Abstract:
Cette thèse se concentre sur la conception et l’optimisation des systèmes flous de type TSK (Takagi
Sugeno-Kang), en mettant l'accent sur la modélisation et le contrôle des systèmes non linéaires à
l’aide de techniques d’apprentissage automatique et d’algorithmes évolutionnaires. Deux
contributions principales y sont présentées.
La première consiste en une version améliorée de l’algorithme Particle Swarm Optimization (PSO),
spécialement adaptée pour un apprentissage plus efficace des paramètres des systèmes flous. La
seconde propose une hybridation novatrice entre deux algorithmes distincts, visant à réduire et à
optimiser la structure des systèmes flous.
Les résultats expérimentaux et théoriques, présentés en conclusion, démontrent que l’intégration
des algorithmes évolutionnaires dans la conception des systèmes flous TSK constitue une solution
alternative prometteuse pour la gestion des systèmes non linéaires, qu’il s’agisse de cas théoriques
ou d’applications en temps réel.
This thesis focuses on the design and optimization of Takagi-Sugeno-Kang (TSK) fuzzy systems,
with an emphasis on the modelling and control of non-linear systems using machine learning
techniques and evolutionary algorithms. Two main contributions are presented.
The first is an improved version of the Particle Swarm Optimization (PSO) algorithm, specially
adapted for more efficient learning of fuzzy system parameters. The second proposes an innovative
hybridization between two distinct algorithms, aimed at reducing and optimizing the structure of
fuzzy systems.
The experimental and theoretical results presented in the conclusion show that the integration of
evolutionary algorithms in the design of TSK fuzzy systems is a promising alternative solution for
the management of non-linear systems, both in theoretical cases and in real-time applications.
