P. 1
MCDMssp

MCDMssp

|Views: 97|Likes:
Publié paralayachi

More info:

Published by: alayachi on Feb 13, 2011
Droits d'auteur :Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

02/13/2011

pdf

text

original

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

cont • définir l’ensemble des alternatives possibles (les objets sur lesquels portent la décision : candidats. plans). ordonnancements. les traduire en critères (de manière ordinale ou cardinale) • synthétiser une structure de préférence globale sur les alt. I NTRODUCTION 11 Problématiques d’aide à la décision MCDM Données: un ensemble d’alternatives. établir des préférences sur ces points de vue. • exploiter cette structure de préférence globale pour décider (algorithmes. 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 .10 Démarche générale en décision/optimisation multicritère . calculs) ISAE Décision Multi critères 1. et leurs attributs • définir les différents points de vue sur lesquels on jugera les alternatives.

minimiser prix et consommation.1 55 essence 20 7. diesel. 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.0 65 gpl 21 7. I NTRODUCTION .2 58 gpl Ford 16 7. I NTRODUCTION 13 Exercice 1 alternatives Citroen Peugeot Renault prix (×1000 ∈) critères consommation puissance (kW) type 22 7.8 55 diesel Avec gpl > essence.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. ISAE Décision Multi critères 1.

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

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

Une relation est quasi-transitive ⇐⇒def sa partie stricte est transitive.e.18 Transitivité Définition [(Quasi) Transitivité] Une relation R est transitive ⇐⇒def aRb et bRc implique aRc. b ⇐⇒ g(a) + q ≥ g(b) avec q > 0 a ≻ b ⇐⇒ g(a) > g(b) + q.e. le critère consommation ne fait une différence qu’à plus de 0. a ∼ b ⇐⇒ |g(a) − g(b)| ≤ q Attribut à minimiser: a b ⇐⇒ g(a) − q ≤ g(b) (i. ISAE Décision Multi critères 2.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. • 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 2.1 litre aux 100. a ≻ b quand g(b) − q > g(a)) Ex: pour l’achat voiture.P RINCIPES BE BASE .

|{1.2 − 7.0 > 0.1 Citroen (7.2 − 7. ISAE Décision Multi critères 2.1 ≤ 0.20 Quasi critères (cont. 3}| > |{1}| : c ≻M aj a ISAE Décision Multi critères 2.1) La relation de préférence stricte obtenue par un critère à seuil est toujours transitive.P RINCIPES BE BASE .1 − 7 ≤ 0. 2}| > |{3}| : a ≻M aj b.) La relation d’indifférence n’est pas transitive en général Peugeot (7 l) ∼conso Citroen (7. a a ≻1 b ≻1 c c ≻2 a ≻2 b b ≻3 c ≻3 a i b}| ≥ |{i. mais |{2.2 l ) car 7.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. 3}| > |{2}| : b ≻M aj c. b i a}| Votant 1: Exemple: Votant 2: Votant 3: |{1.1 l) car 7.1 Mais Peugeot ≻conso Renault (car 7.1 l) ∼conso Renault (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 2.0 65 gpl Renault 21 7.P RINCIPES BE BASE 23 La règle d’unanimité Une règle de décision a minima : a b ⇐⇒ ∀i. est complète ⇐⇒ ≍ est vide. Ford et Peugeot sont incomparables. Citroen et Renault le sont aussi. Peugeot ≻U na Renault.2 58 gpl Peugeot ≻U na Citroen.1 55 essence 20 7.8 55 diesel U na i Citroen Peugeot prix (×1000 ∈) critères consommation puissance (kW) type 22 7. ISAE Décision Multi critères 2.22 Complétude Définition [relation complète)] Une relation ⇐⇒def a b ou b a pour tout a et b. a b Ford 16 7.P RINCIPES BE BASE .

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

On suppose une information riche. surclassement – modèles acceptant l’intransitivité: quasicritères.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).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.P RINCIPES BE BASE . ISAE Décision Multi critères 2. décision à la majorité • le modèle ordinal = modèle relationnel + complétude + transitivité • le modèle cardinal = information ordinale + intensités cardinales ISAE Décision Multi critères 2. Un critère cardinal induit une relation de préférence ordinale: a b ⇐⇒ g(a) ≥ g(b) (si maximisation) Exercice 4 Le prouver. le modèle cardinal permet d’exploiter des «différences d’intensités» entre préférences.

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

b ∈ A. ISAE Décision Multi critères 2. Définition [dominance faible] a domine faiblement b ⇐⇒def ∀i.P RINCIPES BE BASE . ai ≥ bi Définition [Principe d’unanimité] g satisfait le principe d’unanimité si et seulement si. si a domine faiblement b alors a g b.30 2.2 Quelques principes de base pour une règle de décision Le principe d’universalité: pour toute paire a.P RINCIPES BE BASE 31 Pareto-unanimité Pareto : économiste. on doit pouvoir décider si a g b ou non. Le principe d’unanimité: si a est au moins aussi bon que b sur tous les critères. première référence historique à la décision multicritère (1896). alors il faut que a g b ISAE Décision Multi critères 2.

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

Le principe d’unanimité: si a est au moins aussi bon que b sur tous les critères. Informellement. ISAE Décision Multi critères 2. b. 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). la préférence globale entre deux alternatives ne dépend pas des critères qui ne les départagent pas. c. ISAE Décision Multi critères 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. quel que soit I ⊆ X.34 2. d ∈ Rn : aIc g bIc ⇐⇒ aId g bId où xIy désigne le profil t tel que ti = xi si i ∈ I.P RINCIPES BE BASE .2 Quelques principes de base pour une règle de décision Le principe d’universalité: pour toute paire a. b ∈ A. 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. on doit pouvoir décider si a g b ou non. quels que soient a. ti = yi sinon.

alors il préfère c à d (et réciproquement) ISAE Décision Multi critères 2. si le décideur préfère a à b.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.36 Exemple du téléviseur [Vincke] a .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.

P RINCIPES BE BASE 39 Exercice 7 Montrer que toute relation de préférence globale qui est transitive. symétrique) et poser: a b ⇐⇒def a ≻ b ou a ∼ b définie à partir de ≻ et ∼ est réflexive. b. Montrer que ISAE Décision Multi critères 2.38 Exercice 6 On définit généralement ≻. séparable et satisfait le principe de projection des échelles: ∀a. ∀h. ∼. c.P RINCIPES BE BASE . ≍ 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. ∀i : ai i bi ⇐⇒ ai {i}h bi {i}h satisfait aussi le principe d’efficacité ISAE Décision Multi critères 2.

A GRÉGATION MULTI CRITÈRE .1 Introduction Types d’approches • Agréger puis comparer: calculer une note globale pour chaque alternative. A GRÉGATION MULTI CRITÈRE 41 3. 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 3.40 3. Agrégation multi critère ISAE Décision Multi critères 3.

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

44 3. A GRÉGATION MULTI CRITÈRE . séparable et ordonné w. A GRÉGATION MULTI CRITÈRE 45 Séparabilité = cohérence des décisions toutes choses égales par ailleurs. ai . aucune fonction d’agrégation additive ne peut la représenter. d’utilité) Cas particulier de la combinaison linéaire des critères (ou «somme pondérée»): ui (ai ) = λi .r. g . Exercice 9 Le démontrer Théorème (Debreu 1960) Si A est connexe. ai h(a) = i λi . alors il existe une fonction d’agrégation additive représentant la relation g . λi > 0 Exercice 8 Montrer que le maximum d’une fonction d’agrégation additive correspond à des alternatives Pareto-optimales.t. ISAE Décision Multi critères 3. Propriété Les fonctions d’agrégation additives satisfont le principe de séparabilité. si g n’est pas séparable. Inversement. ISAE Décision Multi critères 3.2 Fonctions d’agrégation additives n h(a) = i=1 ui (ai ) avec ui monotones strictement croissantes (ui : fcts.

5 20 5 12 5 20 12 Les deux alternatives extrêmes a et b sont considérées équivalentes..5 a b c 0. . 0.46 Le cas particulier de la somme pondérée u(a) = i=1. A GRÉGATION MULTI CRITÈRE .) : pb. de normalisation des échelles ISAE Décision Multi critères 3.n wi · ai ..))) plutôt qu’une importance • véhicule l’idée de compensations possibles entre critères (ab) ∼ (a − δ. 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. . • suppose implicitement que tous les critères peuvent s’exprimer indirectement dans la même unité (euros...... wi g1 g2 0.) ∼ (1.. b.. .. ISAE Décision Multi critères 3. et meilleures que l’alternative équilibrée c. b + γ) : le gain de γ compense la perde de δ. secondes. wi > 0 Interprétation des poids wi ? un point délicat : • les poids wi représentent des taux de substitution entre critères (w1 = bw2 signifie (0.

A GRÉGATION MULTI CRITÈRE 49 3.499 0.501 entraîne b ≻ a.499 entraîne a ≻ b. 0.3 La fonction min h(a) = min ui (ai ) i On cherche à maximiser le critère le moins satisfait.48 Somme pondérée : critique 3) • Une faible variation des poids peut entraîner de grandes conséquences sur la préférence globale. A GRÉGATION MULTI CRITÈRE .499. Contrairement aux agrégations additives. mais le jeu 0. 0.501. elle est adaptée aux critères ordinaux comme aux critères cardinaux. wi g1 g2 0. ISAE Décision Multi critères 3.501 a 20 b c 5 12 5 20 12 Le jeu de poids 0. 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.

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

2. 2. 2. oppositions) ISAE Décision Multi critères 3. 3. car 2. A GRÉGATION MULTI CRITÈRE 53 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 3.52 Le leximin (2) Ordre leximin = tris non décroissant des vecteurs. 3. car 1. 2 ≻leximin 9. 4 =leximin 4. 3 . 4 ⇐⇒ 1. 2 . 3. 3. 1.5 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. puis ordre lexicographique (inverse) Exemples : 1. 2. A GRÉGATION MULTI CRITÈRE . 2. 3. 2. 2. 2. 4 4. 2. 4 précède 2.

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

q. arc ∈ A) / ISAE Décision Multi critères 3.25 Donc.1.1 + µ(A) µ({sauna.}) = 0. ham.q. + u(a1 ). hyp.}) = 0.) Sur l’exemple: µ({ten.56 Mesure floue (cont. ten. A GRÉGATION MULTI CRITÈRE . 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.w3 + u(a1 ) (u(a2 ) − u(a1 ))) (u(a3 ) − u(a2 )) u(a2 ).} ∪ A) = 0. ham. arc}) = 0.6. . ∈ A) / µ({arc} ∪ A) = 0.6 + µ(A) (A t. µ({arc}) = 0.3 (A t. .25.w1 (w3 + w2 + w1 ) (w3 + w2 ) (w3 ) ISAE Décision Multi critères 3. µ({sauna.w2 . µ({ham. µ({sauna}) = 0.35 alors que µ({sauna. (non restrictive) : u(a3 ) ≥ u(a2 ) ≥ u(a1 )) h(a) = h(a) = + + u(a3 ).}) = 0.}) = 0. et ce bien que "arc" soit un critère bien moins prioritaire que "hammam" µ({ten.3.

Utilité pondérée pour l’increment λi − λi−1 : (λi − λi−1 ) · µ(Aλi ) A sommer sur tous les increments de satisfaction: Ch((a1 . A GRÉGATION MULTI CRITÈRE 59 L’intégrale de Choquet Scruter la décision par niveau de satisfaction λi ..force µ(S) = 1 • Pour chaque increment d’utilité λi − λi−1 . . . an ))µ = λ1 .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. .. • Au niveau de satisfaction de plus bas (λ1 ) : soutien de A1 = S . µ(Aλi ) Pour retrouver les moyenne pondérées. m. µ(Aλj ) ISAE Décision Multi critères 3. µ(A1 ) + Σi=2.1 (λj − λj−1 ) . u(aj ) ≥ λi }. u(ai ) ≥ λj } Pour une capacité quelconque µ Maximiser Ch((a1 . i = 2. . an ))µ = j=m. . . soutien : Aλi = {j. croissant.1 (λj − λj−1 ) ... poser µ(A) = Σj∈A µ({j}) ISAE Décision Multi critères 3. . µ(Aλj ) Avec L = λm > · · · > λ1 et Aλj = {i.m (λi − λi−1 ) . . A GRÉGATION MULTI CRITÈRE .

En fait. en passant par les moyennes pondérées et la médiane. sauna} + (1 − 0) × µ({arc... arc}) = µ({ham. A GRÉGATION MULTI CRITÈRE 61 L’intégrale de Choquet (cont. ten. ten.. ten.85 = 0 × µ({ham. ten.9 + (1 − 0) × µ({ham.. ten. ten.. sauna.... les intégrales de Choquet recouvrent toute une gamme de compromis entre le min et le max. arc}) = µ({arc. ten. sauna. sauna. sauna}) = 0.60 L’intégrale de Choquet (cont. ten. ten.. sauna}) + (1 − 0) × µ({ham. A GRÉGATION MULTI CRITÈRE .) Avec λ1 = non (u(non) = 0) et λ2 = oui (u(oui) = 1) Cµ (Cat ) Cµ (Cht ) Cµ (Cats ) Cµ (Chts ) = 0 × µ({ham. ten.95 = 0 × µ({ham. on peut montrer que les moyennes pondérées ordonnées sont des intégrales de Choquet particulières.. arc}) = µ({ham.}) ISAE Décision Multi critères 3. sauna... ten.7 = 0 × µ({ham.}) + (1 − 0) × µ({arc. sauna}) = 0.}) = 0. ten. ISAE Décision Multi critères 3...}) = 0.) Le min est une intégrale de Choquet particulière Exercice 10 Le montrer Plus généralement. arc}) = µ({arc.

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

. g2 . . . . . ISAE Décision Multi critères 3. recherche de courbes iso-préférence. . a2 . Principales voies : 1. Dans cette voie : méthode UTA. A GRÉGATION MULTI CRITÈRE . .) Autres hypothèses : • les préférences sur les points de vue s’expriment par des attributs numériques («utilités») g1 .64 L’utilité multiattribut (cont.n ui (ai ) croissantes avec ui monotones strictement La question essentielle reste donc de trouver les ui . on se tourne (quasi) forcément vers un modèle additif (Debreu) u(a) = i=1. gn • l’utilité globale ne dépend que des critères. . A GRÉGATION MULTI CRITÈRE 65 L’utilité multiattribut – cas séparable Lorsqu’on admet la séparabilité des critères. logiciel UTA+ 2. est donnée par une fonction d’agrégation : u(a) = f (a1 . an ) avec ai = gi (a). «apprentissage» des ui par points à partir d’une base d’alternatives évaluées sur tous les critères et classées globalement. ISAE Décision Multi critères 3.

. et montrez pourquoi la propriété n’est pas vérifiée. Quelle conséquence majeure cela a-t-il sur l’expression de relation de préférence globale du décideur ? 3.. capable d’exprimer les préférences globales.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 . agrégeant les critères. A GRÉGATION MULTI CRITÈRE 67 Exercice 11 Montrer que l’ordre leximin est un préordre complet et respecte le principe d’efficacité. 1. (2) les préférences globales du décideur sur les alternatives... 2. Sur votre exemple. Exercice 12 Imaginez un exemple réaliste d’une situation de décision multicritère pour laquelle la propriété de séparabilité des critères n’est pas vérifiée. A GRÉGATION MULTI CRITÈRE .) ISAE Décision Multi critères 3. imaginez une fonction d’utilité globale. ISAE Décision Multi critères 3. Donnez pour votre exemple (1) le tableau alternatives / critères habituel.

alors on ne tient pas compte des autres. représentant leur importance. Soit deux alternatives a et b. 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. Méthodes de surclassement ISAE Décision Multi critères 4.68 Exercice 13 (préférence globale lexicographique) On se donne un ordre total (un classement sans ex-aequos) sur les critères. ISAE Décision Multi critères 3.. M ÉTHODES DE SURCLASSEMENT . 2) est-ce bien un préordre complet ? est t il séparable ? efficace ? 3) On supposera que les domaines des critères sont finis. A GRÉGATION MULTI CRITÈRE 69 4. Sinon. Élaborer un critère cardinal global représentant la relation de préférence globale. Questions : 1) exprimer formellement la relation de préférence globale.. Si on peut décider laquelle est la meilleure au regard du premier critère seul (le plus important). . et ainsi de suite.

on ne présuppose pas qu’une relation de préférence sur les décisions soit totale. ni même qu’elle pré-existe. M ÉTHODES DE SURCLASSEMENT 71 Résumé de la démarche Contrairement au modèle traditionnel. ni transitive. Recherche d’un compromis entre • la relation de dominance au sens de Pareto. ISAE Décision Multi critères 4. M ÉTHODES DE SURCLASSEMENT . 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. • et une relation d’ordre total découlant d’une agrégation jugée trop arbitraire et réductrice (finalement. L’aide à la décision multicritère est plutôt considérée comme un processus d’élaboration d’une structure de préférences.1 Introduction L’approche par fonctions d’agrégation “procède par réduction d’une logique multicritère au cas monocritère. c’est du monocritère).70 4. jugée trop pauvre.

sans qu’il y ait de raison importante de refuser cette affirmation. M ÉTHODES DE SURCLASSEMENT 73 Méthodes de surclassement (outranking) Une méthode de surclassement cherche à établir et explorer une relation de surclassement. Optimiser sur le premier. etc. optimiser sur deux critères = • 1. ISAE Décision Multi critères 4... aSb ⇐⇒def il existe suffisamment d’arguments pour admettre que a est au moins aussi bonne que b. 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. : On recommence : Demander à l’utilisateur de combien il peut en rabattre sur C2 et optimiser sur C1..72 Exemple: la méthode interactive "STEM" Aider l’utilisateur à se déplacer dans l’espace des alternatives. puis sur le second (ex: maximiser h(a) = γg1 (a) + g2(a) avec γ grand) • 2. 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 4.4. M ÉTHODES DE SURCLASSEMENT .5. 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. une fonction φi : R × R → R. bi ) ISAE Décision Multi critères 4. M ÉTHODES DE SURCLASSEMENT . . bn ≥0 En général cela donne une relation de préférence globale qui n’est pas un préordre complet. M ÉTHODES DE SURCLASSEMENT 75 Construction d’une relation de surclassement (cont. ISAE Décision Multi critères 4. φn an . établit le degré de surclassement de a sur b: → On obtient n indices φi (ai . b1 .74 4. b).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.) Phase 1 → n indices φi (ai . Pour chaque critère i.

Σi φ(ai . y) = 0 si x =i y. Exercice 14 Construire. b ∈ N : ¬aSb L’ensemble N s’appelle le noyau du graphe.76 Exemple: surclassement à la majorité Exemple très simple (majorité relative.3 Exploitation de la relation de surclassement On fait correspondre à S un graphe sur A. un exemple pour lequel la relation de préférence n’est pas transitive (paradoxe de Condorcet). M ÉTHODES DE SURCLASSEMENT . méthode de Condorcet) φi (x. formellement : ∀b ∈ A − N . ∃a ∈ N : aSb ∀a.e. Autrement dit : aSb (i. y) = 1 si x >i y. 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 . selon cette méthode. ISAE Décision Multi critères 4. ISAE Décision Multi critères 4. y) = −1 si x <i y. Il représente un ensemble d’alternatives «intéressantes» parmi lesquelles le ou les décideurs devraient faire leur choix. ψ= . M ÉTHODES DE SURCLASSEMENT 77 4. φi (x. bi ) ≥ 0) si une majorité de critères (votants) préfèrent a à b. φi (x.

ISAE Décision Multi critères 4. M ÉTHODES DE SURCLASSEMENT . Ce problème n’admet pas d’algorithme d’approximation polynômial. la plus ancienne mais bien représentative. 1 ou plusieurs noyaux.78 Détermination du noyau Tout graphe sans circuit admet un noyau unique. 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).4 Un exemple historique : la méthode ELECTRE I (Roy. 1968). Un graphe avec circuits admet 0. M ÉTHODES DE SURCLASSEMENT 79 4. ISAE Décision Multi critères 4.

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. d(a. b) est un réel entre 0 et 1 . b) = 0 sinon d(a. par une sorte de vote pondéré. b) = 1 si ∃i. ISAE Décision Multi critères 4. b) le nombre c(a. il résume « la force des arguments qui ne s’opposent pas à aSb ». M ÉTHODES DE SURCLASSEMENT . b) le nombre d(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. bi > ai + vi . b) = i:ai +βi ≥bi pi Le nombre c(a. 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.

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. M ÉTHODES DE SURCLASSEMENT . b) ≥ µ et d(a. Logiciels associés → bureau d’étude.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. ISAE Décision Multi critères 4. afin de conforter les opinions. M ÉTHODES DE SURCLASSEMENT 83 ELECTRE Is : définition du Noyau et + Tout graphe sans circuit admet un noyau unique. voire d’autres poids (analyse de sensibilité). b) = 1 Exercice 15 Exprimer la relation de surclassement de la méthode ELECTRE I dans le modèle général des relations de surclassement.

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. M ÉTHODES DE SURCLASSEMENT 85 Exercices Exercice 16 Soit la propriété de monotonie suivante : ∀a. 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. M ÉTHODES DE SURCLASSEMENT .84 Autres méthodes ELECTRE • ELECTRE-1.

6. • Etablir la matrice de concordance (pour chacun des critères. le critère de motivation deux fois moins important (poids relatif 0.3) et le critère de culture générale secondaire (poids relatif 0. motivation : 0. Chaque test est noté sur une échelle de 0 à 20. 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: 0.3 .1). on prend un seuil d’indifférence egal à 3) et la matrice de véto (seuil de véto égal à 9). culture générale : 0. ISAE Décision Multi critères 4. la culture générale (critère g2 ) et la motivation (critère g3 ). b) = Σj:aj +qj ≥bj pj et ISAE Décision Multi critères 4. Ces tests concernent les points de vue suivants: l’évaluation des compétences (critère g1 ).6).86 Exercice 17 Un cabinet de recrutement fait subir 3 tests aux 6 candidats à un poste. On rappelle que c(a. M ÉTHODES DE SURCLASSEMENT . 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.

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

complétude. 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. séparabilité des critères.90 L’optimisation multicritère en pratique Problématiques essentielles: • Quelles sont les propriétés souhaitables/intéressantes de la relation de préférence globale ? → monotonie. C ONCLUSION : L’ OPTIMISATION MULTICRITÈRE EN PRATIQUE . commensurabilité donc compensations possibles entre points de vue. la non commensurabilité. non-séparabilité). 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. séparabilité. 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. transitivité.

C ONCLUSION : L’ OPTIMISATION MULTICRITÈRE EN PRATIQUE 93 Optimiser sur un espace combinatoire • Approches agregatives simples (critères indépendants) → Programmation par contraintes. ni transitive. ni même qu’elle pré-existe. C ONCLUSION : L’ OPTIMISATION MULTICRITÈRE EN PRATIQUE . ISAE Décision Multi critères 5. contraintes valuées • Critères dépendants: Choquet en programmation par contraintes (ça commence) • Méthodes de surclassement: plus dur.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. L’aide à la décision multicritère est plutôt considérée comme un processus d’élaboration d’une structure de préférences. il faut comparer un nombre exponentiel de paires → Mais on peut toutefois garder l’aspect interactif (ex: STEM) ISAE Décision Multi critères 5.

Donc ∀i. 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. e – ∼ est sym´trique : supposons a ∼ b. diesel . ai i ai ) entraˆ celle de la relation globale. bi U na ci . cela donne ∀i. sur l’exemple du choix e d’automobiles. Elle domine ´galement Citroen. e e Si l’on compare les alternatives sur les 4 crit`res : Peugeot domine Renault (consomption plus faible. 3 D´compositions d’un pr´ordre e e Montrer que si est un pr´ordre. i. e. ∀i. ∼ est une relation d’´quivalence (r´flexive. sym´trique. betb a ce qui est aussi la d´finition e 1 . Peugeot et Ford e sont appel´es d´cisions efficaces ou Pareto-optimales. En revanche. e plus puissante et moins cher pour le mˆme type de moteur). ai U na bi et e e ∀i. par d´finition. Elles peuvent donc ˆtre rejet´es a e e e e priori.g.8 puissance (kW) 55 65 58 55 type essence gpl gpl diesel Avec gpl > essence.1 7. U na est un pr´ordre. minimiser prix et consommation. Reflexive et transitive.e. ai U na bi et bi U na ci .0 7. transitive) e e e e et ≻ une relation d’ordre (antisym´trique.2 7. Par d´finition on a a e e de b ∼ a. e e elle ne domine pas Ford. Par transitivit´ des i . Ford ne domine ni n’est domin´e par aucune autre alternative. a U na est transitive. ai i ci . on suppose que a U na b et b U na c. 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. 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. Donc e ∀i.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. e Il est partiel (pas complet) : on peut exhiber un cas d’incomparabilit´. transitive) e – ∼ est r´flexive parce que l’est. a U na c. e e ee ıne Pour la transitivit´.

– ∼ est transitive : a ∼ b et b ∼ c s’´crit a b et b c et b a et c b. Supposons que e a cela soit. Mais nous avions montr´ a c. supposons que cela soit : c a. – ≻ est irr´flexive : a ≻ a est par d´finition a aetnona a ce qui est impossible. cela e e donne a c et c a donc a ∼ c. s’´crit a ≻ c et termine la d´monstration. 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. non(c b). On a donc les assertions suivantes : a b. Donc on a non(c a). ≍ 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. avec non(c a). c’est-`-dire b ≻ a. Par transitivit´ de . soit g(a) = g(b). en contradiction avec l’irr´flexibilit´ a e e e d´montr´e plus haut. Par transitivit´ de . 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. ∼. nous tirons c b. et jamais impossibilit´ de comparer. De l` nous tirons que a c par transitivit´ de . ce qui est en contradiction avec non(c b). 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 e e – Supposons a ≻ b. 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). ce qui. Par la transitivit´ on tire a ≻ a. G est donc asym´trique. e e – ≻ est transitive : supposons a ≻ b et b ≻ c. e avec a b. a e Pour montrer maintenant que non(c a). c’est-`-dire non(b ≻ a). est transitive parce que ∼ et ≻ le sont. 5 D´composition d’une relation de pr´f´rence quelconque e ee Soit – ≻ – ≻ – ∼ – ∼ – ≍ – ≍ une relation de pr´f´rence. Donc non(a ≻ a). b c. e ` e 2 . non(b a). On doit montrer que ≻ est asym´trique.

cela donne ai {i}a ≻ bi {i}b. disons i. 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∗ ). aj = bj et que sur les e m autres crit`res ai ≻i bi . quels que soient a et b. Σi∈V f i(ai ) + Σi∈V f i(ci ) ≥ Σi∈V f i(bi ) + Σi∈V f i(ci ). 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.e. 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´. a{j}a ≻ b{j}b. quel que soit l’alternative d.e. e e e u Cas 1 : Si pour tous les crit`res sauf un. Par r´currence. c. si sur tous crit`res sauf m. Donc aV c bV c est logiquement ´quivalent ` e a / aV d bV d. b. Soit a∗ une alternative maximisant sur A la fonction h(a). Par transitivit´. et que sur le dernier crit`re.´ 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. i. e e Soient 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 . les deux vecteurs sont idene e tiques). a ≻ b. et supposons que cette alternative ne soit pas Pareto optimale. ∀h. aj = bj et que sur les m + 1 autres e crit`res ai ≻i bi . 3 . Ceci est logiquement ´quivalent ` e a / / Σi∈V f i(ai ) ≥ Σi∈V f i(bi ). Le principe de projection des ´chelles assure que e e ai {i}h ≻ bi {i}h. i. On note j l’un des crit`res o` ai ≻i bi . 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. s´parable et satisfait le principe de ee e projection des ´chelles : e ∀a. Il existe donc une alternative a′ qui la domine. a{j}a ≻ a{j}b et ` cause du e e u e a principe de projection a{j}b ≻ b{j}b. alors a ≻ b. i d’o` une contradiction puisque a ne maximiserait pas h(a). 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 ). aj = bj (sur ces crit`res. 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. i. et ∃i : fi (a′ ) > fi (a∗ ) i i i i et donc n n n fi (a′ ) > i i=1 ∗ i=1 fi (a∗ ).e. ai ≻i bi . en posant h = a = b. b. sur tous crit`res sauf m + 1. Cas m + 1 : Supposons que . et donc : ∀i : a′ ≥ a∗ . e On choisit maintenant a et b tels que.

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

soit ak ≥k bk et e bk >k ck . forc´ment : si deux alternatives ont les mˆme ´valuations sur tous les crit`res. on a soit ak >k bk et bk ≥k ck . Donc ≻ est transitive. par d´finition e e e – transitif : ∼ est transitif. pk + 0 > Σi>k bi . Soient a. dans les deux cas. sur le crit`re d´cisif ee e e k. Les valeurs de g sont repr´sent´es dans le tableau ci-dessus.. Soit deux alternatives a et b. Sinon. ak > ck . Puisque la relation est compl`te et que e ses deux composantes ∼ et ≻ sont transitives. elle correspond ` l’identit´ des vecteurs. pi + bk . 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. En k. pk + Σi<k N. 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. ee On classe les crit`res du moins important (petit indices) au plus important (gros indices). pi + ak . Elaborer un crit`re cardinal global repr´sentant e e e la relation de pr´f´rence globale. Si on peut d´cider laquelle est la meilleure au regard du premier crit`re e e seul (le plus important). 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. – 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. On cherche alors a trancher entre celles-ci a l’aide du second e ` ` crit`re. et ainsi de suite. et l` ce e e e e u e a crit`re impose sa pr´f´rence stricte. Soit k le plus important des crit`res sur lesquels soient a diff`re de b. a ee ee h(a) = Σi ai . i. e 1) exprimer formellement la relation de pr´f´rence globale. alors on ne tient pas compte des autres. e ee – r´flexif ´vident aussi car a ∼ a pour tout a. elle est transitive. repr´sentant leur impore e tance. Soit n le nombre de crit`res. Puisque ai = ci ∀i > k e ee et ak > ck la definition induit a ≻ c. 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. par exemple entre 0 et N (ceci se e e fait sans perte de g´n´ralit´). elle sont e e e e jug´es indiff´rente. Supee e posons qu’on s’y ram`ne. . on consid`re le plus important des crit`res o` les notes diff`rent. b est excellent (note N ) et a mauvais e (note 0).e. La traduction de a ≻ b par une somme pond´r´e exige que : ee Σi>k ai . c tel que a ≻ b et a e b ≻ c. pour tout k > j. 2) est-ce bien un pr´ordre complet ? e – complete.. avec par exemple N + 1 niveaux par crit`re. e e e e e Pour aller au plus simple. par transitivit´ des pr´f´rences locale. – comme =≻ ∪ ∼. 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 .pi ce qui est ´quivalent ` e a 5 . soit b diff`re de a. e Questions : 1) exprimer formellement la relation de pr´f´rence globale. ai = bi = ci . il faut que les niveaux de pr´f´rence sur chaque crit`re soient en nombre fini. ak − bk = 1 et que sur tous les crit`res moins important que k. e e e e Le cas le moins favorable pour une pr´f´rence lexicographique a ≻ b est quand. c’est que ces alternatives sont indiscernables au regard du premier crit`re. Sinon. Sur e e e tous les crit`res plus importants. pi Pour y parvenir.

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

. i.. la relation de surclassement est la relation de dominance forte aux seuils d’indiff´rence e pr`s.. (F. Comme φj (aj .1 0. on suppose ψ(0. Noyau {A.Matrice de concordance : et non discordance A B C D E F A 1 0.9 1 0. – avec la somme pond´r´e.7 1 0. A).4 0.7 B 0.Matrice de discordance : veto sur (C. D). sauf E qui est domin´ par A e 2 .9 0.7 1 0. . B). bi ) = φi (ai .7 1 1 B 0.Alternative optimale pour la moyenne pond´r´e : D.3 v v 0.2 (suivi ee ee de A : 15.1 C 0.9 v D 1 0.Quelles exigences sur les ψ et φi peuvent traduire cette hypoth`se ? e Soit la propri´t´ de monotonie suivante : ee ∀a.7 C v 0.6 0.. Dans ce cas en effet. B. A).4 1 4 . que φi (ai .1) e 14 18 12 4 10 14 g3 (0. donc des 1 sur ces cases. v) = 0∀v. . – On recommande A. v) croit quand u croit et d´croˆ quand v croit. (D. 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.1 1 0.7 v v 0. D} – On obtient des relations plus riches pour µ = 0.Matrice de concordance : A B C D E F A 1 0. e e 7 .4 0. (C.. F ). Puisque psi(0..7 0.7 0.6 0.9 D 0.. . µ n’a pas de sens).4 0.9 1 0. . bj ) = 0.7 1 1 1 0.7 1 0.. bien qu’il ne soit pas ´quilibr´ (sa culture ee e e e e g´n´rale est catastrophique). F ).8) 3 .4 0. A se detache avec l’approche par surclassement : cette approche limite e e les effets de compensation et degage des candidats plus ´quilibr´s. (C.. e ıt Sur ψ.4 1 – Avec µ = 1.6 E 0. et que ψ est croissante ψ(φj (aj . φi croissantes sur le premier argument et d´croissante sur le second ( e φi (u. E surclasse e e C .1 0. 0) = 0 et que ψ est croissante avec ses arguments.7. Comme les φi sont croissante dans leur premier argument. C’est une relation tr`s pauvre (peu de couples la satisfont) : A surclasse C. le consensus devient vraiment mou .6 1 v v 0. 0 sur les autres et non discordance 5. on obtient ψ(a.. bi ) = 0 pour tout i = j. b) ≥ 0 donc a b 17 Electre I candidats A B C D E F g1 (0. 0. Le noyau est {A. et ce pour tout i ).9 1 0.9 0. 0) = 0. E et F .7..3) 16 12 6 20 12 18 1 . ai ) = 0.9 0.9 E 0.4 0.9 1 0. pour tous les i = j. A).5.6 1 0.. (F.7 0. bj ) ≥ φj (bj .9 et µ = 0. (D. D se d´tache tr`s nettement.4 0. C). D} dans le premier cas.6 F 0. qui est dans tous les noyaux lorsque l’on fait varier le seuil µ (en dessous de 0.9 F v 0...(F.4 0.3 0.. D).Alternatives pareto optimales : toutes... bj ) ≥ 0. 0) ≥ ψ(0.6) 16 10 18 18 16 6 crit`res g2 (0. 0). qui a une note globale pond´r´e de 17. en dessous de 0.. {A} dans le second. bj ). (D. φj (aj . φi (ai .

4 0.2 q4 = 0.8 0. 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. 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. A partir de la matrice de concordance et de la matrice de veto précédentes.2 p3 = 0. L'un des expert fait remarquer que le support doit avoir moins d'importance sur les matériels ables.6 1 E 0 0 0 1 0 7. 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. la abilité (g4 ).8 E 0. En première analyse.4 q2 = 0.4 p2 = 0. Identier quelle serait un bon choix de proposition à partir des réponses aux question 2. Donner le classement obtenu sur les propositions en utilisant la règle du leximin 4. la performance (g3 ). Fargier) Une entreprise désire renouveller son parc informatique. 4 et 7.4 0. Trois critères sont dénis : le coût ( g1 ).8 0. les experts considèrent que le cout est un critère primordial. 9.2 0. le support technique ( g2 ). 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. Elle doit évaler 5 proposition faites par des équipementiers.2 Donner le classement obtenu sur les propositions en utilisant la règle de la somme pondérée.2 B 0 0 0 1 0 C 0.8 0. le cas échéant.SID 3 ième Année .1 q3 = 0.7 Dessiner le graphe de la relation de surclassement en donner un noyau. 8.6 B 0. 5.6 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.6 C 1 0 0 1 0 1 0.3 Donner la valeur de l'intégrale de Choquet pour les alternatives A et D.2 p4 = 0. que la performance. déterminer la relation de surclassement pour un niveau de concordance mu = 0. Chaque solution est elle Pareto optimale ? Doit-on.Examen de Décembre 2008 Décision Multi critères (H.6 0.8 1 0. Quel serait votre choix nal ? 1 . 3. en reprenant le jeu de poids précédent. Ce qui se traduit par la distribution de poids suivante : p1 = 0.8 D D 0. Le service informatique de l'entreprise a évalué les 5 propositions sur une echelle commune de 0 à 20.SupAéro . Donner le classement obtenu sur les propositions en utilisant la règle du min 3. la abilité et le support sont des critères non négligeables. On explore maintenant les propositions à l'aide le la méthode Electre.

6 0. le support technique ( g2 ).2 p3 = 0.8 1 0. que la performance.8) > E (12.SupAéro .2 Donner le classement obtenu sur les propositions en utilisant la règle de la somme pondérée. 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 1.4 p2 = 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 .SID 3 ième Année .6 1 c(a. a) = 0. le cas échéant.2(g4) = 1 c(d. E et B ne sont pas pareto optimales (elle sont dominées strictement par A) On peut les ecarter pour le problème de sélection. 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.4) > D (14. mais pas pour le problème de classication 2.2 p4 = 0.4(g1) + 0. Donner le classement obtenu sur les propositions en utilisant la règle du leximin A>B>E>C>D 4.6 C 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.4 0. la ligne manquante est donc 1 1 0 0 0 1 .4 0.2(g3) + 0. les experts considèrent que le cout est un critère primordial.6 0. Trois critères sont dénis : le coût ( g1 ).2(g4) = 0. Elle doit évaler 5 proposition faites par des équipementiers. la abilité et le support sont des critères non négligeables. Fargier) Une entreprise désire renouveller son parc informatique.2(g3) + 0.8 D E 0.8 0. la performance (g3 ).2 1 0.2 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. en reprenant le jeu de poids précédent. A (16. On explore maintenant les propositions à l'aide le la méthode Electre. En première analyse.6 1 0.8 0.8) > C (13. Chaque solution est elle Pareto optimale ? Doit-on. Ce qui se traduit par la distribution de poids suivante : p1 = 0. d) = 0.4(g1) + 0.Examen de Décembre 2008 Décision Multi critères (H. Le service informatique de l'entreprise a évalué les 5 propositions sur une echelle commune de 0 à 20.2(g2) + 0. la abilité (g4 ).8 0.8)> B (12) 5. Compléter les matrices de concordance et de veto suivantes : A B C D E A 1 1 1 1 B 0.8 0.

Justier votre réponse. 9. On fusionne la matrice de concordance et la matrice de veto : A B C D E A 1 1 1 1 1 1 0. on peut également défendre le choix D qui a une excellente evaluation sur tous les critère sauf un critère mineur.4 = 16. L'un des expert fait remarquer que le support doit avoir moins d'importance sur les matériels ables. on peut hésiter entre B et D : un décideur prudent choisirait B. g4}) = 16 ∗ (1 − 0. B. qui est bien équilibré (et qui bien que pareto dominé. déterminer la relation de surclassement pour un niveau de concordance mu = 0.4 p2 = 0. g3. justiez votre réponse. 4 et 7. C.4) + 18 ∗ 0.1 q3 = 0. E 7. g4}) − µ({g2. et que le veto joue contre B > D comme il joue contre D > B. 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. g4}) − µ({g3. g4}) − µ({g4})) + 20 ⊗ µ({g4}) = 4 ⊗ (1 − 0.8 1 0. A est un noyau évident. g2. mais si l'on accepte que D n'a de très mauvaise performances que sur un critère peu important. Identier quelle serait les deux meilleures propositions à partir des réponses aux questions 2. peut très bien être pris en second choix.8 E 0.8 veto 1 Avec un seuil de concordance egal à 0. 8.9) + 16 ⊗ (0.6 B 0.8 D veto veto 0. D.5) + 18 ⊗ (0.B≥B C ≥ C. electre) ne peuvent pas être utilisées ici car on est in présence de critères dépendants. 3. 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 = 0.3) + 20 ⊗ 0. g4}) − µ({g1.2 q4 = 0.8 Donner la valeur de l'intégrale de Choquet pour l'alternative D. Les autres méthodes (moyenne. Ch(D) = 4 ⊗ (µ({g1.9 − 0.2 q1 = 0.7.4 q2 = 0. voir la question 1). g4})) + 16 ⊗ (µ({g1. g2.4 Identier à nouveau quelle seraient les deux meilleures propositions .2 p4 = 0.7 Dessiner le graphe de la relation de surclassement en donner un noyau. g4})) + 18 ⊗ (µ({g3. g4})) + 18 × µ({g2.2 p3 = 0.5 − 0. Pour toutes les méthodes. En second choix. C. g3. sont les deux meilleures alternatives au sens de l'intégrale de Choquet.6 1 veto 0. E.4 veto 0. A et D. E E ≥ B.2 C veto 0.3 La valeur de l'intégrale de Choquet pour A est alors Ch(A) == 16 × (µ({g1. g3. g3. C A partir de la matrice de concordance et de la matrice de veto précédentes. E D ≥ D.3 = 16. A est de loin le meilleur.8 0.4 0. 2 .

You're Reading a Free Preview

Télécharger
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->