Les systèmes génétiques flous permettent de traiter l'imperfection des données du monde réel et de concevoir des systèmes de contrˆole, de diagnostic médical, d'aide à la décision, de fouille de données, etc. Un système génétique flou est un système capable d'apprendre à l'aide d'un algorithme évolutionnaire (stratégies évolutives, programmation évolutive, algorithmes génétiques, programmation génétique, évolution différentielle, etc.). Dans cet article nous proposons une méthode d'apprentissage de règles linguistiques floues fondée sur la programmation génétique. Notre approche permet d'extraire des règles de Mamdani, à partir de grandes bases de données d'entrée - sortie de systèmes. La méthode a été testée dans deux contextes, le premier dans le domaine de la psychologie, le deuxième dans le domaine chimique et le traitement des eaux usées. Genetic Fuzzy Systems have proven to be practical tools for handling uncertainty in the real world and the design of control systems, medical diagnosis, decision making, data mining, etc.. A genetic fuzzy system is a fuzzy system with layers of learning with an evolutionary algorithm (evolutionary strategies, evolutionary programming, genetic algorithms, genetic programming, differential evolution, etc.). In this paper we propose a learning method of fuzzy linguistic rules supported by genetic programming. Our approach is to identify the Mamdani type fuzzy rules from large databases of input - output of the subsystems tarjet, this independently of the implementation of such systems. The method was tested in two experiments, the first in the field of psychology, the second in chemical and wastewater treatment.
Dans cet article, nous proposons un cadre pour traiter deux grands problèmes lors de l'extraction de motifs graduels basée sur les ordres flous et sur le coefficient de corrélation de rang gamma flou. Les problématiques abordées sont i) la consommation mémoire et ii) la précision, la représentation, et le stockage efficace des degrés de concordance floue de chaque paire d'indices (i, j) par rapport à la perte ou le gain de puissance de calcul. Dans ce contexte, notre approche implique l'utilisation d'une technique dédiée au traitement des matrices creuses (afin d'éviter le stockage des valeurs zéro) et une vaste gamme de représentations de précision variable (de 1 à 64 bits). In this paper we introduce a framework to address two major problems in gradual itemset mining based on fuzzy orderings and fuzzy gamma rank correlation. The issues addressed are : 1) the high memory consumption, 2) the precision, representation and efficient storage of the fuzzy concordance degrees of each index pair (i,j) versus the loss or gain of computing power. In this context, our approach involves the use of a dedicated technique for handling sparse matrices (in order to avoid the storage of zero values) and a wide range of representations of precision from 2 to 64 bits.