Techniques de l’intelligence artificielle dans la Commande

Techniques de l’intelligence artificielle dans la Commande

Techniques de l’intelligence artificielle dans la commande

Dans le domaine de la recherche scientifique actuelle, l’un des défis des chercheurs aujourd’hui est de copier la nature et de reproduire des modes de raisonnement et de comportement qui lui sont propre. Dans notre monde la majorité des systèmes dynamiques utilisés sont des systèmes non linéaires. Ce type de système est généralement sujet aux variations et incertitudes structurelles et non structurelles causées par l’environnement, d’où le recours aux techniques de l’intelligence artificielle pour résoudre ces problèmes tel que les réseaux de neurones, la logique floue, les réseaux neuro-floue dont l’adaptation aux changements environnementaux est l’un des propriétés majeur de ces techniques. Dans ce chapitre nous allons présenter un état de d’art sur les techniques de l’intelligence artificielle. Cette dernière est un domaine de l’informatique qui fait l’étude des mécanismes d’adaptation. En premier lieu nous allons survole sur ces techniques en commençant par les réseaux de neurones, logique floue et les réseaux neuro-floue. Ces derniers combinent la capacité d’adaptation de la logique floue et la puissance des capacités d’apprentissage et de généralisation des réseaux de neurones, puis leurs applications dans la commande des systèmes non linéaires.

Type d’apprentissage des Réseaux de Neurones Des différents algorithmes d’apprentissage et différentes types d’apprentissage ont été développés dans la littérature dans le but de réaliser l’adaptation et l’optimisation des poids d’un réseau de neurone. L’apprentissage par correction d’erreur (retro-propagation), l’apprentissage type Boltzmann, l’apprentissage compétitif peuvent être mentionné parmi les algorithmes les plus cités dans la littérature (HAYKIN, 1999), (WINDROW, 1996), (IRWIN, 1995). Il existe trois types principaux d’apprentissages. (NARENDRA, 1990), (HUNT, 1991), (DREYFUS, 2008).

a) Apprentissage supervisé Un superviseur, ou professeur, fournit au réseau des couples d’entréessorties. Il fait apprendre au réseau l’ensemble de ces couples, par une méthode d’apprentissage. Dans le cas de la rétro-propagation du gradient de l’erreur, en comparant pour chacun d’entre eux la sortie effective du réseau et la sortie désirée. L’apprentissage est terminé lorsque tous les couples entrées-sorties sont reconnus par le réseau.

b) Apprentissage non supervisé Cet apprentissage consiste à détecter automatiquement des régularités qui figurent dans les exemples présentés et à modifier les poids des connexions pour que les exemples ayant les mêmes caractéristiques de régularité provoquent la même sortie. Les réseaux auto-organisateurs de Kohonen sont les réseaux à apprentissage non supervisé les plus connus.

c) Apprentissage par renforcement Ce mode d’apprentissage, suppose qu’un comportement de référence n’est pas possible, mais en revanche, il est possible d’obtenir des indications qualitatives (vrai, faux, …) sur les performances du réseau. Outre la classification présentée ci-dessus, les méthodes d’apprentissage sont souvent différenciées de par leur caractère hors ligne (hors ligne) ou en ligne (on-line) :

Généralités sur la logique floue La logique classique ne permet pas de raisonner de manière souple sur des connaissances imprécises et/ou incertaines. La logique floue a été proposée et introduite par (ZADEH, 1965) pour modéliser le langage naturel et pour rendre compte du caractère vague des connaissances que nous, les humains, manipulons au quotidien à travers la notion de fuzzy sets ou sous-ensembles flous ; généralisant ainsi l’algèbre de la théorie classique des ensembles. Cette théorie est basée sur la représentation et la manipulation des connaissances imprécises et la connaissance de l’environnement lorsqu’elle est assez incomplète et incertaine. (ZADEH, 1965) a proposé d’associer à un concept imprécis (concept humain e.g. grand, chaud,…) une fonction d’appartenance à un ensemble. Cette fonction d’appartenance définit le degré de représentation d’une instance vis-à-vis du concept. Il a été montré qu’une telle fonction est utile pour représenter l’influence des modificateurs linguistiques, comme «très», «plus ou moins», «peu» sur la signification des concepts. L’approche par sous-ensembles flous a été très étudiée et a trouvé de nombreuses applications, en particulier, dans le contrôle des systèmes complexes, permettant de décrire ces systèmes avec un ensemble d’expressions conditionnelles floues de façon similaire au raisonnement humain.

Définition du système Neuro-Flou

Une définition des systèmes neuro-flous (NF) est donnée dans et reprise dans (RACOCEANU, 2006) selon laquelle : Les systèmes neuro-flous sont des systèmes flous formés par un algorithme d’apprentissage inspiré des réseaux de neurones. La technique d’apprentissage opère en fonction de l’information locale et produit uniquement des changements locaux dans le système flou d’origine. Les règles floues codées dans le système neuro-flou représentent les échantillons imprécis et peuvent être vues en tant que prototypes imprécis des données d’apprentissage (Figure 1.9). On peut aussi noter que les systèmes neuro-flous peuvent être utilisés comme des approximateurs. Les règles floues codées dans un système neuro-flou représentent les échantillons imprécis et peuvent être vues en tant que prototypes imprécis des données d’apprentissage. Un système neuro-flou ne devrait par contre pas être vu comme un système expert (flou), et il n’a rien à voir avec la logique floue dans le sens stricte du terme. On peut aussi noter que les systèmes neuro-flous peuvent être utilisés comme des approximateurs universels. (LEE, 2005). Les développements actuels sur ce type de problématique montrent que les performances des NF dépassent celles d’autres méthodes aussi bien en termes de précision des résultats que d’efficacité d’apprentissage (WANG, 2004).

Table des matières

TABLE DES MATIERES
Résumé
Abstract
Liste des figures
Liste des tableaux
Liste des abréviations
Introduction générale
1 Techniques de l’intelligence artificielle dans la Commande
1. Introduction
2. Réseaux de neurones
2.1 Neurone formel
2.2 Architecture des réseaux de neurones
2.2.1 Réseaux non bouclés
2.2.2 Réseaux bouclés
2.3 Propriétés des réseaux de neurones
2.3.1 Propriétés d’approximation des réseaux de neurones
2.3.2 Propriété de parcimonie
2.4 Apprentissage des réseaux de neurones
2.4.1 Type d’apprentissage des réseaux de neurones
2.4.2 Méthodes d’apprentissage
3. La logique floue
3.1 Généralités sur la logique floue
3.1.1 Variable floue
3.1.2 Sous-ensembles flous
3.1.3 Fonction d’appartenance
3.1.4 Base de règles floues
3.2 Système d’inférence floue
3.2.1 Fuzzification
3.2.2 Inférence floue
3.2.3. Défuzzification
3.3 Types des contrôleurs flous
3.3.1 Méthode de Mamdani
3.3.2 Méthode de Takagi-Sugeno
3.4 Caractéristiques des systèmes d’inférences floues (SIF
3.4.1 Les caractéristiques structurelles du SIF
3.4.2 Les caractéristiques paramétriques du SIF
3.4.3 Approximation des fonctions par les systèmes flous
4. Les réseaux neuro-flous
4.1 Définition du système neuro-flou
4.2. Architecture des systèmes neuro-flous
4.2.1 Système neuronal/flou simultanément
4.2.2 Modèles neuro-flous coopératifs
4.2.3 Modèles neuro-flous hybrides
5. Commande des systèmes non linéaires
5.1 Représentation des systèmes non-linéaires
5.2 Commande des systèmes non linéaires
5.2.1 Commande proportionnelle, intégrale et dérivée (PID
5.2.2 Commande adaptative
5.2.3 Commande robuste
6. Conclusion
2 Application de la commande neuro‐floue STFIS pour le contrôle des
systèmes non linéaires
1. Introduction
2. Architecture neuro flou hybride
2.1 Variables d’entrées du contrôleur neuro-flou
2.2 Architecture du contrôle Jean et Mini-Jean
3. Système d’inférence floue avec un réglage automatique (STFIS)
3.1 Apprentissage du réseau STFIS
4. Application de la commande neuro-floue basée STFIS sur les
systèmes non Linéaires
4.1 Système masse-ressort
4.2 Pendule inversé
5. Test de robustesse
6. Conclusion
3 Architecture SAFIS pour la commande intelligente des systèmes non linéaires
1. Introduction
2. Notions sur les robots manipulateurs
2.1 Constitution géométrique des robots manipulateurs
2.2 Modélisation dynamique des robots manipulateurs
2.3 Modèle dynamique
3. Commande adaptative des robots manipulateurs
3.1 Loi de commande adaptive couple calculé (computed-torque
4. Système d’inférence floue séquentielle adaptive (SAFIS
4.1 Réseaux de neurones RBF
4.1.1 Apprentissage des réseaux RBF
4.1.2 Approche séquentielle
4.1.3 Rétro-propagation du gradient de l’erreur
4.2 Architecture du réseau SAFIS
4.3 Opération effectuées par l’architecture SAFIS
4.3.1 Influence d’une règle floue
4.3.2 Ajout d’une règle
4.3.3 Ajustement des paramètres du réseau SAFIS
4.3.4 Suppression d’une règle floue
4.4 Algorithme SAFIS
5. Application de la commande adaptative basée SAFIS pour un Robot Manipulateurs
5.1. Résultats des simulations de la commande d’un robot SCARA sans bruit.
5.1.1 Résultats de la commande
5.1.2 Estimation de la matrice d’Inertie
5.1.3 Estimation de la matrice Coriolis
5.1.4 Estimation du vecteur de frottement
5.2 Commande d’un robot SCARA en présence de bruit
5.2.1 Résultats de la simulation
6. L’impact de la sélection des paramètres prédéfinis pour la robustesse du système
7. Conclusion
4 Optimisation des paramètres du contrôleur PID par l’algorithme immunitaire artificiel
1. Introduction
2. Optimisation
2.1 Définition
2.2 Principe d’optimisation et la fonction objective
2.3 Différents problèmes d’optimisation
2.4 Méthodes d’optimisation
2.4.1 Méthodes exactes
2.4.2 Méthodes à base de voisinage
2.4.3 Méthodes approchées
2.4.5 Méthodes à base de population
2.4.6 Méthodes hybrides
3. Algorithmes évolutionnaires
3.1 Composantes des algorithmes évolutionnaires
3.2 Conditions de performance des algorithmes évolutionnaires
4. Système immunitaire naturel
4.1 Définition
4.2 Architecture du système immunitaire
4.2.1 Système immunitaire inné
4.2.2 Système immunitaire adaptatif
4.3 Processus de base d’un système immunitaire
4.3.1 Identification
4.3.2 Activation
4.3.3 Mécanisme de la sélection clonale
4.3.4 Mémoire immunitaire
4.3.5 Maturation d’affinité
4.4 Réseau immunitaire
4.5 Caractéristique du système immunitaire
5. Système immunitaire artificiel
5.1 Définitions
5.2 Synthèse sur les systèmes immunitaires artificiels
5.3 Processus de conception d’un système immunitaire artificiel
5.3.1 Modélisation des systèmes immunitaires artificiels
5.3.2 Mesures d’affinités
5.4 Mécanismes du système immunitaire artificiel
5.4.1 Sélection négative/positive
5.4.2 Sélection clonale
5.5 Appariement entre système immunitaire artificiel et algorithme immunitaire artificiel
6. Etape de l’algorithme immunitaire artificiel
6.1 Initialisation des paramètres d’algorithme immunitaire artificiel
6.2 Génération de la population
6.3 Calcul des valeurs de la fonction objective
6.4 Sélection clonale
6.5 Maturation
6.6 Modification
6.7 Régénération
7. Optimisation des gains du contrôleur PID par l’algorithme
immunitaire artificiel(AIA
7.1 Architecture d’optimisation adoptée
7.2 Application de l’algorithme immunitaire artificiel avec le système
masse ressort amortisseur
7.2.1 Résultats des simulations en utilisant la fonction objective f
7.2.2 Résultats des simulations en utilisant la fonction objective h
7.3 Etude comparative de l’algorithme immunitaire artificiel avec
algorithmes génétiques
7.4 Test de robustesse
7.4.1 L’impact du paramètre facteur multiplicateur de clonage
(f) sur les performances du système
7.4.2 L’impact du paramètre nombre des anticorps à cloner sur
les performances du système
8. Conclusion
Conclusion générale
Bibliographie
Annexes

Télécharger le rapport complet