ M l2 − lc 2 M
)
Le tableau 3.17 résume les valeurs des paramètres du robot utilisé dans la simulation
[312].
qid (t p ) − qid (t 0 )
qid (t ) = qid (t 0 ) + ⋅ (Θ ⋅ t − sin (Θ ⋅ t ))
{ 2π
i =1, 2
⎛ π π ⎛ π ⎞⎞
q& id (t ) = ⎜⎜ − ⋅ cos⎜⎜ ⋅ t ⎟⎟ ⎟⎟ (3.62)
{ 2 p 2 p 2 p
i =1, 2 ⎝ ⎝ ⎠⎠
π
Θ= t0 ≤ t ≤ t p
2p
146
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
p est la période de temps nécessaire pour poursuivre la trajectoire entière. t 0 est le temps
( )
initial et t p est le temps final. qid (t 0 ) et qid t p sont, respectivement, la valeur initiale et
eme
finale désirée de la i articulation.
Pour la première articulation (qd
1 (t 0 = 0s ), q1d (t p ))
= 3s = (− π 2 rad, 0 rad ) et
(q d
2 (t 0 = 0s ), q 2d (t p ))
= 3s = (0 rad, π 2 rad ) pour la deuxième.
Dans cette application, le processus est soumis, respectivement, à 2 entrées de
commande τ 1 et τ 2 . Par conséquence, 2 contrôleurs du type MISO sont nécessaires. La
mise en oeuvre de cette forme de commande est illustrée par la figure 3.38. Les paramètres
des 2 contrôleurs sont adaptés en utilisant la forme de commande NL-PI.
~ τ1
x1d NL-PI1 x1
x2
~ τ2
x 2d NL-PI2
Le modèle du robot est soumis à des perturbations d’état identiques représentées par
la figure 3.39. Cette forme est celle de l’expression (3.51) avec
( p1 , p 2 , p3 ) = (0.001, 100, 0.05) . La structure du chromosome adaptée à cette situation a la
même forme que celle de la figure 3.13 mais doublée, c'est à dire une partie pour NL-PI1 et
une autre pour NL-PI2. Les valeurs spécifiques de la loi de commande ainsi que les
contraintes imposées sont données par le tableau 3.18. L’évolution de la fonction objective
ainsi que le nombre des règles actives au cours de l’exécution de l’AGM sont représentées,
respectivement, par les figures 3.40 et 3.41. La base de connaissances floues obtenue à la
fin de l’exécution de l’algorithme d’optimisation hybride est illustrée par le tableau 3.19.
147
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
Caractéristique Valeur
Taille de la population 5
Nombre de génération 300
~ ~
Facteurs d’échelle K x1 , K x2 ∈ [3.0, 16.0]
Fig. 3.40 : Evolution de la fonction objective. Fig. 3.41 : Evolution de la base des règles.
Prémisse Conséquence
Règles actives
R8 : SI x1 est NM ET x 2 est ZE ALORS u = (- 0.159 ⋅ ~
~ ~ x1 - 0.555 ⋅ ~x2 )
R16 : SI x1 est PM ET x 2 est NB ALORS u = (- 0.261 ⋅ x1 - 0.281 ⋅ ~
~ ~ ~ x2 )
NL-PI1
148
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
Les réponses en positions et en vitesses articulaires sont schématisées par les figures
3.42 (a), (b), (c), (d), (e) et (f). Nous constatons que les 2 contrôleurs résultants NL-PI1 et
NL-PI2 développent, pratiquement, un effort semblable pour réaliser l'objectif de poursuite.
(a) (b)
(c) (d)
(e) (f)
Fig. 3.42 : Etat du système : (a) & (b) : Positions articulaires. (c) & (d) : Vitesses articulaires. (e) &
(f) : Erreurs de poursuite.
149
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
Les formes des commandes générées en fonctions des entrées des contrôleurs NL-PI1
et NL-PI2 sont schématisées par les figures 3.43 et 3.44, respectivement. Dans le but de
tester la robustesse de cette forme de commande vis-à-vis aux perturbations éventuelles,
nous avons simulé le robot avec une charge M de différents poids :
M = {0.5, 1.5, 2.5}[Kg ] .
L’influence de ces variations sur la précision de poursuite des trajectoires de
référence est récapitulée par la figure 3.45. Ces variations ont peu d'effets sur les
performances désirées. La variation de masse de charge cause des erreurs de poursuite,
particulièrement, pour la deuxième articulation.
Il est visible, à partir de ces figures, que l’algorithme de commande réalise une bonne
performance de poursuite avec une erreur acceptable.
3.6. Conclusions
Le développement d’une stratégie de commande doit assurer non seulement la
stabilité, mais aussi la robustesse en présence des phénomènes perturbateurs. Ces derniers
peuvent être de nature externe (influence de l’environnement) ou de nature interne (erreurs
de modélisation ou d’approximation).
150
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
(a) (b)
(c) (d)
(e) (f)
Fig. 3.45 : Test de la robustesse : (a) & (c) : Erreurs de positions articulaires. (b) & (d) : Erreurs de
vitesses articulaires. (e) & (f) : Commandes générées.
151
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
152
Chapitre 3 Synthèse d’une loi de commande floue à configuration minimale
minimale. Dans ce cas, le savoir faire du concepteur ‘l’expert’ peut améliorer le temps de
convergence de l’algorithme vers l’objectif visé.
D’après les résultats de simulation des différents procédés non linéaires testés, nous
avons pu constater que la stratégie de commande proposée ne présente pas uniquement une
robustesse vis-à-vis des incertitudes, mais aussi une robustesse en présence d’un
changement dans les paramètres des systèmes non linéaires ainsi que le changement des
conditions de fonctionnement.
153
Chapitre 4
Concept de multimodèle :
De l’analyse à la synthèse des SIF
Résumé :
Jacques Bonnet
(Bonnet, 2000)
154
Sommaire
4.1. Introduction……..………………………………………………..................156
4.2. Concept de multimodèle …………………………………………………...157
4.3. Méthodes d’analyse de la stabilité ………………………………………...159
4.3.1. Méthodes basées sur l’approche de Lyapunov ……………………...160
4.3.2. Passage d’un modèle non linéaire à un modèle flou de TS………….160
4.3.3. Analyse de la stabilité………………………………………………..162
4.4. Méthodologie de synthèse………………………………………………….167
4.5. Simulation....……………………………………………………..................172
4.5.1. Commande d’un bioprocédé de traitement des eaux usées.................172
4.5.1.1. Généralités............................................................................172
4.5.1.2. Modèle du bioprocédé…………………………………......174
4.5.1.3. Elaboration d’un jeu de données entrée-sortie…………….176
4.5.1.4. Stratégie de modélisation multimodèle …………………...179
4.6. Conclusions…………....................................................................................186
155
4. Concept de multimodèle :
De l’analyse à la synthèse des SIF
4.1. Introduction
Les SIF ont connus un succès considérable dans la modélisation et le contrôle des
procédés industriels hautement non linéaires. L’analyse de la stabilité est plus complexe.
Ceci est dû à la nature non linéaire des SIF. Néanmoins, il devrait être important de
préciser qu'une des critiques principales des SIF est, juste, le manque d'une méthodologie
générale pour l'analyse (aspect primitif et artisanal indéniable).
L’approche multimodèle a connue un intérêt certain depuis la publication des travaux
de Johannsen & Foss [15]. L’idée de cette approche est d’appréhender le comportement
non linéaire d’un système par un ensemble de modèles locaux (linéaires ou affines)
caractérisant le fonctionnement du système dans différentes zones de fonctionnement.
La synthèse des lois de commande des processus modélisés grâce à l’approche
multimodèle utilise, souvent, la représentation d’état afin d’étendre aux cas non linéaires
les techniques de commande par retour d’état.
Les modèles de TS sont assimilables à des multimodèles. Dans les SIF, les zones de
fonctionnement sont définies en termes de propositions sur les variables des prémisses. La
conception des SIF par l’analyse de la stabilité a attiré l’attention de plusieurs chercheurs
[134], [303] & [314]. Le concept de multimodèle est le plus souvent utilisé pour l’analyse
et la synthèse des SIF. Les multimodèles représentent les systèmes non linéaires sous
forme d’une interpolation entre des modèles linéaires locaux. Chaque modèle local est un
système dynamique valable autour d’un point de fonctionnement. Selon l’information dont
on dispose, 3 méthodes distinctes peuvent être utilisées pour l’obtention d’un multimodèle.
• Par identification : Cette approche est utilisée dans le cas où l’on ne dispose que
des mesures des entrées et des sorties du système. Les méthodes d’estimation
basées sur les moindres carrés peuvent être utilisées pour identifier les paramètres
du multimodèle.
• Par linéarisation : Dans le cas où l’on dispose d’un modèle non linéaire explicite
que l’on souhaite "simplifier" on pourra procéder par linéarisation autour de
différents points de fonctionnement [15].
• Par transformation : Dans ce cas, on veut transformer un système non linéaire
affine en la commande. On se base sur une transformation polytopique convexe
de fonctions scalaires origines de la non linéarité [14].
La structure multimodèle permet de simplifier et d’étudier aisément les points
suivants [315] :
• La stabilité d’un système non linéaire, grâce à l’outil numérique LMI qui permet
de trouver des solutions aux équations de Lyapunov.
• La synthèse des lois de commande assurant la stabilité des boucles de commande.
Dans ce travail, nous présentons une méthodologie de synthèse permettant la prise en
compte explicite de plusieurs spécifications structurelles et fonctionnelles simultanément.
Nous avons exploité le concept de multimodèle pour la synthèse d’une loi de commande
floue tout en assurant la stabilité en BF. L'idée consiste à déterminer un ensemble réduit de
règles avec la définition des zones de fonctionnement (fonction d’appartenance) pour
chaque variable d’état du système. Autour de ces zones sera établie le multimodèle par la
156
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
y
Processus
(S)
u x
Contrôleur
x& (t ) = f ( x(t ), u (t ))
(4.1)
y (t ) = g ( x(t ), u (t ))
Ai Bi
647 48 647 48
&x(t ) = A(xi , u i ) ⋅ x(t ) + B( xi , u i ) ⋅ u (t ) + N xi
(4.2)
y (t ) = C ( xi , u i ) ⋅ x(t ) + D(xi , u i ) ⋅ u (t ) + N yi
1424 3 1424 3
Ci Di
avec :
⎡ ∂f 1 ∂f1 ⎤ ⎡ ∂f1 ∂f1 ⎤
⎢ L ⎥ ⎢ L ⎥
⎢ ∂x1 ux ==uxii ∂x n
u =ui ⎥
x = xi
⎢ ∂u1 ux ==uxii ∂u m
u =ui ⎥
x = xi
∂f ( x, u ) (
∂f x, u )
Ai = =⎢ M O M ⎥ , Bi = =⎢ M O M ⎥
∂x ux ==uxi ⎢ ⎥ ∂u u =ui ⎢ ∂f
x = x ⎥
i ⎢ ∂f n L
∂f n ⎥ i ⎢ n L
∂f n ⎥
⎢ ∂x1 x = xi ∂x n x = xi ⎥ ⎢ ∂u1 x = xi ∂u m x = xi ⎥
⎣⎢ u =ui u =ui ⎥
⎦ ⎢⎣ u =ui u =ui ⎥
⎦
157
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
x& (t ) = f ( xi , u i ) + Ai ( x(t ) − xi ) + Bi (u (t ) − u i )
(4.4)
y (t ) = g ( xi , u i ) + C i ( x(t ) − xi ) + Di (u (t ) − u i )
x& (t ) = Ai ( x(t ) − xi ) + Bi (u (t ) − u i )
(4.5)
y (t ) = y i + C i ( x(t ) − xi ) + Di (u (t ) − u i )
Posons u~ (t ) = u (t ) − u i , ~
x (t ) = x(t ) − xi et ~
y (t ) = y (t ) − y i . Ces vecteurs sont appelés les
variations de u (t ), x(t ) et y (t ) , respectivement. Pour des petites variations u~, ~ x et ~
y , on a :
x& (t ) = Ai
~ x (t ) + Bi ⋅ u~ (t )
⋅~
(4.6)
~y (t ) = C i x (t ) + D ⋅ u~ (t )
⋅~ i
158
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
Analyse de la
stabilité des SIF
Stabilité énergétique
Indices de stabilité
Critère des pôles
Critère de cercle
Hyper stabilité
Plan de phase
BIBO
159
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
160
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
y
u x& (t ) = f (x(t ), u (t ))
y (t ) = g (x(t ))
x
ud xd
~
u~ x
K
161
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
avec ⋅ dénote la norme spectrale d'une matrice de dimension finie (la plus grande valeur
singulière de la matrice).
SI …
ALORS … u (⋅) =
Modèle local
n°i (i=1, …, N)
SI …
x(⋅) ALORS … u (⋅) = u (⋅) y (⋅)
Processus
Contrôleur flou
x(⋅)
SI …
ALORS … u (⋅) =
SI …
ALORS … x& (⋅) =
Partie commune
« prémisses »
SI …
ALORS … x& (⋅) =
Modèle flou
SI …
ALORS … x& (⋅) =
x(⋅)
x& (t ) = Ai ⋅ x(t ) + Bi ⋅ u (t )
(4.8)
y (t ) = C i ⋅ x(t ) + Di ⋅ u (t ) i = 1, ..., N
162
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
Les modèles flous du type TS décrit par des règles floues « SI … ALORS » qui
représentent des modèles linéaires sont donnés par [331] :
⎧ x& (t ) = Ai ⋅ x(t ) + Bi ⋅ u (t )
i i
( ) i
{ : SI x1 est Ζ 1 ... ET x n est Ζ n
R ( ) ALORS ⎨ (4.9)
i =1, ... , N ⎩ y (t ) = C i ⋅ x(t )
[x1 , ..., x n ]T ∈ X ∈ ℜ n sont les variables des prémisses (variables d’état et/ou d’entrées).
i i
Ζ ~ Ζ sont les sous ensembles flous des prémisses. Il est à souligner que Ai et
1 n
Les modèles flous sont supposés localement contrôlables ( ∀i ∈ {1, ..., N } les paires
( Ai , Bi ) sont contrôlables) et localement observables ( ∀i ∈ {1, ..., N } les paires ( Ai , Bi )
sont observables) [332].
Soit µ i (x(t )) ∈ [0, 1] une fonction permettant d’indiquer la validité (degré
d’appartenance) du modèle local n° i (la ieme règle floue). Le processus étudié peut alors
être décrit par une représentation d’état (4.11) où chaque modèle local y contribue avec un
degré de pertinence mesuré par un coefficient de validité wi ( x(t )) . C’est dans ce sens,
qu’un modèle global a été introduit pour représenter l’évolution du système étudié sur tout
l’espace d’état (domaine de fonctionnement) [333] :
où les matrices Ag (⋅) , B g (⋅) , C g (⋅) et D g (⋅) sont obtenues par fusion des matrices
caractéristiques des modèles locaux (après le calcul des inférences et la défuzzification) :
i =1
i =1
(4.12)
C g (⋅) = ∑ wi ( x(t ))C i (⋅)
N
i =1
i =1
163
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
0 ≤ µ i (x(t )) ≤ 1 ∑ µ i ( x(t )) ≠ 0
N
& ∀i
i =1
µ i ( x(t )) (4.13)
wi ( x(t )) = ∑ wi ( x(t )) = 1
N
≥0 &
∑ µ i ( x(t ))
N
i =1
i =1
R i i
( i
{ : SI x1 est Ζ 1 ... ET x n est Ζ n ) ( ) [
ALORS u (t ) = − K i ⋅ x(t ) − x d ] (4.14)
i =1, ... , N
[x d
1 , ..., x nd ] est le vecteur des états désirés.
T
[
u (t ) PDC = − ∑ w j ( x(t )) ⋅ K j ⋅ x(t ) − x d
N
j =1
]
N
j =1
[
u (t ) PPDC = − ∑ w j ( x(t )) ⋅ K j ⋅ k j ⋅ x(t ) − x d ] (4.15)
µ j ( x(t ))
w j ( x(t )) =
∑ µ j ( x(t ))
N
j =1
Les fonctions µ j ( x(t )) sont les mêmes que celles du multimodèle flou (4.11). La
configuration commune entre le modèle et le contrôleur flou de la figure 4.4 est le partage
de la partie prémisse des règles floues.
La réalisation du contrôleur flou consiste à déterminer les gains de contre réaction K i
dans les conclusions des règles satisfaisants les conditions de stabilité mentionnées par la
suite du chapitre. La substitution du système (4.15) dans le système (4.11) donne le
système en BF suivant :
⎝ i =1 ⎠ ⎝ i =1 ⎠
(4.16)
⎛N ⎛N ⎞⎞
= ⎜ ∑ Ai ⋅ wi (x(t )) − ⎛⎜ ∑ Bi ⋅ wi ( x(t ))⎞⎟ ⋅ ⎜ ∑ K j ⋅ w j ( x(t ))⎟ ⎟ ⋅ x(t ) = f ( x(t ))
N
⎝ i =1 ⎝ i =1 ⎠ ⎝ j =1 ⎠⎠
Les valeurs de µ i ( x(t )) (resp. wi ( x(t )) ) sont définies de sorte que le modèle (4.11)
possède une solution unique dépendante des conditions initiales de fonctionnement
(x(0) = x0 ) . Notons que le nombre des modèles locaux dépend de la précision de
modélisation souhaitée, de la complexité du système non linéaire et du choix de la
structure des fonctions d’activation [13].
164
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
x(t ) représente la solution de l’équation d’état (4.1). Dans le cas général, il n’existe pas de
méthode pour trouver toutes les fonctions candidates de Lyapunov. Dès lors, la théorie de
Lyapunov conduit à des conditions suffisantes de stabilité dont le pessimisme dépend de la
forme particulière imposée à la fonction V ( x(t )) et de la structure du système. Cependant,
il existe des familles de fonctions de Lyapunov souvent utilisées et dont l’adoption dépend
de la nature du système à étudier (systèmes linéaires, systèmes continus par morceaux,
systèmes à retard, systèmes linéaires incertains, …etc.) [315]. Etant donnée P symétrique
positive définie, on a :
Dans les conditions (4.18), l’origine x(t ) = 0 est un point d’équilibre, globalement
asymptotiquement, stable pour le système en BF si :
( T T
)
V& ( x(t )) = x(t ) ⋅ P ⋅ x& (t ) + x& (t ) ⋅ P ⋅ x(t ) < 0 (4.19)
V& ( x(t )) représente la dérivée par rapport au temps de la fonction de Lyapunov le long de la
trajectoire de la variable x(t ) . En remplaçant x& (t ) par son expression (4.16) dans
l’équation (4.19), on a [334] :
⎛N ⎧N ⎫ ⎛ N ⎞⎞
⎜ ∑ Ai ⋅ µ i ( x(t )) ⎪ ∑ µ j ( x(t )) ⎪ ⎛⎜ ∑ Bi ⋅µ i ( x(t )) ⎞⎟ ⎜ ∑ K j ⋅ µ j ( x(t )) ⎟ ⎟
N
+ x(t ) ⋅ ⎜ i =1 N ⎟ ⎟ ⋅ P ⋅ x(t )
=
⎟⋅⎜ N
T j 1
− ⎜ i =1N
⎜ ∑ µ ( x(t )) ⎜ ∑ µ i ( x(t )) ⎟ ⎜ ∑ µ j ( x(t )) ⎟⎟ ⎟
⎜
⎜ i =1 i ⎝ i =1 ⎠ ⎝ j =1 ⎟
⎝ ⎠⎠
(4.20)
165
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
+ x(t ) ⋅ ⎜ ⎟ ⋅ P ⋅ x(t )
T
−
⎜ ∑i , j µ ( x(t )) ⋅ µ ( x(t )) µ
∑i , j i ( x (t )) ⋅ µ ( x (t )) ⎟
⎝ i j j ⎠
V ( x ) = x(t ) ⋅
&
[ T
]
T ⎜ ∑i , j P ⋅ ( Ai − Bi ⋅ K j ) + ( Ai − Bi ⋅ K j ) ⋅ P ⋅ µ i ( x (t )) ⋅ µ j ( x (t )) ⎟
⎛ ⎞
⋅ x(t ) (4.22)
⎜
⎝ ∑i , j µ i (x(t )) ⋅ µ j ( x(t )) ⎟
⎠
De (4.13), on a :
µ i ( x(t )) ⋅ µ j ( x(t ))
0≤ ≤1 (4.23)
∑i , j µ i ( x(t )) ⋅ µ j ( x(t ))
Ce qui conduit à :
( [
V& ( x(t )) ≤ ∑i , j x(t ) ⋅ P ⋅ (Ai − Bi ⋅ K j ) + (Ai − Bi ⋅ K j ) ⋅ P ⋅ x(t )
T T
]) (4.24)
Théorème [134] :
Le système complet (en BF) continu est globalement asymptotiquement stable via la
loi de commande PDC (4.15) s’il existe une matrice P commune positive définie
(P > 0) et des matrices K i qui vérifient :
( Ai − Bi ⋅ K i )T ⋅ P + P ⋅ ( Ai − Bi ⋅ K i ) < 0 (i = 1, ..., N )
GijT ⋅ P + P ⋅ Gij < 0 (1 ≤ i < j ≤ N ) (4.27)
Ai − Bi ⋅ K j + A j − B j ⋅ K i
Gij =
2
166
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
( Ai − B ⋅ K i )T ⋅ P + P ⋅ ( Ai − B ⋅ K i ) < 0 (i = 1, ..., N )
G ⋅ P + P ⋅ Gij < 0
T
ij (1 ≤ i < j ≤ N ) (4.28)
Ai − B ⋅ K j + A j − B ⋅ K i
Gij =
2
Remarque :
Dans le cas des systèmes discrets, la même démarche est valable, il suffit de
remplacer x(t ) par l’état échantillonné x(k ) et la dérivée x& (t ) par la translation
x(k + 1) .
167
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
I4
Logique de
commutation
x(⋅)
I2
u (⋅) y (⋅)
Contrôleur flou Processus
I3
I1
x(⋅) x(⋅)
Modèle flou
y (⋅)
I1 I2 I3 I4
Etape 2 & 3
1 0 1 0
• Linéarisation du système autour des points de fonctionnement prédéfinis.
• Synthèse de la loi de commande vérifiant les conditions de stabilité au sens
énergétique de Lyapunov.
168
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
~ ~ ~
x 24 ~
x 21 x 22 x 25
~
x 2 (t )
~ x 23
x1 (t )
~
NB ZE ZE PM PB
~
x11 NB
~
x12 NM
~
x13 ZE
~
x14 PM
~
x15 PB
169
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
Processus
AGM
PDC1
Oui Arrêt de Non
l’AGM ?
Base de règles
réduite
Points de
Gains de contre fonctionnement
réaction
Modèle
µAGM
flou
Linéarisation
Loi de commande
PDC2
optimale &stable
Dans cette partie de l’algorithme, nous avons utilité le concept du but programmé
‘goal programming’, appelé aussi vecteur à optimisation objective ‘target vector
optimisation’. Cette méthode et d’autres sont étudiées en détails par Alain Berro [339].
Le livre de Yann Collette est aussi une base importante des méthodes d’optimisation
[340]. Dans cette approche le concepteur fixe au préalable le but Obji à atteindre pour
chaque objectif. Ces valeurs sont, ensuite, ajoutées au problème d’optimisation comme des
contraintes supplémentaires.
Le critère des performances à minimiser, adapté au cas des systèmes multivariables
MIMO, est choisi sous forme :
(4.29)
x (k ) = x d (k ) − x(k ) est l’erreur de poursuite à l’instant k . Obj R > 1 est l’objectif à
~
atteindre formulé en terme de la taille voulue de la base de règles (le nombre des modèles).
Remarque :
L’adoption d’un seul modèle linéaire pour modéliser un système non linéaire est très
restrictive. En effet, une telle hypothèse écrase les non linéarités du système et
170
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
néglige les informations provenant des conditions opératoires. C’est cette réflexion
qui a fait naître l’idée de modélisation d’une base de modèle [341].
Les contraintes 1 et 2 exprimées dans (3.35) restent valables dans cette partie de
l’algorithme. Les matrices de pondération Q(k ) et R(k ) sont choisies de sorte que les
objectifs cités au chapitre 3 seront respectés.
Q(k ) = β 1 (k ) ⋅ Ι n×n
(4.30)
R(k ) = (1 − (β1 (k ) + β 2 (k ))) ⋅ Ι m×m
Ι n×n est la matrice identité de dimension n × n . Le critère d’arrêt de l’AGM est défini par
un nombre bien déterminé de générations. Le chromosome ayant l’aptitude la plus élevée
dans la dernière génération de l’AGM représente la base (le repère) de développement des
étapes restantes de l’algorithme de synthèse. Le nombre des modèles coïncide avec le
nombre des règles obtenu à la fin de l’exécution de l’AGM.
Le modèle flou du processus est conçu par linéarisation du processus autour des
points de fonctionnement les plus significatifs (xi , u i ) par la procédure (4.2). Ces points
sont déterminés par les centres des fonctions d’appartenance résultantes dans la partie
prémisses des règles floues.
La synthèse de la loi de commande floue par l’analyse de la stabilité s’effectue par un
µAGM développé pour réaliser cette tâche. La partie des gains de contre réaction dans les
chromosomes de la population de la dernière génération représente la phase d’initialisation
d’une partie des chromosomes de la population initiale du µAGM. La partie restante des
chromosomes représente les éléments de la matrice P de l’expression (4.17).
Le nouveau problème peut être énoncé de la façon suivante : Etant donnée le modèle
flou du système ( Ai , Bi ) , trouver le vecteur (resp. matrice) des gains de contre réaction K i
de la loi de commande PDC2 et la matrice P > 0 définissant la fonction de Lyapunov,
satisfaisant le critère des performances désirées. Ce dernier est un compromis entre la
précision et la stabilité au sens énergétique de Lyapunov. Le critère à minimiser, dans ce
cas, sera donné par :
max_ k −1 max_ k −1
J E2 = x T (k ) ⋅ Q(k ) ⋅ ~
∑ ~ x (k ) + ∑ u T (k ) ⋅ R(k ) ⋅ u (k )
k =0 k =0
Les matrices de pondération Q(k ) et R(k ) sont données par (4.30) avec β 2 = 0 .
Dans cette partie de la thèse, l’analyse et le traitement des contraintes de la stabilité dans le
µAGM sont effectués d’une manière différente que celle décrite dans le chapitre précédent.
Une alternative consiste à imposer les contraintes de stabilité comme critère d’arrêt de
171
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
Ki & P (i = 1, …, N)
Le chromosome de rang
supérieur est candidat au test
J E2 ≤ ξ d’arrêt de l’algorithme (test
P>0 de stabilité – précision).
Non
(C ij ) < 0 Oui
(C ij − ji ) < 0
Solution
optimale
nouvelle population
Sélection
Création d’une
Croisement
Mutation
Nouvelle population
4.5. Simulation
Pour illustrer les performances de l’algorithme proposé pour la synthèse d’une loi de
commande floue tout en assurant la stabilité en BF, nous considérons la commande en
poursuite d’un bioprocédé de traitement des eaux usées dans l’industrie du papier.
4.5.1.1. Généralités
En raison de la complexité inhérente des mécanismes de traitement, l’application des
TIA en collaboration avec les méthodes conventionnelles dans le domaine de l’engineering
des bioprocédés ont été proposées comme alternative de traitement et d’analyse. L’objectif
172
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
Entrées
Eau traitée
X (t )
S x (t )
S e (t )
Sorties
173
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
traitée. Les relations qui lient D(t ) , S x −in (t ) et S e −in (t ) aux variables de commande
auxiliaires u1 (t ) et u 2 (t ) sont données par :
D(t ) = u1 (t ) + u 2 (t )
u 2 (t )
S x −in (t ) = −in (t )
⋅ S xmax (4.32)
u1 (t ) + u 2 (t )
u 2 (t )
S e−in (t ) = −in (t )
⋅ S emax
u1 (t ) + u 2 (t )
u1 (t )
S x −in (t )
u 2 (t ) S e−in (t )
u1 (t ) + u 2 (t )
X (t ), S x (t ), S e (t ) Régulation
de niveau
Eau Substrats −in (t )
S xmax
d’alimentation d’alimentation S e−in (t )
max Soutirage
Bioprocédé
174
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
⎛ x 2 (t ) x3 (t ) ⎞
x&1 (t ) = ⎜⎜ µ Sxmax + µ Semax ⎟ x1 (t ) − (u1 (t ) + u 2 (t ))x1 (t ) − bx1 (t )
⎝ K Sx + x 2 (t ) + a Se x3 (t ) K Se + x3 (t ) + a Sx x 2 (t ) ⎟⎠
µ Sxmax x 2 (t )
x& 2 (t ) = −
Y X / S x K Sx + x 2 (t ) + a Se x3 (t )
(
x1 (t ) − u1 (t )x 2 (t ) + S xmax )
−in − S x −in (t ) u 2 (t ) + d ist (t )
µ Semax x3 (t )
x& 3 (t ) = −
YX / Se K Se + x3 (t ) + a Sx x 2 (t )
(
x1 (t ) − u1 (t )x3 (t ) + S emax )
−in − S e −in (t ) u 2 (t )
(4.33)
Paramètre Description
X (t ) = x1 (t ) [g/L] Concentration de biomasse (micro-organismes)
S x (t ) = x2 (t ) [g/L] Concentration de substrat xénobiotique
Se (t ) = x3 (t ) [g/L] Concentration de substrat énergétique
µ Sx
max
Taux spécifique de croissance maximal dû au substrat xénobiotique
µ Se
max
Taux spécifique de croissance maximal dû au substrat énergétique
YX / S x Rendement de conversion du substrat xénobiotique en biomasse
Y X / Se Rendement de conversion du substrat énergétique en biomasse
− in (t ), S e − in (t )
S xmax max
Concentrations maximales en substrats dans le milieu d'alimentation
175
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
⎧0.6 [g/L ] [ ]
k < 80 h −1
⎪
x1 (k ) = ⎨0.7 [g/L ]
d
80 ≤ k < 220 [h ] −1
(4.35)
⎪0.6 [g/L ]
⎩ 220 ≤ k ≤ 300 [h ] −1
⎧⎪0.3 [g/L]
x (k ) = ⎨
d
[ ]
k < 180 h −1
(4.36)
⎪⎩0.2 [g/L] 180 ≤ k < 300 [h ]
2 −1
Pour avoir une idée sur l’évolution du système, c’est-à-dire, la plage de variation des
variables d’état décrivant son comportemet, nous avons simulé le modèle (4.33) afin de
tenir compte des situations réelles de son comprtement.
176
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
Fig. 4.11 : Signal u1 (t ) pour l’identification. Fig. 4.12 : Signal u 2 (t ) pour l’identification.
La répartition du jeu de données peut aussi être visualisée dans le plan de phase
(u1 (t ), u 2 (t )) de la figure 4.13.
On peut noter que les signaux d’entrées sont, relativement, bien distribués dans la
plage des variations autorisées des grandeurs d’entrées. Le jeu des données d’identification
[ ]
a été obtenu avec des conditions initiales ( X (0 ), S x (0 ), S e (o )) = (0.5, 0.45, 0.2 ) gL−1 . Ces
T T
177
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
La figure 4.17 montre la répartition correspondante des données dans l’espace des
sorties des variables à commander, des concentrations de biomasse, du substrat
xénobiotique et énergétique.
178
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
Remarques :
Si le bioprocédé évolue dans des conditions normales, telles que celles décrites
dans (4.35) et (4.36), la concentration du substrat énergétique S e (t ) est résiduelle du
fait de sa haute biodégradabilité. Ceci explique, pourquoi on ne tient pas compte de la
régulation du substrat énergétique au niveau de la loi de commande [353]. Cette
information nous permet de simplifier la représentation et la synthèse de la loi de
commande. Cherif Ben Youssef et al. ont proposé une approche d’estimation non
linéaire des paramètres d’un bioprocédé. Une loi de commande adaptative avec
modèle de référence a été développée. Par contre, l’analyse et la synthèse ont été
effectuées sans prise en compte de la variable S e (t ) (Fig. 4.18) [354].
X (t )
u1 (t )
de synthèse
Algorithme
S e (t )
u 2 (t ) S x (t )
Caractéristique Valeur
Taille de la population 10
Nombre de génération variable
Univers de discours L x1 & L x2 ∈ ]0, 1.5]
Gains de PDC K ∈ [− 2, 2]
max_ k 300
Max _ règle 25
179
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
remarque que l’objectif auxiliaire Obj R = 2 introduit dans le critère (4.24) est atteint à
partir de la génération numéro 97.
On fait relevé les valeurs des zones de fonctionnement au moment où l’objectif Obj R
se stabilise à la valeur désirée, puis on fait appel à l’étape 2 & 3 de l’algorithme de
synthèse. Le multimodèle voulu a une configuration minimale égale à 2 modèles locaux.
La figure 4.21 représente la base de règles floues constituant le multimodèle.
Fig. 4.19 : Evolution de la base de règles. Fig. 4.20 : Evolution de la fonction coût.
x 2 (t )
x1 (t ) Z12 Z22 Z32 Z42 Z52
0.000 Z11
0.172 Z21
0.344 Z31
0.516 Z41
0.688 Z51
Les zones de fonctionnement définies par l’AGM sont spécifiées par les fonctions
d’appartenance Z 31 et Z 51 pour la variable X (t ) et par Z 32 et Z 52 pour la variable S x (t ) ,
respectivement. Les résultats obtenus sont illustrés par la figure 4.22.
Par application de l’algorithme PDC1 ou PPDC (4.14) avec la procédure
d’optimisation AGM, on peut avoir des résultats satisfaisants en poursuite d’une trajectoire
de référence donnée. Seule, l’analyse de la stabilité reste à confirmer [93] & [330]. Pour
que le critère de stabilité soit prouvé, les étapes 2 & 3 de l’algorithme de synthèse sont
180
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
⎛ ⎞ ⎛ ⎞
P1 = ⎜ 01
.344, 0 .503 , 0.018, 0.0001, 0.0001⎟ & P = ⎜ 0.686, 0.335, 0.018, 0.033, 0.04 ⎟ (4.37)
⎜ 4442444 3 144244 3⎟ 2
⎜ 14442444 3 14243 ⎟
⎝ xi i =1, 2 , 3 ui i =1, 2 ⎠ ⎝ xi i =1, 2 , 3 ui i =1, 2 ⎠
D’après la figure 4.22, la variable S e (t ) peut être considérée comme constante égale
à 0.018 [g/L]. Les matrices des gains de contre réaction du PDC1 sont :
Une base de modèles capable de représenter le système non linéaire (4.33) sur des
plages de variation du point d’équilibre (zone de fonctionnement) peut être décrite par :
∂f 1 ⎡ x 2i x 3i ⎤
a11i = = ⎢ µ Sxmax + µ Semax ⎥ − (u1i + u 2i ) − b
∂x1 x = xi ⎣ K Sx + x 2i + a Se x3i K Se + x3i + a Sx x 2i ⎦
u = ui
∂f 1 ⎡ (K Sx + a Se x3i ) a Sx x3i ⎤
a12i = = x1i ⎢− µ Sxmax + µ max
⎥
∂x 2 x = xi
u =ui
⎢⎣ (K Sx + x 2i + a Se x3i )2 Sx
(K Se + x3i + a Sx x 2i )2 ⎥⎦
(4.39)
∂f µ Sxmax x 2i
i
a 21 = 2 =−
∂x1 x = xi YX / S x K Sx + x 2i + a Se x3i
u = ui
∂f 2 µ Sxmax (K Sx + a Se x3i )
i
a 22 = =+ x1i − u1i
∂x 2 x = xi Y X / S x (K Sx + x 2i + a Se x3i )2
u =ui
181
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
∂f1
b11i = = − x1i
∂u1 x = xi
u = ui
∂f 1
b12i = = − x1i
∂u 2 x = xi
u =ui
2 (4.40)
∂f ⎛ u 2i ⎞
i
b21 = 2 = − x 2i − S xmax ⎜
−in ⎜
⎟⎟
∂u1 x = xi ⎝ u1i + u 2i ⎠
u = ui
∂f ⎡ ⎛ u ⎞
2
⎤
b = 2
i
22 =S max
x − in ⎢1 − ⎜⎜ 2i
⎟⎟ ⎥
∂u 2 x = xi ⎢⎣ ⎝ u1i + u 2i ⎠ ⎥⎦
u =ui
182
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
P>0
( A1 − B1 ⋅ K1 )T ⋅ P + P ⋅ ( A1 − B1 ⋅ K1 ) < 0
( A2 − B2 ⋅ K 2 )T ⋅ P + P ⋅ ( A2 − B2 ⋅ K 2 ) < 0 (4.43)
G12T ⋅ P + P ⋅ G12 < 0
A1 − B1 ⋅ K 2 + A2 − B2 ⋅ K 1
G12 =
2
( ) (
u = − w1 ⋅ K 1 ⋅ x − x d − w2 ⋅ K 2 ⋅ x − x d ) (4.44)
w1 et w2 sont les valeurs des degrés d’appartenance pour les règles (modèles locaux) 1 et
2, respectivement. La loi de commande PDC2 (non linéaire) garantie la stabilité de la
boucle de contrôle flou (modèle flou + contrôleur PDC flou).
Le schéma de la figure 4.24 montre le comportement des états commandés X (t ) et
S x (t ) et de leur trajectoire de référence désirée correspondante données par les expressions
(4.35) et (4.36), respectivement. Au points de changement de consignes (des transitions)
(80 [h], 180 [h], 220 [h]) , nous pouvons observer que l'effet de l'accouplement entre les 2
variables commandées a été atténué et que les trajectoires de références ont été atteintes
après un temps de transition court. Il s’agit d’une bonne compensation des interactions
entre les variables d’état. Les résultats de simulation montrent les bonnes performances de
l’algorithme développé et confirment l'efficacité de la loi de commande en poursuite des
trajectoires désirées qui sont, théoriquement, possibles avec un taux de dilution
D(t ) = (u1 (t ), u 2 (t )) non nul. Les signaux de commande sont schématisés par les figures
4.25 et 4.26. Le comportement du modèle non linéaire (4.33) par l’action de commande
développée PDC2 est représentée par les figures 4.27, 4.28 et 4.29, respectivement.
183
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
obtenus schématisés par les figures 4.30, 4.31 et 4.32 montrent que le contrôleur arrive à se
stabiliser le système autour de la trajectoire désirée. Le comportement de bioprocédé (4.33)
dans les conditions précédentes est schématisé par les figures 4.33, 4.34 et 4.35,
respectivement. En conclusion, les résultats obtenus sont encourageants et montrent le
potentiel de la démarche.
184
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
185
Chapitre 4 Concept de multimodèle : De l’analyse à la synthèse des SIF
4.6. Conclusions
L’objectif de ce chapitre est de présenter les différentes possibilités qu’offrent les
modèles flous du type TS pour la commande des systèmes non linéaires multivariables en
utilisant la stratégie de commande PDC. La structure des règles de TS est bien adaptée à la
représentation multimodèle. Chaque règle est un modèle local. Le concept de multimodèle flou
est une technique de modélisation et d’identification des systèmes non linéaires. Ce concept
simplifie bien l’analyse de la stabilité par l’approche énergétique de Lyapunov.
Après avoir introduit la notion du concept multimodèle, nous avons donné un aperçu
général sur les méthodes de l’analyse des SIF. Le problème de la stabilité des modèles flous de
type TS est aussi abordé. La plupart des travaux font appel à l’approche énergétique de
Lyapunov pour la vérification des conditions de stabilité. Dans la phase de synthèse, la
détermination de la loi de commande revient à déterminer pour chaque modèle local une
matrice (resp. vecteur) des gains de retour d’état. La formulation des problèmes de stabilité
sous une forme LMI est l’un des aspects intéressants du nouveau concept multimodèle.
Dans ce chapitre, nous avons aussi développé une méthodologie de synthèse permettant
la prise en compte explicite de plusieurs spécifications structurelles et fonctionnelles
simultanément. Nous avons exploité le concept du multimodèle pour la synthèse d’une loi de
commande floue tout en assurant la stabilité en BF. L'idée consiste à déterminer un ensemble
réduit de règles avec la définition des zones de fonctionnement (fonction d’appartenance) pour
chaque variable d’état du système. Autour de ces zones sera établie le multimodèle par la
linéarisation du modèle du système (phase de modélisation floue). Le comportement global
résulte de la « fusion » par le formalisme de TS de l'ensemble des comportements locaux. Les
AG représentent l’outil d’optimisation intervenant dans toutes les étapes de synthèse de la loi
de commande. L’algorithme développé est appliqué pour la commande en poursuite d’un
bioprocédé de traitement des eaux usées dans l’industrie du papier. Le bioprocédé est modélisé
par un système multivariable fortement non linéaire. La base des modèles linéaires est obtenue
en se basant sur la variation des états d’équilibre du système sur des zones de linéarités
prédéfinies d’une manière approximative par la simulation du comportement du bioprocédé.
La phase d’exploration génétique nous permet de spécifier les zones de fonctionnement du
procédé. La principale question abordée dans ce travail est l’amélioration et l’optimisation des
performances du bioprocédé à l’aide d’outils de modélisation multimodèle floue : i) Choix du
nombre de modèles. ii) La garantie de la stabilité en BF. iii) La robustesse par rapport aux
erreurs d’approximations et aux perturbations.
Les résultats de simulation montrent les bonnes performances de l’algorithme développé
et confirment l'efficacité de la loi de commande en poursuite des trajectoires désirées.
186
Conclusions & perspectives
A – Conclusions
La motivation principale de ce travail a été accomplie et concrétisée par la mise en
oeuvre des capacités offertes par les TIA, c'est-à-dire des systèmes hybrides, en vue de
développer des approches pour la synthèse des lois de commande simples, efficaces et
robustes. La formulation des problèmes de commande a été faite avec une combinaison des
SIF, des RNA et des AG.
Notre travail a expliqué, explicitement, les problèmes rencontrés dans la phase de
conception des SIF. Il s’agit, essentiellement, de :
• Problèmes de dimensionnement de la base des règles floues du SIF, c’est-à-dire,
sa structure.
• Problèmes de configuration des paramètres de la base de connaissances.
• Problèmes de stabilité/robustesse de l’ensemble contrôleur/procédé à commander.
Les travaux présentés, dans cette thèse, s’articulent autour des principaux axes de la
modélisation et de la commande floue du type TS1 pour les systèmes non linéaires
complexes. Ces travaux ont dépisté, d’une façon cohérente, 2 grandes voies :
a. La première a relaté la commande floue des systèmes non linéaires.
b. La seconde s’est occupée de la modélisation floue d’un système non linéaire à
partir des données numériques et de la commande floue du type PDC.
La première piste a finalisé la synthétisation d’une loi de commande floue stable et
robuste. De même, l’hybridation neuronale floue a confirmé la stratégie de commande
proposée dans les objectifs de cette étude. Une structure RBF-floue étendue au
raisonnement approximatif du type TS1 est utilisée. La modélisation de la RBF-floue à
partir d’une base de données numériques a été basée sur :
• La normalisation des variables d’entrée.
• Partitionnement des univers de discours de ces variables. Les partitions doivent
être fortes.
• La génération des paramètres de TS, ainsi que les poids des règles intervenant
dans l’analyse de la stabilité en BF.
• La construction d’une base des règles réduites (minimisation du nombre des
couches). La stratégie de réduction de la base de règles consiste à ne retenir que
les règles qui assurent une couverture de l’espace d’entrée.
• L’apprentissage fin des paramètres du réseau RBF-floue. Plus le nombre de
règles sera faible, plus le SIF correspondant pourra affiner ses conclusions par des
descentes de gradient complémentaires.
L’algorithme hybride proposé et utilisé a rendu l’optimisation structurelle et
paramétrique du contrôleur RBF-flou une réalité indéniable. Les 2 étapes d’apprentissage
sélectionnées et appliquées ont relaté :
• L’optimisation globale de l’ensemble structure & paramètres du réseau contrôleur
proposé. L’algorithme utilisé est un AG à objectifs multiples (multiobjectifs).
• La confirmation en second lieu, après l'identification initiale de la topologie et les
paramètres du réseau contrôleur, de l’efficacité de l'algorithme d’apprentissage
employé. Ce dernier est basé sur l’application de la technique de la descente du
gradient pour un réglage plus fin des paramètres des conséquences des règles.
187
Conclusion générale
188
Conclusion générale
En premier lieu, nous avons établies les fondations nécessaires à la maîtrise des
TIA : LF, RNA et AG. Après avoir introduit des concepts de base concernant la structure
générale et les différents types des modèles flous, nous avons étudié plus particulièrement
les caractéristiques structurelles et paramétriques de ces modèles. A l’issue de cette étude,
nous avons constaté qu’ils sont des systèmes non linéaires adaptatifs, capables de
manipuler non seulement des données numériques mais également des informations
linguistiques. La propriété d’approximation universelle ne donne pas une méthode générale
de conception et de construction du SIF. Elle garantit, seulement, son existence. La
modélisation de ces systèmes n’était pas toujours évidente. C’est pourquoi le flou adaptatif
a fait son apparition. Les lois d’adaptation proposées dans la littérature agissent sur le
comportement global du SIF : Sa configuration structurelle & paramétrique. La difficulté
de sa mise en oeuvre réside dans la mise au point d’une base de connaissances floues
(structure & paramètres du SIF). Ce problème peut être résolu par l’utilisation des
méthodes d’extraction automatique des connaissances : Les méthodes analytiques, les TIA,
…etc. Par la suite, nous avons présentés les caractéristiques fondamentales des RNA. La
topologie du réseau, les fonctions d’activation des neurones, le seuil de ces fonctions et
l’algorithme d’apprentissage utilisés sont des facteurs significatifs dans l’emploi des
modèles connexionnistes. Nous avons, aussi, exposé en détail les différentes étapes
nécessaires à l’exécution d’un AG, configuration paramétriques, initialisation de la
population, évaluation, sélection pour la reproduction, test d’arrêt et les améliorations de
l’AG de base pour l’aider à se converger vers une solution optimale. De plus, une étude
bibliographique a été, exhaustivement, synthétisée dont le but est d’étudier les propositions
pour l’amélioration des performances de ces TIA.
En seconde phase, nous avons exposé les différents modes d’hybridation des TIA :
SIF-AG, SIF-RNA et SIF-RNA-AG. Une étude bibliographique approfondie sur les
différentes méthodes de modélisation des SIF a été établie. Nous avons commencé par les
différentes techniques d’optimisation des SIF par les AG. Ensuite, l’accent est mis sur les
différentes structures de réseaux neuronaux - flous «RNF», développées au cours de ces
dernières années, alliés avec leurs algorithmes d’apprentissage. Dans ce contexte, un
classement de différentes structures RNF a été présenté, en se basant sur le type du
raisonnement utilisé ainsi que sur la dynamique développée par le SIF.
En troisième position, une méthodologie de synthèse d’une loi de commande simple,
efficace, stable et robuste pour une classe des systèmes non linéaires a été établie. La
stratégie de commande proposée dans cette phase repose, essentiellement, sur l’hybridation
RNF. Un réseau RBF-flou étendu au raisonnement approximatif du type TS1 a été utilisé.
Le problème de dimensionnement de la base des règles floues du SIF (structure), le
problème de configuration des paramètres de la base de connaissances et les problèmes de
stabilité/robustesse de l’ensemble contrôleur/procédé à commander ont fait l’objet de notre
nouvelle étude. Nous avons commencé par exposé les problèmes rencontrés dans la phase
de conception des SIF et les solutions proposées dans la littérature. Une recherche
bibliographique approfondie sur les méthodes de résolution du problème de
dimensionnement des SIF a été faite. Par la suite, nous avons exposé en détail la
méthodologie de synthèse de la loi de commande, les caractéristiques structurelles et
algorithmiques développées pour cette synthèse ainsi que des simulations sur la commande
de quelques systèmes non linéaires. D’après les résultats de simulations, nous avons pu
constater que la stratégie de commande proposée ne présente pas, uniquement, une
robustesse vis-à-vis des incertitudes, mais aussi une robustesse en présence d’un
changement dans les paramètres des systèmes non linéaires ainsi que le changement des
conditions de fonctionnement.
189
Conclusion générale
Dans la dernière phase, après avoir introduit la notion du concept multimodèle, nous
avons donné un aperçu général sur les méthodes de l’analyse des SIF. Le problème de la
stabilité des modèles flous de type TS a été, aussi, abordé et concrétisé par notre
simulation. La plupart des travaux font appel à l’approche énergétique de Lyapunov pour
la vérification des conditions de stabilité. Dans la phase de synthèse, la détermination de la
loi de commande revient à déterminer pour chaque modèle local une matrice (resp.
vecteur) des gains de retour d’état. La formulation des problèmes de stabilité sous une
forme LMI est l’un des aspects intéressants du concept multimodèle. Une stratégie de
modélisation et de synthèse des lois de commande floues a été développée dans cette partie
de la thèse. Le concept de multimodèle a été utilisé. Une exploration génétique de l’espace
de recherche structurelle et paramétrique a été exploitée pour la synthèse d’une loi de
commande floue assurant la précision, l’efficacité, la simplicité et la stabilité au sens de
Lyapunov. Pour illustrer la validité de l’algorithme proposé, un exemple de systèmes non
linéaires du type MIMO est examiné.
La méthode proposée permet d’établir la synthèse d’une loi de commande et de
donner des conditions suffisantes de stabilité du modèle en BF. Le nombre minimal de
règles (resp. le nombre des modèles locaux capables de représenter, convenablement, le
système non linéaire) est l’avantage du nouveau algorithme développé. Pour illustrer les
performances de l’algorithme proposé pour la synthèse d’une loi de commande floue tout
en assurant la stabilité en BF, nous avons considéré la commande en poursuite d’un
bioprocédé de traitement des eaux usées dans l’industrie du papier. Les résultats de
simulation montrent les bonnes performances de l’algorithme développé et confirment
l'efficacité de la loi de commande en poursuite des trajectoires désirées.
Enfin, le succès des stratégies de commande floue provient de l’algorithme de
synthèse de l’ensemble structure & paramètres du SIF d’un côté. De l’autre côté et en
grande partie, il repose sur leur potentiel de transfert de connaissances expertisées sur le
processus en règles de commande floue. De plus, l’écriture de la base de règles et la
définition de la structure du contrôle flou nécessite un minimum d’informations
(connaissances) sur le procédé à commander.
190
Annexe A
Annexe A
A.1. Contribution 1 :
Le critère de performances désirées peut être formulé de la façon suivante :
Objective 1 :
Minimiser J 1
β1 max_ k −1
avec J 1 = e(k )
⋅ ∑
max_ k k =0
Sous les contraintes :
⎧0 < β 1 < 1
⎪
⎨n
⎪⎩i∑ Θ i (⋅) ⋅ ξ i ≤ C u
=1
Objective 2 :
Minimiser J 2
β2
{c~ }
max_ règle
avec J 2 = ⋅ ∑
i
F
max_ règle i =1
Ces objectives peuvent être recombinés pour constituer un critère qui satisfait
toutes les conditions de conception. L’expression (3.35) est une solution adéquate qui peut
simplifiée la tâche d’optimisation.
A.2. Contribution 2 :
191
Annexe B
Annexe B
Les différents algorithmes développés dans cette thèse sont exécutés dans l’environnement
de programmation Borland C++ 4.5. Un PC Pentium 4, 3Ghz et 256 Mo RAM est utilisé comme
outil de conception et de développement. Les caractéristiques fondamentales de différents
contrôleurs sont données dans les tableaux B.1 et B.2 pour les 2 contributions 1 & 2,
respectivement.
B.1. Contribution 1 :
B.2. Contribution 2 :
192
Références bibliographiques
[1] L. A. Zadeh, “Soft computing and fuzzy logic”, IEEE Software, 1994, pp. 48-56.
[2] L. A. Zadeh, “Fuzzy sets”, Information and Control, Vol. 8, 1965, pp. 338-353.
[3] Kumpati S. Narendra, and Kannan Parthasarathy, “Identification and control of dynamical
systems using neural networks”, IEEE Transactions on Neural Networks, Vol. 1, No. 1,
March 1990, pp. 4-26.
[4] J. H. Holland, “Adaptation in natural and artificial systems”, University of Michigan, Ann
Arbor, 1975.
[5] T. Takagi, M. Sugeno, “Fuzzy identification of systems and its applications to modeling and
control’’, IEEE Transactions on Systems, Man an. Cybernetics, Vol. SMC-15, No. 1, 1985,
pp. 116–132.
[6] D. Dubois & H. Prade, “The three semantics of fuzzy sets”, Fuzzy Sets and Systems, Vol. 90,
1997, pp. 141-150.
[7] L. X. Wang, “Stable adaptive fuzzy control of nonlinear systems”, IEEE Transactions on
Fuzzy Systems, Vol. 1, No. 2, May 1993, pp. 146-155.
[8] L. X. Wang, “Adaptive fuzzy systems and control: Design and stability analysis”, Prentice-
Hall, Englewood Clifs, NJ, 1994.
[9] J. T. Spooner, K. M. Passino, “Stable adaptive control using fuzzy systems and neural
networks”, IEEE Transactions on Fuzzy Systems, Vol. 4, 1996, pp. 339-359.
[10] L. X. Wang and J. M. Mendel, “Fuzzy basis functions, universal approximation and
orthogonal least-squares learning”, IEEE Transactions on Neural Networks, Vol. 3, 1992,
pp. 807-814.
[11] M.S. Ju, D.L. Yang, “Design of adaptive fuzzy control based on natural control laws”, Fuzzy
Sets and Systems, Vol. 81, 1996, pp. 191-204.
[12] Raymond Hanus, “Automatique avancées 1 : Techniques d’identification et d’estimation”,
Hermes Sciences Publications, Lavoisier, 2007.
[13] Mohammed Chadli, “Stabilité et commande de systèmes décrits par des multimodèles”,
Thèse de docteur de l’Institut National Polytechnique de Loraine, France, 2002.
[14] H. O. Wang, K. Tanaka, M. Griffin, “An approach to fuzzy control of nonlinear systems :
Stability and design issues”, IEEE Transactions on Fuzzy Systems, Vol. 4, No. 1, 1996, pp.
14-23.
[15] T. A. Johansenn, A. B. Foss, “Nonlinear local model representation for adaptive systems”,
IEEE International Conference on Intelligent Control and Instrumentation, Vol. 2, 1992, pp.
677-682.
[16] H. O. Wang, K. Tanaka, M. Griffin, “Parallel distributed compensation of nonlinear systems
by Takagi-Sugeno fuzzy model”, Proceeding of the IEEE International Conference on Fuzzy
Systems, Fuzz-IEEE’95, Yokohama, Japan, 1995, pp. 531-538.
[17] M. Margaliot, G. Langholz, “Fuzzy Lyapunov-based approach to the design of fuzzy
controllers”, Fuzzy Sets and Systems, Vol. 106, 1999, pp. 49-59.
[18] Stephen Boyd, Laurent El Ghaoui, Eric Feron and Venkataramanan Balakrishnan, “Linear
Matrix Inequalities in System and Control Theory”, SIAM, Pheladelphia, 1994.
[19] H. B. Verbruggen, H. J. Ziimmermann, R. Babũska, “Fuzzy algorithms for control”,
International Series in Intelligent Technologies, Kluwer Academic publisher, 1999.
[20] Angelo Ciaramella, Roberto Tagliaferri, Witold Pedrycs, “Inference systems by using
ordinal sum and genetic algorithms”, IEEE Annual Meeting of the Fuzzy Information
Processing NAFIPS '04, 2004, pp. 629-634.
[21] L. Zadeh, “Fuzzy logic”, IEEE Computer, Vol. 21, No. 4, 1988, pp. 83-93.
[22] Mamdani, E. H., “Application of fuzzy algorithms for simple dynamic plant”, Proc. IEE,
Vol. 121, No. 12, 1974, pp. 1558-1588.
193
Références bibliographiques
194
Références bibliographiques
[44] I. Guyon, “Neural networks and applications: Tutorial”, Physics report, Vol. 207, Issue 3-5,
September 1991; pp. 215-259.
[45] T. Yamada, T. Yabuta, “Neural network controller using auto tuning method for nonlinear
functions”, IEEE Transactions on Neural Networks, Vol. 3, No. 4, July 1992, pp. 595-601.
[46] Robert Babuška, Henk Verbruggen, “Neuro-fuzzy methods for nonlinear system
identification”, Annual Reviews in Control, Vol. 27, 2003, pp. 73-85.
[47] Vijander Singh, Indra Gupta, H.O. Gupta, “ANN-based estimator for distillation using
Levenberg–Marquardt approach”, Engineering Applications of Artificial Intelligence, Vol.
20, 2007, pp. 249-259.
[48] J. M. Renders, “Algorithmes génétiques et réseaux de neurones : Applications à la
commande de processus”, Hermès, Bruxelles, 1995.
[49] R. B. Boozarjomehry, W. Y. Svrcek, “Automatic design of neural network structures”,
Computers and Chemical Engineering, Vol. 25, 2001, pp. 1075-1088.
[50] A. Soukkou, A. Khellaf, S. Leulmi, “Commande neuronale à apprentissage génétique d’un
bras manipulateur à 02 DOF”, Conférence sur le Génie Electrique CGE’04, Ecole Militaire
Polytechnique, Alger, 12-13 Avril 2005.
[51] Chandrakumar Bhumireddy and C. L. Philip Chen, “Genetic learning of functional link
networks”, Proceedings of the 2003 International Joint Conference on Neural Networks,
Vol. 1, 20-24 July 2003, pp. 432-437.
[52] G. Dreyfus, J. M. Martinez, M. Samulides, M. B. Gordon, F. Badran, S. Thiria, L. Hérault,
“Réseaux de neurones : Méthodologie et applications”, Edition Eyrolles, Paris, 2004.
[53] Parag C. Pendharkar, “A threshold-varying artificial neural network approach for
classification and its application to bankruptcy prediction problem”, Computers &
Operations Research, Vol. 32, 2005, pp. 2561–2582.
[54] Bernard Dubuisson, “Diagnostic, intelligence artificielle et reconnaissance des formes”,
Hermes Science Publications, 2001.
[55] D. Nguyen & B. Widrow, “Neural networks for self-learning control systems”, IEEE
Control Systems Magazine, Vol. 10, No. 3, 1994, pp. 18-23.
[56] S. Haykin, “Neural networks: A comprehensive foundation”, Macmillan College Publisher
Comp., 1994.
[57] Léon Personnaz, Isabelle Rivals, “Réseaux de neurones formels pour la modélisation, la
commande et la classification”, CNRS Editions, Paris, 2003.
[58] V. N. Vapnik and A. J. Chervonenkis, “The necessary and sufficient conditions for
consistency in the empirical risk minimization method”, Pattern Recognition and Image
Analysis, Vol. 1, No. 3, 1991, pp. 283-305.
[59] V. N. Vapnik, “Statistical learning theory”, New York, Wiley, 1998.
[60] Stephen J. Verzi, Gregory L. Heileman, Michael Georgiopoulos, “Boosted ARTMAP:
Modifications to fuzzy ARTMAP motivated by boosting theory”, Neural Networks, Vol. 19,
2006, pp. 446-468.
[61] D. E. Rummelhart, G. E. Hinton, R. J. Williams, “Learning internal representations by error
propagation”, Parallel Distributed Processing, Vol. 1, MIT Press, Cambridge, 1986.
[62] R. D. Reed, R. J. Mark II, “Neural Smithing: Supervised learning in feedforward artificial
neural networks”, MIT Press, Cambridge, 1999.
[63] Wen Yu and Xiaoou Li, “Fuzzy identification using fuzzy neural networks with stable
learning algorithms”, IEEE Transactions on Fuzzy Systems, Vol. 12, No. 3, June 2004, pp.
411-420.
[64] Y. C. Liang, D.P. Feng, G.R. Liu, X.W. Yang and X. Han, “Neural identification of rock
parameters using fuzzy adaptive learning parameters”, Computers and Structures, Vol. 81,
2003, pp. 2373–2382.
[65] Jun Liu, Ding Liu, Hua-Yu Bai, Pu-Sheng Wu, “The optimal design of neural fuzzy
controller”, Proceedings of the Second International Conference on Machine Learning and
Cybernetics, Xi'an, 2-5 November 2003, pp. 544-547.
[66] Gou-Jen Wang, Tsorng-Chi Chen, “A robust parameters self-tuning learning algorithm for
multilayer feedforward neural network”, Neurocomputing, Vol. 25, 1999, pp. 167-189.
195
Références bibliographiques
[67] Yu-Ju Chen, Tsung-Chuan Huang, Rey-Chue Hwang, “An effective learning of neural
network by using RFBP learning algorithm”, Information Sciences, Vol. 167, 2004, pp. 77-
86.
[68] SUN Yan-jing, ZHANG Shen, MIAO Chang-xin, LI Jing-meng, “Improved BP neural
network for transformer fault diagnosis”, J. China Univ. Mining & Technol., Vol. 17, No. 1,
2007, pp. 138-142.
[69] Amit Bhaya, Eugenius Kaszkurewicz, “Steepest descent with momentum for quadratic
functions is a version of the conjugate gradient method”, Neural Networks, Vol. 17, 2004,
pp. 65-71.
[70] Sang-Min Kim, Woo-Yong Han, “Induction motor servo-drive using robust PID-like neuro-
fuzzy controller”, Control Engineering Practice, Vol. 14, No. 5, May 2006, pp. 481-487.
[71] M. R. Azimi Sadjadi, S. Sheedvash, F. O. Trujillo, “Recursive dynamic node creation in
multilayer neural networks”, IEEE Transactions in Neural Networks, Vol. 4, No. 2, March
1993, pp. 242-256.
[72] Kihwan Eom, Kyungkwon Jung, Harsha Sirisena, “Performance improvement of
backpropagation algorithm by automatic activation function gain tuning using fuzzy logic”,
Neurocomputing, Vol. 50, 2003, pp. 439-460.
[73] B. Mendil, “Outils structurels et algorithmiques pour la commande intelligente”, Thèse de
doctorat d’état, Département d’Electronique, Université de Sétif, 2002.
[74] N. Intrator, D.Reisfeld, and Y. Ye Shurun, “Face recognition using a hybrid
supervised/insupervised neural networks”, Pattern Recognition, Vol. 17, 1996, pp. 67-76.
[75] M. N. H. Siddique and M. O. Tokhi, “GA-based neuro-fuzzy controller for flexible-link
manipulator”, Proceeding of the 2002 IEEE International Conference on Control
Applications, September 18-20, 2002, Glasgow, U. K, pp. 471-475.
[76] A. Soukkou, A. Khellaf, S. Leulmi, “Genetic optimization of a neural controller”, AMSE
International Conference on Modelling and Simulation, MS'2004, Lyon-Villeurbanne
France, Jul 5-7 2004, pp. 13.33-13.36.
[77] Pedro Ferreira, Pedro Ribeiro, Ana Antunes, Fernando Morgado Dias, “A high bit resolution
FPGA implementation of a FNN with a new algorithm for the activation function”,
Neurocomputing, Vol. 71, 2007, pp. 71-77.
[78] Jesǔs Lăzaro, Jagoba Arias, Armando Astarloa, Unai Bidarte, Aitzol Zuloaga, “Hardware
architecture for a general regression neural network coprocessor”, Neurocomputing, Vol. 71,
2007, pp. 78-87.
[79] Ibrahim Turkoglu, “Hardware implementation of varicap diode’s ANN model using PIC
microcontrollers”, Sensors and Actuators A, Vol. 138, 2007, pp. 288-293.
[80] David E. Goldberg, “Algorithmes génétiques : Exploration, optimisation et apprentissage
automatique”, Addison-Wesley, 1994.
[81] Z. Michalewics, “Genetic Algorithms + Data Structures = Evolution Programs”, Springer
Verlag. 3rd Edition, 1999.
[82] Lance Chambers, “The practical handbook of genetic algorithms: Applications”, Second
Edition, Chapman & Hall/CRC, 2001.
[83] JAMSHIDI Mohammad, KROHLING Renato A, Dos Santos Coelho Leandro, Fleming
Peter, “Robust control systems with genetic algorithms”, CRC; First Edition, 2002.
[84] Randy L. Haupt, Sue Ellen Haupt, “Practical Genetic Algorithms”, Second Edition, John
Wiley & Sons, In., Publication, 2004.
[85] B. J. Park, W. Pedrycz and S. K. Oh, “Identification of fuzzy models with the aid of
evolutionary data granulation”, IEE Proc. Control Theory Appl., Vol. 184, No. 5, September
2001, pp. 406-418.
[86] Sung-Kwun Oh, Witold Pedrycz, “Genetic optimization-driven multi-layer hybrid fuzzy
neural networks”, Simulation Modelling Practice and Theory, Vol. 14, 2006, pp. 597-613.
[87] Thomas Bäck, “Evolutionary computation 1: Basic algorithms and operators”, Taylor &
Francis, 2000.
[88] Kejing He, Li Zheng, Shoubin Dong, Liqun Tang, Jianfeng Wu, Chunmiao Zheng, “PGO : A
parallel computing platform for global optimization based on genetic algorithm”, Computers
& Geosciences, Vol. 33, 2007, pp. 357-366.
196
Références bibliographiques
197
Références bibliographiques
[108] Xuefeng F. Yan, Dezhao Z. Chen, Shangxu X. Hu, “Chaos-genetic algorithms for optimizing
the operating conditions based on RBF-PLS model”, Computer and Chemical Engineering,
Vol. 27, 2003, pp. 1393-1404.
[109] Gwo-Ching Liao and Ta-Peng Tsao, “Application of a fuzzy neural network combined with
a chaos genetic algorithm and simulated annealing to short-term load forecasting”, IEEE
Transactions on Evolutionary Computation, Vol. 10, No. 3, June 2006, pp. 330-340.
[110] Qingzhang Lü, Guoli Shen, Ruqin Yu, “A chaotic approach to maintain the population
diversity of genetic algorithm in network training”, Computational Biology and Chemistry,
Vol. 27, 2003, pp. 363-371.
[111] You Yong, Sheng Wanxing, Wang Sunam, “Study of chaos genetic algorithms and its
application in neural networks”, TENCON’02, IEEE Region 10 Conference on Computers,
Communications, Control and Power Engineering, Vol. 1, 2002, pp. 232-235.
[112] Kenny Q. Zhu, “A diversity-controlling adaptive genetic algorithm for the vehicle routing
problem with time windows”, Proceeding of the 15th IEEE International Conference on
Tools with Artificial Intelligence (ICTAI’03), 3-5 Nov. 2003, pp. 176-183.
[113] W.W. Tan, F. Lu, A.P. Loh, K.C. Tan, “Modeling and control of a pilot pH plant using
genetic algorithm”, Engineering Applications of Artificial Intelligence, Vol. 18, 2005, pp.
485-494.
[114] Wei-Der Chang, “Nonlinear system identification and control using a real-coded genetic
algorithm”, Applied Mathematical Modelling, Vol. 31, 2007, pp. 541-550.
[115] M. A. Rodrigo, A. Seco, J. Ferrer, J. M. Penya-roja, J. L. Valverde, “Nonlinear control of an
activated sludge aeration process : Use of fuzzy techniques for tuning PID controllers”, ISA
Transactions, Vol. 38, 1999, pp. 231-241.
[116] S.Kirkpatrick & M. P. Vecchi, “Optimization by simulated annealing”, Science, Vol. 220,
No. 4598, pp. 671-680.
[117] F. Glover, “Tabu search – Part I”, ORSA Journal on Computing, Vol. 1, 1989, pp. 190-206.
[118] F. Glover, “Tabu search – Part II ”, ORSA Journal on Computing, Vol. 2, 1990, pp. 4-32.
[119] Pierre Yves Glorennec, “Algorithmes d’apprentissage pour systèmes d’inférence floue”,
Editions Hermes, Paris, 1999.
[120] Serge Guillaume, “Induction des règles floues interprétables”, Thèse de doctorat, Institut
National des Sciences Appliquées de Toulouse, France, Novembre 2001.
[121] L. C. Bezdek, R. J. Hathaway, M. J. Sabin, W. T. Tucker, “Convergence theory for fuzzy c-
means : Counterexamples and repairs’’, IEEE Transactions on Systems, Man and
Cybernetics, Vol. 17, No. 5, 1987, pp. 873-877.
[122] Yan Shi, Masaharu Mizumoto, “An improvement of neuro-fuzzy learning algorithm for
tuning fuzzy rules”, Fuzzy Sets and Systems, Vol. 118, 2001, pp. 339-350.
[123] Jelena Godjevac, “Neuro-fuzzy controllers : Design & application”, Presses polytechniques
et universitaires Romandes, Lausanne, Collection META, 1997.
[124] Il Kim, Jae-Hyun lee, Eun-Oh Bang, “A new approach to adaptive membership function for
fuzzy inference system”, 1999 Third International Conference on Knowledge-Based
Intelligent Information Engineering Systems, 31st Aug-1st September 1999, Adelaide,
Australia, pp.112-116.
[125] Hanli Wang, Sam Kwong, Yaochu Jin, WeiWei, K.F. Man, “Multi-objective hierarchical
genetic algorithm for interpretable fuzzy rule-based knowledge extraction”, Fuzzy Sets and
Systems, Vol. 149, 2005, pp. 149-186.
[126] Han-Xiong Li and Shaocheng Tong, “A Hybrid Adaptive Fuzzy Control for A Class of
Nonlinear MIMO Systems”, IEEE Transactions on Fuzzy Systems, Vol. 11, No. 1, February
2003, pp. 24-34.
[127] L. X. Wang and J. Mendel, “Generating fuzzy rules by learning from examples”, IEEE
Transactions on Systems, Man, and Cybernetics, Vol. 22, July 1992, pp. 1414-1427.
[128] N. Golea, A. Golea, K. Benmahammed, “Stable indirect fuzzy adaptive control”, Fuzzy Sets
and Systems, Vol. 137, 2003, pp. 353-366.
[129] Sung-Woo Kim, Ju-Jang Lee, “Design of a fuzzy controller with fuzzy sliding surface”,
Fuzzy Sets and Systems, Vol. 71, 1995, pp. 359-367.
198
Références bibliographiques
[130] Lon-Chen Hung, Hung-Ping Lin, Hung-Yuan Chung, “Design of self-tuning fuzzy sliding
mode control for TORA system”, Expert Systems with Applications, Vol. 32, 2007, pp. 201-
212.
[131] Tai-Zu Wu, Yau-Tarng Juang, “Design of variable structure control for fuzzy nonlinear
systems”, Expert Systems with Applications, Vol. xxx, 2008, pp. xxx-xxx.
[132] Chun-Fei Hsu, Chih-Min Lin, “Fuzzy-identification-based adaptive controller design via
backstepping approach”, Fuzzy Sets and Systems, Vol. 151, 2005, pp. 43-57.
[133] Yan-Jun Liu, Wei Wang, “Adaptive fuzzy control for a class of uncertain nonaffine
nonlinear systems”, Information Sciences, Vol. 177, 2007, pp. 3901-3917.
[134] Kazuo Tanaka and H. O. Wang, “Fuzzy control systems, design and analysis: A Linear
Matrix Inequality Approach”, JOHN WILEY & SONS, INC., 2001.
[135] M. Mahfouf, S. Kandiah, D.A. Linken, “Fuzzy model-based predictive control using an
ARX structure with feedforward”, Fuzzy Sets and Systems, Vol. 125, 2002, pp. 39-59.
[136] M. Mahfouf, S. Kandiah and D. A. Linkens, “Adaptive estimation for fuzzy TSK model-
based predictive control”, Transactions of the Institute of Measurement and Control, Vol.
23, No. 1, 2001, pp. 31-50.
[137] Mahdi Mahfouf, Maysam F. Abbod and Darek A. Linkens, “Online elicitation of Mamdani-
type fuzzy rules via TSK-based generalised predictive control”, IEEE Transactions on
Systems, Man and Cybernetics- Part B: Cybernetics, Vol. 33, No. 3, June 2003, pp. 465-475.
[138] R. C. Eberhart & Y. Shi, “Comparison between genetic algorithms and particle swarm
optimization”, in Proc. IEEE Int. Conf. Evol. Comput., Auchorage, AK, May 1998, pp. 84-
89.
[139] Cihan Karakuzu, “Fuzzy controller training using particle swarm optimization for nonlinear
system control”, ISA Transactions, Vol. 47, No. 2, April 2008, pp. 29-39.
[140] S. E. Papadakis, J. B. Theocharis, “A GA-based fuzzy modelling approach for generating
TSK models”, Fuzzy Sets and Systems, Vol. 131, 2002, pp. 121-152.
[141] Cheol W. Lee, Yung C. Shin, “Construction of fuzzy systems using least-squares method
and genetic algorithm”, Fuzzy Sets and Systems, Vol. 137, 2003, pp.297-323.
[142] Liang Wang, John Yen, “Extracting fuzzy rules for system modelling using a hybrid of
genetic algorithms and Kalman filter”, Fuzzy Sets and Systems, Vol. 101, 1999, pp. 353-362.
[143] Baolin Wu, Xinghuo Yu, “Fuzzy modelling and identification with genetic algorithm based
learning”, Fuzzy Sets and Systems, Vol. 113, 2000, pp. 351-365.
[144] Francesco Cupertino, Vincenzo Giordano, David Nasi, Biagio Turchiano, “A hybrid
approach to adaptive fuzzy control based on genetic algorithms”, 2004 IEEE International
Conference on Systems, Man and Cybernetics, 2004, pp. 3607-3612.
[145] Vincenzo Giordano, David Naso, and Biagio Turchiano, “Combining genetic algorithms and
Lyapunov-based adaptation for online design of fuzzy controllers”, IEEE Transactions on
Systems, Man, and Cybernetics-Part B: Cybernetics, Vol. 36, No. 5, October 2006, pp.
1118-1127.
[146] Zne-Jung Lee, “A novel hybrid algorithm for function approximation”, Expert Systems with
Applications, Vol. 34, No. 1, January 2008, pp. 384-390.
[147] Zong-Mu Yeh, “A systematic method for design of multivariable fuzzy logic control
systems”, IEEE Transactions on Fuzzy Systems, Vol. 7, No. 5, October 1999, pp. 741-752.
[148] C. L. Karr, “Design of an adaptive fuzzy logic controller using a genetic algorithm”,
Proceeding of the Fourth International Conference on Genetic Algorithms, San Mateo,
Canada, 1991, pp. 450-457.
[149] C. L. Karr, “Genetic algorithm for fuzzy logic controller”, AI Expert 2, 1991, pp. 26-33.
[150] C. L. Karr, E. J. Gentry, “Fuzzy control of pH using genetic algorithms”, IEEE Transactions
on Fuzzy Systems, Vol. 1, 1993, pp. 46-53.
[151] P. Thrift, “Fuzzy logic synthesis with genetic algorithms”, Proceeding of the Fourth
International Conference on Genetic Algorithms, San Mateo, Canada, 1991, pp. 509-513.
[152] P.T. Chan, W.F. Xie, A.B. Rad, “Tuning of fuzzy controller for an open-loop unstable
system: a genetic approach”, Fuzzy Sets and Systems, Vol. 111, 2000, pp. 137-152.
199
Références bibliographiques
[153] H. J. Cho, “Automatic rule generation for fuzzy controllers using genetic algorithms: a study
on representation scheme and mutation rate”, 7thProceeding of the IEEE International
Conference on Fuzzy Systems, Anchorage, AK, 1998, pp. 1290-1295.
[154] D.T. Pham, D. Karaboga, “Optimum design of fuzzy logic controllers using genetic
algorithms”, Journal of Systems Engineering, Vol. 1, 1991, pp. 114-118.
[155] N. Xiong, L. Litz, “Reduction of fuzzy control rules by means of premise learning - method
and case study”, Fuzzy Sets and Systems, Vol. 132, 2002, pp. 217-231.
[156] A. Varsek, T. Urbancic, B. Filipic, “Genetic algorithm in controller design and tuning”,
IEEE Transactions on Systems, Man and Cybernetics, Vol. 5, 1993, pp. 1330-1339.
[157] A. Homaifar and Ed Mc Cormick, “Simultaneous design of membership functions and rules
sets for fuzzy controllers using genetic algorithms”, IEEE Transactions on Fuzzy Systems,
Vol. 3, No. 2, May 1995, pp. 161-176.
[158] Jinwoo Kim, Yoonkeon Moon, and Bernard P. Zeigler, “Designing fuzzy net controllers
using genetic algorithms”, IEEE control systems Magazine, June 1995, pp. 66-72.
[159] Jinwoo Kim, and Bernard P. Zeigler, “Designing fuzzy logic controllers using a
multiresolutional search paradigm”, IEEE Transaction on Fuzzy Systems, Vol. 4, No. 3,
August 1996, pp. 213-226.
[160] Yi-Sheng Zhou and Lin-Ying Lai, “Optimal design for fuzzy controllers by genetic
algorithms”, IEEE Transactions on Industry Applications, Vol. 36, No. 1, January 2000, pp.
93-97.
[161] K. Belarbi, F. Titel, W. Bourebia, K. Benmahammed, “Design of Mamdani fuzzy logic
controllers with rule base minimisation using genetic algorithm”, Engineering Applications
of Artificial Intelligence, Vol. 18, No. 7, October 2005, pp. 875-880.
[162] Tandra Pal and Nikhil Pal, “SOGARG: A self-organized genetic algorithm-based rule
generation scheme for fuzzy controllers”, IEEE Transactions on Evolutionary Computation,
Vol.7, No. 4, 2003, pp. 397-415.
[163] Chia-Feng Juang, Jiann-Yow Lin, and Chin-Teng Lin, “Genetic Reinforcement Learning
through Symbiotic Evolution for Fuzzy Controller Design”, IEEE Transactions on Systems,
Man and Cybernetics- Part B: Cybernetics, Vol. 30, No. 2, April 2000, pp.290-302.
[164] David Moriarty, Risto Miikulainen, “Efficient reinforcement learning through symbiotic
evolution”, Machine Learning, Vol. 22, 1996, pp. 11-33.
[165] Chia-Feng Juang, “A TSK-Type Recurrent Fuzzy Network for Dynamic Systems Processing
by Neural Network and Genetic Algorithms”, IEEE Transactions on Fuzzy Systems, Vol. 10,
No. 2, April 2002, pp. 155-170.
[166] M. Jamei, M. Mahfouf, D.A. Linkens, “Elicitation and fine-tuning of fuzzy control rules
using symbiotic evolution”, Fuzzy Sets and Systems, Vol. 147, 2004, pp. 57-74.
[167] Bernadette Bouchon-Meunir, “La logique floue et ses applications“, Addison-Wasley,
October 1995.
[168] Bart Kosko, “Neural Networks and Fuzzy Systems: A dynamical systems approach to
machine intelligence”, Prentice Hall, 1992.
[169] A. Braham, “Adaptation of Fuzzy Inference System Using Neural Learning”, Studies in
Fuzziness and Soft Computing, Vol. 181, Springer-Verlag Berlin Heidelberg 2005, pp. 53-
83.
[170] Jyh-Shing R. Jang, “Self Learning Fuzzy Controllers Based on Temporal Back Propagation”,
IEEE Transactions on Neural Networks, Vol. 3, No. 5, September 1992, pp. 714-723.
[171] Jyh-Shing R. Jang, “ANFIS: Adaptive-Network-based Fuzzy Inference Systems”, IEEE
Transactions on Systems, Man, and Cybernetics-Part B: Cybernetics, Vol. 23, No. 3, May
1993, pp. 665-685.
[172] Jyh-Shing Roger Jang and Chuen-Tsai Sun, “Neuro-Fuzzy Modeling and Control”,
Proceeding of the IEEE, Vol. 83, No. 3, March 1995, pp. 378-406.
[173] M.A. Denaı, F. Palis, A. Zeghbib, “Modeling and control of non-linear systems using soft
computing techniques”, Applied Soft Computing, Vol. 7, 2007, pp. 728-738.
[174] I. Turkmen, K. Guney, “Genetic tracker with adaptive neuro-fuzzy inference system for
multiple target tracking”, Expert Systems with Applications, Vol. xxx, 2007, pp. xxx-xxx.
200
Références bibliographiques
[175] Shinn-Jang Ho, Li-Sun Shu, Shinn-Ying Ho, “Optimizing fuzzy neural networks for tuning
PID controllers using an Orthogonal Simulated Annealing algorithm OSA”, IEEE
Transactions on Fuzzy Systems, Vol. 14, No. 3, June 2006, pp. 421-434.
[176] M. Aliyari Shoorehdeli, M. Teshnehlab, A. K. Sedigh, “A novel training in ANFIS
structure”, Proceeding of the 2006 American Control Conference, Minneapolis, Minnesota,
USA, June 14-16, 2006, pp. 5059-5064.
[177] Robert Babuška, Henk Verbruggen, “Neuro-fuzzy methods for nonlinear system
identification”, Annual Reviews in Control, Vol. 27, 2003, pp. 73-85.
[178] Mahdi Jalili-Kharaajoo, “Nonlinear system identification using ANFIS based on emotional
learning”, Advances in Artificial Intelligence, IBERAMIA 2004, LNAI 3315, 2004, Springer-
Verlag Berlin Heidelberg 2004, pp. 697–707.
[179] Hamid Berenji & Pratap Khedkar, “Learning and tuning fuzzy controllers through
reinforcements”, IEEE Transactions on Neural Networks, Vol. 3, No. 5, 1992, pp.724-740.
[180] Carlos Kavka, “Evolutionary design of geometric-based fuzzy systems”, Thèse de doctorat,
Université de Paris-Sud, France, Juillet 2006.
[181] Mohammad Hossein Fazel Zarandi, Javid Jouzdani, and Ismail Burhan Turksen,
“Generalized reinforcement learning fuzzy control with vague states”, Analysis and Design
of Intelligent Systems using Soft Computing Techniques, ASC 41, Springer-Verlag Berlin
Heidelberg 2007, pp. 811–820.
[182] C. Zhou, “Neuro-fuzzy gait synthesis with reinforcement learning for a biped walking
robot”, Soft Computing - A Fusion of Foundations, Methodologies and Applications, Vol. 4,
No. 4, December 2000, pp. 238-250.
[183] M. J. D. Powell, “Radial Basis Functions for multivariable interpolation: A review”, IMA
Conference on Algorithms for the Approximation of Functions and Data, RMCS
Shrivenham, 1985, pp. 143-167.
[184] J. Moody, C. Darken, “Fast learning in networks of locally-tuned process units”, Neural
Computation, Vol. 1, 1989, pp. 281-294.
[185] V. David S'anchez A., “Searching for a solution to the automatic RBF network design
problem”, Neurocomputing, Vol. 42, 2002, pp. 147-170.
[186] J. S. R. Jang, C. T. Sun, “Functional equivalence between radial basis function network and
fuzzy inference systems”, IEEE Transactions on Neural Networks, Vol. 4, 1993, pp. 156-
159.
[187] N. Steele & Jelena Godjevac, “Adaptive radial basis function neural networks and fuzzy
systems”, Conference on Computational Engineering in Systems Applications, CESA’96,
Lille, France, July 1996, pp. 143-148.
[188] Kwang Bo Cho, Bo Hyeun Wang, “Radial basis function adaptive fuzzy systems and their
applications to system identification and prediction”, Fuzzy Set and Systems, Vol 83, 1996,
pp. 325-339.
[189] C. Harpham, C. W. Dawson, M. R. Brown, “A review of genetic algorithmq applied to
training radial basis function networks”, Neural Computing and Applications, Vol. 13, 2004,
pp. 193-201.
[190] Zhong-Qiu Zhao, De-Shuang Huang, “A mended hybrid learning algorithm for radial basis
function neural networks to improve generalization capability”, Applied Mathematical
Modelling, Vol. 31, No. 7, July 2007, pp. 1271-1281.
[191] A. M. S. Barreto, H. J. C. Barbosab, N. F. F. Ebecken, “GOLS-Genetic orthogonal least
squares algorithm for training RBF networks”, Neurocomputing, Vol. 69, 2006, pp. 2041–
2064.
[192] Roman Neruda, Petra Kudovà, “Learning methods for radial basis function networks”,
Future Generation Computer Systems, Vol. 21, 2005, pp. 1131-1142.
[193] Jeen-Shing Wang and C. S. George Lee, “Self-ddaptive neuro-fuzzy inference systems for
classification applications”, IEEE Transactions on Fuzzy Systems, Vol. 10, No. 6, 2002, pp.
790-802.
[194] Ching-Hung Lee and Ching-Cheng Teng, “Identification and control of dynamic systems
using recurrent fuzzy neural networks”, IEEE Transactions on Fuzzy Systems, Vol. 8, No. 4,
August 2000, pp. 349-366.
201
Références bibliographiques
202
Références bibliographiques
[215] Z. J. Zhou, Z. Y. Mao and Peter K. S. Tam, “On designing an optimal Fuzzy Neural
Network Controller using Genetic Algorithms”, Proceeding of the 3rd World Congress on
Intelligent Control and Automation, June 28- July 2, 2000, Hafei, P.R. China, pp. 391-395.
[216] K. Belarbi and F. Titel, “Genetic algorithm for the design of a class of fuzzy controllers: An
Alternative Approach”, IEEE Transactions on Fuzzy Systems, Vol. 8, No. 4, August 2000,
pp. 398-405.
[217] Liang Hsuan Chen and Cheng-Hsiung Chiang, “New approach to intelligent control systems
with self-exploring process”, IEEE Transactions on Systems, Man, and Cybernetics-Part B:
Cybernetics, Vol. 33, No. 1, February 2003, pp. 56-66.
[218] Detlef Nauck, Rudolf Kruse, “Neuro-fuzzy systems for function approximation”, Fuzzy Sets
and Systems, Vol. 101, 1999, pp. 261-271.
[219] A. Nurnberger, D. Nauck, R. Kruse, “Neuro-fuzzy control based on the NEFCON-model:
recent developments”, Soft Computing, Springer-Verlag, Vol. 2, 1999, pp. 168-182.
[220] Detlef D. Nauck, “Fuzzy data analysis with NEFCLASS”, International Journal of
Approximate Reasoning, Vol. 32, 2 003, pp. 103-130.
[221] Chia-Feng Juang and Chin-Teng Lin, “A recurrent self-organizing neural fuzzy inference
network”, IEEE Transactions on Neural Networks, Vol. 10, No. 4, July 1999, pp. 828-845.
[222] Cheng-Jian Lin; Chin-Teng Lin, “An ART-based fuzzy adaptive learning control network”,
IEEE Transactions on Fuzzy Systems, Vol. 5, No. 4, 1997, pp. 477-496.
[223] I-Fang Chung, Cheng-Jian Lin_, Chin-Teng Lin, “A GA-based fuzzy adaptive learning
control network”, Fuzzy Sets and Systems, Vol. 112, 2000, pp. 65-84.
[224] Haisheng Lin, X. Z. Gao, Xianlin Huang et Zhuoyue Song, “A Self-organizing Fuzzy Neural
Networks”, Soft Computing in Industrial Applications, ASC 39, Springer-Verlag Berlin
Heidelberg 2007, pp. 200-210.
[225] K.H. Quah, C. Quek, G. Leedham, “Reinforcement learning combined with a fuzzy adaptive
learning control network (FALCON-R) for pattern classification”, Pattern Recognition, Vol.
38, 2005, pp. 513-526.
[226] T.Z. Tan, C. Quek, G.S. Ng, E.Y.K. Ng, “A novel cognitive interpretation of breast cancer
thermography with complementary learning fuzzy neural memory structure”, Expert Systems
with Applications, Vol. 33, 2007, pp. 652-666.
[227] Rahmat Shoureshi, Zhi Hu, “Tsukamoto-type neural fuzzy inference network”, Proceeding
of the American Control Conference, Chicago, Illinois, USA, June 2000, pp. 2463-2467.
[228] Ibanez-Guzman, J., Ketata, R. "Fuzzy logic control experiments on a single-link
manipulator", IEEE International Symposium on Industrial Electronics, ISIE '94, pp. 420-
425.
[229] J.C. Bezdek, “Cluster validity with fuzzy sets”, J. Cybern., Vol. 3, No.3, 1974, pp. 58-71.
[230] Min-You Chen, D.A. Linkens, “Rule-base self-generation and simplification for data-driven
fuzzy models”, Fuzzy Sets and Systems, Vol. 142, 2004, pp. 243-265.
[231] Magne Setnes, Robert Babuška, “Rule base reduction: Some comments on the use of
orthogonal transforms”, IEEE Transactions on Systems, Man and Cybernetics - Part C:
Applications & Reviews, Vol. 31, No. 2, May 2001, pp. 199-206.
[232] J. Johensohn and J. Mendel, “Two pass orthogonal least-squares algorithm to train and
reduce fuzzy logic systems”, Proceedings of the Third IEEE World Congress on
Computational Intelligence, 1994, pp. 696-700.
[233] Zaheeruddin, M.J. Anwer, “A simple technique for generation and minimization of fuzzy
rules”, IEEE International Conference on Fuzzy Systems, Nevada, May 2005, pp. 489-494.
[234] Jonh Y. Hung et. al. “Variable Structure Control: A Survey”, IEEE Transaction on Industrial
Electronics, Vol. 40, No.1, 1993, pp. 2-21.
[235] Kazuo Tanaka, Tadannri Taniguchi and Hua 0. Wang, “Generalized Takagi-Sugeno fuzzy
systems: Rule reduction and robust control”, The Ninth IEEE International Conference on
Fuzzy Systems, Vol. 2, 7-10 May 2000, pp. 688-693.
[236] Tadannri Taniguchi, Kazuo Tanaka, Hiroshi Ohtake and Hua 0. Wang, “Model construction,
rule reduction, and robust compensation for generalized form of Takagi-Sugeno fuzzy
systems”, IEEE Transactions on Fuzzy Systems, Vol. 9, No. 4, August 2001, pp. 525-538.
203
Références bibliographiques
204
Références bibliographiques
[256] Yulia Nikolaevna Ledeneva, Carlos Alberto Reyes García1, and José Antonio Calderón
Martínez, “Automatic estimation of the fusion method parameters to reduce rule base of
fuzzy control complex systems”, MICAI : Advances in Artificial Intelligence 2006, LNAI
4293, Springer-Verlag Berlin Heidelberg 2006, Vol. 3789, pp. 146-155.
[257] Moon G. Joo and Jin S. Lee, “A class of hierarchical fuzzy systems with constraints on the
fuzzy rules”, IEEE Transactions on Fuzzy Systems, Vol. 13, No. 2, April 2005, pp. 194-203.
[258] G. V. S. Raju, J. Zhou, “Adaptive hierarchical fuzzy controller”, IEEE Transactions on
Systems, Man, and Cybernetics, Vol. 23, No. 4, July/August 1993, pp. 973-980.
[259] Zong-Mu Yeh and Huang-Pin Chen, “A novel approach for multistage inference fuzzy
control”, IEEE Transactions on Systems, Man, and Cybernetics-Part B: Cybernetics, Vol.
28, No. 6, December 1998, pp. 935-946.
[260] Ming-Ling Lee, Hung-Yuan Chung, Fang-Ming Yu, “Modelling of hierarchical fuzzy
systems”, Fuzzy Sets and Systems, Vol. 138, 2003, pp. 343-361.
[261] J. Abonyi, R. Babuska, F. Szeifert, “Modified Gath–Geva fuzzy clustering for identification
of Takagi–Sugeno fuzzy models”, IEEE Transactions on Systems, Man and Cybernetics-
Part B: Cybernetics, Vol. 32, No. 5, 2002, pp. 612-621.
[262] Hisao Ishibuchi, Takashi Yamamoto, “Fuzzy rule selection by multi-objective genetic local
search algorithms and rule evaluation measures in data mining”, Fuzzy Sets and Systems,
Vol. 141, 2004, pp. 59-88.
[263] M. Zolghadri Jahromi, M. Taheri, “A proposed method for learning rule weights in fuzzy
rule-based classification systems”, Fuzzy Sets and Systems, Vol. 159, 2008, pp. 449- 459.
[264] Xi-Zhao Wang, Chun-Ru Dong, Tie-Gang Fan, “Training T-S norm neural networks to
refine weights for fuzzy if–then rules”, Neurocomputing, Vol. 70, 2007, pp. 2581-2587.
[265] Sung-Kwun Oh, Witold Pedrycz, Ho-Sung Park, ‘‘Genetically optimized fuzzy polynomial
neural networks’’, IEEE Transactions on Fuzzy Systems, Vol. 14, No. 1, February 2006, pp.
125-144.
[266] Sung-Kwun Oh, Witold Pedrycz, Ho-Sung Park, ‘‘Multilayer hybrid fuzzy neural networks:
Synthesis via technologies of advanced computational intelligence’’, IEEE Transactions on
Circuits and Systems, Vol. 53, No. 3, Mars 2006, pp. 688-703.
[267] Hao Ying, “Constructing nonlinear variable gain controllers via the Takagi-Sugeno fuzzy
control”, IEEE Transactions on Fuzzy Systems, Vol. 6, No. 2, May 1998, pp. 226-234.
[268] Hao Ying, “Theory and application of a novel fuzzy PID controller using a simplified
Takagi-Sugeno rule scheme”, Information Sciences, Vol. 123, 2000, pp. 281-293.
[269] A. Soukkou, “Conception d’un contrôleur neuronal flou par les algorithmes génétiques”,
Mémoire de Magister, Département d’Electronique, Université de Sétif, 1999.
[270] A. Soukkou, A. Khellaf & S. Leulmi, “Systematic Design Procedure of TS-type Fuzzy
Controllers”, International Journal of Computational Intelligence and Applications (IJCIA),
Vol. 6, No. 4, December 2006, pp. 531-549.
[271] A. Soukkou, S. Leulmi, A. Khellaf, “Systematic design and hybrid learning of robust fuzzy
neural network controller with reduced rule base”, International Journal of Hybrid and
Intelligent Systems (IJHIS), Vol. 4, No. 2, June 2007, pp. 63-88.
[272] A. Soukkou, A. Khellaf, S. Leulmi, “Multiobjective optimization of robust Takagi-Sugeno
fuzzy neural controller with hybrid learning algorithm”, International Journal of Modelling,
Identification and Control (IJMIC), Vol. 2, No. 4, 2007, pp. 332-346.
[273] Yibin Song, Peijin Wang and Kaili Li, “Complex model identification based on RBF neural
network”, Advances in Neural Networks, LNCS Vol. 3174, Springer-Verlag Berlin
Heidelberg 2004, pp. 224-229.
[274] K. J. Aström and T. Hägglund, “PID Controllers: Theory, Design, and Tuning”, Instrument
Society of America, 1995.
[275] Rajani K. Mudi, Chanchal Dey, Tsu-Tian Lee, “An improved auto-tuning scheme for PI
controllers”, ISA Transactions, Vol. 47, 2008, pp. 45-52.
[276] Antonio Visioli, “Practical PID control (Advances in industrial control)”, Springer, 2006.
[277] T. E. Marlin, “Process control: Designing processes and control systems for dynamic
performance”, Mc Graw-Hill, 1995.
205
Références bibliographiques
[278] Yongho Lee and Sunwon Park, “PID controllers tunning for desired closed-loop responses
for SI/SO systems”, Aiche Journal, Vol. 44, No. 4, January 1998, pp. 106-115.
[279] Wei-Der Chang, Rey-Chue Hwang, Jer-Guang Hsieh, “A multivariable on-line adaptive PID
controller using auto-tuning neurons”, Engineering Applications of Artificial Intelligence,
Vol. 16, 2003, pp. 57-63.
[280] TU Diep Cong Thanh, Kyoung Kwan Ahn, “Nonlinear PID control to improve the control
performance of 2 axes pneumatic artificial muscle manipulator using neural network”,
Mechatronics, Vol. 16, 2006, pp. 577-587.
[281] Sylvie Galichet & Laurent Foulloy, “Fuzzy controllers: Synthesis and equivalences”, IEEE
Transactions on Fueey Systems, Vol. 3, No. 2, 1995, pp. 140-148.
[282] A. Soukkou, S. Leulmi, A. Khellaf, “How to optimize the TS-fuzzy knowledge base to
achieve a desired performances: Accuracy and robustness”, International Journal of Optimal
Control Applications and Methods (OCAM), Vol. 29, No. 1, 2008, pp. 19-40.
[283] V. Mukherjee, S.P. Ghoshal, “Intelligent particle swarm optimized fuzzy PID controller for
AVR system”, Electric Power Systems Research, Vol. 77, 2007, pp. 1689-1698.
[284] A. Soukkou, A. Khellaf, S. Leulmi, “Supervision neuro-floue a apprentissage génétique
d’un PID robuste”, Revue Sciences et Technologies, Université Mentouri, Constantine, No.
23, Juin 2005, pp. 95-106.
[285] P. J. Escamilla-Ambrosio and N. Mort, “A novel design and tuning procedure for PID type
fuzzy logic controllers”, 2002 First International IEEE Symposium ‘Intelligent Systems’,
September 2002, pp. 36-41.
[286] Han-Xiong Li, Lei Zhang, Kai-Yuan Cai, and Guanrong Chen, “An improved robust fuzzy-
PID controller with optimal fuzzy reasoning”, IEEE Transactions on Systems, Man, and
Cybernetics—Part B : Cybernetics, Vol. 35, No. 6, December 2005, pp. 1283-1294.
[287] Bao-Gang Hu, George K. I. Mann, and Raymond G. Gosine, “A systematic study of fuzzy
PID controllers-function-based evaluation approach”, IEEE Transactions on Fuzzy Systems,
Vol. 9, No. 5, October 2001, pp. 699-712.
[288] Zhihong Xiu, Guang Ren, “Optimisation design of TS-PID controllers based on genetic
algorithms”, Proceeding of the 5th World Congress on Intelligent Control and Automation,
June 15-19, 2004, Hangzhou, P. R. China, pp. 2476-2480.
[289] Ya Lei Sun and Meng Joo Er, “Optimal hybrid control of linear and nonlinear systems”,
Proceeding of the 40th IEEE Conference on Decision and Control, Orlando, Florida USA,
December 2001, pp. 1669-1674.
[290] Dongqing Feng, Lingjiao Dong, Minrui Fei, and Tiejun Chen, “Genetic algorithm based
neuro-fuzzy network adaptive PID control and its applications”, CIS 2004, Springer-Verlag
Berlin Heidelberg 2004, LNCS 3314, pp. 330-335.
[291] James Carvajal, Guanrong Chen, Haluk Ogmen, “Fuzzy PID controller: Design,
performance evaluation, and stability analysis”, Information Sciences, Vol. 123, 2000, pp.
249-270.
[292] Jian-Xin Xu, Chang-Chieh Hang, Chen Liu, “Parallel structure and tuning of a fuzzy PID
controller”, Automatica, Vol. 36, 2000, pp. 673-684.
[293] D. Driankov, H. Hellendoorn, “An introduction to fuzzy Control”, Springer Edition, 1993.
[294] H. X. Li, H. B. Gatland, “Conventional fuzzy control and its enhancement”, IEEE
Transactions on Systems, Man, and Cybernetics-Part B: Cybernetics, Vol. 26, No. 5, 1996,
pp. 791-797.
[295] Kuo-Ming Chang, “Adaptive control for a class of chaotic systems with nonlinear inputs and
disturbances”, Chaos, Solitons and Fractals, Vol. 36, 2008, pp. 460-468.
[296] R. Boukezzoula, “Commande floue d’une classe de systèmes non linéaires : Application au
problème de suivi de trajectoire”, Thèse de docteur de l’université de Savoie, France, 2000.
[297] Min Han, Yannan Sun, Yingnan Fan, “An improved fuzzy neural network based on TS
model”, Expert Systems with Applications, Vol. 34, 2008, pp. 2905-2920.
[298] Wen Li & Yoichi Hori, “An algorithm for extracting fuzzy rules based on RBF neural
networks”, IEEE Transactions on Industrial Electronics, Vol. 53, No. 4, August 2006, pp.
1269-1276.
206
Références bibliographiques
[299] Stanley E. Woodard and Devendra P. Garg, “A numerical optimization approach for tuning
fuzzy logic controllers”, IEEE Transactions on Systems, Man, and Cybernetics - Part B:
Cybernetics, Vol. 29, No. 4, August 1999, pp. 565-569.
[300] Mu-Song Chen and Redean Liou, “An efficient learning method of fuzzy inference system”,
1999 IEEE International Fuzzy Systems Conference Proceedings, August 22-25. 1999,
Seoul, Korea, pp. 635-638.
[301] K. -L. Du and M. N. S. Swamy, “Neural networks in a soft computing framework”, Springer
Edition, 2006.
[302] Oscar Montiel, Oscar Castillo, Patricia Melin, Roberto Sepulveda, “The evolutionary
learning rule for system identification”, Applied Soft Computing, Vol. 3, 2003, pp. 343-352.
[303] F. Cuesta and A. Ollero, “Intelligent mobile robot navigation”, STAR 16, Springer-Verlag
Berlin Heidelberg 20005, pp. 7-49.
[304] Lianfei ZHAI, Tianyou CHAI, “Nonlinear decoupling PID control using neural networks
and multiple models”, Journal of Control Theory and Applications, Vol. 1, 2006, pp. 62-69.
[305] Cheng-Jian Lin, ‘‘A GA-based neural fuzzy system for temperature control’’, Fuzzy Sets and
Systems, Vol. 143, 2004, pp. 311-333.
[306] C. Treesatayapun, S. Uatrongjit, “Adaptive controller with fuzzy rules emulated structure
and its applications”, Engineering Applications of Artificial Intelligence, Vol. 18, 2005, pp.
603-615.
[307] S. Labiod, M.S. Boucherit, and T.M. Guerra, “Commande adaptative floue d’une classe de
systèmes non linéaires monovariables”, LFA’03, Tours, France, 2003, pp. 169-176.
[308] Mehrhad Hojati and Saeed Gazor, “Hybrid adaptive fuzzy identification and control of
nonlinear systems”, IEEE Transactions on Fuzzy Systems, Vol. 10, No. 2, June 2002, pp.
198-210.
[309] Wei- Yen Wang, Chih- Yuan Cheng and Yih-Guang Leu, “An online GA-based output-
feedback direct adaptive fuzzy-neural controller for uncertain nonlinear systems”, IEEE
Transactions on Systems, Man, and Cybernetics—Part B: Cybernetics, 2003, pp. 1-12.
[310] T. Fukuda and N. Kubota, “An intelligent robotic system based on a fuzzy approach”, Proc.
IEEE, Vol. 87, September 1999, pp. 1448-1470.
[311] J. Slotine and W. Li, “Applied nonlinear control”, Englewood Cliffs, New Jersey: Prentice
Hall, 1991.
[312] Kuu-Young Young and Shaw-Ji Shan, “An approach to enlarge learning space coverage for
robot learning control”, IEEE Transactions on Fuzzy Systems, Vol. 5, No. 4, November
1997, pp.150-159.
[313] Mario E. Magãna and Shinsuke Tagani, “An improved trajectory tracking decentralized
adaptive controller for robot manipulator”, IEEE Transactions on Industrial Electronics,
Vol. 41, No. 5, October 1994, pp. 477-482.
[314] L. X. Wang, “A supervisory controller for fuzzy control systems that guarantees stability”,
IEEE Transactions on Automatic and Control, Vol. 39, No. 9, 1994, pp. 1845-1847.
[315] Abdelkader AKHENAK, “Conception d’observateurs non linéaires par approche
multimodèle : Application au diagnostic”, Thèse de docteur, Institut National Polytechnique
de Lorraine, France, 2004.
[316] Rosario Toscano, “Commande et diagnostic des systèmes dynamiques : Modélisation,
Analyse, Commande par PID et par Retour d’état, Diagnostic”, Ellipses Edition Marketing
S. A., 2005.
[317] Luc Jaulin, “Représentation d’état pour la modélisation et la commande des systèmes”,
Hermès Science Publications, Lavoisier, 2005.
[318] A. Kandel, Y. Luo and Y. Q. Zhang, “Stability analysis of fuzzy control systems”, Fuzzy Sets
and Systems, Vol. 105, No. 1, July 1999, pp. 33-48.
[319] A. Ollero, J. Aracil, A. Garcia-Cerezo, “Robust design of rule-based fuzzy controllers”,
Fuzzy Sets and Systems, Vol. 70, 1995, pp. 249-273.
[320] Pierre-Frédéric TOULOTTE, “Attelage virtuel pour véhicules automatisés”, Thèse de
docteur, Université de Valenciennes et du Hainaut Cambrésis, France, 2006.
207
Références bibliographiques
[321] Yann Morere, “Mise en oeuvre de lois de commande pour les modèles flous de type Takagi-
Sugeno”, Thèse de docteur, Université de Valenciennes et du Hainaut Cambrésis, France,
2001.
[322] Julio Concha, Aldo Cipriano, René Vidal, “Design of fuzzy controllers based on stability
analysis”, Fuzzy Sets and Systems, Vol. 121, 2001, pp. 25-38.
[323] Qu Sun, Renhu Li, Ping’an Zhang, “Stable adaptive fuzzy control of complex systems using
fuzzy dynamicmodel”, Fuzzy Sets and Systems, Vol. 133, 2003, pp. 1-17.
[324] Jooyoung Park, Jinsung Kim, Daihee Park, “LMI-based design of stabilizing fuzzy
controllers for nonlinear systems described by Takagi-Sugeno fueey model”, Fuzzy Sets and
Systems, Vol. 122, 2001, pp. 73-82.
[325] C. M. Lin, Y. J. Mon, “A fuzzy PDC-based control for robotic systems”, Information
Sciences, Vol. 137, 2001, pp. 135-155.
[326] Cheng-Wu Chen, “Stability conditions of fuzzy systems and its application to structural and
mechanical systems”, Advances in Engineering Software, Vol. 37, 2006, pp. 624-629.
[327] Zhi-Hong Xiu, Guang Ren, “Stability analysis and systematic design of Takagi-Sugeno
fuzzy control systems”, Fuzzy Sets and Systems, Vol. 151, 2001, pp. 119-138.
[328] Kazuo Tanaka, Hiroshi Ohtake, Hua O. Wang, “A practical design approach to stabilization
of a 3-DOF RC Helicopter”, IEEE Transactions on Control Systems Technology, Vol. 12,
No. 2, March 2004, pp. 315-325.
[329] M. J. Er, D. H. Lin, “A new approach for stabilising nonlinear systems with time delay”,
International Journal of Intelligent Systems, Vol. 17, 2002, pp. 289-302.
[330] Soukkou, A. Khellaf, S. Leulmi, K. Bougeghdegh, “Optimal control of a CSTR process”,
Brazilian Journal of Chemical Engineering, Vol. 25, No. 04, October-December 2008, pp.
809-822.
[331] Zhong Li, Wolfgang A. Halang, Guanrong Chen, “Integration of fuzzy logic and chaos
theory”, Studies in Fuzziness and Soft Computing, Volume 187, Springer-Verlag Berlin
Heidelberg 2006.
[332] Thierry Marie Guerra, Laurent Vermeiren, “Control laws for Takagi-Sugeno fuzzy model”,
Fuzzy Sets and Systems, Vol. 120, 2001, pp. 95-108.
[333] M. Kannou, M. Benrejeb, S. Hajri-Gabouj et P. Borne, “Stabilité et commande multimodèle
floue de systèmes complexes”, Conférence Internationale Francophone d’automatique CIFA
2004, Douz, Tunisie, 22-24 Novembre 2004.
[334] D. Jenkins, K.M. Passino, “An introduction to nonlinear analysis of fuzzy control systems”,
Journal of Intelligent and Fuzzy Systems, Vol. 7, No. 1, 1999, pp. 75-103.
[335] Mehran Mesbahi, “Robustness analysis via the running time of the interior point methods”,
Systems & Control Letters, Vol. 44, 2001, pp. 355-361.
[336] Wook Chang, Jin Bae Park, Young Hoon Joo, “GA-based intelligent digital redesign of
fuzzy-model-based controllers”, IEEE Transactions on Fuzzy Systems, Vol. 11, No. 1,
February 2003, pp. 35-44.
[337] Frank H. F. Leung, H. K. Lam, S. H. Ling, Peter K. S. Tam, “Optimal and stable fuzzy
controllers for nonlinear systems based on an improved genetic algorithm”, IEEE
Transactions on Industrial Electronics, Vol. 51, No. 1, February 2004, pp. 172-182.
[338] Lanka Udawatta, Keigo Watanabe, Kazuo Kiguchi, Kiyotaka Izumi “Solution of global
stability of fuzzy regulators via evolutionary computation”, Applied Soft Computing, Vol. 4,
2004, pp. 25-34.
[339] Alain Berro, “Optimisation multiobjectif et stratégies d’évolution en environnement
dynamique”, Thèse de docteur en Informatique, Université des sciences sociales- Toulouse I,
France, 2001.
[340] Yann Collette, Patrick Siarry, “Optimisation multiobjectif”, Editions Eyrolles, 2002.
[341] Karima Turki & Olfa Boubaker, “Vers une modélisation multimodèle incertaine et une
commande robuste séquencée des bioprocédés”, Conférence Internationale Francophone
d’automatique CIFA 2004, Douz, Tunisie, 22-24 Novembre 2004.
[342] W. C. Chen, Ni-Bin Chang, Jeng-Chung Chen, “Rough set-based hybrid fuzzy-neural
controller design for industrial wastewater treatment”, Water Research, Vol. 37, 2003, pp.
95-107.
208
Références bibliographiques
[343] Ludovic Mailleret, Olivier Bernard, Jean-Philipe Steyer, “Nonlinear adaptive control for
bioreactors with unknown kinetics”, Automatica, Vol. 40, 2004, pp. 1379-1385.
[344] Denis Douchain, “Automatique des bioprocédés”, Hermes Science Europe Ltd, 2001.
[345] G. Boari, I.M Mancini, E. Trulli, “Technologies for water and wastewater treatment”,
Séminaires Méditerranéens CIHEAM - Options Mediterraneennes, Sér. A /n037, 1997.
[346] B. Dahhou, G. Roux, G. Chamilothoris, “Modelling and adaptive predictive control of a
continuous fermentation process”, Applied Mathematical Modelling, Vol.16, 1992, pp.545-
552.
[347] B. Dahhou, M. Lakrori, I. Queinnec, E. Ferret, A. Cheruy, “Control of a continuous
fermentation process”, Journal of Process Control, Vol. 2, No. 2, 1992, pp.103-111.
[348] B. Dahhou, G. Roux, A. Vasilache, “Neural networks for biomass growth rate modelling and
model changement detection in a yeast fermentation process”, 4th IFAC Conference: System
Structure and Control, Bucharest, Roumanie, 1997, pp. 469-474.
[349] Jeng-Chung Chen, Ni-Bin Chang, “Mining the fuzzy control rules of aeration in a
Submerged Biofilm Wastewater Treatment Process”, Engineering Applications of Artificial
Intelligence, Vol. 20m No. 7, 2007, pp. 959-969.
[350] C. Ben Youssef and B. Dahhou, “Multivariable adaptive predictive control of an aerated
lagoon for a wastewater treatment process”, Journal of Process Control, Vol. 6, No. 5, 1996,
pp. 265-275.
[351] F. Nejjari, G. Roux, B. Dahhou, A. Benhammou, “Estimation and optimal control design of
a biological wastewater treatment process”, Mathematics and Computers in Simulation, Vol.
48, 1999, pp. 269-280.
[352] Meka Srinivasarao, Sachin C. Patwardhan, Ravindra D. Gudi, “Nonlinear predictive control
of irregularly sampled multirate systems using black box observers”, Journal of Process
Control, Vol. 17, No. 1m 2007, pp. 17-35.
[353] Victor-Hugo GRISALES PALACIO, “Modélisation et commande floues de type Takagi-
Sugeno Appliquées à un bioprocédé de traitement des eaux”, Thèse de doctorat de
l’Université Paul Sabatier-Toulouse III, France, 2007.
[354] Cherif Ben Youssef and Jesứs I. Torres Zuňiga, “Stable model-reference adaptive control
and estimation of a wastewater treatment benchmark”, 2002 IEEE International Conference
on Systems, Man and Cybernetics, 2002, Vol. 6, pp. 1-6.
209
Biographie
Biographies
A. Soukkou
Department of Electronics, University of Jijel, BP. 98,
Ouled Aissa, Jijel 18000, Algeria.
[email protected]