Méthodologie de conception de contrôleurs intelligents par l'approche génétique. Application à un bioprocédé
Résumé
In this work, the problem of design of fuzzy controllers is studied. In a first part, we present a state of art on the techniques used, namely the genetic algorithms and its various alternatives, the neural networks, fuzzy logic and their hybridizations. Taking support on this state of art, we propose a first design method of the fuzzy controllers of Mamdani by simple genetic algorithms. Thereafter, this method is improved by the use of the hierarchical genetic algorithms. These algorithms allow, by the means of the structure of their chromosomes, a better optimization of the controller parameters while eliminating the incoherent rules which can arise, as well as for the first method, at the end of the optimization process. The last method suggested relates to the synthesis of the fuzzy controllers of Sugeno. It is based on a hybrid procedure of training which proceeds in two stages. During the first stage, the fuzzy controller is represented in the form of a network of multi-layer neural networks, whose parameters are optimized by the algorithm of retro propagation. In the second phase, the parameters obtained at the end of the first phase are extracted and optimized by the NSGA-II according to a coding arranged hierarchically. These methods are applied for control of an alcoholic fermentation process in continuous mode.
Dans ce travail, le problème de conception de contrôleurs flous est étudié. Dans une première partie, on présente un état de l'art sur les techniques utilisées à savoir les algorithmes génétiques et ses différentes variantes, les réseaux de neurones, la logique floue et leurs hybridations. Prenant appui sur cet état de l'art nous proposons une première méthode de conception des contrôleurs flous de Mamdani par algorithmes génétiques simples. Cette méthode est en suite améliorée par l'emploi des algorithmes génétiques hiérarchisés. Ces derniers permettent par le biais de la structure de leurs chromosomes, une meilleure optimisation des paramètres du contrôleur tout en éliminant les règles incohérentes qui peuvent se présenter, comme pour la première méthode, à la fin du processus d'optimisation. La dernière méthode proposée concerne la synthèse des contrôleurs flous de Sugeno. Elle est basée sur une procédure d'apprentissage hybride qui se déroule en deux étapes. Durant la première étape, le contrôleur flou est représenté sous forme d'un réseau de neurones multicouches dont les paramètres sont optimisés par l'algorithme de rétropropagation. Dans la deuxième étape, les paramètres obtenus à l'issue de la première phase sont extraits et optimisés par le NSGA-II suivant un codage hiérarchisé. L'ensemble des ces méthodes est appliqué pour la conduite d'un procédé de fermentation alcoolique en mode continu.