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

Principe des mthodes doptimisation multiobjectif

Introduction : optimisation multiobjectif et dominance

1.1 Quest-ce quun problme doptimisation ? . . . . . . . . . . . . . . . .
1.2 Vocabulaire et dfinitions . . . . . . . . . . . . . . . . . . . . . . . . .
1.3 La classification des problmes doptimisation . . . . . . . . . . . . . .
1.4 Loptimisation multiobjectif . . . . . . . . . . . . . . . . . . . . . . .
1.5 La multiplicit des solutions . . . . . . . . . . . . . . . . . . . . . . .
1.6 La dominance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.6.1 Introduction et dfinitions . . . . . . . . . . . . . . . . . . . .
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 . . . . . . . . . . . . . . . . . . . . . . . . .

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

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

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

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

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

.
.
.
.

.
.
.
.

.
.
.
.

41
41
47
48
52

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

13

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

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

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 . . . . . . . . . .

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

73
73
73
76
82
84
88
91
94

Les mthodes floues

4.1 Introduction la logique floue . . . . . .
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 . . . . . . . . . .

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

95
95
95
96
98
102

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

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

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

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

105
105
105
105
107
108
110
114
114
118
119
121
129

Les mthodes daide la dcision

6.1 Introduction . . . . . . . . . . . . . . . . . .
6.2 Dfinitions . . . . . . . . . . . . . . . . . . .
6.2.1 Les relations dordre et dquivalence
6.2.2 Les relations de prfrence . . . . . .
6.2.3 Dfinition dun critre . . . . . . . .
6.2.4 Analyse . . . . . . . . . . . . . . . .
6.3 Les diffrentes mthodes . . . . . . . . . . .
6.3.1 Introduction . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

131
131
133
133
134
135
135
135
136

II

.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

Table des matires

6.4

II
7

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 . . . . . . .

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

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 . . . . . . . . . .

136
136
138
145
146
153
159
161
164
168
168

171
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

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

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

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

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

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

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

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

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

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

173
173
174
176
177
178
180
182
184
184
185
186
186
187
188
188
190
191
192

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 efficaces de Hanne . .
8.4 Bibliographie commente . . . . . . . . . . . . . . . . . . .

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

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

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

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

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

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

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

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

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

193
193
193
194
196
197
198
199
199
201
203
205
206
207

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

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

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

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

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

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

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

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

Table des matires

9

III

Tentatives de classification des mthodes doptimisation multiobjectif

9.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9.2 Classification mathmatique des mthodes doptimisation . . . . . . . . .
9.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9.2.2 La formule de classification de Erghott . . . . . . . . . . . . . . . .
9.2.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9.3 La classification 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 Classification de quelques mthodes . . . . . . . . . . . . . . . . . .
9.3.4 Comment choisir une mthode . . . . . . . . . . . . . . . . . . . . .

Etudes de cas

10 Etude de cas n1 : qualification de code scientifique

10.1 Introduction . . . . . . . . . . . . . . . . . . . .
10.2 Description du problme . . . . . . . . . . . . .
10.3 Reprsenter la surface de compromis . . . . . . .
10.4 Conclusion . . . . . . . . . . . . . . . . . . . .

209
209
210
210
210
212
212
212
213
213
215
215
217
218
219

223
.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

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 fige 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 Dfinition dune solution admissible . . . . . . . . . . . . . . . . .
11.4.2 Algorithme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11.4.2.1 Initialisation 1 : codage . . . . . . . . . . . . . . . . . .
11.4.2.2 Initialisation 2 : gnration dune solution initiale . . . .

.
.
.
.

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

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 insuffisances 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

263

Bibliographie

267

Index

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 dfinit 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 dfinition 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 efficacement 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 clarifier lanalyse, on peut sintresser sparment deux domaines, loptimisation
multiobjectif et loptimisation difficile, 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 difficults 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 difficile.

Optimisation difficile
On distingue en ralit deux types de problmes doptimisation : les problmes combinatoires (ou problmes discrets) et les problmes variables continues. Pour clarifier, 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 : lidentification
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 difficile. En
effet, deux sortes de problmes reoivent, dans la littrature, cette appellation, non dfinie
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-difficiles,
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
fini de calculs.
Des efforts ont longtemps t mens, sparment, pour rsoudre ces deux types de problmes
difficiles. Dans le domaine de loptimisation continue, il existe ainsi un arsenal important
de mthodes classiques dites doptimisation globale, mais ces techniques sont souvent inefficaces 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 spcifiquement 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 difficile. 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 difficults 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 lefficacit 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 spcifiques
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 difficile, danalyser brivement la source de lefficacit des mtaheuristiques,
puis de souligner quelques unes des extensions de ces mthodes. Cette tude nous permettra
desquisser une classification gnrale des mthodes doptimisation monobjectif.

Source de lefficacit 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 figure 1, en fonction de la configuration : chaque configuration est un
placement particulier, associ un choix de valeur pour chacune des variables de dcision.
Lorsque lespace des configurations possibles prsente une structure aussi tourmente, il
est difficile 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 cn

Configuration

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

la configuration.

Pigeage dun algorithme itratif classique dans un minimum local

Le principe dun algorithme classique d amlioration itrative est le suivant : on part
dune configuration 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 modification 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 modification. Si le changement conduit
une diminution de la fonction objectif, il est accept, et la configuration c1 obtenue, qui est
voisine de la prcdente, sert de point de dpart pour un nouvel essai. Dans le cas contraire,
on revient la configuration prcdente avant de faire une autre tentative. Le processus est
itr jusqu ce que toute modification rende le rsultat moins bon. La figure 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 lefficacit de la mthode, on peut, bien entendu, lappliquer plusieurs
fois, avec des conditions initiales diffrentes choisies arbitrairement, et retenir comme solution finale le meilleur des minima locaux obtenus ; cependant, cette procdure augmente
sensiblement le temps de calcul de lalgorithme, et ne garantit pas de trouver la configuration
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 configuration courante. Cest le cas si lon passe de cn cn (figure 1). Un mcanisme

de contrle des dgradations - spcifique 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.

Classification
monobjectif

gnrale

des

mthodes

doptimisation

Pour tenter de rcapituler les considrations prcdentes, nous proposons la figure 2 une
classification 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 difficile ; 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 difficile ; 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.).
Enfin, 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 daffiner 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

Continue
optimisation difficile

Mthode
APPROCHEE

Mthode
EXACTE
(spcialise)

NON LINEAIRE
et souvent non connue
analytiquement

Mthode
GLOBALE

HEURISTIQUE
spcialise

METAHEURISTIQUE

de VOISINAGE

LINEAIRE
Programmation
linaire

Mthode
LOCALE

CLASSIQUE
(souvent avec gradients)

AVEC
GRADIENTS

SANS
GRADIENTS

DISTRIBUEE

Mthode
HYBRIDE

SIMPLE

COMPLEXE

F IG . 2 Classification gnrale des mthodes doptimisation monobjectif.

Mtaheuristiques : lide directrice sur laquelle repose une mtaheuristique
est suffisamment 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 modifier 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 difficult que lon rencontre en optimisation monobjectif vient du fait que
modliser un problme sous la forme dune quation unique peut tre une tche difficile.
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 enfin 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 fin de la recherche est la surface de
compromis.
Cest aprs avoir trouv les solutions du problme multiobjectif que dautres difficults
surviennent : il faut slectionner une solution dans cet ensemble. La solution qui sera choisie
par lutilisateur va reflter 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 fin 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 difficult 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 dfinies 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 suffira de faire une et une seule recherche
et, en fin doptimisation, la solution obtenue refltera le compromis que lon dsirait
effectuer entre les fonctions objectif avant de lancer la recherche.
Cette mthode est intressante dans le sens o il suffit 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
fin doptimisation ne le satisfait finalement 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
afin 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 difficile 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 difficile, 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 difficile du fait de la diversit des mthodes doptimisation disponibles, nous nous trouvons, en optimisation multiobjectif, face une difficult
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 difficiles
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 floues.
La logique floue 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 lefficacit 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 difficults spcifiques 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 classification 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 difficult.
Partie III : Etudes de cas
Chapitre 10 : Etude de cas n1 : qualification de code scientifique par optimisation multiobjectif.
Nous commenons ici une prsentation dapplications illustrant lutilisation concrte
des mthodes doptimisation multiobjectif dans divers domaines.
Ce chapitre traite de la qualification des codes scientifiques, cest--dire de la
manire de rgler les paramtres dun code scientifique 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 difficults 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 spcifique 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 figure 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 10

Chapitre 11

Chapitre 12

Chapitre 7

Chapitre 8

Chapitre 9

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 dfinit 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 vrifient ces contraintes
dfinissent l espace de recherche. Cet espace est reprsent la figure 1.1-a (n = 2).

Des contraintes du type c (

x ) 0 ou c (
x ) 0 : les valeurs de
x qui vrifient ces
contraintes dfinissent l espace des valeurs ralisables. Cet espace est reprsent
la figure 1.1-b (n = 2).
15

Chapitre 1.

Introduction : optimisation multiobjectif et dominance

S1

x2
B2sup

B2in f
B1in f

S2

x2
B2sup

B1sup

B2in f

x1

B1in f

B1sup

x1

(b) Lespace des valeurs ralisables

(a) Lespace de recherche

F IG . 1.1 Les diffrents espaces de recherche.

1.2

Vocabulaire et dfinitions
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 6=
x . Cette dfinition correspond au
point M3 de la figure 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 6=
x , o V (
x ) dfinit un voisi

nage de x . Cette dfinition correspond aux points M2 et M4 de la figure 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 6=
x , o V (
x ) dfinit un voisi

nage de x . Cette dfinition correspond au point M1 de la figure 1.2.

16

1.3 La classification des problmes doptimisation

f (x)
M1
M2

M4

M3
x
F IG . 1.2 Les diffrents minima.

1.3

La classification 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 fini 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 classification. 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.

1.4

Introduction : optimisation multiobjectif et dominance

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

o
x Rn , 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 fixe 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 figure. 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 figure 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 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 dfinir 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

La dominance

1.6.1

Introduction et dfinitions

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 :
Dfinition : 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 dfinit comme suit
loptimalit locale et loptimalit globale au sens de Pareto.
Dfinition : 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 dfinition est illustre par la figure 1.4.
Dfinition : 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 dfinition 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 dfinition utilise le thorme du contact.
Dfinition : cne ngatif
Un cne ngatif est dfini dans Rk de la manire suivante :
n
o

C =
x | f (
x ) Rk et f (
x)0
19

Chapitre 1.

Introduction : optimisation multiobjectif et dominance

Surface de compromis locale

f2

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

Dfinition : 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 figure 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 dfinition de la dominance, on peut dfinir quatre rgions auxquelles on peut attribuer des niveaux de prfrence. Ces rgions sont reprsentes la figure 1.6. Cette figure reprend le dcoupage dfini 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

Cne C

f2

Zone

Zone de

dindiffrence

prfrence

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

f1
Zone
dindiffrence

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 figure 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

10

12

14

16 f1

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 dfinition prcdente, on conclut que la solution B domine la solution A.
A
A
B
C
D
E

(+,+)
(+,+)
(+,+)
(+,+)

B
(-,-)
(+,+)
(+,=)
(+,=)

C
(-,-)
(-,-)
(-,-)
(+,-)

D
(-,-)
(-,=)
(+,+)

E
(-,-)
(-,=)
(-,+)
(-,=)

A
A
B
D

(+,+)
(+,+)

B
(-,-)

D
(-,-)
(-,=)

(+,=)

(+,=)

TAB . 1.2 Classement des solutions.

TAB . 1.3 Classement des solutions

de rang 2.

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 fini 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 figure 1.8
reprsente les diffrents points et leur rang.

23

Chapitre 1.

Introduction : optimisation multiobjectif et dominance

Rang 4
f2

5
4

Rang 3

Rang 2

Rang 1

1
2

10

12

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 6= 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

Le dimensionnement dune barre

1.6.3.1

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 figure 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.

S (a) = a
1103
d (a) = 1000 +
4
192+2105 + a12

a 0.1
(pour les caractristiques de la barre explicites dans [Spenle et al. 96])
La seule contrainte que nous nous fixons 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 figure 1.10.

La barre pleine
Plan S, d

0.3853

Dformation d

0.3

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 figure est que les deux objectifs
sont antagonistes. La minimisation des valeurs dun objectif entrane la maximisation de
lautre objectif. En revanche, sur cette figure, 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 modifier 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 figure 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 figure 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 figure 1.13.

26

1.6 La dominance

La barre creuse
Plan S, d
0.13

0.12

0.11

Dformation d

0.1

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

Dformation d

0.1

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 filtrage 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.

1.7

Introduction : optimisation multiobjectif et dominance

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 figure 1.14.

Le problme test

La surface de compromis

Plan f1, f2

Plan f1, f2
1

f2

f2

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

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()

f1 ()
0
0.0123
0.0489
0.109
0.191
0.293
0.412
0.546
0.691
0.843
1

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

+
+

+
+

f2 ()
1
0.843
0.691
0.546
0.412
0.293
0.191
0.109
0.0489
0.0123
0

0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6

(a) Evolution absolue

f1
f2

+
+
+

+
+
+
+

0.0 0.2 0.4 0.6 0.8 1.0

1.2 1.4 1.6

(b) Evolution relative

F IG . 1.15 Lvolution des valeurs des fonctions objectif sur la surface de compromis.
Comme on peut le voir la figure 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 signifie une
amlioration de la fonction objectif alors quune drive ngative signifie une dtrioration
de la valeur de la fonction objectif.
Ce comportement typique de loptimisation multiobjectif reflte 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.

1.8

Introduction : optimisation multiobjectif et dominance

Les relations drives de la dominance

1.8.1

Introduction

La relation de dominance noffre pas de degrs de libert dans sa dfinition. Par exemple,
il nest pas possible dinclure dans la dfinition de la relation de dominance une prfrence
dun objectif par rapport un autre. Cest pour contrecarrer ce manque de flexibilit 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 dfinition de loptimalit permet dinclure une prfrence entre objectifs [Ehrgott 97].
Dfinition : optimalit au sens lexicographique

Une solution x Sk estn optimale

au sens lexicographique si

k
x lex x , x S 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 dfinition 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

Dfinition : 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
k

xi
i

(1.1)

i=1

donc :
k

xi ,
x Sk
i xi i

i=1

i=1

n
o
x

(1.2)

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
6i=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

6i=1 wi Ai = 3.45 et 6i=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].
Dfinition : optimalit maximale

Une solution x Sk est max-optimale si la valeur du pire objectif est aussi petite que
possible :
max xq

q{1, ,k}

max
xq
q {1, n, k} o

x S k x

(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.

1.8.5

Introduction : optimisation multiobjectif et dominance

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.
Dfinition : un cne
Un cne de pente est dfini de la manire suivante :
Si 0 < < 1 (voir figure 1.16-a) :

2
C (x1 , x2 ) = x R | x1 0, x2 0, x1 x2 x1

(1.4)

Si < 0 (voir figure 1.16-b) :

C (x1 , x2 ) =
x R2 | x1 x2 et x2 x1

Si = 0 :

(1.5)

C (x1 , x2 ) =
x R2 | x1 0 et x2 0

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

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

x2

x1

(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.
Dfinition : le cne multidimensionnel
Un cne de pente est dfini 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 figure 1.17.

32

1.8 Les relations drives de la dominance

x2

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

x3

F IG . 1.17 La projection du cne multidimensionnel.

Dfinition : 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 6= y (ou encore y

x C {0}).
La relation de cne-dominance est reprsente la figure 1.19. Nous avons aussi reprsent deux exemples dapplication de cette relation la figure 1.18.
Sur ces deux figures, nous avons reprsent le cne de domination. Il sagit de la zone

dans laquelle le point dorigine (le vecteur x dans la dfinition de la cne-dominance) do

mine tous les points appartenant cette zone (les vecteurs
x dans la dfinition de la cnedominance).

111111111
000000000
000000000
111111111
000000000
111111111
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

11111111
00000000

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

(a) Le vecteur x domine le vecteur y au sens du cne

D

(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 dfinition de dominance a t introduite dans [Othmani 98].

Dfinition : 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

(k+1a)

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

Pour illustrer cette dfinition, 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}

{C2 ,C3 } o
F3 = n
I3 = {2, 3}

Donc, I2 = I1 , I2 , I3 = {{1, 2} , {1, 3} , {2, 3}}.

Considrons maintenant deux points A et B.

A
B

C1
1
1

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.
Dfinition : 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 vrifiant 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 dfinition. 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 :
N

feq (
x ) = i fi (
x)
i=1

Ni=1 i

Supposons i = 1, , N, i > 0 avec

= 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 suffisamment 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 dfinition 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 figure 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 figure 1.21. Ces formes de surfaces de compromis sont
typiques dun problme doptimisation multiobjectif sur un ensemble de solutions convexe
(pour une dfinition 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

f1

(a) Minimiser f1 minimiser f2

(b) Minimiser f1 maximiser f2

f2

f2

f1

f1

(c) Maximiser f1 minimiser f2

(d) Maximiser f1 minimiser f2

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 dfinitions sont illustres la figure 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.

Dfinition : 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 figure 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

01
1
0
0
1
0
1
0
1
00
1
1

11
00
000
111
00
11
000
111
000 S
111
000
111
000
111
000
111
00
11
000
111
00
11

f1

f1

(a) Un ensemble convexe

(b) Un ensemble non 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 figure 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

f1

(a) Une mauvaise reprsentation de la surface de

compromis

(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 floues,
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 dfinit 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 affine 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 fin 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 classification permet donc seulement de se faire une ide sur la dmarche que lon
devra suivre pour obtenir notre rsultat. Une classification plus fine est dveloppe dans le
chapitre 12.

39

Chapitre 1.

1.13

Introduction : optimisation multiobjectif et dominance

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 coefficient
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 :

minimiser
avec
et

feq (
x ) = wi fi (
x)
i=1

g (x)0

h (
x)=0

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

wi = 1

(2.1)

i=1

On peut reprsenter graphiquement le fonctionnement de la mthode sur un problme

deux objectifs. Le problme est le suivant :

41

Chapitre 2.
minimiser
minimiser
avec
et

Les mthodes scalaires

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 figure 2.1, lensemble S correspond lensemble des valeurs du couple ( f1 , f2 )

respectant les contraintes dfinies par

g (
x ) et h (
x ). Les droites L1 et L2 correspondent
deux couples de coefficients 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 coefficients 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 figure 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 difficult 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 dfinitions 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 finalement :
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 coefficients 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 vrifie les conditions suivantes
ncessaires lexistence dun minimum :
d feq (x)
dx = 0,
d 2 feq (x)
dx2

>0
Cherchons les points de feq (x) qui vrifient ces conditions :
d feq (x)
dx
d2 f

= 2 x (w1 + w2 ) 4 w2 ,

eq (x)
dx2

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

Donc, le minimum se situe en :

x =

2w2
w1 +w2

= 2 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 figure 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 figure 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

f1 (x), f2 (x) sans contrainte

f1 (x), f2 (x) avec contrainte

8
7
6
5
4
3
2
1
0

9 f1

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

f1 (x1 , x2 ) = x12 + x22

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 figure 2.5.
On commence par former la nouvelle fonction objectif :

feq (x1 , x2 ) = w1 x12 + x22 + w2 (x1 + 5)2 + (x2 + 5)2

avec
w1 + w2 = 1 et w1 , w2 0.
On a alors :

feq (x1 , x2 ) = x12 + x22 + 10 w2 (x1 + x2 ) + 50 w2

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

(2.5)

feq (x1 , x2 )
= 2 x2 + 10 w2
x2

(2.6)

2 feq (x1 , x2 ) 2 feq (x1 , x2 )

=
=2>0
x1 x2
x1 x2

(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 :
2 x1 + 10 w2 = 0 x1 = 5 w2
2 x2 + 10 w2 = 0 x2 = 5 w2
45

Chapitre 2.

Les mthodes scalaires

La fonction BINH I
Plan f1, f2

f2

200

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 w22
f2 (w2 ) = 50 (1 w2 )2
On peut alors calculer quelques solutions de la surface de compromis pour un certain
nombre de valeurs du coefficient 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 figure 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 efficace. On peut, en faisant varier les coefficients 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 :
k

feq (
x ) = K (ki ui ( fi (
x )) + 1)
i=1

Dans cette expression,

47

(2.8)

Chapitre 2.
ki

Les mthodes scalaires

est un coefficient de normalisation (compris entre 0 et 1).

y )
ui (

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

feq (
x ) = ki=1 ( fi (
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.
q
La somme que lon va utiliser ici prendra la forme dune distance (k ()k ou la racine
ke 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].

2.3.2

Prsentation de la mthode

On part encore du problme P.

Dans les dfinitions 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 dfini 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 dfinition de cette distance :

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

Lr f (
x) =

L1

"

x )|
|Fi fi (

i=1

#1
r

(2.9)

f (
x ) = |Fi fi (
x )|

(2.10)

i=1

r=2:

L2 f (
x) =

"

48

x )|
|Fi fi (

i=1

#1
2

(2.11)

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 dfinition de cette distance :
LrRel

f (
x) =

r # 1r

Fi fi (
x )

Fi
i=1

"

(2.13)

avec 1 r < .
Par exemple, la mthode dite min-max relatif est obtenue pour r :

Fi fi (
x)

Lminmax f (
x ) = max
Fi
i{1, ,k}

(2.14)

Pour finir, on peut aussi utiliser des coefficients de pondration dans lexpression de la
distance. Ces coefficients 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) =

"

x ))|
|wi (Fi fi (

i=1

#1
r

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

q
2

feq ( x ) = ki=1 |Fi fi (

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 figure 2.7 illustre le fonctionnement de cette mthode.
Sur cette figure, 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 figure 2.10, le choix de ce point de rfrence influe 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)
q

Cest lexpression dune ellipse de centre (F1 , F2 ), de petit axe 2 wC1 et de grand
q
axe 2 wC2 .
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 figure 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 figure 2.9.

f2

w1 ( f1 (
x ) F1 ) < w2 ( f2 (
x ) F2 )
ww21
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 figure 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 figure 2.7.
A la figure 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 figure 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 figure 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 finir, la figure 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

f1

(a) Cas maximisation de f2 et minimisation de f1

(b) Cas maximisation de f2 et maximisation de f1

f2

f2

Solution unique

f1

f1

(c) Cas minimisation de f2 et maximisation de f1

(d) Solution unique

F IG . 2.10 La difficult 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

et

f1 (
x)

f2 (
x ) 2
..
.

fk (
x ) k

g (
x)0

h (x)=0

A la figure 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

f1

F IG . 2.11 La mthode du compromis.

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 +

Avec les valeurs de que nous avons choisies :

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

On reprsente les diffrentes solutions dans le plan ( f1 , f2 ) (voir figure 2.12).

f2
4
3
2
1
0
0

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 figure 2.13, on a reprsent la dmarche qui a t suivie pour rsoudre le problme test. On voit, sur cette figure, leffet de la modification 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 difficults 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

f2
4
3
2
1

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

0
0

(a) La borne de la constrainte vaut 0

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

f2
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
4 11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
3

0
0

f1

f1

(d) La borne de la contrainte vaut 3

(c) La borne de la contrainte vaut 2

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 difficile 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.

2.5.2

Les mthodes scalaires

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

ki=1 wi fi ( x )

f j ( x ) j , j = 1, , k

g (
x)0

h (
x)=0

A la figure 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 figure, 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 efficace sur diffrents types de problmes, quils soient convexes ou non convexes.
Cependant, une difficult survient : le nombre de paramtres dterminer a t multipli par
deux. Il sera beaucoup plus difficile 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 coefficients de

pondration, comme pour la mthode de pondration des fonctions objectif)

w;
on cherche ensuite minimiser un coefficient scalaire qui reprsente lcart par rap

port lobjectif initial F que lon stait fix.

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 coefficients wi , i {1, , k},
et lon dsigne par un nombre scalaire que lon cherchera minimiser.
Le problme P devient alors :
minimiser
avec

et

f1 (
x ) w1 F1
..
.

fk (
x ) wk Fk

g (
x)0

h (
x)=0

La figure 2.15 reprsente le fonctionnement de cette mthode, en considrant un problme

doptimisation deux objectifs.
f2

11
00
00
11

F2

F1

f1

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

57

Chapitre 2.

Les mthodes scalaires

Sur cette figure, 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 efficace 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 figure 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 figure est A. En effet, pour cette valeur de A , les contraintes
de notre problme sont vrifies quel que soit x. Ce point est dfini par :

g1 ( f1 , f2 , A ) = 1
g2 ( f1 , f2 , A ) = 1
On rsout ce problme (on limine A et on trouve x) :
2
x w1 A = 1
(x 2)2 w2 A = 1

(x 2)2 ww12 x2 1 = 1

x2 1 ww21 4 x + 3 + ww12 = 0
On a alors :

= 4 + 8 ww12 + 4

w2
w1

ou

= 4 1 + ww12 donc = 2 1 + ww21

x1 =

4+ , x2
w
2 1 w2
1

4
w
2 1 w2
1

= 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

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 coefficients de pondration.

le discriminant du polynme.

59

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

Chapitre 2.
x:

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

Les mthodes scalaires

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

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

0
0

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 refltent
pas les prfrences de lutilisateur. Ces poids nont aucune signification physique, comme
avec la mthode de pondration des fonctions objectif.
Le choix des coefficients 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 daffiner 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 figure 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 difficult typique de loptimisation multiobjectif : la non-uniformit de la reprsentation des solutions sur la surface de
compromis.
f2

f2

A
S

f1

f1

(a) Un cas courant

(b) Un cas extrme

F IG . 2.18 Une difficult 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 fix ;
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 fix).

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

et

d1 ou d1 , , dk+ ou dk

f1 (
x ) = F1 + d1+ d1
..
.

fk (
x ) = Fk + dk+ dk

h (x)=0

g (
x)0

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 coefficients 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

Variable
di+

Ngative

di

Nulle

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

et

+
d1 , , dk+

f1 (
x ) = F1 + d1+
..
.

fk (
x ) = Fk + dk+

h (
x)=0

g (
x)0

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 coefficients de pondration dfinissent 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

Lordonnancement lexicographique

2.8.1

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

On note f1 la solution ce problme.

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 finir, on aura :

63

Chapitre 2.
minimiser
avec
et

Les mthodes scalaires

fk (
x)

f1 (
x ) = f1 , , f1 (
x ) = fk1

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 coefficients 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

et

fk (
x)

f1 (
x ) = 1
..
.

fk1 (
x ) = k1

g (x)0

h (
x)=0

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 }.

k1
/ Cest lensemble des valeurs de
On note D = { R | X 6= 0}.
telles que les
contraintes additionnelles (obtenues aprs transformation du problme) ne soient pas
trop restrictives
des valeurs dans X .
et quil existe

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 dfinitions sont prcises la figure 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

Etape 2 :

Etape 3 :
Etape 4 :

Etape 5 :

fk (
x)

f1 (
x ) = 1 , , fk1 (
x ) = k1

g (x)0

h (
x)=0

Rsoudre ce problme et dterminer
, D et x
. Voici la signification du
dernier paramtre :

A chaque
D correspond un x = x
qui nest pas ncessairement dans

X ni dans X . Ce x est tel que fk x =

. On appelle cette valeur
une solution suprmum du problme associ.

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).
Dterminer le reste final de B que lon notera B .

Voici maintenant deux propositions qui nous serviront vrifier quun vecteur est effectivement propre.

65

Chapitre 2.

Les mthodes scalaires

Proposition 1 :
est propre si lune des assertions suivantes est vrifie :
Un vecteur

.
1. crot sur D et
6=

B tq

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

5. est absolument croissante sur le sous-ensemble D

0 = {
D|

}.

6. est absolument croissante sur D.

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

Proposition 2 :
B nest pas localement propre si
Un vecteur

que 1 i k 1.

+ (

0)
i

< 0 pour au moins un i tel

Voici, graphiquement (voir figure 2.20), quoi servent ces propositions :

1. On part du fait que lon a trouv un ensemble B (figure 2.20-a).
2. On applique une des propositions pour filtrer lensemble B et supprimer ainsi les vecteurs qui ne sont pas propres (figure 2.20-b).
3. Lensemble B contient maintenant la surface de compromis.
f2

f2

B
D=B
f1
D=B

f1

(b) Aprs lapplication dune proposition

(a) Avant 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

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 vrifie que
d()
()
1
+

< 0. On calcule cette drive : d = 2 < 0, R , donc on ne retire aucun

point de B. On a ainsi, pour finir, 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

3
2

()
4
1

2
22

2
32
0

f1 (x ())
0
1
2
3
4

f2 (x ())
4
1

2
22

2
32
0

On trouve alors le graphique de la figure 2.21.

2.9.4

Discussion

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

2.10

La mthode des contraintes dingalit propres

2.10.1

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

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 modifie de la manire suivante :
minimiser
avec

et

fk (
x)

f1 (
x ) 1

fk1 (
x ) k1

g (x)0

h (
x)=0

Introduisons quelques notations.

On notenzi = fi (
x ) et
= (1 , , k1 ).o

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.

Z = {
z Z | zi i avec i 6= k} : cest lensemble des valeurs des fonctions objectif

z
telles quelles appartiennent la frontire de Z et que
.
Nous allons maintenant dfinir les ensembles
A
et
P
:

A =
Rk1 | Z est nonvide .
=

.
A

A |

0
0

= inf zk | z Z
: cest la valeur minimale de lobjectif fk (
x ) quand les

autres
objectifs
(
f
(
x
)
,

,
f
(
x
))
prennent
leurs
valeurs
sur
la
frontire
de Z .
1

k1

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 fin, on dispose dun certain nombre de tests.
Thorme
: quasi-suprmalit globale

,
D si et seulement si

6=
0 pour tout
A tel que

0
0
0
68

2.11 Lalgorithme de Lin-Tabak

Thorme
: quasi-suprmalit locale

,
D si et seulement si, pour un voisinage N
, ,

6=
0
0
0
0

, A
tel que

.
pour tout
N

6=

0
0
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

Lalgorithme de Lin-Tabak

2.11.1

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 :

Rsoudrele problme
avec une valeur initiale (0) , ce qui donne un optimum

global (0) = (0) .

(0)

(0)

(1)

Etape 2 :

Modifier 1 1 + 1 = 1 avec 1 > 0 et recommencer la rsolution du

problme. On obtient alors un optimum global (1) .

tape 3 :

Effectuer les comparaisons suivantes :

(0)

1. Si (1) = (0) alors il faut dtruire 1 car il nest pas propre.

(0)

(1)

2. Si (1) 6= (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.

Etape 5 :

Rpter les tapes 2 4 pour un autre i , i = {2, , k 1}.

69

Chapitre 2.

Les mthodes scalaires

2.12

Lalgorithme de Lin-Giesy

2.12.1

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 6= i

g (
x)0

h (x)=0

On note la solution x(i) .

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.

(i)
On pose = f 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

(k)
(k)
itrations et x est la solution optimale au sens de Pareto et f x
(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 efficaces 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

Etape 2 :
Etape 3 :

f j (
x)

g (
x)0

h (x)=0

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 suffisamment 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).

Etape 5 :

On demande maintenant lutilisateur de choisir les coefficients W1 j , pour tout

j = {2, , k}. Ces coefficients 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.

Etape 6 :

On rpte ltape 5 jusqu ce que lon trouve pour les coefficients 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 coefficients.

Le vecteur solution prfr

x est dtermin en rsolvant le problme suivant :

Etape 7 :

74

3.2 La mthode du compromis par substitution

minimiser
avec
et

f1 (
x)

f2 (
x ) = f2 , , fk (
x ) = fk

g (x)0

h (
x)=0

Le plus difficile dans cette mthode est de bien comprendre la signification du coefficient
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 figures 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 coefficient i j se calcule de la manire suivante :
i j =

fi
fj

(3.1)

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)

Chapitre 3.

Les mthodes interactives

W12
+10

Itration

-10
Zone de
satisfaction

W13
+10

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 coefficient 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 coefficients de pondration [Eschenauer et al. 90].

3.3.2

Prsentation de la mthode

On part du problme P.
On modifie le problme de la manire suivante :
minimiser
avec
et

ki=1 wi fi ( x )

g (x)0

h (
x)=0

On a aussi wi 0 et ki=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 coefficients wi permet de dterminer les points de la surface de compromis. En revanche, dans la
mthode de Fandel, on suppose que ces coefficients 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 dfini
plus loin).
Pour obtenir ces coefficients, 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 xj la valeur du vecteur de fonctions objectif correspondant cette
solution.
Pour j = 4, ce vecteur aura pour composantes :

4 h
f = f1 x4 , , f3 x4 , f4 , f5 x4 , , fk x4

On forme ensuite le vecteur objectif idal :

t
f = f 1, , f k

(3.3)

On peut aussi former la matrice B :

B=

t
f , , f k

(3.4)

Cette matrice contient les valeurs f j sur sa diagonale.

Pour un problme deux objectifs, on a le schma reprsent figure 3.3.
f2 111111111111111111
000000000000000000
000000000000000000
111111111111111111

f2max
f2min

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

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 fixe lutilisateur (il est prt tout
faire pour atteindre cet objectif).
77

Chapitre 3.

Les mthodes interactives

Reportez-vous la figure 3.3 pour une illustration des diffrentes notations introduites
jusquici. Sur cette figure, 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.

On appelle notre nouvel espace de contraintes Y M :
n

Y M = f (
x ) Rk |
g (
x ) 0, h (
x ) = 0 et f (
x) f M
(3.6)
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

On note f j la solution de ce problme et x j le vecteur dcision correspondant.

Comme prcdemment, on forme la matrice B :

k t

(3.7)
B = f , , f

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

avec

a = (a1 , , ak )t ,
k

a > 0, a j = 1,

B
a = c
e

(3.8)

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 dfini par lquation prcdente vienne tangenter

lespace des valeurs des fonctions objectif. Le produit B

a avec les contraintes pr cites

i
correspond une combinaison convexe des vecteurs f . Ce produit donne donc bien un

hyperplan passant par les extrmits des vecteurs f i .

Le fonctionnement de cette tape est reprsent la figure 3.4. Sur cette figure, 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
a1 = 32

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
a1 = 43
f2
Y 0
f2M

M
f

Y 1

1
f

2
f

f1M

f1

F IG . 3.4 La mthode de Fandel (tape 2).

De manire dterminer les coefficients de pondration dune solution de compromis
dsire lintrieur du sous-espace Y M , lhyperplan (une droite si lon considre un espace de
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 figure 3.5. Sur cette figure, 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 dfinit

alors une nouvelle solution note f .

79

Chapitre 3.

Les mthodes interactives

f2
f2M
hyperplan

f 2

f 1
f1M

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 coefficients 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 fixant 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
de recherche. Les minima individuels du nouveau sous-espace Y sont dtermins par :
minimiser
avec
et

f j (
x ), j = {1, , k}

g (
x)0

h (x)=0

f (
x )Y
i

lindex i dsignant toutes les fonctions objectif slectionnes pour restreindre lespace de
recherche.
n
o

On a Y i+1 = f (
x ) Rk |
g (
x ) 0, h (
x ) = 0, f j (
x )Y .

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 figure 3.6).
A la figure 3.6-a, on peut voir litration k de la mthode de Fandel. Un espace de re

cherche Y k a t dtermin. On construit le vecteur mdian f M k en utilisant la formule 3.5,

puis on fait une recherche de la solution f k dans la direction du vecteur mdian.

A la figure 3.6-b, on peut voir litration k + 1 de la mthode de Fandel. Aprs avoir

calcul le vecteur mdian f M k , on dfinit un nouvel espace de recherche en utilisant ce vecteur

mdian. On calcule ensuite un nouveau vecteur mdian f M k+1 qui va dfinir un nouvel espace
80

3.3 La mthode de Fandel

f2
Y i

Mi
f

Y2i

i
f

Y1i

f1

(a) Itration k

f2

Y2i+1

M i+1
f

i+1
f
Y1i+1

Y i+1

f1

(b) Itration k+1

F IG . 3.6 La mthode de Fandel (tape 4).

de recherche Y k+1 . On fait ensuite une recherche dans la direction du vecteur mdian qui

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 finir, 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.

3.4
3.4.1

Les mthodes interactives

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

et

it

w <
f (
x ) Y

g (x)0

h (
x)=0

f (x) Y

o le vecteur Y correspond un vecteur de bornes suprieures servant restreindre les

pace de recherche. Le vecteur
w est dfini dans la suite de cette section.
De la mme manire que lapproche prcdente, on forme la matrice B.
Les coefficients de pondration w j des diffrentes fonctions objectif f j sont ncessaires
pour la rsolution du problme. On va dterminer ces coefficients. 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 coefficients ont la forme suivante :
vj

wj =

(3.9)

vi

i=1

et :
n o
j
maxi f ji f j
1
n o
vj =
j
i
f
mini f j
j

(3.10)

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

k

De cette manire, les coefficients respectent

w > 0 et w j = 1.
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}

On a alors les rsultats suivants :

1
v1
v1 = 71
w1
1 1 =6
51 1
v2
v2 = 1 1 = 4 w2
1
v3
v3 = 61
w3
1 1 =5
62 1
v4
v4 = 2 2 = 1 w4
1
v5
v5 = 41
w5
1 1 =3

6
19
4
19
5
19
1
19
3
19

= 0.315
= 0.210
= 0.263
= 0.052
= 0.158

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
figure 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 coefficients 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 coefficients. De plus, la mthode attribue des coefficients
plus petits aux fonctions objectif dont les valeurs sont les plus grandes.

Une fois les coefficients dtermins, on calcule une premire solution fe 0 de la manire
suivante :
minimiser
avec
et

t
f (
x )
w

g (x)0

h (
x)=0

Lutilisateur peut alors comparer la solution fe 0 avec la solution idale. Si certaines composantes du vecteur des fonctions objectif ne sont pas suffisamment satisfaites, lutilisateur
peut relcher la borne suprieure de la contrainte correspondante de la manire suivante :

avec j {1, , k}.

Y j = fej + f j

(3.11)

Sinon, la solution prfre de lutilisateur est donne par fe .

On a alors obtenu une nouvelle solution de compromis. De plus, le coefficient de pondration w j de la je fonction objectif est mis zro. Le problme a alors la forme suivante :
minimiser
avec
et

it

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}.

Il est donc restreint au sous-espace de recherche Y et possde la plus petite dviation par

rapport au vecteur des fonctions objectif idal f .

Dans le cas dun problme deux dimensions, lextrmit du vecteur fe est situe
lintersection de la frontire du domaine Y et de la droite de pente ww21 passant par le point

idal f (voir figure 3.7).

f2

w2
w1

Y
Y2

1
f

0
f
Y1

f1

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.

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

it
h

f
w j
f
x j

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 :

:

fonction scalaire de prfrence.

A=
oprateur nabla de la variable
x (
x

x i ).
i x
i

direction du pas de minimisation.

wj :

coefficient de pondration de la je fonction objectif.

vi :

coefficient de pondration de la ie contrainte dingalit.

tl :

coefficient de pondration de la l e contrainte dgalit.

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 influence les alternatives futures possibles, en supposant que
lespace de recherche Y 0 soit restreint :
n


0 o

Y 0 = f (
x ) | f (
x) f
x
(3.12)
On a reprsent la figure 3.8 un schma qui explique ce mcanisme. Sur cette figure, on
0

voit que le choix du vecteur ralisable de dpart f

x permet de restreindre lespace de
recherche. On obtient alors le domaine ralisable Y 0 .

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.

Il faut que xk+1 et xk satisfassent les contraintes du problme (

g et h ).
De plus, il faut que ces points vrifient :

85

(3.13)

Chapitre 3.

Les mthodes interactives

f2
Y
f20
Y 0

0
f
f10

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 6= 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 modifi (le problme de dpart
transform). En agissant ainsi, les coefficients de pondration w j , vi et tl choisis par lutilisateur influencent 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

et

max

fi xk + max k < fi xk

f j xk + max k f j xk

g xk + max k 0

h xk + max k = 0

i I = {1, , k}
j J = {I | j 6= i}

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 modifi.
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
de recherche Y k (lespace de recherche litration k). Aussi, un point optimum au sens
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

ki=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 figure 3.9. Sur cette

figure, on note fe (
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
f20

f2i
f2k

Y i

k+1
f

k
f

Y k
f1k

f1i

f10 f1

(b) Reprsentation dans Y

F IG . 3.9 La reprsentation de la mthode de Jahn.

Pour illustrer la dernire tape de la mthode, la figure 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

f2k
Y k
k

f (x)
f1k

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

La mthode de Geoffrion

3.6.1

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

h
it

p
f
(
x
)
x

g (
x)0

h (
x)=0

problme P

avec Rk
h
i
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

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 :

h
i
k
p

p
f
(
x
)
=
fi
x
x fi ( x )
x
i=1

(3.14)

On obtient alors le problme suivant :

minimiser
avec
et

k t

ki=1 wi
x fi x

g (
x)0

h (
x)=0

On a :

wi =
avec i = {1, , k}

p
fi

h ix
p
f1

(3.15)

et la direction du pas est donne par k = xk+1 xk .

Les coefficients de pondration refltent 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 infinitsimale fi , qui
compense la variation infinitsimale f1 de la fonction objectif f1 , en gardant les autres
fonctions objectif inchanges. Alors :
wi =

f1
fi

(3.16)

Lautre mthode consiste h approximer

les coefficients de pondration en faisant lhyi

pothse que le gradient de p f ( x ) reste constant dans la direction du pas de recherche.

e
Par consquent, si tous les objectifs, excepts
h
ile premier et le i , 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.

minimiser
avec
et

Les mthodes interactives

h

i
p f x k + k k

g x k + k k 0

h x k + k k = 0

en utilisant lhypothse suivante :

0 k 1
La figure 3.11 reprsente le fonctionnement de cet algorithme. Sur cette figure, on a not

i
fe la solution trouve litration i. Le premier point sur cette figure (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)
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 figure 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 dfinir une direction damlioration des fonctions objectif.

Lamlioration des fonctions objectif est obtenue en utilisant une mthode dagrgation
floue (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 efficace. Il cre alors un
nouveau point partir du point supprim (voir figure 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 rflexion de
la position rejete (voir la figure 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.

Rgle 2 :

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 figure 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 figure 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:

point le moins favorable ou point venant dtre rejet.

B:

point le plus favorable.

91

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 figure 3.14.

Dbut de
loptimisation
Re tester les
points retenus

Engendrer les premiers

points du simplex

Arrt de loptimisation
oui

oui
Ranger les points dans
les variables B, N, W

Faire la rflexion R

Remplacer N par W
Ranger les autres
points dans B et N

Les objectifs sont-ils

la rgle de rvaluation
non

est-elle active ?

non

atteint ?

Remplacer W par R

F IG . 3.14 Lalgorithme de la mthode du simplex.

Il existe aussi une version modifie de la mthode du simplex. Cette mthode, dite du
simplex modifi, comporte deux rgles supplmentaires :
Rgle 3 :

dilater le dplacement dans le sens de lamlioration des fonctions objectif.

Rgle 4 :

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 figure 3.15.
En reprenant les mmes notations que pour lalgorithme prcdent, nous obtenons la reprsentation de la figure 3.16.
Pour les diffrentes transformations, on a les expressions suivantes :

Rflexion : R = C + C W

Dilatation : E = C + C W

Contraction positive : C+ = C + + C W
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 modifi.

Dbut de
loptimisation
Re tester les
points retenus

Engendrer les premiers

points du simplex

Arrt de loptimisation
oui

oui
Ranger les points dans
les variables B, N, W

Remplacer N par W
Ranger les autres
points dans B et N

Faire la rflexion R

La rgle de rvaluation
non

est-elle active ?

Les objectifs sont-ils

non

atteints ?

Remplacer W par R

non

R>B ?

R>N ?

oui

non

R>W ?

oui

non

oui
Faire une contraction
positive C+

Faire une dilatation E

Faire une contraction

ngative C-

non

E>R ?

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 modifi.

Contraction ngative : C = C C W
o
W
C

est le point rejet,

est le coefficient de rflexion ( = 1 par dfaut),

est le coefficient de dilatation ( = 2 par dfaut),

est le coefficient de contraction positive (+ = 0.5 par dfaut),

est le coefficient de contraction ngative ( = 0.5 par dfaut).

est le barycentre des points restants,

93

Chapitre 3.

3.7.3

Les mthodes interactives

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 floues

4.1 Introduction la logique floue
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 flous.
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 floue 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 floue, nous allons transposer les concepts
de la logique classique en logique floue.
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

1
0
1

TAB . 4.1 La fonction ET.

HH
B
0
HH
A
H
0
0
1
1

1
1
1

TAB . 4.2 La fonction OU.

95

A
0
1

C
1
0

TAB . 4.3 La fonction

NON.

Chapitre 4.

Les mthodes floues

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 floue. 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 floue 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 floue
C = min (A, B)
C = max (A, B)
C = 1A

TAB . 4.4 Equivalence entre logique classique et logique floue.

4.1.2

La fonction dappartenance

En gnral, en logique floue, 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 dfinit la variable logique floue taille moyenne. On considre
que lon a une taille moyenne lorsque celle-ci varie entre 1.70 m et 1.80 m. Les figures 4.1 et
4.2 illustrent les diffrences existant sur cet exemple entre logique floue et logique classique.
A
1

1.70

1.75

1.80

Taille

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

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 floue

Les diffrentes fonctions de logique floue 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 floue est reprsente dans
le tableau 4.5.
Logique classique

Logique floue
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)

(A + B) C = A C + B C
(A + B) +C = A + (B +C)
AB = A+B

TAB . 4.5 Les proprits des deux logiques.

Non allons, pour finir, combiner ces diffrentes fonctions floues pour les variables floues
Taille moyenne (entre 1.70 et 1.80) et Taille grande (entre 1.75 et 1.85).
La fonction ET (fonction min en logique floue, voir figure 4.3).
A : taille moyenne
1

1.70
B : taille grande

Taille

1.80

1.75
C : taille moyenne
et grande

1.75

1.85

1.80

Taille

Taille

F IG . 4.3 La fonction ET de logique floue.

La fonction OU (fonction max en logique floue, voir figure 4.4).
La fonction NON (fonction complment 1 en logique floue, voir figure 4.5).

97

Chapitre 4.

Les mthodes floues

A : taille moyenne
1

1.70
B : taille grande

Taille

1.80

1.75
C : taille moyenne
ou grande

1.85

1.70

1.85

Taille

Taille

F IG . 4.4 La fonction OU de logique floue.

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 floue.

4.2
4.2.1

La mthode de Sakawa
Principe

Cette mthode fait intervenir la logique floue 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 floue. 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 fix par
lutilisateur).

4.2.2

Prsentation de la mthode

Cette mthode doptimisation avec traitement par la logique floue 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
a

b
,
j
=
{1, , m}
i i j i
j

On a
x Rn ,
c Rn ,
a Rn et b Rm .
On dsigne par :
n:

le nombre de variables du problme (dimension de

x ).

k:

le nombre de fonctions objectif.

m:

le nombre de contraintes dingalit.

On appelle X lensemble suivant :

(

X=
x Rn |

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

i=1

(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 flous. On rcrit le problme de la manire suivante :
minimiser
avec

t
c1
x t , ,ck
x

x X a,
b

Ici, on note :

X a,
b =

x Rn |

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

i=1

(4.2)

Pour chaque paramtre, on va dfinir une fonction dappartenance :

c j1 (c j1 ) , , c jn (c jn ) ; b 1 (b1 ) , , b n (bn ) ; ai1 (ai1 ) , , ain (ain )
Avant de continuer dans la prsentation de la mthode, nous allons introduire deux dfinitions.
Dfinition 1 : ensemble de niveau

Lensemble

de niveau des nombres flous a jr , b j , c jr est dfini comme lensemble

L a,
b, c pour lequel le degr dappartenance des fonctions a,
b et c est suprieur
ou gal au niveau :
o

n
c = (a, b, c) | c (c jr ) , (b j ) et a (air )
L a,
b,
(4.3)
jr
ir
bj
99

Chapitre 4.

Les mthodes floues

avec i = {1, , k}, j = {1, , m} et r = {1, , n}.

Cet ensemble possde la proprit suivante :

c L a,

1 2 si L1 a,
b,
2 b, c

(4.4)

Dfinition
2 : solution -optimale au sens de Pareto

x X a,
b est appel une solution -optimale au sens de Pareto du problme de

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, ou tend vers 1 si ( c i x ) ( c i x )
1
0

i (
c i
x)=
di (
si (
c i
x ) (
c i
x ) (
c i
x)
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 dfinies, nous
allons pouvoir rcrire notre problme, en utilisant le formalisme flou :
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 fix par lutilisateur. Un exemple de fonction dagrgation utilise
est :

min (1 (
c i
x ) , , k (
c i
x ))

(4.6)

On obtient finalement le problme suivant (si lon utilise la fonction dagrgation cidessus) :
maximiser
avec
et

min (1(
c i
x ) , , k (
i x ))

b
x X ae, e

(a, b, c) L ae, e
b, ce
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

Etape 1 :

Etape 2 :

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 dfinit les fonctions dappartenance de la manire suivante :

fi1 fi (
x)

i (
x)=
fi1 fi0

(4.7)

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 dfinit 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 :

On maximise les fonctions DMi .

Etape 5 :

Sil ny a pas de solutions, ou si la solution ne satisfait pas lutilisateur, alors il

faut modifier les fonctions dappartenance, et retourner ltape 3.

Etape 6 :

Arrt et affichage des rsultats.

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 fixera un niveau minimum proche de 1.
Cependant, la mthode de Sakawa semble lourde mettre en uvre. Elle fait appel des
ensembles flous et des rgles mathmatiques difficiles appliquer. On prfrera lapproche
utilise dans la mthode de Reardon que nous allons dcrire maintenant.

101

Chapitre 4.

4.3
4.3.1

Les mthodes floues

La mthode de Reardon
Introduction

On prsente une mthode simplifie de traitement multiobjectif utilisant la logique floue.

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 dfinit une fonction dappartenance, qui aura la forme
reprsente la figure 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 signification des diffrents paramtres de la fonction dappartenance est la suivante :
Smin et Smax : facteurs dchelle flous.
fimin :

valeur minimale de la fonction objectif numro i.

fimax :

valeur maximale de la fonction objectif numro i.

Oi :

valeur exprimentale de la fonction objectif numro i. On voudrait que fi = Oi .

Ei :

marge derreur acceptable (lobjectif Oi est dfini Ei prs).

Daprs le schma, lquation de la fonction dappartenance est la suivante :

si fi (Oi Ei ) alors :

Smax
f ( fi ) =
( 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 floue, 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 linfluence 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 artifice, 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 simplifi
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 difficile [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 figures 5.1 et 5.2).
La cas de la figure 5.1 justifie 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

Variables de
sortie du systme
Systme

optimiser

Mtaheuristique

Mthode
Multiobjectif

Paramtres de
commande du
systme
Fonction cot

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

Variables de
sortie du systme
Systme

optimiser

Mthode
Multiobjectif
+
Mtaheuristique

Paramtres de
commande du
systme

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 figure 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 figure 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

106

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 difficile
atteindre (voir figure 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 efficace. 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 fig (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

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

5.4.1.1

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 :
n

G (
x ) = ln ( fi (
x ))

(5.1)

i=1

De cette manire, lexpression suivante :

n

G = G
x G (
x ) = ln
i=1

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 dfinit une probabilit dacceptation p :

G
(5.3)
p = exp
T
o T dsigne la temprature de lalgorithme de recuit. Cette temprature a la mme signification 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 influencera la qualit du rsultat obtenu la fin 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

3. Calcul de G (
xn ) et de G = G (
xn ) G (
xn )

4. Si G < 0 alors xn+1 = xn

5. Si G > 0 alors soit p = exp G

Tq

xn+1 = xn avec une probabilit p

x =
x avec une probabilit 1 p
n+1

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

si
x domine une des solutions archives
y ,
x remplace
y dans la population
n+1

n+1

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, xn+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 flexibilit peut permettre dintgrer un savoir ingnieur, qui est susceptible damliorer la qualit de la population obtenue la fin
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

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

5.4.2.1

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 dfinir une suite de fonctions donnant la probabilit dacceptation

dune mauvaise solution, pour chaque fonction objectif :
(

exp Tnfk
si fk > 0
k =
(5.4)
1
si fk 0
avec

110

5.4 Le recuit simul

Tn

la temprature du recuit simul litration n,

fk

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 :
N

t (, ) = (k )k

(5.5)

k=1

avec

ensemble des k , k = {1, , N}

ensemble des k , k = {1, , N}

on prend la plus petite probabilit :

t (, ) = min (k )k
k=1, ,N

(5.6)

Ici, k correspond un coefficient de pondration relatif une fonction objectif. Ce coefficient

permet de prendre en compte un certain ordre entre les diffrents objectifs.
Pour finir, 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 :
N

feq (
x ) = wi fi (
x)

(5.7)

i=1

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 :

feq
p = exp
(5.8)
Tn
Cette probabilit dacceptation peut alors se dcomposer de la manire suivante :

Ni=1 wi ( fi ( x ) fi ( x n ))
p = exp
Tn

111

(5.9)

Chapitre 5.

Les mthodes exploitant une mtaheuristique

wi ( fi (
x ) fi (
x n ))
p = exp
Tn
i=1

wi
N
fi
p = exp
Tn
i=1
N

(5.10)

(5.11)

p = wi 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 :

fi
pi = exp
Tn
alors quavec la mthode de pondration des fonctions objectif, le calcul de la probabilit seffectue sur la fonction objectifquivalente
:
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 coefficients 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 fin de loptimisation, la temprature de
fonctionnement est encore suffisamment 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 coefficients 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

La surface de compromis de la fonction Deb III

Plan f1, f2

2.788

Plan f1, f2

1.609

f2

f2

0.1196

0.1196
0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

0.1

0.2

0.3

0.4

f1

(a) Lensemble obtenu aprs 105 itrations

0.6

0.7

0.8

0.9

(b) La surface de compromis aprs 105 itrations

La fonction Deb III

La surface de compromis de la fonction Deb III

Plan f1, f2

1.34

0.5

f1

Plan f1, f2
1

f2

f2

0.008522

0.008522
0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

0.1

f1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

f1

(c) Lensemble obtenu aprs 106 itrations

(d) La surface de compromis aprs 106 itrations

F IG . 5.6 Influence 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 figure 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 inefficace 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 figure, 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 configuration initiale quelconque, Tabou engendre une succession de configurations qui doit aboutir la configuration optimale. A chaque itration, le mcanisme de
passage dune configuration, soit xn , la suivante, soit xn+1 , est le suivant :
on construit lensemble des voisins de xn , cest--dire lensemble des configurations
accessibles en un seul mouvement lmentaire partir de xn (si cet ensemble est trop
vaste, on en extrait alatoirement un sous-ensemble de taille fixe) : soit Voisinage (xn )
lensemble (ou le sous-ensemble) envisag ;
on value la fonction objectif f du problme pour chacune des configurations appartenant Voisinage (xn ). La configuration xn+1 , qui succde la configuration xn dans
la chane de Markov construite par Tabou, est la configuration de Voisinage (xn ) en
laquelle f prend sa valeur minimale.
Notons que la configuration 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 configuration 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 configuration 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 efficace 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 configurations 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 bnfice escompt est suffisant (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

Les algorithmes gntiques sont inspirs de la gntique classique

[Goldberg 94]) : on considre une population de points rpartis dans lespace.

114

(voir

5.6 Les algorithmes gntiques

Algorithm 5.3 Recherche Tabou.
init L = 0/ (liste des points tabous)
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 minC (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 figure 5.7.
gnotype
phnotype
f (110010001) = 0.5

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 figure 5.8.
1 1 0 1 0 1 1 0
(a) Individu 1

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

F IG . 5.8 Trois individus.

115

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

Chapitre 5.

Les mthodes exploitant une mtaheuristique

A chaque individu on associe une efficacit (on appelle aussi cette valeur l adaptation). Cette efficacit va correspondre la performance dun individu dans la rsolution dun problme donn. Par exemple, si lon considre un problme de maximisation dune fonction, lefficacit 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)
Efficacit
Individu

10
2
1

20
4
2

5
1
3

TAB . 5.1 Un exemple de valeurs defficacit.

Comme on peut le voir sur cet exemple, lindividu 1 est moins efficace que lindividu 2.
En effet, il maximise moins f (x) que lindividu 2.
Aprs avoir dtermin lefficacit des individus, on opre une reproduction. On copie
les individus proportionnellement leur efficacit. 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 defficacit et opr la reproduction, on effectue des croisements entre individus (dfinis plus loin). Plus un individu sera efficace
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 efficacit (roulette wheel selection en anglais). Cette roue,
dans le cas de lexemple que lon a trait ci-dessus, est reprsente la figure 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
figure 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 lefficacit
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 :

Individu 2 :

F IG . 5.10 Le croisement, deuxime tape.

Mle
11010110

1
11010110

1
10101100

2
10101100

2
10101100

2
10101100

3
11000010

Femelle
10101100

Position de croisement
1

2
11000010

11000010
11010110

10101100
10101100

10101100
10101100

10101100
11000010

11011100
10100110

11011100
10100110

3
10101100

2
10101100

2
11000010

3
11010110

1
10101100

Rsultat
10101100
11010110

2
TAB . 5.3 Le croisement, rsultat final.

Ici, on constate que lon a obtenu deux nouveaux lments dans la colonne rsultat. Notre
population sest diversifie. 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 finir, 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 lefficacit
For i=1 to MaxIter
Slection alatoire,
Slection proportionnelle lefficacit
Croisement
Mutation
Evaluation des fonctions objectif
Calcul de lefficacit
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 figure 5.11.
Boucle

F IG . 5.11 Le fonctionnement dun algorithme gntique monobjectif.

1
2
3

Initialisation de la population.
Evaluation de lefficacit 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 figure 5.12.
Boucle
1

2a

2b

2a

F IG . 5.12 Le fonctionnement dun algorithme gntique multiobjectif.

1
Initialisation de la population.
2a
Evaluation de lefficacit des individus de la population.
2b
Transformation vecteur/efficacit.
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 efficacit. 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 figure 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

5.7.1

Les mthodes non agrgatives

5.7.1.1

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

(5.13)

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 Nk individus
(avec N multiple de k). A chaque groupe, on associe une fonction objectif. Cette fonction objectif permet de dterminer lefficacit dun individu au sein du groupe. Ensuite, les individus
sont mlangs et les croisements sont oprs en tenant compte de lefficacit de chaque individu.
La figure 5.14 reprsente les diffrentes squences de fonctionnement de la mthode. Sur
cette figure, 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 1

Individu 2

Groupe 1

Individu 2

Individu 2

Individu 3

Groupe 2

Individu 3

Individu 3

Individu N

Individu N

Etape 3

Etape 4

Individu 1

Groupe m
Individu N
Etape 1

Etape 2

F IG . 5.14 Principe de lalgorithme V.E.G.A.

Voici la description des diffrentes tapes :
Etape 1 :

Itration i. Initialisation dune population de taille N.

Etape 2 :

Cration des k groupes (sous-populations).

Etape 3 :

Calcul des efficacits.

Mlange des individus.

Etape 4 :

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 fin 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 artifices 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

Les mthodes agrgatives

5.7.2.1

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 lefficacit 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 :
(t)

rang (xi ,t) = 1 + pi

(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 lefficacit, on peut suivre les tapes suivantes :
1. Classer les individus en fonction de leur rang.
2. Affecter une efficacit 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 figure 5.15).
Efficacit
1

f (n)

Rang

F IG . 5.15 Un exemple de fonction defficacit.

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 efficacit partir du rang
For i=1 to G
Slection alatoire proportionnelle lefficacit
Croisement
Mutation
Evaluation des fonctions objectif
Assignation dun rang bas sur la dominance
Assignation dune efficacit 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 difficult.
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 lefficacit dun individu [Srinivas et al. 93].
5.7.2.2.2 Prsentation de la mthode
Cette mthode est base sur une classification 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 efficacit 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 defficacit. Pour cela, on utilise la formule suivante :
K

mi =

Sh (d (i, j))

(5.16)

(5.17)

j=1

Sh (d (i, j)) =

1
0

d(i, j)
share

122

si d (i, j) < share

sinon

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
dinfluence. Comme on peut le voir dans lexpression ci-dessus, tous les individus qui sont
suffisamment 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 defficacit de lindividu i au sein de la catgorie considre sera alors :
F
(5.18)
mi
o F est la valeur defficacit affecte la catgorie laquelle appartient lindividu. La
figure 5.16 montre les diffrents paramtres qui interviennent dans le calcul de lefficacit
dun individu.
fi =

= share

f2
m12
m13

Zone 1
m12

Zone 2
Zone 3

f1

F IG . 5.16 Le calcul de lefficacit.

Comme on voit la figure 5.16, le paramtre share permet de dfinir une zone dinfluence
pour le calcul de lefficacit dun individu.
Ensuite, on ignore les individus de ce groupe. Le processus reprend alors avec les individus restants, o lon opre une nouvelle classification, 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 efficacit,
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 :
(

dham (i, j) 2
1

si dhamming (i, j) < gen

gen
Shgen (d (i, j)) =
(5.19)
0
sinon
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 efficacit partage
For i=1 to G
Slection alatoire proportionnelle lefficacit
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 efficacit 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 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 :

dham (i, j) deuclid (i, j) 2

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

d
(i,
j)
ham

1
si deuclid (i, j) phen

gen

et dham (i, j) < gen

0
sinon

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 diversifies aussi bien dans lespace de dcision que dans lespace des fonctions objectif.
5.7.2.2.3 Discussion
Lefficacit de cette mthode tient dans le fait que les objectifs sont rduits une valeur
defficacit 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

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 defficacit 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 defficacit
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 = ni=1 Ni
Ensuite, lefficacit dun individu sera calcule de la mme manire que pour la mthode
MOGA.
Prenons un exemple. A la figure 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

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 :

f1 (
x)

g (
x)0

h (
x)=0

minimiser
avec
et

Le second individu initial de la population litiste, soit

x2 , est obtenu en rsolvant :

f2 (
x)

g (
x)0

h (
x)=0

minimiser
avec
et

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 fin 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 dfinition concernant llitisme est donne dans [Laumanns et al. 00].
Dfinition : 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 vrifie :

t N,
x Pt tel que Pt+1 (
x)>0
avec n

Pt =
x Pt | x Pt | x
x
Pt =

rt P

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 rflexions 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 finir, 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 modifie 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 scientifique. 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 dfinir de plusieurs manires : la dominance de Pareto, la
dominance lexicographique par exemple) permet de filtrer 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 dfinie, 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 prdfinies.
Rangement de classes dquivalence composes dactions, ces
classes tant ordonnes de faon
complte ou partielle.

Rsultat
Choix

Procdure
Slection

Tri

Affectation

Rangement

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 dfini
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 figure 6.1.
B

A
C
F IG . 6.1 Le paradoxe de Condorcet.
Un autre exemple refltant, 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 suffisamment 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 dfinir un ordre complet (si toutes
132

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

6.2

Dfinitions

6.2.1

Les relations dordre et dquivalence

On rappelle, pour commencer, les dfinitions des relations dordre, ainsi que des relations
dquivalence, qui permettront de classer les actions suivant certains critres.
Dfinition : la relation dquivalence
Une relation binaire R (relation entre deux lments) dfinie sur un ensemble A est
une relation dquivalence si cette relation est :
rflexive : 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 dfinition dune relation dordre.
Dfinition : la relation dordre
Une relation binaire R dfinie sur un ensemble A est une relation dordre si cette
relation est :
rflexive
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 dfinitions 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 dfinitions :
Dfinition : prordre
Un prordre est une relation rflexive et transitive.
Dfinition : 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 dfinitions complmentaires sur le prordre.

133

Chapitre 6.

Les mthodes daide la dcision

Dfinition : 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.
Dfinition : 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 dfinitions 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 dfinir un ordre sur cet
ensemble de solutions) soit une relation dquivalence (pour rechercher la meilleure action
parmi un ensemble dactions ou dfinir un prordre sur cet ensemble de solutions).

6.2.2

Les relations de prfrence

Les diffrentes dfinitions prsentes ci-dessus vont nous permettre de dfinir des relations de prfrence, dindiffrence et dincomparabilit entre deux actions :
La relation de prfrence entre deux actions,
cette relation, que lon notera P, signifie 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, signifie 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, signifie que deux actions sont incomparables. On a
a R b si il y a incomparabilit entre a et b (ce qui signifie que lon na ni a P b, ni a I b,
ni b P a).
Ces trois relations {P, I, R} dfinissent ce que lon appelle une structure de prfrence.
Une structure de prfrence peut tre compltement caractrise par la dfinition 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

Dfinition dun critre

Dfinition : un critre [Vincke 89]

Un critre est une fonction g, dfinie 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 dfinition de la valuation dun critre (ou manire de donner une
valeur un critre) peut changer. En revanche, la dfinition du critre reste identique.

6.2.4

Analyse

Normalement, la fin de lapplication dune mthode daide la dcision, on procde

une phase danalyse de sensibilit et danalyse de robustesse. Ces deux analyses permettent
de vrifier la fiabilit du rsultat fourni par la mthode ou la sensibilit du rsultat vis--vis
des paramtres choisis par lutilisateur.
Dfinition : 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
dfinir les paramtres qui conditionnent le plus troitement la solution choisie, cest-dire o il suffit dune faible modification pour changer la solution propose.
Dfinition : 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
finirons 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 dfinition de la relation de classement des actions
(chaque mthode exploite une relation de prfrence diffrente) et la mthode dexploitation
des rsultats.

135

Chapitre 6.

6.3.1

Les mthodes daide la dcision

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 dfinition 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 flches) 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 figurent 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
a2
a3
a4
a5
a6
a7

a1

a2

a3

S
S
S
S

S
S

a4

a5

a6

a7

TAB . 6.2 Exemples de relations entre actions.

Quand on reprsente ces diffrentes relations sur un graphe, on obtient le graphe de la
figure 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.

Dfinition : 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 dfinition lexemple, on obtient les graphes de la figure 6.3. Si le
surclassement est remplac par la relation de dominance de Pareto, la dfinition du noyau
correspond alors la surface de compromis de lensemble des solutions.

a1
a7

a6

a2

a3

a5

a4

(b) Le graphe de lensemble

N

(a) Le graphe de lensemble A/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.
Dfinition : 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

Dfinition : 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 dfinitions, nous allons maintenant pouvoir prsenter les mthodes daide la dcision.

6.3.2

La mthode ELECTRE I

6.3.2.1

Principe

Cette mthode permet de choisir la meilleure action suivant un groupe de critres. Elle a
t dfinie par B. Roy en 1968 [Vincke 89, Maystre et al. 94].
Cette premire mthode sera applique un exemple concret : lidentification 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 estprfre 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 fin de cette tape est un ensemble dindices reprsentant des critres
qui vrifient les relations dfinies 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 dfinitions 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 dfini de la manire suivante :
(
0
si J (ai , ak ) = 0/
Dik =
1

j max (g j (ak ) g j (ai )) avec j J (ai , ak ) , sinon

(6.2)

(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 fiable, il faut que lon ait :

Cik c
ai S ak
(6.4)
Dik d
On a :
c:

seuil de concordance. Typiquement 0.7. Cest le seuil au del duquel lhypothse de dpart ai surclasse ak sera considre comme valable.

d:

seuil de discordance. Typiquement 0.3. Cest le seuil en de duquel lhypothse de dpart ai surclasse ak ne sera plus valable.

Cette dfinition nous indique que pour quune relation de surclassement soit considre
comme valable, il faut que celle-ci soit suffisamment concordante et aussi suffisamment 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.
6.3.2.3

Les mthodes daide la dcision

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.

E1
E2
E3
E4
E5

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

TAB . 6.3 Notes de cinq lves dans cinq matires.

On cherche dterminer quel est le meilleur lve suivant trois critres :
C1 :

la moyenne des notes sur lensemble des matires doit tre la plus leve possible.

C2 :

la note minimale doit tre strictement suprieure 8.

C3 :

les variations des notes autour de la moyenne doivent tre les plus petites possible.

Voici les dfinitions mathmatiques des diffrents critres :

C1 (E) =

C2 (E) =

C3 (E) =

`
matiere
` Note (E, matiere)
5

`
>8
10 si minmatiere
` (Note (E, matiere))
0 sinon
q
` C1 (E))2
matiere
` (Note (E, matiere)
5

en dsignant par :
E:

un lve parmi les cinq.

matiere
` :

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 :

E1 est le meilleur lve.

a2 :

E2 est le meilleur lve.

a3 :

E3 est le meilleur lve.

a4 :

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 dfinit
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 fixe 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.

E1
E2
E3
E4
E5

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

E1
E2
E3
E4
E5

C1
0.87
2.61
0
20
0

C2
0
20
0
20
20

C3
16.08
19.45
0
20
17.9

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
relatif au critre C1 signifie que lindex 1 appartient lensemble J (a1 , a2 ). Si lon runit
les informations des trois tableaux relatifs ce couple dactions, on obtient :
J (a1 , a2 ) = {1, 2, 3}

En effet, pour les trois critres C1 , C2 et C3 , laction a2 est prfre laction a1 .

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 signifie 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

a3
J+
J+

J
J+

J+

J=

a4
J
J
J

a5
J+
J+
J=
J+

a1
a1
a2
a3
a4
a5

J+
J=
J+
J+

a2
J

a3
J=
J+

J
J=
J=

J+
J+

a4
J
J=
J

a5
J
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

a5
J
J+
J
J+

TAB . 6.8 Comparaisons entre actions pour le critre C3 .

a1
a1
a2
a3
a4
a5

a2
0/

{1, 2, 3}
0/
{1, 2, 3}
{2, 3}

0/
{1, 3}
0/

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

a4
0/
0/
0/

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

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/

a3
{2}
0/

0/
{2}
{2}

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}

a3
0/
0/

{1, 2, 3}
0/
{1, 3}

0/
0/

a4
{1, 2, 3}
{1, 3}
{1, 2, 3}

a5
{2, 3}
0/
{2, 3}
0/

{1, 3}

TAB . 6.11 Rsum concernant lensemble J .

142

6.3 Les diffrentes mthodes

Un indice permet de vrifier 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 coefficients de concordance (Cik ) et le tableau des coefficients de discordance
(Dik ).
Le tableau 6.12 contient les ensembles de concordance.
a1
a1
a2
a3
a4
a5

a2
0/

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

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}

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

S =
J .

Le tableau 6.15 contient les coefficients de concordance. Avant de pouvoir calculer ce

tableau, nous allons calculer les coefficients Pik+ et 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

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

a5
0
0.25
0.5
0.25

0.25

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

Fusionner les valeurs numriques

Nous allons maintenant calculer le tableau des coefficients de concordance en utilisant la
formule suivante :
Cik =

Pik+ + Pik=
Pik

avec Pik = 1, i et k.
Le tableau 6.16 contient les coefficients 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 fixe 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

a5
0.5
1
0.5
1

0.25

TAB . 6.15 Rsum concernant les coefficients 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

a5
0.196
0
0.895
0

0.105

TAB . 6.16 Rsum concernant les coefficients de discordance Dik .

est satisfait si Cik 0.75. On fixe 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 vrifie 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 vrifies 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 vrifies 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 vrifie 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 fin de lanalyse est trs cohrent. Il correspond
tout fait au classement que lon aurait fait de manire naturelle en appliquant les critres
dfinis.
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

a3

a4

F IG . 6.4 Graphe des relations entre actions.

6.3.3

La mthode ELECTRE IS

6.3.3.1

Principe

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

Prsentation de la mthode

Nous allons dfinir 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 dfini dans la mthode ELECTRE III (voir paragraphe 6.3.5).
Lindice de concordance global :
m

Cik =

p j c j (ai , ak )

j=1

pj

j=1

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

145

Chapitre 6.

Les mthodes daide la dcision

d j (ai , ak ) =

ik
0 si g j (ak ) g j (ai ) < vi (ai , ak ) q j (ai , ak ) 1C
1c
1 sinon

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 ) =

6.3.3.3

1
0

si Cik c et Dik = 0
sinon

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 fictive.
Lanalyse des rsultats est alors la mme quavec la mthode ELECTRE I.
Lavantage davoir ajout laspect flou 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 floue permet de pouvoir choisir un paramtre de la mthode sur une plage, au lieu
de donner une valeur ponctuelle.

6.3.4

La mthode ELECTRE II

6.3.4.1

Principe

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

Prsentation de la mthode

Dfinition 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
P
ik

et/ou

146

(6.5)

6.3 Les diffrentes mthodes

Cik c0

et
g j (ak ) g j (ai ) D2 ( j) , j

et

Pik 1
P

(6.6)

ik

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

(6.7)

Pik

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 dfinies
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 .
Dfinition du coefficient de concordance
Les coefficients 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, modifier les deux graphes de manire liminer les circuits.
Dfinition : 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 figure 6.5. Sur cette figure, 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 fictive. Cette action symbolisera un groupe
dactions quivalentes pour le dcideur.

Circuit

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 fictive.

La modification des graphes sopre ici comme suit :
on note GF le graphe qui correspond au graphe de surclassement fort dorigine GF
dans lequel on a remplac tous les circuits par des actions fictives ;

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 fictives.
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 modifi GF ).
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
dfinie 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 GF 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 signifie 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 : Enfin, 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 modifications
suivantes :
inverser la direction des arcs dans les graphes GF (graphe de surclassement fort) et Gf
(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 final ;
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 final.
6.3.4.3

Exemple

On reprend lexemple du paragraphe 6.3.2.3.

On dtermine les coefficients

Pik+
Pik

(voir tableau 6.17).

a1
a1
a2
a3
a4
a5

a2
0

+
0
+
1

a3
+
+

0
+
0

+
+

a4
0
0
0

a5
1
+
0
+

TAB . 6.17 Valeurs des coefficients

Pik+
.
Pik

Nous calculons maintenant les coefficients :

g1 (ak ) g1 (ai ) que lon note G1ik (voir tableau 6.18).
g2 (ak ) g2 (ai ) que lon note G2ik (voir tableau 6.19).
g3 (ak ) g3 (ai ) que lon note G3ik (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

a4
19.13
17.39
20

20
0

20

a5
0.87
2.61
0
20

TAB . 6.18 Valeurs des coefficients G1ik .

a1
a1
a2
a3
a4
a5

20
0
20
20

a2
20
20
0
0

a3
0
20

a4
20
0
20

20
20

a5
20
0
20
0

TAB . 6.19 Valeurs des coefficients G2ik .

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

a4
3.92
0.55
20

20
17.9

2.1

a5
1.82
1.55
17.9
2.1

TAB . 6.20 Valeurs des coefficients G3ik .

de surclassement faible et dsigne labsence de relation de surclassement entre les deux
lments.
a1
a1
a2
a3
a4
a5

SF

SF

a2

a3

SF

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 figure 6.6.

a1

a1

a4

a2

a5

a2

a5

a4

a3

(a) Le graphe de surclassement fort

a3

(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 finir, on reprsente les informations obtenues par les classements direct et inverse
sur un graphique (voir figure 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

Al
{1, 3}
{5}
{4}
{2}

rl+1
4
3
2
1

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}

TAB . 6.23 Le classement inverse.

Rang du classement
direct

Rang du classement
direct
4
3
2

3
2

1
0

Rang du classement
inverse

4
1

Classement
dcroissant

4
1

Rang du classement
inverse

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 figure 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

La mthode ELECTRE III

6.3.5.1

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 dfinis :
un seuil dindiffrence,
un seuil de prfrence stricte.
ELECTRE III introduit aussi un degr de crdibilit (ou degr de fiabilit) du surclassement.
La dcision finale nest plus un choix binaire entre lacceptation ou le rejet dune action.
6.3.5.2

Prsentation de la mthode

Cette mthode ELECTRE est finalement fortement inspire de la logique floue.

Dfinissons ce quest un pseudo-critre.
Dfinition : le pseudo-critre
Un pseudo-critre est dfini 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 dfinie par :
ai I ak q (g (ai )) g (ai ) g (ak ) q (g (ak ))
La relation de prfrence faible est dfinie par :
ai Q ak q (g (ak )) < g (ai ) g (ak ) p (g (ak ))
La relation de prfrence stricte est dfinie 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 dfinies comme :
une constante,
une fonction de laction considre, par exemple :
p (g (ai )) = + g (ai )

(6.9)

Le fonctionnement de ces diffrentes relations (I, Q, et P) est reprsent la figure 6.8.

g (a) g (a )

qq +q+q

(a) Une relation dindiffrence

g (a )

g (a)

+qq

q p

+p+q

+p

(b) Une relation de prfrence faible

g (a )

g (a)

q +q

+p
p

q +q

+p

(c) Une relation de prfrence stricte

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 figure 6.9 :

g (a )+p j g j (ak )

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

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 dfini par :

Cik =

p j c j (ai , ak )
j

pj
j

154

(6.10)

6.3 Les diffrentes mthodes

Sur laxe des abscisses de la figure 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 (ak ) g j (ai )

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

F IG . 6.9 Reprsentation de lindice de concordance.

Lindice de discordance
On dfinit 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 dfini par la formule suivante, illustre par la figure 6.10 :

d j (ai , ak ) = 1
g (a )g j (ai )p j
d j (ai , ak ) = j k v j p
j

d j (ai , ak ) = 0

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

On a q j < p j < v j .
d j (ai , ak )
1

gj aj

g j a j + p j
gj aj +qj
gj aj +vj

g j (ak ) g j (ai )

F IG . 6.10 Reprsentation de lindice de discordance.

Dfinition : degr de crdibilit du surclassement

On dfinit le degr de crdibilit du surclassement par :
1 d j (ai , ak )
1 Cik
jF

ik = Cik

(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 :

F = j | j F, d j (ai , ak ) > Cik

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 flou dfinie plus loin, on dfinit 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 dfinie 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 vrifier 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 vrification 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 dfinitions :
Dfinition : puissance dune action
cest le nombre des actions auxquelles elle est strictement prfre. On note p (ai ) la
puissance de laction ai .
Dfinition : faiblesse dune action
cest le nombre des actions qui lui sont strictement prfres. On note f (ai ) la faiblesse de laction ai .
Dfinition : qualification dune action
on note q (ai ) = p (ai ) f (ai ).
Dfinition : la relation de surclassement flou

ik > 1
et
1
ai SA ak
ik > ki + S (ik )

(6.13)

Dfinition : la l -puissance

pAl (ai ) = card

n
o

ak A | ai SAl ak

(6.14)

n
o

ak A | ak SAl ai

(6.15)

Dfinition : la l -faiblesse

fA l (ai ) = card

Dfinition : la l -qualification de laction ai rapporte lensemble A

qAl (ai ) = pAl (ai ) fA l (ai )

(6.16)

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 -qualification maximale.
Etape 1 :

on pose An = A et n = 0.

Etape 2 :

on pose Dl = An et l = 0.

157

Chapitre 6.
Etape 3 :
Etape 4 :
Etape 5 :

Etape 6 :

Les mthodes daide la dcision

l = max ik o ai , ak A et ai 6= ak .
S (l ) = + l .

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

on applique la relation de surclassement flou ai SAl+1 ak .

On calcule la l+1 -puissance, la l+1 -faiblesse et la l+1 -qualification 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 :

Cn+1 = Dl+1 et An+1 = An /Cn+1 (An+1 est gal lensemble An priv des lments de Cn+1 ).

Etape 8 :

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 fin 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 suffit 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 figure 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
difficile, mme pour un expert, de trouver de bons coefficients et de justifier leurs choix.
158

6.3 Les diffrentes mthodes

distillation
ascendante
a3

4
3

a4
a2

a1

1
1

distillation
descendante

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 qualification
(rappelons que la qualification 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 qualifie ces actions dactions flottantes. Ce sont des actions sur
lesquelles il est difficile de faire des choix. En effet, comme la qualification 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

La mthode ELECTRE IV

6.3.6.1

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 dfinit 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 figure 6.12.
7
1

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 :

laction ai est strictement prfre laction ak (ai P ak ).

Zone 2 :

laction ai est faiblement prfre laction ak (ai Q ak ).

Zone 3 :

laction ai est peine prfre laction ak (ai I ak ).

Zone 4 :

laction ak est peine prfre laction ai (ak I ai ).

Zone 5 :

laction ak est faiblement prfre laction ai (ak Q ai ).

Zone 6 :

laction ak est strictement prfre laction ai (ak P ai ).

Zone 7 :

les actions ai et ak sont indiffrentes.

Dfinitions lies la mthode ELECTRE IV

On dfinit ensuite quatre niveaux de dominance dans la relation de surclassement :

Dfinition : 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 )

Dfinition : 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 )

160

et
et

6.3 Les diffrentes mthodes

Dfinition : 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 )

Dfinition : 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 ) m2

ou
et
et

Exploitation de la mthode
Ensuite, une fois les relations de surclassement dtermines, on passe aux relations de
surclassement flou, en associant un degr de crdibilit Sq , Sc , S p et Sv .
Pour finir, 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 fin 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 coefficients 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

La mthode ELECTRE TRI

6.3.7.1

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.
6.3.7.2

Les mthodes daide la dcision

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)

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

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

(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 figure 6.13.
(a, b) >
non

non
aRb

(b, a) >
oui
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 vrifier
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 dfinition 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 modifier laffectation des
actions aux catgories non concernes (stabilit).
On peut maintenant procder laffectation des actions dans les catgories dfinies 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

Procdure

Sens

Pessimiste

Optimiste

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.

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.

TAB . 6.25 Les diffrentes procdures daffectation.

Ensuite, on peut reprsenter le rsultat de ce classement sous la forme dun graphique
similaire la figure 6.14.
Dans cette figure, on a class les actions dans trois catgories : C1 , C2 et C3 .
6.3.7.3

Discussion

La principale difficult 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 difficile de dfinir des catgories a priori, car la dfinition
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

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
0000
1111
000001111
11111
0000 affectation pessimiste
1111
0000
1111
00000
11111
0000
1111
0000
1111
00000
11111
0000
0000
1111
000001111
11111
0000
1111

C2

C1

C1

C2

C3

F IG . 6.14 Rsultat des deux procdures daffectation.

6.3.8

La mthode PROMETHEE I

6.3.8.1

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 dfinie par Brans, Vincke et Mareschal [Brans et al. 86] et appartient la
famille des mthodes de surclassement, dfinie par B. Roy.
6.3.8.2

Prsentation de la mthode

La relation de prfrence value est dfinie de la manire suivante :

P (a, b) = 0 signifie indiffrence entre laction a et laction b ou pas de prfrence de
laction a par rapport laction b.
P (a, b) 0 signifie une prfrence faible de laction a par rapport laction b.
P (a, b) 1 signifie une prfrence forte de laction a par rapport laction b.
P (a, b) = 1 signifie 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 figure 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

g j (x)
1

Quasi-critre

g j (x)
1

Critre prfrence linaire

g j (x)
1

p q 0

Critre niveaux

g j (x)
1

Critre prfrence linaire et zone dindiffrence

p q 0

g j (x)
1
0.5
0

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 6= 0

(6.20)

Quasi-critre :

g j (x) =

0
1

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

(6.21)

|x|
p

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

(6.22)

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

(6.23)

Critre prfrence linaire :

g j (x) =

Critre niveaux :

g j (x) =

1
2

Critre prfrence linaire et zone dindiffrence :

g j (x) =

(|x|q)
(pq)

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

(6.24)

(6.25)

Critre gaussien :
x2
g j (x) = 1 exp
2 2

Dfinissons maintenant lindex de surclassement multiobjectif de laction a par rapport

laction b (not P (a, b)) :

P (a, b) =

i Pi (a, b)

i=1

i=1

166

(6.26)

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 signifie une prfrence faible de laction a par rapport laction b pour
lensemble des critres ;
P (a, b) 1 signifie une prfrence forte de laction a par rapport laction b pour
lensemble des critres.
Nous allons nous intresser maintenant quelques dfinitions 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 figure 6.16.
(a, b)
a

b
(b, a)

F IG . 6.16 Graphe reprsentant la relation de surclassement entre a et b.

Sur un graphe de ce type, on dfinit :
le flux entrant du nud a :

(a) =

P (b, a)

(6.27)

P (a, b)

(6.28)

bA

le flux sortant du nud a :

+ (a) =

bA

le flux net du nud a :

(a) = + (a) (a)

(6.29)

Nous pouvons maintenant dfinir les deux prordres suivants :

a P+ b si + (a) > + (b)

a I + b si + (a) = + (b)

167

(6.30)

Chapitre 6.

Les mthodes daide la dcision

a P b
a I b

si (a) < (b)

si (a) = (b)

(6.31)

Pour finir, nous pouvons dfinir 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

La mthode PROMETHEE II

6.3.9.1

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 dfinition 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 scientifique impliqu
dans laide la dcision. Le style de ce livre en bnficie. 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
10
8

f2
4

0 0

00

5 f1

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

4 f1

(b) Exemple 2

(a) Exemple 1

F IG . 7.1 Les deux exemples qui illustreront les indices de performance.

A la figure 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 dfinir 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
dfinition mathmatique de cet ensemble est la suivante :
PPF (T ) = PFcurrent (T )

PPF (T 1)

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.

7.2
7.2.1

Rapport derreur
Dfinition

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

ei

E=

i=1

(7.1)

avec :
n:

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.

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.
Lindex E vaut donc : E = 32 .

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 suffit 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 figure 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 suffit seulement que les solutions de la surface de compromis pratique
rsident dans la zone de non-domination dfinie 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
Dfinition

La distance gnrationnelle (Generational Distance) permet de mesurer quelle distance

de la surface de compromis se situe un ensemble de solutions. La dfinition de cette mtrique
est la suivante :

G=

di

i=1

(7.2)

En gnral, on choisit p = 2.
On a :
di :

distance entre la solution i et la solution la plus proche appartenant la surface

de compromis T PF ;

n:

nombre dlments dans lensemble de solutions PPF.

7.3.2

Exemples

Exemple 1
Appliquons la dfinition aux lments de lensemble de solutions :
1

G=

[[(2.52)2 +(98)2 ]+[(33)2 +(66)2 ]+[(54)2 +(44)2 ]] 2

3

= 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 modifie de la distance gnrationnelle :
n

di

GD =

i=1

(7.3)

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
Dfinition

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 dfinition est la suivante :
n

ST DGD =

2
(di GD)

i=1

(7.4)

f2
f2
STDGD
PPF

PPF

GD

GD
TPF

TPF

f1

f1

F IG . 7.3 La dfinition de la mtrique STDGD.

Le principe de cette mtrique est illustr la figure 7.3 o :
PPF :

dsigne la surface de compromis calcule ;

TPF :

dsigne la surface de compromis thorique ;

GD :

dsigne la distance gnrationnelle.

177

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

Dfinition

Cette mtrique (Maximum Pareto Front Error) permet de mesurer la distance entre la surface de compromis et lensemble de solutions. Sa dfinition est la suivante (pour un problme
deux objectifs) :

j p i
j p p
x ) f1 (
x ) + f2 (
ME = max min f1i (
x ) f2 (
x )
j

(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

Hypersurface et rapport dhypersurface

7.6.1

Dfinition

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

H=

[
i

ai | vi PPF

(7.6)

avec :
ai :

surface occupe par la solution vi (se reporter la figure 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 :

Extraire la surface de compromis de lensemble de solutions PPF. On appelle Sc

cette surface de compromis.

Etape 2 :

Ranger les lments de Sc par ordre croissant de la fonction objectif f1 .

Etape 3 :

Appliquer lalgorithme suivant :

1. i = 0, H = f1 (x0 ) f2 (x0 )
2. i = i + 1

3. si i 6= N, H = H + [ f1 (xi ) f1 (xi1 )] f2 (xi )

allez en 2
4. si i = N alors fin
avec :
N:

nombre dlments dans lensemble de solutions Sc ,

xi :

un lment de lensemble de solutions Sc .

180

7.6 Hypersurface et rapport dhypersurface

On peut aussi dfinir un rapport dhypersurface :

HR =

Hes
Hsc

(7.7)

avec :
Hes :

surface occupe par lensemble de solutions PPF ;

Hsc :

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
Surface de compromis

f2

10

10
00000
11111
00000
11111
00000
11111
S4
00000
11111
0000000
1111111
00000
811111
0000000
1111111
0000000
1111111
0000000
1111111
S3
0000000
1111111
000000000
111111111
0000000
61111111
000000000
111111111
000000000
111111111
000000000
111111111
S2
000000000
111111111
000000000
4111111111
000000000000
111111111111
111111111111
000000000000
000000000000
111111111111
000000000000
111111111111
000000000000
S1
2111111111111
000000000000
111111111111
000000000000
111111111111
000000000000
111111111111
000000000000
111111111111
000000000000
0111111111111

f2
00000000
11111111

00000000
00000000
11111111
811111111
00000000
11111111
S3
00000000
11111111
00000000
11111111

00000000
000000000
111111111
00000000
11111111
611111111
000000000
111111111
000000000
111111111
000000000
111111111
S2
000000000
111111111
000000000
111111111
411111111111111
00000000000000
11111111111111
00000000000000
00000000000000
11111111111111
00000000000000
11111111111111

00000000000000
S1
211111111111111
00000000000000
11111111111111
11111111111111
00000000000000
00000000000000
11111111111111
00000000000000
11111111111111

00000000000000
011111111111111
0
1
2
3
4
5

5 f1

f1

(b) La surface de lensemble solution

(a) La surface de la surface de compromis

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
HR = H
= 33.5
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 suffisamment converg pour que cette mtrique nous donne une information quant la
rpartition des points sur la surface de compromis.

7.7

Espacement

7.7.1

Dfinition

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

"

n
2
1
S=
d di
n 1 i=1

avec

j i
j
di = min f1i (
x ) f1 (
x ) + f2 (
x ) f2 (
x )
j

i, j = 1, , n et i 6= j.
et
d :

#1

moyenne de tous les di ;

182

(7.8)

(7.9)

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 :
d = 3.5+3.5+4
= 3.67
3
On calcule, pour finir, lindex S :
i 1
h
2
S = 12 (3.67 3.5)2 + (3.67 3.5)2 + (3.67 4)2
S = 0.288

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 difficile 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
Dfinition

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 dfinition de la mtrique HRS est la
suivante :
HRS =

maxi di
d

(7.10)

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

7.9
7.9.1

Ensemble des vecteurs non domins ultimes

Dfinition

On cre un ensemble qui contient les meilleures solutions non domines obtenues aprs
chaque gnration (lensemble PPF donc). On dfinit 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 :

ONV GR =

card (PPF)
card (T PF)

184

(7.12)

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
ONV GR = 43 = 0.75

Exemple 2
Pour lensemble de solutions tel que T = 10, on a :
ONV G1 = 3
ONV GR1 = 33 = 1
Pour lensemble de solutions tel que T = 5, on a :
ONV G2 = 2
ONV GR2 = 32 = 0.66
Pour lensemble de solutions tel que T = 1, on a :
ONV G1 = 1
ONV GR = 31 = 0.33

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

Mesure de la progression

7.10.1

Dfinition

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

P = ln

fimax (0)
fimax (k)

(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 modifie cette expression de la manire suivante [Van Veldhuizen 99] :

RP = ln

G0
Gk

o Gk est la distance gnrationnelle litration k.

185

(7.14)

Chapitre 7.

7.10.2

La mesure des performances

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 :
q
q
f
(1)
P11 = ln f1max (5) = ln 43 = 0.14
1max
q
q
f2max (1)
P21 = ln f (5) = ln 43 = P11
2max
Pour lensemble de solutions PPF tel que T = 10, on a :
f2max (10) = 2 et f1max (10) = 2.
On a alors :
q
q
f
(1)
P12 = ln f 1max(10) = ln 42 = 0.34
1max
q
q
f
(1)
P22 = ln f 2max(10) = ln 42 = P12
2max

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))

(7.15)

o PFcurrent (i) est lensemble de solutions litration i.

7.12

Ajout de vecteurs non domins

7.12.1

Dfinition

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

186

(7.16)

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 classification 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) 6= 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
signifie que la population nest pas regroupe au niveau de la surface de compromis T PF :
beaucoup dindividus ne sont pas efficaces.
Si la valeur de cette mtrique se rapproche de 1, cela signifie 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 afin de visualiser la convergence de lensemble vers la surface de compromis.
Lallure de la courbe ainsi obtenue est celle de vagues (voir figure 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 dfinition 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
C F , F =

x F ; x F | x x
card (F )

(7.18)

o card (F) dsigne le nombre dlments contenus dans lensemble F et x x signifie

que le vecteur x domine le (ou est quivalent au) vecteur x .

Quand C (F , F ) = 1, cela signifie que toutes les solutions de lensemble F sont domines par (ou gales ) des solutions de lensemble F .
Quand C (F , F ) = 0, cela signifie 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

f1

(a) Premier exemple

(b) Second exemple

F IG . 7.6 Exemples dapplication de la mtrique relative de Zitzler.

A la figure 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 :
n

o
card x F ; x F | x x
=2
car deux solutions de lensemble F sont domines par des solutions de lensemble F .
Donc, C (F , F ) = 52 = 0.4.

Calculons maintenant C (F , F ) :
card n
(F ) = 5.

o
card
x F ; x F | x x
= 3.
Donc, C (F , F ) =

3
5

= 0.6.

On obtient la matrice suivante :

F

0.6

C (colonne, ligne)
F
F

F
0.4

Exemple 2
Nous allons maintenant traiter les ensembles de la figure 7.6-b.
Nous allons commencer par calculer C (F , F ) :
) = 5.
card (F
n

o
card x F ; x F | x x
= 4.
Donc, C (F , F ) =

4
5

= 0.8.

Calculons maintenant C (F , F ) :
card n
(F ) = 5.

o
card
x F ; x F | x x
= 0.
189

Chapitre 7.

La mesure des performances

Donc, C (F , F ) =

0
5

= 0.

On obtient la matrice suivante :

C (colonne, ligne)
F
F

F
0.8

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
dfinition :

M1 F =

x ; x F
min
x

card (F )

(7.19)

avec
F

surface de compromis pratique ;

surface de compromis thorique ;

card (F)
nombre dlments dans lensemble F ;

x x 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
dfinition de cette mtrique est la suivante :

M2 F , F =

n
o

card
y

F
|
x

y
>

card (F ) 1

(7.20)

x F

Cette mtrique a une valeur comprise dans lintervalle [0, card (F )].
Quand M2 (F , F ) = card (F ), cela signifie 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 suffit de diviser le rsultat de la mtrique M2 par card (F ) pour obtenir une mesure
comprise entre 0 et 1).
Pour finir, une dernire mtrique est propose, qui mesure ltendue de la surface de
compromis. Sa dfinition est la suivante :

M3 F =

max

i=1

kxi yi k , x , y F

(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 :
Dfinition :

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 + Ni=1 ai f1 , , fi , , fN f
ai [0, 1]}

(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 infinie 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.

7.16

La mesure des performances

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 difficults 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 efficaces que sur des problmes qui respectent
certaines contraintes. Or, dans certains cas, il est trs difficile, 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 difficult 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 figure 1.24).
Une fonction test est donc une fonction destine mettre en difficult la mthode doptimisation multiobjectif, dans la recherche dune rpartition uniforme des points solutions sur
la surface de compromis.
On distingue deux familles de difficults :
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 difficults 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

2

x2 0.2

4 3 exp 0.02

g (x2 ) =
2

x2 0.7

4 2 exp 0.2
(

f
si f g
1 g
h ( f , g) =
0
sinon
= 0.25 + 3.75 (g (x2 ) 1) et = 1.

si 0 x2 0.4
si 0.4 < x2 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 figure 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

f2

f2

10

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 afficher 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(100)
si f (x1 ) g (x1 )
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

si f (x1 ) g (x1 )
4 1 x111.5
f2 (x1 ) =
0
sinon
avec x1 [0, 1]

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 dfinie 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 dfinir le nombre de rgions discontinues dans lintervalle [0, 1].
Le plus souvent, le paramtre vaut 2.
Le problme est alors dfini comme suit :

minimiser f1 (
x ) = f (x1 )

minimiser f (
x ) = g (x ) h ( f , g)
2

avec

x1 , x2 [0, 1]

Lensemble des valeurs ralisables et la surface de compromis sont reprsents la figure 8.2.
Lexpression analytique de lenveloppe de la surface de compromis est :
f1 (x1 ) = x1
f2 (x1 ) = 1 x12 x1 sin (2 q x1 )
avec x1 [0, 1]
Donc, on a :
f2 = 1 f12 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

f2

f2

10

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 difficult 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 dfinie comme suit :
f (x1 ) = x1

2
2
x2 0.6
x2 0.2
0.8 exp 0.4
g (x2 ) = 2 exp 0.04
h ( f , g) =

1
f

Le problme est alors dfini 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 figure 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

f2

f2

10

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 23 x11
avec x1 [0, 1]
On a donc :
f2 =

8.2.4

1.9156806
f1

(8.2)

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 dfinie comme suit :
f (x1 ) = 1 exp (4 x1 ) sin4 (5 x1 )
g (x2 ) = 1
10 x2
h ( f , g) = 1 f

minimiser
minimiser
avec

f1 (
x ) = f (x1 )

f2 (
x ) = g (x2 ) h ( f , g)
x1 , x2 [0, 1]
198

8.3 Les problmes tests de Hanne

Lensemble des valeurs ralisables et la surface de compromis sont reprsents la figure 8.4.
La fonction DEB VIII
Plan f1, f2
0

La surface de compromis de la fonction DEB VIII

Plan f1, f2

f2

f2

0.9

0.8

0.7

0.6

0.5

0.4

f1

0.9

0.8

0.7

0.6

0.5

0.4

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 :

avec f1 [1, 0].

8.3

p
f2 = 1 f1

(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
figures 8.5 et 8.6.

La fonction HANNE 1

La fonction HANNE 1

Plan x, y

Plan f1, f2
12

10

10

f2

12

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 figure 8.5-a, on a reprsent lensemble de solutions dans lespace de la variable

de dcision
x . A la figure 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 figure 8.6-a, on a reprsent la surface de compromis du problme test dans lespace des variables de dcision. A la figure 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 difficults 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

La surface de compromis de la fonction HANNE 1

Plan x, y

Plan f1, f2

f2

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 vrifies
et 0 sinon.
x1 = x1min
x2 = x2min
do
do

si Const f (x1 , x2 ) = 1 afficher 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

f1 (
x ) = x12

f2 ( x ) = x22
x1 0
x2 0
x1 + x2 5

Lensemble des valeurs ralisables et la surface de compromis sont reprsents sur les
figures 8.7 et 8.8.

La fonction HANNE 2

La fonction HANNE 2

Plan x, y

Plan f1, f2

12

144

10

f2

100

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 figure 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

La surface de compromis de la fonction HANNE 2

Plan x, y

Plan f1, f2
25

20

f2

10

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
figures 8.9 et 8.10.

203

Chapitre 8. Les fonctions de test multiobjectif

La fonction HANNE 3

La fonction HANNE 3
Plan x, y

Plan f1, f2

3.464

12

3
10

f2

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

La surface de compromis de la fonction HANNE 3

Plan x, y

Plan f1, f2
2.236

f2

1
2

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
figures 8.11 et 8.12.
La fonction HANNE4

La fonction HANNE4

Plan x, y

Plan f1, f2
12

10

10

f2

12

10

12

10

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

12

Chapitre 8. Les fonctions de test multiobjectif

La surface de compromis de la fonction HANNE 4

La surface de compromis de la fonction HANNE 4

Plan x, y

Plan f1, f2

12

12

10

f2

10

10

12

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 efficaces 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
figure 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

f2

f2

2
2

1
1

0.5
0.5

4.5

f1

0.5
0.5

4.5

f1

(a) Lensemble des valeurs ralisables

(b) La surface de compromis

F IG . 8.13 Lallure de la fonction plusieurs zones efficaces 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 classification 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 classification 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 classification :
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 finir, nous dsignons par mthode doptimisation multiobjectif un couple mthode
de traitement du problme multiobjectif + mthode doptimisation.
Nous allons maintenant tudier lapproche mathmatique de la classification, puis nous
nous intresserons lapproche graphique. Nous montrerons comment on obtient une d209

Chapitre 9. Tentatives de classification des mthodes doptimisation

composition hirarchique de la structure dune mthode doptimisation, mais surtout, nous
dcouvrirons quune classification 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 classification des mthodes doptimisation multiobjectif
(mathmatique et graphique) par quelques exemples.

9.2
9.2.1

Classification
doptimisation

mathmatique

des

mthodes

Introduction

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 classification de Erghott

Considrons le problme doptimisation multiobjectif suivant :

min f (
x)

x X

Ici, lexpression min devrait tre crite entre guillemets car, pour les problmes multiobjectifs, tant que la relation dordre na pas t spcifie, le sens de lexpression min nest pas
suffisamment 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 spcification 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 signification de ce terme.
M. Erghott [Ehrgott 00] se propose de rfrencer une mthode doptimisation en utilisant
lexpression suivante :

X, f , RN // RP ,

Cette expression reflte 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 figure 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 Classification mathmatique des mthodes doptimisation

f
RN

RP ,

F IG . 9.1 La transformation dun problme doptimisation multiobjectif.

Pour mieux comprendre lexpression de la classification, 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 classification 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 classification 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 classification 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 classification de la mthode de Tchebychev est la suivante :

9.2.3

X, ( f1 , f2 , f3 ) , R3 /1 z1 2 z2 3 z3 / (R, )

Conclusion

Cette classification 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 classification hirarchique
doptimisation multiobjectif

des

mthodes

Introduction

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 classification.

212

9.3. La classification hirarchique des mthodes doptimisation

9.3.2

Une hirarchie graphique

9.3.2.1

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 suffisamment 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 fini 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 figure 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, spcifiquement 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 classification 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 figures 9.2 et 9.3.
R1

Approche
agrgative

A1

A11

Agrgation
avec contraintes

Mthode
couple
C1

C2

Agrgation
sans contraintes

A12

Mthode
dcouple

Rsolution a priori
du problme

Mthode
couple

Mthode
dcouple

C1

Agrgation
hybride

A13

C2

Mthode
couple

Mthode
dcouple

C1

C2

A2

Approche
non agrgative

Mthode
couple
C1

Mthode
dcouple
C2

F IG . 9.2 La hirarchie des mthodes a priori.

R2

Rsolution a posteriori
du problme

Rsolution a priori
du problme

R1

R3

A1
A1

Rsolution progressive
du problme

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 refltant
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 classification 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 I1 ;
les interactions via la formulation des contraintes, nous noterons ce niveau I2 ;
les interactions hybrides via la formulation de prfrences et de contraintes, nous noterons ce niveau I3 ;
les interactions dun autre type (comme, par exemple, par la slection dune souspopulation de solutions intressantes), nous noterons ce niveau I4.
Il nous faut donc ajouter quatre branches supplmentaires dans notre hirarchie (voir figure 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 suffisamment discriminante pour permettre une bonne classification
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 classification des mthodes doptimisation

R3

A1

Interaction via
prfrences

I1

Approche
agrgative

Interaction via
contraintes

I2

Rsolution progressive
du problme

Approche
non agrgative

Interaction
hybride

A2

Autre type
dinteraction

Interaction via
contraintes

Autre type
dinteraction

I4

I2

I4

I3

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 dfinitive 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 spcifiquement les mthodes doptimisation est reprsente
la figure 9.5.
216

9.3. La classification hirarchique des mthodes doptimisation

M1
Mthodes damlioration
par voisinage

M2

M3

Mthodes
volutionnaires

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 difficile 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 difficile 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 influer sur le choix de la mthode doptimisation. Il
faut admettre que, sur certains problmes trs difficiles, il est impossible de connatre
lavance la proportion doptima locaux et donc de juger de la difficult a priori du
problme.
Laspect convexe ou non convexe de la surface de compromis va influer sur le choix de
la mthode de traitement multiobjectif. L aussi, il est trs difficile 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 dfinies, 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 difficile.
Si les prfrences ne sont pas bien dfinies, on a deux solutions :

217

Chapitre 9. Tentatives de classification 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 fini 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 identifi. 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

Classification 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/I2/C2
R3/I2/C2
R3/I2/C2
R3/I4/C2
R3/I4/C2
R3/I1/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 classification hirarchique des mthodes doptimisation

Les mthodes floues

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/M1/E1
R {1, 2} /A12/C1/M1/E2
R2/A2/C1/M2/E2
R2/A2/C1/M2/E2
R2/A2/C1/M2/E2
R2/A2/C1/M2/E2

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 dfini. 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 difficile. 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 classification 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 difficile.
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/M2/E2
Choix final :
Nous avons donc le choix entre :
MOGA, NSGA, NPGA et WARGA.
Le choix final 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 classification 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 dfinir 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 efficace 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 difficult 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/M1/E2
Choix final :
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 suffira 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 : qualification de

code scientifique1
10.1

Introduction

Lorsque lon dveloppe un code scientifique 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 artifice 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 figure 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 modifier 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 figure 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 : qualification de code scientifique

0.7
Valeur exacte
10

Taux de vide (%)

0.6
9
0.5
8
2

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)

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 dfinition 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 dfinitions numres plus haut apparat sous un
nouveau jour. Ces dfinitions 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
clarifier 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 infinit 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
dfinir 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 influence 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
dfinition 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 difficult, 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 figure 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 prdfini :
0 C1 2 et 0.5 C 2
On tire 1 500 points distincts dans cet espace des paramtres.
On effectue une simulation pour chacun de ces points.
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 figures 10.3, 10.4 et 10.5, on peut voir des exemples de types de rsultats que lon obtient
en suivant cette dmarche.
Ces figures 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
dfinissent les trois fonctions objectif du problme.
Etape 2 :
Etape 3 :

227

Chapitre 10. Etude de cas n1 : qualification de code scientifique

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

Canal 1

0.3
0.25
0.2
0.15
0.1
0.05
0
2
2

1.5
1

1.5
0.5

1
0

0.5

C1

F IG . 10.3 Rponse de lapproximateur neuronal pour le point de mesure 1.

CANAL 7

0.9
0.8

Canal 7

0.7
0.6
0.5
0.4
0.3
0.2
2
2

1.5
1

1.5
0.5

1
0

0.5

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 figure 10.6, on na reprsent que les courbes de niveau des points
228

10.4 Conclusion
CANAL 10

1
0.9
0.8

Canal 10

0.7
0.6
0.5
0.4
0.3
0.2
2
2

1.5
1

1.5
0.5

1
0

0.5

C1

F IG . 10.5 Rponse de lapproximateur neuronal pour le point de mesure 10.

de mesure 1, 7 et 10. Chaque courbe dfinit lensemble des valeurs des couples (C1 ,C ) permettant dobtenir, pour le point de mesure correspondant, un cart nul avec le calcul. Ces
trois courbes dfinissent dans lespace des paramtres le domaine dont limage est la surface
de compromis. Le domaine A dfinit 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
figure 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 figure 10.8, nous avons reprsent les profils de courbes correspondant ces
trois points. Ces profils donnent tous le mme cart par rapport la courbe exprimentale. En
revanche, certains profils vont donner des rsultats prcis sur les bords de la conduite et pas
au centre, dautres vont donner des profils dont la forme ressemblera au profil 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 : qualification de code scientifique

C1
0.5
0.45
0.4
0.35
Point 10

0.3

Point 7

0.2

0.37488

0.5
83
72

0.25

0.15

0.2

0.1

80

69

0.05
Point 1

0
0.7

0.8

0.9

1.0

1.1

1.2

1.3

1.4

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

B
A

0.1
0.05

0
10.7

0.8

0.9

1.0

1.1

1.2

1.3

1.4

(a) Des

F IG . 10.7 Des points de la zone de Pareto.

0.7
Valeur exacte
A
B
C

Taux de vide (%)

0.6
0.5
0.4
0.3
0.2
1

10

11

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 fil 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 figure 11.1 en gras, et considrons quune extension de ce rseau soit envisage au sud-est de celui-ci (extension modlise en traits fins).
Avant den arriver une telle dcision, de nombreuses tudes ont d tre menes afin 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 spcifies. Ces caractristiques sont spcifies 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

Critres de choix

11.2.1

Paramtres permettant la modlisation de la disponibilit

La disponibilit dun rseau est caractrise par son aptitude faire face aux fluctuations
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 suffisante 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 ;
modification dun arc (extension de la capacit de larc, etc.) ;
modification dun nud (changement dquipement en ce nud pour des quipements
de nouvelle gnration, etc.) ;
etc.
Pour toutes ces modifications 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 bnfices peuvent donc apparatre ce niveau l.
Ces bnfices 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

Etude dune extension du rseau

11.3.1

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 figure 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 laffirmative, avec
quelle capacit. Bien entendu, la mise en service de chaque lien a un cot qui crot avec sa
capacit.
Do la dfinition 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

Modlisation

11.3.2.1

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.
Na

CT = C (ci )

(11.1)

i=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 dfini.
236

11.3 Etude dune extension du rseau

11.3.2.3

minci CT
maxci T

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

Donnes ncessaires

11.3.3.1

Infrastructure fige 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 figure 11.2 les nuds sont identifis avec des lettres et les arcs sont
numrots (de 0 14).

F
6

G
7

14

B
12

13

3
C

11

1
D

10

9
J

F IG . 11.2 Sous-rseau crer.

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

Origine

Destination

Quantit (en unit 155 Mbit/s)

0
1
2
3
4
5
6
7
8
9
10
11
12
13
14

G
G
A
B
B
B
F
B
G
A
J
E
E
E
E

J
C
I
J
H
I
D
G
A
C
A
H
I
F
C

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 difficult 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 final, afin que celui-ci tablisse son choix.
Notre problme peut tre rsolu par un algorithme volutionnaire dont lossature est dcrite la figure 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

Dfinition dune solution admissible

Une solution admissible sera une combinaison des capacits placer sur chaque arc
{ci | i [1, Na ]} qui permettra linfrastructure ainsi dfinie de respecter les contraintes.

11.4.2

Algorithme

Rappelons que lorganigramme gnral dun algorithme gntique est celui reprsent
la figure 11.3.
Evaluation

Initialisation

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

dfini ici est trs simple puisquil est bas sur lindexation des ensembles de modifications
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 vrifier 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 vrifier 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 lefficacit 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 figure 11.4.

B
E

E
I

D
C

C
J

(a) AB+BC+CD+DI

(b) AB+BE+ED+DI

(c) AB+BE+EH+HI

H
B

B
E

D
C

(e) AF+FE+ED+DI

(d) AF+FE+EH+HI

(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),
afin de vrifier 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
figure 11.5.

240

11.4 Mthodologie de rsolution

B
H
E
C

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.
Afin 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 suffisamment efficace, 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 spcifiques, 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 fitness finale 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 dfinir 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 suffisamment large et rgulier du front de
Pareto. Pour ce faire, les oprateurs dfinis prcdemment ont t associs non seulement
une opration doptimisation visant amliorer la valeur de lindividu pour un critre donn,
mais galement une opration de diversification (voir figure 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 dfinie :
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 modification
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 diversification : lobjectif de cette opration est dlargir et dchantillonner le plus rgulirement possible le front de Pareto. Pour ce faire, les mutations dfinies ci-dessus sont ncessaires. Mais, afin que lalgorithme ne converge pas trop tt,
un oprateur de perturbation alatoire et de croisement a t dfini.
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 prdfinies.
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

on

td

eP

Optimisation

Di
ve

ar

eto

rsi
fic

ati
on

Optimisation
F IG . 11.6 Diffrents oprateurs de reproduction.
11.4.2.8

Algorithme global

Lalgorithme global utilis est donc celui de la figure 11.7. Dans cette figure, le terme
dominateur dsigne une solution non domine.
Initialisation en deux temps

Population courante

Mise jour
des solutions
non domines

Mise
jour

Evaluation:
calcul du routage
calcul des critres
calcul du nombre de dominateurs
calcul de la fitness finale

Slection
Slection litiste
Modification
des probabilits

Reproduction:
diversification
optimisation locale

Mise jour
des statistiques

^
Arret ?

non
oui

Solution

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 efficaces 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
final 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 figure 11.8.
Le front de Pareto apparat de manire flagrante sur ce graphique.
La partie grise du graphique recouvre les solutions non admissibles, puisque le coefficient 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 suffisamment
diversifi et continu. Cet algorithme peut galement traiter un troisime critre, correspondant

244

11.6 Conclusion

Front de Pareto

Paramtre de disponibilit

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

0.5

Cot

F IG . 11.8 Ensemble de solutions efficaces.

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 rflexion du
dcideur : le dlai de mise en service du rseau, etc. Dautres critres peuvent, linverse
de ceux prsents ici, tre non quantifiables 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 dfinir des sous-problmes algorithmiquement envisageables et suffisamment significatifs, 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), filiale 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 officielles.
Depuis la cration dun modle de premire gnration neuf critres en 1996, de frquentes modifications 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. Afin 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 affins sur mesure.
Les modles de premire et deuxime gnration sont prsents succinctement dans les
paragraphes suivants. Pour des raisons videntes de confidentialit, les valeurs numriques,
ainsi que les graphiques, ont t volontairement voils ou modifis.

12.2

Modle de premire gnration

12.2.1

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 signifie autoriser une quipe mettrice dune fiche 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 profits en cas dchec. Refuser laffaire signifie 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 difficile
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,
qualifiant 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 dfinie 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 suffisamment darguments pour
admettre que laction a est au moins aussi bonne que laction b, sans quil y ait de raison importante de refuser cette
affirmation.

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 :
Insuffisante
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 planification de lactivit technique et commerciale dEADS
LV afin 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

249

Charg
10

Disponible
12

En sous-activit
14

Chapitre 12. Etude de cas n3 : outils dcisionnels multicritres . . .

Famille n3 : Intrt conomique
Critre 7 : Effort de recherche autofinance et dinvestissement.
Ce critre prend en compte les ventuels besoins en cofinancement 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 financer 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
signifie 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 difficilement rglables, car il fallait avoir du recul et de lexprience pour
les ajuster. Par exemple, un veto mrement rflchi sur le critre Effort de recherche autofinance entranait le refus des actions demandant un cofinancement de recherche suprieur
500 k=C, alors que le comit, en contradiction avec lui mme, a retenu et gagn des actions
demandant un cofinancement suprieur 1 M=
C.
Pour clarifier cela, une tude de sensibilit sur les donnes cumules 1996-1997 fut alors
effectue, en faisant varier uniquement les profils 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 dfinit
une nouvelle fiche daffaire nouvelle (FAN) sur tableur Excel, pour mieux caractriser les
actions candidates. Au demeurant, cette nouvelle FAN sert galement de fiche 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 finale envoye au client. Le nouveau comit limine
250

12.3 Comprendre les insuffisances 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 afin de dgager un ensemble dactions avec
des indicateurs fiables. 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 fine 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 insuffisances du modle de premire

gnration

De nombreux critres supposs importants se sont avrs non discriminants pour les raisons suivantes :
les critres invrifiables autorisaient les notations plaidoyer et confinaient 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 rflchies.
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 modifications 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.
Afin de mieux comprendre les insuffisances 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

Nombre de FAN

140
120

1996
1997
1998
1999
2000

100
80
60
40
20
0
0

3 ,5

8 ,5

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 figure 12.1), la note la
plus souvent attribue tant la note 7, mais ce nest pas une raison suffisante, en temps de
crise, pour que le client accorde un traitement privilgi aux offres commerciales EADS LV
(voir figure 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 insuffisances 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 figure 12.3, montre la difficult de procder cette valuation.

Nombre de FAN

Positionnement des FAN par anne

160
140
120
100
80
60
40
20

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 difficile 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. Enfin, 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 figure 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 difficile 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 . . .

Nombre de FAN

Positionnement des FAN en fonction des charges espres

800
700
600
500
400
300
200
100
0

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 difficile de noter ce critre avec prcision,
le prix du march tant le plus souvent difficile apprhender. Dans limpossibilit de trouver
un ratio de notation qui soit un vritable instrument de calcul, ce critre a t abandonn au
profit 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 figure 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 autofinance et dinvestissement (critre 7)

Une vingtaine daffaires par anne sont concernes par ce critre, leffort de recherche
autofinance et dinvestissement tait chelonn entre 0 et 1.5 M=
C. Ce critre est reprsent
la figure 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 insuffisances du modle de premire gnration

Positionnement des FAN par anne
140
120

Nombre de FAN

100

1996
1997

80

1998
60

1999
2000

40
20

0
0

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

Nombre de FAN

10
8

1996

1998

1997
1999

2000

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 autofinance.

Effort EADS LV (critre 8)
Ce critre nest pas discriminant, et se ramne une contrainte qui maintient leffort
financier, affaire par affaire, dans une enveloppe raisonnable par rapport au chiffre daffaires
espr. Comme le montrent les graphiques de la figure 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

Nombre de FAN

6
5

1996

1997
1998

1999

2000

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 modification 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 modification essentielle se justifie 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 figurent 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 dfinir 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
spcifique (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 didentifier 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 affinage des
ratios de mesure des critres.

12.4.3

Architecture des familles de modles

Afin de simplifier 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 financire 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 dfinitif (gagn ou perdu) est connu (affaires
recenses depuis 1996).
Chaque produit, famille de produits ou chaque client est positionn sur le graphe de la
figure 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
Nombre daffaires gagnes

4
Produit B
3
Produit D
2
Produit C
1
Produit E
0
0

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, afin 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 qualification 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 figure 12.9.
Maturit

100
75

Produit sur tagre

(qualifivol)

Produit sur tagre

(qualifisol) ou avec
lgres modifications
Produit avec
modifications ou en
dveloppement avanc

50
25
0

Produit dpass

Produit en dveloppement
Produit non tudi
Temps

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 financire 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 dinfluence sur les risques dannulation, le critre choisi est
la crdibilit financire de laffaire chez le client, qui rend compte de la crdibilit gnrale
du projet.
Aussi la crdibilit de laffaire dpend de deux facteurs financiers 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 difficile.
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 difficiles prvoir, mais les indices jalonnant les projets sont
identifis.

259

Chapitre 12. Etude de cas n3 : outils dcisionnels multicritres . . .

Les difficults 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 significativement 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 modifier 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 difficiles. 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 (profiles) 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 fluidique prsent titre dexemple la figure 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

C1

14

C2

C3

C4

Perdu
Gagn

F IG . 12.10 Segment fluidique : 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 figure 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 modification des classes dquivalence, vers
la subdivision des problmes par une modlisation de plus en plus fine 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. Enfin, 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 planificateur 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 dfinition dun optimum multiobjectif. Une dfinition gnrale et
bien tablie est celle de Pareto. Mais cette dfinition 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 finir, 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 difficult 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
difficults 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 difficult de loptimisation multiobjectif :
une gne occasionne par un compromis difficile 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]

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.

[Ascend]

Logiciel Ascend 10.1

[Asselmeyer 96] T. Asselmeyer, W. Ebeling, Unified 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.]

R. Baldick, A. B. Kahng, A. Kennings, I. L. Markov, Efficient Optimization by Modifying the

Objective Function : Applications to Timing-Driven VLSI Layout.

[Barda 87]

O. H. Barda, Etude comparative des mthodes multicritres dans le cadre dun problme de localisation, Universit Paris-Dauphine, 1987.

[Barnett 97]

L. Barnett, TANGLED WEB : Evolutionary Dynamics on Fitness Landscapes with Neutrality MSc
Dissertation, School of Cognitive Sciences, University of East Sussex, Brighton, 1997.

[Bartak 99]

R. Bartk, Constraint programming : in pursuit of the holy grail, Proceedings of WDS99, Prague,
juin 1999.

[Battiti 94]

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.]

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.

[Bonomi 88]

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 Artificial 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.

[Charon et al. 96] I. Charon, A. Germa, O. Hudry, Mthodes doptimisation combinatoire, ditions Masson, 1996.
[Chekroun 85]

E. Chekroun, Aide la dcision, ditions Sirey, mars 1985.

[Coello 96]

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.

[Coello 98]

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

[Coello 99]

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.

[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]

D. Cvetkovic, Evolutionary Multi-Objective Decision Support Systems for Conceptual Design,

PhD, School of Computing, Faculty of Technology, University of Plymouth, November 2000.

[Daniels 78]

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 fitness 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.

[Das 99]

I. Das, A Preference Ordering Among Various Pareto Optimal Alternatives, Structural Optimization, volume 18, number 1, pages 30-35, august 1999.

[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]

L. Davis, Handbook of Genetic Algorithms, ditions Van Nostrand Reinhold, 1991. 5.8

[Deb 98a]

K. Deb, Multiobjective genetic algorithms : problem difficulties 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

[Deb 98b]

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.

[Deb 99]

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

[Deb et al. 00a]

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.

[Deb et al. 00b]

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.

[Deb et al. 00c]

K. Deb, E. Zitzler, L. Thiele, Comparison of Multiobjective Evolutionary Algorithms : Empirical

Results, Technical Report TIK, 2000. 11.4.2.5

[Deb 01]

K. Deb, Multi-Objective Optimization using Evolutionary Algorithms, John Wiley & Sons, 2001.
1.8.5, 5.7.2.3.3, 5.8

[Deb et al. 01a]

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.

[Deb et al. 01b]

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.

[Deb et al. 01c]

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.

[Deb et al. 01d]

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.

[Delbos 75]

M. Delbos, Le positionnement multidimensionnel, Note interne EDF-DER numro HI/1943/02,

septembre 1975.

[Deng et al. 96]

H. L. Deng, W. Gouveia, J. Saales, The CWP object-oriented optimization library, 1996.

[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 flexible 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]

W. Duch, J. Korczak, Optimization and Global minimization methods suitable for neural networks, Neural Computing Survey (submitted), 1998.

[Duch 99]

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.

[Ehrgott 97]

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

[Ehrgott 00]

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 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

[Flexer 99]

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 Artificial Intelligence, numro 1704, Springer-Verlag, pages 80-88, 1999.

[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]

I. P. Gert, J. L. Underwood, The Logic of Search Algorithms : Theory and Applications, Constraint
Programming Conference, CP97, 1997.

[Giesy 78]

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

[Glover et al.]

F. Glover, M. Laguna, M. Marti, Scatter Search, Preprint.

[Glover 86]

F. Glover, Future paths for integer programming and links to artificial intelligence, Comput. and
Ops. Res., volume 13, numro 5, pages 533-549, 1986. 5.5

[Glover 90]

F. Glover, Artificial intelligence, heuristic frameworks and tabu search, Managerial and decision
economics, volume 11, pages 365-375, 1990. 5.5

[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 Classification, Artificial 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 scientific publication company, 1975. 3.2.1
[Han et al. 01]

Q. Han, J. Han, Revised Filled Function Methods for Global Optimization, Applied Math. and
Comp., numro 119, pages 217-228, 2001.

[Hansen 97a]

M. P. Hansen, Experiments on the usage of hashing vectors in multiobjective tabu search, aot
1997.

[Hansen 97b]

M. P. Hansen, Tabu search for multiobjective optimization : MOTS, MCDM97, janvier 1997.

[Hansen 97c]

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. Mladenovic, 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]

A. K. Hartmann, Introduction to Complexity Theory, octobre 1999

[Hati et al. 87]

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.

[Henrion 74]

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]

L. Hong, C. Ting, Group decision making with multiple objectives and its interactive solution
approach, IFAC Large scale systems : Theory and applications, 1986.

[Hooker 95]

J. N. Hooker, Testing Heuristics : We Have It All Wrong, Journal of Heuristics, pages 33-42, mai
1995. 7.16

[Hordijk]

W. Hordijk, A Measure of Landscapes, Evolutionary Computation, volume 4, numro 4, pages

335-360, 1996.

[Horn et al. 93]

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

[James 95]

R. James, A Framework for Search Heuristics, 1995.

[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 Difficulty 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 first 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 fit 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 Unified 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]

J. L. Laurire, A language for stating and solving combinatorial problems, Artificial intelligence,
numro 10, pages 29-127, 1978

[Lee et al. 00]

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.

[De Leeuw 93]

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 Classification,
volume 14, pages 3-21, 1997.
[Levin]

M. S. Levin, Algorithm Systems for Combinatorial Optimization : Hierarchical Multistage Framework, Preprint.

[Lin 76]

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

[Lin 77]

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

[Lin et al. 98]

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.

[Lister 93]

R. Lister, Annealing Networks and Fractal Landscapes, IEEE Int. Conf. on Neural Networks,
volume 1, pp 257-262, San Francisco, mars 1993.

[Liu 01]

X. Liu, A Class of Generalized Filled Functions with Improved Computability, Journal of Comp.
and Applied Math., numro 137, pages 61-69, 2001.

[Liu 02]

X. Liu, A Computable Filled Function used for Global Minimization, Applied Math. and Comp.,
numro 126, pages 271-278, 2002.

[Lombard 79]

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.

[Lootsma 87]

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.

[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 Artificial 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]

S. Mertens, Computational Complexity for Physicists, Notes de cours.

[Merz 00]

P. Merz, Memetic Algorithms for Combinatorial Optimization Problems : Fitness Landscape ans
Effective Search Strategies, Thse, dcembre 2000.

[Merz et al. 98]

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]

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

[Mobius et al.]

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.

[Monclar 95]

F.-R. Monclar, Rsolution cooprative de problmes : notes bibliographiques, Note interne EDFDER numro HT-37/95/019, 1995

[Monclar 98]

F.-R. Monclar, Rsolution cooprative de problmes : ELICO et son application la supervision

des rseaux lectriques, Thse de luniversit de Montpellier (LIRMM), mars 1998.

[Monclar 99]

F.-R. Monclar, Deux exemples dutilisation dalgorithmes "mta-heuristiques" pour des applications EDF, Note interne EDF-DER, 1999.

[MOPGP]

M.O.P.G.P. Site Internet sur la mthode du but programm. 2.7.3

[More et al. 95]

J. J. Mor, Z. Wu, Global Smoothing and Continuation for Large-Scale Molecular Optimization,
preprint MCS-P539-1095, octobre 1995.

[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]

X. Mouney, Implmentation dans le logiciel FORMOSA dune mthode multi-objectif base sur
le recuit simul, Rapport de stage EDF-DER, 1998.

[Muller 94]

C. Muller, Introduction aux mthodes neuronales doptimisation, Note interne EDF-DER numro
HI-23/94/012, dcembre 1994.

[Multisimplex]

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]

S. Opricovic An extension of compromise programming to the solution of dynamic multicriteria

problems, preprint.

[Osyczka 92]

A. Osyczka, Computer Aided Multicriterion Optimization System (CAMOS), International Software Publisher, 1992.

[Othmani 98]

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]

G. T. Parks, I. Miller, Selective Breeding in a Multiobjective Genetic Algorithm, PPSN V, pages

250-259, Amsterdam, Holland, 1998. 5.7.2.5

[Parks et al. 99]

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 flow 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.

[Peretto]

P. Peretto, Rseaux de neurones et optimisation combinatoire, preprint

[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]

H. Pohlheim, Visualization of Evolutionary Algorithms : Real-World Application of Standard

Techniques and Multidimensional Visualization, Preprint.

[Potter 02]

M. A. Potter, An NK-Landscape Generator, 2002.

[Pouillot 92]

S. Pouillot, Etude comparative des techniques multi-agents et des blackboard, Note Interne EDF
numro HI-57/7959, mai 1992.

[Press et al. 02]

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

[Reardon 97b]

B. J. Reardon, Fuzzy logic vs niched Pareto multi-objective genetic algorithm optimization : Part
II : a simplified Born-Mayer problem, Rapport technique LA-UR-97-3676, Los Alamos National
Laboratory, 1997. 4.3.1, 4.3.3

[Rebreyend 99]

P. Rebreyend, Algorithmes gntiques hybrides en optimisation combinatoire, Thse de lE.N.S.

Lyon, janvier 1999.

[Reidys et al.]

C. M. Reidys, P. F. Stadler, Combinatorial Landscapes.

[Remez 86]

C. Remez, Lintelligence dvoile ou la logique floue, Micro-systmes, mai 1986. 4.1

[Reuss 85a]

P. Reuss, Elments de neutronique, Notes de cours I.N.S.T.N., 1985.

[Reuss 85b]

P. Reuss, Que sais-je ? La neutronique, P.U.F., 1985.

[Robert 85]

F. Robert, Meilleure approximation en norme vectorielle et minimum de Pareto, Math. Modelling

and Num. Analysis, volume 19, numro 1, pages 90-110, 1985.

[Roy 85]

B. Roy, Mthodologie multicritre daide la dcision, ditions Economica, 1985.

[Roy et al. 81]

B. Roy, P. Vincke, Multicriteria analysis : survey and new directions, European journal of Op.
Research, 1981.

[Roy et al. 88]

B. Roy, D. Bouyssou, Aide la dcision, Encyclopdie des sciences de la gestion (AFCET/Interfaces), numro 65, pages 4-13, mars 1988.

[Roy et al. 93]

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

[Rudolph 98]

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.

[Sammon 69]

J. M. Sammon, A nonlinear mapping for data structure analysis, IEEE Transactions on Computers, volume C-18, numro 5, pages 401-409, 1969

[Sait et al. 99]

S. M. Sait, H. Youssef, Iterative Computer Algorithms with Applications in Engineering : Solving

Combinatorial Optimization Problems, IEEE Computer Society, 1999. 5.1, 5.8

[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 satisficing 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]

A. Scharlig, Dcider sur plusieurs critres : panorama de laide la dcision multicritre, ditions
Presses Polytechniques Romandes, 1985. 6.1, 6.4

[Scharlig 96]

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.]

M. Sefrioui, J. Periaux, Nash Genetic Algorithms : Examples and Applications, Preprint.

[Sen]

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]

C.-S. Shao, R. H. Byrd, E. Eskow, R. B. Schnabel, Global Optimization for Molecular Clusters
using a new Smoothing Approach, 1995.

[Sharpe 00]

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]

P. Siarry, La mthode du recuit simul en lectronique, Rapport dhabilitation diriger les recherches. Universit de Paris-Sud (Orsay), 1994. 5.4

[Siarry 99]

P. Siarry, Optimisation et classification de donnes, Cours du D.E.A G.B.M. de luniversit de

Paris 12, 1999. 5.4

[Smith 95]

B. M. Smith, A tutorial on constraint programming, Rapport technique 95-14, avril 1995.

[Smith 99]

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]

E. D. Taillard, Comparison of Non-Deterministic Iterative Methods, preprint.

[Talbi 98]

E.-G. Talbi, A Taxonomy of Hybrid Metaheuristics, Rapport technique TR-183, LIFL, Universit
de Lille 1, mai 1998. 9.1

[Tarvainen 86]

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 Efficient 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 : classifications, 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 floue : concepts et dfinitions, 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
Artificial 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 efficient 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]

X. Yao, An Overview of Evolutionary Computation, Chinese Journal of Advanced Software Research, volume 3, numro 1, pages 12-29, 1996.

[Zadeh 65]

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
coefficient 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
flux
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 -qualification, 157
Laumanns, 191
linaire, 17
logique floue, 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
floue, 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
qualification, 157
quasi-critre, 166
quasi-dominance, 160
quasi-Newton, 105
quasi-suprmalit, 68
ralisable, 15, 20
rflexive, 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
flou, 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 efficace, 206
Zoutendjik, 84

282