De la capitalisation des connaissances lapproche

multicritre :
Proposition de modles de choix lindustriel

Jean RENAUD
Matre de Confrences HDR
ERPI Nancy
Equipe Modlisation multicritre et
connaissances industrielles

14me Atelier de raisonnement partir de cas 30-31 mars 2006

Plan de lexpos
-

Contexte industriel de la conception

Introduction des approches multicritres
Dmarche multicritre propose
Applications industrielles
Conclusion

Problmatique de la conception

Activits

Mode SEQUENTIEL
< 1990

Problmatique scientifique

Produit fini

Activits
Problmatique industrielle

Dure de conception

Temps

Problmatique de la conception

Problmatique scientifique

Activits
Chevauchement

INGENIERIE CONCOURANTE
> 1990
Produit fini

Produit fini

Activits
Problmatique industrielle Temps

Dure de conception

Gain de temps

Problmatique de conception
INGENIERIE CONCOURANTE
> 1990

Problmatique scientifique

Activits
Chevauchement
Gnie dcisionnel

Produit fini

Produit fini

Dcisions

Activits
Problmatique industrielle

Dure de conception

Gain de temps

Temps
Risque

Problmatique de conception
INGENIERIE CONCOURANTE
> 1995
Activits

Problmatique scientifique

Chevauchement
Gnie dcisionnel
Capitalisation des
connaissances

Produit fini

Connaissance en mode
INGENIERIE CONCOURANTE
Produit fini

Groupe Dyxit
Connaissances
mtier
Connaissance en
mode SEQUENTIEL
Problmatique industrielle

Dure de conception

Rduction des dlais

Temps
Risque
Connaissances

Rsultats obtenus
Une originalit :
Prise en compte des Connaissances Mtier
ou tacites:

Dmarche gnrique

Etude du processus de
capitalisation des connaissances
Identification et extraction
des connaissances
Modlisation des
Connaissances et validation
Utilisation des modles
pour rduire
la dure de conception

3 phases de
Capitalisation
des connaissances

Rsultats obtenus
Une originalit :
Prise en compte des Connaissances Mtier
ou tacites:

Dmarche gnrique

Etude du processus de
capitalisation des connaissances
Identification et extraction
des connaissances
Modlisation des
Connaissances et validation
Utilisation des modles
Amlioration du processus
de conception

Apports
mthodologiques
Tests et transferts
de mthodes et modles
Apports de
nouveaux modles
Principes
doprationalisation

Originalit de la recherche

Produit fini
Produit fini

Connaissance
dcisionnelle

Problmatique scientifique

Activits
Chevauchement
Gnie dcisionnel
Capitalisation des
Connaissances
Approche multicritre

Problmatique industrielle
Dure de
conception

Rduction des dlais

Temps
Risque
Connaissances
Innovation

Approche multicritre
Exemple

On cherche maximiser les critres

Critres

C1

C2

C3

C4

P1 : 0.1

P2 : 0.3

P3 : 0.1

P4 : 0.5

Produit 1

4.25/3.2/0.18

Produit 2

3.75/5.15/0.225

Produit 3

3.75/3.7/0.216

Produit 4

3.25/3.5/0.09

Produits

Produit
non domin

Produit domin

Mthodes
utilises

Si lon utilise
- la moyenne : P1> P2 = P3 > P4
- la moyenne pondre : P2> P3 > P4 > P1
- le produit pondr : P2> P3 > P1 > P4

Approche multicritre
DEFINITION
Pas de solution UNIQUE
mais plusieurs solutions Compromis
Laide multicritre vise fournir un dcideur des outils
lui permettant de progresser dans la rsolution
dun problme de dcision o plusieurs points de vue,
souvent contradictoires, doivent tre pris en compte

Grille de dcision
Critres

- Exhaustivit
- Cohrence entre les critres
- Non redondance

Ci

Pk

Action Ai

Poids des critre [0, 1]

- lexpert donne des valeurs
- Mthode dentropie
- Classement par ordre dcroissant
- comparaison 2 2 des critres

Fonction dutilit

aij
1

Action Ak

aik
A

Action : {produit, solution, projet

Grille de dcision
1

Action Ai

cible A

cible

Fonction dutilit

aij
1

Action Ak

aik
A

Grille de dcision
Critres

- Exhaustivit
- Cohrence entre les critres
- Non redondance

Ci

Pk

Action Ai

Poids des critre [0, 1]

- lexpert donne des valeurs
- Mthode dentropie
- Classement par ordre dcroissant
- comparaison 2 2 des critres

Fonction dutilit

aij
1

Action Ak
Critre prfrence

P(aij, aik)

sq

aik

sp

Seuils
- seuil fort, seuil de concordance
- seuil faible, seuil dindiffrence, stricte
- seuil de veto...

Grille de dcision
Critre palier

Critre gaussien

P(aij, aik)

P(aij, aik)
Ci

Pk

Action Ai

aij

Action Ak

aik

Critre prfrence

P(aij, aik)

sp

gj(a) gj(b)

Seuils
- seuil fort, seuil de concordance
- seuil faible, seuil dindiffrence, stricte
- seuil de veto...

Diffrentes approches
Agrgation
Agrgationtotale
totale//compensatoire
compensatoire
-Critre
unique
-Critreunique
(vacuant
(vacuanttoute
touteincomparabilit)
incomparabilit)

Agrgation
Agrgationpartielle
partielle//non
noncompensatoire
compensatoire
-Principe
desur-classement
sur-classement
-Principede
(prend
(prenden
encompte
comptelincomparabilit)
lincomparabilit)

-Maximiser
Fonctiondutilit
dutilit
-MaximiserlalaFonction
agrger
agrgertous
tousles
lescritres
critres

-Maximiser
Fonctiondutilit
dutilit
-MaximiserlalaFonction
agrger
agrgertous
tousles
lescritres
critres

MAUT
MAUTMulti
MultiAttribute
AttributeUtility
UtilityTheory
Theory
Moyenne
Moyennepondre,
pondre,OWA,
OWA,Goal
Goalprogr.
progr.

ELECTRE
ELECTREI,I,II,
II,III,
III,Promthe,
Promthe,
Bilans
Bilansde
deflux
flux

Approches
Approcheshybrides
hybrides
Agrgation
Agrgationtotale
totaleet
etnon
noncompensatoire
compensatoire
Agrgation
Agrgationpartielle
partielleet
etcompensatoire
compensatoire
Intgrales
Intgralesfloues
floues(Sugeno,
(Sugeno,Choquet)
Choquet)
Thorie
Thoriedes
desRough
RoughSets,
Sets,Mthode
MthodeAHP
AHP

Diffrentes mthodes Electre (Roy, 68)

Mthodes de surclassement

Electre I
Indice de surclassement : c(a,b) =
Indice de discordance : d(a,b) =

pj/P avec gj(a) gj(b)

0 si gj(a) gj(b), j
1/ max [gj(a) gj(b)], sinon

Seuils de concordance c(a,b) et de discordance d(a,b) donc

aSb ssi c(a,b) C et d(a,b) D

Electre II
Plusieurs seuils de concordance et de discordance : surclassement Fort et faible
ELECTRE III
Introduire de seuils de Prfrence, Indiffrence et de vto
S(a,b) = c(a,b). {1-D(a,b)/1-c(a,b)} avec D(a,b) c(a,b)

Principe de notre dmarche

Le produit

Aspect multicritre
Dlai
Cot
Qualit
Productivit
Proprit dusage

Pas de solution
unique

Recherche de
compromis

Rentabilit

Gnrer un ensemble de compromis

Choisir le compromis prfr

Principe de notre dmarche

Le produit

CHOIX
Dlai
Cot
Qualit
Productivit
Proprit dusage
Rentabilit

Zone
optimale

Aide
la dcision

Liste de
compromis

Prfrences
du dcideur

Concept de domination de Pareto

Optimisation multicritre

Analyse multicritre

Mthodes multicritres

Dmarche prconise
E(t)

Variables
opratoires

Activit de fabrication

Dcideur

S(t)

Produit
ralis

Cible

Produit souhait

Exprience acquise

Liste des compromis

Problmatique industrielle
Front de Pareto

Zone de
Pareto
Ce quil ne faut pas faire

Cible

C
B

Principe de Pareto

Dmarche prconise
Variables
opratoires

E(t)

Activit de fabrication

Dcideur

S(t)

Produit
ralis

Cible

Produit souhait

Exprience acquise

Liste des compromis

Problmatique industrielle

Liste des compromis

Proposition
de loprateur

Prfrences
de lexpert

Produit prfr

Ce quil est prfrable

de faire : Recommandations

Zones de
prfrence

Classement des compromis

par ordre de prfrence

Dmarche prconise
Variables
opratoires

E(t)

Activit de fabrication

S(t)

Produit
ralis

Dcideur
Expert

Exprience acquise

Problmatique industrielle
Spcification du processus de
fabrication (souhait ou cible)

Espace des
variables

Activit
Activitde
deconception
conception
Pilotage du
Processus dinnovation

Cartes des
Savoir-faire

Cartes des
prfrences

Spcification du
Produit
(CDC, souhait, cible)

Espace des
critres

Application de mthodes danalyse multicritres

Application : granuls pour animaux

Application Industrielle
Granuls pour btails

Procd dextrusion
minimiser trois critres :
- friabilit
- humidit
- consommation nergtique
Contrler les paramtres (deux importants)
- diamtre filire (D)
- temprature de fourreau (T)

Dmarche utilise
Modlisation du procd
Recherche de la zone de Pareto
Application de la mthode Bilans de Flux
Application de la thorie des Rough Sets
Comparaison et discussion

Calcul de la zone de Pareto

Exemple
F1 (nergie) = 30.156 + 4 D 0.94 T + 0.00625 T2
F2 (friabilit) = 27.854 6.046 D 0.46 T + 0.42 D2 + 0.0023 T2 + 0.044 DT

Exemple de fonction D = fct T

0.0055T 2 0.135335T 7.52324

D
0.0105T 0.9656
D 3.91 cm T 62.6 C

Temprature (Tc)

F3 (humidit) = 12.025 + 1.115 D 0.033 T 0.0167 D2 + 0.00167 T2 0.0337 DT

75
Zone de Pareto

35

D cm

Calcul de la zone de Pareto

Exemple
F1 (nergie) = 30.156 + 4 D 0.94 T + 0.00625 T2
F2 (friabilit) = 27.854 6.046 D 0.46 T + 0.42 D2 + 0.0023 T2 + 0.044 DT

Temprature (Tc)

F3 (humidit) = 12.025 + 1.115 D 0.033 T 0.0167 D2 + 0.00167 T2 0.0337 DT

75

Temperature (C)

65

55

45

35
2

Diameter (cm)

75
Zone de Pareto

35
2

D cm

Mthode Promthe et Bilans de flux

A. Mthode Promthe (Brans, 84)
Utilisation de la fonction de prfrence Pi(a,b)

i Pi (a,b)

P(a,b) i1

i1

+(a) {flux entrant} = P(a, b) et,

-(a) {flux sortant} = P(b, a)
Bilan de flux : (a) = +(a) - -(a)

B. Mthode des Bilans de Flux (Kiss, 02)

Prise en compte de lindice de discordance dElectre III

i Pi (a,b) k
1Di a,b3
P(a,b) i1

1
i
i1

Application de la mthode des Bilans de flux

Dfinition des seuils et des poids
Critres

Wk

Qk

Pk

Vk

Friabilit

1/3

0.2

0.5

0.8

Humidit

1/3

0.5

1.5

Consommation
nergie

1/3

Rpartition du domaine de Pareto

70

Point 1 le meilleur
T (C)

60

50

Point 2 mauvais

40

D (cm)

Classification de la zone de Pareto par quintile

Thorie des Rough Sets (Grco, 01)

F1 F2
Minimiser les critres

4,5
4,3

ACL/H2

4,1

3,9
3,7

F1

5,1

3,6

4,6

F2

5,2

2,1

F3

4,6

5,6

5,5

F4

4,7

4,1

2,2

3,5
3,3
3,1

2,9

39 40 41 42 43 44 45 46 47 48 49
EST M+5

Type

Nom

101

R1

100

R2

010

NP

R3

011

NP

R4

Classement
par ordre de prfrence

Points significatifs
F1

Cartographie des
Connaissances
(zone de prfrence)

Rgle

F1-F4

+1

F4-F1

+1

F1-F5

+1

F2

F4

F5

Rgles de prfrence et
de non prfrence
Ex : 110 P

-1
-1
-1

Application de ces rgles

lensemble de la zone

Thorie des Rough Sets (Grco, 01)

Classification de 5 points par ordre de prfrence

Points

D (cm)

T (C)

Friability

Humidity

Consumption

Position

A1

3.00

63.10

2.05

13.40

7.9

1st

A2

2.62

74.40

2.09

15.00

5.50

2nd

A3

2.10

60.30

3.31

14.10

4.70

3th

A4

5.96

57.00

2.98

10.10

20.90

4th

A5

5.73

74.40

4.32

10.20

17.90

5th

Proposition des rgles de prfrence et de non prfrence

Preference
rules
101

Non preference rules

100

011

010

Thorie des Rough Sets (Grco, 01)

Prcision et qualit de lapproximation : (Hp) = 0.43; (Hp) = 0.6
Rpartition de la zone de Pareto

75

Point 1 the best

T (C)

65

55

Point 2 the worst

45

35
2

D (cm)

Classification de la zone de Pareto par quantile

Comparaison des deux approches

Methods

(D) cm

TC

(I) F.

(H)

(C)

The best point

RSM

2.80

74.9

1.89

14.84

6.02

The best point

NFN

3.22

66.7

1.74

13.44

8.13

RSM NFN

2.80 3.60

64 70

2.90*

4.94*

12.80*

NFN RSM

80%

55%

3.60**

0.43**

0.71**

Commentary
the best points of the differents methods are identical
the range of the zones have some difference

Classification partir de la mthode OWA

Deux approches :
par identification paramtriques
et par quantificateur linguistique
Application : fabrication de fromages

Oprateurs OWA (Ordered Weighted Averaging)

1988 : introduction du concept des OWA par Yager {Yager, 88}

1 ; wi 0,1

f (a1 ,, a n ) w j b j ,

O bj est le Jth plus important de {a1, , an}

j 1

Pas affect un critre spcifique

Wi
Associ un ordre dimportance du critre

Exemple : Produit {0.6, 0.7, 0.8, 0.4}

Poids

0.5

0.5

Ordre

0.8

0.7

0.6

0.4

OWA = 0.5x0.8 + 0 + 0 + 0.5x0.4 = 0.6

Fonction dUtilit
Normalisation des utilits
L ((mx)/a) si x m
Utilit(x)
1 si m x m'
R ((xm') / b) si x m'

Fonction triangule
Utilit (P1433)

m=m

1
0.88

R
b

2
cible3

Note sur 7

Premire approche

Population de
Produits

Approche par
Quantificateur-linguistique

Approche par identification

paramtrique
(Echantillon)

Interprtation
Par
Quantificateur
linguistique

Classification de lchantillon
par
Le Dcideur

Optimisation
Paramtrique
(poids OWA)

Application des
Oprateurs OWA

Classification
des produits

Seconde approche

(x)1.0

Application des
Oprateurs OWA

Classification
des produits

Quantificateur linguistique
Le poids du vecteur Wi peut tre dtermin par des quantificateurs linguistiques Q(x)

wi Q(i/n) Q(i1/n) i n
Q (x) est reprsent par un ensemble flou [0, 1] tel que x [0,1]
Q(x) indique le degr pour lequel x est satisfait by Q (x)
Les poids du vecteur Wi peuvent tre dtermins: quantificateurs linguistiques Q(x)

xa
Q( x)
ba

1 xb
a x b a, b [0,1]
0

xa

Quantificateur linguistique
Le poids du vecteur Wi peut tre dtermin par des quantificateurs linguistiques Q(x)

wi Q(i/n) Q(i1/n) i n
Q (x) est reprsent par un ensemble flou [0, 1] tel que x [0,1]
Q(x) indique le degr pour lequel x est satisfait by Q (x)
Les poids du vecteur Wi peuvent tre dtermins: quantificateurs linguistiques Q(x)
Quantificateur linguistique : some
Wi : 0.25 0.75 0 0

xa
Q( x)
ba

1 xb
a x b a, b [0,1]
0

xa

Rsultats de la premire approche

Echantillon 1

Echantillon 2

Echantillon 3

W1

0.1030

0.2470

0.0009

W2

0.0150

0.0090

0.0077

W3

0.0087

0.0258

0.9473

W4

0.8793

0.7194

0.0504

Echantillon 1

Echantillon 2

Echantillon 3

Wi : 0.10 0 0 0.90

Wi : 0.25 0 0 - 75

Wi : 0 0 0.95 0.05

Q(x)

Q(x)

0.25 0.50 0.75

Q(x)

0.25 0.50

0.75

0.25

0.50

0.75

Quantificateur linguistique : some

Wi : 0.25 0.75 0 0

Quantificateur linguistique : most

Wi : 0 0.5 0.5 - 0

Quantificateur linguistique :more than 70%

Wi : 0 0 0.25 0.75

Rsultats et discussion de la deuxime approche

Exemple de trois quantificateurs linguistiques
Rang

Produit

Wi =

Produit

Produit

Wi =

592

[0 0 0.25 0.75]
0.70516

35

292

0.35337

47

162

0.18350

[0.25 0.75 0 0]

Wi =
[0 0.5 0.5 0]

1
2
3
4
5

292

50.79682

162

0.75420

292

0.60697

0.85297

10
11

592

0.83255

20

162

0.78672

33

592

Conclusion gnrale

Intrt du multicritre au niveau de la conception : Aide la dcision

Prise en compte de lexprience humaine (prfrence)
Diffrentes approches selon les cas industriels rsoudre
QUESTION :
En quoi lAM peut contribuer rsoudre un problme de recherche
de solutions dans une base de cas dans le cadre du principe du RPC?