Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

Ministère de l'Enseignement Supérieur et de la Recherche Scientifique Universit

Ministère de l'Enseignement Supérieur et de la Recherche Scientifique Université Echahid Hamma Lakhdar – El Oued Faculté de Technologie Département de Génie Electrique Cours de: Niveau : 2ième Année Master Commande Electrique Préparé et enseigné par : Dr. BEKAKRA Youcef Maître de Conférences -A- Techniques de l'Intelligence Artificielle Sommaire Cours : Techniques de l’Intelligence Artificielle 2 Dr. Youcef BEKAKRA Sommaire Chapitre I : La Logique Floue .................................................................. 6 I.1. Introduction : ................................................................................................................................. 6 I.2. Principe de la Logique Floue : .................................................................................................. 7 I.3. Opérateurs Flous : ........................................................................................................................ 8 I.4. La Commande Floue : .................................................................................................................. 9 I.5. Réglage par Logique Floue : .................................................................................................... 10 I.6. Configuration Interne d’un Régulateur à Logique Floue : ............................................... 10 I.6.1. Fuzzification : ....................................................................................................................... 11 I.6.2. Inférence Floue : .................................................................................................................. 11 I.6.3. Défuzzification : ................................................................................................................... 11 I.7. Avantages et Inconvénients du Réglage par Logique Floue: ......................................... 12 I.7.1. Avantages : ........................................................................................................................... 12 I.7.2. Inconvénients : ..................................................................................................................... 12 I.8. Exemple d’Application de la Logique Floue (Régulation de Température) sous Matlab/Simulink: ................................................................................................................................ 12 1er cas : Régulation avec un Correcteur PID : ........................................................................ 12 2ème cas : Régulation avec un Correcteur Flou : ................................................................... 13 Chapitre II : ............................................................................................. 17 Réseaux de Neurones Artificiels ........................................................... 17 II.1. Introduction : .............................................................................................................................. 17 II.1. Historique : .................................................................................................................................. 17 II.4. Le Système Nerveux : ............................................................................................................... 18 II.2. Modèle Biologique du Neurone : ........................................................................................... 19 II.3. Le Neurone Formel : ................................................................................................................. 19 II.4. RNA : ............................................................................................................................................. 21 II.3. Fonction de Combinaison : ..................................................................................................... 21 II.5. Structure d'Interconnexion : ................................................................................................... 21 II.5.1 Réseau Multicouche : ......................................................................................................... 22 II.5.2. Réseau à Connexions Locales : ..................................................................................... 22 II.5.3. Réseau à Connexions Récurrentes : ............................................................................. 22 Sommaire Cours : Techniques de l’Intelligence Artificielle 3 Dr. Youcef BEKAKRA II.5.4. Réseau à Connexion Complète : .................................................................................... 22 II.6. Apprentissage : .......................................................................................................................... 23 II.6.1 Comment Apprendre un Réseau? ................................................................................... 23 a - Apprentissage Supervisé : ................................................................................................ 24 b - Apprentissage Non Supervisé : ....................................................................................... 25 II.7. Domaines d'Applications des Réseaux de Neurones : ................................................... 25 II.8. Exemple d’un Réseau de Neurone sur Matlab : ................................................................ 26 Chapitre III : ............................................................................................ 28 Les Algorithmes Génétiques ................................................................. 28 III.1. Introduction : ............................................................................................................................. 28 III.1.1. Définition de l’Optimisation : ......................................................................................... 28 III.1.2. Fonction Objectif : ........................................................................................................ 28 III.2. Historique: .................................................................................................................................. 28 III.3. Terminologie :............................................................................................................................ 29 III.4. Définition : .................................................................................................................................. 29 III.5. Principe : ..................................................................................................................................... 29 III.6. Présentation des Algorithmes Génétiques : .................................................................... 30 III.6.1. Fonction d'Evaluation et Fonction Fitness : .................................................................. 30 III.6.2. Codage et Décodage des Variables : ............................................................................... 31 III.6.3. Sélection des Individus pour la Reproduction :............................................................ 32 III.6.3.1.Les Différentes Méthodes de Sélection : ...................................................................... 32  Sélection par Roulette de Lotterie : .......................................................................... 32  Sélection par rang : ....................................................................................................... 33  Sélection statique : ....................................................................................................... 33  Sélection par tournoi : .................................................................................................. 33  Elitisme : .......................................................................................................................... 33 III.6.4. La Recombinaison Génétique : ........................................................................................ 34 III.6.4.1. Croisement : ................................................................................................................ 34 A. Croisement en un Point : ................................................................................................ 34 B. Croisement en deux Points : ......................................................................................... 35 III.6.4.2. Mutation : ..................................................................................................................... 35 III.6.5. Le Choix des Paramètres d’un Algorithme Génétique : ......................................... 37 III.6.5.1. Taille de la Population : ............................................................................................ 37 Sommaire Cours : Techniques de l’Intelligence Artificielle 4 Dr. Youcef BEKAKRA III.6.5.2. Nombre de Générations : ........................................................................................ 37 III.6.5.3. Probabilité des opérateurs génétiques : ............................................................. 38 III.6.5.4. Critère d’Arrêt : ........................................................................................................... 38 III.6.5.5.Réglage des Paramètres d'un AG : ........................................................................ 39 III.7. Applications : ............................................................................................................................. 40 Chapitre IV : ............................................................................................ 41 Technique d’Optimisation par Essaims de Particules (PSO) .............. 41 IV.2. Définitions de Base : ............................................................................................................... 41 IV.3 Optimisation par Essaim de Particules (PSO): ................................................................. 41 IV.3.1 Origines : .............................................................................................................................. 41 IV.3.2 Principe de la Technique PSO : ..................................................................................... 42 IV.3.3 Principe de l’Algorithme PSO : ....................................................................................... 44 IV.3.3.1 Formulation Mathématique de l’Algorithme PSO : ................................................ 45 IV.3.4 Exemple d’Application : ................................................................................................... 49 Références .............................................................................................. 71 Cours : Techniques de l’Intelligence Artificielle 5 Dr. Youcef BEKAKRA Introduction : La Technique d'Intelligence Artificielle (TIA) est une approche visant à émuler, dans des systèmes artificiels, les capacités des espèces vivantes pouvant identifier l’environnement et prendre les décisions adéquates en présence d’incertitudes et d’imprécisions. La Logique Floue (LF) et les Réseaux de Neurones Artificiels (RNA) sont deux techniques qui disposent aujourd’hui d’une théorie bien fondée et qui ont été efficacement utilisées dans divers domaines. Dans le contexte informatique, la TIA réagie comme l’homme, alors que la solution algorithmique, n’est pas connue, donc, n’existe pas. Aussi, le but de la TIA est de faire en sorte que l’ordinateur, résidant par exemple dans un robot, se comporte comme l’homme c'est-à-dire :  Capte des informations, avec l’équivalent de tout ou partie de nos cinq sens.  Soit capable de raisonner et de s’adapter à une situation nouvelle.  Soit capable d’agir ou de communiquer en conséquence. Le robot d’aujourd’hui utilise l’informatique classique, le plus souvent un automate programmable, programmé de manière séquentielle pour accomplir un travail ou une série d’actions répétitives. Cependant, le robot du futur devrait grâce aux TIA, pouvoir faire face à des situations imprévues, c’est-à-dire avoir une capacité de jugement au moins égale à celle d’un ouvrier spécialisé. Entre autres les RNA, la LF et les Algorithmes Génétiques (AG) (seuls ou combinés) ont des apparences d’IA. Chapitre I La Logique Floue Cours : Techniques de l’Intelligence Artificielle 6 Dr. Youcef BEKAKRA Chapitre I : La Logique Floue I.1. Introduction : La logique floue (en anglais : Fuzzy Logic) est une extension de la logique booléenne créée par le professeur Lotfi ZADEH en 1965 en se basant sur sa théorie mathématique des ensembles flous, qui est une généralisation de la théorie des ensembles classiques. En introduisant la notion de degré dans la vérification d'une condition, permettant ainsi à une condition d’être dans un autre état que vrai ou faux, la logique floue confère une flexibilité très appréciable aux raisonnements qui l'utilisent, ce qui rend possible la prise en compte des imprécisions et des incertitudes. Un des intérêts de la logique floue pour formaliser le raisonnement humain est que les règles sont énoncées en langage naturel. Voici par exemple quelques règles de conduite qu'un conducteur suit, en supposant qu'il tienne à son permis (tableau I.1) : Chapitre I La Logique Floue Cours : Techniques de l’Intelligence Artificielle 7 Dr. Youcef BEKAKRA Tableau I.1 Exemple de quelques règles de conduite I.2. Principe de la Logique Floue : Le principe du réglage par logique floue s’approche de la démarche humaine dans le sens que les variables traitées ne sont pas des variables logiques (au sens de la logique binaire par exemple) mais des variables linguistiques, proches du langage humain de tous les jours. De plus ces variables linguistiques sont traitées à l’aide de règles qui font références à une certaine connaissance du comportement du système. Toute une série de notions fondamentales sont développées dans la logique floue. Ces notions permettent de justifier et de démontrer certains principes de base. Dans ce qui suit, on ne retiendra que les éléments indispensables à la compréhension du principe du réglage par logique floue. Afin de mettre en évidence le principe de la logique flou, on présente deux exemples de représentation de la température, une en logique classique, et l’autre en logique floue (voir figure I.1). Selon cette figure, en logique classique, une température de 22.5° est considérée comme "élevée". En logique floue, une température de 22.5° appartient au groupe “moyenne” avec un degré d’appartenance de 0.20, et appartient au groupe “élevée” avec un degré d’appartenance de 0.80, (et au groupe “faible” avec un degré d’appartenance de 0). Chapitre I La Logique Floue Cours : Techniques de l’Intelligence Artificielle 8 Dr. Youcef BEKAKRA a) Représentation classique b) Représentation floue  : Degré d’appartenance. Figure I.1 Comparaison de l’appartenance de la température en logique classique vs la logique floue I.3. Opérateurs Flous : Les opérateurs flous décrivent comment des ensembles flous interagissent ensembles. On regardera certaines opérations communes, comme le complément, l’intersection et l’union.  Le complément permet de vérifier de combien un élément n’appartient pas à un ensemble. Comme exemple, si on a l’ensemble des températures élevées, le Chapitre I La Logique Floue Cours : Techniques de l’Intelligence Artificielle 9 Dr. Youcef BEKAKRA complément est l’ensemble des températures qui ne sont pas élevées. Si A est l’ensemble flou, son complément : A est :  L’intersection de deux ensembles, en logique flou, est un peu différente des méthodes classiques. On cherche à savoir de combien un élément est-il dans les deux ensembles. On utilise alors la valeur minimale d’appartenance pour calculer l’intersection.  En logique floue, l’union est le contraire de l’intersection. On cherche à savoir de combien un est-il dans l’un des deux ensembles. On utilise la valeur maximale d’appartenance. La figure I.2 résume ces opérations, de façon graphique : Figure I.2 Exemple d’opérations sur des ensembles flous I.4. La Commande Floue :  Pourquoi un contrôleur flou ?  La réponse : Chapitre I La Logique Floue Cours : Techniques de l’Intelligence Artificielle 10 Dr. Youcef BEKAKRA  Un contrôleur standard (PID ou autres) demande toujours un modèle le plus précis possible (équations différentielles).  Un contrôleur uploads/Ingenierie_Lourd/ cours-techniques-de-lintelligence-artificielle.pdf