Ce mémoire présente l'automatisation, par le biais d'un algorithme génétique, du processus de construction de bases de connaissances pour les systèmes d'aide à la décision utilisant la logique floue. L'objectif principal de ce travail est de démontrer que par l'utilisation d'un algorithme génétique, il est possible de générer de façon automatique une base de connaissances sans avoir besoin des services d'un expert, qui doit, généralement, étudier le comportement du fichier de données pour créer son propre modèle.

Le premier chapitre de ce mémoire est une synthèse qui passe en revue, de manière générale, le travail fait dans les chapitres 2, 3 et 4 et présente de façon sommaire la méthode d'optimisation utilisée ainsi que le logiciel de logique floue utilisé comme support d'application à cette méthode.

Le deuxième chapitre consiste en un article dans lequel nous trouvons une revue des principes de base des logiciels d'aide à la décision utilisant la logique floue. L'algorithme génétique, qui est la méthode d'optimisation utilisée pour effectuer la génération automatique des bases de connaissances à partir de données numériques, y est présenté. Les différentes opérations d'évolution effectuées par l'algorithme génétique, la description des différents critères de performance, la structure de l'algorithme génétique, ainsi que la personnalisation de celui-ci par rapport au problème étudié sont présentées. Une explication de la paramétrisation utilisée ainsi que des restrictions que nous nous sommes imposés sont mises en évidence, chose faite dans le but de simplifier le codage.

L'algorithme génétique utilisé dans ce travail évalue chaque nouvelle base de connaissances par rapport à deux critères de performance soit la précision de la base de connaissances quant à la reproduction des donnés numériques et la simplicité de celle-ci, qui, est exprimée par le plus petit nombre possible de règles floues.

Dans cette partie, les résultats de plusieurs essais faits sur des données représentant des surfaces théoriques ainsi que sur des données expérimentales sont présentés et discutés. Il est à noter que tous les exemples pris en considération sont des systèmes à deux entrées et une sortie ce qui les placent dans la catégorie des systèmes MISO-- multiple input single output—.

Le troisième chapitre traite de l'influence des paramètres utilisés dans le processus d'évolution de l'algorithme génétique durant la construction des bases de connaissances. Une revue de ces critères ainsi qu'une classification dans deux catégories principales sont faites, soit:​ les critères d'optimisation et les critères de sélection. À cet effet, des essais sont effectués sur une base de données représentant une surface théorique pour mettre en évidence l'influence de ces critères sur la solution (base de connaissances) finale.

Une application de l'algorithme génétique sur un problème de suivi d'usures des outils est le sujet du quatrième et dernier chapitre. Il s'agit toujours d'un système MISO, mais cette fois avec trois entrées et une sortie. Les résultats obtenus sont comparés avec ceux produits par un réseau neuronique, ainsi que ceux obtenus par le biais d'une construction manuelle de la base de connaissances réalisée par un expert en la matière.

De par les résultats obtenus lors des différentes applications, il ressort que l'une des limitations principales, est la discrétisation des paramètres qui limite la finesse des résultats obtenus. Une discrétisation plus fine permettrait sans doute de trouver des bases de connaissances plus simples et plus précises, mais cela serait fait au détriment du temps d'exécution, car l'espace de recherche (champs des solutions possibles) augmenterait considérablement.

L'algorithme génétique permet de trouver des solutions assez satisfaisantes sans avoir à explorer tout l'espace de recherche ce qui est un avantage certain et un attrait majeur de cette méthode.

This work presents a genetic-based method for the automatic generation of fuzzy knowledge bases used in decision support systems. The main objective in this research is to demonstrate, by the mean of a genetic algorithm, the possibility of generating automatically fuzzy knowledge bases without having to rely on an expert.

The first chapter of this these is a synthesis that present a general overview of the research work done in the chapters 2, 3 and 4, it also presents the optimization method developed through this work along with the fuzzy-logic software used as an application.

The second chapter is a paper containing a brief review of basic principles of fuzzy decision support systems. The genetic algorithm-which is the optimization method used to generate automatically the knowledge bases from numerical data is presented. The different operations made by the genetic algorithm are described along with the different fitness values, the structure of the algorithm and it's customization operations-developed for the sake of the problem under consideration. An explanation of the parameterization and the restrictions taken into consideration are exposed (the restrictions are made for the sake of coding simplicity).

The genetic algorithm used in this work evaluates each knowledge base along two fitness values, namely:​ the approximation accuracy or alternatively the approximation error;​ and the level of complexity-the simplest knowledge bases are those with the fewest number of fuzzy rules-of a knowledge base. The results of several tests made on numerical data that represent different theoretical surfaces are presented and discussed. It is noted that all the examples are two inputs one output, which class them into the MISO category-multiple input single output—.

The third chapter studies the influence of the criteria used in the evolution process of the knowledge bases. A review of those criteria is made along with their classification in two main categories, namely the optimization and selection criteria. Different tests are made with numerical data coming from a theoretical surface in order to enhance the influence of these criteria on the final solution (knowledge base).

An application to a tool monitoring problem is the subject of the fourth and last chapter. It is a MISO system, but this time with three inputs and one output. A comparison is made of the automatically generated knowledge bases with those obtained from a neural network and a manual construction of a knowledge base by an expert.

From the different results of the different applications, an important conclusion can be resorted, which is that the discretization of the parameters represents an important draw-back of this method. A refined discretization can obviously lead to more precise and more simple knowledge bases, but the counterpart is an important increase of the research space (the field of possible solutions).

The genetic algorithm allows certainly to find satisfactory solutions without having to explore the entire field of possible solutions, which is a major and very attractive feature of this method.