La logique floue est utilisée depuis maintenant depuis de très nombreuses années dans les algorithmes de contrôle de robots.  La logique floue comprend non seulement les systèmes experts, revus et visités, mais également l'utilisation directe de la logique floue dans des programmes, en ajoutant simplement des règles et des variables floues au programme principal. On retrouve régulièrement ce dernier type d'utilisation dans les architectures multicouches des robots.
Parallèlement et plus récemment les algorithmes génétiques ont été introduits avec beaucoup de succès. Ils agissent alors comme méthode d'apprentissage, pour apprendre la marche à des robots hexapodes par exemple, ou comme optimiseurs, afin de déterminer le plus court chemin d'un parcours.
De nouvelles études montrent que l'on peut tirer profit de ces deux technologies simultanément, et quelles sont pleinement complémentaires.
La logique floue permet de modéliser et de décrire en langage clair la façon dont on solutionne un problème. Par contre, il peut être fastidieux de :
- trouver les variables qui décrivent pertinemment le problème : plus un système sera complexe, plus on aura tendance a ajouter de variables, plus il faudra définir de règles, et plus l'ensemble sera lent. De plus, on peut introduire des variables inutiles voir nuisibles si le domaine est mal connu.
- pour chacune des variables, on va définir des seuils et des les états correspondants a ces seuils. Ainsi la variable température sera dans l'état chaud quand elle sera supérieure à 25° et froide quand elle sera inférieure à 10°. Entre les deux, elle sera moyenne de 7°. Quand les variables sont complexes, comme la variable "saturation" servant à évaluer l'humidité d'une couche dans un nuage, la définition peut être plus difficile. Pourtant, la définition du contenu de la variable est au minimum aussi importante que la présence ou l'absence de cette variable.
- enfin le travail restant concerne la définition des règles qui vont faire interagir ces variables et ces seuils, et les coordonner. Quand un système est connu, on peut deviner plus facilement les règles que si la connaissance sur le système est incomplète, voir inexistante dans certains cas.
À tous ces problèmes, les algorithmes génétiques apportent des solutions variées et efficaces. Chacun des points évoqués plus haut peut être optimisé spécifiquement par un algorithme génétique. Par exemple on peut connaître les variables et les règles, mais pas les états ni les seuils. Ou alors on peut juste avoir une idée des variables, et chercher alors à faire «émerger » la définition précise de ces variables et leur corrélation sous forme de règles. Ou alors on peut simplement partir d’un ensemble de données et vouloir tout générer en automatique. Les possibilités sont multiples !
Remarque : dans ce dernier cas, si on laisse complètement l’algorithme génétique faire, on court tout de même le risque de générer un système certes performant mais incompréhensible !
Selon nos attentes, on devra donc choisir une implémentation de l’algorithme génétique différente :
Par exemple, on peut choisir de faire évoluer un ensemble dont toutes les règles du problème à modéliser sont codées dans un seul et même chromosome. Dans ce cas, à chaque nouvelle génération on ne gardera que les meilleurs chromosomes et on éliminera les autres.
Ou bien au contraire décider qu'une règle sera codée dans un chromosome, et que c’est l’ensemble du génome qui donnera la solution au problème. Et dans ce cas, finit l’élitisme et vive la collaboration.
Il n’y a pas de technique meilleure que l’autre, juste une technique plus adaptée à un type de problème que l’autre. Si vous souhaitez approfondir ce sujet, je vous encourage fortement à consulter le brillant ouvrage sur le sujet :
GENETIC FUZZY SYSTEMS Evolutionary Tuning and Learning of Fuzzy Knowledge Bases  A la fin de l'ouvrage, un cours exemple d'application est donné concernant un robot "Nomad Scout". Le problème étudié est celui de l'évitement d'obstacle.
Présentation détaillée du livre
|
promotion
Ecrit par Visiteur le 2007-04-18 22:01:46
promotion | Algos génétiques et logique floue
Ecrit par Visiteur le 2007-06-17 14:16:11
bonjour vous avez utilisez le'algorithme génitique comme méthode d'apprentissage mais pourquoi pas d'autres méthodes d'apprentissage comme le recuit simulé ou la recherche taboue qui est une bonne méthode |
|
- Veuiller laisser un commentaire en relation avec l'objet.
|
Powered by AkoComment 2.0! and SecurityImage 3.0.8
|
