SlideShare uma empresa Scribd logo
1 de 17
Baixar para ler offline
Logique floue
implication de Mamdani
• La logique floue repose sur la théorie des
ensembles flous développée par Zadeh [ZAD
65].
• A coté d'un formalisme mathématique fort
développé.
• Les notions de température moyenne ou de
courant faible sont relativement difficiles à
spécifier de manière précise.
• On peut définir le degré d'appartenance de la
variable température à l'ensemble "faible"
comme le "degré de vérité" de la proposition
"la température est faible".
• En logique booléenne, le degré
d'appartenance ( μ ) ne peut prendre que
deux valeurs ( 0 ou 1 ). La température peut
être :
• Elle ne peut pas s’appartenir à deux
ensembles ou plus à la fois.
• En logique floue, le degré d'appartenance
devient une fonction qui peut prendre une
valeur réelle comprise entre 0 et 1 inclus.
• Le degré d’appartenance permet de quantifier
le fait que la température puisse être
considérée comme moyenne.
• Dans ce cas, la température peut être
considérée, à la fois, comme faible avec un
degré d'appartenance de 0,2 et comme
moyenne avec un degré d'appartenance de 0,8
( figure 1.2 ).
• L'univers de discours est l'ensemble des
valeurs réelles que peut prendre la variable
floue x et μA(x) est le degré d'appartenance de
l'élément x à l'ensemble flou A ( figure 1.3 ).
• Dans notre exemple, la variable floue est la
température, l'univers de discours est l'ensemble
des réels de l'intervalle [0, 40]. On attribue à
cette variable trois sous-ensembles flous: faible,
moyenne et élevée. Chacun est caractérisé par
sa fonction degré d'appartenance:
• On peut définir la fonction degré d'appartenance
μmoyenne sur tout l'univers de discours :
• Inférence :
Les règles que décrit ce tableau sont ( sous forme symbolique ) :
SI ( T est F ET V est F ) ALORS U=Z
OU
SI ( T est M ET V est F ) ALORS U=P
OU
SI ( T est E ET V est F ) ALORS U=GP
OU
SI ( T est F ET V est E ) ALORS U=Z
OU
SI ( T est M ET V est E) ALORS U=Z
OU
SI ( T est E ET V est E) ALORS U=P
Méthode d'inférence Max-Min
• Cette méthode réalise l'opérateur "ET" par la
fonction "Min", la conclusion "ALORS" de chaque
règle par la fonction "Min" et la liaison entre
toutes les règles (opérateur "OU") par la fonction
Max.
• La dénomination de cette méthode, dite Max-
Min ou "implication de Mamdani", est due à la
façon de réaliser les opérateurs ALORS et OU de
l'inférence.
• Reprenons l'exemple SI (T est M ET V est F) ALORS
U=P OU SI (T est E ET V est F) ALORS U=GP où
seulement deux règles sont activées :
Exemple d’application:
• Pour mieux illustrer le concept d'un contrôleur flou, on comparera
la performance d'un contrôleur PID classique avec le contrôleur
flou. Le système sous étude est le suivant:
• En utilisant les méthodes classiques, on trouve que le contrôleur
PID idéal a les valeurs suivantes:
• On utilisera la réponse à une entrée échelon du système avec PID
pour comparer la performance.
• Le système avec contrôleur flou et contrôleur PID devrait être le
suivant:
• Pour le système simple sous étude, on n’utilise que l'erreur
comme variable de contrôle.
• On a donc un système très simple, avec une entrée et une sortie.
Dans plusieurs systèmes flous, on utilise aussi la dérivée de
l'erreur, et on obtient alors un système à deux entrées, une sortie.
• Il faut utiliser un peu de jugement dans le design du contrôleur
flou. Il ne faut pas simplement créer des fonctions
d'appartenance de toute façon. Il faut quand même étudier le
système en détail.
• Une chose importante à remarquer est la valeur finale du système
en boucle ouverte. Ceci déterminera la sortie du contrôleur quand
l'erreur est nulle. Pour le système sous étude, la valeur finale due
à une entrée échelon unitaire est:
• La valeur finale est donc 0.5. Le contrôleur devra donc avoir un
gain de
• Il faut aussi bien choisir les limites du système (limites de l'entrée
et de la sortie). Dans ce cas-ci, l'entrée utilisée est une entrée
échelon unitaire. On choisit donc de développer les fonctions
d'appartenance du contrôleur flou pour l'entrée entre -1 et +1.
• Résultats de simulation:
- Un régulateur flou est plus performant que celui PID
classique.
Logique floue - Implication de Mamdani

Mais conteúdo relacionado

Mais procurados

recherche operationnelle
recherche operationnelle recherche operationnelle
recherche operationnelle mohamednacim
 
Présentation PPT CARSELFCARE
 Présentation PPT  CARSELFCARE Présentation PPT  CARSELFCARE
Présentation PPT CARSELFCAREBILEL TLILI
 
CONCEPTION DES REGULATEURS CLASSIQUE, FLOU ET NEURO-FLOU POUR LA REGULATION D...
CONCEPTION DES REGULATEURS CLASSIQUE, FLOU ET NEURO-FLOU POUR LA REGULATION D...CONCEPTION DES REGULATEURS CLASSIQUE, FLOU ET NEURO-FLOU POUR LA REGULATION D...
CONCEPTION DES REGULATEURS CLASSIQUE, FLOU ET NEURO-FLOU POUR LA REGULATION D...atef naghmouchi
 
L’optimisation par essaims de particules
L’optimisation par essaims de particulesL’optimisation par essaims de particules
L’optimisation par essaims de particuleschagra bassem
 
Cours algorithmique et complexite complet
Cours algorithmique et complexite completCours algorithmique et complexite complet
Cours algorithmique et complexite completChahrawoods Dmz
 
chap2 outil_mathematiques
chap2 outil_mathematiqueschap2 outil_mathematiques
chap2 outil_mathematiquesBAKKOURY Jamila
 
introduction automatisme industriel
introduction automatisme industrielintroduction automatisme industriel
introduction automatisme industrielAdnane Ahmidani
 
Supervision industrielle www.automate pro.blogspot.com
Supervision industrielle www.automate pro.blogspot.comSupervision industrielle www.automate pro.blogspot.com
Supervision industrielle www.automate pro.blogspot.comAdnane Ahmidani
 
chap3 numerisation_des_signaux
chap3 numerisation_des_signauxchap3 numerisation_des_signaux
chap3 numerisation_des_signauxBAKKOURY Jamila
 
5 grafcet à séquence unique chariot
5  grafcet à séquence unique chariot5  grafcet à séquence unique chariot
5 grafcet à séquence unique chariotomar bllaouhamou
 
124776153 td-automatique-1 a-jmd-2011
124776153 td-automatique-1 a-jmd-2011124776153 td-automatique-1 a-jmd-2011
124776153 td-automatique-1 a-jmd-2011sunprass
 
Asservissement de vitesse_du_mcc
Asservissement de vitesse_du_mccAsservissement de vitesse_du_mcc
Asservissement de vitesse_du_mccbabaoui mohamed
 
Cours8 Introduction à la représentation d'état
Cours8 Introduction à la représentation d'étatCours8 Introduction à la représentation d'état
Cours8 Introduction à la représentation d'étatsarah Benmerzouk
 
Presentation de projet en Automatiqie (regulation par PID)
Presentation de projet en Automatiqie (regulation par PID)Presentation de projet en Automatiqie (regulation par PID)
Presentation de projet en Automatiqie (regulation par PID)Mohammed Boujida
 
Sureté de fonctionnement - mis à jours 2017 - Ibtissam EL HASSANI
Sureté de fonctionnement - mis à jours 2017 - Ibtissam EL HASSANISureté de fonctionnement - mis à jours 2017 - Ibtissam EL HASSANI
Sureté de fonctionnement - mis à jours 2017 - Ibtissam EL HASSANIibtissam el hassani
 
Présentation python
Présentation pythonPrésentation python
Présentation pythonSarah
 
Systèmes de logiques séquentielles-Bascules
Systèmes de logiques séquentielles-BasculesSystèmes de logiques séquentielles-Bascules
Systèmes de logiques séquentielles-BasculesHatem Jebali
 
Rapport stage onee-be_2
Rapport stage onee-be_2Rapport stage onee-be_2
Rapport stage onee-be_2Mounir Kaali
 
Cours11 Commande dans l'espace d'état
Cours11 Commande dans l'espace d'étatCours11 Commande dans l'espace d'état
Cours11 Commande dans l'espace d'étatsarah Benmerzouk
 

Mais procurados (20)

Langage vhdl
Langage vhdlLangage vhdl
Langage vhdl
 
recherche operationnelle
recherche operationnelle recherche operationnelle
recherche operationnelle
 
Présentation PPT CARSELFCARE
 Présentation PPT  CARSELFCARE Présentation PPT  CARSELFCARE
Présentation PPT CARSELFCARE
 
CONCEPTION DES REGULATEURS CLASSIQUE, FLOU ET NEURO-FLOU POUR LA REGULATION D...
CONCEPTION DES REGULATEURS CLASSIQUE, FLOU ET NEURO-FLOU POUR LA REGULATION D...CONCEPTION DES REGULATEURS CLASSIQUE, FLOU ET NEURO-FLOU POUR LA REGULATION D...
CONCEPTION DES REGULATEURS CLASSIQUE, FLOU ET NEURO-FLOU POUR LA REGULATION D...
 
L’optimisation par essaims de particules
L’optimisation par essaims de particulesL’optimisation par essaims de particules
L’optimisation par essaims de particules
 
Cours algorithmique et complexite complet
Cours algorithmique et complexite completCours algorithmique et complexite complet
Cours algorithmique et complexite complet
 
chap2 outil_mathematiques
chap2 outil_mathematiqueschap2 outil_mathematiques
chap2 outil_mathematiques
 
introduction automatisme industriel
introduction automatisme industrielintroduction automatisme industriel
introduction automatisme industriel
 
Supervision industrielle www.automate pro.blogspot.com
Supervision industrielle www.automate pro.blogspot.comSupervision industrielle www.automate pro.blogspot.com
Supervision industrielle www.automate pro.blogspot.com
 
chap3 numerisation_des_signaux
chap3 numerisation_des_signauxchap3 numerisation_des_signaux
chap3 numerisation_des_signaux
 
5 grafcet à séquence unique chariot
5  grafcet à séquence unique chariot5  grafcet à séquence unique chariot
5 grafcet à séquence unique chariot
 
124776153 td-automatique-1 a-jmd-2011
124776153 td-automatique-1 a-jmd-2011124776153 td-automatique-1 a-jmd-2011
124776153 td-automatique-1 a-jmd-2011
 
Asservissement de vitesse_du_mcc
Asservissement de vitesse_du_mccAsservissement de vitesse_du_mcc
Asservissement de vitesse_du_mcc
 
Cours8 Introduction à la représentation d'état
Cours8 Introduction à la représentation d'étatCours8 Introduction à la représentation d'état
Cours8 Introduction à la représentation d'état
 
Presentation de projet en Automatiqie (regulation par PID)
Presentation de projet en Automatiqie (regulation par PID)Presentation de projet en Automatiqie (regulation par PID)
Presentation de projet en Automatiqie (regulation par PID)
 
Sureté de fonctionnement - mis à jours 2017 - Ibtissam EL HASSANI
Sureté de fonctionnement - mis à jours 2017 - Ibtissam EL HASSANISureté de fonctionnement - mis à jours 2017 - Ibtissam EL HASSANI
Sureté de fonctionnement - mis à jours 2017 - Ibtissam EL HASSANI
 
Présentation python
Présentation pythonPrésentation python
Présentation python
 
Systèmes de logiques séquentielles-Bascules
Systèmes de logiques séquentielles-BasculesSystèmes de logiques séquentielles-Bascules
Systèmes de logiques séquentielles-Bascules
 
Rapport stage onee-be_2
Rapport stage onee-be_2Rapport stage onee-be_2
Rapport stage onee-be_2
 
Cours11 Commande dans l'espace d'état
Cours11 Commande dans l'espace d'étatCours11 Commande dans l'espace d'état
Cours11 Commande dans l'espace d'état
 

Destaque

Introduction Au Cours G C
Introduction Au Cours  G CIntroduction Au Cours  G C
Introduction Au Cours G Cpistesil
 
Gestion des connaissances (Knowledge Management)
Gestion des connaissances  (Knowledge Management)Gestion des connaissances  (Knowledge Management)
Gestion des connaissances (Knowledge Management)Hanen Bensaad
 
Le Reseau De Neurones
Le Reseau De NeuronesLe Reseau De Neurones
Le Reseau De Neuronesguestf80d95
 
Introduction To Mycin Expert System
Introduction To Mycin Expert SystemIntroduction To Mycin Expert System
Introduction To Mycin Expert SystemNipun Jaswal
 
Réseaux des neurones
Réseaux des neuronesRéseaux des neurones
Réseaux des neuronesMed Zaibi
 
Optimisation du rendement de la tension de sortie d’un Panneau Photovoltaïque...
Optimisation du rendement de la tension de sortie d’un Panneau Photovoltaïque...Optimisation du rendement de la tension de sortie d’un Panneau Photovoltaïque...
Optimisation du rendement de la tension de sortie d’un Panneau Photovoltaïque...elorf
 
Expert Systems
Expert SystemsExpert Systems
Expert Systemsosmancikk
 
Introduction à la Logique Floue appliquée au Systèmes Décisionnels - Janvier ...
Introduction à la Logique Floue appliquée au Systèmes Décisionnels - Janvier ...Introduction à la Logique Floue appliquée au Systèmes Décisionnels - Janvier ...
Introduction à la Logique Floue appliquée au Systèmes Décisionnels - Janvier ...Franck Dernoncourt
 
Management de l'information et des connaissances - IEAM - Nicolas BOURNEZ DES...
Management de l'information et des connaissances - IEAM - Nicolas BOURNEZ DES...Management de l'information et des connaissances - IEAM - Nicolas BOURNEZ DES...
Management de l'information et des connaissances - IEAM - Nicolas BOURNEZ DES...IEAM-Paris
 
Les Agents Virtuels Intelligents
Les Agents Virtuels IntelligentsLes Agents Virtuels Intelligents
Les Agents Virtuels IntelligentsThomas Bromehead
 
La base de connaissance d'une entreprise
La base de connaissance d'une entrepriseLa base de connaissance d'une entreprise
La base de connaissance d'une entrepriseLouis-Gérard Frégeau
 
Logiciels gatuits pour la gestion des connaissances
Logiciels gatuits pour la gestion des connaissancesLogiciels gatuits pour la gestion des connaissances
Logiciels gatuits pour la gestion des connaissancesPatrice Chalon
 
Introduction à la gestion des connaissances
Introduction à la gestion des connaissancesIntroduction à la gestion des connaissances
Introduction à la gestion des connaissancesPatrice Chalon
 
4 knowledge management
4 knowledge management4 knowledge management
4 knowledge managementHalima Djelil
 

Destaque (20)

Final
FinalFinal
Final
 
Réseaux de neurones
Réseaux de neurones Réseaux de neurones
Réseaux de neurones
 
Introduction Au Cours G C
Introduction Au Cours  G CIntroduction Au Cours  G C
Introduction Au Cours G C
 
Gestion des connaissances (Knowledge Management)
Gestion des connaissances  (Knowledge Management)Gestion des connaissances  (Knowledge Management)
Gestion des connaissances (Knowledge Management)
 
Réseaux neurons
Réseaux neuronsRéseaux neurons
Réseaux neurons
 
Le Reseau De Neurones
Le Reseau De NeuronesLe Reseau De Neurones
Le Reseau De Neurones
 
Introduction To Mycin Expert System
Introduction To Mycin Expert SystemIntroduction To Mycin Expert System
Introduction To Mycin Expert System
 
Réseaux des neurones
Réseaux des neuronesRéseaux des neurones
Réseaux des neurones
 
Les systèmes intelligents
Les systèmes intelligentsLes systèmes intelligents
Les systèmes intelligents
 
Optimisation du rendement de la tension de sortie d’un Panneau Photovoltaïque...
Optimisation du rendement de la tension de sortie d’un Panneau Photovoltaïque...Optimisation du rendement de la tension de sortie d’un Panneau Photovoltaïque...
Optimisation du rendement de la tension de sortie d’un Panneau Photovoltaïque...
 
Expert Systems
Expert SystemsExpert Systems
Expert Systems
 
Expert Systems
Expert SystemsExpert Systems
Expert Systems
 
Introduction à la Logique Floue appliquée au Systèmes Décisionnels - Janvier ...
Introduction à la Logique Floue appliquée au Systèmes Décisionnels - Janvier ...Introduction à la Logique Floue appliquée au Systèmes Décisionnels - Janvier ...
Introduction à la Logique Floue appliquée au Systèmes Décisionnels - Janvier ...
 
Management de l'information et des connaissances - IEAM - Nicolas BOURNEZ DES...
Management de l'information et des connaissances - IEAM - Nicolas BOURNEZ DES...Management de l'information et des connaissances - IEAM - Nicolas BOURNEZ DES...
Management de l'information et des connaissances - IEAM - Nicolas BOURNEZ DES...
 
Les Agents Virtuels Intelligents
Les Agents Virtuels IntelligentsLes Agents Virtuels Intelligents
Les Agents Virtuels Intelligents
 
Projet photovoltaîque
Projet photovoltaîqueProjet photovoltaîque
Projet photovoltaîque
 
La base de connaissance d'une entreprise
La base de connaissance d'une entrepriseLa base de connaissance d'une entreprise
La base de connaissance d'une entreprise
 
Logiciels gatuits pour la gestion des connaissances
Logiciels gatuits pour la gestion des connaissancesLogiciels gatuits pour la gestion des connaissances
Logiciels gatuits pour la gestion des connaissances
 
Introduction à la gestion des connaissances
Introduction à la gestion des connaissancesIntroduction à la gestion des connaissances
Introduction à la gestion des connaissances
 
4 knowledge management
4 knowledge management4 knowledge management
4 knowledge management
 

Semelhante a Logique floue - Implication de Mamdani

Chapitre 2-Concepts de base de l'algorithme-2024.pdf
Chapitre 2-Concepts de base de l'algorithme-2024.pdfChapitre 2-Concepts de base de l'algorithme-2024.pdf
Chapitre 2-Concepts de base de l'algorithme-2024.pdfAdjimbawNDIAYE
 
Initiation à l'algorithmique
Initiation à l'algorithmiqueInitiation à l'algorithmique
Initiation à l'algorithmiqueAbdoulaye Dieng
 
Initiation à l'algorithmique
Initiation à l'algorithmiqueInitiation à l'algorithmique
Initiation à l'algorithmiqueAbdoulaye Dieng
 
Logique Floue les méthode de logique flou
Logique Floue les méthode  de logique flouLogique Floue les méthode  de logique flou
Logique Floue les méthode de logique flouRaniaTawil
 
CoursAutomatique_machi_d_ostade.pptx
CoursAutomatique_machi_d_ostade.pptxCoursAutomatique_machi_d_ostade.pptx
CoursAutomatique_machi_d_ostade.pptxHassanMoufassih
 

Semelhante a Logique floue - Implication de Mamdani (8)

Chapitre 2-Concepts de base de l'algorithme-2024.pdf
Chapitre 2-Concepts de base de l'algorithme-2024.pdfChapitre 2-Concepts de base de l'algorithme-2024.pdf
Chapitre 2-Concepts de base de l'algorithme-2024.pdf
 
Initiation à l'algorithmique
Initiation à l'algorithmiqueInitiation à l'algorithmique
Initiation à l'algorithmique
 
Chapitre3 conf th
Chapitre3 conf thChapitre3 conf th
Chapitre3 conf th
 
Initiation à l'algorithmique
Initiation à l'algorithmiqueInitiation à l'algorithmique
Initiation à l'algorithmique
 
Logique Floue les méthode de logique flou
Logique Floue les méthode  de logique flouLogique Floue les méthode  de logique flou
Logique Floue les méthode de logique flou
 
Algorithmique
AlgorithmiqueAlgorithmique
Algorithmique
 
CoursAutomatique_machi_d_ostade.pptx
CoursAutomatique_machi_d_ostade.pptxCoursAutomatique_machi_d_ostade.pptx
CoursAutomatique_machi_d_ostade.pptx
 
L'algorithme du Recuit simule
L'algorithme du Recuit simuleL'algorithme du Recuit simule
L'algorithme du Recuit simule
 

Mais de Yassine Zahraoui (7)

BLDC Motors
BLDC MotorsBLDC Motors
BLDC Motors
 
Transformers
TransformersTransformers
Transformers
 
Thyristors
ThyristorsThyristors
Thyristors
 
MOSFETs
MOSFETsMOSFETs
MOSFETs
 
Transistors bipolaires
Transistors bipolairesTransistors bipolaires
Transistors bipolaires
 
DC Motors
DC MotorsDC Motors
DC Motors
 
Induction Motors
Induction MotorsInduction Motors
Induction Motors
 

Logique floue - Implication de Mamdani

  • 2. • La logique floue repose sur la théorie des ensembles flous développée par Zadeh [ZAD 65]. • A coté d'un formalisme mathématique fort développé.
  • 3. • Les notions de température moyenne ou de courant faible sont relativement difficiles à spécifier de manière précise. • On peut définir le degré d'appartenance de la variable température à l'ensemble "faible" comme le "degré de vérité" de la proposition "la température est faible".
  • 4. • En logique booléenne, le degré d'appartenance ( μ ) ne peut prendre que deux valeurs ( 0 ou 1 ). La température peut être : • Elle ne peut pas s’appartenir à deux ensembles ou plus à la fois.
  • 5. • En logique floue, le degré d'appartenance devient une fonction qui peut prendre une valeur réelle comprise entre 0 et 1 inclus. • Le degré d’appartenance permet de quantifier le fait que la température puisse être considérée comme moyenne. • Dans ce cas, la température peut être considérée, à la fois, comme faible avec un degré d'appartenance de 0,2 et comme moyenne avec un degré d'appartenance de 0,8 ( figure 1.2 ).
  • 6. • L'univers de discours est l'ensemble des valeurs réelles que peut prendre la variable floue x et μA(x) est le degré d'appartenance de l'élément x à l'ensemble flou A ( figure 1.3 ).
  • 7. • Dans notre exemple, la variable floue est la température, l'univers de discours est l'ensemble des réels de l'intervalle [0, 40]. On attribue à cette variable trois sous-ensembles flous: faible, moyenne et élevée. Chacun est caractérisé par sa fonction degré d'appartenance:
  • 8. • On peut définir la fonction degré d'appartenance μmoyenne sur tout l'univers de discours :
  • 9. • Inférence : Les règles que décrit ce tableau sont ( sous forme symbolique ) : SI ( T est F ET V est F ) ALORS U=Z OU SI ( T est M ET V est F ) ALORS U=P OU SI ( T est E ET V est F ) ALORS U=GP OU SI ( T est F ET V est E ) ALORS U=Z OU SI ( T est M ET V est E) ALORS U=Z OU SI ( T est E ET V est E) ALORS U=P
  • 10. Méthode d'inférence Max-Min • Cette méthode réalise l'opérateur "ET" par la fonction "Min", la conclusion "ALORS" de chaque règle par la fonction "Min" et la liaison entre toutes les règles (opérateur "OU") par la fonction Max. • La dénomination de cette méthode, dite Max- Min ou "implication de Mamdani", est due à la façon de réaliser les opérateurs ALORS et OU de l'inférence.
  • 11. • Reprenons l'exemple SI (T est M ET V est F) ALORS U=P OU SI (T est E ET V est F) ALORS U=GP où seulement deux règles sont activées :
  • 12. Exemple d’application: • Pour mieux illustrer le concept d'un contrôleur flou, on comparera la performance d'un contrôleur PID classique avec le contrôleur flou. Le système sous étude est le suivant: • En utilisant les méthodes classiques, on trouve que le contrôleur PID idéal a les valeurs suivantes: • On utilisera la réponse à une entrée échelon du système avec PID pour comparer la performance.
  • 13. • Le système avec contrôleur flou et contrôleur PID devrait être le suivant:
  • 14. • Pour le système simple sous étude, on n’utilise que l'erreur comme variable de contrôle. • On a donc un système très simple, avec une entrée et une sortie. Dans plusieurs systèmes flous, on utilise aussi la dérivée de l'erreur, et on obtient alors un système à deux entrées, une sortie. • Il faut utiliser un peu de jugement dans le design du contrôleur flou. Il ne faut pas simplement créer des fonctions d'appartenance de toute façon. Il faut quand même étudier le système en détail. • Une chose importante à remarquer est la valeur finale du système en boucle ouverte. Ceci déterminera la sortie du contrôleur quand l'erreur est nulle. Pour le système sous étude, la valeur finale due à une entrée échelon unitaire est:
  • 15. • La valeur finale est donc 0.5. Le contrôleur devra donc avoir un gain de • Il faut aussi bien choisir les limites du système (limites de l'entrée et de la sortie). Dans ce cas-ci, l'entrée utilisée est une entrée échelon unitaire. On choisit donc de développer les fonctions d'appartenance du contrôleur flou pour l'entrée entre -1 et +1.
  • 16. • Résultats de simulation: - Un régulateur flou est plus performant que celui PID classique.