Académique Documents
Professionnel Documents
Culture Documents
multicritre :
Proposition de modles de choix lindustriel
Jean RENAUD
Matre de Confrences HDR
ERPI Nancy
Equipe Modlisation multicritre et
connaissances industrielles
Plan de lexpos
-
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
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
Temps
Risque
Connaissances
Innovation
Approche multicritre
Exemple
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
Fonction dutilit
aij
1
Action Ak
aik
A
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
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
Electre I
Indice de surclassement : c(a,b) =
Indice de discordance : d(a,b) =
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)
Le produit
Aspect multicritre
Dlai
Cot
Qualit
Productivit
Proprit dusage
Pas de solution
unique
Recherche de
compromis
Rentabilit
Le produit
CHOIX
Dlai
Cot
Qualit
Productivit
Proprit dusage
Rentabilit
Zone
optimale
Aide
la dcision
Liste de
compromis
Prfrences
du dcideur
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
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
Problmatique industrielle
Prfrences
de lexpert
Produit prfr
Zones 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 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
Temprature (Tc)
75
Zone de Pareto
35
D cm
Temprature (Tc)
Temperature (C)
65
55
45
35
2
Diameter (cm)
75
Zone de Pareto
35
2
D cm
i Pi (a,b)
P(a,b) i1
i1
i Pi (a,b) k
1Di a,b3
P(a,b) i1
1
i
i1
Wk
Qk
Pk
Vk
Friabilit
1/3
0.2
0.5
0.8
Humidit
1/3
0.5
1.5
Consommation
nergie
1/3
70
Point 1 le meilleur
T (C)
60
50
Point 2 mauvais
40
D (cm)
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
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
Preference
rules
101
100
011
010
75
T (C)
65
55
35
2
D (cm)
(D) cm
TC
(I) F.
(H)
(C)
RSM
2.80
74.9
1.89
14.84
6.02
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
1 ; wi 0,1
f (a1 ,, a n ) w j b j ,
j 1
0.5
0.5
Ordre
0.8
0.7
0.6
0.4
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
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
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)
Q(x)
0.25 0.50
0.75
0.25
0.50
0.75
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