0

0-0

Décision multicritères
Hélène Fargier, Michel Lemaître
d’après beaucoup d’autres ... fargier@irit.fr "Décision Multicritère", 2009-2010, Sup Aéro (SSP)

1

2

1. Introduction

ISAE

Décision Multi critères

1. I NTRODUCTION

3

Quelques problèmes de décision et d’évaluation
• Choisir le site d’implantation d’une usine, d’un magasin ... • Engager du personnel. • Acheter du matériel. • Évaluer la qualité des fournisseurs. • Évaluer des projets. • Choisir une stratégie d’investissement.
ISAE Décision Multi critères 1. I NTRODUCTION

4

Modèle unicritère
• Modèle unicritère : Optimiser {g(a), a ∈ A} où g : A → R • Mathématiquement bien posé : – Notion de solution optimale; – Classement complet des actions; • Économiquement mal posé : – Un seul critère ? – seuils de perception, ... – Exigence de critères numériques
ISAE Décision Multi critères 1. I NTRODUCTION

5

Choix d’une automobile
alternatives Citroen Peugeot prix (×1000 ∈) critères consommation puissance (kW) type • le nombre fini critères • le nombre fini d’alternatives • aucune ne s’impose a priori (n’est meilleure sur tous les critères)
ISAE Décision Multi critères 1. I NTRODUCTION

Renault 21 7.2 58 gpl

Ford 16 7.8 55 diesel

22 7.1 55 essence

20 7.0 65 gpl

6

Exemple : choix d’un candidat
alternatives Durant prétentions critères âge expérience 53 31 7 Dupont 50 25 2 top Dubois Dubosc 53 32 7 top 45 38 15 forte

compétences moyennes

ISAE

Décision Multi critères

1. I NTRODUCTION

7

Modèle multicritère
• Modèle multicritère : Optimiser {g1 (a), g2 (a) . . . gn (a), a ∈ A} où gi : A → R Comment optimiser sur **plusieurs** fonctions ? Les critères sont • Souvent contradictoires (puissance et prix) • Exprimés dans des unités différentes (puissance et prix) • Difficiles à mesurer quantitativement (type moteur): les critères qualitatifs ordonnent plutôt que n’évaluent
ISAE Décision Multi critères 1. I NTRODUCTION

8

Démarche générale en décision/optimisation multicritère
• définir l’ensemble des alternatives possibles (les objets sur lesquels portent la décision : candidats, ordonnancements, plans), et leurs attributs • définir les différents points de vue sur lesquels on jugera les alternatives, établir des préférences sur ces points de vue, les traduire en critères (de manière ordinale ou cardinale)

ISAE

Décision Multi critères

1. I NTRODUCTION

9

Attributs et critères
• Attribut: Caractéristique décrivant chaque objet (âge, diplôme, résultats aux tests d’aptitude, prétentions) • Critère : exprime les préférences du décideur relativement à un point de vue (ex: compétence); Intègre la structure de préférence du décideur sur ce critère (minimiser les prétentions, maximiser la compétence) Tableau des attributs → Tableau des performances • Généralement (et pour la suite) : attribut ⇆ critère

ISAE

Décision Multi critères

1. I NTRODUCTION

ordonnancements.cont • définir l’ensemble des alternatives possibles (les objets sur lesquels portent la décision : candidats. et leurs attributs • définir les différents points de vue sur lesquels on jugera les alternatives. • exploiter cette structure de préférence globale pour décider (algorithmes. établir des préférences sur ces points de vue. évaluées ou classées par des critères Problèmes: • Sélection : Choix d’une solution (la meilleure) ou d’un ensemble de (meilleures) solutions • Affectation : Tri résultant de l’affectation de chaque alternative à une catégorie parmi n (préféfinies) • Classement : ordonner l’ensemble des alternatives ISAE Décision Multi critères 1. I NTRODUCTION 11 Problématiques d’aide à la décision MCDM Données: un ensemble d’alternatives. les traduire en critères (de manière ordinale ou cardinale) • synthétiser une structure de préférence globale sur les alt. calculs) ISAE Décision Multi critères 1. I NTRODUCTION . plans).10 Démarche générale en décision/optimisation multicritère .

1 55 essence 20 7.8 55 diesel Avec gpl > essence.0 65 gpl 21 7. ISAE Décision Multi critères 1. minimiser prix et consommation. I NTRODUCTION 13 Exercice 1 alternatives Citroen Peugeot Renault prix (×1000 ∈) critères consommation puissance (kW) type 22 7. I NTRODUCTION .12 Plan • Introduction • Principes de base pour la modélisation des préférences • Agréger puis comparer : les principales approches par fonction d’agrégation • Comparer puis agréger : les méthodes de surclassement • Conclusion ISAE Décision Multi critères 1.2 58 gpl Ford 16 7. maximiser performance Quelles sont les meilleures solutions ? Que dire si on ne tient compte que des critères prix et consommation ? Représenter les alternatives dans l’espace de ces deux critères. diesel.

P RINCIPES BE BASE . Attention à ne pas les confondre. Principes de base ISAE Décision Multi critères 2. Les préférences locales. ISAE Décision Multi critères 2.1 Modélisation des préférences Dans un problème multicritère.P RINCIPES BE BASE 15 2. et on cherche à synthétiser la préférence globale.14 2. les préférence locales forment la donnée du problème. exprimées par les critères 2. Les deux niveaux utilisent les mêmes modèles pour exprimer les préférences. on distingue: 1. La préférence globale du décideur sur l’ensemble des alternatives En général.

P RINCIPES BE BASE 17 Préférence stricte. l’incomparabilité. i = 1. sur A: a b Hypothèse minimale : est doit être réflexive (a est toujours au moins aussi bon que a).P RINCIPES BE BASE . On représente les préférences par une relation signifiant que a est préféré au sens large à b. n. cad de préférences locales i . l’indifférence.16 Le modèle relationnel Ce modèle décrit explicitement toutes les comparaisons deux à deux entre alternatives. indifférence et incomparabilité définit 3 relations exclusives sur A : la préférence stricte. Le problème de classement: synthétiser un g global à partir des critères. notée ≻ : notée ∼ : notée ≍ : a≻b a∼b a ≍ b< ⇔ a ⇔ a ⇔ ¬(a b ∧ ¬(b b∧b a a) a) b) ∧ ¬(b ISAE Décision Multi critères 2. ISAE Décision Multi critères 2.

1 litre aux 100.P RINCIPES BE BASE .P RINCIPES BE BASE 19 Critères à seuil ou "quasi critères" Un quasi critère se défini partir d’un attribut g numérique A maximiser : a i. b ⇐⇒ g(a) + q ≥ g(b) avec q > 0 a ≻ b ⇐⇒ g(a) > g(b) + q. a ∼ b ⇐⇒ |g(a) − g(b)| ≤ q Attribut à minimiser: a b ⇐⇒ g(a) − q ≤ g(b) (i. le critère consommation ne fait une différence qu’à plus de 0.18 Transitivité Définition [(Quasi) Transitivité] Une relation R est transitive ⇐⇒def aRb et bRc implique aRc. ISAE Décision Multi critères 2.e. a ≻ b quand g(b) − q > g(a)) Ex: pour l’achat voiture. Une relation est quasi-transitive ⇐⇒def sa partie stricte est transitive. • Les relations d’indifférence ∼ (et donc les relations sont pas toujours transitives ) ne • Les relations de préférence stricte ≻ sont généralement transitives Par exemple dans la vie courante ? ISAE Décision Multi critères 2.e.

|{1.2 − 7.1) La relation de préférence stricte obtenue par un critère à seuil est toujours transitive. 3}| > |{2}| : b ≻M aj c.) La relation d’indifférence n’est pas transitive en général Peugeot (7 l) ∼conso Citroen (7.1 l) car 7. ISAE Décision Multi critères 2.2 l ) car 7. 3}| > |{1}| : c ≻M aj a ISAE Décision Multi critères 2.1 l) ∼conso Renault (7.1 Mais Peugeot ≻conso Renault (car 7. b i a}| Votant 1: Exemple: Votant 2: Votant 3: |{1.1 Citroen (7. 2}| > |{3}| : a ≻M aj b. mais |{2.P RINCIPES BE BASE .2 − 7.20 Quasi critères (cont.0 > 0.P RINCIPES BE BASE 21 Vote à la majorité C’est une règle pour synthétiser la préférence globale à partir des préférences locales ("règle de décision") a M aj b ⇐⇒ |{i.1 ≤ 0. a a ≻1 b ≻1 c c ≻2 a ≻2 b b ≻3 c ≻3 a i b}| ≥ |{i.1 − 7 ≤ 0.

Ford et Peugeot sont incomparables. Citroen et Renault le sont aussi.1 55 essence 20 7. est complète ⇐⇒ ≍ est vide.2 58 gpl Peugeot ≻U na Citroen.P RINCIPES BE BASE 23 La règle d’unanimité Une règle de décision a minima : a b ⇐⇒ ∀i.0 65 gpl Renault 21 7. Un critère à seuil définit une préférence locale complète Le vote à la majorité définit une préférence globale complète est complète ISAE Décision Multi critères 2.P RINCIPES BE BASE . Peugeot ≻U na Renault. ISAE Décision Multi critères 2. a b Ford 16 7.22 Complétude Définition [relation complète)] Une relation ⇐⇒def a b ou b a pour tout a et b.8 55 diesel U na i Citroen Peugeot prix (×1000 ∈) critères consommation puissance (kW) type 22 7.

Exercice 2 Montrer que la relation de préférence à l’unanimité est un préordre (partiel) Exercice 3 Montrer que si est un préordre.P RINCIPES BE BASE 25 Le modèle ordinal : le préordre complet (cont. transitive) ISAE Décision Multi critères 2. transitive) et ≻ une relation d’ordre (antisymétrique.24 Le modèle ordinal : le préordre complet Définition [préordre] Un préordre est une relation binaire réflexive et transitive. symétrique. Modèle ordinal ←→ préordre complet sur les alternatives Un critère ordinal peut être représenté par une fonction g:A→ N ISAE Décision Multi critères 2. ∼ est une relation d’équivalence (réflexive.P RINCIPES BE BASE .) Un préordre défini donc un ordre sur les classes d’équivalence des ex-æquo possibles. Un préordre complet définit un ordre total sur les classes d’équivalence (on peut ranger).

26 Le modèle cardinal Définition [critère numérique cardinal] Un critère cardinal est une fonction g : A → R Par rapport au modèle ordinal (qui peut aussi être représenté numériquement). le modèle cardinal permet d’exploiter des «différences d’intensités» entre préférences. ISAE Décision Multi critères 2. On suppose une information riche.P RINCIPES BE BASE 27 Représentation des préférences: en bref Trois principaux modèles pour exprimer des préférences : • le modèle relationnel – modèles acceptant l’incomparabilité : Pareto dominance. décision à la majorité • le modèle ordinal = modèle relationnel + complétude + transitivité • le modèle cardinal = information ordinale + intensités cardinales ISAE Décision Multi critères 2. surclassement – modèles acceptant l’intransitivité: quasicritères.P RINCIPES BE BASE . Un critère cardinal induit une relation de préférence ordinale: a b ⇐⇒ g(a) ≥ g(b) (si maximisation) Exercice 4 Le prouver.

qu’on appelle profil de a. . an . On le note par convention a = a1 . gn (a) des valeurs de a sur les critères. à tout a correspond un vecteur g1 (a). ordinaux ou cardinaux.P RINCIPES BE BASE 29 Hypothèse simplificatrice (cont) Puisque les préférences locales sont des critères numériques gi : A → Ri ⊆ R... Problème de sélection: sélectionner une alternative préférée au sens de g . par convention) gi : A → R. . . . a2 .. i = 1. . .. n Problème de classement: synthétiser la préférence globale du décideur ( g ) qui en découle..P RINCIPES BE BASE . n . g2 (a). avec ai = gi (a) . on peut passer de l’espace des alternatives à l’espace des profils: on travaille maintenant sur A = R1 × · · · × Rn ISAE Décision Multi critères 2. . ISAE Décision Multi critères 2. (à maximiser.28 On fait l’hypothèse simplificatrice que les préférences sont locales représentées par des critères numériques. . i = 1..

Le principe d’unanimité: si a est au moins aussi bon que b sur tous les critères. ai ≥ bi Définition [Principe d’unanimité] g satisfait le principe d’unanimité si et seulement si. ISAE Décision Multi critères 2. b ∈ A. si a domine faiblement b alors a g b. première référence historique à la décision multicritère (1896). on doit pouvoir décider si a g b ou non.P RINCIPES BE BASE .P RINCIPES BE BASE 31 Pareto-unanimité Pareto : économiste. alors il faut que a g b ISAE Décision Multi critères 2.30 2.2 Quelques principes de base pour une règle de décision Le principe d’universalité: pour toute paire a. Définition [dominance faible] a domine faiblement b ⇐⇒def ∀i.

si a domine b alors a ≻g b. Le principe d’unanimité: si a est au moins aussi bon que b sur tous les critères. on doit pouvoir décider si a g b ou non. Une alternative Pareto-optimale ne peut être améliorée au regard d’un critère sans la détériorer pour un autre.2 Quelques principes de base pour une règle de décision Le principe d’universalité: pour toute paire a.P RINCIPES BE BASE 33 Pareto-optimalité et efficacité Définition [dominance (forte)] a domine b ⇐⇒def ∀i.32 2. alors il faut que a g b Le principe d’efficacité: a est au moins aussi bon que b sur tous les critères et meilleur sur certaines (a "domine" b). Sélection: rechercher uniquement des Pareto optimales ISAE Décision Multi critères 2. ai ≥ bi et ∃i.P RINCIPES BE BASE . a >i b Définition [Principe d’efficacité] : g satisfait le principe d’efficacité si et seulement si. alors il faut que a ≻g b ISAE Décision Multi critères 2. b ∈ A. Définition [Pareto-optimalité] Une alternative a est dite Pareto-optimale si elle n’est dominée par aucune autre.

Le principe d’unanimité: si a est au moins aussi bon que b sur tous les critères. quels que soient a. c. quel que soit I ⊆ X. alors il faut que a ≻g b Le principe d’indépendance préférentielle (ou "séparabilité"): la préférence entre a et b ne dépend pas des critères sur lesquels a et b reçoivent la même évaluation. alors il faut que a g b Le principe d’efficacité: a est au moins aussi bon que b sur tous les critères et meilleur sur certaines (a "domine" b).P RINCIPES BE BASE . b. on doit pouvoir décider si a g b ou non. ti = yi sinon.2 Quelques principes de base pour une règle de décision Le principe d’universalité: pour toute paire a. la préférence globale entre deux alternatives ne dépend pas des critères qui ne les départagent pas. b ∈ A. d ∈ Rn : aIc g bIc ⇐⇒ aId g bId où xIy désigne le profil t tel que ti = xi si i ∈ I. Informellement. ISAE Décision Multi critères 2. ISAE Décision Multi critères 2.34 2.P RINCIPES BE BASE 35 Principe d’indépendance préférentielle mutuelle (ou "séparabilité") Assure que les décisions sont cohérentes "toutes choses égales par ailleurs" Définition [] g satisfait le principe de séparabilité ssi.

36 Exemple du téléviseur [Vincke] a .P RINCIPES BE BASE .prix critères image son SAV 5 5 4 b 4 5 4 c 5 3 5 d 4 3 5 -1000 -800 -1000 -800 Le principe de séparabilité dit que.P RINCIPES BE BASE 37 Exercices Exercice 5 Montrer que : • ≻ est asymétrique : a ≻ b implique non b ≻ a • ≻ est irréflexive : non a ≻ a • ∼ est réflexive : a ∼ a • ∼ est symétrique : a ∼ b implique b ∼ a • ≍ est irréflexive : non a ≍ a • ≍ est symétrique : a ≍ b implique b ≍ a ISAE Décision Multi critères 2. si le décideur préfère a à b. alors il préfère c à d (et réciproquement) ISAE Décision Multi critères 2.

symétrique) et poser: a b ⇐⇒def a ≻ b ou a ∼ b définie à partir de ≻ et ∼ est réflexive.P RINCIPES BE BASE 39 Exercice 7 Montrer que toute relation de préférence globale qui est transitive. Montrer que ISAE Décision Multi critères 2. ∼.P RINCIPES BE BASE . séparable et satisfait le principe de projection des échelles: ∀a. b. ∀i : ai i bi ⇐⇒ ai {i}h bi {i}h satisfait aussi le principe d’efficacité ISAE Décision Multi critères 2. ≍ depuis a ≻ b ⇐⇒ a a ∼ b ⇐⇒ a b et non b b et b a a a : a ≍ b ⇐⇒ non a b et non b On pourrait inversement partir de deux relations exclusives ≻ (asymétrique) et ∼ (réflexive. c. ∀h.38 Exercice 6 On définit généralement ≻.

40 3. Agrégation multi critère ISAE Décision Multi critères 3.1 Introduction Types d’approches • Agréger puis comparer: calculer une note globale pour chaque alternative. puis préférer celle qui obtient la meilleure (ce chapitre) • Comparaison par paires: établir la préférence entre deux alternatives en fonction des degrés de surclassement obtenus sur chaque critère (chapitre suivant) ISAE Décision Multi critères 3. A GRÉGATION MULTI CRITÈRE 41 3. A GRÉGATION MULTI CRITÈRE .

. an ). A GRÉGATION MULTI CRITÈRE . . . les principes d’efficacité et de séparabilité peuvent être ou non satisfaits ISAE Décision Multi critères 3. Le principe d’unanimité exige que f soit monotone croissante. . . . . A GRÉGATION MULTI CRITÈRE 43 Propriétés des approches par fonction d’agrégation a g b ⇐⇒ f (a1 . an ) ≥ f (b1 . . bn ) La relation de préférence globale est forcément un préordre total. . . "Agréger puis comparer" : a g b ⇐⇒ h(a) ≥ h(b) ISAE Décision Multi critères 3.42 Principe de base La relation de préférence globale est donnée par un critère cardinal global h : A → R obtenu par agrégation des critères numériques par une fonction d’agrégation f : Rn → R. . . Le principe d’efficacité exige que f soit monotone strictement croissante. Selon les fonctions d’agrégation. Le critère cardinal global est défini par h(a) = f (a1 .

ISAE Décision Multi critères 3. alors il existe une fonction d’agrégation additive représentant la relation g . Inversement. ISAE Décision Multi critères 3. ai h(a) = i λi . g . Propriété Les fonctions d’agrégation additives satisfont le principe de séparabilité. séparable et ordonné w.44 3. Exercice 9 Le démontrer Théorème (Debreu 1960) Si A est connexe. A GRÉGATION MULTI CRITÈRE 45 Séparabilité = cohérence des décisions toutes choses égales par ailleurs.t. λi > 0 Exercice 8 Montrer que le maximum d’une fonction d’agrégation additive correspond à des alternatives Pareto-optimales. aucune fonction d’agrégation additive ne peut la représenter.r. d’utilité) Cas particulier de la combinaison linéaire des critères (ou «somme pondérée»): ui (ai ) = λi .2 Fonctions d’agrégation additives n h(a) = i=1 ui (ai ) avec ui monotones strictement croissantes (ui : fcts. ai . A GRÉGATION MULTI CRITÈRE . si g n’est pas séparable.

n wi · ai .) ∼ (1.) : pb. A GRÉGATION MULTI CRITÈRE . A GRÉGATION MULTI CRITÈRE 47 Somme pondérée : critique 2) • Élimine des alternatives Pareto-optimales qui peuvent être intéressantes car équilibrées et peut donc favoriser des alternatives extrêmes.5 20 5 12 5 20 12 Les deux alternatives extrêmes a et b sont considérées équivalentes. secondes.. 0. et meilleures que l’alternative équilibrée c. ISAE Décision Multi critères 3...46 Le cas particulier de la somme pondérée u(a) = i=1..5 a b c 0.. wi > 0 Interprétation des poids wi ? un point délicat : • les poids wi représentent des taux de substitution entre critères (w1 = bw2 signifie (0. de normalisation des échelles ISAE Décision Multi critères 3. b. • suppose implicitement que tous les critères peuvent s’exprimer indirectement dans la même unité (euros. ..... . . wi g1 g2 0.. b + γ) : le gain de γ compense la perde de δ.))) plutôt qu’une importance • véhicule l’idée de compensations possibles entre critères (ab) ∼ (a − δ.

0. mais le jeu 0.501 entraîne b ≻ a. elle est adaptée aux critères ordinaux comme aux critères cardinaux. Utilisé plutôt en décision coopérative (ex: des allocations monétaires aux agents) :maximiser la satisfaction de l’agent le moins satisfait ISAE Décision Multi critères 3. ISAE Décision Multi critères 3.499 0.499. Contrairement aux agrégations additives.3 La fonction min h(a) = min ui (ai ) i On cherche à maximiser le critère le moins satisfait.501. 0. wi g1 g2 0.499 entraîne a ≻ b.501 a 20 b c 5 12 5 20 12 Le jeu de poids 0.48 Somme pondérée : critique 3) • Une faible variation des poids peut entraîner de grandes conséquences sur la préférence globale. A GRÉGATION MULTI CRITÈRE 49 3. A GRÉGATION MULTI CRITÈRE .

3 : 4. ISAE Décision Multi critères 3. 2 : 2. 2. 4 ∼ 2. 2. 4. 2 : 4. 2 → 4. 3. 3 mais 2. 2. 2. 4 ∼ 2. 4. 2 et 2. L’idée est donc d’ôter les paires d’utilités minimum égales avant de prendre le min. Le min ne satisfait pas le principe de séparabilité: 5. 3. A GRÉGATION MULTI CRITÈRE . 4 ≻ 5. Ici : 4. 2 sont indistingués. 3 Le principe d’efficacité n’est pas respecté non plus : 2. 2 → 4. 2 .50 Séparabilité L’opérateur min ne distingue pas entre les profils dont les minimaux sont égaux. 3. 2. A GRÉGATION MULTI CRITÈRE 51 Un raffinement du min : le leximin Rattraper le faible pouvoir de décision du min en raffinant l’ordre qu’il propose. jusqu’à ce qu’ils soient différents. Exemple : 4. 3 ISAE Décision Multi critères 3.

2 . 2. 4 précède 2. car 2. 3 .52 Le leximin (2) Ordre leximin = tris non décroissant des vecteurs. 3. A GRÉGATION MULTI CRITÈRE 53 3. 2. 3. 4 =leximin 4. 2 ≻leximin 9. 2. 3. 1. 2. 4 ⇐⇒ 1. oppositions) ISAE Décision Multi critères 3. 2. 2. 3. 9 dans l’ordre lexicographique inverse L’ordre leximin raffine l’ordre induit par le min : v ≻min u ⇒ v ≻leximin u ISAE Décision Multi critères 3. 4 4. A GRÉGATION MULTI CRITÈRE .5 L’intégrale de Choquet Le principe de séparabilité est loin être respecté lorsque l’on observe des décideurs en situation Il est battu en brèche lorsqu’il y a des interactions entre critères (redondances. 2. 3. 2. 2. puis ordre lexicographique (inverse) Exemples : 1. 2. car 1.

54 Un contre exemple à la séparabilité alternatives = clubs de tennis critères = équipements: tennis. hammam. La séparabilité n’est pas respectée ISAE Décision Multi critères 3. A GRÉGATION MULTI CRITÈRE . • S ⊆ T =⇒ µ(S) ≤ µ(T )(monotonie) (étend la notion de poids à un sous-ensemble de critères) ISAE Décision Multi critères 3. mais Cats à Chts . avec • µ(X) = 1. • µ(∅) = 0. tir à l’arc Critères sauna hammam Cat Alternatives Cht Cats Chts non non oui oui non OUI non OUI arc OUI non OUI non tennis oui oui oui oui La plupart des gens préfèrent Cht à Cat . 1]. Définition [Mesure floue] Une mesure floue sur X est une fonction µ : 2X → [0. A GRÉGATION MULTI CRITÈRE 55 Mesure floue Il faut exprimer explicitement l’importance des combinaisons de critères.sauna.

25.}) = 0. ∈ A) / µ({arc} ∪ A) = 0. . A GRÉGATION MULTI CRITÈRE .25 Donc.) Sur l’exemple: µ({ten.w1 (w3 + w2 + w1 ) (w3 + w2 ) (w3 ) ISAE Décision Multi critères 3. A GRÉGATION MULTI CRITÈRE 57 Extension de la somme pondérée aux critères dependants : Intégrale de Choquet Comment calculer une utilité agreggée à partir d’une fonction d’utilité u et d’une capacité µ sur les critères ? Retournons d’abord sur le cas de la somme pondérée Ex: 3 critères. ham.}) = 0.q.6.}) = 0. arc}) = 0.}) = 0.35 alors que µ({sauna. µ({ham. (non restrictive) : u(a3 ) ≥ u(a2 ) ≥ u(a1 )) h(a) = h(a) = + + u(a3 ).56 Mesure floue (cont. µ({sauna}) = 0.1 + µ(A) µ({sauna. et ce bien que "arc" soit un critère bien moins prioritaire que "hammam" µ({ten.3. .3 (A t.6 + µ(A) (A t. hyp. arc ∈ A) / ISAE Décision Multi critères 3. µ({arc}) = 0. + u(a1 ).w3 + u(a1 ) (u(a2 ) − u(a1 ))) (u(a3 ) − u(a2 )) u(a2 ).1.w2 . ham. µ({sauna. ten.} ∪ A) = 0.q.

. A GRÉGATION MULTI CRITÈRE . µ(Aλj ) ISAE Décision Multi critères 3. u(ai ) ≥ λj } Pour une capacité quelconque µ Maximiser Ch((a1 . . µ(Aλj ) Avec L = λm > · · · > λ1 et Aλj = {i. an ))µ = λ1 .1 (λj − λj−1 ) . poser µ(A) = Σj∈A µ({j}) ISAE Décision Multi critères 3. soutien : Aλi = {j. . µ(A1 ) + Σi=2. m..m (λi − λi−1 ) .. u(aj ) ≥ λi }..58 Extension de la somme pondérée aux critères dependants : Intégrale de Choquet Pour une capacité µ additive (µ(A) = Σi∈A µ({i})): Maximiser Σj=m.. Utilité pondérée pour l’increment λi − λi−1 : (λi − λi−1 ) · µ(Aλi ) A sommer sur tous les increments de satisfaction: Ch((a1 .force µ(S) = 1 • Pour chaque increment d’utilité λi − λi−1 . • Au niveau de satisfaction de plus bas (λ1 ) : soutien de A1 = S . an ))µ = j=m.1 (λj − λj−1 ) . croissant. . A GRÉGATION MULTI CRITÈRE 59 L’intégrale de Choquet Scruter la décision par niveau de satisfaction λi . . . . i = 2. µ(Aλi ) Pour retrouver les moyenne pondérées. .

sauna. ten.}) = 0..) Le min est une intégrale de Choquet particulière Exercice 10 Le montrer Plus généralement. ten. ten. ten.) Avec λ1 = non (u(non) = 0) et λ2 = oui (u(oui) = 1) Cµ (Cat ) Cµ (Cht ) Cµ (Cats ) Cµ (Chts ) = 0 × µ({ham. en passant par les moyennes pondérées et la médiane. arc}) = µ({arc.. arc}) = µ({arc... sauna}) = 0. sauna.7 = 0 × µ({ham.. arc}) = µ({ham. arc}) = µ({ham. A GRÉGATION MULTI CRITÈRE 61 L’intégrale de Choquet (cont. sauna} + (1 − 0) × µ({arc. ten. ten. ten..85 = 0 × µ({ham. sauna}) = 0..60 L’intégrale de Choquet (cont.. on peut montrer que les moyennes pondérées ordonnées sont des intégrales de Choquet particulières.9 + (1 − 0) × µ({ham. ISAE Décision Multi critères 3..}) = 0.. sauna}) + (1 − 0) × µ({ham. sauna. En fait.. ten... sauna. les intégrales de Choquet recouvrent toute une gamme de compromis entre le min et le max..95 = 0 × µ({ham.}) + (1 − 0) × µ({arc. ten.}) ISAE Décision Multi critères 3. ten. ten. A GRÉGATION MULTI CRITÈRE . ten.

6 Utilisation des approches agregatives – théorie de l’utilité multi attribut On ne connait pas au départ les critères du décideur. 1976: Decisions with Multiple Objectives: Preferences and Value Tradeoffs. en fonction des propriétés souhaitées de la règle de décision et d’exemples de deviner et calibrer la règle de décision ("Théorie du Mesurage Conjoint"). ISAE Décision Multi critères 3. Keeney and H. A GRÉGATION MULTI CRITÈRE 63 L’utilité multiattribut C’est LE modèle standard. Puis l’utiliser en situation de décision. Raiffa. Ref: R. Hypothèse fondamentale : La relation de préférence globale g est un préordre total. («fonction d’utilité globale») avec a b ⇐⇒ u(a) ≥ u(b) Cette relation est pré-existante mais cachée. A GRÉGATION MULTI CRITÈRE . ISAE Décision Multi critères 3. Le problème: Essayer. appelé aussi modèle dit de « l’école américaine ». L.62 3. mais simplement l’espace des vecteurs d’attributs A = A1 × · · · × An . donc il existe un critère global u : A → R. traditionnel. Le rôle d’une méthode d’aide à la décision est de révéler cette relation. Le décideur ne peut pas exprimer toute sa relation de préférence sur A.

. . . . a2 .) Autres hypothèses : • les préférences sur les points de vue s’expriment par des attributs numériques («utilités») g1 . on se tourne (quasi) forcément vers un modèle additif (Debreu) u(a) = i=1. A GRÉGATION MULTI CRITÈRE . . recherche de courbes iso-préférence. «apprentissage» des ui par points à partir d’une base d’alternatives évaluées sur tous les critères et classées globalement. g2 . . . est donnée par une fonction d’agrégation : u(a) = f (a1 . an ) avec ai = gi (a). Dans cette voie : méthode UTA.n ui (ai ) croissantes avec ui monotones strictement La question essentielle reste donc de trouver les ui . A GRÉGATION MULTI CRITÈRE 65 L’utilité multiattribut – cas séparable Lorsqu’on admet la séparabilité des critères. ISAE Décision Multi critères 3. logiciel UTA+ 2. gn • l’utilité globale ne dépend que des critères. Principales voies : 1. . ISAE Décision Multi critères 3.64 L’utilité multiattribut (cont.

2. (2) les préférences globales du décideur sur les alternatives.66 Cas non séparable Lorsque • la propriété de séparabilité n’est pas vérifiée • on cherche à exprimer des synergies entre critères Se tourner plutôt vers des fonction d’agrégation non additives : • des fonctions simples comme u(a) = [u1 (a1 ) + u2 (a2 )] · u3 (a3 ) • les moyennes pondérées ordonnées (OWA) • les intégrales de Choquet A paramétrer correctement (éliciter les poids ou plus généralement la mesure floue . A GRÉGATION MULTI CRITÈRE 67 Exercice 11 Montrer que l’ordre leximin est un préordre complet et respecte le principe d’efficacité.. ISAE Décision Multi critères 3. Sur votre exemple. 1. et montrez pourquoi la propriété n’est pas vérifiée.) ISAE Décision Multi critères 3. Donnez pour votre exemple (1) le tableau alternatives / critères habituel. agrégeant les critères. imaginez une fonction d’utilité globale.. A GRÉGATION MULTI CRITÈRE .. Quelle conséquence majeure cela a-t-il sur l’expression de relation de préférence globale du décideur ? 3. Exercice 12 Imaginez un exemple réaliste d’une situation de décision multicritère pour laquelle la propriété de séparabilité des critères n’est pas vérifiée. capable d’exprimer les préférences globales..

Questions : 1) exprimer formellement la relation de préférence globale. Sinon. M ÉTHODES DE SURCLASSEMENT . ISAE Décision Multi critères 3. alors on ne tient pas compte des autres. Élaborer un critère cardinal global représentant la relation de préférence globale. représentant leur importance. . Méthodes de surclassement ISAE Décision Multi critères 4. Soit deux alternatives a et b.68 Exercice 13 (préférence globale lexicographique) On se donne un ordre total (un classement sans ex-aequos) sur les critères. et ainsi de suite. Si on peut décider laquelle est la meilleure au regard du premier critère seul (le plus important). 2) est-ce bien un préordre complet ? est t il séparable ? efficace ? 3) On supposera que les domaines des critères sont finis. c’est que ces alternatives sont indiscernables au regard du premier critère.. On cherche alors à trancher entre celles-ci à l’aide du second critère.. A GRÉGATION MULTI CRITÈRE 69 4.

c’est du monocritère). au prix d’hypothèses extrêmement restrictives” Dans le monde réel • les critères ne sont pas séparables • les échelles des différents critères ne sont pas commensurables (unité commune ?) • l’indifférence n’est pas transitive • l’indifférence (on peut choisir au hasard) est différente de l’incomparabilité (incapacité à choisir si critères en conflit) ISAE Décision Multi critères 4. on ne présuppose pas qu’une relation de préférence sur les décisions soit totale. ni transitive. Recherche d’un compromis entre • la relation de dominance au sens de Pareto.1 Introduction L’approche par fonctions d’agrégation “procède par réduction d’une logique multicritère au cas monocritère. • et une relation d’ordre total découlant d’une agrégation jugée trop arbitraire et réductrice (finalement. M ÉTHODES DE SURCLASSEMENT 71 Résumé de la démarche Contrairement au modèle traditionnel. ni même qu’elle pré-existe. ISAE Décision Multi critères 4. jugée trop pauvre.70 4. L’aide à la décision multicritère est plutôt considérée comme un processus d’élaboration d’une structure de préférences. M ÉTHODES DE SURCLASSEMENT .

4. optimiser sur deux critères = • 1. Deux étapes : • la construction de la relation de surclassement (pas forcement transitive ni quasi transitive) • son exploitation: en extraire un "noyau" de bonnes alternatives ISAE Décision Multi critères 4. sans qu’il y ait de raison importante de refuser cette affirmation. Demander à l’utilisateur de combien il peut en rabattre sur C1 : poser une contrainte g1 (a) ≥ α sur C1 et optimiser sur C2 • 3.5..72 Exemple: la méthode interactive "STEM" Aider l’utilisateur à se déplacer dans l’espace des alternatives. ISAE Décision Multi critères 4.. Optimiser sur le premier. puis sur le second (ex: maximiser h(a) = γg1 (a) + g2(a) avec γ grand) • 2. M ÉTHODES DE SURCLASSEMENT . aSb ⇐⇒def il existe suffisamment d’arguments pour admettre que a est au moins aussi bonne que b.. etc. : On recommence : Demander à l’utilisateur de combien il peut en rabattre sur C2 et optimiser sur C1. M ÉTHODES DE SURCLASSEMENT 73 Méthodes de surclassement (outranking) Une méthode de surclassement cherche à établir et explorer une relation de surclassement. Par exemple.

bi ) Phase 2 : on agrège les résultats des comparaisons par une fonction ψ : Rn → R ce qui décide de la préférence globale : aSb ⇐⇒ ψ φ1 a1 . donc pouvant être difficile à exploiter. . . b). établit le degré de surclassement de a sur b: → On obtient n indices φi (ai . ISAE Décision Multi critères 4. b1 . bn ≥0 En général cela donne une relation de préférence globale qui n’est pas un préordre complet. . bi ) ISAE Décision Multi critères 4.) Phase 1 → n indices φi (ai .74 4. φn an . M ÉTHODES DE SURCLASSEMENT .2 Construction d’une relation de surclassement La démarche : on compare (phase 1) puis on agrège (phase 2) Phase 1 : les alternatives sont comparées par paires (a. une fonction φi : R × R → R. . Pour chaque critère i. M ÉTHODES DE SURCLASSEMENT 75 Construction d’une relation de surclassement (cont.

ψ= .76 Exemple: surclassement à la majorité Exemple très simple (majorité relative. Σi φ(ai . y) = 1 si x >i y. ISAE Décision Multi critères 4.3 Exploitation de la relation de surclassement On fait correspondre à S un graphe sur A. y) = −1 si x <i y. Il représente un ensemble d’alternatives «intéressantes» parmi lesquelles le ou les décideurs devraient faire leur choix. On cherche un sous-ensemble N d’alternatives incomparables entre elles et tel que toute alternative qui n’est pas dans N est surclassée par au moins une alternative de N . ∃a ∈ N : aSb ∀a. Exercice 14 Construire. M ÉTHODES DE SURCLASSEMENT . ISAE Décision Multi critères 4. bi ) ≥ 0) si une majorité de critères (votants) préfèrent a à b. b ∈ N : ¬aSb L’ensemble N s’appelle le noyau du graphe. un exemple pour lequel la relation de préférence n’est pas transitive (paradoxe de Condorcet). y) = 0 si x =i y. M ÉTHODES DE SURCLASSEMENT 77 4. selon cette méthode.e. Autrement dit : aSb (i. φi (x. méthode de Condorcet) φi (x. formellement : ∀b ∈ A − N . φi (x.

Le problème général de décider si un graphe possède un noyau de moins de k nœuds est NP-complet (dc on ne connaît pas d’autres algorithmes que croissant exponentiellelement avec la taille des données). M ÉTHODES DE SURCLASSEMENT . Ce problème n’admet pas d’algorithme d’approximation polynômial. la plus ancienne mais bien représentative. ISAE Décision Multi critères 4. 1968). M ÉTHODES DE SURCLASSEMENT 79 4.78 Détermination du noyau Tout graphe sans circuit admet un noyau unique.4 Un exemple historique : la méthode ELECTRE I (Roy. Un graphe avec circuits admet 0. ISAE Décision Multi critères 4. 1 ou plusieurs noyaux.

b) = 1 ⇐⇒ veto sur la préférence aSb car b est bien meilleur que a sur un critère au moins i ISAE Décision Multi critères 4. b) = 0 sinon d(a. b) le nombre d(a.80 ELECTRE I : définition de la relation de surclassement • on attribue à chaque critère gi un seuil d’indifférence βi et un poids pi reflétant son importance (avec i pi = 1) • matrice de concordance : on calcule pour chaque paire d’alternatives (a. b) = 1 si ∃i. d(a. b) = i:ai +βi ≥bi pi Le nombre c(a. M ÉTHODES DE SURCLASSEMENT 81 ELECTRE I : définition de la relation de veto • on attribue à chaque critère gi un seuil de veto vi • matrice de veto : on calcule pour chaque paire d’alternatives (a. il résume « la force des arguments qui ne s’opposent pas à aSb ». b) est un réel entre 0 et 1 . ISAE Décision Multi critères 4. M ÉTHODES DE SURCLASSEMENT . par une sorte de vote pondéré. b) le nombre c(a. bi > ai + vi .

b) ≥ µ et d(a. M ÉTHODES DE SURCLASSEMENT 83 ELECTRE Is : définition du Noyau et + Tout graphe sans circuit admet un noyau unique. M ÉTHODES DE SURCLASSEMENT . voire d’autres poids (analyse de sensibilité). ISAE Décision Multi critères 4. Idée : supprimer les cycles dans S en condensant les classes d’équivalence et supprimant des arêtes (selon une matrice de robustesse) → En général on revient ensuite à la phase 1 et on essaie d’autres seuils de concordance. b) = 1 Exercice 15 Exprimer la relation de surclassement de la méthode ELECTRE I dans le modèle général des relations de surclassement.82 ELECTRE I : définition de la relation de surclassement Finalement: • on se fixe un seuil de concordance µ avec 0 < µ ≤ 1 • on définit aSµ b ⇐⇒def c(a. ISAE Décision Multi critères 4. afin de conforter les opinions. Logiciels associés → bureau d’étude.

M ÉTHODES DE SURCLASSEMENT .84 Autres méthodes ELECTRE • ELECTRE-1. M ÉTHODES DE SURCLASSEMENT 85 Exercices Exercice 16 Soit la propriété de monotonie suivante : ∀a. ELECTRE-1S → choix d’une ou de quelques alternatives • ELECTRE-TRI → tri (dans des classes prédéfinies) • ELECTRE III et IV → rangement (préordre) ISAE Décision Multi critères 4. b : ∃j : gj (a) ≥ gj (b) et ∀i = j : gi (a) = gi (b) implique aSb Quelles exigences sur les ψ et φi peuvent traduire cette hypothèse ? ISAE Décision Multi critères 4.

3) et le critère de culture générale secondaire (poids relatif 0.86 Exercice 17 Un cabinet de recrutement fait subir 3 tests aux 6 candidats à un poste. la culture générale (critère g2 ) et la motivation (critère g3 ). M ÉTHODES DE SURCLASSEMENT 87 • Quels sont les alternatives pareto efficaces • Quelles seraient les meilleurs candidats au sens de la somme pondérée candidats A g1 critères g2 g3 B C D 4 E F 6 16 10 18 18 16 14 18 12 16 12 6 10 14 20 12 18 Compétence: 0. Chaque test est noté sur une échelle de 0 à 20. Ces tests concernent les points de vue suivants: l’évaluation des compétences (critère g1 ). Les résultats sont les suivants candidats A g1 critères g2 g3 B C D 4 E F 6 16 10 18 18 16 14 18 12 16 12 6 10 14 20 12 18 On considère que le critère de compétence est primordial (poids relatif 0.1).3 .1. motivation : 0. culture générale : 0. • Etablir la matrice de concordance (pour chacun des critères. On rappelle que c(a.6). le critère de motivation deux fois moins important (poids relatif 0. b) = Σj:aj +qj ≥bj pj et ISAE Décision Multi critères 4. ISAE Décision Multi critères 4. on prend un seuil d’indifférence egal à 3) et la matrice de véto (seuil de véto égal à 9). M ÉTHODES DE SURCLASSEMENT .6.

b) = 1 si ∃j. d(a. M ÉTHODES DE SURCLASSEMENT 89 5. Extraire le noyau. Conclusion: l’optimisation multicritère en pratique ISAE Décision Multi critères 5. • Déterminer un ou deux autres seuil(s) offrant une relation plus riche sans pour autant introduire de cycle. aj + vj < bj .88 d(a. Quel serait d’après cette analyse le meilleur candidat ? • Comparer les resultats obtenus par les deux méthodes (somme pondérée et surclassement) ISAE Décision Multi critères 4. C ONCLUSION : L’ OPTIMISATION MULTICRITÈRE EN PRATIQUE . • Etablir la relation de surclassement pour un seuil µ1 correspondant aux conditions les plus sévères. b) = 0 sinon.

séparabilité. séparabilité des critères. transitivité Il convient bien pour les applications de type • technique (critères quantitatifs mesurables objectivement) • répétitif dans le temps Les modèles non additifs : pour prendre en compte des interactions entre critères (synergies. la non commensurabilité. transitivité.90 L’optimisation multicritère en pratique Problématiques essentielles: • Quelles sont les propriétés souhaitables/intéressantes de la relation de préférence globale ? → monotonie. complétude. compensation possibles entre critères • Lorsque c’est possible (hypothèses fortes) se tourner vers un approche agrégative: → Quelle est la «bonne» fonction d’agrégation ? → comment la paramétrer (ex: utilité multi attribut) ? ISAE Décision Multi critères 5. l’ordinalité des évaluations ISAE Décision Multi critères 5. C ONCLUSION : L’ OPTIMISATION MULTICRITÈRE EN PRATIQUE 91 Le modèle additif ou non ? Le modèle additif fait des hypothèses fortes : complétude. C ONCLUSION : L’ OPTIMISATION MULTICRITÈRE EN PRATIQUE . non-séparabilité). commensurabilité donc compensations possibles entre points de vue.

il faut comparer un nombre exponentiel de paires → Mais on peut toutefois garder l’aspect interactif (ex: STEM) ISAE Décision Multi critères 5. ni transitive.92 Approches constructives Approches constructives: "fonder progressivement une conviction plutôt que de révéler un optimum ou une préférence pré-existante” On ne présuppose pas qu’une relation de préférence sur les décisions soit totale. ni même qu’elle pré-existe. C ONCLUSION : L’ OPTIMISATION MULTICRITÈRE EN PRATIQUE 93 Optimiser sur un espace combinatoire • Approches agregatives simples (critères indépendants) → Programmation par contraintes. L’aide à la décision multicritère est plutôt considérée comme un processus d’élaboration d’une structure de préférences. ISAE Décision Multi critères 5. contraintes valuées • Critères dépendants: Choquet en programmation par contraintes (ça commence) • Méthodes de surclassement: plus dur. C ONCLUSION : L’ OPTIMISATION MULTICRITÈRE EN PRATIQUE .

e – ∼ est sym´trique : supposons a ∼ b. e e Si l’on compare les alternatives sur les 4 crit`res : Peugeot domine Renault (consomption plus faible. U na est un pr´ordre. e Il est partiel (pas complet) : on peut exhiber un cas d’incomparabilit´. e. Ford ne domine ni n’est domin´e par aucune autre alternative. transitive) e e e e et ≻ une relation d’ordre (antisym´trique. ai i ci . e e elle ne domine pas Ford.g.8 puissance (kW) 55 65 58 55 type essence gpl gpl diesel Avec gpl > essence. a U na est transitive. Elles peuvent donc ˆtre rejet´es a e e e e priori. Donc ∀i. Reflexive et transitive. sur l’exemple du choix e d’automobiles. on suppose que a U na b et b U na c. transitive) e – ∼ est r´flexive parce que l’est.2 7.D´cision Multicrit`re — Exercices corrig´s e e e e 3`me ann´e ISAE e H´l`ne Fargier ee 2009-2010 1 Choix d’une automobile On considere le probl`me de choix d’une automobile suivant : e alternatives Citroen Peugeot Renault Ford prix (×1000 ∈) 22 20 21 16 crit`res consommation e 7. 3 D´compositions d’un pr´ordre e e Montrer que si est un pr´ordre. i. ∼ est une relation d’´quivalence (r´flexive. cela donne ∀i. maximiser performance Quelles sont les meilleures solutions ? Que dire si on ne tient compte que des crit`res prix et consome mation ? Repr´senter les alternatives dans l’espace de ces deux crit`res. ai i ai ) entraˆ celle de la relation globale. par d´finition.1 7. a U na c. betb a ce qui est aussi la d´finition e 1 .0 7. ai U na bi et bi U na ci . diesel . ∀i. sym´trique. Par transitivit´ des i . minimiser prix et consommation. Elle domine ´galement Citroen. Par d´finition on a a e e de b ∼ a.e. Donc e ∀i. 2 Pr´f´rence ` l’unanimit´ ee a e Montrer que la relation de pr´f´rence a l’unanimit´ est un pr´ordre (partiel) ee ` e e On montre facilement ` partir de sa d´finition que la relation de pr´f´rence globale ` l’unanimit´ que a e ee a e la r´flexivit´ des pr´f´rences locales ( ∀i. e e ee ıne Pour la transitivit´. En revanche. bi U na ci . ai U na bi et e e ∀i. e plus puissante et moins cher pour le mˆme type de moteur). Ce sont les deux meilleures solutions e e Mˆme r´sultat si l’on ne prend en compte que les crit`res consommation et prix : e e e C et R sont domin´es par P (moins bonnes sur les deux crit`res. Peugeot et Ford e sont appel´es d´cisions efficaces ou Pareto-optimales.

– ∼ est transitive : a ∼ b et b ∼ c s’´crit a b et b c et b a et c b. On doit montrer que ≻ est asym´trique. sym´trique) e e e et poser : a b≡a≻b mbox ou a ∼ b Montrer que d´finie a partir de ≻ et ∼ est r´flexive. s’´crit a ≻ c et termine la d´monstration. e e e – Supposons a ≻ b. ce qui. a e Pour montrer maintenant que non(c a). Supposons que e a cela soit. G est donc asym´trique. Donc non(a ≻ a). supposons que cela soit : c a. b c. ≍ depuis e e e a ≻ b ≡ a b et non b a a ∼ b ≡ a b et b a a ≍ b ≡ non a b et non b a : On pourrait inversement partir de deux relations exclusives ≻ (asym´trique) et ∼ (r´flexive. ∼. c’est-`-dire b ≻ a. Montrer que : ee est asym´trique : a ≻ b implique non b ≻ a e est irr´flexive : non a ≻ a e est r´flexive : a ∼ a e est sym´trique : a ∼ b implique b ∼ a e est irr´flexive : non a ≍ a e est sym´trique : a ≍ b implique b ≍ a e Trivial a partir des d´finitions e 6 D´finition d’une relation ` partir de ses parties stricte et ase a sym´trique e On d´finit g´n´ralement ≻. e avec a b. On a donc les assertions suivantes : a b. c’est-`-dire non(b ≻ a). e e – ≻ est transitive : supposons a ≻ b et b ≻ c. soit g(a) = g(b). est transitive parce que ∼ et ≻ le sont. De l` nous tirons que a c par transitivit´ de . avec non(c a). Par transitivit´ de . nous tirons c b. Mais nous avions montr´ a c. e ` e 2 . ce qui est en contradiction avec non(c b). et jamais impossibilit´ de comparer. cela e e donne a c et c a donc a ∼ c. 5 D´composition d’une relation de pr´f´rence quelconque e ee Soit – ≻ – ≻ – ∼ – ∼ – ≍ – ≍ une relation de pr´f´rence. Par la transitivit´ on tire a ≻ a. en contradiction avec l’irr´flexibilit´ a e e e d´montr´e plus haut. non(b a). e e e 4 Relation de pr´f´rence induite par un crit`re num´rique ee e e b ⇐⇒ g(a) ≥ g(b) (si Montrer qu’un crit`re cardinal induit une relation de pr´f´rence ordinale : a e ee maximisation) On pose a b ≡ g(a) ≥ g(b) et on montre les propri´t´s de ainsi d´finie : ee e – ≍ est vide : ´ Evident : on a soit g(a) > g(b) soit g(b) > g(a). non(c b). Par transitivit´ de . Donc on a non(c a). – ≻ est irr´flexive : a ≻ a est par d´finition a aetnona a ce qui est impossible. e – est complete (ou compl`te) : a b ou b a pour tout aetb ∈ A e parce que ≍ est vide – ∼ et ≻ sont transitives : ´ Evident : par transitivit´ de > et = e et donc – =≻ ∪ ∼ est r´flexive et transitive (c’est un pr´ordre) e e est reflexive parce que ∼ l’est.

si sur tous crit`res sauf m. On note j l’un des crit`res o` ai ≻i bi . s´parable et satisfait le principe de ee e projection des ´chelles : e ∀a. ∀i : ai i bi ⇐⇒ ai {i}h bi {i}h satisfait aussi le principe d’efficacit´ e Se d´montre par r´currence sur le nombre de crit`res o` ai ≻i bi . quel que soit l’alternative d. Il existe donc une alternative a′ qui la domine. i. Par transitivit´. u 9 S´parabilit´ des m´thodes d’agr´gation additives e e e e Montrer que les relations de pr´f´rence d´finies par de es fonctions d’agr´gation additives satisfont le ee e e principe de s´parabilit´. et supposons que cette alternative ne soit pas Pareto optimale. c. Par r´currence. quels que soient a et b. alors a ≻ b. Soit a∗ une alternative maximisant sur A la fonction h(a). Rappel : une fonction d’agr´gation additive est de la forme h(a) = i=1 fi (ai ) o` les fi sont des e u fonctions monotones strictement croissantes. c trois alternatives et V un ensemble de crit`res tels que aV c bV c au sens d’une agr´gation e e additive. 3 . a ≻ b e 8 Aggr´gation additive et Pareto optimalit´ e e Montrer que le maximum d’une fonction d’agr´gation additive correspond a des alternatives Paretoe ` optimales.´ Evident : a ∼ a donc a a 7 Relation de pr´f´rence ` l’unanimit´ ee a e Montrer que toute relation de pr´f´rence globale qui est transitive. et que sur le dernier crit`re. et donc : ∀i : a′ ≥ a∗ . disons i. Ceci est logiquement ´quivalent ` e a / / Σi∈V f i(ai ) ≥ Σi∈V f i(bi ). b. en posant h = a = b. e e e u Cas 1 : Si pour tous les crit`res sauf un. e On choisit maintenant a et b tels que. aj = bj et que sur les e m autres crit`res ai ≻i bi . i. sur tous crit`res sauf m + 1. a ≻ b. ∀h. e e Soient a. Donc aV c bV c est logiquement ´quivalent ` e a / aV d bV d. aj = bj (sur ces crit`res. et ∃i : fi (a′ ) > fi (a∗ ) i i i i et donc n n n fi (a′ ) > i i=1 ∗ i=1 fi (a∗ ). a{j}a ≻ a{j}b et ` cause du e e u e a principe de projection a{j}b ≻ b{j}b. i d’o` une contradiction puisque a ne maximiserait pas h(a).e.e. ai ≻i bi . aj = bj et que sur les m + 1 autres e crit`res ai ≻i bi . cela donne ai {i}a ≻ bi {i}b. i.e. Le principe de projection des ´chelles assure que e e ai {i}h ≻ bi {i}h. Cas m + 1 : Supposons que . cette derni`re in´galit´ ´tant elle mˆme ´quivalente ` Σi∈V f i(ai )+Σi∈V f i(di ) ≥ e e ee e e a / Σi∈V f i(bi ) + Σi∈V f i(di ). les deux vecteurs sont idene e tiques). Σi∈V f i(ai ) + Σi∈V f i(ci ) ≥ Σi∈V f i(bi ) + Σi∈V f i(ci ). b. a{j}a ≻ b{j}b. et ∃i : a′ > a∗ i i i i Utilisons maintenant le fait que les fonctions fi sont monotones strictement croissantes par d´finition : e ∀i : fi (a′ ) ≥ fi (a∗ ).

e k Pour prouver le principe d’efficacit´.10 Le min comme int´grale de Choquet e Montrer que le min est une int´grale de Choquet particuli`re e e Pour exprimer le min par une int´grale de Choquet. Cela signifie qu’il existe une composante des e vecteurs class´s tels que a′ < b′ et ∀j < i. prenons a et b tels que a domine b au sens de Pareto (sens fort). j ∗ ). jusqu’` a a e e c a i i une composante j ∗ les vecteurs classes correspondant ` b et ` c. Quelle cons´quence majeure cela a-t-il sur l’expression de relation de pr´f´rence globale du d´cideur ? e ee e 3. on pose µ(S) = 1. et qu’en i∗ . µ(A) = 0∀A = S. e e e e e 1.n wi e Voir : M. consommation (en l/100 km). a′ ∗ > b′ ∗ . Le d´cideur pr´f`re b a a ee e e ee ` (lorsque le prix est faible. a a j j Soit k ∗ = min(i∗ . j < i : aucun d’entre deux e e j ne peut pas apparaitre dans les vecteur class´ b′ apr`s le rang i. les trois vecteurs class´s sont identiques . not´s a′ et b′ sont identiques. e ee e e 2. jusqu’` une composante i∗ les vecteurs classes a correspondant ` a et ` b. ak ≥ bk . sont identiques. b′ ∗ > b′ ∗ . Les vecteurs classes a′ et c′ ´tant identiques e k k k k k jusqu’en k ∗ . mais il pr´f`re c ` d (lorsque le prix e ee a est ´lev´. a 11 Le leximin et le principe d’efficacit´ e Montrer que l’ordre leximin est un pr´ordre complet et respecte le principe d’efficacit´. IEEE Transactions on Fuzzy Systems 3 1 (1995). en k ∗ . avec de plus a′ ∗ > ck∗ . ıtre 12 Un contre exemple ` la s´parabilit´ a e e Imaginez un exemple r´aliste d’une situation de d´cision multicrit`re pour laquelle la propri´t´ de e e e ee s´parabilit´ des crit`res n’est pas v´rifi´e. e e L’ordre leximin est complet car on peut toujours comparer lexicographiquement (ordre du dictionnaire) deux vecteurs. soit a′ ∗ > b′ ∗ et e k k b′ ∗ = ck∗ . Consid´rons e e les deux vecteurs class´s. e e Supposons que a leximin b et b leximin c. et montrez pourquoi la propri´t´ n’est pas v´rifi´e. et supposons que b ≻leximin a. De la mˆme fa¸on. On equivalence classes of fuzzy connectives : The case of fuzzy integrals. e e e Si a ≻leximin b et b ≻leximin c. e e a i i i On fait le mˆme raisonnement pour tous les crit`res qui fournissent les a′ . puisque a domine b au sens de Pareto par e i hypoth`se . Donc en k ∗ a′ ∗ > ck∗ . confort e (not´ sur 20). e Pour exprimer un OWA quelconque par une int´grale de Choquet. il privil´gie la consommation au confort). a′ = b′ . e e Soient donc i + 1 notes a apparaˆ avant le rang i. e a ∼leximin b est impossible car les deux vecteurs classes sont diff´rent du fait de la dominance. Ce crit`re bk ne peut pas apparaitre dans les vecteur class´ b′ apr`s le rang i car toutes les e e e e notes a partir du rang i sont sup´rieurs ou ´gales ` b′ et b′ > a′ = ak . on a par d´finition a ≻leximin c. capable d’exprimer e e e les pr´f´rences globales. pages 96 ` 109. il privil´gie le confort ` la consommation). une fois e a e rang´s ils sont donc ´quivalent pour l’ordre lexicographique. Donc ils sont ´quivalents pour le leximin. poser µ(A) = Σi=n−Card(A)+1. ce qui est impossible. Il est r´flexif car l’ordre lexicographique sur les vecteurs est r´flexif. e e e a 4 . Sur votre exemple. e a -10 15 -10 -35 alternatives b c -9 -10 13 15 -10 -30 -34 -40 d -9 13 -30 -43 crit`res e g1 consommation g2 confort g3 prix g On suppose que les pr´f´rences globales du d´cideur sont d ≺ c ≺ a ≺ b. Grabisch. cela signifie que. Donnez pour votre exemple (1) le tableau alternatives / crit`res habituel. Si on a deux indiff´rences. agr´geant les crit`res. et qu’en j ∗ . soit a′ ∗ = b′ ∗ et b′ ∗ > ck∗ . sur ce crit`re. (2) les pr´f´rences globales e ee du d´cideur sur les alternatives. imaginez une fonction d’utilit´ globale. c’est que les trois vecteurs sont identiques ` une permutation pr`s . e i i j j e Soit k le crit`re qui fournit a′ . ee On compare 4 types d’automobiles selon 3 crit`res : prix (en kE). Jusqu’en k ∗ .

. pk + Σi<k N. e ee – r´flexif ´vident aussi car a ∼ a pour tout a. ee 2) est-ce bien un pr´ordre complet ? est t il s´parable ? efficace ? e e ´ 3) On supposera que les domaines des crit`res sont finis.. c’est que ces alternatives sont indiscernables au regard du premier crit`re. i. . c tel que a ≻ b et a e b ≻ c. a ee ee h(a) = Σi ai . Elaborer un crit`re cardinal global repr´sentant e e e la relation de pr´f´rence globale. sur le crit`re d´cisif ee e e k. Soit n le nombre de crit`res. 3) ´laborer un crit`re num´rique global repr´sentant la relation de pr´f´rence globale e e e e ee On va chercher ` encoder la relation de pr´f´rence globale par une somme pond´r´e. elle est transitive. e e e e Le cas le moins favorable pour une pr´f´rence lexicographique a ≻ b est quand. et ainsi de suite. on va utiliser un crit`re global h le crit`re global d´fini par test sur le e e e crit`re coˆt (on aurait pu alternativement construire une int´grale de Choquet) : e u e – si g3 < −20 : h = g1 + 2g2 + 2g3 – si g3 ≥ −20 : h = 3g1 + g2 + 2g3 . Sinon. elle correspond ` l’identit´ des vecteurs. Soient a. par transitivit´ des pr´f´rences locale. soit b diff`re de a. alors on ne tient pas compte des autres. repr´sentant leur impore e tance. Puisque la relation est compl`te et que e ses deux composantes ∼ et ≻ sont transitives. Puisque ai = ci ∀i > k e ee et ak > ck la definition induit a ≻ c. ee – a ≻ b ssi existe un crit`re j tel que aj > bj et si ak = bk pour tous les crit`res k plus importants e e que j. Sinon. avec par exemple N + 1 niveaux par crit`re. Donc ≻ est transitive. Les valeurs de g sont repr´sent´es dans le tableau ci-dessus. Soit deux alternatives a et b. ak > ck . on consid`re le plus important des crit`res o` les notes diff`rent. 2) est-ce bien un pr´ordre complet ? e – complete. e Questions : 1) exprimer formellement la relation de pr´f´rence globale. par exemple entre 0 et N (ceci se e e fait sans perte de g´n´ralit´). Soit k le plus important des crit`res sur lesquels soient a diff`re de b. pi + ak . il faut que les niveaux de pr´f´rence sur chaque crit`re soient en nombre fini. – comme =≻ ∪ ∼.pi ce qui est ´quivalent ` e a 5 . Sur e e e tous les crit`res plus importants. e 1) exprimer formellement la relation de pr´f´rence globale. ak − bk = 1 et que sur tous les crit`res moins important que k. pour tout k > j. e e e e e Pour aller au plus simple. En k. La traduction de a ≻ b par une somme pond´r´e exige que : ee Σi>k ai . ee On classe les crit`res du moins important (petit indices) au plus important (gros indices). par d´finition e e e – transitif : ∼ est transitif. Elles permettent de repr´senter les pr´f´rences e e e ee globales : (x ≺ y) ≡ (h(x) < h(y)) 13 Pr´f´rence globale lexicographique ee On se donne un ordre total (un classement sans ex-aequos) sur les crit`res. soit ak ≥k bk et e bk >k ck . on a soit ak >k bk et bk ≥k ck . b est excellent (note N ) et a mauvais e (note 0). Si on peut d´cider laquelle est la meilleure au regard du premier crit`re e e seul (le plus important). pi Pour y parvenir. – a ∼ b ssi ak = bk pour tout k.La cons´quence importante de la non-s´parabilit´ est que la pr´f´rence globale ne peut pas ˆtre e e e ee e repr´sent´e par une fonction d’utilit´ qui soit une fonction d’agr´gation additive sur les crit`res. b. ai = bi = ci . On cherche alors a trancher entre celles-ci a l’aide du second e ` ` crit`re.e. dans les deux cas. pk + 0 > Σi>k bi . elle sont e e e e jug´es indiff´rente. Supee e posons qu’on s’y ram`ne. et l` ce e e e e u e a crit`re impose sa pr´f´rence stricte. forc´ment : si deux alternatives ont les mˆme ´valuations sur tous les crit`res. pi + bk .

si a est strictement pr´f´r´ ` b par la r`gle lexicographique. cqfd. b) ≥ µ. selon la m´thode de classement a la majorit´. φn (gn (a). g1 (b) = 2. pk > (n − 1)N. gn (b)) < 0. b : ∃j : gj (a) ≥ gj (b) et ∀i = j : gi (a) = gi (b) implique aSb 6 . g1 (b)). b) = j:aj ≥bj On suppose P = 1 (somme des pj ). g1 (a) = 3. . V´rification : s’il y a veto d’un crit`re. e e e En toute rigueur.ak . on en d´duit que a lexicographique b au sens lexicographique ssi a sommepondere e e e b. pi = ni N i (ou pi = M 2i avec ee u e M = max(n.pi Une condition suffisante pour que cette in ´quation soit v´rifi´e est e e e ak . pk + Σi<k N. puisque n ≥ 1. b) = ψ(φ1 (g1 (a). g2 (c) = 3 g3 (a) = 1. pk + 0 > +bk .N. et on ne peut avoir a µ b. e a 16 Contruction de relations de surclassement monotone Soit la propri´t´ de monotonie suivante : ee ∀a. bj ) ∈ Dj (veto de j pour a b) φi (aj .pk−1 Il suffit alors que choisir les poids pk de mani`re ` respecter cette in´quation. alors e e s(a. les indices de crit`res devant ˆtre d’autant plus forts que le crit`re est important. un exemple pour lequel la relation de e ` e pr´f´rence n’est pas transitive (paradoxe de Condorcet). ee La relation ´tant compl`te.nk−1 . Maintenant. ee eeea e on utilise la condition ´labor´e plus haut pour montrer que c’est ´galement vrai en utilisant la somme e e e pond´r´e. La somme pond´r´e choisie est donc celle o` pour tout crit`re i. g2 (b) = 1.e. Par exemple pk = nk . i. avec M un nombre suffisamment grand. c.N k−1 . ee Trois alternatives a. b.pk−1 ∀k. il faut maintenant prouver que a est meilleur que b au sens lexicographique ssi a est meilleur que b au sens de cette somme pond´r´e. . alors ψ(a. 14 Le paradoxe de Condorcet Construire. N )). bj ) =  −µ · pj sinon (1) (1 − µ) · pj − j:aj <bj µ · pj = ( j:aj ≥bj pj ) − µ (2) et s(a. Et pour ψ on fait la somme. pk + (n − 1)N. b) ≥ 0 est ´quivalent ` c(a. Il est ´vident que si a est indifferent ` b au sens ee e a lexicographique. pk + 0 > +bk . S’il n’y a pas veto. En effet nk N k > (n − 1). . .pk−1 ∀k Soit (ak − bk ) . g3 (b) = 3.N k e a e . c’est qu’il a les mˆme ´valuations sur tous les crit`res et que donc il re¸oit la mˆme note e e e c e au sens de la somme pond´r´e.   (1 − µ) · pj si aj ≥ bj (j est d’accord pour a b) −M si (aj . pk > (n − 1)N. g3 (c) = 2 15 Electre I comme instance du mod`le ”comparer puis agr´ger e e Exprimer la relation de surclassement de la m´thode ELECTRE I dans le mod`le g´n´ral des relations e e e e de surclassement. g1 (c) = 1 g2 (a) = 2.

A).9 0. B. Comme φj (aj . C).4 0.6 E 0. B).Alternative optimale pour la moyenne pond´r´e : D.4 0. Dans ce cas en effet. Noyau {A. 0) = 0 et que ψ est croissante avec ses arguments.1 0. en dessous de 0. la relation de surclassement est la relation de dominance forte aux seuils d’indiff´rence e pr`s. donc des 1 sur ces cases.9 1 0.4 0.9 1 0. A). (D.4 0. Le noyau est {A.7 0. Puisque psi(0.9 D 0. (F.9 0.3) 16 12 6 20 12 18 1 . qui a une note globale pond´r´e de 17.Quelles exigences sur les ψ et φi peuvent traduire cette hypoth`se ? e Soit la propri´t´ de monotonie suivante : ee ∀a. v) croit quand u croit et d´croˆ quand v croit. bi ) = 0 pour tout i = j.5.6 F 0... E surclasse e e C .4 1 4 . (D. .4 0.1 0.9 v D 1 0. (F.6 0. ..7 0. D). φi croissantes sur le premier argument et d´croissante sur le second ( e φi (u..Alternatives pareto optimales : toutes..9 0.Matrice de concordance : A B C D E F A 1 0.4 1 – Avec µ = 1.8) 3 .3 v v 0.6 0.2 (suivi ee ee de A : 15.. on suppose ψ(0. bien qu’il ne soit pas ´quilibr´ (sa culture ee e e e e g´n´rale est catastrophique). – On recommande A.6 1 v v 0. 0) = 0. .9 E 0. bj ) = 0. bj ) ≥ φj (bj . φj (aj ..9 1 0.4 0.1 C 0. 0 sur les autres et non discordance 5. {A} dans le second. D).7.(F. e e 7 .9 1 0. et que ψ est croissante ψ(φj (aj . e ıt Sur ψ.. ai ) = 0.7 1 0.4 0.7 B 0.. bj ).7 C v 0.1) e 14 18 12 4 10 14 g3 (0. C’est une relation tr`s pauvre (peu de couples la satisfont) : A surclasse C. A se detache avec l’approche par surclassement : cette approche limite e e les effets de compensation et degage des candidats plus ´quilibr´s. i. µ n’a pas de sens). pour tous les i = j. 0... b) ≥ 0 donc a b 17 Electre I candidats A B C D E F g1 (0.7 1 0. F ).. D} dans le premier cas.7 0. A).7 1 1 1 0.7. Comme les φi sont croissante dans leur premier argument. F ). – avec la somme pond´r´e.. 0). E et F .. b : ∃j : aj ≥ bj et ∀i = j : ai = bi =⇒ a b Quelles exigences sur les ψ et φi permettent d’assurer cette propri´t´ ? ee On suppose φi (v.. (C.1 1 0.Matrice de discordance : veto sur (C.7 1 0.9 et µ = 0.9 F v 0. v) = 0∀v. le consensus devient vraiment mou .Matrice de concordance : et non discordance A B C D E F A 1 0.3 0. φi (ai . et ce pour tout i ). sauf E qui est domin´ par A e 2 .6 1 0.. D se d´tache tr`s nettement. on obtient ψ(a. (C. 0) ≥ ψ(0. (D.6) 16 10 18 18 16 6 crit`res g2 (0.. .7 1 1 B 0.7 v v 0. bj ) ≥ 0. qui est dans tous les noyaux lorsque l’on fait varier le seuil µ (en dessous de 0. D} – On obtient des relations plus riches pour µ = 0. que φi (ai .. bi ) = φi (ai .

Ce qui se traduit par la distribution de poids suivante : p1 = 0. L'un des expert fait remarquer que le support doit avoir moins d'importance sur les matériels ables.2 0. 3. la abilité (g4 ).6 C 1 0 0 1 0 1 0. 5.2 Donner le classement obtenu sur les propositions en utilisant la règle de la somme pondérée.7 Dessiner le graphe de la relation de surclassement en donner un noyau.1 q3 = 0.4 0.6 B 0.4 0. 9. la performance (g3 ).2 B 0 0 0 1 0 C 0.8 D D 0. le cas échéant. on écarter celles qui ne le sont pas :  quand le but est selectionner une proposition unique ?  quand le but est de classer les propositions ? 2. On explore maintenant les propositions à l'aide le la méthode Electre.8 0.8 0. Trois critères sont dénis : le coût ( g1 ). Compléter les matrices de concordance et de veto suivantes : A B C D E A B C D E A 1 1 1 1 A 0 0 0 0 0 1 0. les experts considèrent que le cout est un critère primordial.4 q2 = 0.8 1 0. Elle doit évaler 5 proposition faites par des équipementiers. Quel serait votre choix nal ? 1 . Donner le classement obtenu sur les propositions en utilisant la règle du min 3. Identier quelle serait un bon choix de proposition à partir des réponses aux question 2. Les résultats de cette évaluation sont les suivants : critères propositions coût (g1 ) support (g2 ) performance (g3 ) abilité (g4 ) A 16 18 16 18 B 10 18 12 10 C 18 12 6 15 D 16 4 18 20 E 16 10 12 10 1. que la performance. 8. Ce qui se traduit par la capacité suivante sur les coalitions de critères : µ(A) = Σgi ∈A pi si g4 ∈ A / µ(A) = Σgi ∈A qi si g4 ∈ A où q1 = 0.SID 3 ième Année . On xe le même seuil d'indiérence égal à 3 pour tous les critères et le même seuil de véto égal à 9 pour tous les critères.6 0. En première analyse.2 p3 = 0.6 1 E 0 0 0 1 0 7. déterminer la relation de surclassement pour un niveau de concordance mu = 0.Examen de Décembre 2008 Décision Multi critères (H. Chaque solution est elle Pareto optimale ? Doit-on.2 q4 = 0. Donner le classement obtenu sur les propositions en utilisant la règle du leximin 4.8 0. le support technique ( g2 ). Le service informatique de l'entreprise a évalué les 5 propositions sur une echelle commune de 0 à 20. la abilité et le support sont des critères non négligeables.2 p4 = 0.8 E 0.4 p2 = 0.SupAéro . 4 et 7. A partir de la matrice de concordance et de la matrice de veto précédentes.6 0. Fargier) Une entreprise désire renouveller son parc informatique. en reprenant le jeu de poids précédent.3 Donner la valeur de l'intégrale de Choquet pour les alternatives A et D.

la abilité (g4 ). Ce qui se traduit par la distribution de poids suivante : p1 = 0.2 p4 = 0.2(g4) = 1 c(d.8 D E 0.8 0. On explore maintenant les propositions à l'aide le la méthode Electre. la ligne manquante est donc 1 1 0 0 0 1 . a) = 0.8 0.8 0. d) = 0.2(g4) = 0. la performance (g3 ).2(g3) + 0.8 1 0. le cas échéant. E et B ne sont pas pareto optimales (elle sont dominées strictement par A) On peut les ecarter pour le problème de sélection.Examen de Décembre 2008 Décision Multi critères (H.4) > D (14. en reprenant le jeu de poids précédent.2(g2) + 0.6 0. Donner le classement obtenu sur les propositions en utilisant la règle du min A (16) > B (10) = E (10) > C (6) > D (4) 3.6 0.4(g1) + 0.2 p3 = 0.2 Donner le classement obtenu sur les propositions en utilisant la règle de la somme pondérée.4 0.SupAéro . Le service informatique de l'entreprise a évalué les 5 propositions sur une echelle commune de 0 à 20.8) > E (12.8) > C (13.4(g1) + 0.8 A B C D E A 0 0 0 0 0 B 0 0 0 1 0 C 1 0 0 1 0 D E 0 0 0 1 0 il y a veto contre D > A et D > B . En première analyse. Trois critères sont dénis : le coût ( g1 ).2(g3) + 0. les experts considèrent que le cout est un critère primordial.4 0. que la performance. on écarter celles qui ne le sont pas :  quand le but est selectionner une proposition unique ?  quand le but est de classer les propositions ? Non.2 1 0.6 1 c(a. Compléter les matrices de concordance et de veto suivantes : A B C D E A 1 1 1 1 B 0.6 C 0. A (16.6 1 0.4 p2 = 0. Fargier) Une entreprise désire renouveller son parc informatique. le support technique ( g2 ). Chaque solution est elle Pareto optimale ? Doit-on.2 0. On xe le même seuil d'indiérence égal à 3 pour tous les critères et le même seuil de véto égal à 9 pour tous les critères. Elle doit évaler 5 proposition faites par des équipementiers.8 0.SID 3 ième Année . la abilité et le support sont des critères non négligeables. mais pas pour le problème de classication 2. Donner le classement obtenu sur les propositions en utilisant la règle du leximin A>B>E>C>D 4. Les résultats de cette évaluation sont les suivants : critères propositions coût (g1 ) support (g2 ) performance (g3 ) abilité (g4 ) A 16 18 16 18 B 10 18 12 10 C 18 12 6 15 D 16 4 18 20 E 16 10 12 10 1.8)> B (12) 5.

electre) ne peuvent pas être utilisées ici car on est in présence de critères dépendants. g4})) + 18 × µ({g2. g4}) − µ({g4})) + 20 ⊗ µ({g4}) = 4 ⊗ (1 − 0. Justier votre réponse. g3.8 E 0.2 p3 = 0. 2 . voir la question 1).4 = 16.B≥B C ≥ C. C. 9.2 p4 = 0. E D ≥ D.3 = 16.7 Dessiner le graphe de la relation de surclassement en donner un noyau.8 1 0.5 − 0.2 q4 = 0.4 p2 = 0. 3. g4}) − µ({g2. Ch(D) = 4 ⊗ (µ({g1.4 0. E 7.9) + 16 ⊗ (0. on peut également défendre le choix D qui a une excellente evaluation sur tous les critère sauf un critère mineur. A est un noyau évident. g3. qui est bien équilibré (et qui bien que pareto dominé. E. g2. justiez votre réponse. g4})) + 16 ⊗ (µ({g1. On fusionne la matrice de concordance et la matrice de veto : A B C D E A 1 1 1 1 1 1 0.8 D veto veto 0.6 1 veto 0.8 veto 1 Avec un seuil de concordance egal à 0. déterminer la relation de surclassement pour un niveau de concordance mu = 0. D. 8.3 La valeur de l'intégrale de Choquet pour A est alors Ch(A) == 16 × (µ({g1. Identier quelle serait les deux meilleures propositions à partir des réponses aux questions 2.8 0. g2.8 Donner la valeur de l'intégrale de Choquet pour l'alternative D. B. C. C A partir de la matrice de concordance et de la matrice de veto précédentes. mais si l'on accepte que D n'a de très mauvaise performances que sur un critère peu important. cela donne la matrice de surclassement A B C D E A 1 1 1 1 1 B 0 1 0 0 0 C 0 0 1 0 1 D 0 0 1 1 1 E 0 1 1 0 1 Soit A ≥ A.4) + 18 ∗ 0.4 q2 = 0. g4})) + 18 ⊗ (µ({g3. A est de loin le meilleur. Les autres méthodes (moyenne. L'un des expert fait remarquer que le support doit avoir moins d'importance sur les matériels ables.6 B 0. En second choix. Ce qui se traduit par la capacité suivante sur les coalitions de critères : µ(Ω) = Σgi ∈Ω pi µ(Ω) = Σgi ∈Ω qi si si g4 ∈ A / g4 ∈ A où où p1 = 0. g4}) − µ({g1. on peut hésiter entre B et D : un décideur prudent choisirait B. 4 et 7.9 − 0.1 q3 = 0.2 q1 = 0. peut très bien être pris en second choix. g3. E E ≥ B.4 Identier à nouveau quelle seraient les deux meilleures propositions . g3. g4}) = 16 ∗ (1 − 0.4 veto 0. A et D. g4}) − µ({g3. sont les deux meilleures alternatives au sens de l'intégrale de Choquet.2 C veto 0. Pour toutes les méthodes. et que le veto joue contre B > D comme il joue contre D > B.3) + 20 ⊗ 0.7.5) + 18 ⊗ (0.

Sign up to vote on this title
UsefulNot useful