Un processus d'apprentissage hybride pour la base de connaissances d'un système basé sur des règles floues

Abstract

Dans es systèmes bases sur les règles floues, la dérivation automatique des règles floues linguistiques a partir des données numériques est une tâche importante .Ces derniers temps, plusieurs contributions ont été proposées dans la littérature pour faire face a ce problème, tels que les réseaux de neurones, les algorithmes génétiques et les méthodes Adhoc-Data-Driven, etc. Dans cette thèse nous introduisons une nouvelle approche pour l'apprentissage des règles floues avec des algorithmes d'optimisation par colonie de fourmis (ACO). Pour ainsi faire, cette tâche d'apprentissage sera formulée comme un problème d'optimisation combinatoire. Notre processus d'apprentissage sera base sur une méthodologie des règles coopératives (COR), dont ont fournit un espace de recherche qui nous permet d'obtenir des systèmes flous avec une bonne interopérabilité et une bonne exactitude. Un spécifique algorithme de colonie de fourmis, le meilleur- mauvais système de fourmis, BWAS (Best-Worst-Ant-System) sera employé à cette fin, en raison de son efficacité pour la résolution d'une multitude de problèmes d'optimisations.