Vous êtes sur la page 1sur 294

Optimisation

multiobjectif

DANS LA MME COLLECTION


G. DREYFUS et al. Rseaux de neurones. Mthodologie et applications. N11019, 2002, 380 pages. A. CORNUJOLS, L. MICLET. Apprentissage artificiel. Concepts et algorithmes. N11020, 2002, 638 pages. C. GURET, C. PRINS, M. SEVAUX. Programmation linaire. 65 problmes doptimisation modliss et rsolus avec Visual XPress. N9202, 2000, 365 pages, avec CD-ROM.

CHEZ LE MME DITEUR M. GONDRAN, M. MINOUX. Graphes et algorithmes. N1571, 1995, 622 pages. A. CARDON. Conscience artificielle et systmes adaptatifs. N9124, 2000, 384 pages. W. MINKER, S. BENNACEF. Parole et dialogue homme-machine. N5824, 2000, 212 pages. BOURDA. Introduction linformatique thorique. N1642, 1994, 236 pages.

Yann Collette - Patrick Siarry

Optimisation

multiobjectif

DITIONS EYROLLES 61, Bld Saint-Germain 75240 Paris Cedex 05 www.editions-eyrolles.com

Le code de la proprit intellectuelle du 1er juillet 1992 interdit en effet expressment la photocopie usage collectif sans autorisation des ayants droit. Or, cette pratique sest gnralise notamment dans les tablissement denseignement, provoquant une baisse brutale des achats de livres, au point que la possibilit LE PHOTOCOPILLAGE mme pour les auteurs de crer des uvres nouvelles et de les faire diter corTUE LE LIVRE rectement est aujourdhui menace. En application de la loi du 11 mars 1957, il est interdit de reproduire intgralement ou partiellement le prsent ouvrage, sur quelque support que ce soit, sans autorisation de lditeur ou du Centre Franais dExploitation du Droit de Copie, 20, rue des Grands-Augustins, 75006 Paris.

DANGER

Groupe Eyrolles, 2002, ISBN 2-212-11168-1

Optimisation Multiobjectif

Yann Collette1 , Patrick Siarry2

Professeur agrg, ancien lve de lENS de Cachan doctorant Electricit de France,Clamart

Professeur lUniversit de Paris XII Val-de-Marne

Table des matires


Avant-propos I
1 1

Principe des mthodes doptimisation multiobjectif


Introduction : optimisation multiobjectif et dominance 1.1 Quest-ce quun problme doptimisation ? . . . . . . . . . . . . . . . . 1.2 Vocabulaire et dnitions . . . . . . . . . . . . . . . . . . . . . . . . . 1.3 La classication des problmes doptimisation . . . . . . . . . . . . . . 1.4 Loptimisation multiobjectif . . . . . . . . . . . . . . . . . . . . . . . 1.5 La multiplicit des solutions . . . . . . . . . . . . . . . . . . . . . . . 1.6 La dominance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.6.1 Introduction et dnitions . . . . . . . . . . . . . . . . . . . . 1.6.2 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.6.3 Le dimensionnement dune barre . . . . . . . . . . . . . . . . 1.6.3.1 Une barre pleine de section carre . . . . . . . . . . . 1.6.3.2 Une barre creuse de section carre . . . . . . . . . . 1.7 Illustration de lintrt de loptimisation multiobjectif . . . . . . . . . 1.8 Les relations drives de la dominance . . . . . . . . . . . . . . . . . . 1.8.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.8.2 Optimalit lexicographique . . . . . . . . . . . . . . . . . . . . 1.8.3 Optimalit extrme . . . . . . . . . . . . . . . . . . . . . . . . 1.8.4 Optimalit maximale . . . . . . . . . . . . . . . . . . . . . . . 1.8.5 La cne optimalit . . . . . . . . . . . . . . . . . . . . . . . . 1.8.6 La a-dominance . . . . . . . . . . . . . . . . . . . . . . . . . . 1.8.7 La dominance au sens de Geoffrion . . . . . . . . . . . . . . . 1.8.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.9 La surface de compromis . . . . . . . . . . . . . . . . . . . . . . . . . 1.10 La convexit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.11 La reprsentation de la surface de compromis . . . . . . . . . . . . . . 1.12 Les mthodes de rsolution des problmes doptimisation multiobjectif 1.13 Bibliographie commente . . . . . . . . . . . . . . . . . . . . . . . . . Les mthodes scalaires 2.1 La mthode de pondration des fonctions objectif . 2.2 La mthode de Keeney-Raiffa . . . . . . . . . . . 2.3 La mthode de la distance un objectif de rfrence 2.4 La mthode du compromis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

13
15 15 16 17 18 18 19 19 21 24 24 26 28 30 30 30 30 31 32 34 35 35 36 37 38 39 40 41 41 47 48 52

Table des matires 2.5 2.6 2.7 2.8 2.9 2.10 2.11 2.12 2.13 3 Les mthodes hybrides . . . . . . . . . . . . . La mthode dite du but atteindre . . . . . . La mthode dite du but programm . . . . . Lordonnancement lexicographique . . . . . . . La mthode des contraintes dgalit propres . La mthode des contraintes dingalit propres Lalgorithme de Lin-Tabak . . . . . . . . . . . Lalgorithme de Lin-Giesy . . . . . . . . . . . Bibliographie commente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 57 61 63 64 67 69 70 70 73 73 73 76 82 84 88 91 94 95 95 95 96 98 102 105 105 105 105 107 108 110 114 114 118 119 121 129 131 131 133 133 134 135 135 135 136

Les mthodes interactives 3.1 Introduction . . . . . . . . . . . . . . . . . 3.2 La mthode du compromis par substitution . 3.3 La mthode de Fandel . . . . . . . . . . . . 3.4 La mthode STEP . . . . . . . . . . . . . . 3.5 La mthode de Jahn . . . . . . . . . . . . . 3.6 La mthode de Geoffrion . . . . . . . . . . 3.7 La mthode du simplex . . . . . . . . . . . 3.8 Bibliographie commente . . . . . . . . . . Les mthodes oues 4.1 Introduction la logique oue . . . . . . 4.1.1 Parallle avec la logique classique 4.1.2 La fonction dappartenance . . . . 4.2 La mthode de Sakawa . . . . . . . . . . 4.3 La mthode de Reardon . . . . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

Les mthodes exploitant une mtaheuristique 5.1 Quest-ce quune mtaheuristique ? . . . . . . . . . . . . . . . . . . . . 5.2 Dcomposition des tches en optimisation . . . . . . . . . . . . . . . . 5.3 Gnralits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.4 Le recuit simul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.4.1 La mthode P.A.S.A (Pareto Archived Simulated Annealing) . . 5.4.2 La mthode M.O.S.A (Multiple Objective Simulated Annealing) 5.5 La recherche Tabou . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.6 Les algorithmes gntiques . . . . . . . . . . . . . . . . . . . . . . . . 5.7 Loptimisation multiobjectif et les algorithmes gntiques . . . . . . . . 5.7.1 Les mthodes non agrgatives . . . . . . . . . . . . . . . . . 5.7.2 Les mthodes agrgatives . . . . . . . . . . . . . . . . . . . 5.8 Bibliographie commente . . . . . . . . . . . . . . . . . . . . . . . . . Les mthodes daide la dcision 6.1 Introduction . . . . . . . . . . . . . . . . . . 6.2 Dnitions . . . . . . . . . . . . . . . . . . . 6.2.1 Les relations dordre et dquivalence 6.2.2 Les relations de prfrence . . . . . . 6.2.3 Dnition dun critre . . . . . . . . 6.2.4 Analyse . . . . . . . . . . . . . . . . 6.3 Les diffrentes mthodes . . . . . . . . . . . 6.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . .

II

Table des matires

6.4

6.3.1.1 Notations . . . . . . 6.3.1.2 La reprsentation . 6.3.2 La mthode ELECTRE I . . . 6.3.3 La mthode ELECTRE IS . . 6.3.4 La mthode ELECTRE II . . 6.3.5 La mthode ELECTRE III . . 6.3.6 La mthode ELECTRE IV . . 6.3.7 La mthode ELECTRE TRI . 6.3.8 La mthode PROMETHEE I . 6.3.9 La mthode PROMETHEE II Bibliographie commente . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

136 136 138 145 146 153 159 161 164 168 168

II
7

Evaluation des mthodes et critres de choix


La mesure des performances 7.1 Introduction . . . . . . . . . . . . . . . . . 7.2 Rapport derreur . . . . . . . . . . . . . . . 7.3 Distance gnrationnelle . . . . . . . . . . 7.4 Mtrique STDGD . . . . . . . . . . . . . . 7.5 Erreur maximale la surface de compromis 7.6 Hypersurface et rapport dhypersurface . . 7.7 Espacement . . . . . . . . . . . . . . . . . 7.8 Mtrique HRS . . . . . . . . . . . . . . . . 7.9 Ensemble des vecteurs non domins ultimes 7.10 Mesure de la progression . . . . . . . . . . 7.11 Gnration de vecteurs non domins . . . . 7.12 Ajout de vecteurs non domins . . . . . . . 7.13 Vagues . . . . . . . . . . . . . . . . . . . . 7.14 Mtriques de Zitzler . . . . . . . . . . . . . 7.14.1 Les mtriques relatives . . . . . . . 7.14.2 Les mtriques absolues . . . . . . 7.15 Mtrique de Laumanns . . . . . . . . . . . 7.16 Bibliographie commente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

171
173 173 174 176 177 178 180 182 184 184 185 186 186 187 188 188 190 191 192 193 193 193 194 196 197 198 199 199 201 203 205 206 207

Les fonctions de test des mthodes doptimisation multiobjectif 8.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 8.2 Les problmes tests de Deb . . . . . . . . . . . . . . . . . . 8.2.1 La fonction non convexe de Deb . . . . . . . . . . . 8.2.2 La fonction discontinue de Deb . . . . . . . . . . . 8.2.3 La fonction multifrontale de Deb . . . . . . . . . . . 8.2.4 La fonction non uniforme de Deb . . . . . . . . . . 8.3 Les problmes tests de Hanne . . . . . . . . . . . . . . . . . 8.3.1 La fonction linaire de Hanne . . . . . . . . . . . . 8.3.2 La fonction convexe de Hanne . . . . . . . . . . . . 8.3.3 La fonction non convexe de Hanne . . . . . . . . . . 8.3.4 La fonction discontinue de Hanne . . . . . . . . . . 8.3.5 La fonction plusieurs zones efcaces de Hanne . . 8.4 Bibliographie commente . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

Table des matires 9 Tentatives de classication des mthodes doptimisation multiobjectif 9.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.2 Classication mathmatique des mthodes doptimisation . . . . . . . . . 9.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.2.2 La formule de classication de Erghott . . . . . . . . . . . . . . . . 9.2.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.3 La classication hirarchique des mthodes doptimisation multiobjectif . . . 9.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.3.2 Une hirarchie graphique . . . . . . . . . . . . . . . . . . . . . . . . 9.3.2.1 Une hirarchie pour le traitement du problme multiobjectif 9.3.2.2 Une hirarchie pour les interactions . . . . . . . . . . . . . 9.3.2.3 Une hirarchie pour les mthodes doptimisation . . . . . . 9.3.2.4 Comment exploiter cette hirarchie . . . . . . . . . . . . . 9.3.3 Classication de quelques mthodes . . . . . . . . . . . . . . . . . . 9.3.4 Comment choisir une mthode . . . . . . . . . . . . . . . . . . . . . 209 209 210 210 210 212 212 212 213 213 215 215 217 218 219

III

Etudes de cas
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

223
225 225 225 227 229 233 234 234 234 235 235 235 235 236 236 236 236 236 236 237 237 237 237 238 238 239 239 239 239

10 Etude de cas n1 : qualication de code scientique 10.1 Introduction . . . . . . . . . . . . . . . . . . . . 10.2 Description du problme . . . . . . . . . . . . . 10.3 Reprsenter la surface de compromis . . . . . . . 10.4 Conclusion . . . . . . . . . . . . . . . . . . . .

11 Etude de cas n2 : tude de lextension dun rseau de tlcommunications 11.1 Rseau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11.2 Critres de choix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11.2.1 Paramtres permettant la modlisation de la disponibilit . . . . . . 11.2.2 Lien entre la disponibilit et le cot . . . . . . . . . . . . . . . . . 11.2.3 Cots . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11.2.3.1 Les cots dinvestissement . . . . . . . . . . . . . . . . 11.2.3.2 Les cots de maintenance/gestion . . . . . . . . . . . . . 11.2.3.3 Les cots lis lactivit conomique du rseau (rentabilit, pnalits) . . . . . . . . . . . . . . . . . . . . . . . 11.3 Etude dune extension du rseau . . . . . . . . . . . . . . . . . . . . . . . 11.3.1 Problmatique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11.3.2 Modlisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11.3.2.1 Variables . . . . . . . . . . . . . . . . . . . . . . . . . . 11.3.2.2 Critres . . . . . . . . . . . . . . . . . . . . . . . . . . 11.3.2.3 Contraintes . . . . . . . . . . . . . . . . . . . . . . . . . 11.3.3 Donnes ncessaires . . . . . . . . . . . . . . . . . . . . . . . . . 11.3.3.1 Infrastructure ge du rseau . . . . . . . . . . . . . . . 11.3.3.2 Infrastructure variable du rseau . . . . . . . . . . . . . 11.3.3.3 Matrice de demandes . . . . . . . . . . . . . . . . . . . 11.4 Mthodologie de rsolution . . . . . . . . . . . . . . . . . . . . . . . . . . 11.4.1 Dnition dune solution admissible . . . . . . . . . . . . . . . . . 11.4.2 Algorithme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11.4.2.1 Initialisation 1 : codage . . . . . . . . . . . . . . . . . . 11.4.2.2 Initialisation 2 : gnration dune solution initiale . . . .

. . . . . . . . . . . . . . . . . . . . . . .

Table des matires 11.4.2.3 Evaluation 1 : calcul de la solution courante . 11.4.2.4 Evaluation 2 : situation de cette solution par front de Pareto courant . . . . . . . . . . . . 11.4.2.5 Slection . . . . . . . . . . . . . . . . . . . . 11.4.2.6 Reproduction . . . . . . . . . . . . . . . . . 11.4.2.7 Critre darrt . . . . . . . . . . . . . . . . . 11.4.2.8 Algorithme global . . . . . . . . . . . . . . . 11.5 Rsultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . rapport au . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239 . . . . . . . 241 242 242 242 243 244 244

12 Etude de cas n3 : outils dcisionnels multicritres pour le traitement des appels doffres 247 12.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247 12.2 Modle de premire gnration . . . . . . . . . . . . . . . . . . . . . . . . . 247 12.2.1 Mission du modle . . . . . . . . . . . . . . . . . . . . . . . . . . . 247 12.2.2 Les critres du modle de premire gnration . . . . . . . . . . . . 248 12.2.3 Evolution du modle de premire gnration . . . . . . . . . . . . . 250 12.3 Comprendre les insufsances du modle de premire gnration . . . . . . . 251 12.3.1 Exemples de critres non discriminants . . . . . . . . . . . . . . . . 252 12.3.2 Critres inoprants de par la mthode de notation . . . . . . . . . . . 253 12.3.3 Critres qui sont en fait des contraintes . . . . . . . . . . . . . . . . 254 12.4 Modle de deuxime gnration . . . . . . . . . . . . . . . . . . . . . . . . 256 12.4.1 Principe de reconstruction du modle . . . . . . . . . . . . . . . . . 256 12.4.2 Abandon du principe de modle unique . . . . . . . . . . . . . . . . 257 12.4.3 Architecture des familles de modles . . . . . . . . . . . . . . . . . 257 12.4.4 Critres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258 12.4.5 Paramtrage du modle . . . . . . . . . . . . . . . . . . . . . . . . . 260 12.4.6 Performance du modle . . . . . . . . . . . . . . . . . . . . . . . . 260 12.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261

Conclusion Bibliographie Index

263 267 280

Avant-propos
Les ingnieurs se heurtent quotidiennement des problmes technologiques de complexit grandissante, qui surgissent dans des secteurs trs divers, comme dans le traitement des images, la conception de systmes mcaniques, la recherche oprationnelle et llectronique. Le problme rsoudre peut frquemment tre exprim sous la forme gnrale dun problme doptimisation, dans lequel on dnit une fonction objectif, ou fonction de cot (voire plusieurs), que lon cherche minimiser par rapport tous les paramtres concerns. Par exemple, dans le clbre problme du voyageur de commerce, on cherche minimiser la longueur de la tourne dun voyageur de commerce, qui doit visiter un certain nombre de villes, avant de retourner la ville de dpart. La dnition du problme doptimisation est souvent complte par la donne de contraintes : tous les paramtres (ou variables de dcision) de la solution propose doivent respecter ces contraintes, faute de quoi la solution nest pas ralisable. Il existe de nombreuses mthodes doptimisation classiques pour rsoudre de tels problmes, applicables lorsque certaines conditions mathmatiques sont satisfaites : ainsi, la programmation linaire traite efcacement le cas o la fonction objectif, ainsi que les contraintes, sexpriment linairement en fonction des variables de dcision. Malheureusement, les situations rencontres en pratique comportent souvent une ou plusieurs complications, qui mettent en dfaut ces mthodes : par exemple, la fonction objectif peut tre non linaire, ou mme ne pas sexprimer analytiquement en fonction des paramtres ; ou encore, le problme peut exiger la considration simultane de plusieurs objectifs contradictoires. Pour clarier lanalyse, on peut sintresser sparment deux domaines, loptimisation multiobjectif et loptimisation difcile, qui mettent laccent sur deux sources diffrentes de complications. Le premier domaine, auquel cet ouvrage est consacr, traite le cas de la prsence simultane de plusieurs objectifs, tandis que le second analyse les difcults inhrentes aux proprits mmes de chaque fonction objectif. Nous verrons que les deux aspects sont souvent lis en pratique. Avant de se focaliser sur loptimisation multiobjectif, il est ncessaire dexpliciter maintenant davantage le cadre de loptimisation difcile.

Optimisation difcile
On distingue en ralit deux types de problmes doptimisation : les problmes combinatoires (ou problmes discrets) et les problmes variables continues. Pour clarier, citons quelques exemples : parmi les problmes combinatoires, on trouve le problme du voyageur de commerce mentionn plus haut, ou encore celui de lordonnancement de tches concourant un mme projet. Deux exemples de problmes continus sont les suivants : lidentication des paramtres dun modle associ un composant lectronique, partir de donnes exprimentales caractrisant celui-ci ; la restauration optimale dune image, partir dune image brouille. 1

Avant-propos Cette diffrenciation est ncessaire pour cerner le domaine de loptimisation difcile. En effet, deux sortes de problmes reoivent, dans la littrature, cette appellation, non dnie strictement (et lie, en fait, ltat de lart en matire doptimisation) : certains problmes doptimisation combinatoire, pour lesquels on ne connat pas dalgorithme exact rapide. Cest le cas, en particulier, des problmes dits NP-difciles, cest--dire - schmatiquement - dont la rsolution exacte nest pas possible en un temps de calcul proportionnel N n , o N dsigne le nombre de paramtres inconnus du problme, et n est un entier. certains problmes doptimisation variables continues, pour lesquels on ne connat pas dalgorithme permettant de reprer un optimum global coup sr et en un nombre ni de calculs. Des efforts ont longtemps t mens, sparment, pour rsoudre ces deux types de problmes difciles. Dans le domaine de loptimisation continue, il existe ainsi un arsenal important de mthodes classiques dites doptimisation globale, mais ces techniques sont souvent inefcaces si la fonction objectif ne possde pas une proprit structurelle particulire, telle que la convexit. Dans le domaine de loptimisation combinatoire, un grand nombre dheuristiques, qui produisent des solutions proches de loptimum, ont t dveloppes ; mais la plupart dentre elles ont t conues spciquement pour un problme donn.

Mtaheuristiques
Larrive dune nouvelle classe de mthodes, nommes mtaheuristiques, marque une rconciliation des deux domaines : en effet, celles-ci sappliquent toutes sortes de problmes combinatoires, et elles peuvent galement sadapter aux problmes continus. Ces mthodes, qui comprennent notamment la mthode du recuit simul, les algorithmes gntiques, la mthode de recherche tabou, les algorithmes de colonies de fourmis, etc. sont apparues, partir des annes 1980, avec une ambition commune : rsoudre au mieux les problmes doptimisation difcile. Elles ont en commun, en outre, les caractristiques suivantes : elles sont, au moins pour partie, stochastiques : cette approche permet de faire face lexplosion combinatoire des possibilits ; elles sont dorigine combinatoire : elles ont lavantage, dcisif dans le cas continu, dtre directes, cest--dire quelles ne recourent pas au calcul, souvent problmatique, des gradients de la fonction objectif ; elles sont inspires par des analogies : avec la physique (recuit simul, diffusion simule, etc.), avec la biologie (algorithmes gntiques, recherche tabou, etc.) ou avec lthologie (colonies de fourmis, essaims de particules, etc.) ; elles sont capables de guider, dans une tche particulire, une autre mthode de recherche spcialise (par exemple, une autre heuristique, ou une mthode dexploration locale) ; elles partagent aussi les mmes inconvnients : les difcults de rglage des paramtres mmes de la mthode, et le temps de calcul lev. Les mtaheuristiques ne sexcluent pas mutuellement : en effet, dans ltat actuel de la recherche, il est le plus souvent impossible de prvoir avec certitude lefcacit dune mthode donne, quand elle est applique un problme donn. De plus, la tendance actuelle est lmergence de mthodes hybrides, qui sefforcent de tirer parti des avantages spciques dapproches diffrentes en les combinant. Nous verrons que les mtaheuristiques jouent un rle important dans cet ouvrage, car elles ont largement contribu au renouvellement de loptimisation multiobjectif.

Avant-propos Il nous parat intressant, pour clore ces considrations prliminaires sur loptimisation monobjectif difcile, danalyser brivement la source de lefcacit des mtaheuristiques, puis de souligner quelques unes des extensions de ces mthodes. Cette tude nous permettra desquisser une classication gnrale des mthodes doptimisation monobjectif.

Source de lefcacit des mtaheuristiques


Pour faciliter lexpos, prenons un exemple simple de problme doptimisation : celui du placement des composants dun circuit lectronique. La fonction objectif minimiser est la longueur des connexions, et les variables de dcision sont les emplacements des composants du circuit. Lallure de la fonction objectif de ce problme peut tre schmatiquement reprsente comme sur la gure 1, en fonction de la conguration : chaque conguration est un placement particulier, associ un choix de valeur pour chacune des variables de dcision. Lorsque lespace des congurations possibles prsente une structure aussi tourmente, il est difcile de reprer le minimum global c . Nous expliquons ci-dessous lchec dun algorithme itratif classique, avant de commenter la dmarche fructueuse des mtaheuristiques.

Fonction objectif

c0 c1 cn c n

Conguration

F IG . 1 Allure de la fonction objectif dun problme doptimisation difcile en fonction de la conguration.

Pigeage dun algorithme itratif classique dans un minimum local


Le principe dun algorithme classique d amlioration itrative est le suivant : on part dune conguration initiale c0 , qui peut tre choisie au hasard, ou bien - par exemple dans le cas du placement dun circuit lectronique - qui peut tre celle dun concepteur. On essaie alors une modication lmentaire, souvent appele mouvement (par exemple, on permute deux composants choisis au hasard, ou bien on translate lun dentre eux), et lon compare les valeurs de la fonction objectif, avant et aprs cette modication. Si le changement conduit une diminution de la fonction objectif, il est accept, et la conguration c1 obtenue, qui est voisine de la prcdente, sert de point de dpart pour un nouvel essai. Dans le cas contraire, on revient la conguration prcdente avant de faire une autre tentative. Le processus est itr jusqu ce que toute modication rende le rsultat moins bon. La gure 1 montre que cet algorithme damlioration itrative (dsign aussi sous les termes de mthode de descente) ne conduit pas, en gnral, au minimum absolu, mais seulement un minimum local cn , qui constitue la meilleure des solutions accessibles compte tenu de lhypothse initiale. 3

Avant-propos Pour amliorer lefcacit de la mthode, on peut, bien entendu, lappliquer plusieurs fois, avec des conditions initiales diffrentes choisies arbitrairement, et retenir comme solution nale le meilleur des minima locaux obtenus ; cependant, cette procdure augmente sensiblement le temps de calcul de lalgorithme, et ne garantit pas de trouver la conguration optimale c .

Capacit des mtaheuristiques sextraire dun minimum local


Pour surmonter lobstacle des minima locaux, une autre ide sest montre trs fructueuse, au point quelle est la base de toutes les mtaheuristiques dites de voisinage (recuit simul, mthode tabou) : il sagit dautoriser, de temps en temps, des mouvements de remonte, autrement dit daccepter une dgradation temporaire de la situation, lors du changement de la conguration courante. Cest le cas si lon passe de cn cn (gure 1). Un mcanisme de contrle des dgradations - spcique chaque mtaheuristique - permet dviter la divergence du procd. Il devient, ds lors, possible de sextraire du pige que reprsente un minimum local, pour partir explorer une autre valle plus prometteuse. Les mtaheuristiques distribues (telles que les algorithmes gntiques) ont elles aussi des mcanismes permettant la sortie hors dun puits local de la fonction objectif. Ces mcanismes (comme la mutation dans les algorithmes gntiques) affectant une solution viennent, dans ce cas, seconder le mcanisme collectif de lutte contre les minima locaux, que reprsente le contrle en parallle de toute une population de solutions.

Extensions des mtaheuristiques


Nous passons en revue quelques-unes des extensions qui ont t proposes pour faire face des particularits de loptimisation.

Adaptation aux problmes variables continues


Ces problmes, de loin les plus courants en ingnierie, intressent moins les informaticiens. La plupart des mtaheuristiques, dorigine combinatoire, ont t cependant adaptes au cas continu, ce qui suppose notamment le recours une stratgie de discrtisation des variables : le pas de discrtisation doit sadapter en cours doptimisation, pour garantir la fois la rgularit de la progression vers loptimum et la prcision du rsultat.

Paralllisation
De multiples modes de paralllisation ont t proposs pour les diffrentes mtaheuristiques. Certaines techniques se veulent gnrales ; dautres, en revanche, tirent avantage des particularits du problme. Ainsi, dans les problmes de placement de composants, les tches peuvent tre rparties naturellement entre plusieurs processeurs : chacun deux est charg doptimiser une zone gographique donne et des informations sont changes priodiquement entre processeurs voisins.

Optimisation multimodale
Il sagit cette fois de dterminer tout un jeu de solutions optimales, au lieu dun optimum unique. Les algorithmes gntiques sont particulirement bien adapts cette tche, de par leur nature distribue. Les variantes de type multipopulation exploitent en parallle plusieurs populations, qui sattachent reprer des optima diffrents. 4

Avant-propos

Les mthodes hybrides


Aprs le triomphalisme des dbuts des tenants de telle ou telle mtaheuristique, lheure est venue de faire un bilan raliste et daccepter la complmentarit de ces nouvelles mthodes entre elles, ainsi quavec dautres approches : do lmergence actuelle de mthodes hybrides.

Classication monobjectif

gnrale

des

mthodes

doptimisation

Pour tenter de rcapituler les considrations prcdentes, nous proposons la gure 2 une classication gnrale des mthodes doptimisation monobjectif.

Avant-propos On retrouve, dans ce graphe, les principales distinctions opres plus haut : On diffrencie, en premier lieu, loptimisation combinatoire de loptimisation continue. Pour loptimisation combinatoire, on a recours aux mthodes approches lorsquon est confront un problme difcile ; dans ce cas, le choix est parfois possible entre une heuristique spcialise, entirement ddie au problme considr, et une mtaheuristique. Pour loptimisation continue, on spare sommairement le cas linaire (qui relve notamment de la programmation linaire) du cas non linaire, o lon retrouve le cadre de loptimisation difcile ; dans ce cas, une solution pragmatique peut tre de recourir lapplication rpte dune mthode locale qui exploite, ou non, les gradients de la fonction objectif. Si le nombre de minima locaux est trs lev, le recours une mthode globale simpose : on retrouve alors les mtaheuristiques, qui offrent une alternative aux mthodes classiques doptimisation globale, celles-ci requrant des proprits mathmatiques restrictives de la fonction objectif. Parmi les mtaheuristiques, on peut diffrencier les mtaheuristiques de voisinage, qui font progresser une seule solution la fois (recuit simul, recherche tabou, etc.), et les mtaheuristiques distribues, qui manipulent en parallle toute une population de solutions (algorithmes gntiques, etc.). Enn, les mthodes hybrides associent souvent une mtaheuristique et une mthode locale. Cette coopration peut prendre la simple forme dun passage de relais entre la mtaheuristique et la technique locale, charge dafner la solution. Mais les deux approches peuvent aussi tre entremles de manire plus complexe. Citons quelques exemples de mthodes illustrant ces diffrentes catgories : Mthode exacte : cette mthode va rechercher loptimum global. Pour cela, elle effectue, en gnral, une numration des solutions de lespace de recherche. Par exemple la mthode de Branch and Bound (voir [Hillier et al. 95]) dans laquelle on effectue les tapes suivantes : on divise lespace de recherche en sous-espaces, on cherche une borne minimale en terme de fonction objectif associe chaque sous-espace de recherche, on limine les mauvais sous-espaces, on reproduit les tapes prcdentes jusqu obtention de loptimum global. Cette mthode permet dobtenir loptimum global de manire exacte, sur certains types de problmes. Il nest pas possible dappliquer cette mthode des problmes dont lespace de recherche est de taille trop importante. Mthodes approches : Mthodes Heuristiques : elles sont dveloppes pour rsoudre un type de problme en particulier. Elles ne fonctionnent que sur le type de problme pour lequel elles ont t dveloppes, par exemple (voir [Ausiello et al. 99]) lalgorithme de type First Fit ddi au problme de Bin packing (ou problme de rangement). Mthodes Mtaheuristiques : elles sont fondes sur une ide gnrale (le parallle avec un processus naturel, comme le recuit dun mtal, dans le cas du recuit simul). Elles peuvent sadapter nimporte quel type de problme et donnent de bons rsultats. Par exemple : le recuit simul ou les algorithmes gntiques, qui seront prsents plus loin dans cet ouvrage. Mthodes non-linaires : Globale : 6

Avant-propos
Minimisation ^ dun cout Identification Caractrisation Problme inverse

Optimisation Combinatoire
optimisation difficile Mthode EXACTE (spcialise) Mthode APPROCHEE NON LINEAIRE et souvent non connue analytiquement LINEAIRE Programmation linaire

Continue

Mthode GLOBALE

Mthode LOCALE

HEURISTIQUE spcialise

METAHEURISTIQUE

CLASSIQUE (souvent avec gradients)

AVEC GRADIENTS

SANS GRADIENTS

de VOISINAGE

DISTRIBUEE

Mthode HYBRIDE

SIMPLE

COMPLEXE

F IG . 2 Classication gnrale des mthodes doptimisation monobjectif. Mtaheuristiques : lide directrice sur laquelle repose une mtaheuristique est sufsamment gnrale pour tre transposable facilement aux problmes doptimisation continus. Classiques : ces mthodes peuvent tre considres comme les mthodes de base de loptimisation. Dans cette famille, on trouve la mthode de descente du gradient. Cette mthode, quand elle est applique une fonction convexe, permet de trouver un optimum global. Locale : Avec gradient : ces mthodes exploitent le gradient dune fonction pour effectuer la recherche de loptimum. Quand cette technique est applique un problme doptimisation continue de forme gnrale, il nest en gnral pas possible de trouver loptimum global du problme. On obtient alors un optimum local. Sans gradient : cette famille regroupe une grande diversit de mthodes. Parmi ces mthodes, on peut citer : Les mthodes constructives : on construit la solution une variable aprs lautre, en interdisant de modier une variable dj affecte. Par exemple, la mthode glouton fait partie des mthodes constructives.

Avant-propos Les mthodes stochastiques : elles reposent sur un processus alatoire. Par exemple, on peut citer la mthode de marche alatoire. Dans cette mthode, on tire un point situ dans le voisinage dun point courant et ce point devient alors le point courant, quelle que soit la valeur de la fonction objectif.

Optimisation multiobjectif
La principale difcult que lon rencontre en optimisation monobjectif vient du fait que modliser un problme sous la forme dune quation unique peut tre une tche difcile. Avoir comme but de se ramener une seule fonction objectif peut aussi biaiser la modlisation. Loptimisation multiobjectif autorise ces degrs de libert qui manquaient en optimisation monobjectif. Cette souplesse nest pas sans consquences sur la dmarche suivre pour chercher un optimum notre problme enn modlis. La recherche ne nous donnera plus une solution unique mais une multitude de solutions. Ces solutions sont appeles solutions de Pareto et lensemble de solutions que lon obtient la n de la recherche est la surface de compromis. Cest aprs avoir trouv les solutions du problme multiobjectif que dautres difcults surviennent : il faut slectionner une solution dans cet ensemble. La solution qui sera choisie par lutilisateur va reter les compromis oprs par le dcideur vis--vis des diffrentes fonctions objectif. Le dcideur tant humain, il va faire des choix et lun des buts de loptimisation multiobjectif va tre de modliser les choix du dcideur ou plutt ses prfrences. Pour modliser ces choix, on pourra sappuyer sur deux grandes thories : la thorie de lutilit multi-attribut (voir [Keeney et al. 93]) ; la thorie de laide la dcision (voir [Roy et al. 93]). Ces deux thories ont des approches diffrentes. La premire approche va chercher modliser les prfrences du dcideur, en postulant quimplicitement chaque dcideur cherche maximiser une fonction appele fonction dutilit. Cette approche naccepte pas quil y ait, en n de slection, des solutions ex-aequo. La seconde approche, elle, va chercher reproduire le processus de slection du ou des dcideurs. Pour cela, on sappuiera sur des outils permettant doprer des slections de solutions parmi un ensemble de solutions. Cette approche accepte que lon obtienne des solutions ex-aequo. Lautre difcult laquelle on sera confront avant deffectuer une optimisation sera la slection de la mthode doptimisation. En effet, on peut rpartir les mthodes doptimisation multiobjectif en trois grandes familles. Ces familles sont dnies en fonction de linstant o lon prend la dcision deffectuer ou non un compromis entre fonctions objectif. Nous avons les familles suivantes : Les mthodes doptimisation a priori : Dans ces mthodes, le compromis que lon dsire effectuer entre les diffrentes fonctions objectif a t dtermin avant lexcution de la mthode doptimisation. Pour obtenir la solution de notre problme, il sufra de faire une et une seule recherche et, en n doptimisation, la solution obtenue retera le compromis que lon dsirait effectuer entre les fonctions objectif avant de lancer la recherche. Cette mthode est intressante dans le sens o il suft dune seule recherche pour trouver la solution. Cependant, il ne faut pas oublier le travail de modlisation du compromis qui a t effectu avant dobtenir ce rsultat. Il ne faut pas, non plus, oublier que le 8

Avant-propos dcideur est humain et quil sera susceptible de constater que la solution obtenue en n doptimisation ne le satisfait nalement pas et quil souhaite maintenant, aprs avoir examin cette solution, une solution qui opre un autre compromis entre les fonctions objectif. Les mthodes doptimisation progressive : Dans ces mthodes, on cherchera questionner le dcideur au cours de loptimisation an que celui-ci puisse rorienter la recherche vers des zones susceptibles de contenir des solutions qui satisfassent les compromis quil souhaite oprer entre les fonctions objectif. Ces mthodes, bien quappliquant une technique originale pour modliser les prfrences du dcideur, prsentent linconvnient de monopoliser lattention du dcideur tout au long de loptimisation. Cet inconvnient nest pas majeur lorsque lon a affaire des problmes doptimisation pour lesquels la dure dune valuation de la fonction objectif nest pas importante. Pour les autres problmes, lutilisation dune telle mthode peut tre dlicate. Il est en effet difcile de monopoliser lattention du dcideur pendant une priode qui peut stendre sur plusieurs heures en lui posant, de plus, des questions toutes les dix minutes, voire mme toutes les heures. Les mthodes a posteriori : Dans ces mthodes, on va chercher un ensemble de solutions bien rparties dans lespace de solutions. Le but sera ensuite de proposer ces solutions au dcideur pour quil puisse slectionner la solution qui le satisfait le plus en jugeant les diffrentes solutions proposes. Ici, il nest plus ncessaire de modliser les prfrences du dcideur. On se contente de produire un ensemble de solutions que lon transmettra au dcideur. Il y a donc un gain de temps non ngligeable vis--vis de la phase de modlisation des prfrences de la famille des mthodes a priori. Linconvnient quil nous faut souligner est que, maintenant, il faut gnrer un ensemble de solutions bien rparties. Cette tche est non seulement difcile, mais, en plus, peut requrir un temps dexcution prohibitif. Par rapport loptimisation monobjectif, on remarque que lon a gagn des degrs de libert supplmentaires pour modliser notre problme. Par contre, alors que la slection dune mthode doptimisation monobjectif tait dj difcile du fait de la diversit des mthodes doptimisation disponibles, nous nous trouvons, en optimisation multiobjectif, face une difcult encore plus importante. Ce nouveau type doptimisation a cependant permis de rsoudre avec succs de nombreux problmes doptimisation : dimensionnement de rseaux, optimisation de structure, problmes dordonnancement, etc. Le dynamisme de la communaut de loptimisation multiobjectif montre que le domaine est en pleine expansion : de nouvelles confrences ddies loptimisation multiobjectif voient le jour ; le nombre de publications relatives loptimisation multiobjectif crot rapidement ; lintrt port ce domaine par les industriels est dsormais patent. Dans cet ouvrage, nous prsentons un panorama dtaill, mais non exhaustif, des mthodes doptimisation multiobjectif et de la thorie sy rapportant, et nous prsentons quelques applications.

Avant-propos

Plan de louvrage
Partie I : Principe des mthodes doptimisation multiobjectif Chapitre 1 : Introduction : optimisation multiobjectif et dominance. Nous exposons les diffrentes notions relatives loptimisation multiobjectif travers des exemples simples. La lecture de ce chapitre cl est indispensable la lecture du reste de louvrage. Chapitre 2 : Les mthodes scalaires. Dans ce chapitre sont exposes les mthodes les plus connues de loptimisation multiobjectif. Nous avons cherch illustrer ces mthodes travers des problmes multiobjectifs analytiques trs simples. Quand la rsolution de ces exemples ne permet pas dapprofondir la connaissance de la mthode ( cause de calculs trop lourds par exemple), ces exemples nont pas t traits en dtail. Chapitre 3 : Les mthodes interactives. Les mthodes exposes dans ce chapitre sont certainement les plus difciles apprhender. Elles sont composes de squences faisant appel des mthodes du chapitre 2 et interagissent avec lutilisateur dune manire qui nest pas toujours simple. Ces mthodes tant aujourdhui beaucoup moins utilises dans le domaine des sciences de lingnieur, la lecture de ce chapitre nest pas indispensable. Cependant, les lecteurs intresss par laide la dcision pourront lire ce chapitre car, dans ce domaine, les mthodes interactives ont encore une bonne audience. Chapitre 4 : Les mthodes oues. La logique oue a un certain succs dans le domaine de loptimisation multiobjectif. Elle permet de modliser un dcideur dune manire moins contraignante quavec les outils traditionnels de loptimisation multiobjectif et de laide la dcision. Les notions requises pour la comprhension de ces mthodes sont prsentes en dbut de chapitre. Chapitre 5 : Les mthodes exploitant une mtaheuristique. Ce chapitre mriterait une prsentation plus dtaille qui occuperait un plusieurs volumes. Nous avons pris le parti de prsenter les lments indispensables la comprhension de ce sujet. Nous avons aussi prsent les approches les plus rpandues dans le domaine des sciences de lingnieur. Le lecteur intress trouvera dans la bibliographie une liste de rfrences avec, pour certains articles, des liens permettant leur tlchargement. Chapitre 6 : Les mthodes daide la dcision. Encore un thme qui ncessiterait un plusieurs volumes pour une prsentation exhaustive. Nous avons choisi encore une fois de prsenter les mthodes les plus reprsentatives de ce domaine. La prsentation de ces mthodes sinspire de quelques ouvrages de rfrence. Cependant, le lecteur intress pourra consulter ces ouvrages pour une prsentation dtaille des mthodes. Partie II : Evaluation des mthodes et critres de choix Chapitre 7 : La mesure des performances. Nous avons collect dans ce chapitre des outils permettant de mesurer les performances des mthodes doptimisation multiobjectif. Le fonctionnement de ces outils est illustr sur des exemples simples.

10

Avant-propos Chapitre 8 : Les fonctions de test des mthodes doptimisation multiobjectif. Tout comme loptimisation monobjectif, loptimisation multiobjectif a besoin de problmes permettant dvaluer lefcacit des mthodes. Nous prsentons dabord la famille des problmes tests de Deb. Ceux-ci, trs rpandus, permettent de rgler de nombreux paramtres de lespace de recherche et illustrent trs bien les difcults spciques que lon est susceptible de rencontrer en optimisation multiobjectif. Nous prsentons aussi une famille de problmes tests contraints qui est, lheure actuelle, la seule famille cohrente de problmes tests contraints. Chapitre 9 : Tentatives de classication des mthodes doptimisation multiobjectif. La diversit des mthodes est un atout. Cependant, elle soulve la question suivante : comment choisir une mthode adapte la rsolution dun problme donn ? Ce chapitre propose quelques techniques permettant de lever partiellement cette difcult. Partie III : Etudes de cas Chapitre 10 : Etude de cas n1 : qualication de code scientique par optimisation multiobjectif. Nous commenons ici une prsentation dapplications illustrant lutilisation concrte des mthodes doptimisation multiobjectif dans divers domaines. Ce chapitre traite de la qualication des codes scientiques, cest--dire de la manire de rgler les paramtres dun code scientique pour que les rsultats fournis par celui-ci soient le plus proches possible de la ralit. Le problme est ici rsolu dans lespace des paramtres et non dans lespace des fonctions objectif comme on le fait classiquement. Ce chapitre a t rdig en collaboration avec M. Dumas du CEA. Chapitre 11 : Etude de cas n2 : tude multicritre de lextension dun rseau de tlcommunications. Lapplication illustre dans ce chapitre concerne le dimensionnement dun rseau de tlcommunications. Cest un champ dapplication majeur de loptimisation multiobjectif et particulirement dactualit. Ce chapitre a t rdig par C. Decouchon-Brochet, France Tlcom - Recherche et Dveloppement. Chapitre 12 : Etude de cas n3 : outils dcisionnels multicritres utiliss par EADS Launch Vehicles pour traiter les appels doffres. Dans ce chapitre, une application dune mthode daide la dcision (la mthode ELECTRE TRI) est prsente. Cette application concerne le classement dappels doffres en diffrentes catgories : les appels doffres que lon est sr de gagner, les appels doffres dont lissue est incertaine, les appels doffres que lon est sr de perdre. Ce chapitre a t rdig par J.-M. Contant, J.-L. Bussire et G. Piffaretti de la socit EADS Launch Vehicles. Conclusions : En conclusion, nous rcapitulons les atouts et les difcults de loptimisation multiobjectif, avant de passer en revue quelques perspectives dvolution du domaine.

11

Avant-propos

Plan de lecture
Plusieurs lectures sont possibles : La lecture linaire de louvrage. Nous conseillons ce mode de lecture aux lecteurs dsirant dcouvrir le domaine de loptimisation multiobjectif. La lecture spcique de certaines parties de louvrage. Si le lecteur est plutt intress par certains domaines particuliers comme loptimisation interactive, ou les mthodes doptimisation multiobjectif utilisant des mtaheuristiques, il est possible de faire une lecture au plus court de cet ouvrage. Certains chapitres sont toutefois ncessaires la bonne comprhension dautres chapitres. Nous avons reprsent les plus courts chemins de lecture possibles sur la gure suivante :
Chapitre 1

Chapitre 2 Sections 2.1 2.8

Chapitre 2 Section 2.9 la fin

Chapitre 3

Chapitre 4

Chapitre 5

Chapitre 6

Chapitre 7

Chapitre 8

Chapitre 9

Chapitre 10

Chapitre 11

Chapitre 12

Remerciements
Les auteurs tiennent remercier Electricit de France, Recherche et Dveloppement, qui a accueilli Yann Collette pour la prparation de son doctorat, et qui a autoris la publication de cet ouvrage. Ils adressent galement leurs remerciements toutes les personnes qui ont permis dillustrer louvrage par la prsentation de trois applications industrielles : en particulier, M. Dumas, du CEA, pour sa contribution la rdaction du chapitre 10 ; C. Decouchon-Brochet, de France Tlcom, pour sa rdaction complte du chapitre 11 ; J.-M. Contant, J.-L. Bussire et G. Piffaretti, dEADS Launch Vehicles, pour leur rdaction complte du chapitre 12. Yann Collette tient galement remercier Isabelle et Marie Collette qui lont soutenu constamment, et ont accept avec le sourire les longues heures consacres louvrage. Il souhaite aussi remercier ses collgues de travail de lquipe SINETICS/I29 dEdF R&D, Clamart, pour leur constante bonne humeur, ainsi que pour leurs commentaires toujours pertinents.

12

Premire partie

Principe des mthodes doptimisation multiobjectif

Chapitre 1

Introduction : optimisation multiobjectif et dominance


1.1 Quest-ce quun problme doptimisation ?

Un problme doptimisation se dnit comme la recherche du minimum ou du maximum (de loptimum donc) dune fonction donne. On peut aussi trouver des problmes doptimisation pour lesquels les variables de la fonction optimiser sont contraintes dvoluer dans une certaine partie de lespace de recherche. Dans ce cas, on a une forme particulire de ce que lon appelle un problme doptimisation sous contraintes. Ce besoin doptimisation vient de la ncessit de lingnieur de fournir lutilisateur un systme qui rponde au mieux au cahier des charges. Ce systme devra tre calibr de manire : occuper le volume minimum ncessaire son bon fonctionnement (cot des matires premires), consommer le minimum dnergie (cot de fonctionnement), rpondre la demande de lutilisateur (cahier des charges). Mathmatiquement parlant, un problme doptimisation se prsentera sous la forme suivante : minimiser avec et f ( x) g ( x)0 h (x)=0 (fonction optimiser) (m contraintes dingalit) (p contraintes dgalit)

On a x Rn , g ( x ) Rm et h ( x ) Rp. Ici, les vecteurs g ( x ) et h ( x ) reprsentent respectivement m contraintes dingalit et p contraintes dgalit. Cet ensemble de contraintes dlimite un espace restreint de recherche de la solution optimale. En gnral, on trouve deux types de contraintes dingalit : Des contraintes du type Biin f xi Bisup : les valeurs de x qui vrient ces contraintes dnissent l espace de recherche. Cet espace est reprsent la gure 1.1-a (n = 2). Des contraintes du type c ( x ) 0 ou c ( x ) 0 : les valeurs de x qui vrient ces contraintes dnissent l espace des valeurs ralisables. Cet espace est reprsent la gure 1.1-b (n = 2). 15

Chapitre 1. Introduction : optimisation multiobjectif et dominance S2

x2 B2sup

S1

x2 B2sup

B2in f B1in f
(a) Lespace de recherche

B1sup

x1

B2in f B1in f B1sup


(b) Lespace des valeurs ralisables

x1

F IG . 1.1 Les diffrents espaces de recherche.

1.2

Vocabulaire et dnitions
Fonction objectif : Cest le nom donn la fonction f (on lappelle encore fonction de cot ou critre doptimisation). Cest cette fonction que lalgorithme doptimisation va devoir optimiser (trouver un optimum).

Sauf mention explicite contraire, on supposera dans la suite que la fonction objectif est minimiser. Variables de dcision : Elles sont regroupes dans le vecteur x . Cest en faisant varier ce vecteur que lon recherche un optimum de la fonction f . Minimum global : Un point x est un minimum global de la fonction f si on a : f ( x ) < f ( x ) quel que soit x tel que x= x . Cette dnition correspond au point M3 de la gure 1.2. Minimum local fort : Un point x est un minimum local fort de la fonction f si on a : f ( x ) < f ( x ) quel que soit x V ( x ) et x= x , o V ( x ) dnit un voisi nage de x . Cette dnition correspond aux points M2 et M4 de la gure 1.2. Minimum local faible : Un point x est un minimum local faible de la fonction f si on a : f ( x ) f ( x ) quel que soit x V ( x ) et x= x , o V ( x ) dnit un voisi nage de x . Cette dnition correspond au point M1 de la gure 1.2.

16

1.3 La classication des problmes doptimisation

f (x) M1 M2

M4

M3 x F IG . 1.2 Les diffrents minima.

1.3

La classication des problmes doptimisation

On peut classer les diffrents problmes doptimisation que lon rencontre dans la vie courante en fonction de leurs caractristiques : 1. Nombre de variables de dcision : Une monovariable. Plusieurs multivariable.

2. Type de la variable de dcision : Nombre rel continu continu. Nombre entier entier ou discret. Permutation sur un ensemble ni de nombres combinatoire.

3. Type de la fonction objectif : Fonction linaire des variables de dcision linaire. Fonction quadratique des variables de dcision quadratique. Fonction non linaire des variables de dcision non linaire. 4. Formulation du problme : Avec des contraintes contraint. Sans contraintes non contraint.

Voici un exemple dutilisation de cette classication. Si lon considre le problme de loptimisation des plans de rechargement de combustible nuclaire, on constate que ce problme est : non linaire on na pas de reprsentation explicite du problme. On est oblig dutiliser un code de calcul numrique pour calculer le plus prcisment possible les diffrentes valeurs optimiser ; contraint les lments de combustible ne peuvent pas tre placs nimporte o ; multivariable un plan de rechargement est compos de plusieurs lments de combustible dont les caractristiques sont diffrentes ; combinatoire pour passer un autre plan de rechargement, on permute des lments de combustible dun plan de rechargement.

17

Chapitre 1. Introduction : optimisation multiobjectif et dominance

1.4

Loptimisation multiobjectif

La formulation prcdente tait relative un problme dans lequel on recherchait un optimum pour une fonction objectif ( f dans lexpression prcdente). Cependant, lorsque lon modlise un problme, on cherche souvent satisfaire plusieurs objectifs. Par exemple, on veut un systme performant et on veut aussi que ce systme consomme peu. Dans ce cas, on parle de problme doptimisation multiobjectif (ou problme doptimisation multicritre). Celui-ci scrit de la manire suivante :

minimiser f ( x) avec g ( x)0 et h ( x)=0 n o x R , f ( x ) Rk , g ( x ) Rm et h ( x ) Rp.

On appellera ce problme le problme P dans tout le reste de louvrage. Comme on peut le voir ici, on na plus un seul objectif atteindre, mais k (le vecteur f regroupe k fonctions objectif). Le but que lon se xe dans la rsolution dun problme doptimisation multiobjectif est de minimiser au mieux les diffrents objectifs. Comme on va le voir dans le paragraphe suivant, dans un problme doptimisation multicritre, on rencontre souvent des objectifs contradictoires. Deux objectifs sont contradictoires lorsque la diminution dun objectif entrane une augmentation de lautre objectif.

1.5

La multiplicit des solutions

Lorsque lon cherche obtenir une solution optimale un problme doptimisation multiobjectif donn, on sattend souvent trouver une solution et une seule. En fait, on rencontre rarement ce cas de gure. La plupart du temps, on trouve une multitude de solutions, du fait que certains des objectifs sont contradictoires. En effet, si lon prend lexemple du dimensionnement dune poutre devant supporter une charge donne, on va vouloir obtenir une poutre de section la plus petite possible, produisant la plus petite dformation possible, lorsque la charge repose sur le milieu de la poutre. Dans cet exemple (reprsent la gure 1.3), de manire intuitive, on saperoit que rpondre lobjectif poutre de petite section ne va pas du tout dans le sens de rpondre lobjectif petite dformation (voir [Coello et al. 99] pour la modlisation mathmatique de ce problme). F

F IG . 1.3 Dformation dune poutre subissant une contrainte. 18

1.6 La dominance Donc, quand on rsoudra un problme doptimisation multiobjectif, on obtiendra une grande quantit de solutions. Ces solutions, comme on peut sen douter, ne seront pas optimales, au sens o elles ne minimiseront pas tous les objectifs du problme. Un concept intressant, qui nous permettra de dnir les solutions obtenues, est le compromis. En effet, les solutions que lon obtient lorsque lon a rsolu le problme sont des solutions de compromis. Elles minimisent un certain nombre dobjectifs tout en dgradant les performances sur dautres objectifs.

1.6
1.6.1

La dominance
Introduction et dnitions

Lorsque nous avons rsolu notre problme doptimisation multiobjectif, nous avons obtenu une multitude de solutions. Seul un nombre restreint de ces solutions va nous intresser. Pour quune solution soit intressante, il faut quil existe une relation de dominance entre la solution considre et les autres solutions, dans le sens suivant : Dnition : la relation de dominance On dit que le vecteur x1 domine le vecteur x2 si : x1 est au moins aussi bon que x2 dans tous les objectifs, et, x1 est strictement meilleur que x2 dans au moins un objectif. Les solutions qui dominent les autres mais ne se dominent pas entre elles sont appeles solutions optimales au sens de Pareto (ou solutions non domines). On dnit comme suit loptimalit locale et loptimalit globale au sens de Pareto. Dnition : optimalit locale au sens de Pareto Un vecteur x Rn est optimal localement au sens de Pareto sil existe un rel > 0 tel quil ny ait pas de vecteur x qui domine le vecteur x avec x Rn B ( x , ), o B ( x , ) reprsente une boule de centre x et de rayon . Un vecteur x est donc optimal localement au sens de Pareto sil est optimal au sens de Pareto sur une restriction de lensemble Rn . Cette dnition est illustre par la gure 1.4. Dnition : optimalit globale au sens de Pareto Un vecteur x est optimal globalement au sens de Pareto (ou optimal au sens de Pareto) sil nexiste pas de vecteur x tel que x domine le vecteur x. La diffrence entre cette dnition et celle de loptimalit locale tient dans le fait que lon ne considre plus une restriction de lensemble Rn . Une version graphique de la prcdente dnition utilise le thorme du contact. Dnition : cne ngatif Un cne ngatif est dni dans Rk de la manire suivante : C = x | f ( x ) Rk et f ( x)0

19

Chapitre 1. Introduction : optimisation multiobjectif et dominance f2 Surface de compromis locale

x B f1 F IG . 1.4 Loptimalit locale au sens de Pareto.

Dnition : le thorme du contact Un vecteur x est optimal au sens de Pareto pour un problme doptimisation multiobjectif donn si C + x F = { x} o F dsigne lespace des solutions ralisables. Lutilisation de ce thorme est illustre par la gure 1.5. f2

111111 000000 000000 111111 000000 111111 C + x 000000 111111 000000 111111 000000 111111 11111 00000 00000 11111 C 00000 11111 00000 11111 00000 11111

f1

F IG . 1.5 Le thorme du contact. Lorsque lon applique la dnition de la dominance, on peut dnir quatre rgions auxquelles on peut attribuer des niveaux de prfrence. Ces rgions sont reprsentes la gure 1.6. Cette gure reprend le dcoupage dni par le cne ngatif que lon a introduit prcdemment et ltend tout lespace. Par exemple, si ce graphique est centr sur une solution A et que lon compare cette solution avec une solution B, on aura les possibilits suivantes :

20

1.6 La dominance

f2

Zone dindiffrence

Zone de prfrence f1 Zone dindiffrence

Cne C

111111111 000000000 000000000 111111111 Zone de 000000000 111111111 000000000 111111111 dominance 000000000 111111111 000000000 111111111 000000000 111111111 3 000000000 111111111

F IG . 1.6 Les niveaux de prfrence dans la relation de dominance. si la solution B se trouve dans le quadrant 1, alors la solution A est prfre la solution B; si la solution B se trouve dans le quadrant 3, alors la solution A est domine par la solution B ; si la solution B se trouve dans lun des quadrants 2 ou 4, alors, on ne peut pas se prononcer sur la prfrence de A par rapport B ou de B par rapport A.

1.6.2

Exemple

Pour mieux comprendre ce quest une relation de dominance, nous allons traiter un exemple (voir [Deb 99]). On considre un problme deux objectifs : maximiser f1 et minimiser f2 . Pour ce problme, on trouve un ensemble de solutions. Cet ensemble de solutions est reprsent dans le tableau 1.1. Point A B C D E Objectif f1 8 9 12 11 16 Objectif f2 5 2 1 2 2

TAB . 1.1 Ensemble des solutions dun problme deux objectifs. On reprsente ces points dans le plan f1 , f2 (voir gure 1.7). Nous prsentons dans le tableau 1.2 les comparaisons entre les diffrentes solutions. Prcisons dabord les conventions utilises : La comparaison de deux solutions, soit P et Q, se traduit par un couple, lintersection de la ligne P et de la colonne Q. Ce couple est constitu de deux symboles, respectivement associs aux objectifs f1 et f2 ; chacun de ces symboles peut prendre trois valeurs : +, - ou =, 21

Chapitre 1. Introduction : optimisation multiobjectif et dominance f2 5 4 3 B 2 C 1 2 4 6 8 10 12 14 16 f1 D E

F IG . 1.7 Reprsentation des solutions dans le plan f1 , f2 . selon que P est meilleur, moins bon, ou du mme niveau que Q vis--vis de lobjectif auquel ce symbole est associ. On rappelle que lon cherche maximiser f1 et minimiser f2 . Donc, un point P est meilleur quun point Q du point de vue de lobjectif f1 si f1 (P) est plus grand que f1 (Q) ; un point P est meilleur quun point Q du point de vue de lobjectif f2 si f2 (P) est plus petit que f2 (Q). Voici un exemple de traitement sur les points A et B du tableau 1.1. Effectuons les comparaisons : A est moins bon que B vis--vis de lobjectif f1 . Donc, on attribue le signe - au premier lment du couple de la case [A, B]. A est moins bon que B vis--vis de lobjectif f2 . Donc, on attribue le signe - au second lment du couple de la case [A, B]. Si lon se rfre la dnition prcdente, on conclut que la solution B domine la solution A. A A B C D E (+,+) (+,+) (+,+) (+,+) B (-,-) (+,+) (+,=) (+,=) C (-,-) (-,-) (-,-) (+,-) D (-,-) (-,=) (+,+) (+,=) TAB . 1.3 Classement des solutions de rang 2. E (-,-) (-,=) (-,+) (-,=) A A B D (+,+) (+,+) B (-,-) (+,=) D (-,-) (-,=)

TAB . 1.2 Classement des solutions.

Remarque : Dvidence, les couples situs dans des cases du tableau 1.2 symtriques par rapport la diagonale principale sont complmentaires. Nous allons maintenant chercher extraire les solutions non domines. 1. Considrons le point A, ce point est domin par les points suivants : B(couple (-,-) lintersection de la ligne A et de la colonne B), 22

1.6 La dominance C (couple (-,-) lintersection de la ligne A et de la colonne C), D (couple (-,-) lintersection de la ligne A et de la colonne D) et E (couple (-,-) lintersection de la ligne A et de la colonne E ). 2. Considrons le point B, ce point est domin par les points suivants : C (couple (-,-) lintersection de la ligne B et de la colonne C), D (couple (-,=) lintersection de la ligne B et de la colonne D) et E (couple (-,=) lintersection de la ligne B et de la colonne E ), il domine le point A (couple (+,+) lintersection de la ligne B et de la colonne A). On peut dire que le point A ne fera pas partie des solutions non domines de rang 1 car il est possible de trouver un point (B en loccurrence) qui est meilleur que le point A sur tous les objectifs. 3. Considrons le point C, ce point nest pas domin par le point E (couple (+,-) lintersection de la ligne E et de la colonne C), et il ne domine pas, non plus, le point E (couple (-,+) lintersection de la ligne C et de la colonne E ) : les points C et E sont donc non domins ; il domine les points suivants : A (couple (+,+) lintersection de la ligne C et de la colonne A), B (couple (+,+) lintersection de la ligne C et de la colonne B) et D (couple (+,+) lintersection de la ligne C et de la colonne D). On peut dire que les points A, B et D ne feront pas partie des solutions non domines de rang 1 car il est possible de trouver un point (C en loccurrence) qui soit meilleur que ces deux points sur tous les objectifs. 4. Le point D tant domin, il nest pas ncessaire de le comparer aux autres points. 5. Considrons le point E , ce point nest pas domin par le point C (couple (-,+) lintersection de la ligne C et de la colonne E ), et il ne domine pas non plus le point C (couple (+,-) lintersection de la ligne E et de la colonne C), il domine les points suivants : A (couple (+,+) lintersection de la ligne E et de la colonne A), B (couple (+,=) lintersection de la ligne E et de la colonne B) et D (couple (+,=) lintersection de la ligne E et de la colonne D). On constate que les points E et C sont non domins. Ils dominent les points A, B et D mais ne se dominent pas entre eux. On va, maintenant, sortir ces deux points (E et C) du tableau : ils forment lensemble des points non domins. On peut tablir un classement des solutions en fonction du rang de domination. Dans notre exemple, on attribue le rang 1 (car on a ni la premire comparaison) aux points E et C, parce quils dominent tous les autres points mais ne se dominent pas entre eux. Ces points sont donc des solutions optimales au sens de Pareto de rang 1. On recommence appliquer la rgle sur les lments restants du tableau. Les solutions restantes aprs suppression des points E et C sont reprsentes dans le tableau 1.3. Ce processus sarrte lorsque lensemble des points comparer est vide. La gure 1.8 reprsente les diffrents points et leur rang.

23

Chapitre 1. Introduction : optimisation multiobjectif et dominance Rang 4 f2 5 4 3 2 1 2 4 6 8 10 12 B Rang 3 D E C Rang 2 Rang 1 A

14

16 f1

F IG . 1.8 Les solutions et leurs rangs de Pareto. Le pseudo-code de la fonction dassignation du rang de Pareto est reprsent dans lalgorithme 1.1. Dans cet algorithme, la variable N dsigne le nombre de points de lensemble sur lequel on effectue les comparaisons. Algorithm 1.1 Assignation du rang de Pareto. RangCourant = 1 m=N while N = 0 do For i = 1 to m do If Xi est Non domin Rang(Xi , t ) = RangCourant End For For i = 1 to m do If Rang(Xi , t ) = RangCourant Ranger Xi dans une population temporaire N = N 1 End For RangCourant = RangCourant + 1 m=N End While

1.6.3
1.6.3.1

Le dimensionnement dune barre


Une barre pleine de section carre

Nous allons maintenant traiter plus en dtail notre exemple dintroduction : le dimensionnement dune barre de longueur donne (1 m), reprsente la gure 1.9. On recherche le ct a de la section carre, permettant de minimiser le poids de la barre ainsi que sa dformation lorsquelle est soumise une force de 1000 N applique en son centre.

24

1.6 La dominance 1 mtre

111 000 000 111 000 111 000 111

F IG . 1.9 Une barre pleine de section carre. Comme minimiser le volume dune barre de longueur donne revient minimiser sa section, nous allons exprimer la section et la dformation maximale en fonction de la longueur du ct a. 2 S (a) = a 1103 d (a) = 1000 + 4 192+2105 + a 12 a 0.1 (pour les caractristiques de la barre explicites dans [Spenle et al. 96]) La seule contrainte que nous nous xons est que le ct de la section ne dpasse pas 10 cm. Pour visualiser lallure de lensemble des valeurs ralisables, nous allons choisir un certain nombre de valeurs de a, au hasard, puis nous allons calculer les valeurs des deux objectifs et les tracer dans un plan (S, d ). Cette allure est reprsente la gure 1.10.

La barre pleine
0.3853

Plan S, d

0.3

Dformation d

0.2

0.1

0.003139 0.001

0.003

0.005

0.007

0.009

Section S

F IG . 1.10 Lensemble des valeurs des objectifs pour une barre pleine de section carre. La premire chose que nous pouvons constater sur cette gure est que les deux objectifs sont antagonistes. La minimisation des valeurs dun objectif entrane la maximisation de lautre objectif. En revanche, sur cette gure, on peut voir que toutes les solutions sont non 25

Chapitre 1. Introduction : optimisation multiobjectif et dominance domines. Ceci vient du fait que le problme doptimisation, tel que nous lavons crit, se ramne une simple courbe paramtrique. Le second point que nous pouvons souligner est lintrt de loptimisation multiobjectif par rapport loptimisation monobjectif. En effet, si nous avions effectu une optimisation monobjectif sur ce problme de dimensionnement, nous aurions cherch soit optimiser le volume de la barre, soit optimiser la dformation de cette mme barre. Dans les deux cas, nous aurions obtenu une valeur absurde : une longueur de ct nulle pour la section de la barre (le volume est ainsi minimis outrance) ; une longueur de ct dmesure par rapport la longueur de la barre, dans le cas de loptimisation de la dformation de la barre. En effet, plus la section est importante, moins la barre se dforme. Ce problme de dimensionnement montre que, dans certains cas, un problme doptimisation ne peut pas se ramener un seul objectif. 1.6.3.2 Une barre creuse de section carre

Pour mettre en vidence un autre aspect important de loptimisation multiobjectif, nous allons maintenant lgrement modier le problme en ajoutant un nouveau paramtre. Nous considrons une barre creuse et de section carre. La dimension intrieure est dsigne par la variable b. Les diffrentes variables reprsentatives sont indiques la gure 1.11.

1 mtre

111 000 000 111 000 111 000 111


b

F IG . 1.11 Une barre creuse de section carre. S (a, b) = a2 b2 1103 d (a, b) = 1000 + 4 b4 192+2105 + a 12 a 0.1 b + 0.04 a Pour visualiser lallure de lensemble des solutions ralisables, nous allons choisir un certain nombre de valeurs du couple (a, b), au hasard pour a, b [0, 0.1], puis nous allons calculer les valeurs des deux objectifs et les tracer dans un plan (S, d ). Cette allure est reprsente la gure 1.12. Pour cet exemple, on peut maintenant remarquer que la situation est plus complique. Les diffrentes solutions ne forment plus une simple courbe, nous avons dsormais un vritable ensemble de solutions. La diffrence avec lexemple prcdent est que, maintenant, toutes les solutions de cet ensemble ne se valent pas. Un groupe de solutions dominent les autres. Pour extraire ces solutions, nous allons appliquer la relation de dominance et liminer les points domins. On obtient alors lensemble reprsent la gure 1.13.

26

1.6 La dominance

La barre creuse
Plan S, d
0.13

0.12

0.11

0.1

Dformation d

0.09

0.08

0.07

0.06

0.05

0.04 0.03152 0.004048

0.005

0.006

0.007

0.008

0.009

Section S

F IG . 1.12 Lensemble des valeurs des objectifs pour une barre creuse de section carre.

Les solutions nondomines


Plan S, d
0.13

0.12

0.11

0.1

Dformation d

0.09

0.08

0.07

0.06

0.05

0.04 0.03152 0.004048

0.005

0.006

0.007

0.008

0.009

Section S

F IG . 1.13 Les solutions non domines pour le dimensionnement dune barre creuse de section carre. On peut remarquer que, aprs ltrage des solutions domines, seule une frontire de lensemble de dpart subsiste. Il sagit de la surface de compromis et cest sur cette surface de compromis que lon trouve les meilleures solutions, celles que lon ne pourra pas amliorer sur les deux objectifs.

27

Chapitre 1. Introduction : optimisation multiobjectif et dominance

1.7

Illustration de lintrt de loptimisation multiobjectif

On peut comprendre lintrt deffectuer une optimisation multiobjectif par rapport une optimisation monobjectif en visualisant lamlioration relative dun objectif par rapport un autre sur un problme test simple. Ce problme est le suivant : minimiser minimiser avec et f1 (, x) = 1 cos () + x f2 (, x) = 1 sin () + x 0 2 0x1

La surface de compromis est obtenue en remplaant la variable x par la valeur 0. On a alors lexpression de la surface de compromis : f1 () = 1 cos () f2 () = 1 sin () 0 2 Lensemble des valeurs des fonctions objectif, ainsi que la surface de compromis, sont reprsents la gure 1.14.

Le problme test
Plan f1, f2 2
1

La surface de compromis
Plan f1, f2

f2

0 0 1 2

f2
0

f1

f1

(a) Lensemble des valeurs des fonctions objectif

(b) La surface de compromis

F IG . 1.14 Le problme test trigonomtrique. Pour cette surface de compromis, nous allons maintenant tracer lamlioration relative que lon peut obtenir sur chaque objectif en fonction de sa position sur la surface de compromis. Pour cela, on divise la surface de compromis en dix morceaux (langle varie de 0 90 par pas de 9). Lcart relatif est mesur par rapport lexcursion totale de la fonction objectif (cette excursion vaut 1 pour les deux fonctions objectif).

28

1.7 Illustration de lintrt de loptimisation multiobjectif 0 9 18 27 36 45 54 63 72 81 90 f1 () 0 0.0123 0.0489 0.109 0.191 0.293 0.412 0.546 0.691 0.843 1 f2 () 1 0.843 0.691 0.546 0.412 0.293 0.191 0.109 0.0489 0.0123 0

1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.0

f1 = 1 cos() f2 = 1 sin()
+

+ + + + +

0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 (a) Evolution absolue

1.0 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0

f1 f2
+ +

+ + +

+ + +

0.0 0.2 0.4 0.6 0.8 1.0 (b) Evolution relative

1.2 1.4 1.6

F IG . 1.15 Lvolution des valeurs des fonctions objectif sur la surface de compromis. Comme on peut le voir la gure 1.15-a, suivant la position du point sur la surface de compromis, on peut esprer une bonne rduction du niveau dune fonction objectif sans avoir daugmentation trs importante du niveau de lautre fonction objectif. Cest le cas, par exemple, de la fonction objectif f1 pour des valeurs de proches de 0. Pour cette position, si lon augmente la valeur de de 0.2 radian (on passe ainsi de 0 radian 0.2 radian), la valeur de la fonction objectif f1 passe de 1 0.843 alors que la fonction objectif f2 passe elle de 0 0.0123. Le gain que lon peut esprer en un point prcis peut tre reprsent par la drive de la fonction objectif par rapport la variable en ce point. Une drive positive signie une amlioration de la fonction objectif alors quune drive ngative signie une dtrioration de la valeur de la fonction objectif. Ce comportement typique de loptimisation multiobjectif rete assez bien le but poursuivi par cette discipline : minimiser un groupe de fonctions objectif sans trop dgrader les valeurs des optima obtenus par rapport ceux obtenus lors dune optimisation monobjectif effectue objectif par objectif.

29

Chapitre 1. Introduction : optimisation multiobjectif et dominance

1.8
1.8.1

Les relations drives de la dominance


Introduction

La relation de dominance noffre pas de degrs de libert dans sa dnition. Par exemple, il nest pas possible dinclure dans la dnition de la relation de dominance une prfrence dun objectif par rapport un autre. Cest pour contrecarrer ce manque de exibilit que des relations drives de la relation de dominance ont t dveloppes. Les solutions que permettent de trouver ces relations drives de la dominance sont toutes optimales au sens de Pareto. La grande diffrence que lon rencontre avec ces relations est que lensemble des solutions que lon obtient avec ces relations est un sous-ensemble de lensemble des solutions obtenues avec la relation de dominance de Pareto. Dans cette section, lensemble Sk dsigne lensemble des solutions ralisables dun problme doptimisation k fonctions objectif.

1.8.2

Optimalit lexicographique

Cette dnition de loptimalit permet dinclure une prfrence entre objectifs [Ehrgott 97]. Dnition : optimalit au sens lexicographique Une solution x Sk est optimale au sens lexicographique si x lex x , x S k x . Si x , y Sk , on dit que x lex y sil existe une valeur dindex q telle que xq = yq pour q = 1, , (q 1) et xq < yq . Les relations entre xq et yq pour q q ne sont pas prises en compte car nous nous arrtons lindice q (cest le premier indice pour lequel xq < yq ). Cette dnition implique que lutilisateur ait rang par ordre dimportance les diffrents objectifs. La comparaison entre les deux solutions se fera dans lordre de classement des objectifs. Illustrons lutilisation de cette relation en prenant un exemple. Soient deux points A et B : A B = = (1, 2, 3, 4, 5, 6) (1, 2, 3, 9, 4, 9)

Pour ces deux points, on a A lex B car, jusqu la troisime position, on a Ai = Bi , i = 1, 2, 3 et, pour la quatrime position, on a 4 < 9. On conclut donc que la solution A domine lexicographiquement la solution B.

1.8.3

Optimalit extrme

Comme pour la relation doptimalit lexicographique, cette relation permet dtablir une prfrence entre critres. Cette prfrence est tablie en utilisant des poids. Plus un objectif sera important, plus son poids sera lev [Ehrgott 97].

30

1.8 Les relations drives de la dominance Dnition : optimalit extrme Une solution x Sk est extrme-optimale si, tant donn un vecteur de poids Rk tel que i i = 1, x est une solution optimale du problme de minimisation monocritre ayant pour fonction objectif xi i
k

(1.1)

i=1

donc : xi , x Sk i xi i
i=1 k

(1.2)

i=1

Illustrons la notion dextrme-dominance en reprenant lexemple prcdent. Ici, on considre lobjectif 6 comme objectif de rfrence. On considre aussi que les objectifs 1, 3 et 5 sont 20 % plus importants que lobjectif de rfrence et que les objectifs 2 et 4 sont quivalents lobjectif de rfrence. On calcule maintenant les poids de chaque objectif : w1 = w3 = w5 = 1.2 w6 w2 = w4 = w6 6 i=1 wi = 1 La rsolution de ces quations nous donne : w1 = w3 = w5 = w2 = w4 = w6 =
0.2 1.1 1 6.6

= 0.18 = 0.15

6 6 i=1 wi Ai = 3.45 et i=1 wi Bi = 5.39 donc, le point A extrme-domine le point B.

1.8.4

Optimalit maximale

Cette relation, contrairement aux prcdentes, ne permet pas dintroduire une prfrence entre objectifs [Ehrgott 97]. Dnition : optimalit maximale Une solution x Sk est max-optimale si la valeur du pire objectif est aussi petite que possible :
q{1, ,k} max xq

max q {1, , k} x S k x

xq

(1.3)

Illustrons cette relation en prenant lexemple prcdent. On peut dire que la solution A max-domine la solution B car : max A = 6 < max B = 9 31

Chapitre 1. Introduction : optimisation multiobjectif et dominance

1.8.5

La cne optimalit

Une autre relation de classement existe. Il sagit de la relation de cne-dominance. Cette relation possde lavantage, par rapport la relation de Pareto, dtre rglable. Dnition : un cne Un cne de pente est dni de la manire suivante : Si 0 < < 1 (voir gure 1.16-a) :

1 C (x1 , x2 ) = x R2 | x1 0, x2 0, x1 x2 x1 Si < 0 (voir gure 1.16-b) : C (x1 , x2 ) = x R2 | x1 x2 et x2 x1 C (x1 , x2 ) = x R2 | x1 0 et x2 0

(1.4)

(1.5)

Si = 0 :

x2

111111111 000000000 000000000 111111111 000000000 111111111 000000000 111111111 000000000 111111111 000000000 111111111 111111111 000000000 000000000 111111111
(a) Cas positif

x1

x 111111111111 000000000000 000000000000 111111111111 000000000000 111111111111 000000000000 111111111111 000000000000 111111111111 000000000000 111111111111 000000000000 111111111111 000000000000 111111111111 000000000000 111111111111 x 000000000000 111111111111 000000000000 111111111111 000000000000 111111111111
2

(b) Cas ngatif

F IG . 1.16 Lallure du cne en fonction de .

Cette relation peut tre tendue au cas multidimensionnel. On trouvera dans [Deb 01] une relation diffrente permettant aussi de rgler la forme du cne de domination. Dnition : le cne multidimensionnel Un cne de pente est dni de la manire suivante : C = { x Rn | i {1, , n} , j {1, , n} , j > i, xi , x j C (xi , x j ) (1.6)

La projection du cne multidimensionnel sur des plans est reprsente la gure 1.17.

32

1.8 Les relations drives de la dominance

x3

1111111111 0000000000 0000000000 1111111111 0000000000 1111111111 0000000000 1111111111 0000000000 1111111111 000000 111111 0000000000 1111111111 000000 111111 0000000000 1111111111 000000 111111 0000000000 1111111111 000000 111111 000000 111111 0000000000 x 1111111111 000000 111111 000000 111111 000000 111111 000000 111111 000000 111111 000000 111111 000000 111111 000000 111111

x2

F IG . 1.17 La projection du cne multidimensionnel.

Dnition : la cne-dominance Soit un cne C . Un vecteur x Rn cne-domine un vecteur y Rn (cette relation est note x C y ) si y x C et x = y (ou encore y x C {0}). La relation de cne-dominance est reprsente la gure 1.19. Nous avons aussi reprsent deux exemples dapplication de cette relation la gure 1.18. Sur ces deux gures, nous avons reprsent le cne de domination. Il sagit de la zone dans laquelle le point dorigine (le vecteur x dans la dnition de la cne-dominance) do mine tous les points appartenant cette zone (les vecteurs x dans la dnition de la cnedominance).

111111111 000000000 000000000 111111111 111111111 000000000 000000000 111111111 111111111 000000000 000000000 111111111 Cne D 111111111 000000000 000000000 111111111 000000000 111111111 y 111111111 000000000 000000000 111111111 000000000 111111111 000000000 111111111 000000000 111111111 000000000 111111111 000000000 111111111 000000000 111111111
x
(a) Le vecteur x domine le vecteur y au sens du cne D

11111111 00000000 00000000 11111111 y 00000000 11111111 11111111 00000000 11111111 00000000 00000000 11111111 11111111 00000000 Cne D 11111111 00000000 00000000 11111111 00000000 11111111 00000000 11111111 11111111 00000000 00000000 11111111 11111111 00000000 00000000 11111111 00000000 11111111

(b) Le vecteur x ne domine pas le vecteur y au sens du cne D

F IG . 1.18 Deux exemples dapplication de la relation de cne-dominance.

33

Chapitre 1. Introduction : optimisation multiobjectif et dominance f2


111111111 000000000 111111111 000000000 000000000 111111111 000000000 111111111 000000000 111111111 000000000 111111111 111111111 000000000 000000000 111111111 000000000 111111111 111111111 000000000 000000000 111111111 000000000 111111111 x 000000000 111111111 000000000 111111111 111111111 000000000 000000000 111111111 Cne de domination 000000000 111111111 000000000 111111111 000000000 111111111

f1 F IG . 1.19 La relation de cne-dominance. La relation de cne-dominance est quivalente la relation de dominance que nous avons vue dans la section prcdente lorsque = 0.

1.8.6

La a-dominance

Cette dnition de dominance a t introduite dans [Othmani 98]. Dnition : a-dominance Une solution x Sk a-domine une solution x Sk sil existe un ensemble de combinaisons de k + 1 a critres (on note I(k+1a) lensemble des index correspondant lensemble des combinaisons de ces critres) tel que : 1. x x pour tout j I , et
j j

2. x j < x j pour au moins un j I(k+1a) .

(k+1a)

Pour illustrer cette dnition, prenons un exemple. Considrons une famille de trois cri tres (C1 , C2 et C3 ), deux solutions xA et xB et cherchons tablir la 2-dominance. Pour la 2-dominance, on doit tester la relation de dominance entre les vecteurs xA et xB sur toutes les combinaisons de 3 + 1 2 = 2 critres. Ces familles sont les suivantes : F1 = {C1 , C2 } I1 = {1, 2} F2 = {C1 , C3 } I2 = {1, 3} F3 = {C2 , C3 } I3 = {2, 3} Donc, I2 = I1 , I2 , I3 = {{1, 2} , {1, 3} , {2, 3}}. Considrons maintenant deux points A et B. C1 1 1

A B

C2 2 1

C3 3 2

Le point A 2-domine le point B car il domine le point B sur chaque famille de critres : A domine B si lon considre les critres 1 et 2, A domine B si lon considre les critres 1 et 3, 34

1.8 Les relations drives de la dominance A domine B si lon considre les critres 2 et 3. Donc, A 2-domine B car A domine B si lon considre les combinaisons de critres {C1 , C2 }, {C1 , C3 } et {C2 , C3 }.

1.8.7

La dominance au sens de Geoffrion

Une dernire forme de dominance importante dans le monde de loptimisation multiobjectif est la dominance au sens de Geoffrion (voir [Ehrgott 00] et [Miettinen 99]). Les solutions optimales obtenues par ce type de dominance sont appeles les solutions Pareto optimales propres. Dnition : la dominance au sens de Geoffrion Une solution x S est appele solution Pareto optimale propre si : elle est Pareto optimale, il existe un nombre M > 0 tel que i et x S vriant fi (x) < fi (x ), il existe un index j tel que f j (x ) < f j (x) et : fi (x ) fi (x) M f j (x) f j (x ) Cette relation nest quasiment jamais utilise telle quelle. En gnral, on utilise plutt un rsultat qui dcoule de cette dnition. En effet, linterprtation de ce thorme faite dans [Ehrgott 00] est la suivante : Les solutions Pareto optimales propres ont des compromis borns suivant leurs objectifs. Un thorme relatif la mthode de pondration des fonctions objectif utilisant ce rsultat est le suivant : Thorme : Soit la mthode dagrgation des fonctions objectif suivantes : feq ( x ) = i fi ( x)
i=1 N

Supposons i = 1, , N , i > 0 avec N i=1 i = 1. Si x est une solution optimale obtenue en utilisant la mthode dagrgation ci-dessus, alors cette solution est aussi Pareto optimale propre. La mthode de pondration des fonctions objectif, avec des poids qui respectent les relations ci-dessus, permet dobtenir des solutions avec des compromis borns.

1.8.8

Conclusion

Ces diffrents types de relations de dominance permettent davoir sufsamment de degrs de libert pour choisir une relation qui reproduise au mieux le comportement dun ingnieur ou dun dcideur. Par exemple, la relation de dominance lexicographique permet de reproduire le comportement dun dcideur qui choisirait une solution parmi N solutions en considrant des critres rangs par ordre dimportance. En effet, celui-ci, quand il compare deux 35

Chapitre 1. Introduction : optimisation multiobjectif et dominance solutions, compare les valeurs des objectifs, jusqu ce quun objectif permette de dterminer une prfrence entre les deux solutions considres. Une fois que la prfrence entre les deux solutions est dtermine, on ne considre plus les objectifs restants. La comparaison sarrte l. La dominance est donc un outil, parmi dautres, permettant de reproduire une dmarche de recherche doptimum. Elle nest pas la seule, bien sr, mais elle est un lment important pour la rsolution dun problme.

1.9

La surface de compromis

Le petit nombre de solutions de rang 1 que lon a slectionnes en utilisant la rgle de classement base sur la dnition de la dominance forme ce que lon appelle la surface de compromis (ou front de Pareto). Imaginons que nous ayons un problme deux objectifs (minimiser f1 et minimiser f2 sous les contraintes g ( x ) 0 et h ( x ) = 0) : On appelle S lensemble des valeurs du couple ( f1 ( x ), f2 ( x )) quand x respecte les contraintes g ( x ) et h ( x ). On appelle P la surface de compromis. On reprsente S et P sur la gure 1.20. f2

P f1 F IG . 1.20 Reprsentation de la surface de compromis. Une proprit est remarquable : en fonction du type de problme que lon cherche rsoudre, on obtient une forme de surface de compromis. Les formes les plus courantes de surfaces de compromis sont runies la gure 1.21. Ces formes de surfaces de compromis sont typiques dun problme doptimisation multiobjectif sur un ensemble de solutions convexe (pour une dnition de la convexit, voir section 1.10). Cest ce type densemble que lon rencontre la plupart du temps. On observe deux points caractristiques associs une surface de compromis : Point idal : Les coordonnes de ce point sont obtenues en optimisant chaque fonction objectif sparment.

36

1.10 La convexit

f2

f2

f1
(a) Minimiser f1 minimiser f2 (b) Minimiser f1 maximiser f2

f1 f2

f2

f1
(c) Maximiser f1 minimiser f2 (d) Maximiser f1 minimiser f2

f1

F IG . 1.21 Formes les plus courantes de surfaces de compromis dans le cas de deux objectifs. Point nadir : Les coordonnes de ce point correspondent aux pires valeurs obtenues par chaque fonction objectif lorsque lon restreint lespace des solutions la surface de compromis. Le point idal est utilis dans beaucoup de mthodes doptimisation comme point de rfrence. Le point nadir, lui, sert restreindre lespace de recherche ; il est utilis dans certaines mthodes doptimisation interactives. Ces deux dnitions sont illustres la gure 1.22.

1.10

La convexit

Comme nous le verrons plus loin, certaines mthodes doptimisation multiobjectif ncessitent de respecter certaines hypothses. Le plus souvent, la mthode rclame de travailler sur un espace S des valeurs de f qui soit convexe. Dnition : la convexit Un ensemble S est convexe si, tant donns deux points distincts quelconques de cet ensemble, le segment qui relie ces deux points est contenu dans lensemble S. Un exemple densemble convexe et un exemple densemble non convexe sont reprsents la gure 1.23.

37

Chapitre 1. Introduction : optimisation multiobjectif et dominance f2 Point nadir B

Point idal A f1 F IG . 1.22 Reprsentation du point idal et du point nadir.

f2

f2

0 1 0 1 0 1 0 1 0 1 0 1 1 0

11 00 000 111 00 11 000 111 000 S 111 000 111 000 111 000 111 00 11 000 111 00 11
f1
(b) Un ensemble non convexe

f1
(a) Un ensemble convexe

F IG . 1.23 Exemples densemble convexe et densemble non convexe.

1.11

La reprsentation de la surface de compromis

Toutes les reprsentations de la surface de compromis, pour un mme problme, ne sont pas quivalentes. En effet, la reprsentation idale de la surface de compromis devra tre constitue de points solution de notre problme rpartis de manire uniforme sur la surface de compromis (voir gure 1.24). Dans le premier cas, les points reprsentant la surface de compromis ne sont pas rpartis de manire uniforme. Lutilisateur naura alors pas en sa possession un ensemble de solutions trs utile. En effet, sil dcide que la solution quil avait choisie ne lui convient pas, le choix dune autre solution risque de faire varier brusquement tous ses objectifs, et cette nouvelle solution ne lui conviendra pas non plus. Il est alors probable que la solution offrant le meilleur compromis se trouve dans une zone qui ne soit pas reprsente par des points solution. La dtermination dune bonne reprsentation de la surface de compromis sera un critre de choix dune mthode doptimisation multiobjectif.

38

1.12 Les mthodes de rsolution des problmes doptimisation multiobjectif

f2

f2

f1
(a) Une mauvaise reprsentation de la surface de compromis

f1
(b) Une bonne reprsentation de la surface de compromis

F IG . 1.24 La reprsentation de la surface de compromis.

1.12

Les mthodes de rsolution doptimisation multiobjectif

des

problmes

Il existe un nombre important de mthodes et nous avons class celles-ci en cinq groupes : les mthodes scalaires, les mthodes interactives, les mthodes oues, les mthodes exploitant une mtaheuristique, les mthodes daide la dcision. Les mthodes de ces cinq groupes peuvent aussi tre ranges en trois familles de mthodes doptimisation multiobjectif [Van Veldhuizen 99] : Les mthodes prfrence a priori : Dans ces mthodes, lutilisateur dnit le compromis quil dsire raliser (il fait part de ses prfrences) avant de lancer la mthode doptimisation. On retrouve dans cette famille la plupart des mthodes par agrgation (o les fonctions objectif sont fusionnes en une seule). Les mthodes prfrence progressive : Dans ces mthodes, lutilisateur afne son choix de compromis au fur et mesure du droulement de loptimisation. On retrouve dans cette famille les mthodes interactives. Les mthodes prfrence a posteriori : Dans ces mthodes, lutilisateur choisit une solution de compromis en examinant toutes les solutions extraites par la mthode doptimisation. Les mthodes de cette famille fournissent, la n de loptimisation, une surface de compromis. Il existe des mthodes doptimisation multiobjectif qui nentrent pas exclusivement dans une famille. Par exemple, on peut utiliser une mthode prfrence a priori en lui fournissant des prfrences choisies au hasard. Le rsultat sera alors un grand nombre de solutions qui seront prsentes lutilisateur pour quil dcide de la solution de compromis. Cette combinaison forme alors une mthode prfrence a posteriori. Cette classication permet donc seulement de se faire une ide sur la dmarche que lon devra suivre pour obtenir notre rsultat. Une classication plus ne est dveloppe dans le chapitre 12.

39

Chapitre 1. Introduction : optimisation multiobjectif et dominance

1.13

Bibliographie commente

[Ehrgott 97] Cet article prsente diffrentes relations de dominance. Il est trs mathmatique mais reste un bon point de dpart pour un tour dhorizon de ces relations. [Hillier et al. 95] Ceci est un ouvrage anglophone dintroduction la recherche oprationnelle. Tous les domaines de la recherche oprationnelle sont introduits travers un expos trs didactique (programmation linaire, thorie des jeux, programmation non linaire). Beaucoup dexemples bien comments agrmentent lexpos de chaque mthode. [Miettinen 99] Ce livre, comme son titre lindique, est entirement ddi loptimisation multiobjectif. Les concepts de base y sont prsents travers un expos plutt mathmatique. Cet ouvrage se centre plus sur les mthodes a priori et progressives. Les principales caractristiques mathmatiques des mthodes sont prsentes.

40

Chapitre 2

Les mthodes scalaires


2.1
2.1.1

La mthode de pondration des fonctions objectif


Principe

Cette approche de la rsolution dun problme doptimisation multiobjectif est la plus vidente. Dailleurs, on appelle aussi cette mthode l approche nave de loptimisation multiobjectif [Coello 98]. Le but, ici, est de revenir un problme doptimisation monobjectif, dont il existe de nombreuses mthodes de rsolution. La manire la plus simple de procder consiste prendre chacune des fonctions objectif, leur appliquer un coefcient de pondration et faire la somme des fonctions objectif pondres. On obtient alors une nouvelle fonction objectif.

2.1.2

Prsentation de la mthode

On part du problme P (voir page 18). Le problme P se transforme de la manire suivante :


k feq ( x ) = wi fi ( x) i=1 g (x)0 h ( x)=0

minimiser avec et

On a x Rn , g ( x ) Rm et h ( x ) Rp. Frquemment, les coefcients de pondration respectent la relation suivante : wi 0 pour tous les i {1, , k} et :
i=1

wi = 1

(2.1)

On peut reprsenter graphiquement le fonctionnement de la mthode sur un problme deux objectifs. Le problme est le suivant :

41

Chapitre 2. Les mthodes scalaires minimiser minimiser avec et f1 ( x) f2 ( x) g ( x)0 h (x)=0

Notre nouvelle fonction objectif aura pour expression : feq ( x ) = w1 f1 ( x ) + w2 f2 ( x) (2.2)

Ceci est lexpression dune droite dans le plan f1 , f2 . En effet, si lon cherche minimiser feq ( x ), on cherche en fait une constante C de lquation de droite suivante la plus petite possible : w1 x ) +C (2.3) f2 ( x ) = f1 ( w2 Cette quation de droite correspond la courbe des isovaleurs de la fonction objectif quivalente. f2 L2

L1 f1 F IG . 2.1 La mthode de pondration des fonctions objectif. Sur la gure 2.1, lensemble S correspond lensemble des valeurs du couple ( f1 , f2 ) respectant les contraintes dnies par g ( x ) et h ( x ). Les droites L1 et L2 correspondent deux couples de coefcients de pondration (w1 , w2 ) diffrents. Cette mthode consiste faire tangenter la droite L1 et la droite L2 avec lensemble S. Le point de tangence est alors la solution recherche. Si lon rpte ce processus pour plusieurs valeurs des coefcients de pondration, les diffrentes solutions trouves forment la surface de compromis. Cette mthode nest applicable qu des ensembles S convexes. Dans le cas contraire, elle ne permet pas de trouver la totalit de la surface de compromis. Par exemple, la portion en trait gras de la surface de compromis de la gure 2.2 ne peut tre obtenue par cette mthode.

2.1.3

Deux exemples concrets

Exemple 1 : Le problme de Schaffers F2


Considrons le problme suivant deux fonctions objectif :

42

2.1 La mthode de pondration des fonctions objectif f2

L1

L2 f1 F IG . 2.2 Une difcult insurmontable pour la mthode de pondration des fonctions objectif. minimiser minimiser avec f1 (x) = x2 f2 (x) = (x 2)2 x [0, 2]

Cest un problme test appel Schaffers F2. La reprsentation de lensemble solution de ce problme est diffrente de celle qui nous a servi illustrer les diffrentes dnitions de loptimisation multiobjectif. En effet, si lon cherche exprimer f2 en fonction de f1 , on obtient une quation dellipse : f1 ( x ) = x2 f2 ( x ) = (x 2)2

= x2 4 x + 4

= f1 ( x )+44x

On obtient nalement : 2 ( f2 ( x ) f1 ( x ) 4) = (4 x)2 2 2 f1 + f2 2 f1 f2 8 f1 8 f2 + 16 = 0 De plus, comme on le verra lors de la rsolution du problme doptimisation, la surface de compromis (qui correspond normalement une surface) est ici une portion de courbe et lensemble des couples ( f1 , f2 ) est une courbe (une ellipse dans cet exemple). Nous avons choisi cet exemple atypique car il permet dillustrer numriquement et simplement le fonctionnement de certaines mthodes doptimisation multiobjectif. Nous traitons dans lexemple 2 un cas moins atypique de problme doptimisation multiobjectif. Dans le reste du document, nous traiterons uniquement lexemple 1 par souci de simplicit, en sachant que le mme type de dmarche pourra tre appliqu un problme doptimisation multiobjectif classique. La nouvelle fonction objectif scrit : feq (x) = w1 f1 (x) + w2 f2 (x) Les coefcients de pondration w1 et w2 respectent les conditions suivantes : w1 et w2 0, w1 + w2 = 1 43 (2.4)

Chapitre 2. Les mthodes scalaires On cherche le minimum de la fonction objectif feq (x). Il vrie les conditions suivantes ncessaires lexistence dun minimum : d feq (x) dx = 0, >0 Cherchons les points de feq (x) qui vrient ces conditions :
d feq (x) dx d 2 feq (x) dx2

= 2 x (w1 + w2 ) 4 w2 , = 2 (w1 + w2 ) > 0, car on a choisi w1 + w2 = 1. = 2 w2

d 2 feq (x) dx2

Donc, le minimum se situe en : x =


2w2 w1 +w2

On va maintenant calculer quatre points de la surface de compromis. On choisit quatre valeurs de w1 variant de 0.2 0.8 par pas de 0.2. On en dduit les valeurs de w2 , puis on calcule x , f1 (x ) et f2 (x ). On constate que les valeurs de x respectent la contrainte, puis on runit ces valeurs dans le tableau 2.1. w1 w2 x f1 (x ) f2 (x ) 0.2 0.8 1.6 2.56 0.16 0.4 0.6 1.2 1.44 0.64 0.6 0.4 0.8 0.64 1.44 0.8 0.2 0.4 0.16 2.56

TAB . 2.1 Tableau rcapitulatif. On trace maintenant ces points dans le plan f1 , f2 et on les relie (voir gure 2.3). f2 2.56

1.44

0.64 0.16 0.16 0.64 1.44 2.56 f1

F IG . 2.3 La surface de compromis obtenue pour le problme F2 de Schaffer. On remarque que, dans cet exemple, on trouve une surface de compromis typique dans les problmes de minimisation sur tous les objectifs. A la gure 2.4, on a reprsent lensemble des valeurs ralisables du problme test, avec et sans la contrainte x [0, 2].

44

2.1 La mthode de pondration des fonctions objectif f2 9 8 7 6 5 4 3 2 1 0 0 1 2 3 4 5 6 7 8 9 f1

f1 (x), f2 (x) sans contrainte f1 (x), f2 (x) avec contrainte

F IG . 2.4 La surface de compromis totale, avec et sans la contrainte x [0, 2].

Exemple 2 : Le problme de Binh


Considrons le problme suivant deux fonctions objectif : minimiser minimiser avec
2 + x2 f1 (x1 , x2 ) = x1 2 f2 (x1 , x2 ) = (x1 5)2 + (x2 5)2 5 x1 10, 5 x2 10

Ce problme est appel problme de Binh. Un chantillon des solutions de ce problme est reprsent la gure 2.5. On commence par former la nouvelle fonction objectif :
2 2 feq (x1 , x2 ) = w1 x1 + x2 + w2 (x1 + 5)2 + (x2 + 5)2

avec w1 + w2 = 1 et w1 , w2 0. On a alors :
2 2 feq (x1 , x2 ) = x1 + x2 + 10 w2 (x1 + x2 ) + 50 w2

On cherche maintenant loptimum de cette nouvelle fonction objectif : feq (x1 , x2 ) = 2 x1 + 10 w2 x1 feq (x1 , x2 ) = 2 x2 + 10 w2 x2 2 feq (x1 , x2 ) 2 feq (x1 , x2 ) = =2>0 x1 x2 x1 x2 (2.5) (2.6)

(2.7)

Lquation 2.7 nous indique que la recherche des points qui annulent les quations 2.5 et 2.6 donnera un minimum de la fonction objectif. Donc : + 10 w = 0 x = 5 w 2 x1 2 2 1 + 10 w = 0 x = 5 w 2 x2 2 2 2 45

Chapitre 2. Les mthodes scalaires


La fonction BINH I
Plan f1, f2 200

f2

100

0 0 10 20 30 40 50

f1

F IG . 2.5 Lensemble solution du problme de Binh. On obtient alors les fonctions objectif suivantes : feq (w2 ) = 50 w2 (1 w2 ) f1 (w2 ) = 50 w2 2 f2 (w2 ) = 50 (1 w2 )2 On peut alors calculer quelques solutions de la surface de compromis pour un certain nombre de valeurs du coefcient w2 . Ces rsultats sont runis dans le tableau 2.2. w2 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 feq (w2 ) 0 4.5 8 10.5 12 12.5 12 10.5 8 4.5 0 f1 (w2 ) 0 0.5 2 4.5 8 12.5 18 24.5 32 40.5 50 f2 (w2 ) 50 40.5 32 24.5 18 12.5 8 4.5 2 0.5 0

TAB . 2.2 Tableau rcapitulatif. Lallure de la surface de compromis est alors celle de la gure 2.6.

46

2.2 La mthode de Keeney-Raiffa

f2 50 40 30 20 10 0 0 10 20 30 40 50 f1

F IG . 2.6 La surface de compromis du problme de Binh.

2.1.4

Discussion

Cette mthode a t lune des premires utilises. Dun point de vue algorithmique, elle est trs efcace. On peut, en faisant varier les coefcients de pondration, retrouver la surface de compromis, si le domaine ralisable est convexe. Cependant, cette mthode ne permet pas de trouver les solutions enfermes dans une concavit. Dans certains problmes doptimisation de structures mcaniques, elle peut se comporter de manire catastrophique [Koski 85].

2.2
2.2.1

La mthode de Keeney-Raiffa
Principe

Cette mthode utilise le produit des fonctions objectif pour se ramener un problme doptimisation monobjectif. Lapproche utilise ici est semblable celle utilise dans la mthode de pondration des fonctions objectif. La fonction objectif ainsi obtenue sappelle la fonction dutilit de Keeney-Raiffa. On retrouve cette fonction dans la thorie de la fonction utilit multi-attribut expose dans [Keeney et al. 93] (M.A.U.T, Multi Attribute Utility Theory). Cette thorie, issue des sciences daide la dcision, traite des proprits et de la manire de crer une fonction dutilit.

2.2.2

Prsentation de la mthode

On part du problme P (voir page 18). On transforme la partie objectifs en utilisant la fonction suivante : feq ( x ) = K (ki ui ( fi ( x )) + 1)
i=1 k

(2.8)

Dans cette expression, 47

Chapitre 2. Les mthodes scalaires ki ui ( y) est un coefcient de normalisation (compris entre 0 et 1). est une fonction qui est strictement non dcroissante en fonction de y et qui peut incorporer des non-linarits. Par exemple, ui (y) = y2 . Cest une fonction strictement non dcroissante de y si y R+ .

Si lon prend ui (y) = y2 , K = 1 et ki = 1, le problme P se transforme de la manire suivante : minimiser avec et 2 feq ( x ) = k i=1 ( f i ( x )) + 1 g ( x)0 h (x)=0

2.3 La mthode de la distance un objectif de rfrence


2.3.1 Principe
Cette mthode permet de transformer un problme doptimisation multiobjectif en un problme doptimisation monobjectif. La somme que lon va utiliser ici prendra la forme dune distance (k ()k ou la racine de la somme dlments levs une certaine puissance k). De plus, dans certains cas on normalisera les lments par rapport une valeur avant den faire la somme [Azarm 96, Miettinen 99]. ke

2.3.2

Prsentation de la mthode

On part encore du problme P. Dans les dnitions suivantes, le vecteur F (de coordonnes Fi , i {1, , k}) est un vecteur dont les coordonnes correspondent celles dun objectif idal (ou de rfrence) au sens dni par lutilisateur (cela peut tre le point idal, ou un autre point qui reprsente mieux les prfrences de lutilisateur). Le vecteur F est choisi par lutilisateur. On peut, par exemple, utiliser la distance absolue. Voici la dnition de cette distance : f ( x) =
r x )| |Fi fi ( k
1 r

Lr avec 1 r < . Par exemple : r=1:

(2.9)

i=1

L1 r=2:

k f ( x ) = |Fi fi ( x )| i=1

(2.10)

L2

f ( x) =

i=1

x )| |Fi fi (

1 2

(2.11)

48

2.3 La mthode de la distance un objectif de rfrence r: L x )) f ( x ) = max (Fi fi (


i{1 ,k}

(2.12)

Pour cette dernire forme, la mthode se transforme en la mthode dite min-max (ou mthode de Tchebychev). On peut aussi utiliser la distance relative. Voici la dnition de cette distance :
Rel Lr

f ( x) =

i=1

Fi fi ( x) Fi

1 r

(2.13)

avec 1 r < . Par exemple, la mthode dite min-max relatif est obtenue pour r : Lminmax f ( x ) = max
i{1, ,k}

Fi fi ( x) Fi

(2.14)

Pour nir, on peut aussi utiliser des coefcients de pondration dans lexpression de la distance. Ces coefcients de pondration permettent de chercher un point dans une certaine direction, comme avec la mthode de pondration des fonctions objectif. On obtient alors lexpression suivante : LW r f ( x) =
r x ))| |wi (Fi fi ( k
1 r

i=1

avec 1 r . Pour la mthode min-max, on obtient : Lminmax f ( x ) = max (wi (Fi fi ( x )))
i{1, ,k}

Appliquons la mthode de la distance au problme P. Pour transformer notre problme, on va utiliser la distance L2 . On aura alors le problme suivant : minimiser avec et 2 feq ( x ) = k i=1 |Fi f i ( x )| g (x)0 h ( x)=0

On peut souligner que, lorsque lon utilise ces mthodes pour la recherche de solutions optimales au sens de Pareto, il nest pas ncessaire dajouter le terme dans lexpression de feq ( x ) car cet oprateur est monotone. Ceci autorise un certain gain de temps dans le calcul de la fonction objectif quivalente. La gure 2.7 illustre le fonctionnement de cette mthode. Sur cette gure, on a reprsent notre point de rfrence (qui est diffrent du point idal) par un point noir. La surface de compromis, elle, est reprsente par un trait noir pais. Comme on peut le voir la gure 2.10, le choix de ce point de rfrence inue beaucoup sur la qualit du rsultat. Cette mthode permet donc de trouver la surface de compromis vue dun certain point de rfrence.

49

Chapitre 2. Les mthodes scalaires f2

F2 F1 f1

F IG . 2.7 La mthode de la distance.

2.3.3

Les courbes isovaleur

Pour tracer les courbes isovaleur de ces mthodes dagrgation des fonctions objectif, il faut procder de la mme manire quavec la mthode de pondration des fonctions objectif : minimiser feq ( x ) revient trouver une valeur de la variable x telle que la constante C de lexpression suivante soit minimale :
2 2 C = w1 ( f1 ( x ) F1 ) + w2 ( f2 ( x ) F2 )

(2.15)
C w1

Cest lexpression dune ellipse de centre (F1 , F2 ), de petit axe 2

et de grand

C axe 2 w . 2 Le but va donc tre de trouver le plus petit C tel que lellipse vienne tangenter lensemble des solutions S. Cette courbe isovaleur est reprsente la gure 2.8.

f2

S A

(F1 , F2 ) f1 F IG . 2.8 Une courbe isovaleur de la mthode de la distance. Pour la mthode de Tchebychev, lexpression de la courbe isovaleur est encore plus simple : 50

2.3 La mthode de la distance un objectif de rfrence

f1 ( x )=C f1 ( x )=C

si w1 ( f1 ( x ) F1 ) > w2 ( f2 ( x ) F2 ) si w1 ( f1 ( x ) F1 ) < w2 ( f2 ( x ) F2 )

(2.16)

Cette courbe est reprsente la gure 2.9. w1 ( f1 ( x ) F1 ) < w2 ( f2 ( x ) F2 )


w1 w 2

f2

S A w1 ( f1 ( x ) F1 ) > w2 ( f2 ( x ) F2 ) f1 F IG . 2.9 Une courbe isovaleur de la mthode de Tchebychev.

2.3.4

Discussion

Pour que cette mthode fonctionne bien, on doit tre capable de construire un bon point de rfrence. Sinon, les solutions que lon trouvera ne seront pas forcment optimales, dans le sens o elles ne rpondront pas ncessairement au problme initial. La gure 2.10 illustre le dfaut de fonctionnement de cette mthode, lorsque lobjectif idal est mal choisi. On cherche minimiser les deux objectifs ( f1 et f2 ) ; le bon positionnement du point de rfrence est indiqu la gure 2.7. A la gure 2.10-a, le fait davoir positionn le point de rfrence dans le coin suprieur gauche nous donne une surface de compromis quivalente un problme pour lequel on minimise lobjectif f1 et on maximise lobjectif f2 . A la gure 2.10-b, le fait davoir positionn le point de rfrence dans le coin suprieur droit nous donne une surface de compromis quivalente un problme pour lequel on maximise les objectifs f1 et f2 . A la gure 2.10-c, le fait davoir positionn le point de rfrence dans le coin infrieur droit nous donne une surface de compromis quivalente un problme pour lequel on maximise lobjectif f1 et on minimise lobjectif f2 . Pour nir, la gure 2.10-d, le fait davoir positionn le point de rfrence lintrieur de lensemble des valeurs du couple ( f1 , f2 ) nous donne une solution unique qui ne correspond ni une maximisation, ni une minimisation sur chacune des fonctions objectif. De plus, comme la mthode de pondration des fonctions objectif, cette mthode ne permet de trouver des points cachs dans des non-convexits que sous certaines conditions, prsentes dans [Messac et al. 00].

51

Chapitre 2. Les mthodes scalaires

f2

f2

f1
(a) Cas maximisation de f2 et minimisation de f1

f1
(b) Cas maximisation de f2 et maximisation de f1

f2

f2

Solution unique

f1
(c) Cas minimisation de f2 et maximisation de f1 (d) Solution unique

f1

F IG . 2.10 La difcult du choix dun objectif idal.

2.4
2.4.1

La mthode du compromis
Principe

Aprs avoir tudi les mthodes qui permettent de fusionner les fonctions objectif en une seule (on parle aussi d agrgation des fonctions objectif), nous allons tudier des mthodes qui permettent de transformer un problme doptimisation multiobjectif en un problme doptimisation monobjectif comportant quelques contraintes supplmentaires. La dmarche est la suivante : on choisit un objectif optimiser prioritairement ; on choisit un vecteur de contraintes initial ; on transforme le problme en conservant lobjectif prioritaire et en transformant les autres objectifs en contraintes dingalit. On appelle aussi cette mthode la mthode de la contrainte [Miettinen 99].

2.4.2

Prsentation de la mthode

On part du problme P. On suppose que la fonction objectif prioritaire est la fonction de rang 1. 52

2.4 La mthode du compromis On choisit un vecteur de contraintes i , i {2, , k}, i 0. On transforme le problme P de la manire suivante : minimiser avec f1 ( x) f2 ( x ) 2 . . . fk ( x ) k g ( x)0 h (x)=0

et

A la gure 2.11, on a reprsent le fonctionnement de cette mthode pour un problme deux objectifs.
Domaine inaccessible du fait des contraintes.

f2

111111111111111 000000000000000 000000000000000 111111111111111 000000000000000 111111111111111 000000000000000 111111111111111 000000000000000 111111111111111 000000000000000 111111111111111 000000000000000 111111111111111 000000000000000 111111111111111 000000000000000 111111111111111 000000000000000 111111111111111 111111111111111 000000000000000 2

f1min F IG . 2.11 La mthode du compromis.

f1

2.4.3

Un exemple concret

On reprend lexemple du problme Schaffers F2. En appliquant la mthode dcrite prcdemment, on obtient le problme suivant : minimiser avec f1 (x) = x2 f2 (x) = (x 2)2 x [0, 2]

On dcide maintenant de rsoudre ce problme en choisissant quatre valeurs pour la variable : 0, 1, 2, 3. 53

Chapitre 2. Les mthodes scalaires On commence par rcrire la contrainte : (x 2)2 2 x 2 + 0 < 2 2 Lorsque lon met en relation cette expression avec x [0, 2], on obtient la nouvelle contrainte : x [2 , 2] 0 1 2 3 Contrainte x [2, 2] x [1 , 2] x [2 2, 2] x [2 3, 2] Solution x 2 1 2 2 2 3 f1 (x ) 4 1 6 4 2 74 3 f2 (x ) 0 1 2 3

Avec les valeurs de que nous avons choisies :

On reprsente les diffrentes solutions dans le plan ( f1 , f2 ) (voir gure 2.12). f2 4 3 2 1 0 0 1 2 3 4 f1 F IG . 2.12 Reprsentation de la surface de compromis pour le problme Schaffers F2, en choisissant les valeurs 0,1,2 et 3 pour . A la gure 2.13, on a reprsent la dmarche qui a t suivie pour rsoudre le problme test. On voit, sur cette gure, leffet de la modication de la borne de notre nouvelle contrainte. De plus, on voit apparatre, pas pas, les solutions de notre problme et, par la mme occasion, la surface de compromis. Pour des problmes simples, le choix des valeurs de i peut donner une bonne rpartition des solutions sur la surface de compromis. En revanche, dans la plupart des cas concrets, le choix (arbitraire) des valeurs de i ne permet pas dobtenir une bonne rpartition des solutions sur la surface de compromis (cest le cas pour notre exemple dans lequel il manque un point entre les valeurs 2 et 3 de la coordonne f1 ). Alors, on peut ne pas avoir assez de points et rencontrer de grandes difcults pour extrapoler lallure de la surface de compromis. 54

2.5 Les mthodes hybrides

f2 000000000000 111111111111 000000000000 111111111111 000000000000 111111111111 000000000000 4 111111111111 000000000000 111111111111 000000000000 111111111111 000000000000 111111111111 000000000000 111111111111 000000000000 3 111111111111 000000000000 111111111111 000000000000 111111111111 000000000000 111111111111 000000000000 111111111111 000000000000 2 111111111111 000000000000 111111111111 000000000000 111111111111 000000000000 111111111111 000000000000 111111111111 000000000000 1 111111111111 000000000000 111111111111 000000000000 111111111111 000000000000 111111111111 000000000000 0 111111111111 0 1 2 3 4 f1
(a) La borne de la constrainte vaut 0

f2 4 3 2 1 0

11111111111 00000000000 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111

f1

(b) La borne de la contrainte vaut 1

f2 000000000000 111111111111 000000000000 111111111111 000000000000 111111111111 000000000000 4 111111111111 000000000000 111111111111 000000000000 111111111111 000000000000 111111111111 000000000000 111111111111 000000000000 3 111111111111 000000000000 111111111111 000000000000 111111111111 000000000000 111111111111 000000000000 111111111111 000000000000 2 111111111111 1 0 0 1 2 3 4 f1
(c) La borne de la contrainte vaut 2

f2 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 4 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 3 2 1 0 0 1 2 3 4 f1
(d) La borne de la contrainte vaut 3

F IG . 2.13 La rsolution pas pas du problme test.

2.4.4

Discussion

Dans [Eschenauer et al. 90], on montre que cette mthode peut se ramener la mthode de pondration des fonctions objectif moyennant une lgre transformation. Les principaux inconvnients de cette mthode sont les suivants : elle est gourmande en temps de calcul et la programmation de lalgorithme peut tre extrmement difcile sil y a trop de fonctions contraintes. Cependant, la relative simplicit de lnonc de la mthode la rendue populaire.

2.5
2.5.1

Les mthodes hybrides


Principe

Comme nous allons le voir, il est possible dexploiter plusieurs mthodes pour en former une nouvelle. Dans ce cas, nous obtenons une mthode hybride.

55

Chapitre 2. Les mthodes scalaires

2.5.2

Prsentation dune mthode hybride

La mthode hybride la plus connue est la mthode de Corley. Cette mthode utilise la mthode de pondration des fonctions objectif et la mthode du compromis. On part du problme P. On le transforme de la manire suivante : minimiser avec et k i=1 wi f i ( x ) f j ( x ) j , j = 1, , k g ( x)0 h ( x)=0

A la gure 2.14, on a reprsent le fonctionnement de cette mthode pour un problme deux objectifs. f2
111111111111111111 000000000000000000 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 111111111111111111 2 000000000000000000 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 1 L

f1

F IG . 2.14 La mthode hybride de Corley. Sur cette gure, on peut voir que lajout des deux contraintes ( f1 ( x ) 1 et f2 ( x ) 2 ) a permis de restreindre lespace de recherche. Ensuite, on applique la mthode de pondration des fonctions objectif sur cet espace restreint de recherche. Pour un vecteur des poids w = (w1 , w2 ) auquel on fait correspondre la droite L, chercher une valeur optimale revient faire tangenter la droite L avec lespace restreint de recherche.

2.5.3

Discussion

Cette mthode permet de combiner les avantages des deux mthodes cites prcdemment (la mthode de pondration des fonctions objectif et la mthode du compromis). Elle est ainsi efcace sur diffrents types de problmes, quils soient convexes ou non convexes. Cependant, une difcult survient : le nombre de paramtres dterminer a t multipli par deux. Il sera beaucoup plus difcile lutilisateur dexprimer sa prfrence en jouant sur lensemble des paramtres. Pour plus dinformations, voir [Miettinen 99].

56

2.6 La mthode dite du but atteindre

2.6
2.6.1

La mthode dite du but atteindre


Principe

Dans la littrature anglo-saxonne, on dsigne cette mthode sous lappellation suivante : goal attainment method. Contrairement la mthode de pondration des fonctions objectif, cette mthode nimpose pas de travailler sur un domaine ralisable convexe. La dmarche suivie est la suivante : on choisit un vecteur de fonctions objectif initial F ; on choisit une direction de recherche (on fournit, en quelque sorte, des coefcients de pondration, comme pour la mthode de pondration des fonctions objectif) w; on cherche ensuite minimiser un coefcient scalaire qui reprsente lcart par rap port lobjectif initial F que lon stait x.

2.6.2

Prsentation de la mthode

On part du problme P. On choisit un vecteur de fonctions objectif initial F Rk , un ensemble de coefcients wi , i {1, , k}, et lon dsigne par un nombre scalaire que lon cherchera minimiser. Le problme P devient alors : minimiser avec f1 ( x ) w1 F1 . . . fk ( x ) wk Fk g ( x)0 h ( x)=0

et

La gure 2.15 reprsente le fonctionnement de cette mthode, en considrant un problme doptimisation deux objectifs. f2

11 00 00 11

B S

F2 A

F1

f1

F IG . 2.15 La mthode du but atteindre, pour un problme deux objectifs. 57

Chapitre 2. Les mthodes scalaires Sur cette gure, le point A reprsente lobjectif de rfrence, le vecteur w reprsente une direction de recherche et le point B reprsente le but atteindre. Le but de cette mthode sera donc de trouver une valeur (qui reprsente la distance entre le point A et B) telle que le point B rside sur la frontire de lensemble S et que la distance entre le point A et B soit minimise. De plus, on voit bien sur ce graphique que cette mthode est efcace lorsque lon doit traiter des ensembles non convexes. Souvent, on appelle la variable le degr de sur ou sous-dpassement de lobjectif F . Pour obtenir la surface de compromis, il faudra prendre, comme prcdemment, plusieurs directions de recherche (et peut-tre mme plusieurs vecteurs de fonctions objectif initiaux diffrents). Pour plus dinformations, voir [Pentzaropoulos et al. 93].

2.6.3

Un exemple concret

Considrons nouveau le problme Schaffers F2. On transforme le problme de la manire suivante : minimiser avec et x2 w1 1 (x 2)2 w2 1 x [0, 2]

Notre connaissance du problme nous a fait choisir F1 = 1 et F2 = 1. De plus, on simpose w1 + w2 = 1 et w1 , w2 0. Nous allons maintenant chercher un min tel que les contraintes seront respectes. Pour mieux visualiser notre but, nous reprsentons la gure 2.16 la fonction (g1 ( f1 , f2 , ), g2 ( f1 , f2 , ), ) dans le plan ( f1 , f2 , ). Soient les notations suivantes : on appelle 1 la droite g1 ( f1 , f2 , ) = f1 (x) w1 , on appelle 2 la droite g2 ( f1 , f2 , ) = f2 (x) w2 . Le point intressant dans cette gure est A. En effet, pour cette valeur de A , les contraintes de notre problme sont vries quel que soit x. Ce point est dni par : g1 ( f1 , f2 , A ) = 1 g2 ( f1 , f2 , A ) = 1 On rsout ce problme (on limine A et on trouve x) : x2 w1 A = 1 (x 2)2 w2 A = 1
w2 (x 2)2 w x2 1 = 1 1 w2 2 x2 1 w w1 4 x + 3 + w1 = 0

On a alors :
w2 = 4+8 w +4 1 w2 = 4 1+ w 1 2 w2 w1 2

ou

donc , x2 =

x1 =

4+ w 2 1 w 2
1

4 w 2 1 w 2
1

2 = 2 1+ w w1 = 1, w1 , w2 58

2.6 La mthode dite du but atteindre f2

Plan f2 = 1 Droite 1

f1

Plan f1 = 1 Droite 2

F IG . 2.16 Reprsentation du problme dans le plan ( f1 , f2 , ). w1 0.05 0.1 0.15 0.2 0.21 0.22 0.23 0.24 0.25 0.3 0.4 0.5 0.6 0.7 0.8 0.9 w2 0.95 0.9 0.85 0.8 0.79 0.78 0.77 0.76 0.75 0.7 0.6 0.5 0.4 0.3 0.2 0.1 1600 400 178 100 90.7 82.6 75.6 69.44 64 44.44 25 16 11.11 8.16 6.25 4.93 x1 1.78 1.5 1.14 0.67 0.55 0.42 0.29 0.15 0 1 6 14 9 7.33 6.5 x 1.78 1.5 1.14 0.67 0.55 0.42 0.29 0.15 0 1 1 1 1 1 1 1 f1 3.17 2.25 1.3 0.44 0.30 0.17 0.08 0.02 0 1 1 1 1 1 1 1 f2 0.04 0.25 0.74 1.77 2.10 2.49 2.92 3.42 4 1 1 1 1 1 1 1 A 43.37 12.5 1.99 2.75 3.32 3.74 3.98 4.07 4 0 87.5 325 114 65.9 45.83

TAB . 2.3 Les rsultats du problme concret. Il ne nous reste plus qu remplir le tableau 2.3. Dans ce tableau, les diffrentes variables correspondent : w1 et w2 : : les coefcients de pondration. le discriminant du polynme.

59

Chapitre 2. Les mthodes scalaires x: les valeurs de x1 et/ou x2 qui respectent la contrainte x [0, 2]. Pour les neuf premires valeurs, x1 a t choisi et pour les dernires valeurs, x2 (seul possible) a t choisi. De cette manire, on a pu assurer une certaine diversit dans la rpartition des points sur la surface de compromis. la valeur de la fonction objectif f1 pour la valeur de x correspondante. la valeur de la fonction objectif f2 pour la valeur de x correspondante. la valeur de A pour la valeur de x correspondante. Cette valeur est calcule en utilisant la formule suivante : A = x2 1 w1

f1 (x) : f2 (x) : A (x) :

On reprsente les dix premires solutions obtenues dans le plan ( f1 , f2 ) (voir la gure 2.17). f2 4

0 0 1 2 3 4 f1

F IG . 2.17 Reprsentation des solutions dans le plan ( f1 , f2 ) obtenues avec la mthode du but atteindre. Comme on peut le voir sur cet exemple, la reprsentation des solutions permet de tracer la surface de compromis du problme doptimisation. En revanche, on peut remarquer que les solutions sont obtenues avec des valeurs de poids w1 , w2 comprises dans une plage de variation assez troite. Par rapport la mthode de pondration des fonctions objectif, on peut dire que la mthode du but atteindre est beaucoup plus sensible dans le choix des poids servant obtenir une solution. Le problme est que, dans cette mthode, les poids ne retent pas les prfrences de lutilisateur. Ces poids nont aucune signication physique, comme avec la mthode de pondration des fonctions objectif. Le choix des coefcients de pondration uniformment rpartis dans lintervalle [0, 1] ne nous permettrait pas dobtenir une reprsentation uniforme des solutions sur la surface de compromis. Pour obtenir une rpartition uniforme, il faut procder de la manire suivante : faire un premier passage pour reprer la zone dintrt, puis se focaliser sur cette zone en faisant un second passage, qui permettra dafner les poids, pour obtenir une meilleure rpartition des points sur la surface de compromis. 60

2.7 La mthode dite du but programm

2.6.4

Discussion

Le principal avantage de cette mthode est quelle permet de travailler avec un ensemble de solutions S pas ncessairement convexe. Cependant, il peut exister des formes de domaines pour lesquelles la solution dpend du choix du but initial. La gure 2.18-b reprsente un exemple dun tel domaine. Heureusement, ce cas est extrme. Cette conclusion peut tre tire pour tous les types de mthodes bases sur une distance. De plus, lors de la rsolution de lexemple, si nous navions pas fait une deuxime optimisation en rglant mieux nos poids, nous aurions rencontr une difcult typique de loptimisation multiobjectif : la non-uniformit de la reprsentation des solutions sur la surface de compromis. f2 f2 B A S S

f1
(a) Un cas courant (b) Un cas extrme

f1

F IG . 2.18 Une difcult pour la mthode du but atteindre. A et A : objectifs initiaux.

B et B : solutions optimales. w et w : directions de recherche.

2.7
2.7.1

La mthode dite du but programm


Principe

Cette mthode (en anglais Goal programming) se rapproche beaucoup de la mthode du but atteindre (en anglais Goal attainment). La principale diffrence est quaprs avoir transform la forme du problme doptimisation, on se retrouve avec des contraintes dgalit et non plus des contraintes dingalit. La dmarche est la suivante : on choisit un vecteur de fonctions objectif initial F ; chaque objectif, on associe deux nouvelles variables que lon appelle les dviations par rapport au vecteur de fonctions objectif initial x ; on minimise ensuite une des deux variables. Le choix de la variable se fait en fonction du type de dpassement que lon veut (au-dessus ou au-dessous de lobjectif que lon sest x).

2.7.2

Prsentation de la mthode

On part du problme P.

61

Chapitre 2. Les mthodes scalaires On choisit un vecteur de fonctions objectif initial F Rk . On associe aussi un ensemble de variables di+ et di chaque fonction objectif fi ( x ), i {1, , k} (les dviations). On obtient alors le problme suivant : minimiser avec
+ + d1 ou d1 , , dk ou dk + f1 ( x ) = F1 + d1 d1 . . . + fk ( x ) = Fk + dk dk h (x)=0 g ( x)0

et

Les variables de dviation que lon cherche minimiser doivent respecter certaines contraintes : di+ et di 0, di+ di = 0 avec i {1, , k}. En fonction de la faon dont on dsire atteindre le but F , on cherchera minimiser + diffrentes combinaisons des coefcients di et di . Ces combinaisons sont runies dans le tableau 2.4. Type On dsire atteindre par valeurs suprieures lobjectif i On dsire atteindre par valeurs infrieures lobjectif i On dsire atteindre lobjectif sans dpassement Valeur de la dviation Positive Ngative Nulle Variable di+ di di+ + di

TAB . 2.4 Diffrentes combinaisons de dviations. Par exemple, si lon veut approcher tous les objectifs par valeurs suprieures, on obtient le problme suivant : minimiser avec
+ + , , dk d1 + f1 ( x ) = F1 + d1 . . . + fk ( x ) = Fk + dk h ( x)=0 g ( x)0

et

On voit que cette mthode permet de rduire le problme doptimisation multiobjectif la minimisation dun vecteur. Pour minimiser ce vecteur, on peut procder de plusieurs manires : On minimise la somme pondre des dviations. Par exemple :
+ + + min d1 , d2 , d3 , d4 + d4

62

2.8 Lordonnancement lexicographique se transformera de la manire suivante :


+ + + min 2 d1 + 3 d2 + 2 d3 + 1 d4 + d4

Les diffrents coefcients de pondration dnissent un choix de lutilisateur dans limportance des fonctions objectif. On minimise squentiellement les composantes du vecteur. On appelle cette mthode optimisation lexicographique. Si lon reprend lexemple ci-dessus, on effectuera les oprations successives suivantes : + on minimise d1 , + on minimise d2 en gardant d1 constant, + + on minimise d3 en gardant d2 et d1 constants, + + + on minimise d4 + d4 en gardant d3 , d2 et d1 constants.

2.7.3

Discussion

La mthode du but programm, semblable la mthode du but atteindre, soulve les mmes critiques. Dans certains cas, on peut rater des solutions caches dans des concavits. Pour plus dinformations, voir [Azarm 96], [Coello 98], [MOPGP] et [Miettinen 99].

2.8
2.8.1

Lordonnancement lexicographique
Principe

Cette mthode est trs intuitive. En effet, elle consiste considrer les fonctions objectif les unes aprs les autres et minimiser un problme doptimisation monobjectif, en compltant au fur et mesure lensemble des contraintes [Coello 98].

2.8.2

Prsentation de la mthode

On part du problme P. On procde ensuite en k tapes (autant dtapes quil y a de fonctions objectif). Commenons avec la premire fonction objectif. On rsout : minimiser avec et f1 ( x) g ( x)0 h ( x)=0

la solution ce problme. On note f1 Ensuite, on transforme la premire fonction objectif en contrainte dgalit puis on prend la seconde fonction objectif et on rsout le problme suivant :

minimiser avec et

f2 ( x) f1 ( x ) = f1 g ( x)0 h ( x)=0

On rpte cette dmarche jusqu la fonction objectif k. Alors, pour nir, on aura :

63

Chapitre 2. Les mthodes scalaires minimiser avec et fk ( x) , , f ( f1 ( x ) = f1 1 x ) = f k1 g (x)0 h ( x)=0

La dernire valeur de x est celle qui minimise tous les objectifs.

2.8.3

Discussion

Cette mthode prsente un inconvnient : elle requiert un choix de la squence des objectifs minimiser. Ce choix est largement arbitraire, un peu comme celui des coefcients de pondration, dans la mthode de pondration des fonctions objectif. Deux ordonnancements diffrents de fonctions objectif naboutissent gnralement pas la mme solution.

2.9
2.9.1

La mthode des contraintes dgalit propres


Principe

Cette mthode (Proper Equality Constraints ou contraintes dgalit propres) a t prsente dans [Lin 76]. On lappelle aussi la mthode des contraintes dgalit strictes. Elle est trs lourde dun point de vue mathmatique, mais ne ncessite aucune hypothse de linaritconvexit.

2.9.2

Prsentation de la mthode

On part du problme P. On le transforme de la manire suivante : minimiser avec fk ( x) f1 ( x ) = 1 . . . fk1 ( x ) = k1 g (x)0 h ( x)=0

et

Jusquici, la mthode est semblable celle de la mthode du compromis. Nous allons, avant de continuer, prsenter quelques notations. On note = {1 , , k1 }. Cest le vecteur des bornes des contraintes. On note X le domaine ralisable. On note X = { x X | f1 ( x ) = 1 , , fk1 ( x ) = k1 }. / }. Cest lensemble des valeurs de On note D = { Rk1 | X = 0 telles que les contraintes additionnelles (obtenues aprs transformation du problme) ne soient pas trop restrictives et quil existe des valeurs dans X . On note = inf{ fk ( x ) | x X }. Cest la valeur minimale de la fonction objectif en prenant en compte toutes les contraintes. < et fk x = , x X }. B est une restriction On note B = { D| de D. 64

2.9 La mthode des contraintes dgalit propres Ces diffrentes dnitions sont prcises la gure 2.19. f2 X X

()

f1

F IG . 2.19 Reprsentation des diverses notions utilises par la mthode, dans le cas k = 2. Cette mthode comprend cinq tapes : Etape 1 : Transformer tous les objectifs, sauf un, en contraintes dgalit paramtriques. On obtient alors le problme suivant : minimiser avec et fk ( x) f1 ( x ) = 1 , , fk1 ( x ) = k1 g (x)0 h ( x)=0

Etape 2 :

Rsoudre ce problme et dterminer , D et x . Voici la signication du dernier paramtre : A chaque D correspond un x = x qui nest pas ncessairement dans X ni dans X . Ce x est tel que f x = . On appelle cette valeur
k

une solution suprmum du problme associ. Etape 3 : Etape 4 : Dterminer lensemble B et la solution optimale du problme associ x avec B. Supprimer de B tous les vecteurs de contraintes qui ne soient pas des vecteurs propres (voir les deux propositions suivantes pour montrer quun vecteur nest pas propre). Etape 5 : Dterminer le reste nal de B que lon notera B . Voici maintenant deux propositions qui nous serviront vrier quun vecteur est effectivement propre.

65

Chapitre 2. Les mthodes scalaires Proposition 1 : est propre si lune des assertions suivantes est vrie : Un vecteur 0 . 1. crot sur D et = B tq
0 0

sur B. 2. crot sur D et est absolument croissante droite de 0 3. crot sur D et est absolument croissante sur B. sur D. 4. est absolument croissante droite de
0

6. est absolument croissante sur D.

= { 5. est absolument croissante sur le sous-ensemble D D| }. 0

et est localement absolument croissante 7. est absolument croissante sur D 0 droite de 0 .

que 1 i k 1.

Proposition 2 : B nest pas localement propre si Un vecteur


0

+ ( 0) i

< 0 pour au moins un i tel

Voici, graphiquement (voir gure 2.20), quoi servent ces propositions : 1. On part du fait que lon a trouv un ensemble B (gure 2.20-a). 2. On applique une des propositions pour ltrer lensemble B et supprimer ainsi les vecteurs qui ne sont pas propres (gure 2.20-b). 3. Lensemble B contient maintenant la surface de compromis. f2 f2 P

B D=B f1 f1
(a) Avant lapplication dune proposition

D=B
(b) Aprs lapplication dune proposition

F IG . 2.20 Passage de B B : suite lapplication dune proposition. Pour mieux comprendre cette mthode, nous allons traiter un exemple.

2.9.3

Un exemple concret

On reprend notre problme test Schaffers F2 : minimiser minimiser avec f1 (x) = x2 f2 (x) = (x 2)2 x [0, 2] 66

2.10 La mthode des contraintes dingalit propres On choisit de conserver la seconde fonction ( f2 ) comme fonction objectif. On transforme lautre fonction en contrainte dgalit paramtrique. On applique donc ltape 1. On a alors le problme suivant : minimiser avec et f2 (x) = (x 2)2 f1 (x) = x2 = 0x2

On va maintenant dterminer D, () et x (). Ces dterminations correspondent ltape 2 de la mthode. Pour trouver D, on essaie de fusionner les deux contraintes en une seule. On remarque que x = . On en dduit que 0 4. Donc D = { R | 0 4}. Pour trouver (), on cherche une relation du type f2 (x). On obtient facilement cette 2 relation : () = 2 = f2 (x) car x = . Pour trouver x (), on cherche une relation du type x = f () (o f est une fonction quelconque de la variable ). On a cette relation facilement : x () = . On passe maintenant ltape 3. On dtermine lensemble B = { D | f2 (x ()) = ()} ; 2 do B = { D | f2 (x ()) = 2 }. On va maintenant raliser les trois dernires tapes en un coup. Pour cela, on vrie que d () () 1 + < 0. On calcule cette drive : d = 2 < 0, R , donc on ne retire aucun point de B. On a ainsi, pour nir, B = B. On va reprsenter graphiquement la surface de compromis. Pour cela, on choisit variant de 0 4 par pas de 1. On a le tableau suivant : 0 1 2 3 4 x () 0 1 2 3 2 () 4 1 22 32 0 f1 (x ()) 0 1
2

2
2

3 4

f2 (x ()) 4 1 2 22 2 32 0

On trouve alors le graphique de la gure 2.21.

2.9.4

Discussion

Cette mthode est une mthode littrale. Elle nest pas facile implmenter. A cette n, il faut faire appel deux algorithmes que lon va prsenter dans les sections 2.11 et 2.12.

2.10
2.10.1

La mthode des contraintes dingalit propres


Principe

Cette mthode (Proper Inequality Constraints ou contraintes dingalit propres) est fortement inspire de la mthode prcdente et est prsente dans [Lin 77]. La diffrence rside dans le fait quelle transforme le problme de dpart en utilisant des contraintes dingalit et non plus des contraintes dgalit. 67

Chapitre 2. Les mthodes scalaires f2 4 3 2 1 0 0 1 2 3 4 f1 F IG . 2.21 Problme test de Schaffer trait par la mthode des contraintes dgalit propres.

2.10.2

Prsentation de la mthode

On part du problme P. On le modie de la manire suivante : minimiser avec fk ( x) f1 ( x ) 1 fk1 ( x ) k1 g (x)0 h ( x)=0

et

Introduisons quelques notations. On note zi = fi ( x ) et = (1 , , k1 ). Z = f ( x ) | g ( x ) 0 et h ( x ) = 0 : cest lensemble des valeurs des fonctions objectif telles que les contraintes sur x soient respectes. Z est la frontire de Z . | zi i avec i = k} : cest lensemble des valeurs des fonctions objectif Z = { z Z telles quelles appartiennent la frontire de Z et que z . Nous allons maintenant dnir les ensembles A et P : A= Rk1 | Z est non vide . . A 0 = A| 0 = inf zk | z Z : cest la valeur minimale de lobjectif fk ( x ) quand les autres objectifs ( f1 ( x ) , , fk1 ( x )) prennent leurs valeurs sur la frontire de Z . P= , | A . Une fois que lon a dtermin lensemble P, il ne reste qu dterminer lensemble D qui contient les solutions notre problme. Pour cela, on prend les valeurs de lensemble P et on teste si ce sont des valeurs suprmum. A cette n, on dispose dun certain nombre de tests. Thorme : quasi-suprmalit globale , D si et seulement si pour tout = A tel que 0 0 0 0 68

2.11 Lalgorithme de Lin-Tabak Thorme : quasi-suprmalit locale , D si et seulement si, pour un voisinage N , , = 0 0 0 0 T pour tout N 0 , A 0 tel que = 0 .

2.10.3

Discussion

Cette mthode a t trs utilise et a donn naissance quelques algorithmes que nous tudierons dans les sections 2.11 et 2.12.

2.11
2.11.1

Lalgorithme de Lin-Tabak
Principe

Cet algorithme [Tabak 79] est bas sur la mthode prcdente.

2.11.2

Prsentation de la mthode

On part du problme P. On transforme le problme de la manire suivante : minimiser avec et fk ( x) f1 ( x ) 1 , , fk1 ( x ) k1 g (x)0 h ( x)=0

On note = fk x0 , o = [1 , , k1 ]t . Lalgorithme se dcompose en cinq tapes : Etape 1 : Rsoudre le problme avec une valeur initiale (0) , ce qui donne un optimum global (0) = (0) . Modier 1 1 + 1 = 1 avec 1 > 0 et recommencer la rsolution du problme. On obtient alors un optimum global (1) . Effectuer les comparaisons suivantes : 1. Si (1) = (0) alors il faut dtruire 1 car il nest pas propre. 2. Si (1) = (0) alors accepter 1 et 1 . En fait, on doit avoir (1) < (0) . Si lingalit est inverse, la solution du problme prcdent tait juste une solution locale. Etape 4 : Rpter les tapes 2 et 3 avec des valeurs croissantes de 1 jusqu ce quune frontire de la rgion propre dans la direction de 1 soit atteinte. Cela deviendra vident avec laboutissement de ltape 3-1. Rpter les tapes 2 4 pour un autre i , i = {2, , k 1}.
(0) (1) (0) (0) (0) (1)

Etape 2 : tape 3 :

Etape 5 :

69

Chapitre 2. Les mthodes scalaires

2.12
2.12.1

Lalgorithme de Lin-Giesy
Principe

Cette mthode [Giesy 78] repose galement sur la mthode des contraintes dingalit propres. Il existe, cependant, un thorme qui garantit, dans certains cas, la convergence de lalgorithme.

2.12.2

Prsentation de la mthode

On introduit dabord quelques notations : On note (0) le choix de la valeur initiale de appele seuil de satisfaction. Cette valeur doit tre donne par lutilisateur. Dans cet algorithme, le vecteur est de dimension k . ( On note i) la valeur du vecteur atteinte litration i (i = {1, , k}). Ici, k prend la mme valeur que la variable k ci-dessus. On note une permutation de lensemble {1, 2, , k}. Par exemple, si A = {1, 2, 3} alors on peut prendre = {2, 1, 3} et 1 = 2, 2 = 1 et 3 = 3. A litration i, la description de lalgorithme est la suivante : Etape i1 : Rsoudre le problme minimiser avec et fi ( x) f j ( x ) j , j = {1, , k}, j = i g ( x)0 h ( x)=0

Etape i2 :

Pour litration 1 seulement, sil ny a pas de solution ou si f1 x(1) (0) 1 , alors un choix moins restrictif de (0) doit tre fait. On pose (i) = f x(i) .

On note la solution x(i) .

On admettra le thorme suivant, concernant la convergence de la mthode. Thorme : convergence Si lalgorithme trouve une solution lors de litration 1, alors il aboutira toutes les k itrations et x(k) est la solution optimale au sens de Pareto et f x(k) (0) .

2.13

Bibliographie commente

[Azarm 96] Site Internet prsentant les mthodes multiobjectifs les plus courantes comme la mthode de pondration des fonctions objectif par exemple. La prsentation de ces mthodes est trs oriente utilisateur. Peu de dtails sont donns sur 70

2.13 Bibliographie commente laspect mathmatique de ces mthodes mais, en revanche, toute la dmarche expliquant lutilisation de ces mthodes pour approcher la surface de compromis est dtaille. [Ehrgott 00] Un ouvrage prsentant les mthodes doptimisation multiobjectif. Le niveau mathmatique de lexpos est plutt lev. Cest un ouvrage de rfrence pouvant servir de base de donnes des proprits mathmatiques des mthodes doptimisation multiobjectif.

71

Chapitre 3

Les mthodes interactives


3.1 Introduction

Les mthodes interactives permettent de chercher une et une seule solution. Elles forment la famille des mthodes progressives et permettent lutilisateur de dterminer ses prfrences vis--vis dun compromis entre objectifs au cours de loptimisation. Ces mthodes sont comparer aux mthodes : prfrence a priori, o lutilisateur choisit le compromis raliser entre objectifs avant de lancer loptimisation ; prfrence a posteriori, o lutilisateur na pas choisir de compromis avant de lancer loptimisation. La mthode doptimisation calcule toutes les solutions efcaces et lutilisateur peut ainsi les comparer et en choisir une. Nous allons maintenant prsenter quelques mthodes interactives (ou plutt quelques principes dinteraction).

3.2
3.2.1

La mthode du compromis par substitution


Principe

Cette mthode (Surrogate Worth Tradeoff (SWT) ou mthode du compromis par substitution) a t trs utilise pour loptimisation de ressource en eau [Haimes et al. 75]. Elle est base sur la mthode du compromis, laquelle on a ajout un processus interactif, pour que la mthode converge vers la solution la plus susceptible de satisfaire lutilisateur.

3.2.2

Prsentation de la mthode

On part du problme P.

73

Chapitre 3. Les mthodes interactives Cette mthode se dcompose en sept tapes : Etape 1 : Trouver le minimum de la fonction f j en rsolvant : minimiser avec et f j ( x) g ( x)0 h ( x)=0

Etape 2 : Etape 3 :

La solution ce problme devient la je composante du vecteur f min , qui regroupe les k 1 valeurs minimales de f j , j = {2, , k}. Si possible, on peut chercher cette tape les composantes du vecteur f max , qui regroupe les k 1 valeurs maximales de f j , j = {2, , k}. Choisir la valeur de dpart de j f jmin , j = {2, , k}. Rsoudre le problme suivant : minimiser avec et f1 ( x) f2 ( x ) 2 , , fk ( x ) k g (x)0 h ( x)=0

Si certaines des contraintes de ce problme ne peuvent pas tre respectes, on pose j = f j ( x ) pour j correspondant aux index des contraintes non respectes (on relche les contraintes). Il faut ensuite recommencer cette tape. Si les contraintes sont respectes, on appelle x le vecteur solution et on passe ltape suivante. Etape 4 : Si les contraintes sont maintenant sufsamment relches, on passe ltape 5 sinon, on choisit une nouvelle valeur de j f jmin , pour tout j = {2, , k} et on retourne ltape 3. Une mthode pour slectionner une nouvelle valeur de consiste commencer par une grande valeur de puis diminuer chaque j , pour tout j = {2, , k} dun certain j > 0, chaque fois que les contraintes sont respectes. Si les contraintes ne sont pas respectes, on pose j = f j ( x ) avec j index des contraintes non respectes (ici x dsigne la valeur courante de la solution). On demande maintenant lutilisateur de choisir les coefcients W1 j , pour tout j = {2, , k}. Ces coefcients reprsentent lavis de lutilisateur vis--vis dun accroissement de la fonction f j de 1 j units (le mode de calcul de 1 j est prcis plus loin). Ce cot est mesur sur une chelle de -10 +10, o -10 reprsente un avis dfavorable de lutilisateur vis--vis de cet accroissement et +10 un avis favorable. 0 reprsente lindiffrence. Cette opration est rpte pour j variant de 2 k. On rpte ltape 5 jusqu ce que lon trouve pour les coefcients W1 j , j = {2, , k} des valeurs gales zro. On note f j , pour tout j = {2, , k} les valeurs des fonctions objectif correspondant ces coefcients. Le vecteur solution prfr x est dtermin en rsolvant le problme suivant :

Etape 5 :

Etape 6 :

Etape 7 :

74

3.2 La mthode du compromis par substitution minimiser avec et f1 ( x) , , f ( f2 ( x ) = f2 k x ) = fk g (x)0 h ( x)=0

Le plus difcile dans cette mthode est de bien comprendre la signication du coefcient W1 j . Pour cela, voici une procdure que lon peut suivre pour valuer W1 j : Un point possible pour la rsolution du problme est le suivant : f2 ( x ) [units de f2 ], f3 ( x ) [units de f3 ] et f1 ( x ) [units de f1 ]. On se pose alors les questions suivantes : Pour W12 : A ce point de fonctionnement, seriez-vous prt augmenter f2 de 12 [units de f2 ] pour une rduction de f1 de 1 [unit de f1 ] ? Donnez votre rponse sur une chelle de -10 (pas daccord) +10 (daccord). Pour W13 : A ce point de fonctionnement, seriez-vous prt augmenter f3 de 13 [units de f3 ] pour une rduction de f1 de 1 [unit de f1 ] ? Donnez votre rponse sur une chelle de -10 (pas daccord) +10 (daccord). Cette mthode va permettre, dans un premier temps, de trouver une zone de satisfaction (entre deux 0 de W12 ou de W13 , ou entre un 0 de W12 et un 0 de W13 . Voir les gures 3.1 et 3.2). Une fois que lon a trouv cette zone de satisfaction, on peut rsoudre le problme pos en utilisant la mthode du compromis, en se restreignant aux valeurs de la zone de satisfaction.
W12 +10 Zone de satisfaction 1

Itration

-10 W13 +10 Zone de Zone de satisfaction 2 satisfaction 3

Itration

-10

F IG . 3.1 Les zones de satisfaction dans la mthode SWT - Exemple 1. La valeur du coefcient i j se calcule de la manire suivante : i j = Dans notre cas, on ne calcule que : f1 fj car on fait toujours notre comparaison en rfrence la fonction objectif f1 . 1 j = 75 (3.2) fi fj (3.1)

Chapitre 3. Les mthodes interactives


W12 +10

Itration

-10 W13 +10 Zone de satisfaction

Itration

-10

F IG . 3.2 Les zones de satisfaction dans la mthode SWT - Exemple 2.

3.2.3

Discussion

Dans cette mthode, il nest pas toujours vident de savoir quel prix on est prt payer un accroissement de la valeur dune fonction. Dans la plupart des cas, on peut tre tent de rpondre un peu au hasard. Ce type de rponse peut alors empcher la mthode de trouver le ou les bons optima. De plus, cette mthode nest applicable qu des problmes dont la fonction objectif de rfrence est drivable ( cause du coefcient 1 j ).

3.3
3.3.1

La mthode de Fandel
Principe

Le but de cette mthode est daider lutilisateur dans le choix de ses coefcients de pondration [Eschenauer et al. 90].

3.3.2

Prsentation de la mthode

On part du problme P. On modie le problme de la manire suivante : minimiser avec et k i=1 wi f i ( x ) g (x)0 h ( x)=0

On a aussi wi 0 et k i=1 wi = 1. On retrouve cette condition dans la mthode de pondration des fonctions objectif (voir section 2.1.2). Comme pour la mthode de pondration des fonctions objectif, la variation des coefcients wi permet de dterminer les points de la surface de compromis. En revanche, dans la mthode de Fandel, on suppose que ces coefcients ne sont pas connus. On suppose aussi 76

3.3 La mthode de Fandel que lutilisateur cherche une solution qui soit proche de la solution idale (ce terme est dni plus loin). Pour obtenir ces coefcients, on procde comme suit : Dans un premier temps, on calcule le minimum de chaque fonction objectif (que lon notera f j ) en respectant les contraintes. Cela revient rsoudre le problme suivant : minimiser avec et f j ( x) g ( x)0 h (x)=0

avec j = {1, , k}. On note x j la solution de ce problme. j On note f = f x j la valeur du vecteur de fonctions objectif correspondant cette solution. Pour j = 4, ce vecteur aura pour composantes : 4 f = f1 x4 , , f3 x4 , f4 , f5 x4 , , fk x4 On forme ensuite le vecteur objectif idal : f = f 1, , f k On peut aussi former la matrice B : B= 1 f , , f k
t t

(3.3)

(3.4)

Cette matrice contient les valeurs f j sur sa diagonale. Pour un problme deux objectifs, on a le schma reprsent gure 3.3. f2 111111111111111111 000000000000000000 000000000000000000 111111111111111111
000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 1 000000000000000000 111111111111111111 f 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 f 000000000000000000 111111111111111111 0 000000000000000000 111111111111111111 f 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 2 000000000000000000 111111111111111111 f 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111 000000000000000000 111111111111111111

f2max f2min

f1min

f1max

f1

F IG . 3.3 La mthode de Fandel (tape 1). Le vecteur f reprsente donc un objectif idal pour lutilisateur mais quon ne peut pas atteindre en ralit. Ce vecteur est le but que se xe lutilisateur (il est prt tout faire pour atteindre cet objectif). 77

Chapitre 3. Les mthodes interactives Reportez-vous la gure 3.3 pour une illustration des diffrentes notations introduites jusquici. Sur cette gure, le domaine gris reprsente la partie du domaine de recherche qui nest pas accessible cause des contraintes. Les variables f1min , f1max , f2min et f2max dlimitent les domaines de variation des fonctions objectif f1 et f2 dans la zone ralisable. A ltape M , lutilisateur va obtenir une solution qui sera proche de la solution idale. Ici, on calcule un vecteur f M qui servira rduire la taille de lespace de recherche. Ce vecteur scrit de la manire suivante : M 1 k f = f i k i=1 (3.5)

On va maintenant rduire la taille de lespace de recherche en jouant sur les contraintes. M : On appelle notre nouvel espace de contraintes Y M = Y f ( x ) Rk | g ( x ) 0, h ( x ) = 0 et f ( x) f M Dans ce nouvel espace de contraintes, on minimise nos fonctions objectif : minimiser avec et f j ( x ), j = {1, , k} g ( x)0 h (x)=0 f ( x) f M (3.6)

j On note f j la solution de ce problme et x le vecteur dcision correspondant. : Comme prcdemment, on forme la matrice B = B 1 f , , f k
t

(3.7)

k o f k dsigne le vecteur f x . dnit un hyperplan (une droite dans le cas dun problme deux Cette matrice B fonctions objectif) qui a pour quation : B a = c e (3.8)

avec

a = (a1 , , ak )t , k a > 0, a j = 1,
i=1

c = constante, e = (1, , 1)t Le vecteur a et la constante c sont les inconnues du systme dquations. Le but va tre de trouver une valeur de c telle que lhyperplan dni par lquation prcdente vienne tangenter lespace des valeurs des fonctions objectif. Le produit B a avec les contraintes pr cites correspond une combinaison convexe des vecteurs f i . Ce produit donne donc bien un hyperplan passant par les extrmits des vecteurs f i . Le fonctionnement de cette tape est reprsent la gure 3.4. Sur cette gure, on peut voir les deux vecteurs f 1 et f 2 qui correspondent aux vecteurs calculs lors de la rso lution du problme f . Le vecteur f M correspond aux bornes du domaine ralisable. Ces bornes sont donnes par lutilisateur. 78

3.3 La mthode de Fandel

Exemple 1 :
Une solution du problme prcdent est la suivante : f 1 = (1, 0) f 2 = (0, 2) 0 2 a1 c = B a = 1 0 1 a1 c on a donc : 2 2 a1 = c = a1 2 a1 = 3

Exemple 2 :
Une solution du problme prcdent est la suivante : f 1 = (2, 3) f 2 = (4, 1) 2 4 a1 c B a = = 3 1 1 a1 c on a donc : 2 a1 + 4 4 a1 = c = 3 a1 + 1 a1 4 a1 + 3 = 0 3 a1 = 4 f2 0 Y
M f2

1 Y 1 f 2 f

M f

M f1

f1

F IG . 3.4 La mthode de Fandel (tape 2). De manire dterminer les coefcients de pondration dune solution de compromis M , lhyperplan (une droite si lon considre un espace de dsire lintrieur du sous-espace Y dimension 2) est dplac en direction de la solution optimale au sens de Pareto, en minimisant la constante c jusqu ce que lhyperplan soit tangent en un point la surface de compromis. Ce processus est reprsent graphiquement la gure 3.5. Sur cette gure, aprs avoir calcul les vecteurs f 1 et f 2 , on dtermine lquation de lhyperplan (B) puis on cherche un hyperplan parallle qui vient tangenter le domaine ralisable. Le point de tangence dnit alors une nouvelle solution note f .

79

Chapitre 3. Les mthodes interactives f2 M f2 hyperplan f 2 f

f 1
M f1

f1

On dplace lhyperplan pour venir tangenter la courbe. F IG . 3.5 La mthode de Fandel (tape 3). Ce problme doptimisation linaire nous donne un vecteur f , qui correspond au vecteur des coefcients de pondration w. La solution de notre problme de substitution peut maintenant tre dtermine. Soit lutilisateur accepte cette solution, soit il commence une nouvelle itration, en prcisant le domaine de recherche. Ceci peut se faire en xant un certain nombre de bornes maximal sur un certain nombre de fonctions objectif (m fonctions objectif par exemple). Notons Y i les bornes suprieures des m fonctions objectif slectionnes pour restreindre lespace sont dtermins par : de recherche. Les minima individuels du nouveau sous-espace Y minimiser avec et f j ( x ), j = {1, , k} g ( x)0 h (x)=0 f ( x )Y
i i

Lindex j dsigne toutes les fonctions objectif slectionnes pour restreindre lespace de recherche. k+1 Litration commence par le calcul dun nouveau point central f M (voir gure 3.6). A la gure 3.6-a, on peut voir litration k de la mthode de Fandel. Un espace de re k a t dtermin. On construit le vecteur mdian f M k en utilisant la formule 3.5, cherche Y puis on fait une recherche de la solution f k dans la direction du vecteur mdian. A la gure 3.6-b, on peut voir litration k + 1 de la mthode de Fandel. Aprs avoir calcul le vecteur mdian f M k , on dnit un nouvel espace de recherche en utilisant ce vecteur mdian. On calcule ensuite un nouveau vecteur mdian f M k+1 qui va dnir un nouvel espace 80

lindex i dsignant toutes les fonctions objectif slectionnes pour restreindre lespace de recherche. j i+1 = On a Y f ( x ) Rk | g ( x ) 0, h ( x ) = 0, f j ( x )Y .

3.3 La mthode de Fandel f2 i Y Mi f

2i Y i f

1i Y
(a) Itration k

f1

f2

i+1 Y 2

M i+1 f i+1 f i+1 Y 1


(b) Itration k+1

i+1 Y

f1

F IG . 3.6 La mthode de Fandel (tape 4). k+1 . On fait ensuite une recherche dans la direction du vecteur mdian qui de recherche Y donnera le vecteur f k+1 . On voit donc, au fur et mesure que lon rpte la mthode, que lon converge vers un point qui, normalement, doit satisfaire lutilisateur.

3.3.3

Discussion

Le problme de cette mthode, commun toutes les mthodes interactives, est que lon ne peut trouver quun seul point solution, et non la totalit de la surface de compromis. On voit aussi que cette mthode fait lhypothse que le vecteur solution qui satisfera lutilisateur est le vecteur le plus proche de la solution idale. Cest une hypothse forte qui fait que cette mthode peut ne pas convenir tous les utilisateurs. Pour nir, le mode dinteraction (rduction de lespace de recherche par action sur des bornes de contraintes) fait que, pour une bonne utilisation de la mthode, lutilisateur doit avoir une bonne connaissance a priori du problme. Il doit tre capable de trouver de bonnes bornes pour restreindre son problme.

81

Chapitre 3. Les mthodes interactives

3.4
3.4.1

La mthode STEP
Principe

Cette mthode est similaire la mthode de Fandel. Ici aussi, les informations sur la prfrence de lutilisateur permettent de restreindre lespace de recherche tape par tape [Eschenauer et al. 90].

3.4.2

Prsentation de la mthode

On part du problme P. On transforme ce problme de la manire suivante : minimiser avec t w < f ( x ) Y g (x)0 h ( x)=0 f (x) Y

et

o le vecteur Y correspond un vecteur de bornes suprieures servant restreindre les pace de recherche. Le vecteur w est dni dans la suite de cette section. De la mme manire que lapproche prcdente, on forme la matrice B. Les coefcients de pondration w j des diffrentes fonctions objectif f j sont ncessaires pour la rsolution du problme. On va dterminer ces coefcients. On va donner un poids plus important aux fonctions f j dont lexcursion est importante ( f j prend ses valeurs dans un domaine tendu). Ces coefcients ont la forme suivante : wj = vj
i=1 k

(3.9)

vi

et : maxi f ji f j mini f ji
j

vj =

1 fj
j

(3.10)

avec i = 1, , k et f ji a la mme signication qu la page 78.


k j=1

De cette manire, les coefcients respectent w > 0 et w j = 1.

Analysons maintenant le comportement des quations donnant les v j et les w j travers un exemple.

82

3.4 La mthode STEP

Exemple
A litration 10, on obtient les valeurs des cinq fonctions objectif suivantes : f 1 f 2 f 3 f 4 f 5 {1, 4, 3, 6, 2} {4, 1, 4, 3, 4} {3, 2, 1, 2, 3} {6, 3, 6, 2, 3} {7, 5, 3, 2, 1}

Comme on peut le voir sur ces rsultats, la mthode S.T.E.P. attribue des poids plus importants aux fonctions objectif qui prsentent une diffrence entre le minimum de la fonction f i et le maximum de la fonction f i la plus importante. Dans cet exemple, on a ce cas de gure sur la fonction objectif f 1 . On pourra aussi remarquer que ce mode de calcul des poids ne fonctionne pas avec des fonctions objectif qui peuvent tre nulles. On constate que, comme avec la mthode de Fandel, les coefcients de pondration ont une importance moindre, car linteraction avec lutilisateur se fait par le choix des bornes su prieures Y et non par le choix des coefcients. De plus, la mthode attribue des coefcients plus petits aux fonctions objectif dont les valeurs sont les plus grandes. Une fois les coefcients dtermins, on calcule une premire solution f 0 de la manire suivante : minimiser avec et t f ( x ) w g (x)0 h ( x)=0

On a alors les rsultats suivants : 1 1 v1 v1 = 7 w1 1 1 =6 51 1 v2 v2 = 1 1 = 4 w2 1 1 v3 v3 = 6 w3 1 1 =5 62 1 v4 v4 = 2 2 = 1 w4 1 1 v5 v5 = 4 w5 1 1 =3

6 19 4 19 5 19 1 19 3 19

= 0.315 = 0.210 = 0.263 = 0.052 = 0.158

Lutilisateur peut alors comparer la solution f 0 avec la solution idale. Si certaines composantes du vecteur des fonctions objectif ne sont pas sufsamment satisfaites, lutilisateur peut relcher la borne suprieure de la contrainte correspondante de la manire suivante : Yj = f j + f j avec j {1, , k}. (3.11)

Sinon, la solution prfre de lutilisateur est donne par f . On a alors obtenu une nouvelle solution de compromis. De plus, le coefcient de pondration w j de la je fonction objectif est mis zro. Le problme a alors la forme suivante : minimiser avec et t f ( x ) Y w g (x)0 h ( x)=0 f (x) Y 83

Chapitre 3. Les mthodes interactives avec w j = 0 et j {1, , k}. et possde la plus petite dviation par Il est donc restreint au sous-espace de recherche Y rapport au vecteur des fonctions objectif idal f . Dans le cas dun problme deux dimensions, lextrmit du vecteur f est situe et de la droite de pente w2 passant par le point lintersection de la frontire du domaine Y w1 idal f (voir gure 3.7). f2
w2 w1

Y 2 Y 1 f 0 f f 1 Y F IG . 3.7 La mthode S.T.E.P.. A lissue de cette tape, si lutilisateur accepte cette solution, le programme sarrte. Autrement, il faut recommencer. Y

f1

3.4.3

Discussion

On retrouve la remarque formule dans la section 3.3.3, propos de la mthode de Fandel. De plus, cette mthode ncessite de fonctionner avec des fonctions objectif non nulles. Cette dernire remarque limite le champ dapplication de cette mthode.

3.5
3.5.1

La mthode de Jahn
Principe

Cette mthode est compltement diffrente des deux autres. On commence par choisir un point de dpart, puis le problme est rsolu pas pas travers lespace de recherche en direction de la solution optimale au sens de Pareto [Eschenauer et al. 90]. Cette mthode est fonde sur une mthode de minimisation cyclique (aussi appele mthode doptimisation scalaire dans les directions ralisables de Zoutendjik).

3.5.2

Prsentation de la mthode

On part du problme P. On transforme ce problme de la manire suivante :

84

3.5 La mthode de Jahn minimiser avec et

t u w j f x fj t u vi [ x gi ] g u t tl x hl h =

On a aussi f Rk , g Rm , h R p . avec i = {1, , m} j = {1, , k } l = {1, , p} n = {1, , k }

On a utilis les notations suivantes : :


x : :

fonction scalaire de prfrence. A= oprateur nabla de la variable x (


x

A i xi x i ).

direction du pas de minimisation. coefcient de pondration de la je fonction objectif. coefcient de pondration de la ie contrainte dingalit. coefcient de pondration de la l e contrainte dgalit.

wj : vi : tl :

La solution de notre nouveau problme commence par le choix dun vecteur de dpart rali 0 sable x 0 et par le calcul du vecteur des fonctions objectif correspondant f x . Le choix du point de dpart inuence les alternatives futures possibles, en supposant que 0 soit restreint : lespace de recherche Y 0 0 = Y f ( x ) | f ( x) f x (3.12)

On a reprsent la gure 3.8 un schma qui explique ce mcanisme. Sur cette gure, on 0 x permet de restreindre lespace de voit que le choix du vecteur ralisable de dpart f 0. recherche. On obtient alors le domaine ralisable Y En fonction du vecteur objectif f ( x ), lutilisateur choisit une fonction objectif fi , qui doit tre minimise prioritairement. A cet effet, un pas de direction et de longueur approprie doit tre dtermin, et il doit satisfaire la relation suivante : xk+1 = xk + k k On a utilis les notations suivantes : k + 1 x : variable de travail litration k + 1. xk : variable de travail litration k. k : longueur du pas de minimisation. k Il faut que x +1 et xk satisfassent les contraintes du problme ( g et h ). De plus, il faut que ces points vrient : (3.13)

85

Chapitre 3. Les mthodes interactives f2 Y


0 f2

0 Y

0 f
0 f1

f1

F IG . 3.8 Initialisation de la mthode de Jahn. fik+1 < fik f jk+1 f jk i I = {1, , k} j J = {I | j = i}

Ces deux relations expriment que la valeur de la fonction objectif calcule litration k + 1 doit dominer la valeur de la fonction objectif calcule litration k. On obtient la direction du pas en rsolvant notre problme modi (le problme de dpart transform). En agissant ainsi, les coefcients de pondration w j , vi et tl choisis par lutilisateur inuencent la direction du pas. Lutilisateur peut maintenant choisir la longueur du pas k dans un intervalle [0, max ]. On trouve max en rsolvant le problme suivant : maximiser avec max fi xk + max k f j xk + max k g xk + max k h xk + max k < f i xk f j xk 0 =0 i I = {1, , k} j J = { I | j = i}

et

Le nouveau vecteur fonction objectif f k+1 , pour le pas de direction et de longueur don nes, est calcul ( f k+1 = f xk + k k ). Si ce vecteur objectif nest pas accept, on dtermine la prochaine itration une nouvelle direction, en rsolvant notre problme modi. La variation de la direction du pas, qui est faite en fonction des prfrences de lutilisateur chaque itration, fournit des pas de minimisation lintrieur de lespace de recherche Y , dans la direction de la solution optimale au sens de Pareto f . Si lutilisateur accepte le dernier vecteur objectif f k , lalgorithme sarrte. Le vecteur f k nest pas forcment optimum au sens de Pareto, mais il rside lintrieur de lespace k (lespace de recherche litration k). Aussi, un point optimum au sens de recherche Y de Pareto est obtenu au voisinage de cette solution en rsolvant le problme de substitution scalaire suivant :

86

3.5 La mthode de Jahn minimiser avec et k i=1 wi f ( x ) g (x)0 h ( x)=0 f ( x ) f xk

Un schma du processus itratif dans X et dans Y est dessin la gure 3.9. Sur cette gure, on note f ( x ) la solution du problme de substitution scalaire prcdent. On peut voir que le vecteur f k permet de restreindre lespace de recherche. x2 k k x k+1 xk x1
(a) Reprsentation dans X

f2 0 f2

i f2 k f2

i Y k+1 f k f

k Y
k f1 i f1 0 f f1 1

(b) Reprsentation dans Y

F IG . 3.9 La reprsentation de la mthode de Jahn. Pour illustrer la dernire tape de la mthode, la gure 3.10 reprsente la rsolution du problme de substitution scalaire (mthode de pondration des fonctions objectif).

3.5.3

Discussion

On retrouve linconvnient signal dans la section 3.3.3, propos de la mthode de Fandel. De plus, cette mthode a besoin de connatre les gradients de certaines expressions 87

Chapitre 3. Les mthodes interactives f2

k f2

k Y k f f (x)
k f1

f1

F IG . 3.10 Dernire tape de la mthode de Jahn. lies au problme doptimisation : gradient du vecteur fonction objectif, gradient du vecteur contrainte. Par consquent, si le problme nadmet pas de drives en certains points (comme les problmes combinatoires), cette mthode ne peut pas tre applique.

3.6
3.6.1

La mthode de Geoffrion
Principe

Cette approche est similaire la mthode de Jahn. Elle repose sur un algorithme : lalgorithme de Franck-Wolfe [Eschenauer et al. 90].

3.6.2

Prsentation de la mthode

On part du problme P. On transforme le problme de la manire suivante : minimiser avec et x p f (x) g ( x)0 h (x)=0
t

problme P

avec Rk La fonction de prfrence p f ( x ) nest pas forcment connue de lutilisateur. Pendant le droulement de lalgorithme, lutilisateur devra fournir des informations sur les compromis quil dsire raliser. Il doit aussi fournir la longueur de pas. Deux mthodes sont possibles pour dterminer le point de dpart x0 . Soit lutilisateur slectionne un vecteur en utilisant la mthode de Jahn, soit le vecteur est calcul en rsolvant le problme de substitution suivant : minimiser avec et
k wi fi ( x ) i=1 g ( x)0 h (x)=0

88

3.6 La mthode de Geoffrion On reconnat l la mthode de pondration des fonctions objectif dcrite dans la section 2.1.2. En rsolvant ce problme, on obtient le point x0 = x . A ce moment, on peut rsoudre le problme P . Cette rsolution nous donne la direction de recherche . Des informations propos de la fonction de prfrence sont maintenant requises. Il va falloir transformer le problme P en utilisant la relation suivante :
k p x p f (x) = fi i=1

x fi ( x )

(3.14)

On obtient alors le problme suivant : minimiser avec et On a :


p fi x p f1 x

k k x fi x i=1 wi g (x)0 h ( x)=0

wi = avec i = {1, , k}

(3.15)

et la direction du pas est donne par k = xk+1 xk . Les coefcients de pondration retent le compromis qui est fait par lutilisateur entre la fonction objectif fi et la fonction objectif de rfrence f1 . Il y a deux mthodes pour dterminer les rapports de compromis wi sans faire appel lutilisateur. La premire mthode consiste autoriser une variation innitsimale fi , qui compense la variation innitsimale f1 de la fonction objectif f1 , en gardant les autres fonctions objectif inchanges. Alors : wi = f1 fi (3.16)

Lautre mthode consiste approximer les coefcients de pondration en faisant lhy pothse que le gradient de p f ( x ) reste constant dans la direction du pas de recherche. Par consquent, si tous les objectifs, excepts le premier et le ie , sont maintenus constants, la fonction de prfrence inconnue p f ( x ) saccrot plus rapidement quand la fonction objectif i varie de bi units en proportion de la variation de b1 units de la fonction objectif de rfrence 1 : wi = bi b1 (3.17)

Aprs rsolution du problme de substitution ci-dessus, la longueur du pas doit tre dtermine par lutilisateur lui-mme, qui doit considrer le but :

89

Chapitre 3. Les mthodes interactives p f x k + k k g x k + k k 0 h x k + k k = 0

minimiser avec et

en utilisant lhypothse suivante : 0 k 1 La gure 3.11 reprsente le fonctionnement de cet algorithme. Sur cette gure, on a not f la solution trouve litration i. Le premier point sur cette gure (F 0 ) a t obtenu par rsolution du problme de substitution par pondration des fonctions objectif. On a F 0 = f x0 . f2 f 4 f 3 f 2 d fi f 1 f 0 0 F f1 F IG . 3.11 La mthode de Geoffrion. Pendant la minimisation ci-dessus, lutilisateur peut tre aid par une reprsentation graphique de toutes les fonctions objectif en fonction de , ou par une liste de dpendance sous forme de tableau. Une fois que la longueur de pas est dtermine, le nouveau vecteur objectif peut tre calcul : f k +1 = f x + k k (3.18) Y

Lutilisateur value alors le rsultat, et dcide si le processus peut continuer, ou si la solution peut tre accepte comme solution de compromis. Sil dcide de continuer, il peut alors parcourir la surface de compromis (voir gure 3.11).

3.6.3

Discussion

On retrouve linconvnient habituel des mthodes interactives (voir section 3.3.3). Encore une fois, soulignons la restriction de cette mthode des problmes pour lesquels on peut calculer la drive.

90

3.7 La mthode du simplex

3.7
3.7.1

La mthode du simplex
Principe

Cette mthode na rien voir avec la mthode du simplexe utilise en programmation linaire. Il sagit l dune mthode de recherche squentielle [Nelder et al. 65] de loptimum dun problme doptimisation. Le logiciel [Multisimplex] ralise cette optimisation pour un problme doptimisation multiobjectif de manire interactive. Cette mthode utilise k + 1 essais (o k reprsente la dimension de la variable de dcision x ) pour dnir une direction damlioration des fonctions objectif. Lamlioration des fonctions objectif est obtenue en utilisant une mthode dagrgation oue (voir section 4.1).

3.7.2

Prsentation de la mthode

On commence par choisir au hasard k + 1 valeurs pour la variable de dcision x . Lalgorithme value alors les k + 1 points et supprime le point le moins efcace. Il cre alors un nouveau point partir du point supprim (voir gure 3.12) et recommence lvaluation. Lalgorithme comporte quelques rgles, qui permettent de choisir des points qui vitent de tourner autour dune mauvaise solution. Les deux principales rgles sont les suivantes : Rgle 1 : rejeter les pires solutions. Une nouvelle position de la variable de dcision x est calcule par rexion de la position rejete (voir la gure 3.12). Aprs cette transformation, on recherche le nouveau pire point. La mthode est alors rpte en liminant ce point, etc. A chaque tape, on se rapproche de la zone o se trouve loptimum recherch. ne jamais revenir sur un point qui vient juste dtre rejet. Sans cette rgle, lalgorithme pourrait osciller entre deux mauvais points. A B C A F IG . 3.12 Choix dun nouveau point par symtrie. Sur la gure 3.13, on peut voir le cheminement de la mthode dans lespace des variables de dcision, dans le cas dun exemple deux variables de dcision. Sur cette gure sont reprsentes des courbes de niveau reprsentant la direction damlioration de la fonction objectif optimiser. Dans cet exemple, loptimisation se droule de manire maximiser le pourcentage correspondant la courbe de niveau. Prsentons maintenant lalgorithme complet de la mthode du simplex. Nous utiliserons les notations suivantes : W: B: point le moins favorable ou point venant dtre rejet. point le plus favorable. 91

Rgle 2 :

Chapitre 3. Les mthodes interactives

x2 90% 80% 70% 60% 50% x1 F IG . 3.13 Cheminement de la mthode du simplex. N: second point le plus favorable.

Lalgorithme du simplex est prsent la gure 3.14.


Dbut de loptimisation Engendrer les premiers points du simplex Ranger les points dans les variables B, N, W Re tester les points retenus oui Remplacer N par W Ranger les autres points dans B et N non Arrt de loptimisation oui

la rgle de rvaluation est-elle active ? non

Les objectifs sont-ils atteint ?

Faire la rexion R Remplacer W par R

F IG . 3.14 Lalgorithme de la mthode du simplex. Il existe aussi une version modie de la mthode du simplex. Cette mthode, dite du simplex modi, comporte deux rgles supplmentaires : Rgle 3 : Rgle 4 : dilater le dplacement dans le sens de lamlioration des fonctions objectif. contracter le dplacement, si celui-ci a t fait dans une direction qui nest pas favorable lamlioration des fonctions objectif.

Sur un problme deux variables de dcision, on obtient le schma situ la gure 3.15. En reprenant les mmes notations que pour lalgorithme prcdent, nous obtenons la reprsentation de la gure 3.16. Pour les diffrentes transformations, on a les expressions suivantes : + C W Rexion : R = C + C W Dilatation : E = C + + C W Contraction positive : C+ = C

92

3.7 La mthode du simplex

C-

C+ R

F IG . 3.15 Le processus de dilatation et de contraction de la mthode du simplex modi.


Dbut de loptimisation Engendrer les premiers points du simplex Ranger les points dans les variables B, N, W Re tester les points retenus oui Remplacer N par W Ranger les autres Faire la rexion R Remplacer W par R points dans B et N non La rgle de rvaluation est-elle active ? non Arrt de loptimisation oui

Les objectifs sont-ils atteints ?

R>B ?

non

R>N ?

non

R>W ?

non

oui Faire une dilatation E

oui

oui Faire une contraction positive C+ Faire une contraction ngative C-

E>R ?

non

oui Remplacer W par E Remplacer W par R Remplacer W par C+ Remplacer W par C-

F IG . 3.16 Lalgorithme de la mthode du simplex modi. C W Contraction ngative : C = C o W C + est le point rejet, est le barycentre des points restants, est le coefcient de rexion ( = 1 par dfaut), est le coefcient de dilatation ( = 2 par dfaut), est le coefcient de contraction positive (+ = 0.5 par dfaut), est le coefcient de contraction ngative ( = 0.5 par dfaut).

93

Chapitre 3. Les mthodes interactives

3.7.3

Discussion

Cette mthode est trs simple mettre en uvre. Elle a, dailleurs, fait lobjet dune ralisation industrielle sous la forme du logiciel Multisimplex (voir lURL cit la rfrence [Multisimplex]).

3.8

Bibliographie commente

[Eschenauer et al. 90] Cest un des rares ouvrages discutant de mthodes interactives. Lexpos de ces mthodes est trs mathmatique et ces mthodes ne sont pas illustres travers des exemples simples. En revanche, on trouvera dans les derniers chapitres de nombreux exemples dapplications de loptimisation multiobjectif sur des problmes industriels ; en particulier un problme de recherche de la structure optimale dune antenne parabolique visant minimiser les vibrations de la structure. [Miettinen 99] On trouvera aussi la description dun certain nombre de mthodes doptimisation multiobjectif interactives dans cet ouvrage.

94

Chapitre 4

Les mthodes oues


4.1 Introduction la logique oue
Dans la vie courante, tout ne peut pas tre dcrit de manire binaire. Par exemple, la transition entre le jour et la nuit se fait progressivement, laction sur lembrayage dun vhicule est, elle aussi, progressive. Longtemps, le seul outil de description en logique tait binaire. Tout en logique a t dcrit en termes de VRAI ou FAUX. Le problme de cette description simpliste en logique est quelle ne permet pas de traiter lincertitude et limprcision des connaissances humaines. Lautomaticien L. A. Zadeh a labor une nouvelle logique base sur les ensembles ous. Elle permet de traiter limprcision et lincertitude dans la connaissance humaine ainsi que les transitions progressives entre tats. La diffrence principale entre une logique classique et cette logique oue est lexistence dune transition progressive entre le VRAI et le FAUX [Zadeh 65, Remez 86, Vern 92].

4.1.1

Parallle avec la logique classique

Pour mieux comprendre le concept de la logique oue, nous allons transposer les concepts de la logique classique en logique oue. Tout dabord, la logique classique possde trois fonctions de base. Ces fonctions travaillent sur des paramtres binaires (0 ou 1, FAUX ou VRAI). Voici ces fonctions de base : La fonction ET : C = A et B, ou, en termes plus mathmatiques, C = A B. La table de vrit de cette fonction est reprsente dans le tableau 4.1. HH B 0 HH A H 0 0 1 0 HH B 0 HH A H 0 0 1 1 A 0 1 C 1 0

1 0 1

1 1 1

TAB . 4.1 La fonction ET.

TAB . 4.2 La fonction OU.

TAB . 4.3 La fonction NON.

95

Chapitre 4. Les mthodes oues La fonction OU : C = A ou B ou, en termes plus mathmatiques, C = A + B. La table de vrit de cette fonction est reprsente dans le tableau 4.2. La fonction NON : C = non A ou, en termes plus mathmatiques, C = A. La table de vrit de cette fonction est reprsente dans le tableau 4.3. Toutes ces fonctions de la logique classique ont leur quivalent en logique oue. La grande diffrence vient du fait que lon travaille sur une variable logique qui varie de manire continue de 0 1. Les quivalents en logique oue des fonctions de la logique classique sont reprsents dans le tableau 4.4. Logique classique C = A et B C = A ou B C = non A Logique oue C = min (A, B) C = max (A, B) C = 1A

TAB . 4.4 Equivalence entre logique classique et logique oue.

4.1.2

La fonction dappartenance

En gnral, en logique oue, on rattache toujours la variable (A, B ou C) une donne extrieure (une information ou une mesure, par exemple). Ce rattachement seffectue par lintermdiaire de ce que lon appelle une fonction dappartenance. Cette fonction permet de faire correspondre une information (par exemple la taille dun individu variant de 0 2 m) une variable logique continue variant de 0 1. Voici un exemple de fonction dappartenance pour une taille. Cette fonction dnit la variable logique oue taille moyenne. On considre que lon a une taille moyenne lorsque celle-ci varie entre 1.70 m et 1.80 m. Les gures 4.1 et 4.2 illustrent les diffrences existant sur cet exemple entre logique oue et logique classique. A 1

1.70

1.75

1.80

Taille

F IG . 4.1 Fonction dappartenance Taille moyenne en logique oue.

A 1

1.70

1.75

1.80

Taille

F IG . 4.2 Fonction Taille moyenne en logique classique.

96

4.1 Introduction la logique oue Les diffrentes fonctions de logique oue que nous venons de prsenter possdent les mmes proprits que les fonctions de logique classique (distributivit, commutativit et rgles de De Morgan). Une transposition de ces rgles en logique oue est reprsente dans le tableau 4.5.
Logique classique (A + B) C = A C + B C (A + B) + C = A + (B + C) AB = A+B Logique oue distributivit min (max (A, B) , C) = max (min (A, C) , min (B, C)) commutativit max (max (A, B) , C) = max (A, max (B, C)) rgle de De Morgan 1 min (A, B) = min (1 A, 1 B)

TAB . 4.5 Les proprits des deux logiques. Non allons, pour nir, combiner ces diffrentes fonctions oues pour les variables oues Taille moyenne (entre 1.70 et 1.80) et Taille grande (entre 1.75 et 1.85). La fonction ET (fonction min en logique oue, voir gure 4.3). A : taille moyenne 1

1.70 B : taille grande

1.80

Taille

1.75 C : taille moyenne et grande

1.85

Taille

1.75

1.80

Taille

F IG . 4.3 La fonction ET de logique oue. La fonction OU (fonction max en logique oue, voir gure 4.4). La fonction NON (fonction complment 1 en logique oue, voir gure 4.5).

97

Chapitre 4. Les mthodes oues A : taille moyenne 1

1.70 B : taille grande

1.80

Taille

1.75 C : taille moyenne ou grande

1.85

Taille

1.70

1.85

Taille

F IG . 4.4 La fonction OU de logique oue. A : taille moyenne 1

1.70 B : NON taille moyenne

1.80

Taille

1.70

1.80

Taille

F IG . 4.5 La fonction NON de logique oue.

4.2
4.2.1

La mthode de Sakawa
Principe

Cette mthode fait intervenir la logique oue tous les niveaux (sur les paramtres du problme ainsi que sur les paramtres des contraintes). Lensemble de solutions que lon va trouver, lui aussi, fera intervenir la logique oue. Ces solutions auront un niveau dappartenance. Ce seront des solutions qui auront une corrlation variable avec lobjectif initial

98

4.2 La mthode de Sakawa [Sakawa et al. 88] et [Sakawa 02] (le niveau de corrlation avec lobjectif initial est x par lutilisateur).

4.2.2

Prsentation de la mthode

Cette mthode doptimisation avec traitement par la logique oue est prsente en utilisant un problme doptimisation linaire (encore appel problme de programmation linaire). On part du problme suivant : minimiser avec c 1 x t, , c k xt i ai j xi b j , j = {1, , m}

On a x Rn , c Rn , a Rn et b Rm . On dsigne par : n: k: m: le nombre de variables du problme (dimension de x ). le nombre de fonctions objectif. le nombre de contraintes dingalit.

On appelle X lensemble suivant : X= x Rn |

i=1

ai j xi b j , j = {1, , m}

(4.1)

Cest lensemble des valeurs de x telles que les contraintes soient respectes. Pour ce problme, on estime que lon a une incertitude sur les fonctions objectif. On va donc considrer que les paramtres sont ous. On rcrit le problme de la manire suivante : minimiser avec c 1 x t, , c k xt x X a , b

Ici, on note : = X a , b x Rn | j , j = {1, , m} i j xi b a


n

(4.2)

i=1

Pour chaque paramtre, on va dnir une fonction dappartenance : c 1 (b1 ) , , b n (bn ) ; a j1 (c j1 ) , , c jn (c jn ) ; b i1 (ai1 ) , , a in (ain ) Avant de continuer dans la prsentation de la mthode, nous allons introduire deux dnitions. Dnition 1 : ensemble de niveau j, c Lensemble de niveau des nombres ous a jr , b jr est dni comme lensemble et c L a , b, c pour lequel le degr dappartenance des fonctions a , b est suprieur ou gal au niveau : , c L a , b = (a, b, c) | c j (b j ) et a jr (c jr ) , b ir (air ) 99 (4.3)

Chapitre 4. Les mthodes oues avec i = {1, , k}, j = {1, , m} et r = {1, , n}. Cet ensemble possde la proprit suivante : , c , c 1 2 si L1 a , b L2 a , b (4.4)

Dnition 2 : solution -optimale au sens de Pareto est appel une solution -optimale au sens de Pareto du problme de xX a , b programmation linaire multiobjectif si et seulement sil nexiste pas de x X a , b et de (a, b, c) L a , b, c tels que c i x c i x , i = {1, , k} avec une ingalit stricte pour au moins un i. Les paramtres (a , b , c ) sont appels paramtres optimaux de niveau . Nous allons maintenant dterminer lallure des fonctions dappartenance i ( c i x ), i = {1, , k}. On commence par calculer les valeurs extrmales des fonctions objectif sous les 0 1 contraintes = 0 et = 1. On note ces valeurs ( c i x ) et ( c i x) . 0 ( c i x ) est une valeur inacceptable pour ( c i x ); 1 ( c i x ) est une valeur trs acceptable pour ( c i x ). Donc, on aura : 1 1, ou tend vers 1 si ( c i x ) ( c i x ) 1 0 i ( c i x ) = di ( c i x ) si ( c i x ) ( c i x ) ( c i x) 0 0, ou tend vers 0 si ( c i x )( c i x )

(4.5)

o di ( c i x ) est une fonction monotone strictement dcroissante, qui peut tre linaire ou non linaire. Maintenant que les fonctions dappartenance des fonctions objectif sont dnies, nous allons pouvoir rcrire notre problme, en utilisant le formalisme ou : maximiser avec et D (1 ( c 1 x ) , , k ( c i x )) x X a , b , c (a, b, c) L a , b

o D est une fonction dagrgation. D peut tre interprte comme le degr de satisfaction vis--vis du but x par lutilisateur. Un exemple de fonction dagrgation utilise est : min (1 ( c i x ) , , k ( c i x )) (4.6)

On obtient nalement le problme suivant (si lon utilise la fonction dagrgation cidessus) : maximiser avec et min (1 ( c i x ) , , k ( c i x )) x X a, b (a, b, c) L a, b, c

100

4.2 La mthode de Sakawa On va donc chercher maximiser le degr dappartenance minimal. [Munro et al. 86] dcrit une mthode similaire celle-ci, mais applique un problme doptimisation multiobjectif gnral. Pour rsumer, ou peut dcomposer cette mthode en six tapes. On part du problme suivant : minimiser avec f1 ( x ) , , fk ( x) g (x)0 sous la contrainte g ( x ) 0, on minimise, puis on maximise, chaque fonction objectif sparment, de manire obtenir la plage de variation de la fonction dappartenance des fonctions objectif. On dnit les fonctions dappartenance de la manire suivante : fi1 fi ( x) i ( x)= fi1 fi0 o fi0 est la valeur de la fonction dappartenance la moins intressante, fi1 est la valeur de la fonction dappartenance la plus intressante. Etape 3 : On dnit les fonctions de prise de dcision DMi (Decision Making) comme suit : si i ( x)0 0 i ( x ) si 0 < i ( x)1 DMi ( x ) = (4.8) 1 si 1 i ( x) o DMi ( x ) = 1 quand lobjectif est atteint, DMi ( x ) = 0 quand lobjectif nest pas atteint. Etape 4 : Etape 5 : Etape 6 : On maximise les fonctions DMi . Sil ny a pas de solutions, ou si la solution ne satisfait pas lutilisateur, alors il faut modier les fonctions dappartenance, et retourner ltape 3. Arrt et afchage des rsultats. (4.7)

Etape 1 :

Etape 2 :

Ce rsum est tir de [Niimura et al.].

4.2.3

Discussion

Cette mthode est trs intressante, car elle permet de prendre en compte lexigence de lutilisateur vis--vis de la rponse fournie par lalgorithme de recherche. De cette manire, lutilisateur peut obtenir un plus grand nombre de rponses sil est moins exigeant. Cette exigence est symbolise par le niveau dappartenance . Si lutilisateur est trs exigeant, il xera un niveau minimum proche de 1. Cependant, la mthode de Sakawa semble lourde mettre en uvre. Elle fait appel des ensembles ous et des rgles mathmatiques difciles appliquer. On prfrera lapproche utilise dans la mthode de Reardon que nous allons dcrire maintenant.

101

Chapitre 4. Les mthodes oues

4.3
4.3.1

La mthode de Reardon
Introduction

On prsente une mthode simplie de traitement multiobjectif utilisant la logique oue. Des exemples utilisant cette mthode peuvent tre trouvs dans [Reardon 97a] et [Reardon 97b].

4.3.2

Prsentation de la mthode

On part du problme P. Pour chaque fonction objectif, on dnit une fonction dappartenance, qui aura la forme reprsente la gure 4.6.

Smax f Smin

fimin

Oi Ei Oi

Oi + Ei

fimax

F IG . 4.6 La fonction dappartenance de Reardon. Cette fonction dappartenance permet d informer lalgorithme que la fonction objectif a sa valeur situe dans lintervalle [Oi Ei , Oi + Ei ] (zone o la fonction dappartenance vaut 0). Si la valeur de la fonction objectif est situe en dehors de cette zone, on pnalise de plus en plus la fonction objectif. Dans ce cas, la pnalit varie entre 0 et Smin ou Smax . La signication des diffrents paramtres de la fonction dappartenance est la suivante : Smin et Smax : facteurs dchelle ous. fimin : fimax : Oi : Ei : valeur minimale de la fonction objectif numro i. valeur maximale de la fonction objectif numro i. valeur exprimentale de la fonction objectif numro i. On voudrait que fi = Oi . marge derreur acceptable (lobjectif Oi est dni Ei prs).

Daprs le schma, lquation de la fonction dappartenance est la suivante : si fi (Oi Ei ) alors : f ( fi ) =

Smax ( fi (Oi Ei )) fimin (Oi Ei )

si (Oi Ei ) fi (Oi + Ei ) alors : f ( fi ) = 0

102

4.3 La mthode de Reardon si fi (Oi + Ei ) alors : f ( fi ) =

Smin ( fi (Oi + Ei )) (Oi + Ei ) fimax

Ici, par rapport la mthode normale doptimisation oue, le niveau est invers. Au lieu davoir 1 pour la fonction dappartenance quand fi appartient la plage de valeurs dsires (entre Oi Ei et Oi + Ei ), la fonction dappartenance vaut 0. Cette inversion du niveau dappartenance permet dobtenir une fonction objectif globale plus simple, qui runit ou agrge les fonctions objectif : F= 1 N fi ( fi ) N i =1 (4.9)

Comme on peut le voir sur cette formule, F est une simple moyenne des fonctions dappartenance des fonctions objectif. Ces diffrentes fonctions dappartenance ont t normalises par lintermdiaire de Smin et Smax . De cette manire, on a pu gommer linuence de la diffrence entre les units de mesure des diffrentes fonctions objectif, et aussi minimiser les effets dus aux diffrences de plages de variation entre les fonctions objectif. On a, en quelque sorte, hirarchis les diffrentes fonctions objectif. Grce cet artice, rsoudre notre problme revient trouver un point qui minimise F . Cela revient donc trouver un point tel que les fi ( fi ) soient minimaux, donc tel que le niveau dappartenance soit le plus lev possible.

4.3.3

Discussion

Cette mthode est simple mettre en uvre. Par exemple, elle donne de bons rsultats sur deux problmes tests (le problme Schaffers F2 [Reardon 97a] et le problme simpli de Born-Mayer [Reardon 97b]).

103

Chapitre 5

Les mthodes exploitant une mtaheuristique


5.1 Quest-ce quune mtaheuristique ?

Les mtaheuristiques, dj voques dans lavant-propos, sont des mthodes gnrales de recherche ddies aux problmes d optimisation difcile [Sait et al. 99]. Ces mthodes sont, en gnral, prsentes sous la forme de concept. Comme nous le verrons plus tard, elles reprennent des ides que lon retrouve parfois dans la vie courante. Les principales mtaheuristiques sont le recuit simul, la recherche tabou et les algorithmes gntiques.

5.2

Dcomposition des tches en optimisation

On remarque que, la plupart du temps, les mthodes doptimisation multiobjectif et les mtaheuristiques associes peuvent tre compltement dcouples. Seuls les algorithmes gntiques engendrent des mthodes doptimisation multiobjectif qui ne peuvent pas tre dcouples. On pourra donc diviser lensemble mthode doptimisation multiobjectif + mtaheuristique + problme de deux manires diffrentes (voir gures 5.1 et 5.2). La cas de la gure 5.1 justie ltude des mthodes doptimisation multiobjectif telle que nous lavons mene dans les chapitres prcdents en ne faisant aucune rfrence aux mtaheuristiques. Le prsent chapitre sera consacr aux mthodes doptimisation multiobjectif indissociables dune mtaheuristique. Nous tudierons principalement des mthodes issues des algorithmes gntiques.

5.3

Gnralits

Si lon considre lensemble des mthodes de recherche doptimum, on constate que celles-ci se runissent autour de quelques concepts gnraux. Par exemple, on trouvera beaucoup de mthodes (mthode de Newton, quasi-Newton, etc.) articules autour de la descente de gradient. Le concept gnral de cette famille sera la descente de gradient, et ce concept gnral sera appel mtaheuristique.

105

Chapitre 5. Les mthodes exploitant une mtaheuristique

Paramtres de commande du systme Fonction cot Mtaheuristique Mthode Multiobjectif Variables de sortie du systme Systme optimiser Paramtres de commande du systme Mthode Multiobjectif + Mtaheuristique Variables de sortie du systme Systme optimiser
106

F IG . 5.1 Dcomposition du systme lorsquil y a dcouplage.

F IG . 5.2 Dcomposition du systme lorsquil ny a pas de dcouplage. Une mtaheuristique est donc une mthode trs gnrale, qui ncessite quelques transformations (mineures en gnral) avant de pouvoir tre applique la rsolution dun problme particulier. Si lon considre les diffrentes mtaheuristiques, on constate que celles-ci se rpartissent en trois familles : Les mthodes dterministes de recherche doptimum local : Ces mthodes convergent rapidement mais, la plupart du temps, elles ne trouvent pas loptimum global. Elles se contentent de trouver un optimum local et ne reposent pas sur un processus stochastique pour la recherche de loptimum (voir gure 5.3). Les mthodes dterministes de recherche doptimum global : Ces mthodes permettent de trouver un optimum global rapidement et ne reposent pas sur un processus stochastique pour la recherche de loptimum (voir gure 5.4). Les mthodes stochastiques de recherche doptimum global : Ces mthodes reposent sur un processus stochastique charg deffectuer la recherche de loptimum. Elles sont moins performantes (du point de vue rapidit) que les mthodes

5.4 Le recuit simul

f (x)

x0

x1

x2

x3

F IG . 5.3 Mthode dterministe de recherche doptimum local partir de diffrentes solutions. f (x)

x0

x1

F IG . 5.4 Mthode dterministe de recherche doptimum global. dterministes, mais elles peuvent trouver, en principe, un optimum global difcile atteindre (voir gure 5.5). Nous prsenterons, dans ce chapitre, des mthodes de recherche appartenant cette dernire famille.

5.4

Le recuit simul

Cette mthode de recherche a t propose par des chercheurs dIBM qui tudiaient les verres de spin. Ici, on utilise un processus mtallurgique (le recuit) pour trouver un minimum. En effet, pour quun mtal retrouve une structure proche du cristal parfait (ltat cristallin correspond au minimum dnergie de la structure atomique du mtal), on porte celui-ci une temprature leve, puis on le laisse refroidir lentement de manire ce que les atomes aient le temps de sordonner rgulirement (voir [Bonomi 88], [Siarry 94] et [Siarry 99]). Ce processus mtallurgique a t transpos loptimisation et a donn une mthode simple et efcace. Le pseudo-code du recuit simul est reprsent dans lalgorithme 5.1. Le fonctionnement de cet algorithme est le suivant : 107

Chapitre 5. Les mthodes exploitant une mtaheuristique

f (x)

x0 x F IG . 5.5 Mthode stochastique de recherche doptimum global. Algorithm 5.1 Recuit simul. init T (temprature initiale) init x (point de dpart) init T (temprature minimale) while(not(end)) y = Voisin (x) C = C (y) C (x) if C < 0 then y = x C else if alea (0, 1) < e T then y = x T = (T ) if T < T then end(while) repeat(while)

On commence par choisir un point de dpart au hasard (x). On calcule un voisin de ce point (y = Voisin (x)). On value ce point voisin et on calcule lcart par rapport au point dorigine (C = C (y) C (x)). Si cet cart est ngatif, on prend le point y comme nouveau point de dpart, sil est positif, on peut quand mme accepter le point y comme nouveau point de dpart, mais C avec une probabilit e T (qui varie en sens inverse de la temprature T ). Au fur et mesure du droulement de lalgorithme, on diminue la temprature T (T = (T )), souvent par paliers. On rpte toutes ces tapes tant que le systme nest pas g (par exemple, tant que la temprature na pas atteint un seuil minimal). Nous allons maintenant dcrire deux implmentations du recuit simul multiobjectif.

5.4.1
5.4.1.1

La mthode P.A.S.A (Pareto Archived Simulated Annealing)


Principe

Cette mthode, dveloppe EDF [Engrand et al. 98], utilise une fonction dagrgation des fonctions objectif couple avec un systme darchivage de solutions non domines. 108

5.4 Le recuit simul 5.4.1.2 Prsentation de la mthode

On suppose que les fonctions objectif du problme doptimisation multiobjectif sont positives. Cette hypothse permet dutiliser la fonction dagrgation suivante, pour se ramener un problme de minimisation monobjectif : G ( x ) = ln ( fi ( x ))
i=1 n

(5.1)

De cette manire, lexpression suivante : G = G x G ( x ) = ln


i=1 n

fi ( x ) fi ( x )

(5.2)

reprsente la variation relative moyenne des fonctions objectif entre le point courant ( x) et le point tester ( x ) : si G > 0, la nouvelle solution x dtriore, en moyenne relative, lensemble des fonctions objectif ; si G < 0, la nouvelle solution x amliore, en moyenne relative, lensemble des fonctions objectif. Ensuite, comme pour le recuit simul original, on dnit une probabilit dacceptation p : p = exp G T (5.3)

o T dsigne la temprature de lalgorithme de recuit. Cette temprature a la mme signication que dans la mthode du recuit simul monobjectif. Pour larchivage des solutions non domines, on utilise une archive de taille variable (entre 0 et Nmax solutions dans larchive). La gestion de larchivage se conforme aux rgles suivantes : si la solution x est domine par au moins une solution de larchive, alors la solution x nest pas archive ; si la solution x domine une solution y de larchive, alors la solution x remplace la solution y dans larchive ; si la solution x nest pas domine par larchive, alors on place cette solution dans larchive et on retire de larchive les solutions qui sont domines par la solution x . Certaines autres rgles peuvent tre ajoutes pour amliorer la gestion des individus de larchive. Par exemple, on peut ajouter un critre restrictif pour lajout dune solution dans larchive : la solution x doit dominer toutes les solutions de larchive et tre une distance minimale de solutions adjacentes de larchive. Pour que la recherche se fasse sur toute la surface de compromis, il est ncessaire de relancer rgulirement la recherche partir dun point choisi au hasard, au sein de larchive. Cette tape du choix de lindividu est appele return to base. Lalgorithme de la mthode P.A.S.A est celui dcrit dans lalgorithme 5.2. 5.4.1.3 Discussion

Dans cet algorithme, la population initiale prsente dans larchive peut tre issue dune premire optimisation multiobjectif. La qualit des solutions initialement prsentes dans larchive inuencera la qualit du rsultat obtenu la n de loptimisation courante.

109

Chapitre 5. Les mthodes exploitant une mtaheuristique Algorithm 5.2 La mthode P.A.S.A 1. Choix de P0 , une population darchive initiale, ventuellement rduite un seul lment x0 , et choix de Tq initiale. 2. Soit x un voisin de x
n n

3. Calcul de G ( xn ) et de G = G ( xn ) G ( xn ) 4. Si G < 0 alors xn+1 = xn


G 5. Si G > 0 alors soit p = exp Tq x n+1 = xn avec une probabilit p x = x avec une probabilit 1 p n+1 n

6. Si on sort de la boucle interne, alors Tq+1 = Tq avec < 1 7. Principe de non-dominance pour larchivage de x n+1 domine une des solutions archives remplace si x y , x y dans la population
n+1 p n+1 p

archive ; si x n+1 est domine par au moins une des solutions archives, alors on ne larchive pas ; si x n+1 nest pas domine par la population archive alors on lajoute la population archive, et on retire de celle-ci les solutions domines par x n+1 . 8. Return to base : lorsque cest ncessaire, x n+1 = yi (i choisi alatoirement dans la population archive) 9. Si (non convergence) alors retour en 2.

Un autre avantage de cette mthode est la facilit avec laquelle on peut inclure des rgles heuristiques pour la gestion de larchive. Cette exibilit peut permettre dintgrer un savoir ingnieur, qui est susceptible damliorer la qualit de la population obtenue la n de loptimisation, mais surtout la vitesse de convergence vers cette population dindividus archivs. Un dfaut de cette mthode que lon peut souligner est que la forme dagrgation de la fonction objectif (lquation 5.1) utilise ne supporte que les valeurs positives de fonctions objectif.

5.4.2
5.4.2.1

La mthode M.O.S.A (Multiple Objective Simulated Annealing)


Principe

Cette mthode a t propose dans [Ulungu et al. 99]. Elle utilise le recuit simul pour rechercher la surface de compromis. 5.4.2.2 Prsentation de la mthode

On commence par dnir une suite de fonctions donnant la probabilit dacceptation dune mauvaise solution, pour chaque fonction objectif : k = avec 110
fk exp Tn 1

si fk > 0 si fk 0

(5.4)

5.4 Le recuit simul Tn fk xn y la temprature du recuit simul litration n, kme fonction objectif, solution obtenue litration n,

point considr lors de litration n, fk = fk ( y ) fk ( x n ),

Ensuite, une fois que toutes ces probabilits ont t calcules, on les agrge. Pour cela, il existe plusieurs solutions : on effectue le produit des probabilits : t (, ) = (k )k
k=1 N

(5.5)

avec ensemble des k , k = {1, , N } ensemble des k , k = {1, , N } t (, ) = min (k )k


k=1, ,N

on prend la plus petite probabilit :

(5.6)

Ici, k correspond un coefcient de pondration relatif une fonction objectif. Ce coefcient permet de prendre en compte un certain ordre entre les diffrents objectifs. Pour nir, il y a la phase de slection de la solution. Cette phase seffectue avec une condition dacceptation dune solution, qui est alors la suivante : Tout dabord, on a : feq ( x ) = wi fi ( x)
i=1 N

(5.7)

et feq = feq ( x n+1 ) f eq ( xn ) si feq 0 alors xn+1 = y si feq > 0 alors : x n+1 = y avec la probabilit p xn+1 = xn avec la probabilit 1 p Cette mthode de traitement multiobjectif peut paratre semblable la mthode de pondration des fonctions objectif ; cependant, une diffrence importante existe : dans la mthode de pondration des fonctions objectif, on commence par effectuer une somme pondre des fonctions objectif (voir quation 5.7). Lorsque cette somme pondre est traite par la mthode du recuit simul, elle est prise en compte sous la forme dune exponentielle : p = exp feq Tn (5.8)

Cette probabilit dacceptation peut alors se dcomposer de la manire suivante : p = exp N i=1 wi ( f i ( x ) f i ( x n )) Tn (5.9)

111

Chapitre 5. Les mthodes exploitant une mtaheuristique

p = exp
i=1 N

wi ( fi ( x ) fi ( x n )) Tn fi Tn
wi

(5.10)

p = exp
i=1 N

(5.11)

i p = w i

(5.12)

i=1

La condition dacceptation dune solution est alors la suivante : si feq 0 alors x n+1 = y si feq > 0 alors : x n+1 = y avec la probabilit p xn+1 = xn avec la probabilit 1 p la diffrence avec la mthode MOSA rside dans le calcul de la probabilit dacceptation. Dans la mthode MOSA, on commence par calculer des probabilits par fonction objectif : pi = exp fi Tn

alors quavec la mthode de pondration des fonctions objectif, le calcul de la probabilit seffectue sur la fonction objectif quivalente : feq p = exp Tn La mthode MOSA prend plus en considration laspect multiobjectif du problme doptimisation que la mthode de pondration des fonctions objectif traite par la mthode du recuit simul. 5.4.2.3 Discussion

Dans [Ulungu et al. 99], la mthode MOSA est utilise de la manire suivante, pour un problme doptimisation combinatoire biobjectif. 1. Deux couples de coefcients de pondration sont calculs. 2. Pour chaque couple, une population de solutions est calcule. Chaque couple va remplir une partie de la surface de compromis. 3. Les deux populations sont alors runies, puis les individus non dominants de la population totale sont limins. Cette mthode fonctionne bien car, haute temprature, le recuit simul rpartit les individus sur toute une surface, et non sur un point. A la n de loptimisation, la temprature de fonctionnement est encore sufsamment leve pour quun effet stochastique distribue les solutions potentielles sur un front. Cet effet peut tre soulign par lexemple suivant, qui concerne un problme test biobjectif non convexe, le problme test de Deb : 1. On calcule 40 couples de coefcients de pondration, 2. Pour chaque couple, une solution au problme monobjectif quivalent est recherche, en utilisant la mthode du recuit simul, 112

5.4 Le recuit simul

La fonction Deb III


2.788 Plan f1, f2

La surface de compromis de la fonction Deb III


1.609 Plan f1, f2

f2

0.1196 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9

f2
0.1196 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9

f1

f1

(a) Lensemble obtenu aprs 105 itrations

(b) La surface de compromis aprs 105 itrations

La fonction Deb III


1.34 Plan f1, f2

La surface de compromis de la fonction Deb III


Plan f1, f2 1

f2

0.008522 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9

f2
0.008522 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9

f1

f1

(c) Lensemble obtenu aprs 106 itrations

(d) La surface de compromis aprs 106 itrations

F IG . 5.6 Inuence de leffet stochastique sur la qualit de la surface de compromis. 3. Cette squence est applique au problme test pendant 105 itrations, puis 106 itrations. Comme on peut le remarquer la gure 5.6, la recherche de la surface de compromis avec la mthode de pondration des fonctions objectif couple avec la mthode du recuit simul pendant 105 itrations produit toute la surface de compromis, alors que cette mthode est cense tre inefcace pour ce type de problme.

113

Chapitre 5. Les mthodes exploitant une mtaheuristique Ensuite, pour 106 itrations, on voit que les solutions se rpartissent autour de deux points : cest lenveloppe convexe du problme test non convexe. Donc, comme le montre cette gure, leffet stochastique a permis de trouver des solutions dans des rgions non accessibles pour la mthode de pondration des fonctions objectif.

5.5

La recherche Tabou

Cette mthode, mise au point par F. Glover [Glover 86, Glover 90, Glover et al. 97], est conue en vue de surmonter les minima locaux de la fonction objectif. Cest une technique doptimisation combinatoire que certains prsentent comme une alternative au recuit simul. A partir dune conguration initiale quelconque, Tabou engendre une succession de congurations qui doit aboutir la conguration optimale. A chaque itration, le mcanisme de passage dune conguration, soit xn , la suivante, soit xn+1 , est le suivant : on construit lensemble des voisins de xn , cest--dire lensemble des congurations accessibles en un seul mouvement lmentaire partir de xn (si cet ensemble est trop vaste, on en extrait alatoirement un sous-ensemble de taille xe) : soit Voisinage (xn ) lensemble (ou le sous-ensemble) envisag ; on value la fonction objectif f du problme pour chacune des congurations appartenant Voisinage (xn ). La conguration xn+1 , qui succde la conguration xn dans la chane de Markov construite par Tabou, est la conguration de Voisinage (xn ) en laquelle f prend sa valeur minimale. Notons que la conguration xn+1 est adopte mme si f (xn+1 ) > f (xn ) : cest grce cette particularit que Tabou permet dviter les minima locaux de f . Cependant, telle quelle la procdure ne fonctionne gnralement pas, car il y a un risque important de retourner une conguration dj retenue lors dune itration prcdente, ce qui provoque lapparition dun cycle. Pour viter ce phnomne, on tient jour, chaque itration, une liste Tabou de mouvements interdits ; cette liste - qui a donn son nom la mthode - contient les mouvements inverses (xn+1 xn ) des m derniers mouvements (xn xn+1 ) effectus (typiquement m = 7). La recherche du successeur de la conguration courante xn est alors restreinte aux voisins de xn qui peuvent tre atteints sans utiliser un mouvement de la liste tabou. La procdure peut tre stoppe ds que lon a effectu un nombre donn ditrations, sans amliorer la meilleure solution atteinte jusquici. Lalgorithme ainsi dcrit est dit Tabou simple. Selon [De Werra 90], il serait plus efcace que le recuit simul pour le problme modle du coloriage dun graphe. Cependant, le mode de construction de la liste tabou - qui, pour une simple raison dconomie de place mmoire, contient des mouvements interdits, et non des congurations interdites - peut bloquer laccs certaines solutions, pourtant non encore visites. Pour viter cet inconvnient, on peut employer la mthode plus complexe dite Tabou gnralise, qui prvoit la possibilit dannuler le statut tabou dun mouvement, lorsque le bnce escompt est sufsant (cette circonstance est apprcie laide de la notion de niveau daspiration, qui est prcise en dtail dans les articles rfrencs). Le pseudo-code de cette mthode est reprsent dans lalgorithme 5.3.

5.6

Les algorithmes gntiques


(voir

Les algorithmes gntiques sont inspirs de la gntique classique [Goldberg 94]) : on considre une population de points rpartis dans lespace.

114

5.6 Les algorithmes gntiques Algorithm 5.3 Recherche Tabou. / (liste des points tabous) init L = 0 init x (point de dpart) init k f in (nb ditrations max total) init k = 0 et l = 0 while(not(end)) y = Voisinage (x) L (on prend un voisinage sans points tabous) C = C (y) C (x) x = y avec y Voisinage (x) L tel que min C (y) C (x) L = L + {x} k = k+1 Update L (on retire des mouvements tabou de L suivant des critres daspiration) if k = k f in then end(while) repeat

Avant dexpliquer en dtail le fonctionnement dun algorithme gntique, nous allons prsenter quelques mots de vocabulaire relatifs la gntique. Ces mots sont souvent utiliss pour dcrire un algorithme gntique. Gnotype ou chromosome : cest une autre faon de dire individu. Individu : correspond au codage sous forme de gnes dune solution potentielle un problme doptimisation. Gne : un chromosome est compos de gnes. Dans le codage binaire, un gne vaut soit 0 soit 1.

Phnotype : chaque gnotype reprsente une solution potentielle un problme doptimisation. La valeur de cette solution potentielle est appele le phnotype. Tout ce vocabulaire est illustr la gure 5.7. gnotype phnotype 1 1 0 0 1 0 0 0 1 gne F IG . 5.7 Le vocabulaire des algorithmes gntiques. Chaque individu va tre cod la manire dun gne. Par exemple, le plus souvent, on fait correspondre une chane binaire lindividu (cette chane binaire est une image de la position de lindividu dans lespace de recherche). Par exemple, trois individus (de 8 bits chacun) sont reprsents la gure 5.8. 1 1 0 1 0 1 1 0
(a) Individu 1

f (110010001) = 0.5

1 0 1 0 1 1 0 0
(b) Individu 2

1 1 0 0 0 0 1 0
(c) Individu 3

F IG . 5.8 Trois individus.

115

Chapitre 5. Les mthodes exploitant une mtaheuristique A chaque individu on associe une efcacit (on appelle aussi cette valeur l adaptation). Cette efcacit va correspondre la performance dun individu dans la rsolution dun problme donn. Par exemple, si lon considre un problme de maximisation dune fonction, lefcacit de lindividu crotra avec sa capacit maximiser cette fonction. Si lon prend lexemple de la maximisation dune fonction f (x), on a le tableau 5.1. f (x) Efcacit Individu 10 2 1 20 4 2 5 1 3

TAB . 5.1 Un exemple de valeurs defcacit. Comme on peut le voir sur cet exemple, lindividu 1 est moins efcace que lindividu 2. En effet, il maximise moins f (x) que lindividu 2. Aprs avoir dtermin lefcacit des individus, on opre une reproduction. On copie les individus proportionnellement leur efcacit. Par exemple, si lindividu 1 est reproduit deux fois, lindividu 2 sera reproduit quatre fois et lindividu 3 est reproduit une fois. Ce schma de fonctionnement est limage de la vie relle. Plus un individu est adapt son milieu (il se dfend mieux contre ses prdateurs, il mange mieux) plus sa capacit se reproduire sera grande. Une fois que lon a dtermin la fonction defcacit et opr la reproduction, on effectue des croisements entre individus (dnis plus loin). Plus un individu sera efcace dans la rsolution du problme, plus celui-ci se croisera avec un grand nombre dautres individus. Pour cela, on utilise une roue sur laquelle un individu occupe une place qui est proportionnelle son efcacit (roulette wheel selection en anglais). Cette roue, dans le cas de lexemple que lon a trait ci-dessus, est reprsente la gure 5.9.

2 1 3
F IG . 5.9 Roue servant slectionner un individu pour le croisement. Pour notre exemple, on aura le tableau 5.2. On va maintenant fusionner lindividu de dpart avec lindividu associ. Cette opration sappelle le croisement. Pour cela, on slectionne alatoirement une position dans le codage de lindividu. A cette position, on spare le codage puis on change les morceaux de droite entre les deux individus. Un exemple de croisement est reprsent la gure 5.10. On peut rpter cette opration pour tous les individus du tableau prcdent. On obtient alors le tableau 5.3.

116

5.6 Les algorithmes gntiques Slection pour le croisement Mle Femelle Individu slectionn Individu slectionn suivant lefcacit alatoirement 1 2 1 3 2 2 2 2 2 3 2 1 3 2 TAB . 5.2 Le croisement, premire tape. Point de croisement Individu 1 : 1 1 0 1 0 1 1 0

Individu 2 :

F IG . 5.10 Le croisement, deuxime tape. Mle


11010110

Femelle
10101100

Position de croisement 1 3 2 5 7 4 4

Rsultat
10101100 11010110 11000010 11010110 10101100 10101100 10101100 10101100 10101100 11000010 11011100 10100110 11011100 10100110

1
11010110

2
11000010

1
10101100

3
10101100

2
10101100

2
10101100

2
10101100

2
11000010

2
10101100

3
11010110

3
11000010

1
10101100

2 TAB . 5.3 Le croisement, rsultat nal.

Ici, on constate que lon a obtenu deux nouveaux lments dans la colonne rsultat. Notre population sest diversie. A ce moment, soit on conserve toute la population (mais on supprime les doublons), soit on supprime les lments les moins performants, de manire conserver le mme nombre dindividus dans la population. Dautres mthodes de rduction

117

Chapitre 5. Les mthodes exploitant une mtaheuristique de population peuvent tre mises en uvre ici (par exemple, on slectionne au hasard les individus qui vont tre supprims). Pour nir, on peut procder une mutation au niveau des gnes dun individu. Pour cela, on commence par choisir au hasard un certain nombre dindividus (en gnral, la probabilit de slection pour la mutation est faible). Ensuite, pour chaque individu slectionn, on choisit au hasard le gne o aura lieu la mutation. Finalement, cette position, on change le 0 en 1 et rciproquement. On recommence ce procd jusqu ce que lon atteigne un critre darrt (par exemple, un nombre maximal ditrations). Le pseudo-code dun algorithme gntique est donn dans lalgorithme 5.4. Algorithm 5.4 Un algorithme gntique. Initialisation de la population Evaluation des fonctions objectif Calcul de lefcacit For i=1 to MaxIter Slection alatoire, Slection proportionnelle lefcacit Croisement Mutation Evaluation des fonctions objectif Calcul de lefcacit End For Lavantage de cette mthode est que, dans certains cas, elle peut procurer un jeu de solutions optimales.

5.7

Loptimisation gntiques

multiobjectif

et

les

algorithmes

Les algorithmes gntiques sont trs bien adapts au traitement dun problme doptimisation multiobjectif. En tmoigne le nombre important darticles qui ont t publis sur ce sujet. De plus, ce domaine est trs dynamique et ne cesse de se dvelopper. Dans le paragraphe prcdent, nous avons vu lalgorithme gntique. Le schma de fonctionnement dun algorithme gntique pour la rsolution dun problme doptimisation monobjectif est reprsent la gure 5.11. Boucle

F IG . 5.11 Le fonctionnement dun algorithme gntique monobjectif. 1 2 3 Initialisation de la population. Evaluation de lefcacit des individus de la population. Croisement. 118

5.7 Loptimisation multiobjectif et les algorithmes gntiques 4 Mutation. 5 Slection. Le fonctionnement dun algorithme gntique traitant un problme doptimisation multiobjectif est reprsent la gure 5.12. Boucle 1 2a 2b 3 4 2 2a 5

F IG . 5.12 Le fonctionnement dun algorithme gntique multiobjectif. 1 Initialisation de la population. 2a Evaluation de lefcacit des individus de la population. 2b Transformation vecteur/efcacit. 3 Croisement. 4 Mutation. 5 Slection. La seule diffrence que lon note est ltape 2b. A cette tape, on transforme un vecteur (qui contient les valeurs des fonctions objectif pour chaque individu) en une efcacit. Diverses stratgies, qui seront dcrites dans les paragraphes suivants, peuvent tre adoptes. Tous les algorithmes gntiques traitant un problme doptimisation multiobjectif pourront se ramener ce schma. Nous allons maintenant nous intresser aux diverses mthodes qui ont t mises en uvre pour le traitement de problmes doptimisation multiobjectif. Ces mthodes se dcomposeront en deux familles : Une premire famille comportera les mthodes dites non agrgatives. Dans ces mthodes, il ny a pas fusion des diffrentes fonctions objectif pour se ramener un problme doptimisation monobjectif. La deuxime famille comportera les mthodes agrgatives. Le but de ces mthodes est de se ramener un problme doptimisation monobjectif en utilisant une fonction objectif quivalente. Note : La plupart des algorithmes utilisent une distance qui caractrise la diffrence entre deux individus. La distance entre lindividu i et lindividu j est note d (i, j). On calcule cette distance de la manire suivante : chaque diffrence entre les motifs (gnes) des individus compte pour +1 (voir gure 5.13) : cest la distance de Hamming. Pour cet exemple, on constate quil y a cinq diffrences entre lindividu 1 et lindividu 2. Par consquent, la distance entre lindividu 1 et lindividu 2 vaut : d (1, 2) = 5 (5.13)

5.7.1
5.7.1.1

Les mthodes non agrgatives


La mthode Vector Evaluated Genetic Algorithm (V.E.G.A.)

5.7.1.1.1 Principe Cette mthode permet de traiter un problme doptimisation multiobjectif sans avoir agrger les fonctions objectif en une seule fonction [Coello 98, Deb 99]. 119

Chapitre 5. Les mthodes exploitant une mtaheuristique 1 1 0 1 0 1 1 0 Individu 1 1 0 1 0 1 1 0 0 Individu 2

Diffrences F IG . 5.13 La distance de Hamming. 5.7.1.1.2 Prsentation de la mthode Lalgorithme V.E.G.A. considre une population de N individus. Ces N individus sont rpartis en k groupes (k tant le nombre de fonctions objectif de notre problme) de N k individus (avec N multiple de k). A chaque groupe, on associe une fonction objectif. Cette fonction objectif permet de dterminer lefcacit dun individu au sein du groupe. Ensuite, les individus sont mlangs et les croisements sont oprs en tenant compte de lefcacit de chaque individu. La gure 5.14 reprsente les diffrentes squences de fonctionnement de la mthode. Sur cette gure, on a reprsent les diffrents types de populations que lon traite au cours du droulement de la mthode V.E.G.A. (soit un ensemble dindividus, soit des groupes dindividus).

Individu 1 Individu 2 Individu 3 Groupe 1 Groupe 2

Individu 1 Individu 2 Individu 3

Individu 1 Individu 2 Individu 3

Groupe m Individu N Etape 1 Etape 2 Individu N Etape 3 Individu N Etape 4

F IG . 5.14 Principe de lalgorithme V.E.G.A. Voici la description des diffrentes tapes : Etape 1 : Etape 2 : Etape 3 : Etape 4 : Itration i. Initialisation dune population de taille N . Cration des k groupes (sous-populations). Calcul des efcacits. Mlange des individus. On applique lalgorithme gntique classique (croisement-mutation- slection). Puis on passe litration suivante (i + 1).

5.7.1.1.3 Discussion Le danger de cette mthode est dobtenir, en n doptimisation, une population constitue 120

5.7 Loptimisation multiobjectif et les algorithmes gntiques dindividus moyens dans tous les objectifs. Une telle population ne permet pas dobtenir une surface de compromis bien dessine. En effet, la population va se concentrer autour dun point moyen. Des artices ont t trouvs pour contrebalancer cet effet (utilisation despce au sein dun groupe, etc.). De plus, il a t montr que cette mthode est quivalente la mthode de pondration des fonctions objectif. Donc, elle ne permet pas de trouver des solutions qui se trouveraient dans une concavit.

5.7.2
5.7.2.1

Les mthodes agrgatives


La mthode Multiple Objective Genetic Algorithm (M.O.G.A.)

5.7.2.1.1 Principe Cette mthode est prsente dans [Deb 99] et [Fonseca et al 93]. Elle utilise la relation de dominance pour dterminer lefcacit dun individu. 5.7.2.1.2 Prsentation de la mthode Cette mthode est base sur la dominance au sens de Pareto. Ici, le rang dun individu (numro dordre qui permet de classer un individu par rapport aux autres) est donn par le nombre dindividus qui dominent lindividu considr. (t ) Par exemple, si lon considre un individu xi la gnration t qui est domin par pi individus, le rang de lindividu considr est donn par : rang (xi , t ) = 1 + pi
(t )

(5.14)

A tous les individus non domins on affecte le rang 1. Les individus domins se voient donc affects un rang important (une forte pnalit donc). Pour le calcul de lefcacit, on peut suivre les tapes suivantes : 1. Classer les individus en fonction de leur rang. 2. Affecter une efcacit un individu en interpolant partir du meilleur (rang 1) jusquau plus mauvais (rang n), en utilisant une fonction f (rang). Cette fonction est, le plus souvent, linaire (voir gure 5.15). Efcacit 1

f (n)

Rang

F IG . 5.15 Un exemple de fonction defcacit. Le pseudo-code de cette mthode est reprsent dans lalgorithme 5.5. 121

Chapitre 5. Les mthodes exploitant une mtaheuristique Algorithm 5.5 Algorithme MOGA. Initialisation de la population Evaluation des fonctions objectif Assignation dun rang bas sur la dominance Assignation dune efcacit partir du rang For i=1 to G Slection alatoire proportionnelle lefcacit Croisement Mutation Evaluation des fonctions objectif Assignation dun rang bas sur la dominance Assignation dune efcacit partir du rang End For 5.7.2.1.3 Discussion La mthode MOGA ne permet pas, dans certains cas, dobtenir une diversit dans la reprsentation des solutions. Les mthodes N.S.G.A et N.P.G.A, qui vont tre prsentes maintenant, permettent dviter cette difcult. Pour ce type de mthode, le nombre de comparaisons effectues par gnration scrit : N (N 1) n (5.15)

o N correspond au nombre de points dans la population et n au nombre de fonctions objectif. 5.7.2.2 La mthode Non dominated Sorting Genetic Algorithm (N.S.G.A.)

5.7.2.2.1 Principe Cette mthode reprend les grandes lignes de la mthode M.O.G.A prcdemment dcrite. La diffrence principale intervient lors du calcul de lefcacit dun individu [Srinivas et al. 93]. 5.7.2.2.2 Prsentation de la mthode Cette mthode est base sur une classication en plusieurs niveaux des individus. Dans un premier temps, avant de procder la slection, on affecte chaque individu de la population un rang (en utilisant le rang de Pareto, voir section 1.6.2). Tous les individus non domins de mme rang sont classs dans une catgorie. A cette catgorie, on affecte une efcacit factice, qui est inversement proportionnelle au rang de Pareto de la catgorie considre. On veut maintenant que les individus de la catgorie considre se rpartissent de manire uniforme au sein de celle-ci. On veut donc une bonne reprsentation (voir section 1.11), ou encore on veut quil y ait une diversit de solutions. Pour maintenir la diversit de la population, ces individus classs se voient affects dune nouvelle valeur defcacit. Pour cela, on utilise la formule suivante : mi = 1 0

j=1

Sh (d (i, j))
d (i, j) share 2

(5.16)

Sh (d (i, j)) =

si d (i, j) < share sinon

(5.17)

122

5.7 Loptimisation multiobjectif et les algorithmes gntiques Ici, K dsigne le nombre dindividus dans la catgorie considre et d (i, j) est la distance entre lindividu i et lindividu j telle quelle a t introduite dans la section 5.7. Il est toujours possible dutiliser la distance classique la place de cette dernire. share est la distance dinuence. Comme on peut le voir dans lexpression ci-dessus, tous les individus qui sont sufsamment proches (dont la distance d (i, j) est infrieure share ) seront pris en compte dans le calcul de mi . Les autres seront ignors. La valeur defcacit de lindividu i au sein de la catgorie considre sera alors : F (5.18) mi o F est la valeur defcacit affecte la catgorie laquelle appartient lindividu. La gure 5.16 montre les diffrents paramtres qui interviennent dans le calcul de lefcacit dun individu. fi = f2 m12 m13 = share

Zone 1 m12

Zone 2 Zone 3 F IG . 5.16 Le calcul de lefcacit. Comme on voit la gure 5.16, le paramtre share permet de dnir une zone dinuence pour le calcul de lefcacit dun individu. Ensuite, on ignore les individus de ce groupe. Le processus reprend alors avec les individus restants, o lon opre une nouvelle classication, une nouvelle catgorisation et une nouvelle opration de partage. Ce processus est rpt jusqu ce que tous les individus aient t traits. Comme les individus qui ont un rang de Pareto de valeur 1 ont une meilleure efcacit, ils sont reproduits en plus grand nombre que les autres. Cette proprit permet dobtenir une convergence plus rapide vers la surface de compromis. Le partage, lui, permet de maintenir une rpartition uniforme sur la surface de compromis. Le pseudo-code de cette mthode est donn dans lalgorithme 5.6. On distingue deux types de niches : les niches gnotypiques : Shgen (d (i, j)) = 1 0
dham (i, j) 2 gen

f1

si dhamming (i, j) < gen sinon

(5.19)

on effectue le comptage de niches (de rayon gen ) dans lespace des gnes, la distance que lon considre est la distance de Hamming (dham (i, j)) 123

Chapitre 5. Les mthodes exploitant une mtaheuristique Algorithm 5.6 Algorithme NSGA. Initialisation de la population Evaluation des fonctions objectif Assignation dun rang base sur le rang de dominance sur chaque surface de compromis Calcul du compte des voisins Assignation dune efcacit partage For i=1 to G Slection alatoire proportionnelle lefcacit Croisement Mutation Evaluation des fonctions objectif Assignation dun rang base sur le rang de dominance sur chaque surface de compromis Calcul du compte des voisins Assignation dune efcacit partage End For les niches phnotypiques : Sh phen (d (i, j)) = 1 0
deuclid (i, j) 2 phen

si deuclid (i, j) < phen sinon

(5.20)

on effectue le comptage de niches (de rayons gen et phen ) dans lespace des gnotypes et des phnotypes. Une niche phnotypique permet de rgler la diversit des solutions dans lespace des fonctions objectif alors que la niche gnotypique permet de rgler la diversit des solutions dans lespace de dcision. La niche combine, elle, permet dobtenir des solutions diversies aussi bien dans lespace de dcision que dans lespace des fonctions objectif. 5.7.2.2.3 Discussion Lefcacit de cette mthode tient dans le fait que les objectifs sont rduits une valeur defcacit factice obtenue en utilisant le classement en fonction du rang de Pareto. Cette mthode prsente linconvnient dtre sensible au choix de la valeur de share . 124

on effectue le comptage de niches (de rayon phen ) dans lespace des phnotypes, la distance que lon considre est la distance Euclidienne (si lon considre un problme doptimisation continu) les niches combines : (i, j) deuclid (i, j) 2 1 dham si deuclid (i, j) < phen gen phen et dham (i, j) < gen deuclid (i, j) 2 1 si deuclid (i, j) < phen phen Shcomb (d (i, j)) = et dham (i, j) gen 2 d ( i , j ) ham si deuclid (i, j) phen 1 gen et dham (i, j) < gen 0 sinon

5.7 Loptimisation multiobjectif et les algorithmes gntiques Pour cette mthode, le nombre de comparaisons effectues sur une population pour une gnration est le mme que pour la mthode MOGA. Cependant, un surplus de calculs d au partage apparat. Ce surplus est proportionnel N (N 1). 5.7.2.3 La mthode Niched Pareto G.A. (N.P.G.A.)

5.7.2.3.1 Principe Cette mthode reprend les grandes lignes de la mthode N.S.G.A prcdemment dcrite. La diffrence principale intervient lors du processus de slection [Horn et al. 93]. 5.7.2.3.2 Prsentation de la mthode Dans lalgorithme gntique classique, la mthode de slection entre deux individus utilise la roue de slection telle quelle a t dcrite dans la section 5.6. Dans cette mthode, seule la manire de slectionner les individus change. Au lieu de comparer deux individus, on utilise un groupe de I individus (typiquement dix). Si les individus sont soit domins, soit non domins, on utilise le partage de la valeur defcacit tel quil a t dcrit dans la section 5.7.2.2. Le pseudo-code de la fonction slection pour un problme multiobjectif o tous les objectifs doivent tre maximiss est reprsent dans lalgorithme 5.7. Son implmentation dans un algorithme gntique est reprsent dans lalgorithme 5.8. Algorithm 5.7 Dtail de la fonction de slection. function selection Mlange(random_pop_index) Candidat_1 = random_pop_index[1] Candidat_2 = random_pop_index[2] Candidat_1_domin = false Candidat_2_domin = false for Ensemble_index_comp = 3 to tdom + 3 do /* slectionne tdom individus au hasard dans S */ begin Indiv_comp = random_pop_index[Ensemble_index_comp] if S[Indiv_comp] domine S[Candidat_1] then Candidat_1_domin = true if S[Indiv_comp] domine S[Candidat_2] then Candidat_2_domin = true end if (Candidat_1_domin AND NOT Candidat_2_domin) then return Candidat_2 else if (NOT Candidat_1_domin AND Candidat_2_domin) then return Candidat_1 else do Partage end La fonction de slection choisit un individu de la population S. Les valeurs de tdom et share doivent tre fournies par lutilisateur. 5.7.2.3.3 Discussion Comme cette mthode napplique pas la slection de Pareto sur toute la population, mais 125

Chapitre 5. Les mthodes exploitant une mtaheuristique Algorithm 5.8 Algorithme N.P.G.A. Initialisation de la population Evaluation des fonctions objectif For i=1 to G Slection par tournoi entre deux individus (utilisation de tdom ) Seul le candidat 1 est domin : Slectionner le candidat 2 Seul le candidat 2 est domin : Slectionner le candidat 1 Les deux candidats sont domins ou ne sont pas domins : Effectuer un partage defcacit Slectionner le candidat avec le plus petit nombre de voisins (utilisation de share ) Croisement Mutation Evaluation des fonctions objectif End For seulement sur une partie chaque excution, elle est trs rapide. Cependant, elle requiert de la part de lutilisateur les paramtres tdom et share , dont dpendent les performances de lalgorithme. Dans [Deb 01], on trouvera des techniques permettant de rgler automatiquement ces paramtres. 5.7.2.4 La mthode Weighted Average Ranking G.A. (W.A.R.G.A)

5.7.2.4.1 Principe Cette mthode sinspire de la mthode MOGA. La diffrence principale rside dans la manire dont la relation de dominance est tablie entre deux solutions. 5.7.2.4.2 Prsentation de la mthode Dans cette mthode, le rang de dominance est calcul de la manire dcrite dans lalgorithme 5.9, nomme W.A.R. (Weighted Average Ranking) : Algorithm 5.9 La relation W.A.R.. A solution comparer (vecteur de dimension n). S ensemble de solutions (S ne contient pas A). repeat i=1 soit Ai la variable i du point A. Ni =nombre de points de S meilleurs que Ai du point de vue de la variable i. i = i+1 until i > n Le rang de A vaut N = n i=1 Ni Ensuite, lefcacit dun individu sera calcule de la mme manire que pour la mthode MOGA. Prenons un exemple. A la gure 5.17 ( f1 et f2 sont minimiser), on a :

126

5.7 Loptimisation multiobjectif et les algorithmes gntiques f2 5 B 4 3 2 A 1 0 0 1 2 3 4 5 f1

F IG . 5.17 La relation W.A.R. Vis--vis de f1 , A est domin par 4 points. Vis--vis de f2 , A est domin par 0 point. Donc, N (A) = 4 + 0 = 4 Vis--vis de f1 , B est domin par 1 point. Vis--vis de f2 , B est domin par 3 points. Donc, N (B) = 1 + 3 = 4 5.7.2.4.3 Discussion Pour cette mthode, le nombre de comparaisons effectuer pour tablir les rangs de dominance sur une population de N individus pour une gnration est de : N (N 1) n (5.21)

Cependant, lalgorithme permettant dimplmenter la dominance W.A.R est beaucoup plus simple que celui de la relation de dominance classique. 5.7.2.5 Llitisme dans les algorithmes gntiques

La mthode SPEA (Strength Pareto Evolutionary Algorithm) prsente dans [Zitzler et al. 98] range les solutions non domines dans une population spare de la population courante. Ensuite, des individus sont slectionns dans la population courante pour une phase de croisement. Les individus avec lesquels ils vont se croiser sont, quant eux, choisis dans la population des individus non domins. Dans [Gandibleux 00], la mme mthode est utilise, une diffrence prs : la population litiste est initialise avec deux individus extrmes, comme nous lexpliquons ci-dessous : Le problme de dpart est un problme doptimisation biobjectif. On part du problme suivant. minimiser minimiser avec et f1 ( x) f2 ( x) g ( x)0 h (x)=0 127

Chapitre 5. Les mthodes exploitant une mtaheuristique Le premier individu initial de la population litiste, soit x1 , est obtenu en rsolvant : minimiser avec et f1 ( x) g ( x)0 h (x)=0

Le second individu initial de la population litiste, soit x2 , est obtenu en rsolvant : minimiser avec et f2 ( x) g ( x)0 h ( x)=0

Cette prcaution permet de garantir que la surface de compromis se rpartira entre ces deux solutions extrmes. En effet, les vecteurs objectif ( f1 ( x1 ) , f2 ( x1 )) et ( f1 ( x2 ) , f2 ( x2 )) sont non domins, de gnration en gnration. Ils transmettront donc leurs caractristiques aux autres individus. En n doptimisation, tous les individus non domins se rpartiront sur toute la surface de compromis. Dans [Parks et al. 98], un archivage dindividus non domins est exploit. En dbut de phase de croisement, les auteurs injectent quelques individus appartenant larchive des individus non domins dans la population normale. Ils concluent que les performances sont meilleures quand la proportion dindividus injects est plus grande. Une dnition concernant llitisme est donne dans [Laumanns et al. 00]. Dnition : litisme Soit Pt une population dun algorithme gntique donn aprs t itrations (gnrations). Soit Pt (x) la probabilit qua un individu x Pt dtre slectionn pour une phase de croisement et/ou mutation la gnration t . Alors lalgorithme gntique est dit litiste si et seulement si, pour une relation de prfrence donne dans un problme de dcision, la condition suivante est vrie : t N, x Pt tel que Pt +1 ( x)>0 avec Pt = x Pt | x Pt | x x Pt =
S
rt P r

Lopration rt Pr dsigne lunion de tous les ensembles Pr avec r t . Pt dsigne donc tous les individus non domins de Pt . Lide gnrale qui ressort de ces rexions sur llitisme est quil est important de ne pas oublier de conserver, dune manire ou dune autre, les bonnes solutions obtenues gnration aprs gnration. Pour nir, en optimisation monobjectif, on a pour habitude de sauvegarder la meilleure solution obtenue au cours du processus doptimisation. En optimisation multiobjectif, un processus similaire consiste placer dans une archive tous les individus non domins obtenus en cours doptimisation. Cette archive reprsente tout moment la meilleure approximation de la surface de compromis que lon a obtenue jusquici. De plus, comme cette archive ne sert qu sauvegarder les individus non domins, elle ne modie pas le comportement de lalgorithme gntique.
S

128

5.8 Bibliographie commente

5.8

Bibliographie commente

[Sait et al. 99] On trouvera dans ce livre la description de certaines mtaheuristiques : Recuit simul, recherche Tabou, algorithmes gntiques, etc. Les mthodes y sont dcrites clairement et la plupart des lments thoriques relatifs la convergence de certaines de ces mthodes sont prsents. Chaque mthode fait aussi lobjet dune prsentation de son utilisation dans un contexte industriel. [Goldberg 94] Le livre dintroduction aux algorithmes gntiques de rfrence. Tout ce qui a trait aux algorithmes gntiques y est prsent de manire didactique. [Davis 91] Ce livre prsente un panorama des applications des algorithmes gntiques. [Glover et al. 97] Le livre de rfrence sur la mthode de recherche Tabou. A la diffrence du livre [Goldberg 94] sur les algorithmes gntiques, cet ouvrage est plus scientique. Lexpos est un peu plus ardu. Nanmoins, nous conseillons la lecture de ce livre avant toute utilisation de la mthode de recherche Tabou. [Ausiello et al. 99] Un livre sur la complexit des algorithmes ainsi que sur les mthodes dapproximation. Ce livre traite donc des performances des algorithmes. Le niveau de cet ouvrage est assez lev mais il comporte une prsentation trs claire des diffrents concepts mis en uvre dans ce domaine. Il contient aussi un chapitre encyclopdique sur les diffrents problmes doptimisation, ainsi que les principaux rsultats sy rattachant. [Deb 01] Le livre de rfrence sur lutilisation des algorithmes gntiques dans un contexte multiobjectif. Toutes les mthodes utilisant des algorithmes gntiques dcrites dans ce chapitre sont aussi prsentes dans ce livre. Lauteur propose aussi pour chaque mthode un exemple de fonctionnement rsolu la main des diffrentes mthodes. Ces diffrents exemples permettent de mieux approfondir la connaissance de ces mthodes.

129

Chapitre 6

Les mthodes daide la dcision


6.1 Introduction

Les mthodes que nous avons prsentes jusquici taient bases sur la relation de dominance. Cette relation (que lon peut dnir de plusieurs manires : la dominance de Pareto, la dominance lexicographique par exemple) permet de ltrer les lments dun ensemble, et de ne retenir que les lments incomparables entre eux. Cependant, il existe une autre approche pour obtenir un ensemble de solutions, qui repose sur ltablissement dune relation dordre entre les diffrents lments. Ainsi, on peut, en fonction de la relation dordre dnie, obtenir un ensemble de solutions (relation dordre partiel) ou une et une seule solution (ordre complet). Lautre diffrence majeure, par rapport aux mthodes doptimisation multiobjectif classiques, vient du fait que les mthodes daide la dcision ne travaillent que sur des ensembles discrets de points (les mthodes doptimisation multiobjectif classiques peuvent travailler, elles, sur des ensembles continus). De plus, les mthodes daide la dcision permettent de rpondre plusieurs problmatiques, runies dans le tableau 6.1. Problmatique Choix dun sous-ensemble des actions les meilleures ou, a dfaut, les plus satisfaisantes. Tri par affectation des actions des catgories prdnies. Rangement de classes dquivalence composes dactions, ces classes tant ordonnes de faon complte ou partielle. Rsultat Choix Procdure Slection

Tri Rangement

Affectation Classement

TAB . 6.1 Les diffrentes problmatiques. Laide la dcision a t dveloppe partir de la constatation explicite maintenant. Dans certains cas, lorsque lon est amen comparer trois actions, on peut rencontrer un bouclage entre ces actions. Ce phnomne est appel lintransitivit (ce terme sera dni mathmatiquement dans le prochain paragraphe) de la prfrence, et de lindiffrence, ou paradoxe de Condorcet. Il se rsume de la manire suivante : soient trois actions A, B et C,

131

Chapitre 6. Les mthodes daide la dcision on peut avoir A B, B C et C A (ici, le symbole dsigne la prfrence). Ce paradoxe est reprsent la gure 6.1. B

A C F IG . 6.1 Le paradoxe de Condorcet. Un autre exemple retant, lui, lintransitivit de lindiffrence, est celui des sandwichs [Scharlig 85]. On vous propose deux sandwichs, le premier est constitu de pain et de jambon et le second est constitu dun peu plus de pain et un peu moins de jambon. Ces deux sandwichs sont sufsamment semblables pour que vous nayez aucune prfrence entre les deux. Vous prenez le sandwich avec un peu plus de pain (car vous prfrez avoir un peu plus de pain que de jambon). On vous prsente alors, en plus du sandwich que vous avez dj choisi, un autre sandwich avec encore un peu moins de jambon et un peu plus de pain. L, vous choisirez encore le sandwich avec un peu plus de pain (on suppose que vous prfrez toujours avoir un peu plus de pain que de jambon). Ce processus se rpte jusqu ce que vous soyez en possession dun morceau de pain sans jambon. Durant tout le processus, vous avez toujours eu une prfrence vis--vis de la solution qui comportait un peu plus de pain. Maintenant, lorsque vous considrez le problme dans son ensemble, il est clair que vous avez une prfrence trs nette pour le sandwich avec jambon par rapport la baguette seule. Donc, comme pour la relation de prfrence, la relation dindiffrence est elle aussi intransitive. Cest cet ensemble de proprits qui a suscit le dveloppement de laide la dcision. En effet, loptimisation multiobjectif classique ne prenait pas en compte ces proprits et, dans certains cas, amenait des solutions incohrentes, lors de la rsolution de problmes doptimisation multicritre (ce terme est souvent prfr au terme multiobjectif dans ce contexte de laide la dcision). Laide la dcision nous propose donc une prise en compte de ces proprits dintransitivit des relations dordre, et elle nous propose aussi des familles de mthodes destines rsoudre des problmatiques diffrentes (Slection, Tri, Rangement) de celles traites par loptimisation multiobjectif classique. Lorsque lon est confront au domaine de laide la dcision, on remarque un certain nombre de termes redondants : action, classement, ordre complet ou partiel. Une action dsigne un objet, une dcision, un candidat ou autre chose encore. Cest sur cette entit que va soprer la slection (ou le tri, ou le classement). Une mthode daide la dcision va donc permettre de choisir la meilleure action, ou de classer des actions en fonction dun ou plusieurs critres. En fonction du type de classement que lon dsirera effectuer, on pourra utiliser diffrents types de rgles de classement ou de choix. Ces rgles vont dnir un ordre complet (si toutes 132

6.2 Dnitions les actions sont classes) ou partiel (aprs le classement, il subsiste des actions incomparables, donc non classes).

6.2
6.2.1

Dnitions
Les relations dordre et dquivalence

On rappelle, pour commencer, les dnitions des relations dordre, ainsi que des relations dquivalence, qui permettront de classer les actions suivant certains critres. Dnition : la relation dquivalence Une relation binaire R (relation entre deux lments) dnie sur un ensemble A est une relation dquivalence si cette relation est : rexive : x A, x R x symtrique : (x, y) A A, x R y y R x transitive : (x, y, z) A A A, x R y et y R z x R z Lexemple le plus simple de relation dquivalence est la relation = sur lensemble N des entiers naturels. Rappelons maintenant la dnition dune relation dordre. Dnition : la relation dordre Une relation binaire R dnie sur un ensemble A est une relation dordre si cette relation est : rexive antisymtrique : (x, y) A A, x R y et y R x x = y transitive Lexemple le plus simple de relation dordre est la relation sur lensemble N des entiers naturels. Ces diffrentes dnitions vont nous permettre de construire des relations de comparaison (on les appellera aussi des relations de prfrence). Ces relations nous permettront, ensuite, dordonner les lments de lensemble sur lequel on effectue ces comparaisons. Il existe plusieurs types dordres. Voici leurs dnitions : Dnition : prordre Un prordre est une relation rexive et transitive. Dnition : ordre Un ordre est un prordre antisymtrique (cest donc une relation dordre). Dans un prordre, les ex-aequo sont possibles alors que dans un ordre, il ny a pas dexaequo possibles. Voici quelques dnitions complmentaires sur le prordre.

133

Chapitre 6. Les mthodes daide la dcision Dnition : prordre total Un prordre total est une relation de prordre pour laquelle tous les lments dun ensemble peuvent tre mis en relation : lincomparabilit entre deux lments nest pas permise. Un exemple de prordre total est la relation dans lensemble R. En effet, soit deux lments A et B de R, on a soit A B, soit B A. Dnition : prordre partiel Un prordre partiel est une relation de prordre pour laquelle certains lments dun ensemble ne peuvent pas tre mis en relation : lincomparabilit entre deux lments est autorise. Par exemple, la relation de dominance est une relation de prordre partiel. En effet, si lon note A B la relation A domine B, il existe des actions pour lesquelles on a ni A B ni B A. Ces actions appartiennent la surface de compromis. Ces diffrentes dnitions vont nous permettre de construire des relations de comparaison entre actions. En fonction de la problmatique qui sera pose, on pourra construire soit une relation dordre (pour effectuer un classement des actions ou dnir un ordre sur cet ensemble de solutions) soit une relation dquivalence (pour rechercher la meilleure action parmi un ensemble dactions ou dnir un prordre sur cet ensemble de solutions).

6.2.2

Les relations de prfrence

Les diffrentes dnitions prsentes ci-dessus vont nous permettre de dnir des relations de prfrence, dindiffrence et dincomparabilit entre deux actions : La relation de prfrence entre deux actions, cette relation, que lon notera P, signie une prfrence pour une des deux actions. On a a P b si a est prfre b. La relation dindiffrence entre deux actions, cette relation, que lon notera I , signie une indiffrence entre les deux actions. On a a I b si il y a indiffrence entre a et b. La relation dincomparabilit entre deux actions, cette relation, que lon notera R, signie que deux actions sont incomparables. On a a R b si il y a incomparabilit entre a et b (ce qui signie que lon na ni a P b, ni a I b, ni b P a). Ces trois relations {P, I , R} dnissent ce que lon appelle une structure de prfrence. Une structure de prfrence peut tre compltement caractrise par la dnition dune relation de prfrence au sens large : a S b si a P b ou si a I b. La relation de prfrence au sens large est donc la runion dune relation de prfrence au sens strict (la relation P) et dune relation dindiffrence (la relation I ). La relation de prfrence au sens large est aussi appele relation de surclassement.

134

6.3 Les diffrentes mthodes

6.2.3

Dnition dun critre

Dnition : un critre [Vincke 89] Un critre est une fonction g, dnie sur lensemble des actions A, qui prend ses valeurs dans un ensemble totalement ordonn, et qui reprsente les prfrences de lutilisateur selon un point de vue. Par exemple, la moyenne dun lve est un critre pouvant servir dterminer la valeur de llve. Selon la mthode, la dnition de la valuation dun critre (ou manire de donner une valeur un critre) peut changer. En revanche, la dnition du critre reste identique.

6.2.4

Analyse

Normalement, la n de lapplication dune mthode daide la dcision, on procde une phase danalyse de sensibilit et danalyse de robustesse. Ces deux analyses permettent de vrier la abilit du rsultat fourni par la mthode ou la sensibilit du rsultat vis--vis des paramtres choisis par lutilisateur. Dnition : analyse de sensibilit [Maystre et al. 94] Cest une analyse consistant rpter lutilisation de la mthode daide la dcision originale en faisant varier les valeurs attribues lorigine aux diffrents paramtres de la mthode, valeurs qui sont souvent empreintes dun certain arbitraire. Elle vise dnir les paramtres qui conditionnent le plus troitement la solution choisie, cest-dire o il suft dune faible modication pour changer la solution propose. Dnition : analyse de robustesse [Maystre et al. 94] Cest une analyse cherchant dterminer le domaine de variation de certains paramtres dans lequel un classement ou un choix reste stable. Elle sert fournir lutilisateur une solution robuste, qui linforme quant la capacit de la solution rsister des variations entre la ralit et le modle cens la reprsenter.

6.3

Les diffrentes mthodes

Nous allons prsenter diffrentes mthodes daide la dcision. Nous commencerons par les mthodes ELECTRE (I, IS, II, III, IV et TRI) puis, nous nirons par deux mthodes proches des mthodes ELECTRE : les mthodes PROMETHEE (I et II). Chacune de ces mthodes traite une problmatique bien prcise. Les lments importants qui diffrencient ces mthodes sont la dnition de la relation de classement des actions (chaque mthode exploite une relation de prfrence diffrente) et la mthode dexploitation des rsultats.

135

Chapitre 6. Les mthodes daide la dcision

6.3.1

Introduction

Avant de commencer la prsentation de ces mthodes, nous allons prciser quelques notations, ainsi quune mthode de reprsentation des rsultats. 6.3.1.1 Notations

Les mthodes daide la dcision permettent de choisir ou de classer des actions en fonction dun ensemble de critres. Nous noterons les actions : ai , i = 1, , k et les critres : g j , j = 1, , n. Lvaluation de laction ai suivant le critre g j sera note g j (ai ). Par exemple, si le critre g1 est une moyenne de notes de la matire 1, lexpression g1 (a) est la moyenne de llve a dans la matire 1. Ce critre prend comme variable un lve et procure la moyenne de llve considr. L aussi, chaque mthode daide la dcision va fournir sa propre dnition de la valeur dun critre. 6.3.1.2 La reprsentation

Les mthodes daide la dcision utilisent un graphe orient (ensemble de sommets et darcs reliant ces sommets, les arcs tant orients par des ches) pour reprsenter les relations entre les diffrentes actions. Dans ce graphe, on commence par introduire les sommets, qui sont les actions considres, puis on introduit les arcs entre les diffrents sommets. On trace un arc du sommet ai vers le sommet a j si laction ai surclasse laction a j . Sil ny a aucune relation entre ces deux actions, on ne trace pas darc entre elles. Nous allons traiter un exemple simple. Dans le tableau 6.2 gurent sept actions ainsi que les relations qui les lient. On lit ce tableau dans le sens ligne vers colonne (par exemple, de la ligne a2 vers la colonne a1 , on a a2 S a1 ). a1 a1 a2 a3 a4 a5 a6 a7 S S S S a2 a3 a4 a5 a6 a7

S S

S S

TAB . 6.2 Exemples de relations entre actions. Quand on reprsente ces diffrentes relations sur un graphe, on obtient le graphe de la gure 6.2. On remarque que laction a6 nest relie aucune autre action. On dit alors quelle est incomparable. De ce graphe, nous allons extraire des informations importantes. Par exemple, nous allons isoler le noyau N du graphe. Une fois ce noyau isol, on note A/N les actions restantes (qui nappartiennent pas au noyau).

136

6.3 Les diffrentes mthodes a1 a7 a2

a6

a3

a5

a4

F IG . 6.2 Graphe des relations entre actions.

Dnition : le noyau du graphe [Maystre et al. 94] Le noyau du graphe est compos dun ensemble de sommets tels que : tous les sommets qui nappartiennent pas au noyau sont surclasss par un sommet du noyau au moins ; les sommets du noyau ne se surclassent pas entre eux. Si lon applique la dnition lexemple, on obtient les graphes de la gure 6.3. Si le surclassement est remplac par la relation de dominance de Pareto, la dnition du noyau correspond alors la surface de compromis de lensemble des solutions.

a1 a7 a2

a6

a3
(a) Le graphe de lensemble A/N

a5

a4

(b) Le graphe de lensemble N

F IG . 6.3 Les graphes des ensembles A/N et N . Cette reprsentation va permettre, ensuite, de calculer lindice de concordance et lindice de discordance, qui permettront de classer ou choisir des actions suivant certains critres. Dnition : indice de concordance [Maystre et al. 94] Il est dit du critre j quil concorde avec lhypothse laction ai surclasse laction ak si laction ai est au moins aussi bonne que laction ak en ce qui concerne le critre j ; ce qui ce traduit par : g j (ai ) g j (ak ).

137

Chapitre 6. Les mthodes daide la dcision Dnition : non-discordance [Maystre et al. 94] La condition de non-discordance permet de refuser le surclassement dune action sur une autre, obtenu aprs application de la condition de concordance, lorsquil existe une opposition trop forte sur un critre au moins. Forts de ces diffrentes dnitions, nous allons maintenant pouvoir prsenter les mthodes daide la dcision.

6.3.2
6.3.2.1

La mthode ELECTRE I
Principe

Cette mthode permet de choisir la meilleure action suivant un groupe de critres. Elle a t dnie par B. Roy en 1968 [Vincke 89, Maystre et al. 94]. Cette premire mthode sera applique un exemple concret : lidentication du meilleur lve dune classe. 6.3.2.2 Prsentation de la mthode

Notre problme est le suivant : On a N actions ai , i = 1, , N . On a K critres g j , j = 1, , K (on note F = { j | j = 1, , K }). On commence par affecter un poids Pj chaque critre g j (selon les prfrences de lutilisateur). Etablir des relations entre actions On effectue ensuite des comparaisons entre couples dactions (ai et ak ). Ces comparaisons seront dcomposes en fonction des relations de prfrence. On aura les ensembles de comparaison suivants : J + (ai , ak ) = j F | g j (ai ) > g j (ak ) : cest lensemble des critres pour lesquels laction ai est prfre laction ak . J = (ai , ak ) = j F | g j (ai ) = g j (ak ) J (ai , ak ) = j F | g j (ai ) < g j (ak ) Ces diffrentes comparaisons sont effectues sur des couples dactions (ai , ak ) et par critre g j . Le rsultat obtenu la n de cette tape est un ensemble dindices reprsentant des critres qui vrient les relations dnies ci-dessus pour le couple dactions donn. Convertir les relations entre actions en valeurs numriques Le but est, maintenant, de convertir les diffrents ensembles obtenus suite la comparaison sur les couples dactions (ai , ak ) en valeurs numriques. Pour chaque ensemble, on dtermine donc la somme des poids des critres appartenant chaque famille : P+ (ai , ak ) = Pj avec j J + (ai , ak ) : cest la somme des poids des critres appartej

nant lensemble J + (ai , ak ). P= (ai , ak ) = Pj avec j J = (ai , ak )


j

P (ai , ak ) = Pj avec j J (ai , ak )


j

138

6.3 Les diffrentes mthodes On note P (ai , ak ) = P+ (ai , ak ) + P= (ai , ak ) + P (ai , ak ). On pourra reprsenter toutes ces informations dans un tableau de dimension N N . Fusionner les diffrentes valeurs numriques Nous allons maintenant passer dune valeur numrique par couple dactions et par critre (ce qui fait K valeurs numriques par couple dactions) deux valeurs numriques : lindice de concordance et lindice de discordance. Toutes les dnitions ci-dessus nous permettent de calculer : lindice de concordance : Cik = P+ (ai , ak ) + P= (ai , ak ) P (ai , ak ) (6.1)

On a 0 Cik 1. Cet indice exprime combien lhypothse de dpart ai surclasse ak concorde avec la ralit reprsente par les valuations des actions. lensemble de concordance : J (ai , ak ) = J + (ai , ak ) J = (ai , ak ) lindice de discordance : on le note Dik . Il est dni de la manire suivante : Dik = 0
1 j

(6.2)

/ si J (ai , ak ) = 0 max (g j (ak ) g j (ai )) avec j J (ai , ak ) , sinon

(6.3)

et j : amplitude de lchelle associe au critre j. Ici, on a 0 Dik 1. lensemble de discordance : cest lensemble J (ai , ak ). Filtrer les actions Nous avons maintenant toutes les informations ncessaires pour extraire laction ou les actions les meilleures. Pour cela, il va falloir juger les relations de surclassement. Pour quune relation de surclassement soit juge comme able, il faut que lon ait : Cik c Dik d On a : c: d: seuil de concordance. Typiquement 0.7. Cest le seuil au del duquel lhypothse de dpart ai surclasse ak sera considre comme valable. seuil de discordance. Typiquement 0.3. Cest le seuil en de duquel lhypothse de dpart ai surclasse ak ne sera plus valable. ai S ak (6.4)

Cette dnition nous indique que pour quune relation de surclassement soit considre comme valable, il faut que celle-ci soit sufsamment concordante et aussi sufsamment non discordante avec lhypothse de dpart ai surclasse ak . Cette dernire tape nous permet dextraire, de lensemble des actions de dpart, les meilleures actions (celles qui respectent la relation 6.4).

139

Chapitre 6. Les mthodes daide la dcision 6.3.2.3 Exemple

Nous allons maintenant illustrer le fonctionnement de la mthode ELECTRE I sur un exemple. Prsentation des donnes On considre les notes de cinq lves dans cinq matires. Ces donnes sont runies dans le tableau 6.3. M1 7 8 20 16 12 M2 13 11 2 14 12 M3 8 11 10 16 8 M4 12 12 3 14 8 M5 11 11 15 13 10

E1 E2 E3 E4 E5

TAB . 6.3 Notes de cinq lves dans cinq matires. On cherche dterminer quel est le meilleur lve suivant trois critres : C1 : C2 : C3 : la moyenne des notes sur lensemble des matires doit tre la plus leve possible. la note minimale doit tre strictement suprieure 8. les variations des notes autour de la moyenne doivent tre les plus petites possible.

Voici les dnitions mathmatiques des diffrents critres :

C1 (E ) = 10 0

` ) matiere ` Note (E , matiere 5

C2 (E ) =

` )) > 8 si minmatiere ` (Note (E , matiere sinon


2

C3 (E ) = en dsignant par : E: matiere ` :

` ) C1 (E )) matiere ` (Note (E , matiere 5

un lve parmi les cinq. un index qui parcourt toutes les matires pour llve considr (cinq matires en tout).

Note (E , matiere ` ) : dsigne la note de llve E dans la matire matiere ` . Les actions seront les suivantes : a1 : a2 : a3 : a4 : E1 est le meilleur lve. E2 est le meilleur lve. E3 est le meilleur lve. E4 est le meilleur lve. 140

6.3 Les diffrentes mthodes a5 : E5 est le meilleur lve.

Il nous faut maintenant choisir des poids pour les diffrents critres. Par ce choix, on dnit un ordre dimportance dans les critres. Par exemple, on veut que la moyenne soit le critre principal et que les deux autres critres aient le mme poids. Donc on xe PC1 = 0.5, PC2 = PC3 = 0.25. Dans un premier temps, on calcule la valeur de chaque critre pour chaque lve. Ces valeurs sont runies dans le tableau 6.4. C1 10.2 10.6 10 14.6 10 C2 0 10 0 10 10 C3 1.035 0.606 3.08 0.5366 0.8
C1 0.87 2.61 0 20 0 C2 0 20 0 20 20 C3 16.08 19.45 0 20 17.9

E1 E2 E3 E4 E5

E1 E2 E3 E4 E5

TAB . 6.4 Les valeurs des critres pourTAB . 6.5 Les valeurs recalibres des critres chaque lve. pour chaque lve.

Les chelles des diffrents critres ne nous conviennent pas, nous allons donc recalibrer les diffrentes valeurs : Pour le critre C1 , 10 on associe 0 et 14.6 on associe 20. Pour le critre C2 , 0 on associe 0 et 10 on associe 20. Pour le critre C3 , 0.5366 on associe 20 et 3.08 on associe 0. Pour les valeurs intermdiaires de chaque critre, on effectue une interpolation linaire en utilisant les informations que lon vient de fournir. On obtient alors les valeurs contenues dans le tableau 6.5. Ici, les valeurs des amplitudes des chelles (les variables j ) valent toutes 20 (les valeurs de chaque critre sont rparties sur un intervalle [0, 20]). Etablir des relations entre actions Nous allons maintenant effectuer des comparaisons action par action pour chaque critre. Ces comparaisons sont runies dans un tableau pour chaque critre (voir les tableaux 6.6, 6.7 et 6.8). La prsence du symbole J lintersection de la ligne a1 et de la colonne a2 du tableau signie que lindex 1 appartient lensemble J (a , a ). Si lon runit relatif au critre C1 1 2 les informations des trois tableaux relatifs ce couple dactions, on obtient : J (a1 , a2 ) = {1, 2, 3}

, C et C , laction a est prfre laction a . En effet, pour les trois critres C1 2 1 2 3 On considre maintenant toutes les informations contenues dans les tableaux prcdents et on calcule les indices de concordance Cik , les indices de discordance Dik , ainsi que les tableaux 6.9 6.11 runissant les informations concernant J + , J = et J . Ces tableaux runissent les informations obtenues dans les prcdents tableaux, par critre. Par exemple, dans le tableau 6.9, lintersection de la colonne a1 et de la ligne a2 , on trouve lensemble {1, 2, 3}. Cela signie que laction a2 est prfre laction a1 suivant les critres 1, 2 et 3.

141

Chapitre 6. Les mthodes daide la dcision

a1 a1 a2 a3 a4 a5 J+ J J+ J

a2 J J J+ J

a3 J+ J+ J+ J=

a4 J J J J

a5 J+ J+ J= J+

a1 a1 a2 a3 a4 a5 J+ J= J+ J+

a2 J J J= J=

a3 J= J+ J+ J+

a4 J J= J J=

a5 J J= J J=

TAB . 6.6 Comparaisons entre actions pour leTAB . 6.7 Comparaisons entre actions pour le . . critre C1 critre C2

a1 a1 a2 a3 a4 a5 J+ J J+ J+

a2 J J J+ J

a3 J+ J+ J+ J+

a4 J J J J

a5 J J+ J J+

. TAB . 6.8 Comparaisons entre actions pour le critre C3

a1 a1 a2 a3 a4 a5 {1, 2, 3} / 0 {1, 2, 3} {2, 3}

a2 / 0 / 0 {1, 3} / 0

a3 {1, 3} {1, 2, 3} {1, 2, 3} {2, 3}

a4 / 0 / 0 / 0 / 0

a5 {1} {1, 3} / 0 {1, 3}

TAB . 6.9 Rsum concernant lensemble J + . a1 a1 a2 a3 a4 a5 / 0 {2} / 0 / 0 a2 / 0 / 0 {2} {2} a3 {2} / 0 / 0 {1} a4 / 0 {2} / 0 {2} a5 / 0 {2} {1} {2}

TAB . 6.10 Rsum concernant lensemble J = . a1 a1 a2 a3 a4 a5 / 0 {1, 3} / 0 {1} a2 {1, 2, 3} {1, 2, 3} / 0 {1, 3} a3 / 0 / 0 / 0 / 0 a4 {1, 2, 3} {1, 3} {1, 2, 3} {1, 3} a5 {2, 3} / 0 {2, 3} / 0

TAB . 6.11 Rsum concernant lensemble J . 142

6.3 Les diffrentes mthodes Un indice permet de vrier la cohrence des informations obtenues : lorsque lon runit les trois tableaux en un seul (J = J + J = J ), on doit trouver lensemble {1, 2, 3} dans chaque case du tableau. Convertir les relations entre actions en valeurs numriques Nous allons maintenant calculer le tableau des ensembles de concordance (J = J + J = ), le tableau des coefcients de concordance (Cik ) et le tableau des coefcients de discordance (Dik ). Le tableau 6.12 contient les ensembles de concordance. a1 a1 a2 a3 a4 a5 {1, 2, 3} {2} {1, 2, 3} {1, 2, 3} a2 / 0 / 0 {1, 2, 3} {2} a3 {1, 2, 3} {1, 2, 3} {1, 2, 3} {1, 2, 3} a4 / 0 {2} / 0 {2} a5 {1} {1, 2, 3} {1} {1, 2, 3}
S = J .

TAB . 6.12 Rsum concernant lensemble de concordance J = J +

Le tableau 6.15 contient les coefcients de concordance. Avant de pouvoir calculer ce + =. et Pik tableau, nous allons calculer les coefcients Pik a1 a1 a2 a3 a4 a5 1 0 1 0.5 a2 0 0 0.75 0 a3 0.75 1 1 0.5 a4 0 0 0 0 a5 0.5 0.75 0 0.75 a1 a1 a2 a3 a4 a5 0 0.25 0 0 a2 0 0 0.25 0.25 a3 0.25 0 0 0.5 a4 0 0.25 0 0.25 a5 0 0.25 0.5 0.25

TAB . 6.13 Rsum concernant les coef-TAB . 6.14 Rsum concernant les coef+ =. . cients Pik cients Pik

Fusionner les valeurs numriques Nous allons maintenant calculer le tableau des coefcients de concordance en utilisant la formule suivante : Cik =
+ = Pik + Pik Pik

avec Pik = 1, i et k. Le tableau 6.16 contient les coefcients de discordance. On remarque que j vaut 20 pour tous les critres. Filtrer les actions Nous avons maintenant toutes les informations ncessaires pour raliser un test de concordance et un test de non discordance. On xe le seuil c du test de concordance 0.75. Ce test 143

Chapitre 6. Les mthodes daide la dcision a1 a1 a2 a3 a4 a5 1 0.25 1 0.5 a2 0 0 0.75 0.25 a3 1 1 1 1 a4 0 0.25 0 0.25 a5 0.5 1 0.5 1

TAB . 6.15 Rsum concernant les coefcients de concordance Cik . a1 a1 a2 a3 a4 a5 0 0.0435 0 0.0435 a2 0.087 0.1305 0 0.0775 a3 0 0 0 0 a4 0.196 0.13 1 0.105 a5 0.196 0 0.895 0

TAB . 6.16 Rsum concernant les coefcients de discordance Dik . est satisfait si Cik 0.75. On xe le seuil d du test de non discordance 0.25. Ce test est satisfait si Dik 0.25. Les Cik qui satisfont le test de concordance sont C13 , C21 , C23 , C25 , C41 , C42 , C43 , C45 et C53 . Seul D34 ne satisfait pas le test de non discordance. Donc, on peut dire que : Laction a1 surclasse laction a3 , car la relation de concordance C13 est vrie et la relation de discordance D13 ne lest pas. Laction a2 surclasse les actions a1 , a3 et a5 car les relations de concordance C21 , C23 , C25 sont vries et les relations de discordance D21 , D23 , D25 ne le sont pas. Laction a4 surclasse toutes les autres, car les relations de concordance C4i , i = 1, 2, 3, 5 sont vries et les relations de discordance D4i , i = 1, 2, 3, 5 ne le sont pas. Laction a5 surclasse laction a3 , car la relation de concordance C53 est vrie et la relation de discordance D53 ne lest pas. On reprsente ces rsultats dans un graphe. Pour conclure cet exemple, si lon considre le nombre dlves surclasss, on peut dire que llve E4 est meilleur que tout le monde, E2 se classe second, E1 et E5 sont ex-aequo et E3 est dernier. 6.3.2.4 Discussion

Malgr le nombre important dtapes que lon doit franchir pour arriver au rsultat, on constate que le choix que lon peut faire la n de lanalyse est trs cohrent. Il correspond tout fait au classement que lon aurait fait de manire naturelle en appliquant les critres dnis. Cette mthode formalise donc le raisonnement humain. Ainsi, on peut appliquer cette mthode de choix un grand nombre de donnes et obtenir des relations entre actions quil aurait t laborieux dobtenir la main.

144

6.3 Les diffrentes mthodes a1

a5

a2

a4

a3

F IG . 6.4 Graphe des relations entre actions.

6.3.3
6.3.3.1

La mthode ELECTRE IS
Principe

Cette mthode correspond la mthode ELECTRE I laquelle on a ajout laspect logique oue [Maystre et al. 94]. 6.3.3.2 Prsentation de la mthode

Nous allons dnir lindice de concordance par critre, lindice de concordance global, lindice de discordance par critre, lindice de discordance global et la relation de surclassement. Les indices de concordance et de discordance Lindice de concordance : c j (ai , ak ) = 0 0 < c j (ai , ak ) < 1 c j (ai , ak ) = 1 si p j < g j (ak ) g j (ai ) si q j < g j (ak ) g j (ai ) p j si g j (ak ) g j (ai ) q j

Cet indice est similaire celui dni dans la mthode ELECTRE III (voir paragraphe 6.3.5). Lindice de concordance global :
m

Cik =

j=1

p j c j (ai , ak )
j=1

pj

Cet indice est similaire celui dni dans la mthode ELECTRE III. Lindice de discordance par critre ; cet indice est de type binaire :

145

Chapitre 6. Les mthodes daide la dcision


Cik 0 si g j (ak ) g j (ai ) < vi (ai , ak ) q j (ai , ak ) 11 c 1 sinon

d j (ai , ak ) =

o c est le seuil de concordance global. Lindice de discordance global ; cet indice est aussi binaire : Dik = 0 si d j (ai , ak ) = 0, j = 1, , m 1 sinon

La relation de surclassement ; elle est aussi binaire : S (ai , ak ) = 1 0 si Cik c et Dik = 0 sinon

6.3.3.3

Discussion

Comme avec la mthode ELECTRE I, on peut tracer le graphe des actions et rechercher le noyau. Il ne faut pas oublier de remplacer le circuit maximal (circuit qui nest compris dans aucun autre circuit) par une action ctive. Lanalyse des rsultats est alors la mme quavec la mthode ELECTRE I. Lavantage davoir ajout laspect ou la mthode ELECTRE I est que lon diminue la sensibilit de la mthode vis--vis des paramtres que doit choisir lutilisateur. En effet, la mthode oue permet de pouvoir choisir un paramtre de la mthode sur une plage, au lieu de donner une valeur ponctuelle.

6.3.4
6.3.4.1

La mthode ELECTRE II
Principe

Cette mthode est trs similaire la mthode ELECTRE I. La diffrence rside dans la dnition de deux relations de surclassement : le surclassement fort ; le surclassement faible. 6.3.4.2 Prsentation de la mthode

Dnition des relations de surclassement Les actions sont compares deux deux et des relations de prfrence sont tablies : La relation de surclassement fort : laction ai surclasse fortement laction ak si : Cik c+ et g j (ak ) g j (ai ) D1 ( j) , j et + Pik 1
Pik

(6.5)

et/ou

146

6.3 Les diffrentes mthodes

avec c+ c0 et D2 ( j) D1 ( j). Cette relation permet de considrer quune action ai surclasse fortement une action ak si : la relation de surclassement est trs fortement concordante et moyennement discordante (quation 6.5), la relation de surclassement est moyennement concordante et faiblement discordante (quation 6.6). La relation de surclassement faible : laction ai surclasse faiblement laction ak si : Cik c et g j (ak ) g j (ai ) D1 ( j) , j et + Pik 1
Pik

Cik c0 et g j (ak ) g j (ai ) D2 ( j) , j et + Pik 1 P


ik

(6.6)

(6.7)

avec c0 c . Cette relation permet de considrer quune action ai surclasse faiblement une action ak si la relation de surclassement est faiblement concordante et moyennement discordante (quation 6.7). Les variables D1 ( j) et D2 ( j) sont des seuils de non discordance. Ces valeurs sont dnies pour chaque critre g j . Ces seuils sont choisis de manire avoir D2 ( j) D1 ( j). En consquence : si g j (ak ) g j (ai ) D2 ( j), la discordance est faible et le critre j ne prsente pas une opposition majeure lhypothse laction ai surclasse laction ak ; si D2 ( j) < g j (ak ) g j (ai ) D1 ( j), la discordance est moyenne et le critre j ne prsente pas une opposition majeure lhypothse de surclassement laction ai surclasse laction ak . Dnition du coefcient de concordance Les coefcients de concordance sont calculs de la mme manire que pour la mthode ELECTRE I : Cik =
+ = Pik + Pik Pik

(6.8)

La diffrence rside dans le fait que lon aura trois seuils de concordance c+ , c0 et c qui correspondent respectivement une concordance avec prsomption forte, moyenne et faible. Le test de concordance sera accept si :

147

Chapitre 6. Les mthodes daide la dcision Cik c+ ou Cik c0 ou Cik c Le processus de classement

et

+ Pik Pik

Une fois que lon a dtermin ces diffrents lments, il faut effectuer : un classement direct, un classement inverse. On commence par reprsenter les relations entre actions dans deux graphes : un graphe dit de surclassement fort not GF , dans lequel on lie deux sommets entre eux sil existe une relation de surclassement fort entre les deux actions reprsentes par ces deux sommets, un graphe dit de surclassement faible not G f , dans lequel on lie deux sommets entre eux sil existe une relation de surclassement faible entre les deux actions reprsentes par ces deux sommets. Il faut, dans un premier temps, modier les deux graphes de manire liminer les circuits. Dnition : un circuit Un circuit est un ensemble dactions dans lequel on a, par exemple, laction A domine laction B, laction B domine laction C et laction C domine laction A. Un exemple de suppression de circuit est reprsent la gure 6.5. Sur cette gure, on peut voir la simplicit du traitement des circuits. En effet, un circuit correspond des relations entre les actions correspondantes qui tiennent du paradoxe de Condorcet. Il nest pas possible de dcider quelle action est la meilleure. Donc, pour lever cette ambigut, on remplace les actions qui forment un circuit par une action ctive. Cette action symbolisera un groupe dactions quivalentes pour le dcideur.

Circuit

A B C

D
A

(a) Le graphe des actions avant la transformation du circuit

(b) Le graphe des actions aprs la transformation du circuit

F IG . 6.5 Remplacement dun circuit par une action ctive. La modication des graphes sopre ici comme suit : on note G F le graphe qui correspond au graphe de surclassement fort dorigine GF dans lequel on a remplac tous les circuits par des actions ctives ;

148

6.3 Les diffrentes mthodes on note Gf le graphe qui correspond au graphe de surclassement faible dorigine G f dans lequel on a remplac tous les circuits par des actions ctives. Le classement direct seffectue en six tapes : Etape 1 : A chaque nouvelle tape l , les actions dj classes sont supprimes du graphe de surclassement fort ; les actions restantes constituent lensemble Al (qui est un sous-ensemble de A) et leurs relations sont fournies par le graphe Yl (qui est un sous-graphe du graphe de surclassement fort modi G F ). Etape 2 : Dans le graphe Yl , tous les sommets qui ne sont pas surclasss sont recenss : ils forment lensemble D. Etape 3 : Les lments de D qui sont relis dans le graphe de surclassement faible Gf constituent lensemble U . Etape 4 : Lensemble B contient tous les sommets de U qui ne sont pas surclasss par un autre sommet de U . La classe dquivalence des actions classes la l e tape, dsigne par Al , est dnie par lunion des ensembles D U et B. Les ensembles B et D U reprsentent tous les sommets qui : 1. nont pas encore t classs ; 2. ne sont surclasss par aucun sommet du graphe Yl , qui nest autre que le graphe de surclassement fort G F duquel ont t enlevs les sommets et arcs correspondants dj classs ; 3. Concernant D U : nont pas de relation de type surclassement faible entre eux. Concernant B : surclassent, par des relations de type surclassement faible, dautres sommets qui remplissent les conditions 1 et 2. Etape 5 : A toutes les actions classes ltape l (et qui forment, par consquent, la classe dquivalence Al ) est attribu le rang l + 1 ; de cette manire, chaque action potentielle correspond un rang obtenu par le classement direct et si rang (ai ) < rang (ak ), cela signie que laction ai est meilleure que laction ak . Les sommets classs la l e tape sont retirs du graphe de surclassement fort, ce qui donne le nouveau sous-graphe Yl +1 . Etape 6 : Enn, si Yl +1 ne comporte plus aucun sommet, le classement est termin ; dans le cas contraire, il continue avec ltape l + 1. Etablir la relation dordre Une fois le classement direct effectu, on construit un autre classement : le classement inverse. Pour cela, on effectue un classement direct mais en y apportant les modications suivantes : inverser la direction des arcs dans les graphes G F (graphe de surclassement fort) et G f (graphe de surclassement faible) ; une fois le rang obtenu de la mme manire que dans la procdure prcdente (rang1 (ai ) = l + 1), on lajuste de la manire suivante : rang2 (ai ) = 1 + rang1 (ai )max rang1 (ai )

Nous allons maintenant runir les informations obtenues dans le classement direct et dans le classement inverse (il sagit, en fait, dune intersection entre les deux classements). Nous obtiendrons alors un prordre partiel. Il faut suivre les tapes suivantes : 149

Chapitre 6. Les mthodes daide la dcision si ai est prfre ak dans les deux prordres complets (le classement direct et le classement inverse), alors il en sera de mme pour le prordre partiel ; si ai est quivalente ak dans un prordre complet, mais si elle lui est prfre dans le deuxime, alors ai sera prfre ak dans le classement nal ; si, dans le premier prordre, ai est prfre ak et si, dans le deuxime prordre, ak est prfre ai , alors les deux actions seront incomparables dans le prordre nal. 6.3.4.3 Exemple
+ Pik Pik

On reprend lexemple du paragraphe 6.3.2.3. On dtermine les coefcients (voir tableau 6.17). a2 0 0 + 0 a3 + + + + a4 0 0 0 0
+ Pik . Pik

a1 a1 a2 a3 a4 a5 + 0 + 1

a5 1 + 0 +

TAB . 6.17 Valeurs des coefcients Nous calculons maintenant les coefcients : g1 (ak ) g1 (ai ) que lon note G1 ik (voir tableau 6.18). g2 (ak ) g2 (ai ) que lon note G2 ik (voir tableau 6.19). g3 (ak ) g3 (ai ) que lon note G3 ik (voir tableau 6.20). a1 a1 a2 a3 a4 a5 1.74 0.87 19.13 0.87 a2 1.74 2.61 17.39 2.61 a3 0.87 2.61 20 0 a4 19.13 17.39 20 20

a5 0.87 2.61 0 20

TAB . 6.18 Valeurs des coefcients G1 ik . a1 a1 a2 a3 a4 a5 20 0 20 20 a2 20 20 0 0 a3 0 20 20 20 a4 20 0 20 0 a5 20 0 20 0

TAB . 6.19 Valeurs des coefcients G2 ik . On calcule la matrice des relations de surclassement, en utilisant les seuils suivants : c+ = 0.75, c0 = 0.7, c = 0.65, D1 = 20 et D2 = 16 (voir tableau 6.21). Dans ce tableau, le symbole SF dsigne la relation de surclassement fort, le symbole S f dsigne la relation 150

6.3 Les diffrentes mthodes a1 a1 a2 a3 a4 a5 3.37 16.08 3.92 1.82 a2 3.37 19.45 0.55 1.55 a3 16.08 19.45 20 17.9 a4 3.92 0.55 20 2.1 a5 1.82 1.55 17.9 2.1

TAB . 6.20 Valeurs des coefcients G3 ik . de surclassement faible et dsigne labsence de relation de surclassement entre les deux lments. a1 a1 a2 a3 a4 a5 SF SF a2 SF a3 SF SF SF a4 a5 SF SF

TAB . 6.21 Matrice des relations de surclassement. On trace maintenant le graphe de surclassement fort et le graphe de surclassement faible. Ces graphes sont reprsents la gure 6.6.

a1

a1

a5

a2

a5

a2

a4

a3

a4

a3

(a) Le graphe de surclassement fort

(b) Le graphe de surclassement faible

F IG . 6.6 Les graphes de surclassement. On effectue maintenant le classement : direct (voir tableau 6.22) ; inverse (voir tableau 6.23). Pour nir, on reprsente les informations obtenues par les classements direct et inverse sur un graphique (voir gure 6.7). En abscisse, on a le rang obtenu lors du classement inverse et, en ordonne, on a le rang obtenu lors du classement direct.

151

Chapitre 6. Les mthodes daide la dcision tape 0 1 2 3 Yl {1, 2, 3, 4, 5} {1, 2, 3, 5} {1, 3, 5} {3} D {4} {2} {1, 2} {3} U / 0 / 0 / 0 / 0 B {4} {2} {1, 5} {3} Al {4} {2} {1, 5} {3} rl +1 1 2 3 4

TAB . 6.22 Le classement direct. tape 0 1 2 3 Yl {1, 2, 3, 4, 5} {2, 4, 5} {2, 4} {4} D {1, 3} {5} {4} {2} U / 0 / 0 / 0 / 0 B {1, 3} {5} {4} {2} Al {1, 3} {5} {4} {2} rl +1 4 3 2 1

TAB . 6.23 Le classement inverse. Rang du classement direct 4 3 2 1 0 1 2 4 2 3 4 Rang du classement inverse 5 3 1 Rang du classement direct 4 3 2 1 0 1 2 4 2 3 4 Classement dcroissant Rang du classement inverse 5 3 1

F IG . 6.7 Classement des actions. 6.3.4.4 Discussion

Cette mthode permet de classer les actions. Dans notre exemple, on a effectu deux classements : un classement direct (ou de la meilleure action la moins bonne) : 2, 4, 5, {3, 1}. un classement inverse (ou de la moins bonne action la meilleure) : 4, 2, {5, 1}, 3. Nous prsentons les actions de la meilleure la moins bonne pour que les diffrences de classement puissent tre notes. Le classement global, tel quil est donn la gure 6.7, donne : {2, 4} , 5, 1, 3. Ce classement a t obtenu en faisant glisser la droite Rang du classement direct = Rang du classement inverse de la droite vers la gauche. Les meilleures actions sont celles que lon rencontre en premier. Cette mthode rpond bien la problmatique du rangement. Cependant, cette mthode est complexe appliquer (lexemple le montre bien). La mthode travaille avec un nombre densembles important (Yl , D, B, U et Al ). De plus, elle pos152

6.3 Les diffrentes mthodes sde de nombreux paramtres (les seuils de concordance c+ , c0 et c et les seuils de discordance par critre D1 ( j) et D2 ( j)). De plus amples informations sur cette mthode peuvent tre trouves dans [Vincke 89] et [Maystre et al. 94].

6.3.5
6.3.5.1

La mthode ELECTRE III


Principe

Cette mthode reprend les mmes principes que la mthode ELECTRE II (voir [Vincke 89] et [Maystre et al. 94]). La grande diffrence rside dans lintroduction de pseudo-critres la place des critres classiques. Pour ces critres, deux seuils seront dnis : un seuil dindiffrence, un seuil de prfrence stricte. ELECTRE III introduit aussi un degr de crdibilit (ou degr de abilit) du surclassement. La dcision nale nest plus un choix binaire entre lacceptation ou le rejet dune action. 6.3.5.2 Prsentation de la mthode

Cette mthode ELECTRE est nalement fortement inspire de la logique oue. Dnissons ce quest un pseudo-critre. Dnition : le pseudo-critre Un pseudo-critre est dni par deux bandes qui correspondent deux zones de prfrence diffrentes : une bande dindiffrence, dans laquelle la diffrence entre ai et ak nentrane pas de prfrence particulire pour lune ou lautre des deux actions ; une bande de prfrence stricte, dans laquelle on peut dire que lon prfre lune ou lautre des deux actions. Entre ces deux bandes, on peut dire que lon a une prfrence faible pour une action. Le pseudo-critre est donc une fonction g dont le pouvoir discriminant est caractris par deux seuils q (g) et p (g), de la faon suivante : ai , ak A La relation dindiffrence est dnie par : ai I ak q (g (ai )) g (ai ) g (ak ) q (g (ak )) La relation de prfrence faible est dnie par : ai Q ak q (g (ak )) < g (ai ) g (ak ) p (g (ak )) La relation de prfrence stricte est dnie par : ai P ak p (g (ak )) < g (ai ) g (ak ) Les seuils p et q doivent respecter les trois relations suivantes : q (g (ak ) g (ai )) 1 g (ak ) g (ai ) p (g (ak ) g (ai )) 1 g (ak ) g (ai ) qj pj

153

Chapitre 6. Les mthodes daide la dcision Le paramtre p j (la fonction seuil p associe au critre j) est appel le seuil de prfrence stricte et le paramtre q j (la fonction seuil q associe au critre j) est appel le seuil dindiffrence. Par exemple, les fonctions seuil p et q peuvent tre dnies comme : une constante, une fonction de laction considre, par exemple : p (g (ai )) = + g (ai ) Le fonctionnement de ces diffrentes relations (I , Q, et P) est reprsent la gure 6.8. g (a) g (a ) (6.9)

(a) Une relation dindiffrence

q q +q +q

g (a)

g (a )

p g (a)

(b) Une relation de prfrence faible

q p

+qq

+ p+q

+ p

g (a )

q +q

(c) Une relation de prfrence stricte

+ p p

q +q

+ p

F IG . 6.8 Illustration graphique des diffrentes relations de prfrence.

Lindice de concordance
Pour lindice de concordance, on utilise la formule suivante, illustre par la gure 6.9 : g (a )+ p j g j (ak ) c j (ai , ak ) = j i p j qj c ( a , a ) = 1 j i k c j (ai , ak ) = 0

si q j < g j (ak ) g j (ai ) p j si g j (ak ) g j (ai ) q j si p j < g j (ak ) g j (ai )

Lindice de concordance global est dni par : p j c j (ai , ak )


j

Cik =

pj
j

(6.10)

154

6.3 Les diffrentes mthodes

Sur laxe des abscisses de la gure 6.9, nous avons reprsent la diffrence entre deux actions pour un critre donn g1 (a1 ) g1 (a2 ).
c j (ai , ak ) 1

g j (ai ) g j (ai ) + q j g j (ai ) + p j

g j (ak ) g j (ai )

F IG . 6.9 Reprsentation de lindice de concordance.

Lindice de discordance
On dnit le seuil de veto v j . Cest la valeur de g j (ak ) g j (ai ) pour laquelle il apparat prudent de refuser toute crdibilit de surclassement de laction ak par rapport laction ai . Lindice de discordance est dni par la formule suivante, illustre par la gure 6.10 : d j (ai , ak ) = 1 g (a )g (a ) p d j (ai , ak ) = j k v j jp j i j d j (ai , ak ) = 0 On a q j < p j < v j .
d j (ai , ak ) 1 g j (ak ) g j (ai )

si v j < g j (ak ) g j (ai ) si p j g j (ak ) g j (ai ) v j si g j (ak ) g j (ai ) < p j

gj aj

gj aj + pj gj aj +qj gj aj +vj

F IG . 6.10 Reprsentation de lindice de discordance.

Dnition : degr de crdibilit du surclassement On dnit le degr de crdibilit du surclassement par : ik = Cik 1 d j (ai , ak ) 1 Cik jF (6.11)

Dans [Roy et al. 93], on trouvera les rgles que doit respecter la fonction ik donnant le degr de crdibilit du surclassement. Si F est lensemble des critres, alors on a : = j | j F, d j (ai , ak ) > Cik F 155 (6.12)

Chapitre 6. Les mthodes daide la dcision Cest lensemble des critres pour lesquels lindice de discordance est suprieur lindice de concordance global.

Exploitation
Pour exploiter la relation de surclassement ou dnie plus loin, on dnit le seuil de discrimination. Cest un seuil qui permettra de distinguer les relations de surclassement prendre en compte lors du classement [Maystre et al. 94]. Seuil de discrimination : S () est une fonction dnie pour toute valeur [0, 1]. On calcule ce seuil en considrant les couples dactions (ae , am ) et (ai , a j ) : 1. Calcul de : = i j = em = i j em

2. Appliquer la discrimination :

si > S (), alors le surclassement de a j par ai est strictement plus crdible que le surclassement de am par ae . Exemple de calcul de la fonction seuil : Nous prsentons ici un exemple tir de [Roy et al. 93]. Dans un premier temps, nous allons comparer des valeurs importantes de crdibilit de surclassement. On considre que le surclassement de crdibilit 0.99 est plus crdible que le surclassement de crdibilit 0.80. En revanche, on considre que le surclassement de crdibilit 0.99 nest pas forcment plus crdible que le surclassement de crdibilit 0.85. Nous allons maintenant comparer deux classements de faible degr de crdibilit. On considre que le surclassement de crdibilit 0.30 est plus crdible que le surclassement de crdibilit 0. En revanche, on considre que le surclassement de crdibilit 0.25 nest pas plus crdible que le surclassement de crdibilit 0. Ceci se traduit par lensemble dquations suivant : 0.99 0.80 > S (0.99 0.80) 0.99 0.85 < S (0.99 0.85) 0.25 0 < S (0.25 0) 0.30 0 > S (0.30 0) On fait maintenant lhypothse que S () a la forme suivante : S () = A B . Les paramtres A = 0.3 et B = 0.15 permettent de vrier toutes les inquations prcdentes. Sil y avait eu beaucoup plus dinquations, il aurait peut-tre fallu choisir une autre forme pour S () ; une forme du second degr par exemple. Il faut seulement que la fonction S () soit monotone et non dcroissante. Exemple dapplication : Nous allons maintenant appliquer une autre fonction de seuil la vrication de la crdibilit dun surclassement par rapport un autre. S () = 0.2 0.15 Soit deux groupes dactions : (a1 , a2 ) et (a2 , a1 ). Les indices de crdibilit du surclassement : 12 = 0.12 et 21 = 0.33. = 0.12 0.33 = 0.21 S () = S (0.12) = 0.2 0.15 0.12 = 0.182 < S () donc le surclassement de a2 par a1 nest pas plus crdible que le surclassement de a1 par a2 . 156

6.3 Les diffrentes mthodes Terminologie lie la mthode ELECTRE III Avant de prsenter la mthode de classement, on introduit quelques dnitions : Dnition : puissance dune action cest le nombre des actions auxquelles elle est strictement prfre. On note p (ai ) la puissance de laction ai . Dnition : faiblesse dune action cest le nombre des actions qui lui sont strictement prfres. On note f (ai ) la faiblesse de laction ai . Dnition : qualication dune action on note q (ai ) = p (ai ) f (ai ). Dnition : la relation de surclassement ou
1 ai SA ak

ik > 1 et ik > ki + S (ik )

(6.13)

Dnition : la l -puissance pAl (ai ) = card

ak A | ai SAl ak

(6.14)

Dnition : la l -faiblesse fA l (ai ) = card

ak A | ak SAl ai

(6.15)

Dnition : la l -qualication de laction ai rapporte lensemble A qAl (ai ) = pAl (ai ) fA l (ai ) card (A) dsigne le cardinal de lensemble A. Le processus de classement Voici maintenant la description de la mthode de classement. On appelle cette mthode chane de distillation descendante, car cest un processus itratif qui a pour effet dextraire les solutions de -qualication maximale. Etape 1 : Etape 2 : on pose An = A et n = 0. on pose Dl = An et l = 0.

(6.16)

157

Chapitre 6. Les mthodes daide la dcision Etape 3 : Etape 4 : Etape 5 : l = max ik o ai , ak A et ai = ak . S (l ) = + l .

l +1 = max ik o ik < l S (l ) et ai , ak Dl .

Etape 6 :

on applique la relation de surclassement ou ai SAl +1 ak . On calcule la l +1 -puissance, la l +1 -faiblesse et la l +1 -qualication pour chaque action ai Dl . On calcule q = max ql +1 (ai ) , ai Dl . On calcule Dl +1 = ai Dl | ql +1 (ai ) = q . card (Dl +1 ) = 1 o l +1 = 0 ? Si oui, on incrmente l de 1 et on va ltape 4. Si non, on passe ltape 7.

tape 7 : Etape 8 :

Cn+1 = Dl +1 et An+1 = An /Cn+1 (An+1 est gal lensemble An priv des lments de Cn+1 ). /? An+1 = 0 Si oui, alors le classement est termin. Si non, on incrmente n de 1 et on va ltape 2.

Pour la mthode de distillation ascendante, on reprend le mme cheminement, en changeant les lments suivants : ltape 5, on remplace on calcule q = max ql +1 (ai ) , ai Dl par on calcule q = min ql +1 (ai ) , ai Dl ; ltape 5, on remplace on calcule Dl +1 = ai Dl | ql +1 (ai ) = q . par on calcule Dl +1 = ai Dl | ql +1 (ai ) = q ..

Reprsentation des rsultats


A la n des processus de distillations ascendante et descendante, on obtient deux listes dactions, associes des rangs correspondant litration au cours de laquelle laction considre a t extraite. Pour avoir une ide des relations qui existent entre ces diffrentes actions, il suft de reprsenter ces actions dans un graphe donnant le rang de distillation ascendante en fonction du rang de distillation descendante. Par exemple, si aprs les processus de distillation on obtient la liste des actions reprsente dans le tableau 6.24, la reprsentation de ces actions donnera le graphe de la gure 6.11. Action a1 a2 a3 a4 Rang issu de la distillation ascendante 1 2 4 3 Rang issu de la distillation descendante 3 2 4 1

TAB . 6.24 Rsultat des processus de distillation.

6.3.5.3

Discussion

Cette mthode est trs paramtrable. Cest aussi un de ses principaux inconvnients. Il est difcile, mme pour un expert, de trouver de bons coefcients et de justier leurs choix. 158

6.3 Les diffrentes mthodes distillation ascendante 4 3 2 1 1 2 a4 a2 a1 distillation descendante a3

F IG . 6.11 Reprsentation des actions aprs les processus de distillation. Cependant, ELECTRE III offre lutilisateur un outil de reprsentation 2D des solutions dont la dimension est, en gnral, suprieure 2 (la dimension dune action est gale au nombre de critres). Comme on pourra le remarquer, les actions qui ont une faible valeur de qualication (rappelons que la qualication est la diffrence entre le nombre de critres qui votent en faveur de notre action et le nombre de critres qui votent en dfaveur de notre action) vont obtenir un classement aprs distillation directe (elles seront plutt en queue de classement) qui sera compltement diffrent du classement obtenu aprs distillation inverse (elles seront en tte de classement). On qualie ces actions dactions ottantes. Ce sont des actions sur lesquelles il est difcile de faire des choix. En effet, comme la qualication de ces actions est faible, elles ont presque autant de critres qui votent en leur faveur que de critres qui votent en leur dfaveur.

6.3.6
6.3.6.1

La mthode ELECTRE IV
Principe

Cest aussi une mthode destine au classement dactions. Elle est directement inspire de la mthode ELECTRE III. La grande diffrence vient du fait que lon na plus donner de poids pour chaque critre [Vincke 89, Maystre et al. 94]. 6.3.6.2 Prsentation de la mthode

On commence par comparer les actions deux deux. On dnit les notations suivantes : m p (ai , ak ) est le nombre de critres pour lesquels laction ai est strictement prfre laction ak . mq (ai , ak ) est le nombre de critres pour lesquels laction ai est strictement prfre laction ak . min (ai , ak ) est le nombre de critres pour lesquels les actions ai et ak sont considres comme indiffrentes, bien que ai ait une meilleure valuation que ak . mo (ai , ak ) = mo (ak , ai ) est le nombre de critres pour lesquels les actions ai et ak ont la mme valuation.

159

Chapitre 6. Les mthodes daide la dcision Si m est le nombre total de critres, on doit avoir : m = m p (ai , ak ) + mq (ai , ak ) + min (ai , ak ) + mo (ai , ak ) + min (ak , ai ) + mq (ak , ai ) + m p (ak , ai ) On peut remarquer une certaine correspondance entre ces notations et les notations introduites dans la mthode ELECTRE III. Cette correspondance est illustre par la gure 6.12.
7 1 2 3 4 5 6

m p (ai , ak ) mq (ai , ak ) min (ai , ak ) min (ak , ai ) mq (ak , ai ) m p (ak , ai ) g (ai ) v g (ai ) p g (ai ) q g (ai ) g (ak ) g (ai ) g (ai ) + q g (ai ) + p g (ai ) + v

mo (ai , ak ) mo (ak , ai )

F IG . 6.12 Correspondance entre les notations des mthodes ELECTRE III et ELECTRE IV. Zone 1 : Zone 2 : Zone 3 : Zone 4 : Zone 5 : Zone 6 : Zone 7 : laction ai est strictement prfre laction ak (ai P ak ). laction ai est faiblement prfre laction ak (ai Q ak ). laction ai est peine prfre laction ak (ai I ak ). laction ak est peine prfre laction ai (ak I ai ). laction ak est faiblement prfre laction ai (ak Q ai ). laction ak est strictement prfre laction ai (ak P ai ). les actions ai et ak sont indiffrentes.

Dnitions lies la mthode ELECTRE IV On dnit ensuite quatre niveaux de dominance dans la relation de surclassement :

Dnition : quasi-dominance On note cette relation Sq : ai surclasse ak avec quasi-dominance si m p (ak , ai ) + mq (ak , ai ) = 0 et ai Sq ak min (ak , ai ) 1 + min (ai , ak ) + m p (ai , ak ) + mq (ai , ak )

Dnition : dominance canonique On note cette relation Sc : ai surclasse ak avec dominance canonique si m p (ak , ai ) = 0 mq (ak , ai ) m p (ai , ak ) ai Sc ak mq (ak , ai ) + min (ai , ak ) 1 + min (ai , ak ) + mq (ai , ak ) + m p (ai , ak ) et et

160

6.3 Les diffrentes mthodes Dnition : pseudo-dominance On note cette relation S p : ai surclasse ak avec pseudo-dominance si ai S p ak m p (ak , ai ) = 0 et mq (ak , ai ) mq (ai , ak ) + m p (ai , ak )

Dnition : veto-dominance On note cette relation Sv : ai surclasse ak avec veto-dominance si m p (ak , ai ) = 0 mq (ak , ai ) = 1 ai Sv ak non ak Pv j ai , j m p (ai , ak ) m 2 ou et et

Exploitation de la mthode Ensuite, une fois les relations de surclassement dtermines, on passe aux relations de surclassement ou, en associant un degr de crdibilit Sq , Sc , S p et Sv . Pour nir, on applique la mme mthode de classement (distillation ascendante et distillation descendante) que pour la mthode ELECTRE III. 6.3.6.3 Discussion

Cette mthode a pour principal avantage de faire disparatre les poids associs aux diffrents critres. En n danalyse, on retrouve, mais de manire moins forte, linconvnient des poids des critres, par lintermdiaire du choix du degr de crdibilit associ chaque relation Sq , Sc , S p et Sv . Lavantage rside dans le fait quil ny a que quatre coefcients choisir, alors que lon peut avoir beaucoup plus de critres (et donc beaucoup plus de poids dterminer dans la mthode ELECTRE III). Nanmoins, on retrouve la complexit de la mthode ELECTRE III.

6.3.7
6.3.7.1

La mthode ELECTRE TRI


Principe

Cette mthode permet de classer des actions dans diffrentes catgories [Maystre et al. 94]. Les catgories sont spares par des actions de rfrence. Comme la comparaison se fait entre les actions et les actions de rfrence, cette mthode permet de traiter un plus grand nombre dactions. Par exemple, si lon a 100 actions et 5 actions de rfrence, avec la mthode ELECTRE TRI, on devra faire 100 5 comparaisons. Avec une autre mthode, on devra faire 100 99 comparaisons (chaque action tant compare toutes les autres).

161

Chapitre 6. Les mthodes daide la dcision 6.3.7.2 Prsentation de la mthode

Le choix des actions de rfrence On choisit des actions parfaitement comparables entre elles : chacune des actions surclasse ou est surclasse par toutes les autres. On parle alors de segmentation multiobjectif simple. Une fois les actions de rfrence choisies, il faut fermer les catgories de classement. Pour cela, on procde de la manire suivante : on prend une action qui borne infrieurement la catgorie la plus basse, on prend une action qui borne suprieurement la catgorie la plus haute. Calcul des paramtres On calcule : les indices de concordance par critre, les indices de concordance globaux, les indices de discordance par critre. Tous ces paramtres sont calculs comme dans la mthode ELECTRE III. Les degrs de crdibilit sont calculs comme dans la mthode ELECTRE III, mais par rapport aux actions de rfrence. On note bk laction de rfrence k. Le degr de crdibilit vaut alors : 1 d j (ai , bk ) 1 C (ai , bk ) jF

s (ai , bk ) = C (ai , bk )

(6.17)

est dni par : o C (ai , bk ) est lindice de concordance global et F

= j | j F, d j (ai , bk ) > C (ai , bk ) F

(6.18)

et C (ai , bk ) Cik . On tablit maintenant les relations de surclassement. La relation de surclassement entre laction a et laction de rfrence b est tablie partir des degrs de crdibilit et dun seuil de coupe constant. Le processus que lon doit suivre pour tablir la relation entre deux actions a et b est reprsent la gure 6.13. (a, b) > non (b, a) > non oui aRb a>b oui (b, a) > non oui a<b aIb

F IG . 6.13 La relation de surclassement de la mthode ELECTRE TRI.

162

6.3 Les diffrentes mthodes Avant de procder laffectation des actions dans les diffrentes catgories, il faut vrier sept exigences : 1. Aucune action ne peut tre indiffrente plus dune action de rfrence. 2. Toute action doit tre attribue une et une seule catgorie (unicit). 3. Laffectation dune action ne dpend pas de laffectation dautres actions (indpendance). 4. Laffectation des actions aux catgories doit tre conforme la dnition des actions de rfrence (conformit). 5. Lorsque deux actions se comparent de manire identique avec les actions de rfrence, elles doivent tre affectes la mme catgorie (homognit). 6. Si laction a domine laction a (cest--dire j, g j (a ) > g j (a)) alors laction a doit tre affecte une catgorie suprieure ou gale celle de laction a (monotonie). 7. Le regroupement de deux catgories voisines ne doit pas modier laffectation des actions aux catgories non concernes (stabilit). On peut maintenant procder laffectation des actions dans les catgories dnies prcdemment. Il existe deux types de procdures daffectation : laffectation optimiste et laffectation pessimiste. Celles-ci sont dcrites dans le tableau 6.25. Procdure daffectation Objectif Pessimiste Ranger les actions dans les catgories les plus basses possible. Affecter laction une catgorie de faon telle que cette action surclasse laction de rfrence basse de cette catgorie, a S bh a Ch+1 . De haut en bas. Optimiste Ranger les actions dans les catgories les plus hautes possible. Affecter laction une catgorie de faon telle que laction de rfrence haute de cette catgorie soit prfre laction, bh > a a Ch . De bas en haut.

Procdure

Sens

TAB . 6.25 Les diffrentes procdures daffectation. Ensuite, on peut reprsenter le rsultat de ce classement sous la forme dun graphique similaire la gure 6.14. Dans cette gure, on a class les actions dans trois catgories : C1 , C2 et C3 . 6.3.7.3 Discussion

La principale difcult de cette mthode rside dans le fait quil faut pouvoir comparer chaque action avec les actions bornant les diffrentes catgories. Cette comparaison nest pas toujours possible. Il est aussi assez difcile de dnir des catgories a priori, car la dnition des catgories est trs lie au choix dactions de rfrence. Une application industrielle de la mthode ELECTRE TRI est prsente dans le chapitre 12.

163

Chapitre 6. Les mthodes daide la dcision affectation optimiste

C3

C2

C1

0000 1111 0000 1111 0000 1111 0000 1111 0000 1111 0000 1111 0000 1111 0000 1111 0000 1111 0000 1111 00000 11111 0000 1111 0000 1111 00000 11111 0000 1111 0000 1111 00000 11111 0000 1111 0000 1111 00000 11111 0000 1111 0000 1111 00000 11111 0000 affectation pessimiste 1111 0000 1111 00000 11111 0000 1111 0000 1111 00000 11111 0000 1111 0000 1111 00000 11111 0000 1111
C1 C2 C3 F IG . 6.14 Rsultat des deux procdures daffectation.

6.3.8
6.3.8.1

La mthode PROMETHEE I
Principe

Cette mthode PROMETHEE (Preference Ranking Organization Method for Enrichment Evaluations) permet de construire un prordre partiel (il peut y avoir des ex-aequo). Elle utilise, pour cela, une relation de prfrence value, qui donne lieu un graphe de prfrence valu. Elle a t dnie par Brans, Vincke et Mareschal [Brans et al. 86] et appartient la famille des mthodes de surclassement, dnie par B. Roy. 6.3.8.2 Prsentation de la mthode

La relation de prfrence value est dnie de la manire suivante : P (a, b) = 0 signie indiffrence entre laction a et laction b ou pas de prfrence de laction a par rapport laction b. P (a, b) 0 signie une prfrence faible de laction a par rapport laction b. P (a, b) 1 signie une prfrence forte de laction a par rapport laction b. P (a, b) = 1 signie une prfrence stricte de laction a par rapport laction b. Le lien entre la relation de prfrence et un critre quelconque g j est le suivant :

Pj (a, b) = G (g j (a) g j (b))

(6.19)

La fonction G (x) doit tre non dcroissante pour x > 0, et gale 0 pour x 0. Un exemple de fonction G (x) est trac la gure 6.15.

La fonction g j (x) est appele critre gnralis. Elle peut prendre plusieurs formes. Ces diffrentes formes sont runies dans le tableau 6.26. 164

6.3 Les diffrentes mthodes G (x) 1

F IG . 6.15 Exemple de fonction G (x). Type de critre gnralis g j (x) 1

Critre usuel

0 g j (x) 1

Quasi-critre

g j (x) 1

Critre prfrence linaire

0 g j (x) 1

Critre niveaux

p q 0 g j (x) 1

Critre prfrence linaire et zone dindiffrence

p q 0

g j (x) 1 0.5 0 x

Critre gaussien TAB . 6.26 Diffrents critres gnraliss.

Les diffrents critres gnraliss ont pour quations : Critre usuel : 165

Chapitre 6. Les mthodes daide la dcision

g j (x) =

0 si x = 0 1 si x = 0

(6.20)

Quasi-critre :

g j (x) =

0 1

si q x q si x < q ou x > q

(6.21)

Critre prfrence linaire :

g j (x) =

|x| p

si p x p si x < p ou x > p

(6.22)

Critre niveaux : 0
1 2

g j (x) =

si |x| q si q < |x| p si p < |x|

(6.23)

Critre prfrence linaire et zone dindiffrence : 0

g j (x) =

(|x|q) ( pq)

si |x| q si q < |x| p si p < |x|

(6.24)

Critre gaussien : x2 2 2

g j (x) = 1 exp

(6.25)

Dnissons maintenant lindex de surclassement multiobjectif de laction a par rapport laction b (not P (a, b)) :

P (a, b) =

i=1

i Pi (a, b)
i=1

(6.26)

166

6.3 Les diffrentes mthodes

en dsignant par i le poids du critre i et Pi la fonction de prfrence relative au critre i. Cet index varie entre 0 et 1 : P (a, b) 0 signie une prfrence faible de laction a par rapport laction b pour lensemble des critres ; P (a, b) 1 signie une prfrence forte de laction a par rapport laction b pour lensemble des critres. Nous allons nous intresser maintenant quelques dnitions relatives la reprsentation des relations de surclassement sur un graphe. La reprsentation sous forme de graphe est similaire celle des mthodes ELECTRE. La seule diffrence rside dans le fait que lon indique la valeur numrique de la prfrence sur les arcs. Un exemple est donn la gure 6.16. (a, b) a (b, a) F IG . 6.16 Graphe reprsentant la relation de surclassement entre a et b. Sur un graphe de ce type, on dnit : le ux entrant du nud a : b

(a) =

bA

P (b, a)

(6.27)

le ux sortant du nud a :

+ (a) =

bA

P (a, b)

(6.28)

le ux net du nud a :

(a) = + (a) (a)

(6.29)

Nous pouvons maintenant dnir les deux prordres suivants : a P+ b si + (a) > + (b) a I + b si + (a) = + (b)

(6.30)

167

Chapitre 6. Les mthodes daide la dcision

a P b a I b

si (a) < (b) si (a) = (b)

(6.31)

Pour nir, nous pouvons dnir les prordres partiels de la mthode PROMETHEE I : laction a surclasse laction b (not a PI b) : si ou ou a P+ b et a P+ b et a I + b et a P b a I b a P b

(6.32)

les actions a et b sont indiffrentes (not a II b) si a I + b et a I b ; sinon, les actions a et b sont incomparables (not a R b). 6.3.8.3 Discussion

La mthode PROMETHEE I fournit donc lutilisateur un classement des diffrentes actions. Le problme est que cette mthode ne permet pas de classer toutes les actions. Certaines actions peuvent rester incomparables. La mthode PROMETHEE II permet de lever cette incomparabilit.

6.3.9
6.3.9.1

La mthode PROMETHEE II
Principe

Cette mthode permet de classer toutes les actions et ne laisse aucune action incomparable avec les autres [Brans et al. 86]. Elle permet donc de raliser un prordre complet. 6.3.9.2 Prsentation de la mthode

La seule diffrence avec la mthode PROMETHEE I tient dans la dnition de la relation de surclassement, qui est la suivante : laction a surclasse laction b (not a PII b) si (a) > (b), les actions a et b sont indiffrentes si (a) = (b). 6.3.9.3 Discussion

Il est plus simple pour lutilisateur de donner une rponse un problme de dcision en utilisant un prordre complet. En revanche, le prordre partiel peut contenir plus dinformations. En effet, lincomparabilit dune action peut tre trs utile pour la prise de dcision.

6.4

Bibliographie commente

[Maystre et al. 94] Dans ce livre, on trouvera la description de toutes les mthodes daide la dcision ELECTRE. On trouvera, en plus de la description dtaille de chaque mthode, le traitement dun exemple o toutes les tapes de lapplication de la 168

6.4 Bibliographie commente mthode sont dtailles avec une grande clart. Ce livre est une rfrence et toutes les notations que nous utilisons dans ce chapitre en sont inspires. [Scharlig 85] Le livre important pour qui cherche tre sensibilis sur les concepts de laide la dcision. Ce livre a t crit par un ancien journaliste scientique impliqu dans laide la dcision. Le style de ce livre en bncie. Il est clair et lauteur a russi le tour de force de prsenter tous les concepts avec un minimum dquations. Un trs bon ouvrage. [Scharlig 96] Ce livre est une suite de [Scharlig 85]. Il dcrit les mthodes ELECTRE et PROMETHEE avec la mme conomie dquations. [Roy et al. 93] Le livre du crateur de laide la dcision multicritre. Ce livre contient tous les lments concernant laide la dcision multicritre et au-del. Il prsente aussi lavantage de possder plusieurs niveaux de lecture. Cest le livre que toutes les personnes utilisant laide la dcision se doivent de possder.

169

Deuxime partie

Evaluation des mthodes et critres de choix

Chapitre 7

La mesure des performances


7.1 Introduction

Pour mesurer les performances dune mthode doptimisation multiobjectif, il faut disposer d instruments de mesure. Nous avons principalement adopt les indices de performance formuls par [Van Veldhuizen 99]. Pour illustrer chacune des formules nonces plus loin, nous allons prsenter deux exemples. Le premier exemple est issu de [Van Veldhuizen 99]. Le second illustre la progression dune mthode dans la rsolution dun problme biobjectif (on veut minimiser les objectifs f1 et f2 ) ; nous avons reprsent la surface de compromis, ainsi que lvolution de lensemble des solutions sur trois gnrations. ensemble solution surface de compromis f2 4 3 2 1 1 2 3 4 5 f1 00 1 2 3 4 f1

f2 10 8 6 4 2 0 0

surface de compromis ensemble solution T = 10 ensemble solution T = 5 ensemble solution T = 1

(a) Exemple 1

(b) Exemple 2

F IG . 7.1 Les deux exemples qui illustreront les indices de performance. A la gure 7.1-b, le paramtre T reprsente litration laquelle a t obtenu cet ensemble de solutions. Dans ce chapitre, nous utiliserons les notations suivantes pour dnir les diffrents ensembles de solutions : La surface de compromis optimale sera note T PF (Theoretical Pareto Frontier ou surface de compromis thorique). Lensemble de solutions obtenu litration T sera not PFcurrent (T ) (Pareto Front Current ou surface de compromis courante). 173

Chapitre 7. La mesure des performances Lunion des solutions non dominantes de chaque ensemble PFcurrent (i), i = 1, , T sera not PPF (T ) (Practical Pareto Frontier ou surface de compromis pratique). La dnition mathmatique de cet ensemble est la suivante : PPF (T ) = PFcurrent (T ) et PPF (1) = PFcurrent (1) en supprimant toutes les solutions domines de PPF (T ). Dans ce chapitre, nous allons prsenter diffrentes grandeurs permettant de visualiser des caractristiques des ensembles de solutions. Nous appellerons ces grandeurs des mtriques.
[

PPF (T 1)

7.2
7.2.1

Rapport derreur
Dnition

Ce rapport (Error ratio) permet de mesurer la non-convergence dune mthode doptimisation multiobjectif vers la surface de compromis. La dnition de ce rapport derreur est la suivante : ei n (7.1)
n

E=

i=1

avec : nombre dlments dans lensemble des solutions. = 0 si la solution i surface de compromis ei : = 1 sinon Plus cette mtrique est proche de 1 moins lensemble des solutions a converg vers la surface de compromis. n:

7.2.2

Exemples

Exemple 1
Pour cet exemple, on a : Pour le point de coordonnes (2.5, 9) : e1 = 1 car ce point nappartient pas la surface de compromis. Pour le point de coordonnes (3, 6) : e2 = 0 car ce point appartient la surface de compromis. Pour le point de coordonnes (5, 4) : e3 = 1 car ce point nappartient pas la surface de compromis. 2 Lindex E vaut donc : E = 3 .

174

7.2 Rapport derreur

Exemple 2
Pour cet exemple, on ne calcule lindex derreur que pour lensemble des solutions obtenu pour T = 10. Dans ce cas, comme tous les points de cet ensemble des solutions nappartiennent pas la surface de compromis, on a ei = 1, pour i = 1, 2, 3. Lindex E vaut donc : E = 1.

Discussion
Comme on peut le voir sur ces deux exemples, plus la mtrique E est proche de 1 moins lensemble de solutions a converg vers la surface de compromis. Pour savoir si un lment appartient ou non la surface de compromis, il suft de runir les deux ensembles (surface de compromis T PF + ensemble de solutions PPF ), puis de ranger les lments de ce nouvel ensemble en utilisant le classement de Pareto. Si le rang du point considr est gal 1, alors il appartient la surface de compromis. f2

f1 Surface de compromis pratique Surface de compromis thorique Zone domine par la surface de compromis thorique Zone domine par la surface de compromis pratique F IG . 7.2 Exemple pour lequel le rapport derreur vaut 1, mais la surface de compromis pratique na pas pour autant converg vers la surface de compromis thorique. Comme on peut le voir la gure 7.2, dans certains cas, le rapport derreur peut valoir 1 sans pour autant que la surface de compromis pratique ait converg vers la surface de compromis thorique. Il suft seulement que les solutions de la surface de compromis pratique rsident dans la zone de non-domination dnie par les points de la surface de compromis thorique. Ce problme est d au fait que, pour pouvoir calculer le rapport derreur, il a

175

Chapitre 7. La mesure des performances fallu discrtiser la surface de compromis thorique et, de cette manire, des zones de nondomination sont apparues.

7.3
7.3.1

Distance gnrationnelle
Dnition

La distance gnrationnelle (Generational Distance) permet de mesurer quelle distance de la surface de compromis se situe un ensemble de solutions. La dnition de cette mtrique est la suivante :
n
1 p

G=

i=1

di n

(7.2)

En gnral, on choisit p = 2. On a : di : n: distance entre la solution i et la solution la plus proche appartenant la surface de compromis T PF ; nombre dlments dans lensemble de solutions PPF .

7.3.2

Exemples

Exemple 1
Appliquons la dnition aux lments de lensemble de solutions : G= [[(2.52)2 +(98)2 ]+[(33)2 +(66)2 ]+[(54)2 +(44)2 ]] 2
3
1

= 0.5

Exemple 2
Pour cet exemple, on calcule la mtrique pour les trois ensembles de solutions (T = 1, T = 5, T = 10) : Pour T = 1, on a : 1 [(42)2 +(42)2 ] 2 G1 = = 2.82 1 Pour T = 5, on a : 1 [[(42)2 +(32)2 ]+[(32)2 +(42)2 ]] 2 = 1.58 G2 = 2 Pour T = 10, on a : 1 [[(34)2 +(12)2 ]+[(23)2 +(23)2 ]+[(12)2 +(34)2 ]] 2 G3 = = 0.81 3

Discussion
Comme le montre lexemple 2, plus lensemble de solutions est loign de la surface de compromis, plus la valeur de la distance gnrationnelle est grande. Cette mtrique pourrait donc tre utilise comme critre darrt de la mthode doptimisation, condition de connatre la surface de compromis T PF par avance (ce qui est le cas 176

7.4 Mtrique STDGD uniquement lorsque lon travaille avec un problme test multiobjectif). On peut aussi utiliser la drive de cette mtrique comme critre darrt. En effet, si la variation de G est trs faible, itration aprs itration, cela voudra dire que lensemble de solutions PPF ne se rapproche plus de la surface de compromis optimale. Cette circonstance peut se produire lorsque lensemble de solutions a converg vers une surface de compromis fantme, diffrente de la surface de compromis optimale. Il existe une version modie de la distance gnrationnelle : di n (7.3)
n

GD =

i=1

GD correspond une distance moyenne par rapport la surface de compromis. Elle est exploite dans la mtrique prsente dans la section suivante.

7.4
7.4.1

Mtrique STDGD
Dnition

Cette mtrique (Standard Deviation from the Generational Distance) permet de mesurer la dformation de la surface de compromis calcule par rapport la surface de compromis thorique. La dnition est la suivante :
2 (di GD) n

ST DGD =

i=1

(7.4)

f2 f2 STDGD PPF GD TPF f1 F IG . 7.3 La dnition de la mtrique STDGD. Le principe de cette mtrique est illustr la gure 7.3 o : PPF : TPF : GD : dsigne la surface de compromis calcule ; dsigne la surface de compromis thorique ; dsigne la distance gnrationnelle. 177 GD TPF f1 PPF

Chapitre 7. La mesure des performances La zone grise dsigne la surface que calcule la mtrique STDGD.

7.4.2

Discussion

Cette mtrique calcule lerreur au sens des moindres carrs entre la surface de compromis thorique dcale de la distance GD et la surface de compromis pratique. Cette mesure traduit donc la dformation de la surface de compromis pratique. Cette mtrique a t conue dans le but de distinguer les mthodes qui calculent des surfaces de compromis dformes par rapport la surface de compromis thorique, des mthodes qui calculent des surfaces de compromis respectant la forme thorique.

7.5
7.5.1

Erreur maximale la surface de compromis


Dnition

Cette mtrique (Maximum Pareto Front Error) permet de mesurer la distance entre la surface de compromis et lensemble de solutions. Sa dnition est la suivante (pour un problme deux objectifs) :
j p j i i f1 ( x ) f1 ( x ) + f2 ( x ) f2 ( x) p
1 p

ME = max min
j i

(7.5)

Il sagit, en fait, de la plus grande distance minimale entre les lments de lensemble de solutions et leurs voisins les plus proches appartenant la surface de compromis.

7.5.2

Exemples

Exemple 1
Pour trouver les plus grandes distances minimales, on considre chaque point de lensemble solution et on calcule les diffrentes distances par rapport aux points de la surface de compromis (voir tableau 7.1). Pour le point de lensemble de solutions de coordonnes (2.5, 9), la distance minimale vaut 1.12 ; Pour le point de lensemble de solutions de coordonnes (3, 6), la distance minimale vaut 0 ; Pour le point de lensemble de solutions de coordonnes (5, 4), la distance minimale vaut 1. La plus grande distance minimale vaut 1.12 donc, ME = 1.12.

Exemple 2
Nous suivons la mme dmarche que pour lexemple 1. Les plus grandes distances minimales valent : pour lensemble de solutions avec T = 10 (voir tableau 7.2), ME = 1.41 ; pour lensemble de solutions avec T = 5 (voir tableau 7.3), ME = 2.23 ;

178

7.5 Erreur maximale la surface de compromis Point de lensemble solution (2.5, 9) (2.5, 9) (2.5, 9) (2.5, 9) (3, 6) (3, 6) (3, 6) (3, 6) (5, 4) (5, 4) (5, 4) (5, 4) Point de la surface de compromis (1.5, 10) (2, 8) (3, 6) (4, 4) (1.5, 10) (2, 8) (3, 6) (4, 4) (1.5, 10) (2, 8) (3, 6) (4, 4) Distance 1.41 1.12 3.04 5.22 4.27 2.23 0 2.23 6.94 5 2.82 1

TAB . 7.1 Exemple 1 : calcul de lerreur maximale la surface de compromis. Point de lensemble de solutions (4, 2) (4, 2) (4, 2) (3, 3) (3, 3) (3, 3) (2, 4) (2, 4) (2, 4) Point de la surface de compromis (3, 1) (2, 2) (1, 3) (3, 1) (2, 2) (1, 3) (3, 1) (2, 2) (1, 3) Distance 1.41 2 3.16 2 1.41 2 3.16 2 1.41

TAB . 7.2 Exemple 2 (pour T = 10) : calcul de lerreur maximale la surface de compromis.

Point de lensemble de solutions (4, 3) (4, 3) (4, 3) (3, 4) (3, 4) (3, 4)

Point de la surface de compromis (3, 1) (2, 2) (1, 3) (3, 1) (2, 2) (1, 3)

Distance 2.23 2.23 3 3 2.23 2.23

TAB . 7.3 Exemple 2 (pour T = 5) : calcul de lerreur maximale la surface de compromis. pour lensemble de solutions avec T = 1 (voir tableau 7.4), ME = 2.82.

179

Chapitre 7. La mesure des performances Point de lensemble de solutions (4, 4) (4, 4) (4, 4) Point de la surface de compromis (3, 1) (2, 2) (1, 3) Distance 3.16 2.82 3.16

TAB . 7.4 Exemple 2 (pour T = 1) : calcul de lerreur maximale la surface de compromis.

Discussion
Comme le montre lexemple 2, plus lensemble de solutions est loign de la surface de compromis T PF , plus la mtrique ME est grande. Cette mtrique mesure donc la distance entre la surface de compromis T PF et lensemble de solutions PPF .

7.6
7.6.1

Hypersurface et rapport dhypersurface


Dnition

Cette mtrique (Hyperarea and Ratio) permet de mesurer la surface occupe par lensemble de solutions PPF . Sa dnition est la suivante :

H=

[
i

ai | vi PPF

(7.6)

avec : ai : surface occupe par la solution vi (se reporter la gure 7.4 pour une illustration de cette surface).

Une faon de calculer cette mtrique dans le cas dun ensemble de solutions PPF en deux dimensions est la suivante : Etape 1 : Etape 2 : Etape 3 : Extraire la surface de compromis de lensemble de solutions PPF . On appelle Sc cette surface de compromis. Ranger les lments de Sc par ordre croissant de la fonction objectif f1 . Appliquer lalgorithme suivant : 1. i = 0, H = f1 (x0 ) f2 (x0 ) 2. i = i + 1 3. si i = N , H = H + [ f1 (xi ) f1 (xi1 )] f2 (xi ) allez en 2 4. si i = N alors n avec : N: xi : nombre dlments dans lensemble de solutions Sc , un lment de lensemble de solutions Sc .

180

7.6 Hypersurface et rapport dhypersurface On peut aussi dnir un rapport dhypersurface : Hes Hsc

HR =

(7.7)

avec : Hes : Hsc : surface occupe par lensemble de solutions PPF ; surface occupe par la surface de compromis T PF .

7.6.2

Exemples

Exemple 1
Pour cet exemple, on calcule les deux surfaces.
ensemble solution f2 10 00000 11111 00000 11111 00000 11111 S4 00000 11111 0000000 1111111 00000 11111 8 0000000 1111111 0000000 1111111 0000000 1111111 S3 0000000 1111111 000000000 111111111 0000000 1111111 6 000000000 111111111 000000000 111111111 000000000 111111111 S2 000000000 111111111 000000000 111111111 4 000000000000 111111111111
111111111111 000000000000 000000000000 111111111111 000000000000 111111111111 000000000000 111111111111 S1 2 000000000000 111111111111 000000000000 111111111111 000000000000 111111111111 000000000000 111111111111 000000000000 111111111111 0

Surface de compromis

f2 10
00000000 11111111 00000000 11111111 8 00000000 11111111 S3 00000000 11111111 00000000 11111111 00000000 11111111

00000000 11111111 000000000 111111111 00000000 11111111 6 000000000 111111111 000000000 111111111 000000000 111111111 S2 000000000 111111111 000000000 111111111 4 00000000000000 11111111111111 11111111111111 00000000000000 00000000000000 11111111111111 00000000000000 11111111111111 00000000000000 11111111111111 S1 2 00000000000000 11111111111111 00000000000000 11111111111111 00000000000000 11111111111111 00000000000000 11111111111111 00000000000000 11111111111111 0

5 f1

f1

(a) La surface de la surface de compromis

(b) La surface de lensemble solution

F IG . 7.4 Le calcul des surfaces. Pour la surface de compromis, on a : Hes = S1 + S2 + S4 Hes = 5 4 + 3 (6 4) + 2.5 (9 6) Hsc = S1 + S2 + S3 + S4 Hsc = 4 4 + 3 (6 4) + 2 (8 6) + 1.5 (10 8) donc : Hes = 33.5 Hsc = 29 On calcule le rapport dhypersurface : Hes .5 HR = H = 33 29 = 1.155 sc

Exemple 2
On calcule les surfaces pour les trois ensembles de solutions, ainsi que pour la surface de compromis. Pour la surface de compromis : Hsc = 3 1 + 2 (2 1) + 1 (3 2) Hsc = 6 181

Chapitre 7. La mesure des performances Pour lensemble de solutions tel que T = 10 : Hes1 = 4 2 + 3 (3 2) + 2 (4 3) Hes1 = 13 On a donc le rapport dhypersurface suivant : Hes HR1 = Hsc1 = 13 6 = 2.17 Pour lensemble de solutions tel que T = 5 : Hes2 = 4 3 + 3 (4 3) Hes2 = 15 On a donc le rapport dhypersurface suivant : Hes HR2 = Hsc2 = 15 6 = 2.5 Pour lensemble de solutions tel que T = 1 : Hes3 = 4 4 Hes3 = 16 On a donc le rapport dhypersurface suivant : Hes HR3 = Hsc3 = 16 6 = 2.67

Discussion
Comme les mtriques erreur maximale la surface de compromis et distance gnrationnelle, le rapport dhypersurface permet de mesurer la convergence de lensemble de solutions PPF vers la surface de compromis T PF . Plus la valeur de cette mtrique est proche de 1, meilleure est la surface de compromis. Si la valeur du rapport dhypersurface est infrieure 1, la surface occupe sous la surface de compromis pratique est infrieure la surface occupe sous la surface de compromis thorique. On peut dire que les points de la surface de compromis pratique ne se rpartissent pas sur toute la surface de compromis. Si la valeur du rapport dhypersurface est suprieure 1, la surface de compromis pratique est plutt loigne de la surface de compromis thorique. On na pas sufsamment converg pour que cette mtrique nous donne une information quant la rpartition des points sur la surface de compromis.

7.7
7.7.1

Espacement
Dnition

La dnition de la mtrique despacement (Spacing) est la suivante :


1 2

n 1 S= d di n 1 i=1

(7.8)

avec di = min
j

j j i i f1 ( x ) f1 ( x ) + f2 ( x ) f2 ( x)

(7.9)

i, j = 1, , n et i = j. et d : moyenne de tous les di ;

182

7.7 Espacement n: nombre dlments dans lensemble solution.

Cette mtrique permet de mesurer luniformit de la rpartition des points de lensemble solution dans le plan ( f1 , f2 ).

7.7.2

Exemples

Exemple 1
Point i (2.5, 9) (2.5, 9) (3, 6) (3, 6) (5, 4) (5, 4) Point j (3, 6) (5, 4) (2.5, 9) (5, 4) (2.5, 9) (3, 6) Distance 3.5 7.5 3.5 4 7.5 4

Pour le point de coordonnes (2.5, 9), d1 = 3.5. Pour le point de coordonnes (3, 6), d2 = 3.5. Pour le point de coordonnes (5, 4), d3 = 4. On a donc : 3.5+4 d = 3.5+3 = 3.67 On calcule, pour nir, lindex S :
2 2 2 S= 1 2 (3.67 3.5) + (3.67 3.5) + (3.67 4) S = 0.288
1 2

Exemple 2
Nous suivons la mme dmarche pour lexemple 2. Pour lensemble solution tel que T = 10, on a : Point i (4, 2) (4, 2) (3, 3) (3, 3) (2, 4) (2, 4) Point j (3, 3) (2, 4) (4, 2) (2, 4) (4, 2) (3, 3) Distance 2 4 2 2 4 2

Pour le point de coordonnes (4, 2), d1 = 2. Pour le point de coordonnes (3, 3), d2 = 2. Pour le point de coordonnes (2, 4), d3 = 2. On a donc d = 2 et S = 0. Il nest pas intressant de calculer cet index pour lensemble de solutions tel que T = 5 car il ny a que deux points, ils seront donc forcment bien espacs. Pour lensemble de solutions tel que T = 1, le calcul de cet index na pas de sens.

183

Chapitre 7. La mesure des performances

Discussion
Comme le montrent ces deux exemples, la mtrique despacement permet de mesurer luniformit de la rpartition des solutions dans un ensemble (PPF ou T PF ). Plus celle-ci est proche de 0, mieux les points sont rpartis. Dans certains cas, cette mtrique peut tre difcile interprter. En effet, quand on travaille sur un problme test discontinu, la surface de compromis de ce problme possde dj des trous (discontinuit introduite par la forme de la surface de compromis). Ces trous vont augmenter la valeur calcule par cette mtrique. Il vaut mieux viter dutiliser cette mtrique sur un problme test discontinu.

7.8
7.8.1

Mtrique HRS
Dnition

La mtrique Spacing calculant une erreur moyenne par rapport un espacement idal, elle a tendance dissimuler les carts importants. Cest pour cela que nous avons conu la mtrique HRS (Hole Relative Size). Elle permet de mesurer la taille du plus grand trou dans lespacement des points sur la surface de compromis. La dnition de la mtrique HRS est la suivante : HRS = maxi di d (7.10)

o d et di ont la mme signication que pour la mtrique Spacing.

7.9
7.9.1

Ensemble des vecteurs non domins ultimes


Dnition

On cre un ensemble qui contient les meilleures solutions non domines obtenues aprs chaque gnration (lensemble PPF donc). On dnit ensuite une mtrique (Overall Nondominated Vector Generation) qui est le cardinal de cet ensemble : ONV G = card (PPF ) (7.11)

On peut ensuite comparer le cardinal de lensemble de solutions PPF avec le cardinal de la surface de compromis T PF , en formant le rapport : card (PPF ) card (T PF )

ONV GR =

(7.12)

184

7.10 Mesure de la progression

7.9.2

Exemples

Exemple 1
Pour cet exemple, la surface de compromis T PF est compose de quatre solutions non domines et lensemble de solutions PPF est compos de trois solutions non domines. On a donc : ONV G = 3 3 ONV GR = 4 = 0.75

Exemple 2
Pour lensemble de solutions tel que T = 10, on a : ONV G1 = 3 3 ONV GR1 = 3 =1 Pour lensemble de solutions tel que T = 5, on a : ONV G2 = 2 2 ONV GR2 = 3 = 0.66 Pour lensemble de solutions tel que T = 1, on a : ONV G1 = 1 1 = 0.33 ONV GR = 3

Discussion
Le rapport de lensemble des vecteurs non domins ultimes permet de connatre la proportion de solutions non domines existant dans lensemble de solutions PPF par rapport la surface de compromis T PF .

7.10
7.10.1

Mesure de la progression
Dnition

On mesure lamlioration de la fonction objectif fi en utilisant la mtrique suivante (Progress Measure) : fimax (0) fimax (k)

P = ln

(7.13)

en dsignant par fimax (k) la meilleure valeur de la fonction objectif i litration k. Pour prendre en compte la possibilit de lexistence de plusieurs solutions, Van Veldhuizen modie cette expression de la manire suivante [Van Veldhuizen 99] : G0 Gk

RP = ln

(7.14)

o Gk est la distance gnrationnelle litration k.

185

Chapitre 7. La mesure des performances

7.10.2

Exemple

Exemple 2
Pour lensemble solution PPF tel que T = 1, on a : f2max (1) = 4 et f1max (1) = 4. Ces deux valeurs vont servir de point de dpart pour le calcul de la mtrique de progression. Pour lensemble de solutions PPF tel que T = 5, on a : f2max (5) = 3 et f1max (5) = 3. On a alors : P11 = ln
f1max (1) f1max (5) f (1)

= ln

4 3

= 0.14

P21 = ln f2max (5) = ln 4 3 = P11 2max Pour lensemble de solutions PPF tel que T = 10, on a : f2max (10) = 2 et f1max (10) = 2. On a alors : P12 = ln P22 = ln
f1max (1) f1max (10) f2max (1) f2max (10)

= ln = ln

4 2 4 2

= 0.34 = P12

Discussion
Cette mtrique permet de mesurer la progression de la mthode doptimisation multiobjectif vers la solution idale.

7.11

Gnration de vecteurs non domins

Cette mtrique (Generational Nondominated Vector Generation) permet de mesurer combien de solutions non domines sont gnres chaque tape. GNV G = card (PFcurrent (i)) o PFcurrent (i) est lensemble de solutions litration i. (7.15)

7.12
7.12.1

Ajout de vecteurs non domins


Dnition

Cette mtrique permet de mesurer combien de nouveaux vecteurs non domins ont t ajouts entre deux itrations. La dnition de cette mtrique est la suivante : NVA = card (PPF (i)) card (PPF (i 1)) (7.16)

186

7.13 Vagues

7.12.2

Exemple

Exemple 2
Pour lensemble de solutions tel que T = 1, on a card (PPF (1)) = 1. Pour lensemble de solutions tel que T = 5, on a card (PPF (5)) = 2. Donc, NVA1 = card (PPF (5)) card (PPF (1)) = 1. Il y a eu ajout dune solution non domine entre litration 1 et litration 5. Pour lensemble de solutions tel que T = 10, on a card (PPF (10)) = 3. Donc, NVA2 = card (PPF (10)) card (PPF (5)) = 1. Il y a eu ajout dune solution non domine entre litration 5 et litration 10.

Discussion
La mtrique NVA peut, dans certains cas, tre ngative. En effet, la mthode doptimisation peut perdre des solutions non domines au cours de sa progression. Cette mtrique peut servir arrter une mthode doptimisation. Si la mtrique stagne sur la valeur 0 depuis un certain nombre ditrations, cela veut dire quelle nest plus capable de trouver de nouvelles solutions non domines. Cependant, il ne faut pas oublier quune mthode peut ne plus crer de nouvelles solutions, mais tre encore capable de faire progresser les solutions existantes vers la surface de compromis optimale T PF . Cette mtrique peut tre vue comme un taux (elle ne procure pas des valeurs comprises absolument entre 0 et 1) de production de solutions non domines.

7.13

Vagues

Cette mtrique (Waves) correspond au rang maximal de la classication de Pareto. Ce rang peut tre obtenu en utilisant lalgorithme 7.1. Algorithm 7.1 MaxRangPareto. S contient lensemble des solutions d=0 while card (S) = 0 S = S Pareto(S) d = d +1 end while MaxRangPareto = d

W = MaxRangPareto (PPF )

(7.17)

Dans lalgorithme 7.1, la fonction Pareto dtermine un ensemble contenant les solutions non domines de lensemble donn en paramtre. W permet de mesurer ltalement de lensemble de solutions PPF . Si W est grand, cela signie que la population nest pas regroupe au niveau de la surface de compromis T PF : beaucoup dindividus ne sont pas efcaces. Si la valeur de cette mtrique se rapproche de 1, cela signie que les individus tendent converger vers la surface de compromis. En gnral, cette mtrique est utilise au cours dune 187

Chapitre 7. La mesure des performances Vagues

Itrations F IG . 7.5 La mtrique W au cours dune optimisation. optimisation an de visualiser la convergence de lensemble vers la surface de compromis. Lallure de la courbe ainsi obtenue est celle de vagues (voir gure 7.5). Cette mtrique mesure lpaisseur de lensemble de solutions PPF en nombre de surfaces de compromis que comporte cet ensemble.

7.14

Mtriques de Zitzler

Dans [Zitzler et al. 99], plusieurs mtriques de performance sont prsentes. Ces mtriques peuvent se rpartir en deux familles : les mtriques relatives : elles permettent de comparer deux surfaces de compromis ; les mtriques absolues : elles permettent de mesurer la qualit dune surface de compromis. Les mtriques prsentes jusqu prsent sont des mtriques absolues, car elles ne permettent pas de comparer deux surfaces de compromis pratiques.

7.14.1

Les mtriques relatives

Dans [Zitzler et al. 99], seule une mtrique relative est prsente. La dnition de cette mtrique est donne ci-dessous. Soient F et F deux surfaces de compromis. La fonction C suivante transforme les deux surfaces de compromis F et F en un rel compris dans lintervalle [0, 1] : card = x F ; x F | x card (F ) x (7.18)

C F ,F

o card (F ) dsigne le nombre dlments contenus dans lensemble F et x x signie que le vecteur x domine le (ou est quivalent au) vecteur x . Quand C (F , F ) = 1, cela signie que toutes les solutions de lensemble F sont domines par (ou gales ) des solutions de lensemble F . Quand C (F , F ) = 0, cela signie que toutes les solutions de lensemble F dominent (au sens large) les solutions de lensemble F . Il faut toujours calculer C (F , F ) et C (F , F ) car C (F , F ) nest pas ncessairement gale 1 C (F , F ). Cette mtrique permet donc de calculer quelle portion de la surface de compromis F domine la surface de compromis F .

188

7.14 Mtriques de Zitzler

Exemple 1
f2 f2

F F

F F

f1
(a) Premier exemple (b) Second exemple

f1

F IG . 7.6 Exemples dapplication de la mtrique relative de Zitzler. A la gure 7.6-a, on peut voir deux ensembles F et F que nous dsirons comparer en utilisant la mtrique relative de Zitzler. Nous allons commencer par calculer C (F , F ) : card (F ) correspond au nombre de solutions contenues dans lensemble F : card (F ) = 5. Le numrateur de lexpression nous donne le nombre de solutions de lensemble F qui sont domines par des solutions de lensemble F . Dans notre exemple, on a : card x F ; x F | x x =2

car deux solutions de lensemble F sont domines par des solutions de lensemble F . 2 = 0.4. Donc, C (F , F ) = 5 Calculons maintenant C (F , F ) : card (F ) = 5. card x F ; x F | x Donc, C (F , F ) =
3 5

= 3.

= 0.6. F 0.6

On obtient la matrice suivante : C (colonne, ligne) F F F 0.4

Exemple 2
Nous allons maintenant traiter les ensembles de la gure 7.6-b. Nous allons commencer par calculer C (F , F ) : card (F ) = 5. card x F ; x F | x x = 4. Donc, C (F , F ) =
4 5

= 0.8.

Calculons maintenant C (F , F ) : card (F ) = 5. card x F ; x F | x x = 0. 189

Chapitre 7. La mesure des performances Donc, C (F , F ) = C (colonne, ligne) F F


0 5

= 0. F 0 F 0.8

On obtient la matrice suivante :

Discussion
Comme on peut le remarquer sur lexemple 2, on na pas ncessairement C (F , F ) + C (F , F ) = 1. Lexpression 1 C (F , F ) C (F , F ) mesure le nombre de solutions des ensembles F et F qui sont non domines entre elles. Le rsultat calcul par la mtrique relative de Zitzler est une image de la proportion de la surface de compromis dun ensemble F qui est domine par la surface de compromis dun ensemble F .

7.14.2

Les mtriques absolues

Dans [Zitzler et al. 99], trois mtriques absolues sont prsentes. La premire est strictement quivalente la distance gnrationnelle prsente dans la section 7.3. Elle a pour dnition : M1 F = 1 min card (F )
x F

x x ; x F

(7.19)

avec F F card (F ) x x surface de compromis pratique ; surface de compromis thorique ; nombre dlments dans lensemble F ; distance (euclidienne par exemple) entre le vecteur x et le vecteur x .

Cette mtrique mesure la distance moyenne entre une surface de compromis pratique (F ou surface de compromis que lon vient de calculer) et une surface de compromis thorique (F ). Une seconde mtrique est prsente. Elle permet de calculer un index image du nombre de niches dune certaine taille que lon peut trouver dans une surface de compromis. La dnition de cette mtrique est la suivante :

M2 F , F =

1 card card (F ) 1
x F

y F | x y >

(7.20)

Cette mtrique a une valeur comprise dans lintervalle [0, card (F )]. Quand M2 (F , F ) = card (F ), cela signie quaucun vecteur de F na de voisin situ une distance infrieure .

190

7.15 Mtrique de Laumanns Il sagit donc dune mtrique despacement. La diffrence entre cette mtrique M2 et la mtrique despacement dcrite dans la section 7.7 est que M2 procure une valeur normalise (il suft de diviser le rsultat de la mtrique M2 par card (F ) pour obtenir une mesure comprise entre 0 et 1). Pour nir, une dernire mtrique est propose, qui mesure ltendue de la surface de compromis. Sa dnition est la suivante :
n

M3 F =

i=1

max

y , x , y F xi i

(7.21)

o n dsigne la dimension de lespace F . Cette mtrique mesure donc lhypervolume qui contient la surface de compromis (somme des plus grandes distances sur chaque composante i).

7.15

Mtrique de Laumanns

Une mesure possible de la taille de lespace domin des fonctions objectif est la suivante : Dnition : Soit un vecteur de fonctions objectif arbitraire f . Soit f = f1 , f2 , , fN le vecteur des composantes minimum de f . Soit f = f1 , f2 , , fN le vecteur des composantes maximum de f . On note : f = f RN | f = f + N i=1 ai ai [0, 1]}
[

f1 , , fi , , fN f

(7.22)

et :

D A , f =

f =F ( x )A

f = F x | x x

(7.23)

La mesure de la taille de lespace domin est alors : s (A , F ) = (D) () (7.24)

o (A) est la mesure de Lebesgue de lensemble ferm A. La mesure de Lebesgue permet de mesurer la taille des ensembles, mme si ces ensembles sont constitus dune quantit innie dlments. Intuitivement, cette mesure correspond lhypervolume de cet ensemble (volume dans un espace m dimensions, o m correspond au nombre dobjectifs de notre problme doptimisation, par exemple). Cette mtrique est prsente dans [Laumanns et al. 00] et se rapproche de la troisime mtrique de Zitzler. La mesure obtenue a une valeur comprise entre 0 et 1.

191

Chapitre 7. La mesure des performances

7.16

Bibliographie commente

[Van Veldhuizen 99] Cette thse fait linventaire dune grande partie des mtriques utilises pour la mesure de performances des mthodes doptimisation multiobjectif. [Zitzler et al. 99] Dans cet article est prsente une mtrique de performance qui est, depuis, trs utilise pour la comparaison de mthodes doptimisation. [Cooper et al. 00] Cest un livre sur lanalyse denveloppe de donnes. Ce domaine sintresse la mesure de performances de systmes conomiques en utilisant la mthode DEA. Cest un domaine assez rcent, mais dont les mthodes peuvent tre facilement transposes loptimisation multiobjectif. Cet ouvrage prsente aussi les difcults que lon peut rencontrer lorsque lon essaie de mesurer les performances dun systme. [Hooker 95] Cet article critique les tests actuellement appliqus pour valuer les performances des mthodes doptimisation. Il propose une nouvelle voie pour lvaluation des performances des mthodes doptimisation.

192

Chapitre 8

Les fonctions de test des mthodes doptimisation multiobjectif


8.1 Introduction

Nous avons vu que le domaine de loptimisation multiobjectif est foisonnant. Les mthodes que lon a notre disposition sont nombreuses. Cependant, certaines mthodes ne sont efcaces que sur des problmes qui respectent certaines contraintes. Or, dans certains cas, il est trs difcile, voire impossible, de dire si un problme doptimisation multiobjectif respecte une hypothse ou non. Cest pour pouvoir classer les diffrentes mthodes de traitement dun problme doptimisation multiobjectif que lon a introduit des problmes tests. Chaque problme permet de tester une difcult bien particulire (surface de compromis discontinue, non convexe, etc.).

8.2

Les problmes tests de Deb

Avant de passer en revue les fonctions tests de loptimisation multiobjectif, il faut se rappeler quune reprsentation de la surface de compromis est satisfaisante si la rpartition des points sur celle-ci est uniforme. Dans ce cas, si lon nest pas satisfait par une solution, on pourra en choisir une autre, situe dans son voisinage. Du fait de luniformit de la reprsentation des solutions, la variation de valeur des fonctions objectif ne sera pas brusque lorsque lon passe dune solution sa voisine (voir la gure 1.24). Une fonction test est donc une fonction destine mettre en difcult la mthode doptimisation multiobjectif, dans la recherche dune rpartition uniforme des points solutions sur la surface de compromis. On distingue deux familles de difcults : celles qui empchent la mthode de converger vers la surface de compromis ; celles qui empchent daboutir une rpartition uniforme des solutions sur la surface de compromis. Dans la premire famille, on trouve la multifrontalit de la surface de compromis. Dans la seconde famille, on trouve les difcults suivantes : la non convexit, la discontinuit,

193

Chapitre 8. Les fonctions de test multiobjectif la non uniformit de la surface de compromis. Deb [Deb 98a] a propos une srie de fonctions de test base sur le problme biobjectif gnrique suivant : minimiser minimiser avec et f1 ( x ) = f (x1 , , xm ) f2 ( x ) = g (xm+1 , , xN ) h ( f (x1 , , xm ) , g (xm+1 , , xN )) g ( x)0 h ( x)=0

Dans ce problme gnrique, chaque fonction joue un rle particulier : f: contrle luniformit de la rpartition des solutions le long de la surface de compromis. g: contrle la multifrontalit de la surface de compromis. Elle permet aussi de crer un optimum isol. h: permet de contrler laspect de la surface de compromis (convexe, non convexe, etc.).

8.2.1

La fonction non convexe de Deb

Comme on la vu avec la mthode de pondration des fonctions objectif, certaines mthodes ragissent trs mal face une non convexit. La plupart du temps, ces mthodes narrivent pas couvrir une zone non convexe. La fonction non convexe de Deb suivante permet de tester cet aspect : f (x1 ) = 4 x1 4 3 exp g (x2 ) = 4 2 exp

x2 0.2 0.02 x2 0.7 0.2

2 2

si 0 x2 0.4 si 0.4 < x2 1

h ( f , g) =

si f g 1 fg 0 sinon = 0.25 + 3.75 (g (x2 ) 1) et = 1. Le problme est alors le suivant :

minimiser minimiser avec

f1 ( x ) = f (x1 ) f2 ( x ) = g (x2 ) h ( f , g) x1 , x2 [0, 1]

Lensemble des valeurs ralisables et la surface de compromis sont reprsents la gure 8.1. Pour obtenir ce type de reprsentation de lensemble solution dun problme test, on a appliqu lalgorithme 8.1. Un avantage de ce type de problme est que lon peut obtenir lexpression analytique de la surface de compromis. En effet, celle-ci se situe en (x1 , 0), avec x1 [0, 1]. Pour ce problme, lexpression analytique de la surface de compromis est :

194

8.2 Les problmes tests de Deb

La fonction DEB III


Plan f1, f2 10

La surface de compromis de la fonction DEB III


Plan f1, f2 10

f2

0 0 1

f2
0 0 1

f1

f1

(a) Lensemble des valeurs ralisables

(b) La surface de compromis

F IG . 8.1 Lallure de la fonction non convexe de Deb. Algorithm 8.1 Calcul alatoire de lallure dun ensemble solution. x1 , x2 sont les variables de dcision du problme. x1max , x1min , x2max , x2min sont les bornes de lespace de dcision Const f (x1 , x2 ) est une fonction qui vaut 1 si les contraintes du problme sont respectes et 0 sinon N est le nombre de points calculer pour la reprsentation de lensemble solution. I = 0 est un index. rand (A, B) est une fonction qui retourne un nombre au hasard, compris entre A et B. while(I < N ) x1 = rand (x1min , x1max ) x2 = rand (x2min , x2max ) if Const f (x1 , x2 ) = 1 afcher x1 , x2 , f (x1 , x2 ) et I = I + 1 end while f (x1 ) = 4 x1 g (x1 ) = 4 3 exp (100)

4x1 h (x1 ) = 1 43exp si f (x1 ) g (x1 ) (100) avec x1 [0, 1] et = 0.25 + 3.75 (3 (1 exp (100)))

donc,

195

Chapitre 8. Les fonctions de test multiobjectif f1 (x1 ) = 4 x1

4x1 (4 3 exp (100)) 1 43exp (100) f2 (x1 ) = 0 avec x1 [0, 1] et = 0.25 + 3.75 (3 (1 exp (100)))

si f (x1 ) g (x1 ) sinon

si exp (100) 0 alors, f1 (x1 ) = 4 x1 11.5 4 1 x1 f2 (x1 ) = 0 avec x1 [0, 1]

si f (x1 ) g (x1 ) sinon

8.2.2

La fonction discontinue de Deb

La grande majorit des mthodes doptimisation multiobjectif ne parviennent pas assurer luniformit de la rpartition des solutions sur la surface de compromis lorsquelles sont confrontes une discontinuit. La fonction discontinue de Deb est dnie comme suit : f (x1 ) = x1 g (x2 ) = 1 + 10 x2 h ( f , g) = 1
f g

f g

sin (2 q f )

Le paramtre q permet de dnir le nombre de rgions discontinues dans lintervalle [0, 1]. Le plus souvent, le paramtre vaut 2. Le problme est alors dni comme suit : minimiser f1 ( x ) = f (x1 ) minimiser f ( x ) = g (x ) h ( f , g)
2 2

avec

x1 , x2 [0, 1]

Lensemble des valeurs ralisables et la surface de compromis sont reprsents la gure 8.2. Lexpression analytique de lenveloppe de la surface de compromis est : f1 (x1 ) = x1 2 x sin (2 q x ) f2 (x1 ) = 1 x1 1 1 avec x1 [0, 1] Donc, on a :
2 f2 = 1 f1 f1 sin (2 q f1 )

(8.1)

Il ne faut pas oublier dliminer les points de lenveloppe qui nappartiennent pas la surface de compromis.

196

8.2 Les problmes tests de Deb

La fonction DEB V
Plan f1, f2 10

La surface de compromis de la fonction DEB V


Plan f1, f2 10

f2

f2
0

1 0 1

1 0 1

f1

f1

(a) Lensemble des valeurs ralisables

(b) La surface de compromis

F IG . 8.2 Lallure de la fonction discontinue de Deb.

8.2.3

La fonction multifrontale de Deb

Une autre grande difcult que lon peut rencontrer est la multifrontalit. On la rencontre lorsquun problme doptimisation multiobjectif possde une ou plusieurs surfaces de compromis fantmes. Une surface de compromis fantme est, le plus souvent, due lexistence dun optimum global isol et dun optimum local. Lors du processus doptimisation, les solutions convergent vers loptimum local et forment ainsi une surface de compromis, qui est diffrente de la surface de compromis optimale. La fonction multifrontale de Deb est dnie comme suit : f (x1 ) = x1 g (x2 ) = 2 exp h ( f , g) =
1 f x2 0.2 0.04 2

0.8 exp

x2 0.6 0.4

Le problme est alors dni comme suit : minimiser f1 ( x ) = f (x1 ) minimiser f2 ( x ) = g (x2 ) h ( f , g) avec x1 , x2 [0, 1] Lensemble des valeurs ralisables et la surface de compromis sont reprsents la gure 8.3. Lexpression analytique de la surface de compromis est la suivante :

197

Chapitre 8. Les fonctions de test multiobjectif

La fonction DEB VII


Plan f1, f2 10

La surface de compromis de la fonction DEB VII


Plan f1, f2 10

f2

0 0 1

f2
0 0 1

f1

f1

(a) Lensemble des valeurs ralisables

(b) La surface de compromis

F IG . 8.3 Lallure de la fonction multifrontale de Deb. f1 (x1 ) = x1 f2 (x1 ) = 2 exp (25) 0.8 exp avec x1 [0, 1] On a donc : f2 = 1.9156806 f1 (8.2)

3 2

x11

8.2.4

La fonction non uniforme de Deb

Dans certains cas, du fait de la structure des fonctions objectif optimiser, les solutions vont se concentrer autour de certains points. Dans ce cas, on a un problme de non-uniformit de la reprsentation des solutions sur la surface de compromis. La fonction test non uniforme de Deb est dnie comme suit : f (x1 ) = 1 exp (4 x1 ) sin4 (5 x1 ) g (x2 ) = 1 10 x2 h ( f , g) = 1 f f1 ( x ) = f (x1 ) f2 ( x ) = g (x2 ) h ( f , g) x1 , x2 [0, 1] 198

minimiser minimiser avec

8.3 Les problmes tests de Hanne Lensemble des valeurs ralisables et la surface de compromis sont reprsents la gure 8.4.
La fonction DEB VIII
Plan f1, f2 0

La surface de compromis de la fonction DEB VIII


Plan f1, f2 0

f2

1 1 0.9 0.8 0.7 0.6 0.5 0.4

f2
1 1 0.9 0.8 0.7 0.6 0.5 0.4

f1

f1

(a) Lensemble des valeurs ralisables

(b) La surface de compromis

F IG . 8.4 Lallure de la fonction non uniforme de Deb. Lexpression analytique de la surface de compromis est la suivante : f2 = 1 f1 avec f1 [1, 0]. (8.3)

8.3

Les problmes tests de Hanne

La principale diffrence avec les problmes tests de Deb rside dans lintroduction dune contrainte. Pour le reste, les problmes tests de Hanne couvrent peu prs le mme champ que les problmes tests de Deb.

8.3.1

La fonction linaire de Hanne

Ce problme test est le suivant : minimiser minimiser avec et f1 ( x ) = x1 f2 ( x ) = x2 x1 0 x2 0 x1 + x2 5 199

Chapitre 8. Les fonctions de test multiobjectif Lensemble des valeurs ralisables et la surface de compromis sont reprsents sur les gures 8.5 et 8.6.

La fonction HANNE 1
Plan x, y
12 12

La fonction HANNE 1
Plan f1, f2

10

10

f2
0

10

12

10

12

f1

(a) Lensemble des valeurs ralisables

(b) Lensemble de solutions

F IG . 8.5 Lallure de la fonction linaire de Hanne (ensemble de solutions). A la gure 8.5-a, on a reprsent lensemble de solutions dans lespace de la variable de dcision x . A la gure 8.5-b, on a reprsent lensemble de solutions dans lespace des fonctions objectif. On obtient ces deux ensembles en appliquant lalgorithme 8.2. A la gure 8.6-a, on a reprsent la surface de compromis du problme test dans lespace des variables de dcision. A la gure 8.6-b on a reprsent la surface de compromis dans lespace des fonctions objectif. Ce type de reprsentation (espace de dcision - espace des fonctions objectif) nous permet de visualiser des difcults possibles dans lespace de dcision (lensemble solution peut tre morcel dans lespace des variables de dcision par exemple).

200

8.3 Les problmes tests de Hanne

La surface de compromis de la fonction HANNE 1


5

La surface de compromis de la fonction HANNE 1


5

Plan x, y

Plan f1, f2

f2
2 1 1 0 0

f1

(a) Lensemble des valeurs de x associes la surface de compromis

(b) La surface de compromis

F IG . 8.6 Lallure de la fonction linaire de Hanne (surface de compromis). Algorithm 8.2 Calcul squentiel de lallure dun ensemble solution. x1 , x2 variables de dcision du problme test

x1max , x1min , x2max , x2min bornes des variables de dcision. x1 , x2 pas de variation des variables de dcision Const f (x1 , x2 ) fonction qui vaut 1 si les contraintes du problme considr sont vries et 0 sinon. x1 = x1min x2 = x2min do do si Const f (x1 , x2 ) = 1 afcher x1 , x2 , f (x1 , x2 ) x1 = x1 + x1 while (x1 < x1max ) x2 = x2 + x2 while (x2 < x2max )

8.3.2

La fonction convexe de Hanne

Ce problme test est le suivant :

201

Chapitre 8. Les fonctions de test multiobjectif minimiser minimiser avec et 2 f1 ( x ) = x1 2 f2 ( x ) = x2 x1 0 x2 0 x1 + x2 5

Lensemble des valeurs ralisables et la surface de compromis sont reprsents sur les gures 8.7 et 8.8.

La fonction HANNE 2
Plan x, y
12 144

La fonction HANNE 2
Plan f1, f2

10

100

f2
0

10

12

100

144

f1

(a) Lensemble des valeurs de x ralisables

(b) Lensemble de solutions

F IG . 8.7 Lallure de la fonction convexe de Hanne (ensemble de solutions). A la gure 8.7-a et 8.7-b, on a reprsent lallure de lensemble de solutions respectivement dans lespace de la variable de dcision et dans lespace des fonctions objectif. Ici, contrairement au problme prcdent (problme linaire de Hanne), les deux allures ne se ressemblent pas, car lensemble solution dans lespace des fonctions objectif nest plus une simple copie de lensemble de solutions dans lespace des variables de dcision. Un avantage de la mthode de calcul squentiel de lallure de lensemble de solutions est, comme on peut le voir en comparant lespace des variables de dcision et lespace des fonctions objectif, que lon peut visualiser leffet des fonctions objectif sur la dformation de lensemble de solutions.

202

8.3 Les problmes tests de Hanne

La surface de compromis de la fonction HANNE 2


5

La surface de compromis de la fonction HANNE 2


Plan f1, f2
25

Plan x, y

20

f2
10 1 0 0

10

20

25

f1

(a) Lensemble des valeurs de x associes la surface de compromis

(b) La surface de compromis

F IG . 8.8 Lallure de la fonction convexe de Hanne (surface de compromis).

8.3.3

La fonction non convexe de Hanne

Ce problme test est le suivant : minimiser minimiser avec et f1 ( x ) = x1 f2 ( x ) = x2 x1 0 x2 0 x1 + x2 5

Lensemble des valeurs ralisables et la surface de compromis sont reprsents sur les gures 8.9 et 8.10.

203

Chapitre 8. Les fonctions de test multiobjectif

La fonction HANNE 3
Plan x, y
12 3.464

La fonction HANNE 3
Plan f1, f2

3 10

f2
1 0 0

10

12

3.464

f1

(a) Lensemble des valeurs de x ralisables

(b) Lensemble de solutions

F IG . 8.9 Lallure de la fonction non convexe de Hanne (ensemble de solutions).

La surface de compromis de la fonction HANNE 3


5

La surface de compromis de la fonction HANNE 3


Plan f1, f2
2.236

Plan x, y

f2
1 2 1 0 0

2.236

f1

(a) Lensemble des valeurs de x associes la surface de compromis

(b) La surface de compromis

F IG . 8.10 Lallure de la fonction non convexe de Hanne (surface de compromis).

204

8.3 Les problmes tests de Hanne

8.3.4

La fonction discontinue de Hanne

Ce problme test est le suivant : minimiser minimiser avec et f1 ( x ) = x1 f2 ( x ) = x2 x1 0 x2 0 x2 5 + 0.5 x1 sin (4 x1 ) 0

Lensemble des valeurs ralisables et la surface de compromis sont reprsents sur les gures 8.11 et 8.12.
La fonction HANNE4
Plan x, y 12
12

La fonction HANNE4
Plan f1, f2

10

10

0 0 10 12

f2
0 0 10 12

f1

(a) Lensemble des valeurs ralisables de x

(b) Lensemble de solutions

F IG . 8.11 Lallure de la fonction discontinue de Hanne (ensemble solution).

205

Chapitre 8. Les fonctions de test multiobjectif

La surface de compromis de la fonction HANNE 4


Plan x, y 12

La surface de compromis de la fonction HANNE 4


Plan f1, f2 12

10

10

0 0 10 12

f2
0 0 10 12

f1

(a) Les valeurs de x associes la surface de compromis

(b) La surface de compromis

F IG . 8.12 Lallure de la fonction discontinue de Hanne (surface de compromis).

8.3.5

La fonction plusieurs zones efcaces de Hanne

Ce problme test est le suivant : minimiser minimiser avec et f1 ( x ) = int (x1 ) + 0.5 + (x1 int (x1 )) sin (2 (x2 int (x2 ))) f2 ( x ) = int (x2 ) + 0.5 + (x1 int (x1 )) cos (2 (x2 int (x2 ))) x1 0 x2 0 x1 + x2 5

o int (x) dsigne la partie entire de x. Lensemble des valeurs ralisables et la surface de compromis sont reprsents sur la gure 8.13.

206

8.4 Bibliographie commente

La fonction HANNE5
Plan f1, f2 4.5

La surface de compromis de la fonction HANNE 5


Plan f1, f2

4.5

3
3

f2

2
2

1
1

0.5 0.5

f2
1 2 3 4 4.5
0.5 0.5

4.5

f1

f1

(a) Lensemble des valeurs ralisables

(b) La surface de compromis

F IG . 8.13 Lallure de la fonction plusieurs zones efcaces de Hanne.

8.4

Bibliographie commente

[Deb 98a] Cet article prsente une mthode pour construire des problmes tests. Cette expression gnrique permet de construire tous les types de problmes tests : convexe, non convexe, avec optima locaux, etc. Ces problmes tests sont trs utiliss lors de comparaisons entre mthodes. [Whitley et al. 96] Cet article traite des problmes tests monobjectif. Lauteur souligne un certain nombre dincohrences avec certains problmes tests actuels. Il propose ensuite des rgles que devraient respecter tous les problmes tests.

207

Chapitre 9

Tentatives de classication des mthodes doptimisation multiobjectif


9.1 Introduction

Comme on a pu le voir tout au long de cet ouvrage, il existe un trs grand nombre de mthodes doptimisation multiobjectif. Cette situation pose problme lorsquil faut choisir une de ces mthodes doptimisation pour rsoudre un problme concret. Aujourdhui, peu de travaux existent sur la classication des mthodes doptimisation. Cependant, on trouvera dans [Miettinen 99] un organigramme permettant de choisir une mthode doptimisation multiobjectif en fonction du type de problme que lon souhaite rsoudre. Cet organigramme est trs compliqu et, comme on le verra par la suite, lapproche propose nest peut-tre pas la meilleure pour ce genre de situation. Par ailleurs, on trouvera dans [Talbi 98] une technique permettant de classer les mtaheuristiques hybrides. Dans ce chapitre, nous prsentons deux approches dune telle classication : une approche plus mathmatique, qui sefforce de dcrire le plus succinctement possible une mthode doptimisation ; une approche graphique, o lon cherche une dcomposition hirarchique des mthodes doptimisation. Dans tout le chapitre, nous faisons la distinction entre les termes suivants : mthode de traitement multiobjectif ; mthode doptimisation ; mthode doptimisation multiobjectif. Nous dsignons par mthode de traitement multiobjectif la mthode utilise pour transformer le problme multiobjectif original en un problme multiobjectif adapt la rsolution. Cette mthode peut tre, par exemple, la mthode de pondration des fonctions objectif. Nous dsignons ensuite par mthode doptimisation la mthode de recherche utilise pour rsoudre un problme multiobjectif. La mthode de recherche ninclut pas la mthode de transformation du problme multiobjectif. Pour nir, nous dsignons par mthode doptimisation multiobjectif un couple mthode de traitement du problme multiobjectif + mthode doptimisation. Nous allons maintenant tudier lapproche mathmatique de la classication, puis nous nous intresserons lapproche graphique. Nous montrerons comment on obtient une d209

Chapitre 9. Tentatives de classication des mthodes doptimisation composition hirarchique de la structure dune mthode doptimisation, mais surtout, nous dcouvrirons quune classication des mthodes doptimisation multiobjectif doit tre vue comme un outil daide au questionnement, en vue de choisir une mthode, plutt quun outil de slection dune mthode. Nous illustrerons chaque type de classication des mthodes doptimisation multiobjectif (mathmatique et graphique) par quelques exemples.

9.2
9.2.1

Classication doptimisation
Introduction

mathmatique

des

mthodes

Cette approche ne considre que la manire de transformer un problme doptimisation multiobjectif en un autre problme doptimisation multiobjectif (voir [Ehrgott 00]). Elle ne soccupe pas de dcrire les mthodes doptimisation en elles-mmes.

9.2.2

La formule de classication de Erghott


min f ( x)

Considrons le problme doptimisation multiobjectif suivant :


x X

Ici, lexpression min devrait tre crite entre guillemets car, pour les problmes multiobjectifs, tant que la relation dordre na pas t spcie, le sens de lexpression min nest pas sufsamment prcis pour que loptimisation puisse tre effectue. Si maintenant on prcise que la relation dordre que lon va considrer pour ce problme est la dominance au sens de Pareto, alors le sens de lexpression min est prcis : nous cherchons le minimum, au sens de Pareto, sur lespace des variables de dcision X , du vecteur de fonctions objectif f ( x ). Les lments ncessaires la bonne spcication dun problme doptimisation multiobjectif sont les suivants : lespace des variables de dcision (X dans notre exemple) ; lespace des fonctions objectif (RN dans notre exemple) ; un espace ordonn (RP avec la relation de dominance comme relation dordre, que nous noterons ) ; un modle de transformation (nous noterons ce modle dans notre exemple). Nous prciserons par la suite la signication de ce terme. M. Erghott [Ehrgott 00] se propose de rfrencer une mthode doptimisation en utilisant lexpression suivante : X , f , RN // RP , Cette expression rete bien le processus de transformation dun problme doptimisation multiobjectif en un problme doptimisation multiobjectif qui soit adapt la rsolution par une mthode de recherche doptimum. Cette transformation est reprsente la gure 9.1. Comme on le voit, nous distinguons ici la mthode de transformation dun problme doptimisation multiobjectif (la mthode de pondration des fonctions objectif est une mthode de transformation) et la mthode de recherche dun optimum (le recuit simul est une mthode de recherche doptimum). 210

9.2 Classication mathmatique des mthodes doptimisation f RN

RP ,

F IG . 9.1 La transformation dun problme doptimisation multiobjectif. Pour mieux comprendre lexpression de la classication, dveloppons quelques exemples. Exemple 1 : Se ramener un problme de minimisation Tous les problmes doptimisation ne se formulent pas sous la forme dun problme de minimisation. Par exemple, pour le problme suivant, on a deux maximisations et une minimisation, ce qui induit la transformation indique : minimiser f1 ( x) minimiser f1 ( x) maximiser f2 ( x ) minimiser f2 ( x) maximiser f3 ( x ) minimiser f3 ( x ) avec x X R4 avec x X R4 Pour cette transformation du problme doptimisation multiobjectif, le modle de la transformation est le suivant : (z1 , z2 , z3 ) = (z1 , z2 , z3 ) Lespace des variables de dcision est X . Lespace des fonctions objectif est R3 . Lespace des fonctions objectif aprs transformation est R3 . Lordre que lon choisit sur cet espace est la relation de dominance sur lespace R3 que nous noterons . Par consquent, lexpression de la classication de cette mthode est la suivante : X , ( f1 , f2 , f3 ) , R3 / (z1 , z2 , z3 ) / R3 , Exemple 2 : La mthode de Tchebychev La transformation effectue sur le problme multiobjectif est la suivante : minimiser f1 ( x) maximiser f2 ( x ) minimiser max ( f1 ( x ) , f2 ( x ) , f3 ( x )) maximiser f3 ( x ) avec x X avec x X Pour cette transformation du problme doptimisation multiobjectif, le modle de la transformation est le suivant : (z1 , z2 , z3 ) = max (z1 , z2 , z3 ) Lespace des variables de dcision est X . Lespace des fonctions objectif est R3 . 211

Chapitre 9. Tentatives de classication des mthodes doptimisation Lespace des fonctions objectif aprs transformation est R. Lordre que lon choisit sur cet espace est la relation dordre classique : . Lexpression de la classication de la mthode de Tchebychev est la suivante : X , ( f1 , f2 , f3 ) , R3 / max / (R, ) Exemple 3 : La mthode de pondration des fonctions objectif La transformation effectue sur le problme multiobjectif est la suivante : minimiser f1 ( x) 1 f1 ( x ) 2 f2 ( x) maximiser f2 ( x ) minimiser 3 f3 ( x ) maximiser f3 ( x) avec x X avec x X et 0
i

Pour cette transformation du problme doptimisation multiobjectif, le modle de la transformation est le suivant : (z1 , z2 , z3 ) = 1 z1 2 z2 3 z3 Lespace des variables de dcision est X . Lespace des fonctions objectif est R3 . Lespace des fonctions objectif aprs transformation est R. Lordre que lon choisit sur cet espace est la relation dordre classique : . Lexpression de la classication de la mthode de Tchebychev est la suivante : X , ( f1 , f2 , f3 ) , R3 /1 z1 2 z2 3 z3 / (R, )

9.2.3

Conclusion

Cette classication prsente le grand avantage dtre applicable aussi bien des problmes doptimisation qu des mthodes doptimisation (voir [Ehrgott et al. 00]). Cette facult de description commune permet lutilisateur de comparer la description du problme avec la description de la mthode de rsolution et ainsi de slectionner des mthodes qui ont certains points communs avec la description du problme, car elles sont le plus susceptibles dtre adaptes la rsolution de ce problme.

9.3
9.3.1

La classication hirarchique doptimisation multiobjectif


Introduction

des

mthodes

Cette approche peut prsenter certains inconvnients comme, par exemple, une explosion du nombre de niveaux hirarchiques due au nombre important des lments distinctifs dcrivant une mthode doptimisation. Il est cependant possible de limiter cet inconvnient en choisissant soigneusement les lments descriptifs dune mthode doptimisation et en limitant le domaine dintervention de la classication.

212

9.3. La classication hirarchique des mthodes doptimisation

9.3.2
9.3.2.1

Une hirarchie graphique


Une hirarchie pour le traitement du problme multiobjectif

Nous avons dj rencontr certains lments de description des mthodes doptimisation multiobjectif au cours de la prsentation des diffrentes mthodes. Par exemple, en optimisation multiobjectif, on peut distinguer trois approches diffrentes suivant la connaissance que lon a du problme rsoudre. On peut, en effet, rsoudre ce problme : soit a priori si lon connat sufsamment le problme et que lon est capable de fournir avec prcision ses prfrences vis--vis des diffrentes fonctions objectif ; soit a posteriori si lon ne connat pas le problme. On cherche alors approcher la surface de compromis en la couvrant avec un nombre ni de solutions ; soit progressivement, en dialoguant avec le dcideur de manire ce quil puisse prciser ses prfrences. Cette premire tape dans la description des mthodes doptimisation nous donne trois branches distinctes (voir gure 9.3). La branche des mthodes progressives est bien dconnecte des deux autres ( cause, en particulier, de la phase dinteraction qui diffrencie les mthodes progressives des mthodes a priori et a posteriori). Les branches des mthodes a priori et a posteriori ne sont pas indpendantes dans le sens o une mthode a priori peut trs bien tre utilise comme une mthode a posteriori (on relance la mthode doptimisation a priori sur plusieurs prfrences du dcideur). En revanche, la rciproque nest pas ncessairement vraie : il nest pas intressant dutiliser une mthode a posteriori comme une mthode a priori (engendrer une approximation de la surface de compromis et ne conserver que la solution qui reprsente le compromis le plus proche de celui formul par le dcideur). Un autre degr que lon pourra ajouter dans cette hirarchie vient de la faon de traiter les fonctions objectif : On peut chercher se ramener une fonction monobjectif : cest lapproche agrgative. Cette approche peut ensuite se dcomposer en trois autres niveaux : lagrgation par contraintes : la mthode de la contrainte est un exemple de ce type dagrgation ; lagrgation sans contraintes : la mthode de pondration des fonctions objectif en est un exemple ; lagrgation hybride : la mthode de Corley en est un exemple. On peut traiter le problme multiobjectif de manire vectorielle, cest--dire sans effectuer lagrgation des fonctions objectif. La mthode MOGA est un exemple de ce type de traitement du problme multiobjectif. Le dernier niveau, spciquement multiobjectif, que lon peut considrer, concerne limbrication de la mthode de traitement multiobjectif dans la mthode doptimisation : On peut avoir utiliser des mthodes de traitement multiobjectif compltement dcouples de la mthode doptimisation. On parlera alors de mthode de traitement multiobjectif dcouple. Par exemple, la mthode de pondration des fonctions objectif est une mthode de traitement du problme multiobjectif dcouple, car elle ne ncessite pas de mthode doptimisation ddie pour la recherche de solutions. On peut aussi avoir utiliser des mthodes de traitement multiobjectif qui ne laissent pas le choix quant la mthode doptimisation utiliser. Par exemple, la mthode MOGA est une mthode doptimisation multiobjectif dans laquelle le traitement du 213

Chapitre 9. Tentatives de classication des mthodes doptimisation problme multiobjectif est fortement coupl avec la mthode doptimisation : on ne peut pas utiliser cette mthode avec autre chose quun algorithme gntique. On obtient alors les hirarchies des gures 9.2 et 9.3.
R1 Rsolution a priori du problme

A1

Approche agrgative

A11

Agrgation avec contraintes

A12

Agrgation sans contraintes

A13

Agrgation hybride

A2

Approche non agrgative

Mthode couple C1

Mthode dcouple C2

Mthode couple C1

Mthode dcouple C2

Mthode couple C1

Mthode dcouple C2

Mthode couple C1

Mthode dcouple C2

F IG . 9.2 La hirarchie des mthodes a priori.

R2

Rsolution a posteriori du problme

R1

Rsolution a priori du problme

R3

Rsolution progressive du problme

A1 A1 A2

A2 A1 A2

F IG . 9.3 Le niveau suprieur hirarchique des mthodes de transformation dun problme multiobjectif. La premire constatation que lon peut faire est la prsence dune branche non agrgative dans les racines R1 et R3. Ce nest pas choquant pour la racine R3 (rsolution progressive dun problme doptimisation multiobjectif), dans le sens o certaines mthodes (non prsentes dans ce livre) proposent lutilisateur de slectionner les individus quil prfre. En revanche, pour la racine R1 (rsolution a priori dun problme doptimisation multiobjectif), la branche non agrgative illustre lexistence de mthodes du type ELECTRE (mthodes daide la dcision), dans lesquelles on fabrique une relation dordre partir des prfrences du dcideur. La relation dordre ainsi construite peut tre de forme agrgative ou de forme non agrgative. Dans ce dernier cas, la mthode classera les individus dans un ordre retant les prfrences du dcideur. Ces mthodes ne procurent donc pas un seul et unique individu, mais une famille complte de solutions. Cherchons maintenant traiter quelques exemples.

214

9.3. La classication hirarchique des mthodes doptimisation Exemple 1 : La mthode de pondration des fonctions objectif Cette mthode est plutt destine une rsolution a priori du problme multiobjectif. Elle transforme le problme multiobjectif de manire avoir traiter une fonction monobjectif : cest donc une approche agrgative sans contraintes. En outre, cette mthode est fortement dcouple de la mthode doptimisation, dans le sens o lon peut utiliser nimporte quelle mthode doptimisation pour trouver une solution ce problme. Le trajet dans la hirarchie sera le suivant : R1/A11/C2 La mthode de pondration des fonctions objectif peut tre aussi utilise dans des rsolutions a posteriori ou progressives. Dans ce cas, la mthode est utilise dans un systme, et non sous sa forme de base. Exemple 2 : La mthode MOGA Cest une mthode de rsolution a posteriori. Elle engendre une famille de solutions pour un problme multiobjectif donn. La mthode de traitement du problme multiobjectif est non agrgative. On ne demande pas lutilisateur de formuler des prfrences. La mthode utilise directement la relation de dominance pour rsoudre le problme. La mthode de traitement du problme multiobjectif est fortement couple avec une mthode doptimisation, comme nous lavons soulign plus haut. Le trajet dans la hirarchie sera le suivant : R2/A2/C1 9.3.2.2 Une hirarchie pour les interactions

Dans cette hirarchie, des lments manquent pour dcrire les mthodes progressives. En effet, pour ces mthodes, le mode dinteraction est un lment discriminant. Lorsque lon analyse les modes de fonctionnement des mthodes interactives, on peut les classer en quatre catgories : les interactions via la formulation des prfrences, nous noterons ce niveau de discrimination I 1 ; les interactions via la formulation des contraintes, nous noterons ce niveau I 2 ; les interactions hybrides via la formulation de prfrences et de contraintes, nous noterons ce niveau I 3 ; les interactions dun autre type (comme, par exemple, par la slection dune souspopulation de solutions intressantes), nous noterons ce niveau I 4. Il nous faut donc ajouter quatre branches supplmentaires dans notre hirarchie (voir gure 9.4). 9.3.2.3 Une hirarchie pour les mthodes doptimisation

La hirarchie que nous avons prsente concernant la mthode de traitement du problme multiobjectif nest pas sufsamment discriminante pour permettre une bonne classication des mthodes doptimisation. En effet, il existe beaucoup de mthodes dans la catgorie des mthodes couples. Il serait commode de pousser un peu plus loin la hirarchie dans cette catgorie.

215

Chapitre 9. Tentatives de classication des mthodes doptimisation

R3

Rsolution progressive du problme

A1

Approche agrgative

Approche non agrgative

A2

Interaction via prfrences

Interaction via contraintes

Interaction hybride

Autre type dinteraction

Interaction via contraintes

Autre type dinteraction

I1

I2

I3

I4

I2

I4

F IG . 9.4 La hirarchie des modes dinteraction. Lorsque lon regarde les mthodes utilises dans ce domaine, on constate quelles sont de trois types : Les mthodes damlioration par voisinage : ces mthodes partent dun point initial et lamliorent par une analyse de tout ou partie du voisinage du point courant. Dans cette famille, ou trouve le recuit simul et la recherche locale, par exemple. Les mthodes volutionnaires : ces mthodes vont transformer des individus dune population de manire ce quils se rapprochent dune zone optimale ou dun point optimal. Les autres mthodes : ce sont des mthodes qui sont peu utilises dans le domaine de loptimisation multiobjectif. On trouve, par exemple : Les mthodes de rsolution par construction : ces mthodes affectent une valeur dnitive une ou plusieurs variables une itration donne. Elles ne reviennent jamais sur une dcision. On peut citer comme exemple de ces mthodes la mthode glouton. Les mthodes de rsolution par dcomposition : ces mthodes peuvent, par exemple, dcomposer lensemble des solutions dun problme en une arborescence et parcourir cette arborescence la recherche de la meilleure solution. Un exemple de ce type de mthode est la mthode par sparation et valuation (Branch and Bound). Il nest pas intressant de poursuivre cette dcomposition plus loin, car cela ne ferait qualourdir la hirarchie et, comme nous lavons prcis plus haut, au vu des mthodes utilises dans le domaine de loptimisation multiobjectif, cette dmarche nest pas fructueuse. Le dernier niveau hirarchique que nous allons ajouter concerne les mthodes volutionnaires. En effet, dans ces mthodes, on peut distinguer deux grandes familles : Les mthodes volutionnaires litistes : ces mthodes ont une archive dans laquelle sont sauvegards les meilleurs individus rencontrs au cours de loptimisation. Les individus de cette archive peuvent tre transmis intacts litration suivante ou alors intervenir de manire amliorer la recherche. La mthode PASA est un exemple de mthode de cette famille. Les mthodes volutionnaires non litistes : ces mthodes nont pas darchive et sont gnralement plus simples mettre en uvre. La mthode MOGA en est un exemple. La hirarchie concernant plus spciquement les mthodes doptimisation est reprsente la gure 9.5. 216

9.3. La classication hirarchique des mthodes doptimisation

M1
Mthodes damlioration par voisinage

M2
Mthodes volutionnaires

M3
Autres mthodes

Avec litisme

Sans litisme

M21

M22

F IG . 9.5 Une hirarchisation supplmentaire au niveau des mthodes doptimisation. 9.3.2.4 Comment exploiter cette hirarchie

Cest ce moment quun problme survient. En effet, sans une connaissance minimale du problme et des mthodes, il est trs difcile de choisir une mthode doptimisation multiobjectif. Lorsque lon choisit une mthode doptimisation multiobjectif, plusieurs facteurs entrent en ligne de compte : Des exigences quant la qualit de la solution : certains problmes ont un optimum trs difcile trouver. Ces problmes seront trs probablement mieux rsolus par une mtaheuristique du type recuit simul. Pour ces problmes, on peut tre prt passer plusieurs heures ou plusieurs jours rechercher une solution. Cest le cas de problmes stratgiques, tels que celui de loptimisation de structure, o une structure avec une quantit moindre de matriau, mais rpondant toujours au cahier des charges, pourra faire conomiser une somme importante sur le cot de louvrage. Pour dautres problmes, moins stratgiques, on pourra accepter une solution qui ne sera quune amlioration du point initial. On pourra alors choisir une mthode de type descente, ou un recuit simul avec une dcroissance rapide de la temprature. Une structure particulire de lespace de recherche : la prsence doptima locaux va inuer sur le choix de la mthode doptimisation. Il faut admettre que, sur certains problmes trs difciles, il est impossible de connatre lavance la proportion doptima locaux et donc de juger de la difcult a priori du problme. Laspect convexe ou non convexe de la surface de compromis va inuer sur le choix de la mthode de traitement multiobjectif. L aussi, il est trs difcile de juger de lallure de la surface de compromis a priori, et donc de choisir une mthode de traitement multiobjectif adapte au problme. Pour un problme convexe, on choisira une mthode de pondration des fonctions objectif, alors que, pour un problme non convexe, on choisira plutt une mthode de Tchebychev. La capacit exprimer prcisment ses prfrences : si les prfrences sont bien dnies, on choisit une mthode de rsolution de type a priori. En effet, il faut bien avoir lesprit que chercher approcher une surface de compromis est une tche qui peut tre longue et difcile. Si les prfrences ne sont pas bien dnies, on a deux solutions :

217

Chapitre 9. Tentatives de classication des mthodes doptimisation Soit aider le dcideur prciser ses prfrences par lintermdiaire dune rsolution progressive du problme. Cette mthode de rsolution na pas les faveurs des utilisateurs, car elle mobilise le dcideur tout au long de la recherche. De plus, la dure qui spare deux tapes dinteraction peut tre longue. Soit approcher la surface de compromis en engendrant un nombre ni de solutions bien rparties sur celle-ci : cest lapproche a posteriori. Cette approche de la rsolution dun problme multiobjectif est commode, surtout quand le circuit de dcision est long et/ou mal identi. Elle laisse ainsi loccasion au(x) dcideur(s) de juger les solutions proposes sur pice, par comparaisons successives, ou dextraire une solution en utilisant une mthode daide la dcision. Il est clair que si le dcideur a dj ces rponses en main, la slection dune mthode nen sera que plus aise. Il faut donc voir cette hirarchie plus comme un outil daide au questionnement quun outil daide la slection.

9.3.3

Classication de quelques mthodes

Nous allons maintenant classer les mthodes traites dans ce livre en utilisant la hirarchie que nous venons de dterminer.

Les mthodes scalaires


Mthode Pondration des fonctions objectif Keeney-Raiffa Distance un objectif Compromis Hybride But atteindre But programm Ordonnancement lexicographique Contraintes dgalit propres Contraintes dingalit propres Lin-Tabak Lin-Giesy Trajet dans la hirarchie R1/A12/C2 R1/A12/C2 R1/A12/C2 R1/A11/C2 R1/A13/C2 R1/A11/C2 R1/A11/C2 R1/A11/C2 R2/A11/C2 R2/A11/C2 R2/A11/C2 R2/A11/C2

Les mthodes interactives


Mthode Compromis par substitution STEP Gandel Jahn Geoffrion Simplex Trajet dans la hirarchie R3/I 2/C2 R3/I 2/C2 R3/I 2/C2 R3/I 4/C2 R3/I 4/C2 R3/I 1/C2

Pour les mthodes de Jahn et de Geoffrion, on remarque que linteraction se fait via le choix de la longueur dun pas. Ce mode dinteraction ne permet pas lutilisateur de modliser simplement ses prfrences. 218

9.3. La classication hirarchique des mthodes doptimisation

Les mthodes oues


Mthode Sakawa Reardon Trajet dans la hirarchie R1/A12/C2 R1/A12/C2

Les mthodes daide la dcision


Mthode ELECTRE I ELECTRE IS ELECTRE II ELECTRE III ELECTRE IV ELECTRE TRI PROMETHEE 1 PROMETHEE 2 Trajet dans la hirarchie R1/A12/C2 R1/A12/C2 R1/A12/C2 R1/A12/C2 R1/A12/C2 R1/A12/C2 R1/A12/C2 R1/A12/C2

Les mthodes base de mtaheuristique


Mthode PASA MOSA MOGA NSGA NPGA WARGA Trajet dans la hirarchie R {1, 2} /A12/C1/M 1/E 1 R {1, 2} /A12/C1/M 1/E 2 R2/A2/C1/M 2/E 2 R2/A2/C1/M 2/E 2 R2/A2/C1/M 2/E 2 R2/A2/C1/M 2/E 2

Nous avons class ces mthodes dans les catgories R {1, 2} car, dans leur utilisation courante, ces mthodes sont plutt R2, mais, en thorie, elles seraient plutt R1. La raison en est quelles exploitent leffet stochastique du recuit simul.

9.3.4

Comment choisir une mthode

Nous allons maintenant illustrer le choix dune mthode doptimisation travers deux exemples : Le dimensionnement dune poutre (voir section 1.6.3). Ce problme est bien dni. Nous avons deux fonctions objectif : minimiser la section de la poutre et minimiser la dformation de la poutre. Nous savons a priori que ce problme nest pas difcile. Il na pas doptima locaux et la structure de la surface de compromis est convexe. Cette poutre intervient dans une structure plus complexe (un pont par exemple). Nous voulons donc pouvoir tester plusieurs solutions pour simuler le comportement global de la structure complexe en fonction de la solution choisie pour la forme de la poutre.

219

Chapitre 9. Tentatives de classication des mthodes doptimisation Le dimensionnement dun rseau de tlcommunications (voir chapitre 11). Pour ce problme, nous avons plusieurs fonctions objectif : le cot total engendr par la mise en place de linfrastructure du rseau et la disponibilit du rseau. Ce problme est un problme doptimisation combinatoire a priori difcile. Il est possible de formuler un compromis entre les deux fonctions objectif.

Exemple 1 : le dimensionnement de la poutre


Premier niveau dans la hirarchie : quel mode de rsolution choisir ? Nous voulons obtenir une approximation de la surface de compromis, car nous voulons avoir plusieurs solutions en main, pour les tester sur une structure plus complexe. Il sagit donc dun mode de rsolution du type a posteriori. Second niveau dans la hirarchie : quel mode de traitement du problme multiobjectif choisir ? A ce niveau, nous avons le choix. Nous allons choisir un mode de traitement non agrgatif, car nous avons lesprit la proprit suivante de ce mode de traitement : il ny a pas de prfrence dterminer. Troisime niveau dans la hirarchie : quel type de couplage vis--vis de la mthode doptimisation ? Nous allons utiliser une mthode du type algorithme gntique, car nous avons notre disposition un algorithme gntique dj implment. Nous choisissons donc une mthode couple. Quatrime niveau dans la hirarchie : quel type de mthode ? Nous avons choisi une mthode volutionnaire. Cinquime niveau dans la hirarchie : quel type dlitisme ? L encore, nous avons le choix. Notre problme est simple rsoudre. Nous choisissons une mthode sans litisme car nous ne voulons pas perdre de temps dvelopper un module dlitisme pour rsoudre un problme aussi simple. Le trajet dans la hirarchie est donc le suivant : R2/A2/C1/M 2/E 2 Choix nal : Nous avons donc le choix entre : MOGA, NSGA, NPGA et WARGA. Le choix nal se portera sur la mthode NSGA, car elle permet dobtenir une bonne rpartition des solutions sur la surface de compromis, sans requrir de rglages trop complexes.

220

9.3. La classication hirarchique des mthodes doptimisation

Exemple 2 : le dimensionnement dun rseau de tlcommunications


Premier niveau dans la hirarchie : quel mode de rsolution choisir ? Pour ce problme, nous avons eu la possibilit de dnir des prfrences vis--vis des fonctions objectif. Nous cherchons donc une solution en particulier. Le mode de rsolution retenu est la rsolution a priori. Second niveau dans la hirarchie : quel mode de traitement du problme multiobjectif choisir ? Nous ne connaissons pas a priori lallure de la surface de compromis. Il nous faut donc choisir une mthode qui soit efcace sur des problmes dont la surface de compromis est non convexe (cas le plus dfavorable). tant parti sur un mode de rsolution a priori, nous allons nous orienter vers un mode de traitement agrgatif. Troisime niveau dans la hirarchie : quel type de couplage vis--vis de la mthode doptimisation ? A ce niveau, nous avons le choix. Nous allons utiliser, dans un premier temps, une mthode dcouple. Si la rsolution du problme nest pas satisfaisante, nous recommencerons, mais plutt avec une mthode couple. Quatrime niveau dans la hirarchie : quel type de mthode ? La littrature nous informe que les meilleurs rsultats ont t obtenus avec des mthodes du type amlioration par voisinage (du fait que ces mthodes sont plus faciles implmenter que des mthodes volutionnaires). De plus, dans un mode de rsolution a priori, il nest pas intressant dutiliser une mthode volutionnaire, car nous cherchons une seule solution. Cinquime niveau dans la hirarchie : quel type dlitisme ? Compte tenu de la difcult a priori de la recherche, il va tre intressant de conserver la trace des bonnes solutions dj rencontres lors de loptimisation. Nous choisissons une mthode avec litisme. Le trajet dans la hirarchie est donc le suivant : R1/A12/C2/M 1/E 2 Choix nal : Dans la liste des mthodes que nous avons dtermine, il ny a pas de mthodes dont le trajet dans la hirarchie corresponde celui que nous venons de dterminer. Cependant, si nous faisons abstraction de llitisme, nous pouvons choisir une mthode de traitement du type distance de Tchebychev couple une mthode doptimisation. Pour satisfaire nos recommandations en terme de choix de mthode, il nous sufra alors dimplmenter un module darchivage, pour conserver la trace des bonnes solutions dj rencontres, ou alors de poursuivre notre recherche de mthode laide dune analyse bibliographique.

221

Troisime partie

Etudes de cas

Chapitre 10

Etude de cas n1 : qualication de code scientique1


10.1 Introduction

Lorsque lon dveloppe un code scientique ddi la simulation dun processus industriel (chane de distillation chimique (voir le lien [Ascend] vers le logiciel Ascend de simulation mathmatique), production dnergie au sein dun racteur nuclaire, etc.), on ne peut pas prendre en compte tous les paramtres de ce processus. Lingnieur doit alors rduire la complexit du modle du processus pour quil puisse tre simul. Les diffrentes approximations quil est amen faire entranent souvent un cart plus ou moins important entre les rsultats obtenus par simulation et les rsultats rels. On dispose alors dun artice qui permet de combler cet cart : le calage du code de simulation sur les rsultats rels. Ce calage se fait par action sur certains paramtres du modle de manire ce que les rsultats calculs correspondent mieux aux rsultats rels.

10.2

Description du problme

Nous dcrivons le problme laide dun exemple. Le domaine physique concern est celui de la thermo-hydraulique diphasique. Les donnes exprimentales sont les mesures de taux de vide en dix points rpartis uniformment le long de la section dun canal dont une des parois est chauffe. Ce canal est le sige dun coulement deau sous forme dun mlange liquide vapeur. Un exemple de courbe que lon peut obtenir est reprsent la gure 10.1. Le taux de vide est calcul par un code dont un des modles mis en uvre pour simuler lcoulement dpend de deux paramtres susceptibles de pouvoir modier lallure de la courbe obtenue en sortie : C1 et C . Le but du calage sera alors de trouver une ou plusieurs valeurs du couple de paramtres (C1 , C ) telles que la courbe exprimentale soit la plus voisine possible de la courbe calcule. Le problme qui survient est alors le suivant : que veut dire le plus voisin de : des carts nuls en tous les points ? un cart nul sur le point dont le niveau est le plus important (le point n10 sur lexemple de la gure 10.1) appel point chaud ? des carts uniformment rpartis ?
1 Ce

chapitre a t rdig en collaboration avec M. Dumas du CEA (michel.dumas@cea.fr).

225

Chapitre 10. Etude de cas n1 : qualication de code scientique

0.7 Valeur exacte 0.6 Taux de vide (%) 9 0.5 8 0.4 1 0.3 0.2 1 2 3 4 5 6 7 8 9 10 11 Distance au bord gauche de la conduite (mm) 2 3 4 5 6 7 10

F IG . 10.1 Une mesure du taux de vide sur les dix points de mesure. un cart quadratique moyen minimal ? ... Comme on peut le voir, le choix du type de dnition du voisinage est important et conditionne de manire importante le calage. Une autre approche peut tre mene o lon considre les carts absolus entre calcul et exprience sur chaque point comme des fonctions objectif. Dans ce cas, la faible discrimination que lon ressent entre les diffrentes dnitions numres plus haut apparat sous un nouveau jour. Ces dnitions peuvent tre vues comme des solutions particulires dun problme multiobjectif. Ces solutions seront plus ou moins quivalentes, car elles feront partie de la surface de compromis et seront non domines. Proposer ltape du calage comme une tape doptimisation multiobjectif va permettre de clarier le problme : compte tenu du nombre de fonctions objectif mis en uvre, il nexiste pas de solution unique ce problme (cest un problme multiobjectif) mais une innit et, parmi ces solutions, plusieurs vont se distinguer : On trouvera des couples (C1 , C ) permettant dobtenir des valeurs moyennes trs prcises. On trouvera des couples (C1 , C ) permettant de simuler avec prcision la valeur du point chaud. Ces couples peuvent tre trs pratiques pour le dimensionnement de la conduite. ... Une diffrence importante est souligner par rapport la dmarche classique consistant dnir a priori une formule de composition des fonctions objectif puis effectuer le calage en utilisant cette formule. Lapproche multiobjectif produit, dans le meilleur des cas, toutes les solutions, et laisse lutilisateur le soin de faire un choix parmi ces solutions. Il pourra favoriser certains comportements du simulateur plutt que dautres, ces comportements rpondant un besoin particulier (prcision accrue sur certaines valeurs). Lutilisateur doit faire un compromis pour choisir une solution et il est alors plus conscient que ce compromis pourra avoir une inuence sur les rsultats de la simulation.

226

10.3 Reprsenter la surface de compromis

10.3

Reprsenter la surface de compromis

Le problme qui intervient maintenant va tre celui de la reprsentation des solutions. Idalement, il faudrait reprsenter toute la surface de compromis. Nous rappelons que la dnition de la surface de compromis est la suivante : La surface de compromis est lensemble des points tels que si lon amliore un ou plusieurs critres on obtient alors une dtrioration des autres critres. (voir section 1.6) La difcult, dans ce cas, est que celle-ci doit tre reprsente, pour notre exemple, dans un espace dix dimensions. Il faut alors trouver une autre solution. Cette autre solution peut tre de prsenter lutilisateur la zone de Pareto, qui est limage de la surface de compromis dans lespace des paramtres (voir gure 10.2). Lavantage de cette approche est que lespace des paramtres est de dimension 2, donc facilement reprsentable. Le problme qui se pose maintenant est que, pour obtenir une bonne description de x2 f2

Zone de Pareto

x1

Surface de compromisf1

F IG . 10.2 La correspondance entre la surface de compromis et la zone de Pareto. la surface de la zone de Pareto, il faut un trs grand nombre de calculs de fonctions objectif et que, compte tenu de la dure dune simulation, cette masse de calculs nest pas envisageable. La solution va tre de changer de simulateur. Pour pouvoir produire tous ces calculs, nous allons utiliser un approximateur neuronal (voir [Dreyfus et al. 01]) qui prsentera lavantage de produire des rsultats de simulation presque quivalents ceux du simulateur classique, une marge derreur prs, bien sr. Pour entraner lapproximateur neuronal, on procde de la manire suivante : Etape 1 : Les paramtres C1 et C voluent dans un domaine prdni : 0 C1 2 et 0.5 C 2 On tire 1 500 points distincts dans cet espace des paramtres. Etape 2 : On effectue une simulation pour chacun de ces points. Etape 3 : On utilise ces donnes (deux entres, C1 et C , dix sorties, les mesures du taux de vide en chacun des points de la section de la conduite) pour entraner un approximateur neuronal (voir [Dreyfus et al. 01] pour plus de dtails sur la faon dentraner un approximateur neuronal). De cette manire, on dtermine dix approximateurs neuronaux : un par point de mesure. Sur les gures 10.3, 10.4 et 10.5, on peut voir des exemples de types de rsultats que lon obtient en suivant cette dmarche. Ces gures reprsentent les rponses des rseaux de neurones lorsque lon prsente en entre des valeurs de C1 et C couvrant tout lespace des paramtres. Les trois approximateurs choisis correspondent aux points de mesure 1, 7 et 10. Ils ont un comportement reprsentatif des dix mesures et les valeurs absolues de leurs carts avec des valeurs exprimentales dnissent les trois fonctions objectif du problme. 227

Chapitre 10. Etude de cas n1 : qualication de code scientique Comme on peut le voir en observant ces trois courbes, quand on dplace un point dans lespace des paramtres, certaines fonctions objectif sont antagonistes. Certaines augmentent pendant que dautres diminuent. Cest une caractristique importante dun problme multiobjectif.
CANAL 1

0.45 0.4 0.35 0.3 Canal 1 0.25 0.2 0.15 0.1 0.05 0 2 1.5 1 0.5 1 0 0.5 1.5 2

C1

F IG . 10.3 Rponse de lapproximateur neuronal pour le point de mesure 1.

CANAL 7

0.9 0.8 0.7 Canal 7 0.6 0.5 0.4 0.3 0.2 2 1.5 1 0.5 1 0 0.5 1.5 2

C1

F IG . 10.4 Rponse de lapproximateur neuronal pour le point de mesure 7. Il nous faut maintenant rechercher la ou les zones de lespace des paramtres qui contiennent les solutions Pareto-optimales : la zone de Pareto. Pour cela, on peut tracer ces courbes sur un plan en ne reprsentant que les courbes de niveaux dont les valeurs correspondent aux mesures exprimentales. A la gure 10.6, on na reprsent que les courbes de niveau des points 228

10.4 Conclusion
CANAL 10

1 0.9 0.8 0.7 Canal 10 0.6 0.5 0.4 0.3 0.2 2 1.5 1 0.5 1 0 0.5 1.5 2

C1

F IG . 10.5 Rponse de lapproximateur neuronal pour le point de mesure 10. de mesure 1, 7 et 10. Chaque courbe dnit lensemble des valeurs des couples (C1 , C ) permettant dobtenir, pour le point de mesure correspondant, un cart nul avec le calcul. Ces trois courbes dnissent dans lespace des paramtres le domaine dont limage est la surface de compromis. Le domaine A dnit limage de la surface de compromis dans lespace des paramtres. En effet, dans cet espace, si lon dplace un point x vers la courbe de niveau minimal du point 10, alors on augmente les valeurs des courbes de niveau des points 7 et/ou 1. De mme, si lon dplace ce point vers la courbe de niveau minimal du point 1, alors on augmente les valeurs des courbes de niveau 7 et/ou 10. Ce comportement est typique dun point appartenant la surface de compromis. A la gure 10.7, on a reprsent la zone de Pareto. Dans cette zone, nous avons choisi trois points (A, B et C) correspondant des solutions Pareto-optimales (car choisies dans la zone de Pareto). A la gure 10.8, nous avons reprsent les prols de courbes correspondant ces trois points. Ces prols donnent tous le mme cart par rapport la courbe exprimentale. En revanche, certains prols vont donner des rsultats prcis sur les bords de la conduite et pas au centre, dautres vont donner des prols dont la forme ressemblera au prol exprimental, mais avec un cart maximal plutt faible.

10.4

Conclusion

Cette dmarche peut tre gnralise par lutilisation dun algorithme gntique multiobjectif. En effet, ce type de mthode se prte bien lapproximation de la zone de Pareto via lutilisation dapproximateurs neuronaux (pour la rapidit de simulation). On peut utiliser un algorithme NSGA avec une gestion de la diversit des solutions dans lespace des paramtres ou un algorithme gntique codage rel (voir [Perrin et al. 97]). De cette manire, avec une population relativement petite, on peut esprer obtenir une approximation de la zone de Pareto rapidement. La principale libert que permet cette mthode est le recalibrage dynamique en fonction des besoins de simulation de lutilisateur. 229

Chapitre 10. Etude de cas n1 : qualication de code scientique

C1
0.5 0.45 0.4 0.35 0.3 0.25 0.2 0.15 0.1 0.05 Point 1 0 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 Point 10 Point 7

0.5 83 72

0.37488

0.2

80

69

F IG . 10.6 Les courbes de niveaux minima des points de mesure 1, 7 et 10.

230

10.4 Conclusion

C1
0.5 0.45 0.4 0.35 0.3 0.25 0.2 0.15 A 0.1 0.05 0 10.7 0.8 0.9 1.0 1.1 1.2
(a) Des

C B

C
1.3 1.4

F IG . 10.7 Des points de la zone de Pareto.

0.7 0.6 Taux de vide (%) 0.5 0.4 0.3 0.2 1 2 3 4 5 6 7 8 9 10 11 Valeur exacte A B C

Distance au bord gauche de la conduite (mm)


(a) Les

F IG . 10.8 Les courbes correspondant aux points de la zone de Pareto.

231

Chapitre 11

Etude de cas n2 : tude de lextension dun rseau de tlcommunications 1


Un rseau de services est en perptuelle mutation. A partir du moment o il est oprationnel, il nest quau dbut de sa vie. Le rseau va voluer au l de laccroissement de la demande quil doit acheminer dun point un autre. Son volution se fera aussi en fonction de lobsolescence des quipements qui le constituent, mais surtout au rythme des dcisions stratgiques de loprateur qui lexploite. Ces dcisions stratgiques impliquent la plupart du temps des investissements. A ce titre, elles doivent tre judicieusement prises. Toutefois, leur dpendance plusieurs lments, parfois contradictoires, parfois trs corrls, rend ces choix stratgiques dvolution extrmement complexes. Soit un rseau existant, schmatis la gure 11.1 en gras, et considrons quune extension de ce rseau soit envisage au sud-est de celui-ci (extension modlise en traits ns). Avant den arriver une telle dcision, de nombreuses tudes ont d tre menes an de caractriser la zone gographique que lon souhaite dvelopper (limitation de la zone, clients potentiels sur la zone, infrastructures existantes sur la zone, situation conomique de la zone, etc.), de dterminer les points stratgiques (par leur concentration de clients et/ou les infrastructures dj existantes, etc.), de dterminer les liens les plus intressants ou faciles ouvrir entre ces nuds, de caractriser les fournisseurs prsents sur le march (type dquipements quils proposent, leur adquation avec le rseau existant, dlais de livraisons, cots, etc.), etc. Ce problme est donc extrmement complexe, et de nombreuses tudes conomiques dbutent sa rsolution. Le problme multicritre prsent ici concerne une partie de ce problme global. Cette tude vise dimensionner lextension du rseau propose : quels sont les investissements les plus rentables, en termes de cot et de disponibilit du rseau, permettant malgr tout au rseau dacheminer toutes les demandes dune matrice de demandes cible ?
1 Ce chapitre a t rdig par C. Decouchon-Brochet, France Tlcom - Recherche et Dveloppement, (camille.decouchonbrochet@francetelecom.com)

233

Chapitre 11. Etude de cas n2 : tude de lextension dun rseau tlcoms

F IG . 11.1 Rseau existant et extension envisage.

11.1

Rseau

Un rseau est modlis par un graphe G non orient, dont les lments x sont les nuds (x N ) et les arcs (x A). Chacun de ces lments est caractris par sa capacit cx et son cot dinstallation C (x, cx ). La fonctionnalit du rseau tant de faire transiter de linformation, les caractristiques de ces informations doivent tre spcies. Ces caractristiques sont spcies sous forme dun ensemble de demandes (matrice de demandes) correspondant chacune une certaine quantit devant tre achemine dun nud origine vers une destination (le routage). Nous considrons que ces demandes ne sont pas concatnes, cest--dire quelles peuvent tre scables et donc transmises de lorigine la destination par plusieurs chemins. Dautre part, les arcs sont bidirectionnels, cest--dire quils peuvent faire transiter de linformation indiffremment dans un sens ou un autre.

11.2
11.2.1

Critres de choix
Paramtres permettant la modlisation de la disponibilit

La disponibilit dun rseau est caractrise par son aptitude faire face aux uctuations des demandes qui doivent y transiter. Autrement dit, si une partie de la demande est non route, la disponibilit du rseau sen voit dgrade. Par exemple : La non-scurisation de tout ou partie du rseau diminue le taux de disponibilit, puisque les cas de panne ne sont pas envisags. Le non-surdimensionnement du rseau rduit sa disponibilit, puisquil ne pourra pas faire face un ventuel accroissement de la demande. 234

11.2 Critres de choix Dans ltude que nous prsentons ici, la scurisation du rseau, ou des demandes plus prcisment, va tre tudie en garantissant en permanence, pour chacune delles, deux chemins disjoints, en termes darcs et de nuds, de capacit sufsante sur le rseau. Ceci permettra ainsi de faire face aux occurrences de pannes. Le paramtre qui va modliser la disponibilit est le taux de demandes scurises : T . Ainsi plus la valeur de ce paramtre se rapprochera de 1, plus la disponibilit du rseau sera considre comme satisfaisante.

11.2.2

Lien entre la disponibilit et le cot

Bien entendu, la considration de tous ces points garantissant une bonne disponibilit du rseau est limite par le cot que leur mise en place implique. Si deux chemins disjoints sont garantis pour chaque demande, cela implique un surdimensionnement du rseau qui sera forcment coteux. A linverse, rduire la disponibilit offerte par le rseau permettrait davoir un cot en infrastructures du rseau qui soit plus faible. De manire gnrale, le problme de la disponibilit consiste donc trouver un compromis entre le cot global dinvestissement et la disponibilit du rseau rsultant, et chercher sil est intressant de payer le prix fort en investissement pour garantir une disponibilit extrmement leve, ou sil ne vaut pas mieux payer des pnalits en cas dincident qui saturerait le rseau, en des points o la disponibilit est normalement garantie. Dans le paragraphe qui suit, nous dcrivons les cots intervenant dans cette tude.

11.2.3

Cots

Les cots apparaissant dans ltude du dploiement dun rseau peuvent tre classs en trois parties. 11.2.3.1 Les cots dinvestissement

Ce sont les cots lis aux travaux dinfrastructure du rseau, sachant que ces travaux peuvent tre de types diffrents : ajout dun arc ; ajout dun nud ; modication dun arc (extension de la capacit de larc, etc.) ; modication dun nud (changement dquipement en ce nud pour des quipements de nouvelle gnration, etc.) ; etc. Pour toutes ces modications possibles, il existe plusieurs sortes de cots : le cot li aux tudes pralables ; le cot dachat des quipements ; le cot des travaux dinstallation (cot li lactivit humaine). 11.2.3.2 Les cots de maintenance/gestion

Ces cots sont ceux qui permettent de faire vivre le rseau. Il sagit : du cot de ramnagement de rseau (permettant par exemple de mettre jour les routages obsoltes du fait de lvolution du rseau) ; du cot de maintenance prventive ; du cot de maintenance curative : diagnostic ; 235

Chapitre 11. Etude de cas n2 : tude de lextension dun rseau tlcoms rparation. L aussi, ces cots sont composs de cots dachat dquipements et de cots dactivit humaine. 11.2.3.3 Les cots lis lactivit conomique du rseau (rentabilit, pnalits)

Ce cot regroupe les diffrents cots lis lactivit conomique du rseau. Lextension du rseau ncessite des cots dinvestissement, mais elle permettra, en outre, au rseau de router de nouvelles demandes (ayant dautres origines et/ou destinations) et donc de servir de nouveaux clients. Des bnces peuvent donc apparatre ce niveau l. Ces bnces peuvent cependant tre diminus par des cots de pnalits provenant dune mauvaise qualit de service un moment donn (disponibilit garantie non tenue, etc.).

11.3
11.3.1

Etude dune extension du rseau


Problmatique

Comme nous lavons vu au dbut de cet exemple, loprateur souhaite tendre le rseau quil exploite sur une zone voisine. Le sous-rseau correspondant cette extension est reprsent la gure 11.2. Les nuds de ce sous-rseau crer sont connus. Des liens sont proposs. Il sagit de dterminer si ces liens doivent tre mis en service, et dans lafrmative, avec quelle capacit. Bien entendu, la mise en service de chaque lien a un cot qui crot avec sa capacit. Do la dnition dune matrice contenant le cot de mise en service dun arc a de capacit ca : C (ca ). Les cots lis lactivit du rseau ayant t valus et additionns au cot dinvestissement, le tout ramen chaque arc.

11.3.2
11.3.2.1

Modlisation
Variables

Les variables considrer sont donc : la valeur de la capacit de chaque arc a : ca ; le cot de mise en service dun arc a, de capacit ca : C (ca ) ; le paramtre qui caractrise la disponibilit du rseau : T . On notera CT le cot total dinvestissement, gal la somme des cots des arcs installs. CT = C (ci )
i=1 Na

(11.1)

i dsignant les arcs, et Na tant le nombre darcs du rseau dextension. 11.3.2.2 Critres

Le problme consiste donc dterminer la combinaison optimale des capacits (variables ci , i [1, Na ]) placer sur les arcs en optimisant au mieux deux paramtres de ce sous-rseau : le cot total engendr par la mise en place de son infrastructure ; et un paramtre caractrisant la disponibilit du rseau ainsi dni. 236

11.3 Etude dune extension du rseau minci CT maxci T 11.3.2.3 Contraintes

Cette dtermination des liens mettre en service doit tre faite en respectant des contraintes : le cot total dinvestissement sur le rseau doit tre infrieur un seuil maximal : CT < Cseuil pour les routages, les capacits des liens sont limites ; le monoroutage de toutes les demandes doit tre au minimum garanti ; la valeur minimale du paramtre caractrisant la disponibilit du rseau est impose : 0.5.

11.3.3
11.3.3.1

Donnes ncessaires
Infrastructure ge du rseau

Linfrastructure dure de lextension du rseau doit tre connue. Dans notre cas : le nombre de nuds est 10 ; le nombre darcs potentiels est 15 ; les caractristiques (position et lien) de chacun de ces lments sont dcrites plus loin. Sur le graphe de la gure 11.2 les nuds sont identis avec des lettres et les arcs sont numrots (de 0 14).

F A 5 6 G 7 4 14 12 3 C 1 D 10 H 8 I 11 9 J
F IG . 11.2 Sous-rseau crer.

0 B 13 2 E

11.3.3.2

Infrastructure variable du rseau

Les arcs pourront avoir quatre capacits : 0 si larc est inutile ;

237

Chapitre 11. Etude de cas n2 : tude de lextension dun rseau tlcoms 16 en unit 155 Mbit/s ; 32 en unit 155 Mbit/s ; 48 en unit 155 Mbit/s. 11.3.3.3 Matrice de demandes

La matrice de demandes router sur ce nouveau sous-rseau doit galement tre connue. Nous considrons quinze demandes reprsentes dans le tableau 11.1.
Code de la demande 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 Origine G G A B B B F B G A J E E E E Destination J C I J H I D G A C A H I F C Quantit (en unit 155 Mbit/s) 4 8 12 16 4 4 4 8 4 16 12 4 8 4 12

TAB . 11.1 Matrice de demandes router.

11.4

Mthodologie de rsolution

Le type de problme prsent ici est un problme doptimisation multicritre, puisque plusieurs critres doivent tre optimiss simultanment. La difcult principale dun tel problme provient des contradictions entre les diffrents critres. En effet, dans des cas concrets, il est trs rare de trouver une solution qui optimise tous les critres simultanment. Il faut donc trouver un compromis entre ces diffrents critres, sachant quil nexiste pas un seul compromis pour un problme donn, mais plusieurs compromis et que ce nombre de compromis crot avec le nombre de critres. Cette complexit est notamment due : limportante combinatoire des problmes de dimensionnement de rseaux ; au fait quil existe beaucoup de solutions quasi optimales au sens dun seul critre, ce qui implique un nombre important de compromis. Lobjectif donc, lorsquon rsout un tel problme, est de trouver un ensemble de solutions non domines, qui sera ensuite propos au dcideur nal, an que celui-ci tablisse son choix. Notre problme peut tre rsolu par un algorithme volutionnaire dont lossature est dcrite la gure 11.3. Cet algorithme permettra dextraire les solutions correspondant aux compromis les plus intressants. Ce sera ensuite lutilisateur de choisir, parmi ces solutions mises en avant, celle qui lui parat la meilleure.

238

11.4 Mthodologie de rsolution

11.4.1

Dnition dune solution admissible

Une solution admissible sera une combinaison des capacits placer sur chaque arc {ci | i [1, Na ]} qui permettra linfrastructure ainsi dnie de respecter les contraintes.

11.4.2

Algorithme

Rappelons que lorganigramme gnral dun algorithme gntique est celui reprsent la gure 11.3.
Initialisation Evaluation

Population Slection
^ ? Arret

Solution

Reproduction

F IG . 11.3 Organigramme gnral dun algorithme gntique.

11.4.2.1

Initialisation 1 : codage

La phase dinitialisation comprend une technique de codage des solutions. Le codage dni ici est trs simple puisquil est bas sur lindexation des ensembles de modications potentielles du rseau. Une variable par lment nouveau est cre, et la valeur de cette variable prcisera quelle capacit est placer sur llment correspondant. Nous avons vu que quinze arcs pourront tre ajouts au rseau existant pour former le sous-rseau que lon cherche crer. Le codage sera donc compos de quinze variables (dans lordre de numrotation des arcs). Chacune de ces variables sera : nulle si larc associ nest pas cr ; gale 1 si larc associ a une capacit (en unit 155 Mbit/s) de 16 ; gale 2 si larc associ a une capacit (en unit 155 Mbit/s) de 32 ; gale 3 si larc associ a une capacit (en unit 155 Mbit/s) de 48. Il existe donc 415 = 1 073 741 824 combinaisons possibles de liens ouvrir, pour un si petit nombre darcs placer ! 11.4.2.2 Initialisation 2 : gnration dune solution initiale

La premire phase de linitialisation est suivie de la cration dune population initiale. La seule contrainte concernant cette population initiale est quelle appartienne au domaine des solutions admissibles. 11.4.2.3 Evaluation 1 : calcul de la solution courante

Lvaluation de la solution va consister dune part vrier que la solution courante est admissible, et dautre part trouver la valeur des diffrents critres que lon cherche optimiser. 239

Chapitre 11. Etude de cas n2 : tude de lextension dun rseau tlcoms Pour vrier que la solution courante est admissible, on va chercher router, sur le rseau constitu des arcs et capacits de la solution courante, les demandes fournies en entre. Cela implique donc, chaque phase dvaluation de lalgorithme, un routage de plus court chemin de toute la demande. Ce calcul de routage ne sera pas ngligeable dans lefcacit de lalgorithme puisque, par exemple, pour la demande numro deux entre A et I, et si tous les arcs sont installs, il existe six routages ayant un nombre de liens minimal (quatre liens). Ces routages sont reprsents la gure 11.4.
F A G A F G

F A

B E

H B E
I

H B

D C

I C J

E D

(a) AB+BC+CD+DI
F A G
A

(b) AB+BE+ED+DI
F G A

(c) AB+BE+EH+HI

H B
B

H B E C

E D C J

I
D

I C J

(d) AF+FE+EH+HI

(e) AF+FE+ED+DI

(f) AF+FG+GH+HI

F IG . 11.4 Routages de plus court chemin (en nombre de liens) pour une demande entre A et I. Remarque : ce routage peut tre un routage bicritre qui cherche privilgier les chemins de plus bref dlai et de meilleure qualit. Concernant lvaluation des critres, il faudra calculer : le cot total dinvestissement li la solution courante, la valeur du paramtre reprsentant la disponibilit du rseau. Cette seconde valuation implique que, lors des dterminations de routage de plus court chemin prcites concernant toute la demande, il faudra chercher plus prcisment, pour chaque demande, lexistence dun biroutage sur chemins disjoints (en termes de nuds et darcs), an de vrier la disponibilit du rseau correspondant la solution courante. Si lon considre nouveau la demande numro deux entre A et I, les deux chemins disjoints pourront tre AB+BC+CD+DI et AF+FG+GH+HI. Ceux-ci sont reprsents la gure 11.5.

240

11.4 Mthodologie de rsolution

B H E C D I

F IG . 11.5 Exemple de biroutage entre A et I. Remarque : Si seuls ces arcs (les huit arcs du biroutage prcit) constituaient la solution courante, alors cela correspondrait lajout de huit arcs de capacit 16, les autres tant inutiles. Le codage serait donc : 1 1 1 0 0 1 1 1 1 0 0 1 0 0 0. An dviter une numration exhaustive de tous les biroutages possibles de chaque demande, une heuristique de biroutage de chemins disjoints a t cre. Cette heuristique doit tre sufsamment efcace, puisque lalgorithme global sappuie sur les rsultats quelle fournit. Dautre part, pour ne pas chercher systmatiquement les biroutages, ceux qui ont dj t calculs pour un individu donn sont sauvegards au fur et mesure dans un dictionnaire. 11.4.2.4 Evaluation 2 : situation de cette solution par rapport au front de Pareto courant

Dans une utilisation multicritre, un individu est dautant plus performant que le nombre dalternatives qui le dominent est faible. En pratique, on value ce nombre sur un ensemble dalternatives spciques, puisquil nest pas possible de le connatre exactement. Il est frquent dutiliser pour cela la population courante de lalgorithme. Dans notre cas, nous avons repris la fonction dvaluation propose dans [Fleming 93] qui est la plus conomique en temps de calcul (tri complet en O n2 ). Lvaluation dun individu est donc effectue de la manire suivante : comparaison de tous les individus entre eux, en sauvegardant le nombre dindividus qui les dominent ; renvoi de ces valeurs, la valeur maximale tant attribue aux individus non domins ; mise lchelle pour obtenir la tness nale des individus. Par le fait que cette valuation utilise la population courante, les valeurs de performance des individus varient au cours de lalgorithme, ce qui est un inconvnient gnral, mais incontournable, de ce genre de mthodes.

241

Chapitre 11. Etude de cas n2 : tude de lextension dun rseau tlcoms 11.4.2.5 Slection

Cette phase dtermine la manire dont sont slectionns les individus qui engendreront la gnration suivante. En gnral, il est prfrable de favoriser les individus les plus performants aux dpens des autres. Dans cette optique, plusieurs tudes rcentes [Deb et al. 00c] ont montr limportance de dnir une slection litiste. Nous nous sommes appuys sur ce principe en crant une population archive regroupant les solutions non domines. Cette population est mise jour au cours de chaque gnration et cest en son sein que nous effectuons une slection alatoire. 11.4.2.6 Reproduction

A partir de la slection effectue, la reproduction peut se drouler. Nous avons utilis les deux types classiques doprateurs lmentaires : un oprateur agissant sur un seul individu : mutation ; un oprateur binaire : croisement ou crossover. Lalgorithme doit effectuer un chantillonnage sufsamment large et rgulier du front de Pareto. Pour ce faire, les oprateurs dnis prcdemment ont t associs non seulement une opration doptimisation visant amliorer la valeur de lindividu pour un critre donn, mais galement une opration de diversication (voir gure 11.6) : Opration doptimisation : cette premire opration est semblable une mthode alatoire doptimisation locale. Seules des mutations remplissent ce rle dans notre algorithme, et une mutation par critre a t dnie : Une premire mutation amliore la valeur du premier critre (cot total engendr par la mise en place de son infrastructure) en diminuant les indices de modication des gnes, puisque plus ces indices sont faibles, plus la capacit des arcs associs est faible, et donc plus le cot dinfrastructure sera faible. La seconde mutation tend amliorer la disponibilit du rseau en ajoutant des chemins de routage et en augmentant la capacit des arcs saturs. Comme les critres quelles tentent doptimiser, ces mutations ont des effets contradictoires. Opration de diversication : lobjectif de cette opration est dlargir et dchantillonner le plus rgulirement possible le front de Pareto. Pour ce faire, les mutations dnies ci-dessus sont ncessaires. Mais, an que lalgorithme ne converge pas trop tt, un oprateur de perturbation alatoire et de croisement a t dni. Le mcanisme dutilisation de ces oprateurs et oprations est le suivant : slection des parents ; choix alatoire dutilisation ou non de loprateur de croisement ; choix alatoire dutilisation ou non dune mutation : si oui, slection alatoire de la mutation ; si aucun oprateur na t dclench, un des deux individus est choisi alatoirement. Remarque : les choix alatoires dutilisation ou non de loprateur de croisement et dutilisation ou non dune mutation sont respectivement lis une probabilit de croisement et une probabilit de mutation prdnies. 11.4.2.7 Critre darrt

Notre critre darrt est compos de deux critres : un premier critre concernant la taille du domaine explor ; un second critre bas sur la qualit de la solution courante. 242

11.4 Mthodologie de rsolution

Fr o
Optimisation
Di ve rsi fic a

nt

de

Pa

re

to

tio n

Optimisation
F IG . 11.6 Diffrents oprateurs de reproduction. 11.4.2.8 Algorithme global

Lalgorithme global utilis est donc celui de la gure 11.7. Dans cette gure, le terme dominateur dsigne une solution non domine.
Initialisation en deux temps

Population courante

Mise jour des solutions non domines

Evaluation: calcul du routage calcul des critres calcul du nombre de dominateurs calcul de la fitness finale

Mise jour

Slection Slection litiste Modification des probabilits

Reproduction: diversification optimisation locale

Mise jour des statistiques

^ Arret ? oui Solution

non

F IG . 11.7 Organigramme de lalgorithme gntique utilis.

243

Chapitre 11. Etude de cas n2 : tude de lextension dun rseau tlcoms

11.5

Rsultats

Quels sont donc les arcs et les capacits de ces arcs qui permettront au rseau doffrir une bonne disponibilit au moindre cot ? Les solutions de Pareto obtenues pour ce problme sont au nombre de vingt et un. Elles sont reportes dans le tableau 11.2. Codage 232211111121112 232212111121112 232212122111112 232212112121112 232212111121113 222222013121122 232212122121112 232212212121112 232212222121112 232312222121112 232212222121113 232222222121113 232232222121113 232223222121113 232322222121113 232322222221113 232223223221113 232323222221113 232233223121113 232233223221113 232223223221313 Cot 48944 51072 53056 53184 53776 54336 55104 55264 57184 59872 59888 61680 63472 63808 64368 65488 67040 67616 67712 68832 71872 Disponibilit 0 0,1 0,133 0,17 0,23 0,29 0,31 0,37 0,57 0,74 0,77 0,81 0,83 0,84 0,86 0,88 0,89 0,9 0,92 0,93 0,96

TAB . 11.2 Solutions efcaces obtenues. On constate logiquement que plus le taux reprsentant la disponibilit augmente et plus le cot augmente aussi. Les huit premires solutions ne sont pas admissibles puisque le taux caractrisant la disponibilit du rseau y est infrieur 0.5. Les solutions Pareto-optimales traiter par lutilisateur nal sont donc au nombre de treize. On peut constater galement que certains arcs sont trs exploits, comme les arcs 1, 3, 5, 8 et 14. Dautres arcs, comme les numros 9, 11, 12 et 13, sont moins utiliss. Ces rsultats sont reports sur le schma de la gure 11.8. Le front de Pareto apparat de manire agrante sur ce graphique. La partie grise du graphique recouvre les solutions non admissibles, puisque le coefcient caractrisant la disponibilit du rseau y est infrieur 0.5.

11.6

Conclusion

Lalgorithme utilis fournit donc de manire assez rapide un front de Pareto sufsamment diversi et continu. Cet algorithme peut galement traiter un troisime critre, correspondant

244

11.6 Conclusion

Front de Pareto
1

Paramtre de disponibilit

0.5

0000000000000000000000000000 1111111111111111111111111111 0000000000000000000000000000 1111111111111111111111111111 0000000000000000000000000000 1111111111111111111111111111 0000000000000000000000000000 1111111111111111111111111111 0000000000000000000000000000 1111111111111111111111111111 0000000000000000000000000000 1111111111111111111111111111 0000000000000000000000000000 1111111111111111111111111111 0000000000000000000000000000 1111111111111111111111111111 0000000000000000000000000000 1111111111111111111111111111 0000000000000000000000000000 1111111111111111111111111111 0000000000000000000000000000 1111111111111111111111111111 0000000000000000000000000000 1111111111111111111111111111 0000000000000000000000000000 1111111111111111111111111111 0000000000000000000000000000 1111111111111111111111111111 0000000000000000000000000000 1111111111111111111111111111 0000000000000000000000000000 1111111111111111111111111111 0000000000000000000000000000 1111111111111111111111111111 0000000000000000000000000000 1111111111111111111111111111 0000000000000000000000000000 1111111111111111111111111111 0000000000000000000000000000 1111111111111111111111111111 1111111111111111111111111111 0 0000000000000000000000000000 0000000000000000000000000000 1111111111111111111111111111 50 000 60 000 70 000
Cot

F IG . 11.8 Ensemble de solutions efcaces. la rentabilit de cette extension du rseau. Ce troisime critre aurait t un cot mais qui naurait pas forcment volu de la mme manire que notre premier critre, qui est le cot dinvestissement. Bien entendu, la problmatique oprationnelle est plus riche que la complexit explique par le modle prsent ici. En effet, une multitude de critres intervient dans la rexion du dcideur : le dlai de mise en service du rseau, etc. Dautres critres peuvent, linverse de ceux prsents ici, tre non quantiables mais qualitatifs. Il peut sagir par exemple de critres stratgiques, en rapport avec la concurrence, ou de critres politiques. Toutefois, une approche frontale et globale nest pas raliste. Le rle de lexpertise rseau consiste en fait dnir des sous-problmes algorithmiquement envisageables et sufsamment signicatifs, qui apporteront une aide aux dcideurs. Lapproche prsente ici est donc une facette du soutien possible aux dcideurs.

245

Chapitre 12

Etude de cas n3 : outils dcisionnels multicritres pour le traitement des appels doffres1
12.1 Introduction

EADS LAUNCH VEHICLES (EADS LV), liale 100 % du groupe EADS (European Aeronautic Defence and Space Company) issu de la fusion le 10 juillet 2000 de Daimler Chrysler Aerospace AG (DASA), de Construcciones Aeronauticas (CASA) et de Arospatiale Matra, utilise depuis le 1er janvier 1996 de faon oprationnelle un modle dcisionnel multicritre fond sur la mthode Electre Tri pour rpondre ou non aux appels doffres. Ce modle, qui sert galement pour dcider de faire ou non des offres commerciales spontanes, amne consigner les rsultats commerciaux dans une base de donnes. EADS LV fait plusieurs centaines doffres commerciales chaque anne. Celles-ci sont faites soit de faon non sollicite, soit dans le cadre dappels doffres ou de consultations ofcielles. Depuis la cration dun modle de premire gnration neuf critres en 1996, de frquentes modications ont t ralises. Elles ont amen en 2001 une refonte intgrale du modle, qui ntait possible quavec lexprience dune premire priode et en particulier lacquisition de donnes. An de prendre en compte la varit des offres commerciales de produits ou de services, le modle de deuxime gnration cinq critres a conduit une famille de modles afns sur mesure. Les modles de premire et deuxime gnration sont prsents succinctement dans les paragraphes suivants. Pour des raisons videntes de condentialit, les valeurs numriques, ainsi que les graphiques, ont t volontairement voils ou modis.

12.2
12.2.1

Modle de premire gnration


Mission du modle

Le premier modle daide la dcision tait construit sur la problmatique suivante : Faut-il ou non rpondre cet appel doffres ? Il a t rapidement gnralis la question : Faut-il faire ou non une offre pour cette affaire nouvelle ?
1 Ce

chapitre a t rdig par J.-M. Contant, J.-L. Bussire, G. Piffaretti, EADS Launch Vehicles.

247

Chapitre 12. Etude de cas n3 : outils dcisionnels multicritres . . . Accepter une affaire nouvelle signie autoriser une quipe mettrice dune che daffaire nouvelle (FAN) consacrer du temps pour laborer une offre commerciale dtaille. Ceci entrane bien videmment un cot qui sera rintgr dans le contrat en cas de succs et imput en pertes et prots en cas dchec. Refuser laffaire signie ne pas engager le travail ni mettre loffre commerciale concernant cette affaire. Une allocation budgtaire est gnralement demande pour chaque FAN. Elle est accorde entirement ou partiellement. Cette situation illustre bien le dilemme du manager qui peut, par un choix plus ou moins judicieux, gagner ou perdre beaucoup dargent (sur un budget annuel de lordre de 2 ou 3 M= C, la pertinence des dcisions joue sur 0.5 1 M= C). Vue de lquipe interne lentreprise et mettrice de FAN, la problmatique est bien diffrente. Les collaborateurs sont le plus souvent en situation de juge et partie, cherchant gnralement obtenir par tous les moyens lautorisation dmettre loffre et de collecter les budgets associs. Le modle daide la dcision retenu utilise la problmatique du tri2 . La rponse se fait en attribuant chaque affaire nouvelle lune des quatre classes suivantes : C1 : Non ; C2 : Dubitatif non ; C3 : Dubitatif oui ; C4 : Oui. Les affaires nouvelles ne sont pas juges les unes par rapport aux autres, mais values indpendamment les unes des autres. Lassociation dune catgorie une affaire donne une indication dans labsolu sur lintrt de laffaire nouvelle. La problmatique du tri est donc bien adapte ici puisque les offres commerciales arrivent dans un ordre quelconque et indpendamment les unes des autres. Les problmatiques du classement et de la slection ne permettraient pas ici de donner de rponse utile, car la comparaison des offres serait impossible et inutile.

12.2.2

Les critres du modle de premire gnration

Pendant de nombreuses annes, les dcisions de faire ou non des offres commerciales se prenaient localement de manire empirique et intuitive. Il tait par ailleurs trs difcile de consigner les donnes et rsultats. En effet, en cas de succs, lquipe tait absorbe par les tches nouvelles et, en cas dchec, peu porte faire de la publicit sur le sujet. Un comit dcideur des affaires nouvelles fut ensuite cr, mais il contrlait seulement 50 % des offres, le reste tant dcid localement sans en rfrer au comit. Une des consquences fut dignorer longtemps le volume budgtaire exact de cette activit. La validation du premier modle a t faite en 1995, partir dun chantillon de onze offres commerciales typologiques caractrisant les quatre classes : Oui, Oui dubitatif, Non dubitatif, Non. Le modle, mis en uvre en 1996, tait fond sur neuf critres, rpartis en trois familles, qualiant les dimensions suivantes : probabilit de remporter laffaire ; intrt stratgique de laffaire ; intrt conomique de laffaire.
2 La problmatique du tri : La problmatique du tri consiste affecter chacune des actions une catgorie en examinant la valeur intrinsque de laction. Les catgories sont dtermines indpendamment des actions affecter. Rappel : Relation de surclassement (Roy, 1974) : Une relation de surclassement est une relation binaire S dnie dans lensemble A des actions, telle que, aSb si, tant donn la qualit des valuations des actions et la nature du problme, il y a sufsamment darguments pour admettre que laction a est au moins aussi bonne que laction b, sans quil y ait de raison importante de refuser cette afrmation.

248

12.2 Modle de premire gnration Famille n1 : Probabilit de gagner lappel doffres Critre 1 : Nature du contact avec le client. Il correspond la prise en compte des relations existantes, ou non, avec les clients qui mettent les appels doffres. Lchelle de graduation tait la suivante :
Mauvaise relation 0 Inconnu 2 Mal connu 3.5 Connu 6 Bonne relation 7 Excellente 8.5

Critre 2 : Comptence EADS LV et partenaires associs. Cest la combinaison de la capacit technique de base par rapport aux concurrents pour raliser le produit et de la capacit lappliquer dans le domaine considr. Lchelle de graduation tait la suivante :
Insufsante 0 Fragile 2.5 Rcente 5 Correcte 7.5 Assez bonne 11 Forte 12 Leader 16

Critre 3 : Comptitivit du prix EADS LV par rapport au prix du march. Pour avoir une chance de gagner lappel doffres, EADS LV doit vendre un prix comptitif. Lchelle retenue tait continue et variait de 0 2. Famille n2 : Intrt stratgique Critre 4 : Crdibilit de lappel doffres. Ce critre doit permettre de dtecter les appels doffres douteux, pour lesquels EADS LV na aucune chance de lemporter. Lchelle de graduation tait la suivante :
Trs peu crdible 0 Peu crdible 2 Douteux 3.5 Sans avis 5.5 Crdible 7.5 Trs crdible 9.5

Critre 5 : Volont stratgique. Il sagit de la volont stratgique pour une affaire donne, issue du plan stratgique de lentreprise. Cette volont est galement en phase avec les investissements R&D. Lchelle de graduation tait la suivante :
Exclu 0 Trs faible 6 Faible 7 Moyen 9.5 Fort 10.5 Trs fort 11 Obligatoire 14

Critre 6 : Disponibilit des quipes. Ce critre prend en compte la planication de lactivit technique et commerciale dEADS LV an dviter les situations de crise dues aux surcharges momentanes. Lchelle de graduation tait la suivante :
Indisponible 0 En suractivit 3.5 Trs charg 6.5 Charg 10 Disponible 12 En sous-activit 14

249

Chapitre 12. Etude de cas n3 : outils dcisionnels multicritres . . . Famille n3 : Intrt conomique Critre 7 : Effort de recherche autonance et dinvestissement. Ce critre prend en compte les ventuels besoins en conancement exigs par le client. Lchelle tait continue et variait de 0 1.5 M= C. Critre 8 : Effort EADS LV. Il sagit du ratio de la dotation demande sur le chiffre daffaires HT prvu, destin renseigner et limiter les sommes mises en jeu pour nancer la prparation de loffre par rapport aux montants de gains esprs en cas de succs. Lchelle tait continue et variait de 40 % 0 %. Critre 9 : Charges espres en tude et en production. Ce critre, qui reprsente les charges potentielles pouvant tre gnres en cas de succs, est destin favoriser le plein usage de loutil de production. En consquence, il favorise les grosses affaires. Lchelle variait de 0 530 000 heures.

12.2.3

Evolution du modle de premire gnration

Pendant deux annes, sachant que les appels doffres ntaient pas encore tous pris en compte, le comit a trait : en 1996, 104 offres commerciales ; en 1997, 96 offres commerciales. Il est utile de rappeler quEADS LV peut se trouver dans deux situations pour un appel doffres, soit en comptition, soit en gr gr : en comptition, EADS rpond un appel doffres ouvert la concurrence ; en gr gr, EADS rpond un appel doffres en tant que client unique, ce qui ne signie pas pour autant que laffaire soit gagne davance. En effet, dans ce dernier cas, lentreprise doit se battre pour tenir dans le budget du client ou le prix du march. Au bout de deux ans de fonctionnement, une tude de performance fut conduite pour corrler les prdictions avec les rsultats (succs ou checs) : le taux derreur sur la prdiction des oui tait de 65 % ; le taux derreur sur la prdiction des non tait de 15 %. A cette poque, les bons critres entrant dans la dcision ntaient pas forcment imaginables, et dautres taient difcilement rglables, car il fallait avoir du recul et de lexprience pour les ajuster. Par exemple, un veto mrement rchi sur le critre Effort de recherche autonance entranait le refus des actions demandant un conancement de recherche suprieur 500 k= C, alors que le comit, en contradiction avec lui mme, a retenu et gagn des actions demandant un conancement suprieur 1 M= C. Pour clarier cela, une tude de sensibilit sur les donnes cumules 1996-1997 fut alors effectue, en faisant varier uniquement les prols des actions de rfrence. Cinq scnarios ont t envisags, parmi lesquels le scnario optimal retenu, qui devait nous conduire un taux derreur de 15 % sur la prdiction des oui ayant une issue favorable (conomie potentielle de 0.5 M= C). A partir de janvier 1998, le nouveau rglage tait oprationnel. Ds 1999, le comit dcideur voit ses pouvoirs considrablement renforcs. Il devient le comit des affaires nouvelles (CAN). Il garde un fonctionnement hebdomadaire et dnit une nouvelle che daffaire nouvelle (FAN) sur tableur Excel, pour mieux caractriser les actions candidates. Au demeurant, cette nouvelle FAN sert galement de che de suivi tout au long de la prparation de loffre et permet de corrler les hypothses retenues au moment du choix avec les paramtres de loffre nale envoye au client. Le nouveau comit limine 250

12.3 Comprendre les insufsances du modle de premire gnration les dysfonctionnements en contrlant strictement le budget de dotation (1.5 M= C) et examine 90 % des offres courantes en 1999, puis 100 % en 2000. Les trs petites affaires et les trs grosses ne sont pas traites par ce comit. En 2000, une tude de performance tale sur une dure de sept mois est entreprise. Un travail considrable est effectu sur les donnes an de dgager un ensemble dactions avec des indicateurs ables. Le retour dinformation sur les succs - checs est laborieux. Il permet cependant de fournir des ratios prcieux sur les performances commerciales de lentreprise, qui sont prsents la direction de lentreprise. Les mthodes et logiciels daide la dcision existent et peuvent tre facilement mis en uvre. Mais, aprs plus de cinq annes dexprience, la remise en cause du choix des critres par rapport leur pertinence de slectivit et la modlisation ne de ces critres apparaissent comme le point le plus essentiel dans laide la dcision. Au stade initial, sans donnes quantitatives historiques, la slection des critres est normative, fortement dpendante de la culture des intervenants. Cela constitue donc un modle de premire gnration, qui ne peut tre quun exercice intellectuel purement cartsien, cherchant comment dcouper le problme en composantes cohrentes ou en critres. En revanche, la pratique dun modle de premire gnration amne graduellement de la rigueur dans lvaluation et une slectivit des offres renforce. Le gain de slectivit constat entre 1997 et 1998 (30 %) a engendr une conomie de 500 k= C sur le budget de dotation. Le but terme tant dconomiser bien plus.

12.3

Comprendre les insufsances du modle de premire gnration

De nombreux critres supposs importants se sont avrs non discriminants pour les raisons suivantes : les critres invriables autorisaient les notations plaidoyer et connaient plus lenqute socio-culturelle qu la ralit de la comptition ; les acteurs par nature ne voulaient pas laisser chapper une affaire ; la routine induisait des dcisions rptitives peu rchies. Durant cette priode, le primtre et la nature de lentreprise volurent de manire considrable : vente de ltablissement Arospatiale de Cannes (Satellites) Alcatel en 1999 ; privatisation et entre en bourse mi-1999 ; fusion Arospatiale Matra mi-1999 ; fusion Arospatiale Matra, DASA (Allemagne) et CASA (Espagne) en juillet 2001. Ces modications ont engendr des perturbations importantes dans la base de donnes des affaires et ont amen abandonner les affaires 1996-1997 dans les chantillons de rglage du modle. An de mieux comprendre les insufsances du modle de premire gnration, ltude suivante a rvl plusieurs types de dysfonctionnements : des critres qui savrent non discriminants et donc ne servent jamais dans la dcision ; des critres inoprants de par la mthode de notation et donc sans effet sur la dcision. Ils doivent tre corrigs ou supprims ; des critres qui sont, en fait, des contraintes et sont donc toujours satisfaits.

251

Chapitre 12. Etude de cas n3 : outils dcisionnels multicritres . . .

12.3.1

Exemples de critres non discriminants

Nature du contact avec le client (critre 1) En ce qui concerne la notation des affaires depuis 1996, le graphe suivant illustre la mauvaise rpartition des scores enregistrs :
Positionnement des FAN par anne
160 140

Nombre de FAN

120 100 80 60 40 20 0 0 2 3 ,5 6 7 8 ,5

1996 1997 1998 1999 2000

Notation Critre 1

F IG . 12.1 Nature du contact avec le client. La relation avec le client semble tre le plus souvent bonne (voir gure 12.1), la note la plus souvent attribue tant la note 7, mais ce nest pas une raison sufsante, en temps de crise, pour que le client accorde un traitement privilgi aux offres commerciales EADS LV (voir gure 12.2).

Autres 24%

Excellente 8%

Bonne 68%
F IG . 12.2 Nombre daffaires perdues en fonction du type de relation avec les clients.

252

12.3 Comprendre les insufsances du modle de premire gnration Crdibilit de lappel doffres (critre 4) La situation pour le critre 4 crdibilit de lappel doffres est identique celle du critre prcdent. Lentreprise, dont le portefeuille de clients est trs stable, na jamais rencontr dappels doffres douteux en six ans. Disponibilit des quipes (critre 6) Le plan de charge prvisionnel des quipes techniques et commerciales fournit, en thorie, linformation ncessaire la notation. La distribution de la notation depuis 1996 sur ce critre, reprsente la gure 12.3, montre la difcult de procder cette valuation.
Positionnement des FAN par anne
160 140 120 100 80 60 40 20
0

Nombre de FAN

1996 1997 1998 1999 2000

3 ,5

6 ,5

10

12

14

16

Notation Critre 6

F IG . 12.3 Frquence des notes sur le critre 6. Ce critre est remis en cause pour deux raisons. Dune part, il est difcile dvaluer longtemps lavance le plan de charge des quipes techniques et commerciales et, dautre part, il est trs improbable quune affaire soit refuse sous prtexte de surcharge de travail des quipes. Enn, sil sagit de la survie dun secteur en crise, il est toujours possible dobtenir une affaire en rendant une quipe disponible, soit en allongeant la dure de travail journalier, soit en travaillant les week-ends et jours fris. Charges espres en tude et en production (critre 9) Lanalyse de la notation des affaires depuis 1996 sur ce critre reprsent la gure 12.4 montre que la majorit des affaires nengendre que de faibles charges (infrieures 50 000 heures). Favoriser les grosses affaires demeure certes un lment de dcision, mais na pas sa place dans le modle, dans la mesure o cela reste un vu pieux non suivi deffet. Au demeurant, il est difcile de privilgier a priori une taille daffaire idale car, en priode de crise, toute affaire est bonne prendre.

12.3.2

Critres inoprants de par la mthode de notation

Comptence EADS LV et partenaires associs (critre 2) Les intresss ne peuvent valuer eux-mmes leur comptence, la comptition est la seule mesure objective, ce qui amne aux questions suivantes : Qui note le critre ? Qui est capable en interne de noter objectivement ? 253

Chapitre 12. Etude de cas n3 : outils dcisionnels multicritres . . .


Positionnement des FAN en fonction des charges espres
800 700 600 500 400 300 200 100
0

Nombre de FAN

Ch a rg e <= 500

500 < Ch a rg e <= 1000

Ch a rg e > 1000

Echelle critre 9

F IG . 12.4 Frquence des notes sur le critre 9. A-t-on intrt se faire noter par une entit externe lentreprise ? Il est illusoire de vouloir mesurer un tel critre, issu dune vision nave et scolaire du problme, qui mne obligatoirement des erreurs majeures de notation. Pour conserver un tel critre, il faut absolument rsoudre le problme de notation. Comptitivit du prix EADS LV par rapport au prix du march (critre 3) A cause de la complexit et du manque de transparence sur ce sujet, aussi bien en interne quen externe lentreprise, il savre extrmement difcile de noter ce critre avec prcision, le prix du march tant le plus souvent difcile apprhender. Dans limpossibilit de trouver un ratio de notation qui soit un vritable instrument de calcul, ce critre a t abandonn au prot dun critre technico-conomique plus large, mais mesurable. Volont stratgique (critre 5) Le plan stratgique dEADS LV ne prsentait pas, comme cest le cas dans beaucoup de socits, dlments quantitatifs trs dtaills sur les priorits de lentreprise. Par ailleurs, les quipes techniques ou commerciales sont toujours persuades de la haute priorit de leur activit (voir gure 12.5) et donc il ne faut surtout pas leur demander de noter elles-mmes un tel critre. On remarquera incidemment que la volont stratgique de lentreprise na rien voir, au premier degr, avec la probabilit de gagner ou non une affaire. Tout au plus, elle cre un terrain favorable et gnre des investissements, qui ont un effet moyen ou long terme.

12.3.3

Critres qui sont en fait des contraintes

Effort de recherche autonance et dinvestissement (critre 7) Une vingtaine daffaires par anne sont concernes par ce critre, leffort de recherche autonance et dinvestissement tait chelonn entre 0 et 1.5 M= C. Ce critre est reprsent la gure 12.6. Ce critre nest pas discriminant dans la mesure o, pour les affaires rellement stratgiques, une entreprise peut toujours se donner les moyens de rpondre la demande du client, notamment en termes dinvestissements R&D. Cest en fait une contrainte quil faut prendre en compte et non pas un critre.

254

12.3 Comprendre les insufsances du modle de premire gnration


Positionnement des FAN par anne 140 120 100 Nombre de FAN 80 60 40 20

1996 1997 1998 1999 2000

0 0 6 7
9 ,5 1 0 ,5 11

Notation Critre 5

F IG . 12.5 Volont stratgique tenant compte de la R&D.


Positionnement des quelques 20 FAN par anne rpondant au critre 7

12 10
Nombre de FAN 1996 1997 1998 1999 2000

8 6 4 2 0 2 500 5 000 7 500 10 000 12 500 15 000


Critre 7 en k euros

F IG . 12.6 Effort de recherche autonance. Effort EADS LV (critre 8) Ce critre nest pas discriminant, et se ramne une contrainte qui maintient leffort nancier, affaire par affaire, dans une enveloppe raisonnable par rapport au chiffre daffaires espr. Comme le montrent les graphiques de la gure 12.7, cette rgle est connue des acteurs en interne, elle est donc devenue une contrainte satisfaite par tous.

255

Chapitre 12. Etude de cas n3 : outils dcisionnels multicritres . . .


Positionnement des FAN par anne

7 6 5
Nombre de FAN 1996 1997 1998 1999 2000

4 3 2 1 0 10 15 20 25 30 35 40
Effort EADS LV en pourcentage du CA

F IG . 12.7 Frquence des notes sur le critre 8.

12.4

Modle de deuxime gnration

Lvolution la plus fondamentale consiste en la modication de la question laquelle le modle daide la dcision de EADS LV tente de rpondre. Le modle ne tente plus de rsoudre la question : Faut-il ou non rpondre un appel doffres ? mais la question : Va-ton gagner ou non cet appel doffres ? En effet, cette modication essentielle se justie par le fait que lentreprise juge toujours les performances du modle sur un rsultat constat (offre gagne ou perdue). La nouvelle problmatique est plus restreinte que la prcdente et les intrts stratgiques et conomiques ny gurent plus. Ces intrts sont bien sr pris en compte par les membres du comit des affaires nouvelles (CAN), mais le modle ne prtend plus rpondre toutes les questions en mme temps. La question de savoir sil faut rpondre ou non appartient donc au comit, qui tient compte ou non des prdictions fournies, lors de sa runion hebdomadaire.

12.4.1

Principe de reconstruction du modle

Le nouveau modle a t construit partir des principes suivants : ne plus faire appel du tout des experts en situation de juge et partie pour effectuer une notation ; utiliser, pour la notation, des critres bass sur des informations factuelles historiques cumules, dont la prcision augmente avec la quantit daffaires traites, donc au cours du temps ; remplacer les notions qualitatives par des notions quantitatives et viter, autant que faire se peut, les critres purement qualitatifs ; utiliser lexprience acquise depuis la cration du modle pour btir de nouvelles chelles. Toutes les caractristiques des affaires sont consignes dans une base de donnes depuis 1996. La connaissance de la rpartition des notes sur les annes passes doit permettre de mieux dnir les chelons, tant au niveau de leur position dans labsolu que de leur loignement relatif ; 256

12.4 Modle de deuxime gnration accder facilement aux informations ncessaires la notation, ce qui permettra, outre une notation plus performante, dacclrer le processus de notation ; En ce qui concerne les chelles et leurs chelons, les principes retenus sont : moins dchelons, mais mieux rpartis et faciles distinguer entre eux ; lorsque lon a recours malgr tout des critres qualitatifs, il est indispensable de recourir une matrice deux dimensions, pour viter le danger de la notation directe. Cela permet dutiliser deux notions (une dans chaque dimension), ainsi la notation rpond deux questions prcises, au lieu de conduire une estimation intuitive hasardeuse.

12.4.2

Abandon du principe de modle unique

Les affaires nouvelles tant trs disparates, chaque affaire sinscrit dans un environnement spcique (situation commerciale, concurrence, client institutionnel ou industriel), concerne diffrents secteurs (missiles stratgiques, satellites, lanceurs, quipements, etc.) et des activits varies (fourniture dquipements, prestation de services, tudes, etc.). Il est donc apparu de manire vidente au cours des annes dutilisation du modle que lapproche par un modle unique et omnipotent tait beaucoup trop rustique et restait limite en capacit damlioration. Il a donc t dcid de crer des familles de modles distincts, chacun deux ayant des rglages et/ou des critres particuliers, en fonction des activits de lentreprise. A travers le plan commercial, une segmentation des activits de la socit a t impose avec succs dans lentreprise et un modle par segment a t ralis pour les produits et pour les services. Les critres qualitatifs ont t remplacs par des critres quantitatifs bass sur des donnes factuelles accessibles, et mesurs par des scores enregistrs par lentreprise, segment par segment. Cette dmarche a conduit construire tout dabord un modle quatre critres. Ce modle nexpliquant pas la totalit du vaste chantillon utilis, une tude approfondie, fonde sur les lois relatives aux familles cohrentes de critres de Bernard Roy, a permis didentier un 5ime critre. Les chantillons de rglage du modle tant constitus de la totalit des affaires disponibles pour un segment donn, il ny a pas de limite dans la prcision prvisible dun tel modle, qui pourra samliorer par augmentation du nombre de critres ou par afnage des ratios de mesure des critres.

12.4.3

Architecture des familles de modles

An de simplier lutilisation des outils daide la dcision, un nombre limit de modles a t retenu : le modle Electre Tri 2001 Produits, conu pour tre appliqu aux FAN dont lobjet est la fourniture de produits ; le modle Electre Tri 2001 Services, conu pour tre appliqu aux FAN dont lobjet est une prestation de services (tudes, essais, etc.). Les cinq critres retenus pour le modle ELECTRE 2001 Produits sont : critre 1 : Positionnement technico-conomique du produit ; critre 2 : Matrise technologique et maturit du produit ; critre 3 : Positionnement des clients ; critre 4 : Crdibilit nancire de laffaire chez le client ; critre 5 : Positionnement concurrentiel. Les positionnements sont valus avec les nombres daffaires perdues ports en abscisse et les nombres daffaires gagnes en ordonne. Les informations recueillies depuis 1996 permettent

257

Chapitre 12. Etude de cas n3 : outils dcisionnels multicritres . . . deffectuer des positionnements de clients, de produits, de segments. Un positionnement est relatif un ensemble donn daffaires, qui concernent : des clients : reprsentation de la performance commerciale de lentreprise vis--vis de ses clients ; des segments : reprsentation de la performance commerciale dun segment ; des produits : reprsentation de la performance commerciale dun produit ou dune famille de produits. La note tant calcule partir de la position dun client, dun segment ou dun produit, ces positionnements permettent de fonder lvaluation quantitative sur des faits objectifs, ce qui est lune des contraintes imposes au nouveau modle.

12.4.4

Critres

Positionnement technico-conomique du produit Ce critre a t tabli sur des donnes factuelles, permettant de rendre compte de la comptitivit technico-conomique du produit ou de lhistorique de la relation avec le client. Il est fond sur les affaires nouvelles dont le statut dnitif (gagn ou perdu) est connu (affaires recenses depuis 1996). Chaque produit, famille de produits ou chaque client est positionn sur le graphe de la gure 12.8, appel positionnement produit ou client, o le nombre daffaires nouvelles perdues est port en abscisse et le nombre daffaires nouvelles gagnes en ordonne. La surface du disque associ un produit ou un client est proportionnelle au chiffre daffaires gagn avec le produit ou le client.
5 Produit A 4 Nombre daffaires gagnes Produit B 3 Produit D 2 Produit C 1 Produit E 0 0 1 2 3 4 5 6 7 Nombre daffaires perdues La surface du disque reprsente le CA ralis sur un produit

F IG . 12.8 Positionnement produit (allure).

Matrise technologique et maturit du produit Ce critre permet dvaluer le niveau de dveloppement du produit et son avance technologique, et den dduire sa comptitivit technique. Une nomenclature des produits a t 258

12.4 Modle de deuxime gnration tablie et impose dans lentreprise, an de caractriser chaque produit, qui est ainsi positionn sur sa courbe de vie. Chaque position correspond une tape du dveloppement du produit ou de sa vie commerciale. En matire spatiale, les sries sont faibles et souvent ralises sur mesure, ainsi la qualication en vol est une tape trs importante pour les produits. La note est tablie en fonction de la position du produit sur la courbe de la gure 12.9.
Maturit Produit sur tagre (qualifivol)

100 75 50 25 0

Produit sur tagre (qualifisol) ou avec lgres modifications Produit avec modifications ou en dveloppement avanc Produit en dveloppement Produit non tudi Temps Produit dpass

F IG . 12.9 Courbe de vie des produits (allure).

Positionnement des clients Ce critre est construit de faon analogue au critre positionnement technico-conomique du produit. Crdibilit nancire de laffaire chez le client Ce critre prend en compte, autant que faire se peut, les risques dannulation dun projet. EADS LV nayant pas en gnral dinuence sur les risques dannulation, le critre choisi est la crdibilit nancire de laffaire chez le client, qui rend compte de la crdibilit gnrale du projet. Aussi la crdibilit de laffaire dpend de deux facteurs nanciers qui servent de dimension la matrice de notation. Cest lors de ltude des affaires relatives au segment Rservoirs haute pression quil a t constat que la moiti des affaires perdues taient des affaires classes sans suite, les clients nayant pas men bien les projets. Ce fut le cas en particulier pour les constellations de satellites, projets ambitieux qui ont tous t plus ou moins abandonns. Il est donc primordial davoir un critre permettant dvaluer cette crdibilit. Les causes dannulation sont nombreuses et lvaluation de la situation difcile. Nous distinguons : La crdibilit du client : les affaires classes sans suite sont dj prises en compte dans le critre positionnement client. La probabilit dintervention dun vnement extrieur : une dcision politique ou une redistribution budgtaire peuvent remettre en cause une affaire. Ces vnements sont par nature extrmement difciles prvoir, mais les indices jalonnant les projets sont identis.

259

Chapitre 12. Etude de cas n3 : outils dcisionnels multicritres . . . Les difcults techniques insurmontables : un projet ambitieux peut tre annul, car irralisable du point de vue technique, compte tenu de lenveloppe budgtaire. La prise en compte du niveau de sous-traitance : EADS LV peut tre sous-traitant dune entreprise matre duvre. Au moment o la FAN est mise, le march nest pas gagn. Si le matre duvre perd le march, EADS LV, en tant que sous-traitant, perd aussi laffaire. Laffaire prise trs tt : lexprience a cependant montr que la probabilit dannulation dun projet nvolue pas signicativement dans le temps. Un projet a autant de chances dtre annul ses dbuts quen phase avance. Le contexte de laffaire peut donner une indication sur la crdibilit de laffaire. Que faire si le contexte est nouveau ? Positionnement concurrentiel Ce critre est un critre dajustement, qui permet de modier la svrit du modle, et donc de faonner ses performances de prdiction du modle, pour coller la ralit commerciale de deux types de situations : la comptition et le gr gr, qui ont des taux de succs trs diffrents. Le principe retenu pour la notation est un principe matriciel cal sur les valeurs quantitatives rcentes mesures, et qui entrent dans le tableau de bord des performances commerciales de la socit.

12.4.5

Paramtrage du modle

En cela la mthode savre prcieuse et bien adapte. Les modles de premire et seconde gnration utilisent la mme mthode Electre Tri, dveloppe par le LAMSADE de luniversit Paris-Dauphine, et son logiciel associ pour traiter les notes issues des critres. La prsentation de la mthode, suppose connue, ne fait pas lobjet de ce chapitre. La problmatique du tri, qui consiste affecter chacune des actions une catgorie en examinant la valeur intrinsque de laction, permet de traiter une seule action candidate ou un seul appel doffres la fois. En cela, la mthode est prcieuse et bien adapte la ralit. Les mthodes doptimisation conduisent souvent utiliser une fonction dutilit (ou critre unique de synthse) qui permet de classer les actions de la meilleure la moins bonne. Ces mthodes reposent sur des hypothses fortes et il vaut peut-tre mieux se contenter dun rsultat moins riche en vitant lintroduction dhypothses mathmatiques fortes et lobligation de poser au dcideur des questions trop difciles. Pour ce faire, le concept de surclassement (relation embote de concordance et de non discordance) propos par Bernard Roy a t adapt la problmatique du tri. La transformation de la relation de surclassement value en une relation de surclassement nette S a t ralise en utilisant un niveau de coupe l de 0.75. La procdure pessimiste, qui consiste affecter laction candidate a la catgorie Ci la plus haute telle que laction a surclasse laction de rfrence basse bi (proles) de la catgorie a t retenue. La totalit des capacits dElectre Tri na pas t utilise, les seuils de prfrence p et dindiffrence q sont gaux, et en particulier le seuil de veto v na pas t utilis.

12.4.6

Performance du modle

Lapprciation des performances de prdiction, face la ralit des affaires gagnes ou perdues, est assez complexe, puisquil convient de raisonner et de travailler par segment et

260

12.5 Conclusion pour les quatre types de prdictions, savoir les quatre classes : Oui, Oui dubitatif, Non dubitatif, Non. Pour faire simple, la prcision actuelle est remarquable, laide du modle Electre Tri 2001 cinq critres, le calcul des scores gagns - perdus est reconstitu avec une prcision de 96 % 100 % pour les catgories C1 (Non) et C4 (Oui). Le score obtenu sur le segment uidique prsent titre dexemple la gure 12.10 montre une prcision de 100 % pour les catgories C1 (Non) et C2 (Non dubitatif), un taux derreur de 12.5 % sur la catgorie C3 (Oui dubitatif) et une prcision de 100 % pour la catgorie C4 (Oui).

100 % 90 % 80 % 70 % 60 % 50 % 40 % 30 % 20 % 10 % 0%

12

14

Perdu Gagn

C1

C2

C3

C4

F IG . 12.10 Segment uidique : rsultat sur chantillon.

12.5

Conclusion

La matrise des donnes commerciales ncessaires pour mettre en uvre le modle a permis la diffusion mensuelle dun tableau de bord commercial, contribuant ainsi un meilleur pilotage de lentreprise. Ce tableau de bord se compose actuellement de : statistiques consolides et par segment sur les affaires gagnes - perdues ; dix-sept positionnements de produits ou de clients ; un certain nombre de ratios pertinents. Ce tableau de bord est reprsent la gure 12.11. Le modle a eu un impact important sur llaboration du plan stratgique de la socit, en introduisant la liste des priorits pour tous les produits et les services. Il a galement contribu imposer une segmentation des activits, qui est devenue lossature du plan commercial, et il a pouss la restructuration de la nomenclature des produits. Les perspectives dvolution du modle sont tournes vers une homognit de la prcision dans tous les segments, vers une ventuelle modication des classes dquivalence, vers la subdivision des problmes par une modlisation de plus en plus ne et vers une dcentralisation des outils daide la dcision lintrieur de lentreprise. A linstar des systmes experts, la plupart des ratios servant la notation des critres cumulent lexprience. Ainsi toute situation nouvelle, aprs une phase derreur de prdiction, sera automatiquement intgre dans les prdictions suivantes. Enn, pour les produits rcurrents, il est possible de 261

Chapitre 12. Etude de cas n3 : outils dcisionnels multicritres . . . Taux de russite 100 % 80 % 60 % 40 % 20 % 0% 1996-1997 1998 1999 2000 CA annonc en M= C par anne La surface du cercle reprsente la valeur du CA annonc en M= C F IG . 12.11 Exemple de ratio, taux de russite commercial, CA annonc en M= C. reconstituer le pass et de prvoir lavenir avec une trs grande prcision dans les cas dvolution linaire. Compte tenu des rles fdrateur et planicateur des outils daide la dcision, qui amnent lentreprise se doter de bases de donnes quantitatives, favorables au pilotage de lentreprise, la gnralisation de ces outils tous les problmes dallocation budgtaire est prvisible moyen terme. Laide la dcision pour ce problme dallocation budgtaire dans les offres commerciales est dote dun avenir prometteur, car les conomies potentielles sont considrables et ne concernent pas uniquement le monde spatial. En particulier, compte tenu des abus constats ces dernires annes, la tendance est nettement la gnralisation des appels doffres pour lattribution de marchs, notamment en ce qui concerne les collectivits.

262

Conclusion
Comme nous avons pu le voir tout au long de cet ouvrage, loptimisation multiobjectif nest pas une tche facile. Tout commence par la dnition dun optimum multiobjectif. Une dnition gnrale et bien tablie est celle de Pareto. Mais cette dnition tant trop gnrale, des variantes ont t introduites : optimalit lexicographique, optimalit maximale, etc. Ensuite vient le mode de rsolution. En fonction de la connaissance que lon a du problme, on peut : partir la recherche dune unique solution si les prfrences du dcideur sont bien dtermines et si celui-ci ne souhaite pas choisir parmi un ventail de possibilits ; prciser les prfrences du dcideur en cours doptimisation ; approcher la surface de compromis par un nuage de solutions. On a aussi une grande latitude quant au choix du traitement du problme multiobjectif. On peut se ramener une seule et unique fonction objectif ou alors traiter vectoriellement le problme. Pour nir, il faut choisir une mthode doptimisation pour rsoudre le problme multiobjectif. Cette dernire tche est dj dlicate en optimisation monobjectif, alors, on conot que loptimisation multiobjectif soit dune difcult plus grande encore. Cependant, le jeu en vaut la chandelle. Loptimisation multiobjectif offre lutilisateur davantage de degrs de libert pour modliser son problme. Elle souligne aussi certaines difcults de modlisation que lon lude souvent en optimisation monobjectif. En effet, avant de rsoudre un problme doptimisation monobjectif, on fait souvent un compromis entre certains objectifs, linsu du concepteur du modle. Loptimisation multiobjectif porte au grand jour ce compromis et cest aussi cela la difcult de loptimisation multiobjectif : une gne occasionne par un compromis difcile raliser. Il faut bien garder lesprit que loptimisation multiobjectif ne traitera pas dun coup de baguette magique ce compromis. Ce sera toujours au dcideur de trancher et de choisir une solution plutt quune autre. Loptimisation multiobjectif offre, cependant, des outils permettant daider le dcideur effectuer son choix.

263

Conclusion Plusieurs domaines de loptimisation multiobjectif font lobjet, actuellement, dune attention particulire : Le contrle de la diversit des solutions sur la surface de compromis : Dans la mthode de rsolution a posteriori, on cherche obtenir une approximation de la surface de compromis. Une bonne approximation correspond un nuage de points uniformment rpartis sur celle-ci. Plusieurs mthodes (dont certaines en cours de dveloppement) sefforcent datteindre ce but. On peut aussi chercher obtenir une bonne diversit des solutions dans lespace des paramtres. Llaboration de mthodes doptimisation multiobjectif permettant dobtenir une approximation de la surface de compromis plus rapidement : Il y a beaucoup de degrs de libert sur lesquels on peut jouer pour amliorer la vitesse de convergence dune mthode doptimisation multiobjectif. Par exemple, on peut : utiliser une mtaheuristique diffrente (recuit simul, algorithmes gntiques, etc.) ; utiliser une mthode de traitement multiobjectif diffrente ; utiliser un voisinage plus adapt au problme que lon traite ; etc. La mise au point de mthodes permettant dintgrer les prfrences dun utilisateur pour une rsolution a priori : Depuis quelques annes, on voit paratre des articles traitant de la rsolution de problmes multiobjectifs de manire a priori, laide des outils de la thorie des prfrences ou de laide la dcision. On peut penser quune jonction entre loptimisation multiobjectif et laide la dcision va soprer prochainement. Ltude de mthodes de visualisation de donnes permettant de mieux apprhender les rsultats dune optimisation multiobjectif : Il existe encore trs peu de mthodes de visualisation de donnes ddies la reprsentation de rsultats doptimisation multiobjectif. Pourtant, dans le domaine des statistiques, de nombreuses mthodes sont disponibles, par exemple : lanalyse en composantes principales ; la projection non linaire ; etc. Llaboration de nouvelles mtriques permettant de juger, en cours doptimisation, de la qualit des rsultats intermdiaires : Certaines mtriques, bien que trs utiles, ont un domaine dapplication restreint. Dautres ncessitent des informations quil est impossible dobtenir avec un problme rel, ce qui restreint leur emploi des problmes de test. Certaines techniques du domaine de lconomie sont applicables loptimisation multiobjectif, comme lanalyse denveloppe de donnes. Loptimisation multiobjectif est donc appele se dvelopper dans le futur comme en tmoignent le nombre sans cesse croissant de publications et la cration de nouvelles confrences consacres ce sujet. Ce dveloppement peut tre aussi suivi travers larrive des ides de loptimisation multiobjectif dans les entreprises : celles-ci sont, de plus en plus, confrontes la quadrature du cercle dun compromis ncessaire entre le cot, la scurit et la qualit. 264

Bibliographie
[Alexandrov et al. 94] N. Alexandrov, J. E. Dennis, Algorithms for bilevel optimization, Rapport Technique TR-9477, septembre 1994. [Altenberg 97] L. Altenberg, Fitness Distance Correlation Analysis : An Instructive Counterexample, Proc. of the Seventh Int. Conf. on GA (ICGA97), San Francisco, CA, 1997.

[Altschuler et al. 94] E. L. Altschuler, T. J. Williams, E. R. Ratner, F. Dowla, F. Wooter, Method of constrained global optimization, Physical review letters, janvier 1994. [Andreatta et al. 97] A. A. Andreatta, S. E. R. Carvalho, C. C. Ribeiro, A Framework for the Development of Local Search Heuristics for Combinatorial Optimization Problems, PhD report, Catholic University of Rio de Janeiro, 1997. [Andreatta et al. 98] A. A. Andreatta, S. E. R. Carvalho, C. C. Ribeiro, An Object Oriented Framework for Local Search Heuristics, Rapport Technique, University of Rio de Janeiro, 1998. [Argaud 92] [Ascend] J. P. Argaud, Une mthode doptimisation des plans de rechargement pour la gestion du combustible nuclaire, Note interne EDF-DER numro HI-072/96/013/0, janvier 1992. Logiciel Ascend 10.1

[Asselmeyer 96] T. Asselmeyer, W. Ebeling, Unied Description of Evolutionary Strategies over Continuous Parameter Spaces, mai 1996. [Ausiello et al. 99] G. Ausiello, P. Crescenzi, G. Gambosi, V. Kann, A. Marchetti-Spaccamela, M. Protrasi, Complexity and Approximation Combinatorial Optimization Problems and their Approximability Properties, Springer Verlag, 1999. (document), 5.8 [Azarm 96] S. Azarm, Multiobjective optimum design, 1996. 2.3.1, 2.7.3, 2.13 [Azarm et al. 99] S. Azarm, B. J. Reynolds, S. Narayanan, Comparison of two Multiobjective Optimization Techniques with and within Genetic Algorithms, Proc. of the 1999 ASME Design Engineering Technical Conference, septembre 1999. [Baldick et al.] [Barda 87] [Barnett 97] [Bartak 99] [Battiti 94] R. Baldick, A. B. Kahng, A. Kennings, I. L. Markov, Efcient Optimization by Modifying the Objective Function : Applications to Timing-Driven VLSI Layout. O. H. Barda, Etude comparative des mthodes multicritres dans le cadre dun problme de localisation, Universit Paris-Dauphine, 1987. L. Barnett, TANGLED WEB : Evolutionary Dynamics on Fitness Landscapes with Neutrality MSc Dissertation, School of Cognitive Sciences, University of East Sussex, Brighton, 1997. R. Bartk, Constraint programming : in pursuit of the holy grail, Proceedings of WDS99, Prague, juin 1999. R. Battiti, G. Tecchiolli, The reactive tabu search, ORSA Journal on computing, volume 6, numro 2, pages 126-140, 1994.

[Ben-Tal et al. 96] A. Ben-Tal, J. Tind, Duality with Multiple Criteria and Multiple Resources, 1996. [Boese et al. 94] K. D. Boese, A. B. Kahng, Best-So-Far vs. Where-You-Are : Implications for Optimal Finite-Time Annealing, Systems and Control Letters, volume 22, numro 1, pages 71-80, janvier 1994. [Boese et al.] [Bonomi 88] K. D. Boese, A. B. Kahng, S. Muddu, A New Adaptative Multi-Start Technique for Combinatorial Global Optimizations, Op. Res. Letters, volume 16, numro 2, septembre 1994, pages 101-113. E. Bonomi, J.-L. Lutton, Le recuit simul, Pour la Science, numro 129, pages 68-77, juillet 1988. 5.4

[Borges et al. 00] C. C. H. Borges, H. J. C. Barbosa, A Non-generational Genetic Algorithm for Multiobjective Optimization, 2000 Congress on Evolutionary Computation, volume 1, pages 172-179, juillet 2000. [Bourles] H. Bourles, Optimisation et commande optimale, Notes de cours, E.N.S. Cachan, 1997.

267

Bibliographie
[Bowlin 98] W. F. Bowlin, Measuring Performance : An Introduction to Data Envelopment Analysis (DEA), Journal of Cost Analysis, pages 3-27, 1998.

[Boyan et al. 97] J. A. Boyan, A. W. Moore, Using Prediction to Improve Combinatorial Optimization Search, Sixth International Workshop on Articial Intelligence and Statistics (AISTATS), 1997. [Brans et al. 86] J. P. Brans, Ph. Vincke, B. Mareschal, How to select and how to rank projects : The PROMETHEE method, European journal of Op. Research, volume 24, pages 228-238, 1986. 6.3.8.1, 6.3.9.1 [Bruyere et al. 86] M. Bruyre, A. Valle, Ch. Collette, Extended fuel cycle length, Note Framatome, FRADOC 11, septembre 1986. [Burke et al. 92] L. I. Burke, J. P. Ignizio, Neural networks and operations research : an overview, Computer Operations Research, volume 19, numro 3/4, pages 179-189, 1992. [Cardon et al. 00] A. Cardon, T. Galinho, J.-P. Vacher, Genetic algorithms using multi-objectives in a multi-agent system, Robotics and Autonomous Systems, volume 33, pages 179-190, 2000. [Clerc 00] M. Clerc, Discrete Particle Swarm Optimization Illustrated by the Travelling Salesman Problem, fvrier 2000. E. Chekroun, Aide la dcision, ditions Sirey, mars 1985. C. A. Coello Coello, An empirical study of evolutionary techniques for objective optimization in engineering design, PhD Thesis, Department of Computer Science, Tulane university, New Orleans, LA, avril 1996. C. A. Coello Coello, An updated survey of G.A. based multiobjective optimization techniques, Rapport technique Lania-RD-98-08, Xalapa, Veracruz, Mexico, dcembre 1998. 2.1.1, 2.7.3, 2.8.1, 5.7.1.1.1 C. A. Coello Coello, A survey of constraint handling techniques used with evolutionary computation methods, Rapport technique Lania-RI-99-04, Laboratorio Nacional de Informtica Avanzada, Xalapa, Veracruz, Mexico, 1999.

[Charon et al. 96] I. Charon, A. Germa, O. Hudry, Mthodes doptimisation combinatoire, ditions Masson, 1996. [Chekroun 85] [Coello 96]

[Coello 98]

[Coello 99]

[Coello et al. 98] C. A. Coello Coello, A. D. Christiansen, Two new GA-based Methods for Multiobjective optimization, Civil Engineering Systems, volume 15, numro 3, pages 207-243, 1998. [Coello et al. 99] C. A. Coello Coello, A. D. Christiansen, MOSES : A Multiobjective Optimization Tool for Engineering Design, Engineering Optimization, volume 31, numro 3, pages 337-368, 1999. 1.5 [Coello et al. 00] C. A. Coello Coello, Handling Preferences in Evolutionary Multiobjective Optimization : A Survey, 2000 Congress on Evolutionary Computation, volume 1, pages 30-37, juillet 2000. [Coello 01] C. A. Coello Coello, A Short Tutorial on Evolutionary Multiobjective Optimization, In Eckart Zitzler, Kalyanmoy Deb, Lothar Thiele, Carlos A. Coello Coello, and David Corne, editors, First International Conference on Evolutionary Multi-Criterion Optimization, pages 21-40. SpringerVerlag. Lecture Notes in Computer Science No. 1993, 2001.

[Coleman et al. 93] T. Coleman, D. Shalloway, Z. Wu, Isotropic Effective Energy Simulated Annealing Searches for Low Energy Molecular Cluster States, Comp. Opt. and App., numro 2 pages 145-170, 1993. [Collette et al. 00] Y. Collette, P. Siarry, H.-I. Wong, A systematic comparison of performance of various multiple objective metaheuristics using a common set of analytical test functions, Foundations of Computing and Decision Sciences, Volume 25, numro 4, pages 249-272, 2000. [Collins 96] T. Collins, Genotype-Space Mapping : Population Visualization for Genetic Algorithms, Rapport Technique KMI-TR-39, Knowledge Media Institute, Septembre 1996.

[Cooper et al. 00] W. W. Cooper, L. M. Seiford, K. Tone, Data Envelopment Analysis : A comprehensive Text with Models, Applications, References and DEA-Solver Software, Kluwer Academic Publishers, 2000. 7.16 [Corne et al. 00] D. W. Corne, J. D. Knowles, M. J. Oates, The Pareto Envelope-based Selection Algorithm for Multiobjective Optimization, In 6th International Conference on Parallel Problem Solving from Nature PPSN VI, pages 839-848, septembre 2000, Paris. [C.S.E.P. 95] The computer science education project, Mathematical optimization, Electronic book, 1995. [Cvetkovic et al. 99] D. Cvetkovic, I. C. Parma, Use of preference G.A.-Based multi-objective optimization, Proceedings of the Genetic and Evolutionary Conference : GECCO99, volume 2, pages 1504-1509, Orlando, Floride, USA, juillet 1999. [Cvetkovic 00] [Daniels 78] D. Cvetkovic, Evolutionary Multi-Objective Decision Support Systems for Conceptual Design, PhD, School of Computing, Faculty of Technology, University of Plymouth, November 2000. R. W. Daniels, An introduction to numerical methods and optimization techniques, ditions North Holland New-York, 1978.

268

Bibliographie
[Darwen et al. 95] P. Darwen, X. Yao, A dilemma for tness sharing with a scaling function, Proceedings of the second IEEE International Conference on Evolutionary Computation, Piscataway, New Jersey, pages 166-171, 1995. [Das et al. 98] I. Das, J. Dennis, Normal boundary intersection : a new method for generating Pareto optimal points in multicriteria optimization problems, SIAM J. on Optimization, volume 8, numro 3, pages 631-657, aot 1998. I. Das, A Preference Ordering Among Various Pareto Optimal Alternatives, Structural Optimization, volume 18, number 1, pages 30-35, august 1999.

[Das 99]

[Dauer et al. 80] J. P. Dauer, R. J. Krueger, A multiobjective optimization model for water resources planning, Applied Mathematical Modelling, pages 171-175, juin 1980. [Davis 91] [Deb 98a] L. Davis, Handbook of Genetic Algorithms, ditions Van Nostrand Reinhold, 1991. 5.8 K. Deb, Multiobjective genetic algorithms : problem difculties and construction of test problems, Technical Report CI-49/98, Dortmund, Department of Computer Science/LS11, University of Dortmund, Allemagne, 1998. 8.2, 8.4 K. Deb, Non-linear goal programming using multi-objective genetic algorithms, Rapport technique CI-60/98, Dortmund, Department of Computer science/LS11,University of Dortmund, Allemagne, octobre 1998. K. Deb, An overview of multi-objective evolutionary algorithms, Journe J.E.T., Copie de transparents, mai 1999. 1.6.2, 5.7.1.1.1, 5.7.2.1.1 K. Deb, T. Goyal, Controlled Elitist Non-dominated Sorting Genetic Algorithms for Better Convergence, Rapport Technique, KanGAL report 200004, Indian Institute of Technology, Kanpur, Inde, 2000. K. Deb, A. Pratap, T. Meyarivan, Constrained Test Problems for Multi-Objective Evolutionary Optimization, Rapport Technique, KanGAL 200005, Institute of Technology of India, Kanpur, Inde, 2000. K. Deb, E. Zitzler, L. Thiele, Comparison of Multiobjective Evolutionary Algorithms : Empirical Results, Technical Report TIK, 2000. 11.4.2.5 K. Deb, Multi-Objective Optimization using Evolutionary Algorithms, John Wiley & Sons, 2001. 1.8.5, 5.7.2.3.3, 5.8 K. Deb, T. Goel, A Hybrid Multi-Objective Evolutionary Approach to Engineering Shape Design, In Eckart Zitzler, Kalyanmoy Deb, Lothar Thiele, Carlos A. Coello Coello, and David Corne, editors, First International Conference on Evolutionary Multi-Criterion Optimization, pages 385399. Springer-Verlag. Lecture Notes in Computer Science No. 1993, 2001. K. Deb, A. Pratap, T. Meyarivan, Constrained Test Problem for Multi-Objective Evolutionary Optimization, In Eckart Zitzler, Kalyanmoy Deb, Lothar Thiele, Carlos A. Coello Coello, and David Corne, editors, First International Conference on Evolutionary Multi-Criterion Optimization, pages 284-298. Springer-Verlag. Lecture Notes in Computer Science No. 1993, 2001. K. Deb, T. Goel, Controlled Elitist Non-dominated Sorting Genetic Algorithms for Better Convergence, In Eckart Zitzler, Kalyanmoy Deb, Lothar Thiele, Carlos A. Coello Coello, and David Corne, editors, First International Conference on Evolutionary Multi-Criterion Optimization, pages 67-81. Springer-Verlag. Lecture Notes in Computer Science No. 1993, 2001. K. Deb, S. Agrawal, A. Pratap, T. Meyarivan, A Fast Elitist Non-Dominated Sorting Genetic Algorithm for Multi-Objective Optimization : NSGA-II, In Marc Schoenauer, Kalyanmoy Deb, Gnter Rudolph, Xin Yao, Evelyne Lutton, J. J. Merelo and Hans-Paul Schwefel (editors), Proceedings of the Parallel Problem Solving from Nature VI Conference, pages 849-858. Springer, 2000. M. Delbos, Le positionnement multidimensionnel, Note interne EDF-DER numro HI/1943/02, septembre 1975. H. L. Deng, W. Gouveia, J. Saales, The CWP object-oriented optimization library, 1996.

[Deb 98b]

[Deb 99] [Deb et al. 00a]

[Deb et al. 00b]

[Deb et al. 00c] [Deb 01] [Deb et al. 01a]

[Deb et al. 01b]

[Deb et al. 01c]

[Deb et al. 01d]

[Delbos 75] [Deng et al. 96]

[Diamantaras et al. 99] K. I. Diamantaras, K. Hornik, M. G. Strintzis, Optimal Linear Compression Under Unreliable Representation and Robust PCA Neural Models, IEEE Trans. on Neural Networks, volume 10, numro 5, pages 1186-1195, 1999. [Di Gaspero et al. 00] L. Di Gaspero, A. Schaerf, EasyLOCAL++ : An object oriented framework for exible design of local search algorithms, Rapport Technique UDMI/13/2000/RR, 2000. [Dorigo et al. 96] M. Dorigo, V. Mariezzo, A. Colorni, The Ant system : optimization by a colony of cooperating agents, IEEE Trans. on Systems, Man, and Cybernetics-part B, volume 26, numro 1, pages 1-13, 1996.

269

Bibliographie
[Doye et al.] J. P. K. Doye, D. J. Wales, On the Thermodynamics of Global Optimization, Phys. Rev. Letter, volume 8, pages 1357-1360, 1998.

[Dozier et al. 98] G. Dozier, S. McCullough, A. Homaifar, L. Moore, Multi-objective evolutionary path planning via fuzzy tournament selection, IEEE Internat. Conf. on Evolutionary Comp., pages 684-689, Piscataway, New Jersey, mai 1998. [Dreyfus et al. 01] G. Dreyfus, J.-M. Martinez, M. Samuelides, M. B. Gordon, F. Badran, S. Thiria, L. Hrault, Rseaux de neurones : mthodologie et applications, Eyrolles, 2001. 10.3 [Duch et al. 98] [Duch 99] W. Duch, J. Korczak, Optimization and Global minimization methods suitable for neural networks, Neural Computing Survey (submitted), 1998. W. Duch, Alternative to Gradient Based Neural Training, In Fourth Conf. on Neural Networks and their Applications, Zakopane, Poland, mai 1999.

[Duvivier et al. 96] D. Duvivier, Ph. Preux, E.-G. Talbi, Climbing up NP Hard Hills, Fourth Int. Conf. on Parallel Problem Solving from Nature, septembre 1996. [Edelman 97] S. Edelman, N. Intrator, Learning as Extraction of Low-dimensional representations, Mechanisms of Perceptual Learning, Psychology of Learning and Motivation series, Academic Press, Berlin, Allemagne, pages 574-583, 1997. M. Ehrgott, A characterization of Lexicographic Max-ordering Solutions, Methods of Multicriteria Decision Theory : Proceedings of the 6th Workshop of the DGOR Working Group Multicriteria and Decision Theory, Egelsbach, Hsel-Hohenhausen, pages 193-202, 1997. 1.8.2, 1.8.3, 1.8.4, 1.13 M. Ehrgott, Multicriteria Optimization, Lecture Notes in Economics and Mathematical Systems, numro 491, Springer Verlag, 2000. 1.8.7, 2.13, 9.2.1, 9.2.2

[Ehrgott 97]

[Ehrgott 00]

[Ehrgott et al. 00] M. Ehrgott, X. Gandibleux, An Annotated Bibliography of Multiobjective Combinatorial Optimization, Rapport Technique 62/2000, Fachbereich Mathematik, Universit de Kaiserslautern, Germany, 2000. 9.2.3 [Elmohamed 97] S. Elmohamed, P. Coddington, G. Fox, A Comparison of Annealing Techniques for Academic Course Scheduling, Rapport technique NPAC SCCS-777, janvier 1997. [Engrand 97] P. Engrand, Approche doptimisation multiobjectif base sur ladoucissement simul, et son application la gestion des combustibles nuclaires, Icone 5 - Int. Conf. on Nuclear Engineering, volume 10, pages 1-8, 1997.

[Engrand et al. 98] P. Engrand, X. Mouney, Une mthode originale doptimisation multiobjectif, Note interne EDFDER numro HT-14/97/035/A, mars 1998. 5.4.1.1 [Eschenauer et al. 90] H. Eschenauer, J. Koski, A. Osyczka, Multicriteria design optimization : procedures and applications, Springer-Verlag, 1990. 2.4.4, 3.3.1, 3.4.1, 3.5.1, 3.6.1, 3.8 [Ferber 95] J. Ferber, Les systmes multi-agents : vers une intelligence collective, ditions InterEditions, 1995 [Fleming et al. 85] P. J. Fleming, A. P. Pashkevich, Computer aided control system design using a multiobjective optimization approach, Proceedings of the IEEE Control 85 Conference, pages 174-179, janvier 1985. [Fleming 93] P. J. Fleming, Genetic Algorithms for Multiobjective Optimization : Formulation, Discussion and Generalisation, Genetic Algorithms : Proceedings of the Fifth International Conference, 1993. 11.4.2.4 A. Flexer, On the Self-Organizing Maps for Clustering and Visualization, Third European Conference on Principles of Data Mining and Knowledge Discovery, PKDD99, Prague, Lecture notes in Articial Intelligence, numro 1704, Springer-Verlag, pages 80-88, 1999.

[Flexer 99]

[Fonseca et al 93] C. M. Fonseca, P. J. Fleming, Genetic Algorithms for Multiobjective Optimization : Formulation, Discussion and Generalization, Proceedings of the Fifth International Conference on Genetic Algorithms, pages 416-423, San Mateo, California, 1993. 5.7.2.1.1 [Fudenberg et al. 92] D. Fudenberg, J. Tirole, Game theory, The MIT Press, 1992. [Gandibleux 99] X. Gandibleux, Journe de travail PM20 Programmation mathmatique multiobjectif, LAMIHROAD, Valenciennes, septembre 1999. [Gandibleux 00] X. Gandibleux, Journe de travail PM2O Programmation mathmatique multiobjectif, Tours, novembre 2000. 5.7.2.5 [Gandibleux 01] X. Gandibleux, Journe de travail PM2O Programmation mathmatique multiobjectif, Paris, mai 2001. [Gaudier 99] F. Gaudier, Modlisation par rseaux de neurones, application la gestion du combustible dans un racteur, Rapport CEA-R-5854, CEA/Saclay, 1999.

270

Bibliographie
[Gert et al. 97] [Giesy 78] I. P. Gert, J. L. Underwood, The Logic of Search Algorithms : Theory and Applications, Constraint Programming Conference, CP97, 1997. D. P. Giesy, Calculation of Pareto optimal solutions to multiple objective problems using threshold of acceptability constraints, IEEE Trans. on Autom. Contr., volume AC-23, numro 6, dcembre 1978. 2.12.1 F. Glover, M. Laguna, M. Marti, Scatter Search, Preprint. F. Glover, Future paths for integer programming and links to articial intelligence, Comput. and Ops. Res., volume 13, numro 5, pages 533-549, 1986. 5.5 F. Glover, Articial intelligence, heuristic frameworks and tabu search, Managerial and decision economics, volume 11, pages 365-375, 1990. 5.5

[Glover et al.] [Glover 86] [Glover 90]

[Glover et al. 97] F. Glover, M. Laguna, Tabu search, Kluwer Academic Publishers, 1997. 5.5, 5.8 [Goicoechea et al. 79] A. Goicoechea, L. Duckstein, M. M. Fogel, Multiple objective under uncertainty : An illustrative application of PROTRADE, Water resources research, volume 15, numro 2, pages 203210, avril 1979. [Goldberg 94] D. Goldberg, Algorithmes gntiques, ditions Addison Wesley, juin 1994. 5.6, 5.8 [Gomez-Skarmeta et al. 98] A. F. Gmez-Skarmeta, F. Jimnez, J. Ibez, Pareto-optimality in Fuzzy Modeling, In 6th European Congress on Intelligent Techniques and Soft Computing EUFIT98, pages 694-700, septembre 1998. [Guvenir et al. 95] H. A. Gvenir, A Genetic Algorithm for Multicriteria Inventory Classication, Articial Neural Nets and Genetic Algorithms. Proceedings of the International Conference, pages 6-9, Vienne, Autriche, avril 1995. [Haimes et al. 75] Y. Y. Haimes, W. A. Hall, H. T. Freedman, Multiobjective optimization in water resources systems, ditions Elsevier scientic publication company, 1975. 3.2.1 [Han et al. 01] [Hansen 97a] [Hansen 97b] [Hansen 97c] Q. Han, J. Han, Revised Filled Function Methods for Global Optimization, Applied Math. and Comp., numro 119, pages 217-228, 2001. M. P. Hansen, Experiments on the usage of hashing vectors in multiobjective tabu search, aot 1997. M. P. Hansen, Tabu search for multiobjective optimization : MOTS, MCDM97, janvier 1997. M. P. Hansen, Generating a Diversity of Good Solutions to a Practical Combinatorial Problem using Vectorized Simulated Annealing, Preprint, 1997.

[Hansen et al. 98] P. Hansen, N. Mladenovi c, Variable neighborhood search : Principles and applications, Les cahiers du GERAD G-98-20, mai 1998. [Hansmann et al. 94] U. H. E. Hansmann, Y. Okamoto, Comparative Study of Multicanonical and Simulated Annealing Algorithms in the Protein Folding Problem, Rapport Technique SC-94-20-NWU-5/94, juillet 1994. [Hartmann 99] [Hati et al. 87] [Henrion 74] A. K. Hartmann, Introduction to Complexity Theory, octobre 1999 S. K. Hati, R. G. Lamb, Application of game theory in the design of optimal air pollution control measures, Atmospheric environment, volume 21, numro 8, pages 1833-1841, 1987. C. Henrion, Laide la dcision, tat de lart et des problmes, Informatiques et gestion, numro 60, 1974.

[Hillier et al. 95] F. S. Hillier, G. J. Lieberman, Introduction to Operations Research, McGraw-Hill International Editions, 1995. (document), 1.13 [Hoffmann et al. 95] T. Hoffmann, J. Buhmann, Multidimensional scaling and data clustering, Advances in Neural Information Processing 7, Morgan Kaufmann Publishers, pages 104-111, 1995. [Hong et al. 86] [Hooker 95] [Hordijk] [Horn et al. 93] L. Hong, C. Ting, Group decision making with multiple objectives and its interactive solution approach, IFAC Large scale systems : Theory and applications, 1986. J. N. Hooker, Testing Heuristics : We Have It All Wrong, Journal of Heuristics, pages 33-42, mai 1995. 7.16 W. Hordijk, A Measure of Landscapes, Evolutionary Computation, volume 4, numro 4, pages 335-360, 1996. J. Horn, N. Nafpliotis, D. E. Goldberg, Multiobjective optimization using the niched Pareto genetic algorithm, Rapport technique, IlliGAl Report 93005, universit de lIllinois, Urbana, Illinois, 1993. 5.7.2.3.1 R. James, A Framework for Search Heuristics, 1995.

[James 95]

[Jaszkiewicz 01] A. Jaszkiewicz, Multiple Objective Metaheuristic Algorithms for Combinatorial Optimization, Thse dhabilitation, Poznan University of Technology, 2001.

271

Bibliographie
[Jimenez et al. 99] F. Jimnez, J. L. Verdegay, A. F. Gmez-Skarmeta, Evolutionary techniques for constrained multiobjective optimization problems, Proceedings of the 1999 Genetic and Evolutionary Computation Conference, pages 115-116, Orlando, Floride, juillet 1999. [Jin et al. 01] Y. Jin, T. Okabe, B. Sendhoff, Adapting Weighted Aggregation for Multiobjective Evolution Strategies, EMO 2001, pages 96-110, 2001. [Jones et al. 95] T. Jones, S. Forrest, Fitness Distance Correlation as a Measure of Problem Difculty for Genetic Algorithms, Proc. of the sixth Int. Conf. on GA, pages 184-192, 1995. [Kahng et al. 97] A. B. Kahng, R. Sharma, Studies of Clustering Objectives and Heuristics for Improved StandardCell Placement, Manuscript, 1997 [Kanzow 98] C. Kanzow, Global Optimization Techniques for Mixed Complementarity Problems, Technical Report MP-TR-1998-09, juillet 1998. [Keeney 82] R. L. Keeney, Decision analysis : an overview, Operations Research, volume 30, numro 5, pages 803-837, septembre 1982 [Keeney et al. 93] R. L. Keeney, H. Raiffa, Decisions with multiple objectives : preferences and value tradeoff, ditions Cambridge University Press, 1993/ (document), 2.2.1 [Keller] P. M. Keller, FORMOSA-P Constrained Multiobjective Simulated Methodology [Kennedy et al. 95] J. Kennedy, R. Eberhart, Particle Swarm Optimization, Proc. IEEE Int. Conf. on Neural Net., pages 1942-1948, 1995. [Kermanshahi et al. 89] B. S. Kermanshahi, Y. Yasuda, R. Yokoyama, Environmental marginal cost evaluation by non-inferiority surface for optimal power dispatching, Rapport technique PE-89-177, 1989. [Kim et al.] D. G. Kim, P. Husbands, Mapping based constraint handling for evolutionary search ; Thurstons circle packing and grid generation, Preprint. [Kingdon et al. 95] J. Kingdon, L. Dekker, The Shape of Space, Proceedings of the rst IEE/IEEE International Conference on Genetic Algorithms in Engineering Systems : Innovations and Applications, IEE, London, pages 543-548, 1995. [Klock et al. 97] H. Klock, J. M. Buhmann, Multidimensional scaling by deterministic annealing, Springer Lecture notes in computer science, numro 1223, pages 246-260, mai 1997. [Klock et al. 99] H. Klock, J. M. Buhmann, Data visualization by multidimensional scaling : A deterministic annealing approach, Pattern Recognition, volume 33, numro 4, pages 651-669, 1999. [Knowles et al. 99] J. Knowles, D. W. Corne, The Pareto Archived Evolution Strategy : A new baseline algorithm for Pareto multiobjective optimization, 1999 Congress on Evolutionary Computation, pages 98-105, juillet 1999. [Knowles et al. 00] J. D. Knowles, D. W. Corne, A comparison of Diverse Approaches to Memetic Multiobjective Combinatorial Optimization, Proceedings of the 2000 Genetic and Evolutionary Computation Conference Workshop Program, pages 103-108, Las Vegas, Nevada, USA, juillet 2000. [Knowles et al. 01] J. D. Knowles, R. A. Watson, D. W. Corne, Reducing Local Optima in Single-Objective Problems by Multi-objectivization,First International Conference on Evolutionary Multi-Criterion Optimization, pages 268-282, numro 1993, 2001 [Koppen et al. 98] M. Kppen, S. Rudlof, Multiobjective Optimization by Nessy Algorithm, Proceedings of the 3rd Online Workshop on Soft Computing, pages 357-368, Londres, 1998. [Koski 85] J. Koski, Defectiveness of weighting method in multicriterion optimization of structures, Comm. in Appl. Num. Math, volume 1, pages 333-337, 1985. 2.1.4 [Koza et al. 99] J. R. Koza, F. H. Bennett III, D. Andre, M. A. Keane, Genetic Programming III : Automatic Programming and Automatic Circuit Synthesis, Morgan Kauffman Publishers, mai 1999. [Krishnamachari et al. 00] B. Krishnamachari, X. Xie, B. Selman, S. Wicker, Performance Analysis of Neighborhood Search Algorithms, Preprint, janvier 2000. [Kruskal 64a] J. B. Kruskal, Nonmetric multidimensional scaling : a numerical method, Psychometrika, volume 29, numro 2, juin 1964. [Kruskal 64b] J. B. Kruskal, Multidimensional scaling by optimizing goodness of t to a nonmetric hypothesis, Psychometrika, volume 29, numro 1, mars 1964. [Laguna et al. 99] M. Laguna, R. Marti, GRASP and path relinking for 2-layer straight line crossing minimization, INFORMS Journal on computing, volume 11, numro 1, 1999. [Lamagna 87] E. A. Lamagna, Infeasible Computation : NP Complete Problems, ABACUS, volume 4, numro 3, pages 18-33, 1987. [Laumanns et al. 00] M. Laumanns, E. Zitzler, L. Thiele, A Unied Model for Multi-Objective Evolutionary Algorithms with Elitism, 2000 Congress on Evolutionary Computation, volume 1, pages 46-53, Piscataway, New Jersey, USA, juillet 2000. 5.7.2.5, 7.15

272

Bibliographie
[Lauriere 78] [Lee et al. 00] [De Leeuw 93] J. L. Laurire, A language for stating and solving combinatorial problems, Articial intelligence, numro 10, pages 29-127, 1978 Y.-H. Lee, B. J. Berne, Global Optimization : Quantum Thermal Annealing with Path Integral Monte Carlo, J. Phys. Chem. A, volume 104, pages 86-95, 2000. J. De Leeuw, Fitting distances by least squares, Rapport technique, UCLA Statistics Series 130, LA, 1993.

[De Leeuw et al. 97] J. De Leeuw, P. J. F. Groenen, Inverse multidimensional scaling, Journal of Classication, volume 14, pages 3-21, 1997. [Levin] [Lin 76] M. S. Levin, Algorithm Systems for Combinatorial Optimization : Hierarchical Multistage Framework, Preprint. J. G. Lin, Multiple-objective problems : Pareto-optimal solutions by proper equality constraints, IEEE Transactions on Automatic Control., volume 5, numro AC21, pages 641-650, octobre 1976. 2.9.1 J. G. Lin, Proper inequality constraints and maximization of index vectors, Journal of optimization theory and applications, volume 21, numro 4, pages 505-521, avril 1977. 2.10.1 C. Lin, J. I. Yang, K. J. Lin, Z. D. Wang, Pressurized water reactor loading pattern design using the simple tabu search, Nuclear science and engineering, volume SC1, pages 61-71, 1998. R. Lister, Annealing Networks and Fractal Landscapes, IEEE Int. Conf. on Neural Networks, volume 1, pp 257-262, San Francisco, mars 1993. X. Liu, A Class of Generalized Filled Functions with Improved Computability, Journal of Comp. and Applied Math., numro 137, pages 61-69, 2001. X. Liu, A Computable Filled Function used for Global Minimization, Applied Math. and Comp., numro 126, pages 271-278, 2002. J. Lombard, Revue de quelques mthodes daide la dcision, Commission des communauts Europennes, 2-85206-127-9, Technique et documentation (FRA), pages 69-88, 1979. F. A. Lootsma, Modlisation du jugement humain dans lanalyse multicritre du moyen de comparaison par nos pairs, R.A.I.R.O. Recherche oprationnelle, volume 21, numro 3, pages 241-257, aot 1987.

[Lin 77] [Lin et al. 98] [Lister 93] [Liu 01] [Liu 02] [Lombard 79] [Lootsma 87]

[Loukil et al. 00] T. Loukil, J. Teghem, Ph. Fortemps, Solving Multi-objective Production Scheduling Problems with Tabu Search, Control and Cybernetics, volume 29, numro 3, pages 819-828, 2000. [Ma et al. 94] J. Ma, J. E. Straub, Simulated Annealing using the classical density distribution, J. Chem. Phys, volume 101, numro 1, juillet 1994.

[Mathias et al. 94] K. E. Mathias, L. D. Whitley, Transforming the Search Space with Gray Coding, IEEE Conf. on Ev. Comp., volume 1, pages 513-518, 1994. [Mathieu et al. 96] P. Mathieu, J.-P. Delahaye, Expriences sur le dilemme itr des prisonniers, Publication Interne du LIFL, numro IT-233, mars 1996. [Maystre et al. 94] L.-Y. Maystre, J. Pictet, J. Simos, Mthodes multicritres ELECTRE, dition Presses Polytechniques et Universitaires Romandes, 1994. 6.2.4, 6.3.1.2, 6.3.1.2, 6.3.2.1, 6.3.3.1, 6.3.4.4, 6.3.5.1, 6.3.5.2, 6.3.6.1, 6.3.7.1, 6.4 [McAllester et al. 97] D. McAllester, B. Selman, H. Kautz, Evidence for Invariants in Local Search, Proceedings of the Fourteenth National Conference on Articial Intelligence, Providence, Rhode Island, pages 321-326, 1997. [McReady et al. 95] W. G. McReady, D. H. Wolpert, What makes an Optimization Problem Hard ?, Rapport Technique, SFI-TR-95-0, Santa Fe Institute, avril 1995. [Menon et al. 95] A. Menon, K. Mehrotra, C. K. Mohan, S. Ranka, Optimization Using Replicators, Proc. of the sixth Int. Conf. on GA, pages 209-216, 1995. [Menon et al. 97] A. Menon, K. Mehrotra, C. K. Mohan, S. Ranka, Replicators, Majorization and Genetic Algorithms : New Models and Analytical Tools, Foundations of GA, numro 4, 1997. [Mertens] [Merz 00] [Merz et al. 98] S. Mertens, Computational Complexity for Physicists, Notes de cours. P. Merz, Memetic Algorithms for Combinatorial Optimization Problems : Fitness Landscape ans Effective Search Strategies, Thse, dcembre 2000. P. Merz, B. Freisleben, On the Effectiveness of Evolutionary Search in High-Dimensional NKLandscapes, Proc. of the 1998 IEEE Int. Conf. on Ev. Comp., pages 741-745, 1998.

[Messac et al. 00] A. Messac, G. J. Sundararaj, R. V. Tappeta, J. E. Renaud, Ability of Objective Functions to Generate Points on Nonconvex Pareto Frontiers, AIAA Journal, volume 38, numro 6, pages 10841091, juin 2000. 2.3.4

273

Bibliographie
[Michalewicz 95a] Z. Michalewicz, A survey of constraint handling techniques in evolutionary computation methods, Proceedings of the Fourth Annual Conference on Evolutionary Programming, MIT Press, Cambridge, pages 135-155, 1995 [Michalewicz 95b] Z. Michalewicz, Genetic algorithms, numerical optimization, and constraints, Proceedings of the sixth International Conference on Genetic Algorithm, pages 151-158, San Mateo, Californie, USA, juillet 1995. [Miettinen et al. 98] K. M. Miettinen, M. M. Mkel, Proper Pareto optimality in nonconvex problems - characterization with tangent and normal cones, Rapport technique, Universit de Jyvskyl, novembre 1998. [Miettinen 99] [Mobius et al.] K. M. Miettinen, Nonlinear multiobjective optimization, ditions Kluwer academic publisher, 1999. 1.8.7, 1.13, 2.3.1, 2.4.1, 2.5.3, 2.7.3, 3.8, 9.1 A. Mobius, A. Diaz-Sanchez, B. Freisleben, M. Schreiber, A. Fachat, K. H. Hoffmann, P. Merz, A. Neklioudov, Two Physically Motivated Algorithms for Combinatorial Optimization : Thermal Cycling and Iterative Partial Transcription. F.-R. Monclar, Rsolution cooprative de problmes : notes bibliographiques, Note interne EDFDER numro HT-37/95/019, 1995 F.-R. Monclar, Rsolution cooprative de problmes : ELICO et son application la supervision des rseaux lectriques, Thse de luniversit de Montpellier (LIRMM), mars 1998. F.-R. Monclar, Deux exemples dutilisation dalgorithmes "mta-heuristiques" pour des applications EDF, Note interne EDF-DER, 1999. M.O.P.G.P. Site Internet sur la mthode du but programm. 2.7.3 J. J. Mor, Z. Wu, Global Smoothing and Continuation for Large-Scale Molecular Optimization, preprint MCS-P539-1095, octobre 1995.

[Monclar 95] [Monclar 98] [Monclar 99] [MOPGP] [More et al. 95]

[Morita et al. 01] H. Morita, X. Gandibleux, N. Katoh, Experimental Feedback on Biobjective Permutation Scheduling problems Solved with a Population Heuristic, FCDS, volume 26, numro 1, pp 43-50, 2001. [Mouney 98] [Muller 94] [Multisimplex] X. Mouney, Implmentation dans le logiciel FORMOSA dune mthode multi-objectif base sur le recuit simul, Rapport de stage EDF-DER, 1998. C. Muller, Introduction aux mthodes neuronales doptimisation, Note interne EDF-DER numro HI-23/94/012, dcembre 1994. Manuel dutilisation du logiciel MultiSimplex 3.7.1, 3.7.3

[Munro et al. 86] J. Munro, P. H. Chaung, Optimal plastic design with imprecise data, Journal of engineering mechanics, volume 112, numro 9, pages 888-903, septembre 1986. 4.2.2 [Mynard 97] L. Mynard, Exploration locale oscillante heuristiquement ordonne, Thse LAFORIA-LIP6, dcembre 1997.

[Nelder et al. 65] J. A. Nelder, R. Mead, A Simplex method for function minimization, Computer Journal, volume 7, pages 308-313, 1965. 3.7.1 [Niimura et al.] T. Niimura, Y. Ueki, T. Matsumoto, R. Yokoyama, A fuzzy approach for multi-objective optimal generation dispatch, preprint. 4.2.2

[Norbis et al. 88] M. I. Norbis, J. McGregor-Smith, A multiobjective, multi-level heuristic for dynamic resource constrained scheduling problems, Eur. Journal of Op. Research, volume 33, numro 1, pages 3041, 1988. [Opricovic] [Osyczka 92] [Othmani 98] S. Opricovic An extension of compromise programming to the solution of dynamic multicriteria problems, preprint. A. Osyczka, Computer Aided Multicriterion Optimization System (CAMOS), International Software Publisher, 1992. I. Othmani, Optimisation multicritre : Fondements et Concepts, Thse de doctorat, universit de Grenoble, mai 1998. 1.8.6

[Papadimitriou 97] C. H. Papadimitriou, NP Completeness : A Retrospective, Proceedings of ICALP 97, Springer, 1997. [Parks et al. 98] [Parks et al. 99] G. T. Parks, I. Miller, Selective Breeding in a Multiobjective Genetic Algorithm, PPSN V, pages 250-259, Amsterdam, Holland, 1998. 5.7.2.5 G. T. Parks, A. Suppapitnarm, Multiobjective Optimization of PWR Reload Core Designs using Simulated Annealing, Mathematics and Computation, Reactor Physics and Environmental Analysis in Nuclear Applications, Madrid, Espagne, pages 1435-1444, septembre 1999.

[Pasquier-Dorthe et al. 95] J. Pasquier-Dorthe, H. Raynaud, Un outil daide la dcision multicritre, Revue Franaise de Gestion, numro 106, pages 11-21, 1995.

274

Bibliographie
[Pentzaropoulos et al. 93] G. C. Pentzaropoulos, D. I. Giokas, Cost-performance modeling and optimization of network ow balance via linear goal programming analysis, Computer Communications, volume 16, numro 10, pages 645-652, 1993. 2.6.2 [Peralska et al.] E. Peralska, D. De Ridder, R. P. W. Duin, M. A. Kraaijveld, A new method of generalizing Sammon mapping with application to algorithm speed up, Fourth Annual Conference of the Advanced School for Computing and Imaging, pages 221-228, juin 1999. P. Peretto, Rseaux de neurones et optimisation combinatoire, preprint

[Peretto]

[Perrin et al. 97] E. Perrin, A. Mandrille, M. Oumoun, C. Fonteix, I. Marc, Optimisation globale par stratgie dvolution : Technique utilisant la gntique des individus diplodes, Recherche Oprationnelle, AFCET-Gauthier-Villars, volume 31, numro 2, pages 161-201, 1997. 10.4 [Peterson et al. 93] C. Peterson, B. Soderberg, A new method for mapping optimization problems onto neural networks, International journal of neural systems, volume 1, numro 1, pages 3-22, 1993. [Pohlheim] [Potter 02] [Pouillot 92] [Press et al. 02] H. Pohlheim, Visualization of Evolutionary Algorithms : Real-World Application of Standard Techniques and Multidimensional Visualization, Preprint. M. A. Potter, An NK-Landscape Generator, 2002. S. Pouillot, Etude comparative des techniques multi-agents et des blackboard, Note Interne EDF numro HI-57/7959, mai 1992. W. H. Press, S. A. Teukolsky, W. T. Vetterling, B. P. Flannery, Numerical Recipes in C++, Cambridge University Press, 2002.

[Preux et al. 99] Ph. Preux, E.-G. Talbi, Towards Hybrid Evolutionary Algorithms, Int. Trans. in Op. Res., volume 6, pages 557-570, 1999. [Quentin 82] R. Quentin, Quatre techniques daide la dcision, Cadrco, numro 63, pages 9-12, septembre 1982.

[Radcliff et al. 95] N. J. Radcliff, P. D. Surry, Fundamental Limitations on Search Algorithms : Evolutionary Computation in Perspective, Lecture Notes in Computer Science 1000, Springer-Verlag, 1995. [Reardon 97a] B. J. Reardon, Fuzzy logic vs niched Pareto multi-objective genetic algorithm optimization : Part I : Schaffers F2 problem, Rapport technique LA-UR-97-3675, Los Alamos National Laboratory, 1997. 4.3.1, 4.3.3 B. J. Reardon, Fuzzy logic vs niched Pareto multi-objective genetic algorithm optimization : Part II : a simplied Born-Mayer problem, Rapport technique LA-UR-97-3676, Los Alamos National Laboratory, 1997. 4.3.1, 4.3.3 P. Rebreyend, Algorithmes gntiques hybrides en optimisation combinatoire, Thse de lE.N.S. Lyon, janvier 1999. C. M. Reidys, P. F. Stadler, Combinatorial Landscapes. C. Remez, Lintelligence dvoile ou la logique oue, Micro-systmes, mai 1986. 4.1 P. Reuss, Elments de neutronique, Notes de cours I.N.S.T.N., 1985. P. Reuss, Que sais-je ? La neutronique, P.U.F., 1985. F. Robert, Meilleure approximation en norme vectorielle et minimum de Pareto, Math. Modelling and Num. Analysis, volume 19, numro 1, pages 90-110, 1985. B. Roy, Mthodologie multicritre daide la dcision, ditions Economica, 1985. B. Roy, P. Vincke, Multicriteria analysis : survey and new directions, European journal of Op. Research, 1981. B. Roy, D. Bouyssou, Aide la dcision, Encyclopdie des sciences de la gestion (AFCET/Interfaces), numro 65, pages 4-13, mars 1988. B. Roy et D. Bouyssou, Aide multicritre la dcision : Mthodes et cas, ditions Economica, 1993. (document), 6.3.5.2, 6.3.5.2, 6.4 G. Rudolph, On a Multiobjective Evolutionary Algorithm and its Convergence to the Pareto Set, Proceedings of the 5th IEEE Conference on Evolutionary Computation, pages 511-516, Piscataway, New Jersey, USA, 1998. J. M. Sammon, A nonlinear mapping for data structure analysis, IEEE Transactions on Computers, volume C-18, numro 5, pages 401-409, 1969 S. M. Sait, H. Youssef, Iterative Computer Algorithms with Applications in Engineering : Solving Combinatorial Optimization Problems, IEEE Computer Society, 1999. 5.1, 5.8

[Reardon 97b]

[Rebreyend 99] [Reidys et al.] [Remez 86] [Reuss 85a] [Reuss 85b] [Robert 85] [Roy 85] [Roy et al. 81] [Roy et al. 88] [Roy et al. 93] [Rudolph 98]

[Sammon 69] [Sait et al. 99]

[Sakawa et al. 77] N. Sakawa, Y. Sawaragi, Multiobjective optimization in water resources problem for a single river basin - A case study of the Kakogawa river basin, Proceedings of the First KNKI IRDP Workshop, pages 197-221, 1977.

275

Bibliographie
[Sakawa et al. 85] M. Sakawa, F. Seo, Interactive multiobjective decision making by the sequential proxy optimization technique (SPOT) and its application to environmental systems, I.F.A.C. control science and technology, volume 10, numro 50-2, pages 119-124, 1985. [Sakawa et al. 88] M. Sakawa, H. Yano, An interactive fuzzy satiscing method for multiobjective linear programming problems with fuzzy parameters, Fuzzy Sets and Systems, volume 28, pages 129-144, 1988. 4.2.1 [Sakawa 02] M. Sakawa, Genetic Algorithms and Fuzzy Multiobjective Optimization, Kluwer Academic Publishers, 2002. 4.2.1

[Sarma et al. 96] J. Sarma, K. De Jong, An Analysis of the Effects of Neighborhood Size and Shape on Local Selection Algorithms, In Proc. 4th PPSN, LNCS 1141, Springer-Verlag, pages 236-244, 1996 . [Sawaragi et al.] Y. Sawaragi, S. Ikeda, H. Nakayama, T. Tanino, C. Okumura, An interactive optimization method for a water resource problem with multiple objectives, preprint. [Schaerf et al. 99] A. Schaerf, M. Lenzerini, M. Cadoli, LOCAL++ : A C++ Framework for Local Search Algorithms, Rapport Technique 11-99, Dipartimento di Informatica e Sistemistica, Universit di Roma, Italie, mai 1999. [Schaffer et al. 89] J. D. Schaffer, R. A. Caruana, L. J. Eshelman, R. Das, A Study of Control Parameters Affecting Online Performance of Genetic Algorithms for Function Optimization, ICGA-89, pages 51-60, San Mateo, Californie, USA, 1989. [Scharlig 85] [Scharlig 96] A. Scharlig, Dcider sur plusieurs critres : panorama de laide la dcision multicritre, ditions Presses Polytechniques Romandes, 1985. 6.1, 6.4 A. Scharlig, Pratiquer ELECTRE et PROMETHEE : Un complment Dcider sur plusieurs critres, ditions Presses Polytechniques Romandes, 1996. 6.4

[Schelstraete et al.] S. Schelstraete, W. Schepens, H. Verschelde, Energy minimization by smoothing techniques : a survey. [Schoenauer et al. 98] M. Schoenauer, Z. Michalewicz, Sphere operators and their applicability for constrained parameter optimization problems, Seventh Annual Conference on Evolutionary Programming EP98, 1998. [Sefrioui et al.] [Sen] M. Sefrioui, J. Periaux, Nash Genetic Algorithms : Examples and Applications, Preprint. S. Sen, Stochastic programming : Computational issues and challenges, Encyclopedia of OR/MS.

[Serquin et al. 97] Y. Serquin, F. Beaudouin, B. Murier, Multi-attribute utility theory toward a more general framework, Note interne EDF-DER numro HP-28/97/042/A, avril 1997. [Shao et al. 95] [Sharpe 00] C.-S. Shao, R. H. Byrd, E. Eskow, R. B. Schnabel, Global Optimization for Molecular Clusters using a new Smoothing Approach, 1995. O. J. Sharpe, Towards a Rational Methodology for Using Evolutionary Search Algorithms, Thse, University of Sussex, England, janvier 2000.

[Shatilla et al. 99] Y. A. Shatilla, D. C. Little, J. A. Penkrot, R. A. Holland, Biased multi-objective function optimization in Westinghouse advanced loading pattern search code ALPS, Mathematics and Computation, Reactor Physics and Environmental Analysis in Nuclear Applications, volume 2, pages 282-295, Madrid, Espagne, septembre 1999. [Siarry et al. 89] P. Siarry, G. Dreyfus, La mthode du recuit simul. Thorie et applications, ditions IDSET, ESPCI, 1989. [Siarry 94] [Siarry 99] [Smith 95] [Smith 99] P. Siarry, La mthode du recuit simul en lectronique, Rapport dhabilitation diriger les recherches. Universit de Paris-Sud (Orsay), 1994. 5.4 P. Siarry, Optimisation et classication de donnes, Cours du D.E.A G.B.M. de luniversit de Paris 12, 1999. 5.4 B. M. Smith, A tutorial on constraint programming, Rapport technique 95-14, avril 1995. K. A. Smith, Neural networks for combinatorial optimization : A review for more than a decade of research, INFORMS Journal on Computing, volume 11, numro 1, 1999.

[Spenle et al. 96] D. Spenl. R. Gourhant, Guide du calcul en mcanique, Hachette Technique, 1996. 1.6.3.1 [Spierenburg 97] J. A. Spierenburg, Dimension Reduction of Images using Neural Networks, Master Thesis, Department of Computer Science, Leiden University, juillet 1997. [Srinivas et al. 93] N. Srinivas, K. Deb, Multiobjective optimization using non-dominated sorting in genetic algorithms, Rapport technique, Department of Technical Engineering, Indian Institute of Technology, Kanput, India, 1993. 5.7.2.2.1 [Stadler et al. 92] P. F. Stadler, W. Schnabl, The Landscape of the Travelling Salesman Problem, 1992.

276

Bibliographie
[Steuer 76] R. E. Steuer, Multiple objective linear programming with interval criterion weights, Management science, volume 23, numro 3, pages 305-316, novembre 1976.

[Stutzle et al. 00] T. Stutzle, A. Grun, S. Linke, M. Ruttger, A Comparison of Nature Inspired Heuristics on the Traveling Salesman Problem, 2000. [Szidarowsky et al. 84] F. Szidarowsky, L. Duckstein, I. Bogardi, Multiobjective management of mining under water hazard by game theory, Journal of Op. Research, volume 15, pages 251-258, 1984. [Tabak 79] D. Tabak, Computer based experimentation with multicriteria optimization problems, IEEE Transactions on Systems Man and Cybernetics, volume SMC9, numro 10, pages 676-679, septembre 1979. 2.11.1

[Tagami et al. 99] T. Tagami, T. Kawabe, Genetic Algorithm based on a Pareto Neighborhood Search for Multiobjective Optimization, Proc. of the 1999 Int. Symp. of Nonlinear Th. and its Appl., pages 331-334, 1999. [Taillard] [Talbi 98] [Tarvainen 86] E. D. Taillard, Comparison of Non-Deterministic Iterative Methods, preprint. E.-G. Talbi, A Taxonomy of Hybrid Metaheuristics, Rapport technique TR-183, LIFL, Universit de Lille 1, mai 1998. 9.1 K. Tarvainen, On the generating of Pareto optimal alternatives in large scale systems, IFAC Large scale systems : Theory and applications, Pergamon Press, pages 519-524, aot 1986.

[Teghem et al. 00] J. Teghem, D. Tuyttens, E. L. Ulungu, An Interactive Heuristic Method for Multi-objective Combinatorial Optimization, Computer & Operations Research, volume 27, pages 621-634, 2000. [Thiollet 99] B. Thiollet, Mthode du gradient discret pour loptimisation de la recherche de plans de rechargement : recommandations pour la maquette, Note interne EDF-DER numro HI-72/99/002/A, fvrier 1999.

[Tipping et al. 97] M. E. Tipping, C. M. Bishop, Mixtures of Principal Component Analysis, Rapport technique, NCRG/97/003, Neural Computing Research Group, Universit dAston, Birmingham, UK, 1997. [Tipping et al. 98] M. E. Tipping, D. Toux, Shadow Targets : A Novel Algorithm for Topographic Projections by Radial Basis Functions, NeuroComputing, volume 19, pages 211-222, 1998. [Tkindt et al. 00] V. Tkindt, J.-C. Billaut, Lordonnancement multicritre, Presses Universitaires de Tours, dcembre 2000. [Toshinsky et al. 00] V. G. Toshinsky, H. Sekimoto, G. I. Toshinsky, A method to improve multiobjective genetic algorithm optimization of a self-fuel-providing LMFBR by niche induction among nondominated solutions, Annals of nuclear energy, volume 25, numro 5, pages 397-410, 2000. [Turinsky 99] P. J. Turinsky, Mathematical optimization of incore Nuclear fuel management Decisions : status and Trends, ATW. Atomwirtschaft-Atomtechnik - Internationale Zeitschrift Fur Kernenergie, volume 44, numro 7, pages 454-458, 1999.

[Tuyttens et al. 00] D. Tuyttens, J. Teghem, Ph. Fortemps, K. Van Nieuwenhuyze, Performance of the MOSA Method for the Bicriteria Assignment Problem, Journal of Heuristics, volume 6, numro 3, pages 295-310, 2000. [Ulungu et al. 94] E. L. Ulungu, J. Teghem, Multi-objective Combinatorial Optimization Problems : A Survey, Journal of Multi-criteria Decision Analysis, volume 3, pages 83-104, 1994. [Ulungu et al. 95] E. L. Ulungu, J. Teghem, The Two Phases Method : An Efcient Procedure to Solve Bi-objective Combinatorial Optimization Problems, Foundations of Computing and Decision Sciences, volume 20, numro 2, 1995. [Ulungu et al. 99] E. L. Ulungu, J. Teghem, P. H. Fortemps, D. Tuyttens, MOSA Method : A Tool for Solving Multiobjective Combinatorial Optimization Problems, Journal of Multicriteria Decision Analysis, volume 8, numro 4, pages 221-236, 1999. 5.4.2.1, 5.4.2.3 [Vaessens et al. 92] R. J. M. Vaessens, E. H. L. Aarts, J. K. Lenstra, A Local Search Template, PPSN 2, 1992. [Vallin et al. 00] P. Vallin, D. Vanderpooten, Aide la dcision : Une approche par les cas, Ellipses, 2000. [Van Den Bergh et al.] F. Van Den Bergh, A. P. EngelBrecht, Effects of Swarm Size on Cooperativee Particle Swarm Optimizers. [Van Den Bergh et al. 00] F. Van Den Bergh, A. P. Engelbrecht, Cooperative Learning in Neural Networks using Particle Swarm Optimizers, South African Computer Journal, numro 26, pages 84-90, 2000. [Van Hentenryck et al. 96] P. Van Hentenryck, D. McAllester, D. Kapur, Solving polynomial systems using a branch and prune approach, SIAM Journal of Numerical Analysis, volume 34, numro 2, 1996. [Van Kemenade 98] C. H. M. Van Kemenade, Analysis of NK-XOR Landscape, 1998. [Van Laarhoven et al. 92] P. J. M. Van Laarhoven, E. H. L. Aarts, Simulated Annealing : Theory and Applications, Kluwer Academic Publishers, 1992.

277

Bibliographie
[Van Veldhuizen et al. 98] D. A. Van Veldhuizen, G. B. Lamont, Multiobjective evolutionary algorithm research : A history and analysis, Rapport technique TR-98-03, Department of Electrical and Computer Engineering, Graduate School of Engineering, Air Force Institute of Technology, Wright Patterson AFB, Ohio, USA, octobre 1998. [Van Veldhuizen 99] D. A. Van Veldhuizen, Multiobjective evolutionary algorithms : classications, analyses and new innovations, Ph. D., Graduate School of Engineering. Air Force Institute of Technology, Wright Patterson AFB, Ohio, USA, janvier 1999. 1.12, 7.1, 7.10.1, 7.16 [Van Veldhuizen et al. 00] D. A. Van Veldhuizen, G. B. Lamont, On Measuring Multiobjective Evolutionary Algorithms Performances, 2000 Congress on Evolutionary Computation, volume 1, pages 205-211, Piscataway, New Jersey, USA, juillet 2000. [Varanelli 96] J. M. Varanelli, On the Acceleration of Simulated Annealing, Thse, Faculty of the School of Engineering and Applied Sciences, University of Virginia, mai 1996. [Vavasis] S. A. Vavasis, Complexity Issues in Global Optimization : A Survey, Preprint [Vern 92] J. L. Vern, La logique oue : concepts et dnitions, Electronique Radio Plans, dcembre 1992 4.1 [Vincke 89] Ph. Vincke, Laide multicritre la dcision, ditions Ellipses, ditions de lUniversit de Bruxelles, 1989 6.2.3, 6.3.2.1, 6.3.4.4, 6.3.5.1, 6.3.6.1 [Visee et al. 98] M. Vise, J. Teghem, M. Pirlot, E. L. Ulungu, Two-phases Method and Branch and Bound Procedures to Solve the Bi-objective Knapsack Problem, Journal of Global Optimization, volume 12, pages 139-155, 1998 [Weidl 96] J. Weidl, The standard template library tutorial, juillet 1996 [Wendt 97] O. Wendt, W. Konig, Cooperative Simulated Annealing ; How Much Cooperation is Enough ?, Rapport Technique, 1997. [Wenzel et al.] W. Wenzel, K. Hamacher, A Stochastic Tunneling Approach for Global Minimization of Complex Potential Energy Landscapes. [De Werra 90] D. De Werra, Heuristics for graph coloring, Computing Suppl., volume 7, pages 191-208, 1990. 5.5 [Westhoff et al. 96] F. H. Westhoff, B. V. Yarbrough, R. M. Yarbrough, Complexity, Organisation, and Stuart Kauffmans The Origin of Order, J. of Economic Behavior and Organization, volume 29, pages 1-25, 1996. [Whales et al.] D. J. Whales, J. P. K. Doye, Global Optimization by Basin-Hopping and the Lowest Energy Structures of Lennard-Jones Clusters Containing up to 110 Atoms. [Whitley 91] L. D. Whitley, Fundamental Principles of Deception in Genetic Search, Foundations of GA, pages 222-241, 1991. [Whitley et al. 95] L. D. Whitley, K. Mathias, S. Rana, J. Dzubera, Building Better Test Functions, Int. Conf. on GA, 1995. [Whitley et al. 96] D. Whitley, K. Mathias, S. Rana, J. Dzubera, Evaluating Evolutionary Algorithms, Journal of Articial Intelligence, volume 85, numros 1-2, pages 245-276, 1996. 8.4 [Williamson 99] D. P. Williamson, IBM Research Report : Lecture Notes on Approximation Algorithms Fall 1998, IBM Research Division, T. J. Watson Research Center, Yorktown Heights, New York, Rapport Interne RC 21409, fvrier 1999. [Wolpert et al. 95] D. H. Wolpert, W. G. McReady, No Free Lunch Theorem for Search, Rapport technique SFI-TR95-02-010, Santa Fe Institute, fvrier 1995. [Wolpert et al. 96] D. H. Wolpert, W. G. McReady, No Free Lunch Theorem for Optimization, IEEE Trans. on Evolutionary Computation, avril 1996. [Wong et al. 98] H. I. Wong, S. Crouzet, Optimisation des plans de rechargement nuclaire, Note Interne EDFDER numro HI-14/98/034/A, dcembre 1998. [Wu et al. 01] J. Wu, S. Azarm, Metrics for Quality Assessment of a Multiobjective Design Optimization Solution Set, Trans. of the ASME, volume 123, pages 18-25, mars 2001. [Xu et al. 98] J. Xu, S. Y. Chiu, F. Glover, Fine-Tuning a Tabu Search Algorithm with Statistical Tests, Int. Trans. Op. Res., volume 5, numro 3, pages 233-244, 1998. [Xu et al. 99] H. Xu, B. J. Berne, Multicanonical jump walk annealing : An efcient method for geometric optimization, Journal of Chem. Phys., pages 299-306, 1999. [Yamamoto et al. 99] A. Yamamoto, H. Hashimoto, Applications of Temperature Parallel Simulated Annealing to Loading Pattern Optimizations of Pressurized Water Reactors, Mathematics and Computation, Reactor Physics and Environmental Analysis in Nuclear Applications, volume 2, pages 14451458, Madrid, Espagne, septembre 1999.

278

Bibliographie
[Yao 96] [Zadeh 65] X. Yao, An Overview of Evolutionary Computation, Chinese Journal of Advanced Software Research, volume 3, numro 1, pages 12-29, 1996. L. A. Zadeh, Fuzzy Sets, Information and Control, volume 8, pages 338-353, 1965. 4.1

[Zionts et al. 76] S. Zionts, J. Wallenius, An interactive programming method for solving the multiple criteria problem, Management science, volume 22, numro 6, pages 652-653, fvrier 1976. [Zitzler et al. 98] E. Zitzler, L. Thiele, An Evolutionary Algorithm for Multiobjective Optimization : the Strength Pareto Approach, Rapport Technique 43, Computer Engineering and Communication Networks Lab (TIK), Swiss Federal Institute of Technology, mai 1998. 5.7.2.5 [Zitzler et al. 99] E. Zitzler, K. Deb, L. Thiele, Comparison of Multiobjective Evolutionary Algorithms : Empirical Results, Rapport Technique 70, Computer Engineering and Networks Laboratory (TIK), Swiss Federal Institute of Technology (ETH) Zurich, dcembre 1999. 7.14, 7.14.1, 7.14.2, 7.16

279

Index
litisme, 127, 128 nergie, 15 a posteriori, 39, 73 a priori, 39, 73 a-dominance, 34 action, 132 aide la dcision, 39, 47, 131 algorithmes gntiques, 114, 118 -optimale, 100 analyse de robustesse, 135 de sensibilit, 135 antisymtrique, 133 archivage, 128 binaire, 115 Binh, 45 Born-Mayer, 103 cne, 19 cne optimalit, 32 chromosome, 115 classement, 132 direct, 149 inverse, 149 cot, 15 coefcient de concordance, 147 combinatoire, 17 compromis, 19, 38 continu, 17 contradictoire, 18 contrainte, 15 , 52 contraintes dgalit propres, 64 convexe, 57 convexit, 37 Corley, 56 corrlation, 98 critre, 135 niveaux, 166 prfrence linaire, 166 zone dindiffrence, 166 gnralis, 164 gaussien, 166 usuel, 165 croisements, 116 dcouples, 105 dviation, 61, 84 Deb, 193 degr de crdibilit, 155 discontinue, 196 discret, 17 distance gnrationnelle, 176 distillation ascendante, 158 descendante, 157 dominance, 19, 20 canonique, 160 effet stochastique, 112 ELECTRE, 135 I, 138 II, 146 III, 153 IS, 145 IV, 159 TRI, 161 entier, 17 erreur maximale, 178 espace de recherche, 15 espacement, 182 faiblesse, 157 Fandel, 76, 82 fantmes, 197 ux entrant, 167 net, 167 sortant, 167 fonction dappartenance, 96 front de Pareto, 36 gnotype, 115 gne, 115 Geoffrion, 35 GNVG, 186 Hanne, 199 HRS, 184 hyperplan, 78 hypersurface, 180 idal, 77 ingalit, 15 incomparabilit, 134 indice de concordance, 137, 139, 154 de discordance, 155 indiffrence, 134 individu, 115

280

Index
interactive, 73 isovaleur, 42, 50 Jahn, 88 Keeney-Raiffa, 47 lordonnancement lexicographique, 63 l -faiblesse, 157 l -puissance, 157 l -qualication, 157 Laumanns, 191 linaire, 17 logique oue, 95 mtaheuristique, 39, 105 mthode dterministe, 106 de Geoffrion, 88 de Jahn, 84 de la distance, 48 de Lin-Giesy, 70 de Lin-Tabak, 69 de pondration, 41, 56 de Reardon, 102 de Sakawa, 98 de Tchebychev, 49 du but atteindre, 57 du but programm, 61 du compromis, 52 du compromis par substitution, 73 du min-max, 49 du simplex, 91 oue, 39 hybride, 55 interactive, 39 MOGA, 121 MOSA, 110 NPGA, 125 NSGA, 122 PASA, 108 PIC, 67 scalaire, 39 SPEA, 127 STEP, 82 stochastiques, 106 WARGA, 126 mthodes de rsolution, 39 mtrique absolue, 190 relative, 188 MAUT, 47 minimum global, 16 local, 16 multicritre, 18 multifrontale, 197 multiobjectif, 18 mutation, 118 Newton, 105 niches, 123 non discordance, 138 non domin, 19, 23 non linaire, 17 non uniforme, 198 non-uniformit, 61 noyau du graphe, 137 NVA, 186 objectif, 16 ONVG, 184 optimale, 19 optimalit extrme, 30 lexicographique, 30 maximale, 31 optimisation, 15 ordre, 133 paradoxe de Condorcet, 131 Pareto, 19 partage, 123 performances, 173 phnotype, 115 point idal, 36, 49 nadir, 37 point central, 80 pondration, 82 population, 114 poutre, 18 prfrence, 134 prordre, 133 partiel, 134 total, 134 problmatique, 131 problme, 15 test, 193 progression, 185 progressive, 39 PROMETHEE, 135 I, 164 II, 168 propre, 65 pseudo-critre, 153 pseudo-dominance, 161 puissance, 157 quadratique, 17 qualication, 157 quasi-critre, 166 quasi-dominance, 160 quasi-Newton, 105 quasi-suprmalit, 68 ralisable, 15, 20 rexive, 133 rang, 121, 122 rang de domination, 23 rapport derreur, 174 dhypersurface, 180 de compromis, 89 recherche tabou, 114

281

Index
recuit simul, 107 relation dquivalence, 133 dordre, 131, 133 de prfrence, 134 return to base, 109 Schaffer, 42 STDGD, 177 suprmum, 65 surclasse, 136 surclassement, 139 faible, 148 ou, 157 fort, 148 surface de compromis, 36, 173 SWT, 73 symtrique, 133 tabou gnralise, 114 tabou simple, 114 thorme du contact, 19 transitive, 133 utilisateur, 15 utilit, 47 vague, 187 variable de dcision, 16 VEGA, 119 veto-dominance, 161 Zadeh, 95 Zitzler, 188 zone efcace, 206 Zoutendjik, 84

282