Tutorial : état de l`art sur le « soft computing

Tutorial : état de l’art sur le « soft computing »
Bernadette BOUCHON-MEUNIER
LIP6, Université Pierre et Marie Curie
SOFT COMPUTING : UN PANORAMA CRITIQUE
Bernadette Bouchon-Meunier
LIP6-Pôle IA, 8 rue du Capitaine Scott
75015 Paris
[email protected]
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, mais aussi prenant en compte la composante humaine
généralement présente dans les systèmes :,,,,,,, «Its guiding principle is to exploit the
tolerance for imprecision, uncertainty, partial truth, and approximation to achieve
tractability, robustness, low solution cost and better rapport with reality”.
Ses principales composantes en sont la logique floue, les réseaux neuronaux, le
raisonnement probabiliste et les méthodes d’optimisation telles que les algorithmes
génétiques. Leur point de départ est la gestion d’imprécision et d’incertitude
inhérentes à la plupart des problèmes.
Le principal intérêt du soft computing réside dans l’utilisation conjointe de plusieurs
de ces composantes dans des systèmes hybrides tirant parti d’une synergie entre les
différentes méthodes afin d’exploiter les avantages de chacune tout en compensant ses
inconvénients par l’utilisation d’une autre dont les propriétés sont complémentaires.
Par exemple, les compétences en apprentissage des réseaux neuronaux correspondent
à une insuffisance en termes d’expressibilité des résultats, que l’on peut compenser par
l’utilisation de la logique floue qui manipule aisément des descriptions linguistiques.
Les systèmes neuro-flous trouvent ainsi leur justification. La logique floue aide à gérer
des systèmes complexes de façon simple et facilement explicitable, la difficulté de sa
mise en œuvre réside dans la mise au point des paramètres et des fonctions
d’appartenance et ce problème peut être résolu par l’utilisation d’algorithmes
évolutionnaires.
Il existe bien d’autres exemples de synergie entre différentes méthodes et les moyens
de les combiner sont multiples. Il suffit de considérer les nombreux moyens d’utiliser
conjointement logique floue et réseaux neuronaux pour s’en convaincre. L’association
de la logique floue et des algorithmes génétiques est également fructueuse et il existe
aussi des utilisations conjointes de la logique floue et du chaos. Le soft computing ne
se limite pas aux combinaisons mettant en jeu la logique floue et les combinaisons de
réseaux de neurones et d’algorithmes génétiques ou, plus couramment de réseaux de
neurones et de méthodes probabilistes, trouvent de nombreuses utilisations.
Le soft computing peut être utilisé dans la plupart des grands domaines où la mise au
point de systèmes intelligents pose des problèmes, de l’apprentissage à la commande
de processus en passant par les bases de données ou le traitement d’images. Il existe
des applications du soft computing à des problèmes réels dans des domaines aussi
variés que la recherche d’information, la fouille de données (data mining), l’aide à la
décision, la robotique, le contrôle de systèmes complexes.
Quelques références
•
•
•
•
•
•
•
•
•
B. Bouchon-Meunier, Hybrid architectures for intelligent systems, Learning
inference systems, in Advances in soft computing technologies and application in
mission systems, AGARD Lecture series 210, 5-1−5-12, 1997.
B. Bouchon-Meunier, R.R. Yager, L.A. Zadeh (eds.) Fuzzy logic and soft computing,
World Scientific, 1995
O. Calvo, J. Cartwright, Fuzzy control of chaos, Int. J. Bifurcation and Chaos 8,
1743-1747, 1998
O. Cordon, F. Herrera, F. Hoffmann, L. Magdalena, Genetic Fuzzy Systems,
Evolutionary Tuning and Learning of Fuzzy Knowledge Base, World Scientific, 2001
D. Nauck, R. Kruse, Neuro-fuzzy methods in fuzzy rule generation; in Fuzzy sets in
approximate reasoning and information systems (J. Bezdek, D. Dubois, H. prade,
eds.), Kluwer, 1999.
E. Sanchez, T. Shibata, L.A. Zadeh, Genetic algorithms and fuzzy logic systems, soft
computing perspectives, World Scientific, 1997
H. Takagi, Fusion technology of fuzzy theory and neural networks, survey and future
directions, Proc. Intern. Conf. Fuzzy Logic and Neural Networks, Iizuka : 13-26,
1990
B. Whitehead, T. Choate, Cooperative-competitive genetic evolution of radial
function centers and widths for time series prediction, IEEE Trans. NN 7, 4, 869-881,
1996
L.A. Zadeh, Fuzzy Logic, Neural Networks and Soft Computing, Communications
of the ACM, 37(3):77-84, 1994