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

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

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. minimiser prix et consommation.0 65 gpl 21 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. ISAE Décision Multi critères 1.1 55 essence 20 7.2 58 gpl Ford 16 7. I NTRODUCTION . I NTRODUCTION 13 Exercice 1 alternatives Citroen Peugeot Renault prix (×1000 ∈) critères consommation puissance (kW) type 22 7. diesel.

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

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

e. a ≻ b quand g(b) − q > g(a)) Ex: pour l’achat voiture.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. 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. 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.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. ISAE Décision Multi critères 2.P RINCIPES BE BASE .1 litre aux 100.

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.2 − 7.1 Mais Peugeot ≻conso Renault (car 7. 2}| > |{3}| : a ≻M aj b. |{1.1 − 7 ≤ 0.2 l ) car 7.0 > 0. 3}| > |{2}| : b ≻M aj c.1 ≤ 0.) La relation d’indifférence n’est pas transitive en général Peugeot (7 l) ∼conso Citroen (7.2 − 7.1 l) car 7. mais |{2.P RINCIPES BE BASE .1 Citroen (7. ISAE Décision Multi critères 2.20 Quasi critères (cont.1) La relation de préférence stricte obtenue par un critère à seuil est toujours transitive. 3}| > |{1}| : c ≻M aj a ISAE Décision Multi critères 2. b i a}| Votant 1: Exemple: Votant 2: Votant 3: |{1.1 l) ∼conso Renault (7. a a ≻1 b ≻1 c c ≻2 a ≻2 b b ≻3 c ≻3 a i b}| ≥ |{i.

a b Ford 16 7.1 55 essence 20 7. Peugeot ≻U na Renault.8 55 diesel U na i Citroen Peugeot prix (×1000 ∈) critères consommation puissance (kW) type 22 7. Citroen et Renault le sont aussi. Ford et Peugeot sont incomparables.2 58 gpl Peugeot ≻U na Citroen. est complète ⇐⇒ ≍ est vide.0 65 gpl Renault 21 7.22 Complétude Définition [relation complète)] Une relation ⇐⇒def a b ou b a pour tout a et b.P RINCIPES BE BASE . 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. ISAE Décision Multi critères 2.P RINCIPES BE BASE 23 La règle d’unanimité Une règle de décision a minima : a b ⇐⇒ ∀i.

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

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

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

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

ai ≥ bi et ∃i. 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). Le principe d’unanimité: si a est au moins aussi bon que b sur tous les critères. b ∈ A. a >i b Définition [Principe d’efficacité] : g satisfait le principe d’efficacité si et seulement si.32 2. 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 . alors il faut que a ≻g b ISAE Décision Multi critères 2. Sélection: rechercher uniquement des Pareto optimales ISAE Décision Multi critères 2. Définition [Pareto-optimalité] Une alternative a est dite Pareto-optimale si elle n’est dominée par aucune autre. on doit pouvoir décider si a g b ou non. 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.

b ∈ A. 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. ISAE Décision Multi critères 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).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.2 Quelques principes de base pour une règle de décision Le principe d’universalité: pour toute paire a.34 2. c. Le principe d’unanimité: si a est au moins aussi bon que b sur tous les critères. ISAE Décision Multi critères 2. quels que soient a. on doit pouvoir décider si a g b ou non. b. Informellement. 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 . ti = yi sinon. la préférence globale entre deux alternatives ne dépend pas des critères qui ne les départagent pas.

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

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

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 3.40 3. A GRÉGATION MULTI CRITÈRE .

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

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

. • suppose implicitement que tous les critères peuvent s’exprimer indirectement dans la même unité (euros. b.) ∼ (1. .. secondes...n wi · ai .46 Le cas particulier de la somme pondérée u(a) = i=1.. 0.5 a b c 0. de normalisation des échelles ISAE Décision Multi critères 3..))) plutôt qu’une importance • véhicule l’idée de compensations possibles entre critères (ab) ∼ (a − δ..) : pb. b + γ) : le gain de γ compense la perde de 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. wi > 0 Interprétation des poids wi ? un point délicat : • les poids wi représentent des taux de substitution entre critères (w1 = bw2 signifie (0. et meilleures que l’alternative équilibrée c. .. A GRÉGATION MULTI CRITÈRE . wi g1 g2 0. ..5 20 5 12 5 20 12 Les deux alternatives extrêmes a et b sont considérées équivalentes.. ISAE Décision Multi critères 3.

elle est adaptée aux critères ordinaux comme aux critères cardinaux. A GRÉGATION MULTI CRITÈRE . mais le jeu 0.501 a 20 b c 5 12 5 20 12 Le jeu de poids 0. 0.501 entraîne b ≻ a. Contrairement aux agrégations additives. A GRÉGATION MULTI CRITÈRE 49 3.499 0.501.499 entraîne a ≻ b. ISAE Décision Multi critères 3. wi g1 g2 0.48 Somme pondérée : critique 3) • Une faible variation des poids peut entraîner de grandes conséquences sur la préférence globale.499. Utilisé plutôt en décision coopérative (ex: des allocations monétaires aux agents) :maximiser la satisfaction de l’agent le moins satisfait ISAE Décision Multi critères 3.3 La fonction min h(a) = min ui (ai ) i On cherche à maximiser le critère le moins satisfait. 0.

L’idée est donc d’ôter les paires d’utilités minimum égales avant de prendre le min. 3 : 4. jusqu’à ce qu’ils soient différents. 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. 3. 2 et 2. 4. 2 : 2. 2 → 4. 3. Exemple : 4. 4 ∼ 2. ISAE Décision Multi critères 3. 3. A GRÉGATION MULTI CRITÈRE . 2. 4 ∼ 2. 2 . 2. 4. 3 Le principe d’efficacité n’est pas respecté non plus : 2.50 Séparabilité L’opérateur min ne distingue pas entre les profils dont les minimaux sont égaux. 3 ISAE Décision Multi critères 3. 2 sont indistingués. Ici : 4. 4 ≻ 5. 2 : 4. 3 mais 2. 2 → 4. 2. 2. 2. Le min ne satisfait pas le principe de séparabilité: 5.

A GRÉGATION MULTI CRITÈRE . 2. car 2. A GRÉGATION MULTI CRITÈRE 53 3. 4 4. 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 ⇐⇒ 1. oppositions) ISAE Décision Multi critères 3. 3. puis ordre lexicographique (inverse) Exemples : 1. 2. 2. 3.5 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. 2 ≻leximin 9. 2. 2. 2. 3. car 1. 3. 3. 4 précède 2. 1. 2. 3 . 2. 4 =leximin 4.52 Le leximin (2) Ordre leximin = tris non décroissant des vecteurs. 2 . 2.

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

q. µ({ham. ∈ A) / µ({arc} ∪ A) = 0.w3 + u(a1 ) (u(a2 ) − u(a1 ))) (u(a3 ) − u(a2 )) u(a2 ).) Sur l’exemple: µ({ten.3.}) = 0. . ten.}) = 0.35 alors que µ({sauna.w1 (w3 + w2 + w1 ) (w3 + w2 ) (w3 ) ISAE Décision Multi critères 3. (non restrictive) : u(a3 ) ≥ u(a2 ) ≥ u(a1 )) h(a) = h(a) = + + u(a3 ).}) = 0.56 Mesure floue (cont. A GRÉGATION MULTI CRITÈRE .q. . ham. µ({sauna. 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.3 (A t.1 + µ(A) µ({sauna.w2 . µ({sauna}) = 0. + u(a1 ). ham.6 + µ(A) (A t.25 Donc.}) = 0. arc}) = 0.} ∪ A) = 0.25.1.6. µ({arc}) = 0. hyp. arc ∈ A) / ISAE Décision Multi critères 3. et ce bien que "arc" soit un critère bien moins prioritaire que "hammam" µ({ten.

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

ten. arc}) = µ({arc. arc}) = µ({ham. ten. sauna} + (1 − 0) × µ({arc. sauna. sauna.. arc}) = µ({ham.}) = 0. arc}) = µ({arc... En fait. sauna}) = 0.7 = 0 × µ({ham. en passant par les moyennes pondérées et la médiane. ten...9 + (1 − 0) × µ({ham... ten. sauna}) + (1 − 0) × µ({ham. sauna. ten.85 = 0 × µ({ham. ten.) Le min est une intégrale de Choquet particulière Exercice 10 Le montrer Plus généralement.60 L’intégrale de Choquet (cont. les intégrales de Choquet recouvrent toute une gamme de compromis entre le min et le max. A GRÉGATION MULTI CRITÈRE 61 L’intégrale de Choquet (cont. ten. ISAE Décision Multi critères 3. on peut montrer que les moyennes pondérées ordonnées sont des intégrales de Choquet particulières.}) + (1 − 0) × µ({arc.. A GRÉGATION MULTI CRITÈRE . ten. ten. ten..... sauna.. ten. ten.}) ISAE Décision Multi critères 3.95 = 0 × µ({ham. sauna}) = 0.}) = 0..) Avec λ1 = non (u(non) = 0) et λ2 = oui (u(oui) = 1) Cµ (Cat ) Cµ (Cht ) Cµ (Cats ) Cµ (Chts ) = 0 × µ({ham.

mais simplement l’espace des vecteurs d’attributs A = A1 × · · · × An . traditionnel. Puis l’utiliser en situation de décision. Keeney and H. ISAE Décision Multi critères 3. Le problème: Essayer. Le rôle d’une méthode d’aide à la décision est de révéler cette relation. A GRÉGATION MULTI CRITÈRE . Ref: R. L.62 3.6 Utilisation des approches agregatives – théorie de l’utilité multi attribut On ne connait pas au départ les critères du décideur. 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"). appelé aussi modèle dit de « l’école américaine ». A GRÉGATION MULTI CRITÈRE 63 L’utilité multiattribut C’est LE modèle standard. ISAE Décision Multi critères 3. Le décideur ne peut pas exprimer toute sa relation de préférence sur A. 1976: Decisions with Multiple Objectives: Preferences and Value Tradeoffs. Raiffa. Hypothèse fondamentale : La relation de préférence globale g est un préordre total. donc il existe un critère global u : A → R. («fonction d’utilité globale») avec a b ⇐⇒ u(a) ≥ u(b) Cette relation est pré-existante mais cachée.

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

1. 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. Exercice 12 Imaginez un exemple réaliste d’une situation de décision multicritère pour laquelle la propriété de séparabilité des critères n’est pas vérifiée. (2) les préférences globales du décideur sur les alternatives. imaginez une fonction d’utilité globale.. Donnez pour votre exemple (1) le tableau alternatives / critères habituel. Sur votre exemple.. agrégeant les critères. 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... ISAE Décision Multi critères 3. A GRÉGATION MULTI CRITÈRE .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 . 2.

et ainsi de suite. c’est que ces alternatives sont indiscernables au regard du premier critère. Questions : 1) exprimer formellement la relation de préférence globale. Méthodes de surclassement ISAE Décision Multi critères 4. . alors on ne tient pas compte des autres. Sinon. Soit deux alternatives a et b. 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. A GRÉGATION MULTI CRITÈRE 69 4. ISAE Décision Multi critères 3. Élaborer un critère cardinal global représentant la relation de préférence globale. représentant leur importance.. On cherche alors à trancher entre celles-ci à l’aide du second critère. M ÉTHODES DE SURCLASSEMENT ..68 Exercice 13 (préférence globale lexicographique) On se donne un ordre total (un classement sans ex-aequos) sur les critères.

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

optimiser sur deux critères = • 1. M ÉTHODES DE SURCLASSEMENT . sans qu’il y ait de raison importante de refuser cette affirmation. etc. M ÉTHODES DE SURCLASSEMENT 73 Méthodes de surclassement (outranking) Une méthode de surclassement cherche à établir et explorer une relation de surclassement.4. : On recommence : Demander à l’utilisateur de combien il peut en rabattre sur C2 et optimiser sur C1. 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. 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. Par exemple. Optimiser sur le premier.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. aSb ⇐⇒def il existe suffisamment d’arguments pour admettre que a est au moins aussi bonne que b. ISAE Décision Multi critères 4....

bn ≥0 En général cela donne une relation de préférence globale qui n’est pas un préordre complet. Pour chaque critère i. M ÉTHODES DE SURCLASSEMENT . ISAE Décision Multi critères 4. .) Phase 1 → n indices φi (ai . M ÉTHODES DE SURCLASSEMENT 75 Construction d’une relation de surclassement (cont. b1 .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. b). . . 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 . φn an .74 4. une fonction φi : R × R → R. donc pouvant être difficile à exploiter. . bi ) ISAE Décision Multi critères 4. établit le degré de surclassement de a sur b: → On obtient n indices φi (ai .

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

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

bi > ai + vi . 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. b) est un réel entre 0 et 1 . d(a. M ÉTHODES DE SURCLASSEMENT . b) = 1 si ∃i. b) le nombre c(a. b) = i:ai +βi ≥bi pi Le nombre c(a. il résume « la force des arguments qui ne s’opposent pas à aSb ». b) = 0 sinon d(a. 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. par une sorte de vote pondéré. 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) ≥ µ et d(a. 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 .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. Logiciels associés → bureau d’étude. ISAE Décision Multi critères 4. b) = 1 Exercice 15 Exprimer la relation de surclassement de la méthode ELECTRE I dans le modèle général des relations de surclassement. voire d’autres poids (analyse de sensibilité). M ÉTHODES DE SURCLASSEMENT 83 ELECTRE Is : définition du Noyau et + Tout graphe sans circuit admet un noyau unique. afin de conforter les opinions.

M ÉTHODES DE SURCLASSEMENT 85 Exercices Exercice 16 Soit la propriété de monotonie suivante : ∀a. M ÉTHODES 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. 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 4.84 Autres méthodes ELECTRE • ELECTRE-1.

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 . motivation : 0. Chaque test est noté sur une échelle de 0 à 20.3) et le critère de culture générale secondaire (poids relatif 0. le critère de motivation deux fois moins important (poids relatif 0. culture générale : 0.86 Exercice 17 Un cabinet de recrutement fait subir 3 tests aux 6 candidats à un poste. M ÉTHODES DE SURCLASSEMENT .6. 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. b) = Σj:aj +qj ≥bj pj et ISAE Décision Multi critères 4. • Etablir la matrice de concordance (pour chacun des critères. on prend un seuil d’indifférence egal à 3) et la matrice de véto (seuil de véto égal à 9). On rappelle que c(a.1).1. la culture générale (critère g2 ) et la motivation (critère g3 ).6). ISAE Décision Multi critères 4. Ces tests concernent les points de vue suivants: l’évaluation des compétences (critère g1 ).

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

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. non-séparabilité). commensurabilité donc compensations possibles entre points de vue. séparabilité des critères. C ONCLUSION : L’ OPTIMISATION MULTICRITÈRE EN PRATIQUE 91 Le modèle additif ou non ? Le modèle additif fait des hypothèses fortes : 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 5.90 L’optimisation multicritère en pratique Problématiques essentielles: • Quelles sont les propriétés souhaitables/intéressantes de la relation de préférence globale ? → monotonie. l’ordinalité des évaluations ISAE Décision Multi critères 5. la non commensurabilité. séparabilité. C ONCLUSION : L’ OPTIMISATION MULTICRITÈRE EN PRATIQUE . complétude. transitivité.

ni transitive. 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.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. 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. il faut comparer un nombre exponentiel de paires → Mais on peut toutefois garder l’aspect interactif (ex: STEM) ISAE Décision Multi critères 5. ni même qu’elle pré-existe.

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

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

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

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

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

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

la relation de surclassement est la relation de dominance forte aux seuils d’indiff´rence e pr`s.1 0... 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.7 v v 0. i. e e 7 . {A} dans le second. bien qu’il ne soit pas ´quilibr´ (sa culture ee e e e e g´n´rale est catastrophique). E surclasse e e C . (C. Comme les φi sont croissante dans leur premier argument.Matrice de concordance : A B C D E F A 1 0. A).3 v v 0.. .. F ). D se d´tache tr`s nettement. .8) 3 . D).9 1 0.4 0.1 C 0. A). le consensus devient vraiment mou .1 0.4 1 – Avec µ = 1.9 D 0..4 1 4 . E et F ..6 E 0. pour tous les i = j.2 (suivi ee ee de A : 15. (D.Matrice de discordance : veto sur (C.3) 16 12 6 20 12 18 1 . on obtient ψ(a. F ).9 E 0. v) = 0∀v. A).5.. (D. Noyau {A.6) 16 10 18 18 16 6 crit`res g2 (0.6 F 0. 0) ≥ ψ(0.Quelles exigences sur les ψ et φi peuvent traduire cette hypoth`se ? e Soit la propri´t´ de monotonie suivante : ee ∀a... (C.3 0.4 0... bi ) = φi (ai .9 1 0.Alternative optimale pour la moyenne pond´r´e : D. . A se detache avec l’approche par surclassement : cette approche limite e e les effets de compensation et degage des candidats plus ´quilibr´s.9 0. 0) = 0 et que ψ est croissante avec ses arguments.7 0. φi (ai .6 1 0. qui a une note globale pond´r´e de 17.6 0..4 0... et que ψ est croissante ψ(φj (aj . φi croissantes sur le premier argument et d´croissante sur le second ( e φi (u. ai ) = 0. B. bj ) = 0. b) ≥ 0 donc a b 17 Electre I candidats A B C D E F g1 (0.7 1 1 1 0.9 1 0.. C). sauf E qui est domin´ par A e 2 .6 0. – avec la somme pond´r´e. Le noyau est {A. e ıt Sur ψ.1 1 0. bj ) ≥ φj (bj . B). que φi (ai . 0.7 1 0.7 0.7 1 0. D). bj ). 0). 0 sur les autres et non discordance 5. – On recommande A. donc des 1 sur ces cases.7 1 0. φj (aj .7. Dans ce cas en effet.7 B 0.9 1 0. D} – On obtient des relations plus riches pour µ = 0.. Comme φj (aj .9 0. . (D.9 F v 0.7 0.4 0. C’est une relation tr`s pauvre (peu de couples la satisfont) : A surclasse C.9 v D 1 0. bi ) = 0 pour tout i = j.6 1 v v 0. bj ) ≥ 0.4 0. D} dans le premier cas. (F. en dessous de 0. qui est dans tous les noyaux lorsque l’on fait varier le seuil µ (en dessous de 0.7 1 1 B 0. µ n’a pas de sens). et ce pour tout i ). Puisque psi(0.1) e 14 18 12 4 10 14 g3 (0. on suppose ψ(0..7. 0) = 0. (F.4 0.4 0.7 C v 0.Matrice de concordance : et non discordance A B C D E F A 1 0.9 et µ = 0..Alternatives pareto optimales : toutes.9 0.(F. v) croit quand u croit et d´croˆ quand v croit.

le support technique ( g2 ). 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. les experts considèrent que le cout est un critère primordial. Donner le classement obtenu sur les propositions en utilisant la règle du min 3. Le service informatique de l'entreprise a évalué les 5 propositions sur une echelle commune de 0 à 20. le cas échéant.SID 3 ième Année . déterminer la relation de surclassement pour un niveau de concordance mu = 0.8 E 0.8 1 0.4 p2 = 0.2 0.Examen de Décembre 2008 Décision Multi critères (H.1 q3 = 0.6 0. Trois critères sont dénis : le coût ( g1 ). Identier quelle serait un bon choix de proposition à partir des réponses aux question 2. la performance (g3 ). 8.6 B 0. 5. 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. la abilité et le support sont des critères non négligeables.8 0.8 D D 0.4 q2 = 0.6 C 1 0 0 1 0 1 0. L'un des expert fait remarquer que le support doit avoir moins d'importance sur les matériels ables. en reprenant le jeu de poids précédent.6 1 E 0 0 0 1 0 7. 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.4 0. En première analyse.6 0.8 0.2 p3 = 0.8 0. 3.2 p4 = 0.4 0.7 Dessiner le graphe de la relation de surclassement en donner un noyau. 4 et 7. 9. Fargier) Une entreprise désire renouveller son parc informatique.2 q4 = 0. A partir de la matrice de concordance et de la matrice de veto précédentes. 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 0.3 Donner la valeur de l'intégrale de Choquet pour les alternatives A et D. la abilité (g4 ).2 B 0 0 0 1 0 C 0. Chaque solution est elle Pareto optimale ? Doit-on. que la performance. Donner le classement obtenu sur les propositions en utilisant la règle du leximin 4. Quel serait votre choix nal ? 1 . Ce qui se traduit par la distribution de poids suivante : p1 = 0.SupAéro .2 Donner le classement obtenu sur les propositions en utilisant la règle de la somme pondérée. On explore maintenant les propositions à l'aide le la méthode Electre. 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.

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 .2 p3 = 0. A (16. 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) > C (13. d) = 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. Le service informatique de l'entreprise a évalué les 5 propositions sur une echelle commune de 0 à 20.6 0. En première analyse.2 0.2(g4) = 1 c(d.8 0. la performance (g3 ).4(g1) + 0. que la performance.4 0. la abilité et le support sont des critères non négligeables.4 0. la ligne manquante est donc 1 1 0 0 0 1 .8 0.2(g3) + 0. Ce qui se traduit par la distribution de poids suivante : p1 = 0.6 0.8) > E (12. On explore maintenant les propositions à l'aide le la méthode Electre. le cas échéant. mais pas pour le problème de classication 2.2 p4 = 0. les experts considèrent que le cout est un critère primordial.6 C 0.2(g4) = 0.Examen de Décembre 2008 Décision Multi critères (H.8 1 0. Donner le classement obtenu sur les propositions en utilisant la règle du leximin A>B>E>C>D 4.2(g2) + 0. Fargier) Une entreprise désire renouveller son parc informatique. en reprenant le jeu de poids précédent. la abilité (g4 ).2 1 0.SID 3 ième Année . a) = 0. Elle doit évaler 5 proposition faites par des équipementiers.4 p2 = 0.6 1 0. Trois critères sont dénis : le coût ( g1 ). 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.8 0.4(g1) + 0.4) > D (14.8 0.2(g3) + 0.SupAéro . le support technique ( g2 ). Chaque solution est elle Pareto optimale ? Doit-on. Compléter les matrices de concordance et de veto suivantes : A B C D E A 1 1 1 1 B 0. Donner le classement obtenu sur les propositions en utilisant la règle du min A (16) > B (10) = E (10) > C (6) > D (4) 3.2 Donner le classement obtenu sur les propositions en utilisant la règle de la somme pondérée.8)> B (12) 5.6 1 c(a.8 D E 0. E et B ne sont pas pareto optimales (elle sont dominées strictement par A) On peut les ecarter pour le problème de sélection.

8. L'un des expert fait remarquer que le support doit avoir moins d'importance sur les matériels ables.B≥B C ≥ C. Identier quelle serait les deux meilleures propositions à partir des réponses aux questions 2.2 q1 = 0.4 0.4) + 18 ∗ 0.2 p4 = 0.5 − 0. C.5) + 18 ⊗ (0.8 E 0.8 0. g4}) − µ({g1. peut très bien être pris en second choix. voir la question 1).7 Dessiner le graphe de la relation de surclassement en donner un noyau. mais si l'on accepte que D n'a de très mauvaise performances que sur un critère peu important. E D ≥ D. electre) ne peuvent pas être utilisées ici car on est in présence de critères dépendants.3 = 16. E.2 q4 = 0. justiez votre réponse. 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. et que le veto joue contre B > D comme il joue contre D > B. on peut hésiter entre B et D : un décideur prudent choisirait B. g4}) − µ({g3. g3.6 B 0. Les autres méthodes (moyenne.7. 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. g3. Justier votre réponse.8 1 0. g3. sont les deux meilleures alternatives au sens de l'intégrale de Choquet.2 C veto 0. g4})) + 16 ⊗ (µ({g1. qui est bien équilibré (et qui bien que pareto dominé. C.8 veto 1 Avec un seuil de concordance egal à 0.8 Donner la valeur de l'intégrale de Choquet pour l'alternative D.6 1 veto 0. C A partir de la matrice de concordance et de la matrice de veto précédentes.9 − 0. Ch(D) = 4 ⊗ (µ({g1.3) + 20 ⊗ 0. g4})) + 18 ⊗ (µ({g3. déterminer la relation de surclassement pour un niveau de concordance mu = 0.1 q3 = 0.2 p3 = 0.4 = 16. E E ≥ B. A est de loin le meilleur. 2 .3 La valeur de l'intégrale de Choquet pour A est alors Ch(A) == 16 × (µ({g1. B. g2. D. 4 et 7. g3. A et D. 9. 3. En second choix. g2. A est un noyau évident.4 p2 = 0. g4}) − µ({g4})) + 20 ⊗ µ({g4}) = 4 ⊗ (1 − 0. on peut également défendre le choix D qui a une excellente evaluation sur tous les critère sauf un critère mineur. g4})) + 18 × µ({g2.4 Identier à nouveau quelle seraient les deux meilleures propositions . On fusionne la matrice de concordance et la matrice de veto : A B C D E A 1 1 1 1 1 1 0.9) + 16 ⊗ (0. g4}) − µ({g2.8 D veto veto 0.4 veto 0.4 q2 = 0. g4}) = 16 ∗ (1 − 0. Pour toutes les méthodes. E 7.

Sign up to vote on this title
UsefulNot useful