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

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.cont • définir l’ensemble des alternatives possibles (les objets sur lesquels portent la décision : candidats. I NTRODUCTION . plans).10 Démarche générale en décision/optimisation multicritère . calculs) ISAE Décision Multi critères 1. 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. ordonnancements. les traduire en critères (de manière ordinale ou cardinale) • synthétiser une structure de préférence globale sur les alt.

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. I NTRODUCTION 13 Exercice 1 alternatives Citroen Peugeot Renault prix (×1000 ∈) critères consommation puissance (kW) type 22 7.1 55 essence 20 7.0 65 gpl 21 7. diesel. I NTRODUCTION .2 58 gpl Ford 16 7.12 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 1.8 55 diesel Avec gpl > essence. minimiser prix et consommation. ISAE Décision Multi critères 1.

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

indifférence et incomparabilité définit 3 relations exclusives sur A : la préférence stricte. 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. l’indifférence. 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 . n.P RINCIPES BE BASE 17 Préférence stricte. ISAE Décision Multi critères 2. cad de préférences locales i . On représente les préférences par une relation signifiant que a est préféré au sens large à b.16 Le modèle relationnel Ce modèle décrit explicitement toutes les comparaisons deux à deux entre alternatives.

e.e.1 litre aux 100.18 Transitivité Définition [(Quasi) Transitivité] Une relation R est transitive ⇐⇒def aRb et bRc implique aRc. ISAE Décision Multi critères 2. • 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. 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. b ⇐⇒ g(a) + q ≥ g(b) avec q > 0 a ≻ b ⇐⇒ g(a) > g(b) + q. le critère consommation ne fait une différence qu’à plus de 0. a ≻ b quand g(b) − q > g(a)) Ex: pour l’achat voiture.P RINCIPES BE BASE .P RINCIPES BE BASE 19 Critères à seuil ou "quasi critères" Un quasi critère se défini partir d’un attribut g numérique A maximiser : a i.

1) La relation de préférence stricte obtenue par un critère à seuil est toujours transitive.1 ≤ 0. 2}| > |{3}| : a ≻M aj b. ISAE Décision Multi critères 2.) La relation d’indifférence n’est pas transitive en général Peugeot (7 l) ∼conso Citroen (7. mais |{2. 3}| > |{1}| : c ≻M aj a ISAE Décision Multi critères 2.1 l) car 7.1 l) ∼conso Renault (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.2 − 7.2 − 7. b i a}| Votant 1: Exemple: Votant 2: Votant 3: |{1.1 − 7 ≤ 0.0 > 0. 3}| > |{2}| : b ≻M aj c.20 Quasi critères (cont.P RINCIPES BE BASE .1 Citroen (7. a a ≻1 b ≻1 c c ≻2 a ≻2 b b ≻3 c ≻3 a i b}| ≥ |{i.2 l ) car 7. |{1.1 Mais Peugeot ≻conso Renault (car 7.

a b Ford 16 7.1 55 essence 20 7.22 Complétude Définition [relation complète)] Une relation ⇐⇒def a b ou b a pour tout a et b.0 65 gpl Renault 21 7. ISAE Décision Multi critères 2.2 58 gpl Peugeot ≻U na Citroen.8 55 diesel U na i Citroen Peugeot prix (×1000 ∈) critères consommation puissance (kW) type 22 7. Peugeot ≻U na Renault.P RINCIPES BE BASE 23 La règle d’unanimité Une règle de décision a minima : a b ⇐⇒ ∀i. 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. est complète ⇐⇒ ≍ est vide.P RINCIPES BE BASE . Citroen et Renault le sont aussi. Ford et Peugeot sont incomparables.

24 Le modèle ordinal : le préordre complet Définition [préordre] Un préordre est une relation binaire réflexive et transitive.) Un préordre défini donc un ordre sur les classes d’équivalence des ex-æquo possibles. ∼ est une relation d’équivalence (réflexive. symétrique. Un préordre complet définit un ordre total sur les classes d’équivalence (on peut ranger). transitive) et ≻ une relation d’ordre (antisymétrique. Modèle ordinal ←→ préordre complet sur les alternatives Un critère ordinal peut être représenté par une fonction g:A→ N ISAE Décision Multi critères 2. Exercice 2 Montrer que la relation de préférence à l’unanimité est un préordre (partiel) Exercice 3 Montrer que si est un préordre.P RINCIPES BE BASE .P RINCIPES BE BASE 25 Le modèle ordinal : le préordre complet (cont. transitive) 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 . ISAE Décision Multi critères 2. On suppose une information riche.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). surclassement – modèles acceptant l’intransitivité: quasicritères. le modèle cardinal permet d’exploiter des «différences d’intensités» entre préférences. Un critère cardinal induit une relation de préférence ordinale: a b ⇐⇒ g(a) ≥ g(b) (si maximisation) Exercice 4 Le prouver. décision à la majorité • le modèle ordinal = modèle relationnel + complétude + transitivité • le modèle cardinal = information ordinale + intensités cardinales ISAE Décision Multi critères 2.

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

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

Une alternative Pareto-optimale ne peut être améliorée au regard d’un critère sans la détériorer pour un autre. Définition [Pareto-optimalité] Une alternative a est dite Pareto-optimale si elle n’est dominée par aucune autre. Sélection: rechercher uniquement des Pareto optimales ISAE Décision Multi critères 2.2 Quelques principes de base pour une règle de décision Le principe d’universalité: pour toute paire a. b ∈ A. Le principe d’unanimité: si a est au moins aussi bon que b sur tous les critères. si a domine b alors a ≻g b.P RINCIPES BE BASE .P RINCIPES BE BASE 33 Pareto-optimalité et efficacité Définition [dominance (forte)] a domine b ⇐⇒def ∀i.32 2. on doit pouvoir décider si a g b ou non. a >i b Définition [Principe d’efficacité] : g satisfait le principe d’efficacité si et seulement si. ai ≥ bi et ∃i. alors il faut que a ≻g b 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 . 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).34 2. Informellement. quel que soit I ⊆ X. b. on doit pouvoir décider si a g b ou non. ti = yi sinon. la préférence globale entre deux alternatives ne dépend pas des critères qui ne les départagent pas. c.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. ISAE Décision Multi critères 2. d ∈ Rn : aIc g bIc ⇐⇒ aId g bId où xIy désigne le profil t tel que ti = xi si i ∈ I. Le principe d’unanimité: si a est au moins aussi bon que b sur tous les critères. b ∈ A. ISAE Décision Multi critères 2. 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.2 Quelques principes de base pour une règle de décision Le principe d’universalité: pour toute paire a. quels que soient a.

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

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

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 .40 3. A GRÉGATION MULTI CRITÈRE 41 3.1 Introduction Types d’approches • Agréger puis comparer: calculer une note globale pour chaque alternative. Agrégation multi critère ISAE Décision Multi critères 3.

. . . . . Le principe d’unanimité exige que f soit monotone croissante. . . an ) ≥ f (b1 . . . 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 . 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. . bn ) La relation de préférence globale est forcément un préordre total. . A GRÉGATION MULTI CRITÈRE .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. . an ). Selon les fonctions d’agrégation. Le principe d’efficacité exige que f soit monotone strictement croissante.

ai . g . Inversement. A GRÉGATION MULTI CRITÈRE .t. ISAE Décision Multi critères 3. Exercice 9 Le démontrer Théorème (Debreu 1960) Si A est connexe. 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 . λi > 0 Exercice 8 Montrer que le maximum d’une fonction d’agrégation additive correspond à des alternatives Pareto-optimales. alors il existe une fonction d’agrégation additive représentant la relation g . si g n’est pas séparable. A GRÉGATION MULTI CRITÈRE 45 Séparabilité = cohérence des décisions toutes choses égales par ailleurs.2 Fonctions d’agrégation additives n h(a) = i=1 ui (ai ) avec ui monotones strictement croissantes (ui : fcts. ISAE Décision Multi critères 3.44 3. Propriété Les fonctions d’agrégation additives satisfont le principe de séparabilité.r. ai h(a) = i λi . séparable et ordonné w.

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

501. Contrairement aux agrégations additives. 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. elle est adaptée aux critères ordinaux comme aux critères cardinaux.501 a 20 b c 5 12 5 20 12 Le jeu de poids 0. 0. ISAE Décision Multi critères 3. A GRÉGATION MULTI CRITÈRE 49 3.48 Somme pondérée : critique 3) • Une faible variation des poids peut entraîner de grandes conséquences sur la préférence globale.3 La fonction min h(a) = min ui (ai ) i On cherche à maximiser le critère le moins satisfait.499 entraîne a ≻ b.501 entraîne b ≻ a.499. 0. wi g1 g2 0. A GRÉGATION MULTI CRITÈRE .499 0. mais le jeu 0.

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

A GRÉGATION MULTI CRITÈRE .52 Le leximin (2) Ordre leximin = tris non décroissant des vecteurs. car 1. 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. 3. 1. 2 . 4 ⇐⇒ 1. 2 ≻leximin 9. 2. 2. 4 4. puis ordre lexicographique (inverse) Exemples : 1. 2. 2.5 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. car 2. 3 . 4 précède 2. 2. A GRÉGATION MULTI CRITÈRE 53 3. 2. 2. 2. 2. 3. 3. oppositions) ISAE Décision Multi critères 3. 3. 4 =leximin 4. 3.

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

hyp.}) = 0. arc ∈ A) / ISAE Décision Multi critères 3. + u(a1 ). ham. ham.}) = 0.}) = 0.6 + µ(A) (A t. .1 + µ(A) µ({sauna.3. µ({arc}) = 0.) Sur l’exemple: µ({ten.3 (A t. .}) = 0.w1 (w3 + w2 + w1 ) (w3 + w2 ) (w3 ) ISAE Décision Multi critères 3. µ({sauna}) = 0.1.w2 . ten.25 Donc. 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. µ({ham. et ce bien que "arc" soit un critère bien moins prioritaire que "hammam" µ({ten. A GRÉGATION MULTI CRITÈRE .w3 + u(a1 ) (u(a2 ) − u(a1 ))) (u(a3 ) − u(a2 )) u(a2 ).} ∪ A) = 0. ∈ A) / µ({arc} ∪ A) = 0.q.56 Mesure floue (cont. arc}) = 0. (non restrictive) : u(a3 ) ≥ u(a2 ) ≥ u(a1 )) h(a) = h(a) = + + u(a3 ).6.25.q.35 alors que µ({sauna. µ({sauna.

1 (λj − λj−1 ) .. m. .1 (λj − λj−1 ) . . . µ(Aλi ) Pour retrouver les moyenne pondérées. croissant. an ))µ = j=m. . • Au niveau de satisfaction de plus bas (λ1 ) : soutien de A1 = S . A GRÉGATION MULTI CRITÈRE 59 L’intégrale de Choquet Scruter la décision par niveau de satisfaction λi .m (λi − λi−1 ) ..force µ(S) = 1 • Pour chaque increment d’utilité λi − λi−1 . an ))µ = λ1 . . . µ(Aλj ) Avec L = λm > · · · > λ1 et Aλj = {i. A GRÉGATION MULTI CRITÈRE . soutien : Aλi = {j. . poser µ(A) = Σj∈A µ({j}) ISAE Décision Multi critères 3. µ(A1 ) + Σi=2... u(ai ) ≥ λj } Pour une capacité quelconque µ Maximiser Ch((a1 . Utilité pondérée pour l’increment λi − λi−1 : (λi − λi−1 ) · µ(Aλi ) A sommer sur tous les increments de satisfaction: Ch((a1 . . µ(Aλj ) ISAE Décision Multi critères 3. u(aj ) ≥ λi }. i = 2.58 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.

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

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

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

A GRÉGATION MULTI CRITÈRE . Exercice 12 Imaginez un exemple réaliste d’une situation de décision multicritère pour laquelle la propriété de séparabilité des critères n’est pas vérifiée. Sur votre exemple. Quelle conséquence majeure cela a-t-il sur l’expression de relation de préférence globale du décideur ? 3. et montrez pourquoi la propriété n’est pas vérifiée. Donnez pour votre exemple (1) le tableau alternatives / critères habituel. agrégeant les critères... imaginez une fonction d’utilité globale. A GRÉGATION MULTI CRITÈRE 67 Exercice 11 Montrer que l’ordre leximin est un préordre complet et respecte le principe d’efficacité. capable d’exprimer les préférences globales. 1.66 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. (2) les préférences globales du décideur sur les alternatives.) ISAE Décision Multi critères 3... ISAE Décision Multi critères 3.

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

ni même qu’elle pré-existe.1 Introduction L’approche par fonctions d’agrégation “procède par réduction d’une logique multicritère au cas monocritère.70 4. M ÉTHODES DE SURCLASSEMENT . Recherche d’un compromis entre • la relation de dominance au sens de Pareto. 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. M ÉTHODES DE SURCLASSEMENT 71 Résumé de la démarche Contrairement au modèle traditionnel. ISAE Décision Multi critères 4. c’est du monocritère). jugée trop pauvre. ni transitive. 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.

etc. 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. puis sur le second (ex: maximiser h(a) = γg1 (a) + g2(a) avec γ grand) • 2. : On recommence : Demander à l’utilisateur de combien il peut en rabattre sur C2 et optimiser sur C1. aSb ⇐⇒def il existe suffisamment d’arguments pour admettre que a est au moins aussi bonne que b.. ISAE Décision Multi critères 4. optimiser sur deux critères = • 1. Deux étapes : • la construction de la relation de surclassement (pas forcement transitive ni quasi transitive) • son exploitation: en extraire un "noyau" de bonnes alternatives ISAE Décision Multi critères 4.72 Exemple: la méthode interactive "STEM" Aider l’utilisateur à se déplacer dans l’espace des alternatives.. Par exemple.4. M ÉTHODES DE SURCLASSEMENT 73 Méthodes de surclassement (outranking) Une méthode de surclassement cherche à établir et explorer une relation de surclassement.. sans qu’il y ait de raison importante de refuser cette affirmation. Optimiser sur le premier.5. M ÉTHODES DE SURCLASSEMENT .

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

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

1 ou plusieurs noyaux. Ce problème n’admet pas d’algorithme d’approximation polynômial.4 Un exemple historique : la méthode ELECTRE I (Roy. M ÉTHODES DE SURCLASSEMENT 79 4.78 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). M ÉTHODES DE SURCLASSEMENT . Un graphe avec circuits admet 0. ISAE Décision Multi critères 4. ISAE Décision Multi critères 4. 1968). la plus ancienne mais bien représentative.

b) = 1 ⇐⇒ veto sur la préférence aSb car b est bien meilleur que a sur un critère au moins i ISAE Décision Multi critères 4.80 ELECTRE I : définition de la relation de surclassement • on attribue à chaque critère gi un seuil d’indifférence βi et un poids pi reflétant son importance (avec i pi = 1) • matrice de concordance : on calcule pour chaque paire d’alternatives (a. b) le nombre d(a. M ÉTHODES DE SURCLASSEMENT . il résume « la force des arguments qui ne s’opposent pas à aSb ». ISAE Décision Multi critères 4. 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 . b) = 0 sinon d(a. d(a. b) = 1 si ∃i. par une sorte de vote pondéré. b) = i:ai +βi ≥bi pi Le nombre c(a. bi > ai + vi . b) le nombre c(a.

ISAE Décision Multi critères 4. ISAE Décision Multi critères 4. Logiciels associés → bureau d’étude. b) ≥ µ et d(a. b) = 1 Exercice 15 Exprimer la relation de surclassement de la méthode ELECTRE I dans le modèle général des relations de surclassement.82 ELECTRE I : définition de la relation de surclassement Finalement: • on se fixe un seuil de concordance µ avec 0 < µ ≤ 1 • on définit aSµ b ⇐⇒def c(a. afin de conforter les opinions. 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. M ÉTHODES DE SURCLASSEMENT . 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.

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 85 Exercices Exercice 16 Soit la propriété de monotonie suivante : ∀a. M ÉTHODES DE SURCLASSEMENT .

1.3) et le critère de culture générale secondaire (poids relatif 0. culture générale : 0. M ÉTHODES DE SURCLASSEMENT .1). On rappelle que c(a. on prend un seuil d’indifférence egal à 3) et la matrice de véto (seuil de véto égal à 9). le critère de motivation deux fois moins important (poids relatif 0.3 . ISAE Décision Multi critères 4.6). 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 0.6. Ces tests concernent les points de vue suivants: l’évaluation des compétences (critère g1 ).86 Exercice 17 Un cabinet de recrutement fait subir 3 tests aux 6 candidats à un poste. • Etablir la matrice de concordance (pour chacun des critères. Chaque test est noté sur une échelle de 0 à 20. b) = Σj:aj +qj ≥bj pj et ISAE Décision Multi critères 4. 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. la culture générale (critère g2 ) et la motivation (critère g3 ). motivation : 0.

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

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

C ONCLUSION : L’ OPTIMISATION MULTICRITÈRE EN PRATIQUE . contraintes valuées • Critères dépendants: Choquet en programmation par contraintes (ça commence) • Méthodes de surclassement: plus dur. ni transitive. ISAE Décision Multi critères 5. 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. il faut comparer un nombre exponentiel de paires → Mais on peut toutefois garder l’aspect interactif (ex: STEM) ISAE Décision Multi critères 5.92 Approches constructives Approches constructives: "fonder progressivement une conviction plutôt que de révéler un optimum ou une préférence pré-existante” On ne présuppose pas qu’une relation de préférence sur les décisions soit totale. ni même qu’elle pré-existe.

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

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

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

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

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

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

donc des 1 sur ces cases. . (C. Puisque psi(0.6 E 0.4 0.7 0. (D. 0 sur les autres et non discordance 5. Dans ce cas en effet.1 1 0.4 0.4 0. e e 7 . 0) ≥ ψ(0.Matrice de discordance : veto sur (C. 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. et que ψ est croissante ψ(φj (aj . A).9 1 0. – On recommande A..7 v v 0. D} – On obtient des relations plus riches pour µ = 0. B. on obtient ψ(a.. en dessous de 0.3) 16 12 6 20 12 18 1 .7 1 0. bj ) = 0. (F.9 D 0.7.. F ). . i.... 0). 0. qui a une note globale pond´r´e de 17.7 0. le consensus devient vraiment mou . 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. Le noyau est {A.4 0.Alternative optimale pour la moyenne pond´r´e : D.5.1 0. bj ) ≥ φj (bj . bi ) = 0 pour tout i = j.7 1 1 1 0. .1 0. qui est dans tous les noyaux lorsque l’on fait varier le seuil µ (en dessous de 0.9 0.9 0.2 (suivi ee ee de A : 15. v) croit quand u croit et d´croˆ quand v croit.4 0. φi croissantes sur le premier argument et d´croissante sur le second ( e φi (u. Noyau {A.Alternatives pareto optimales : toutes.9 1 0.6 0.4 1 4 .6 F 0. (C.7 C v 0..1 C 0.7 1 0..4 1 – Avec µ = 1. E et F . sauf E qui est domin´ par A e 2 . A). φj (aj ... e ıt Sur ψ. (D.9 v D 1 0. B)..9 0.. ai ) = 0.9 et µ = 0. pour tous les i = j.4 0.6 1 v v 0. la relation de surclassement est la relation de dominance forte aux seuils d’indiff´rence e pr`s..9 F v 0. b) ≥ 0 donc a b 17 Electre I candidats A B C D E F g1 (0.(F.6) 16 10 18 18 16 6 crit`res g2 (0.7. D} dans le premier cas. v) = 0∀v.9 E 0. – avec la somme pond´r´e. F ). bj ) ≥ 0. (F.6 0.3 0.Matrice de concordance : A B C D E F A 1 0. Comme φj (aj . D se d´tache tr`s nettement.9 1 0.7 0. Comme les φi sont croissante dans leur premier argument. D). et ce pour tout i ).. E surclasse e e C . φi (ai .. bj ).. bi ) = φi (ai .3 v v 0. {A} dans le second. A). (D. que φi (ai .6 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 1 0. C).8) 3 .4 0. 0) = 0...1) e 14 18 12 4 10 14 g3 (0. µ n’a pas de sens).9 1 0. 0) = 0 et que ψ est croissante avec ses arguments. on suppose ψ(0.Matrice de concordance : et non discordance A B C D E F A 1 0. bien qu’il ne soit pas ´quilibr´ (sa culture ee e e e e g´n´rale est catastrophique).7 1 1 B 0.7 B 0. C’est une relation tr`s pauvre (peu de couples la satisfont) : A surclasse C. .

6 1 E 0 0 0 1 0 7.4 p2 = 0. Ce qui se traduit par la distribution de poids suivante : p1 = 0. Fargier) Une entreprise désire renouveller son parc informatique. 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 0.8 0. On explore maintenant les propositions à l'aide le la méthode Electre. 5.8 E 0.7 Dessiner le graphe de la relation de surclassement en donner un noyau. le cas échéant. 4 et 7.8 1 0.6 B 0. A partir de la matrice de concordance et de la matrice de veto précédentes. 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. en reprenant le jeu de poids précédent.2 0. Donner le classement obtenu sur les propositions en utilisant la règle du min 3. Donner le classement obtenu sur les propositions en utilisant la règle du leximin 4.8 0.8 D D 0.2 p3 = 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.2 B 0 0 0 1 0 C 0. Elle doit évaler 5 proposition faites par des équipementiers.6 0. déterminer la relation de surclassement pour un niveau de concordance mu = 0.4 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. 8. Le service informatique de l'entreprise a évalué les 5 propositions sur une echelle commune de 0 à 20. Quel serait votre choix nal ? 1 .3 Donner la valeur de l'intégrale de Choquet pour les alternatives A et D. la abilité et le support sont des critères non négligeables. 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. la abilité (g4 ).2 p4 = 0. le support technique ( g2 ).Examen de Décembre 2008 Décision Multi critères (H. les experts considèrent que le cout est un critère primordial.6 C 1 0 0 1 0 1 0. que la performance. 9. la performance (g3 ).SID 3 ième Année . Trois critères sont dénis : le coût ( g1 ).4 q2 = 0.1 q3 = 0.2 q4 = 0.2 Donner le classement obtenu sur les propositions en utilisant la règle de la somme pondérée.SupAéro .4 0. 3. Chaque solution est elle Pareto optimale ? Doit-on. Identier quelle serait un bon choix de proposition à partir des réponses aux question 2. En première analyse. L'un des expert fait remarquer que le support doit avoir moins d'importance sur les matériels ables.8 0.6 0.

2(g3) + 0. On explore maintenant les propositions à l'aide le la méthode Electre. Compléter les matrices de concordance et de veto suivantes : A B C D E A 1 1 1 1 B 0.8 0.2(g4) = 1 c(d. 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. la abilité et le support sont des critères non négligeables.6 0. a) = 0.2 p4 = 0.6 1 0. en reprenant le jeu de poids précédent. 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. que la performance. Ce qui se traduit par la distribution de poids suivante : p1 = 0.2 1 0. la ligne manquante est donc 1 1 0 0 0 1 . les experts considèrent que le cout est un critère primordial. Fargier) Une entreprise désire renouveller son parc informatique.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 . la performance (g3 ).8 D E 0. Donner le classement obtenu sur les propositions en utilisant la règle du leximin A>B>E>C>D 4. le cas échéant.8 0.4(g1) + 0. A (16.2(g3) + 0.4 0.2 Donner le classement obtenu sur les propositions en utilisant la règle de la somme pondérée.8 1 0.2 0. mais pas pour le problème de classication 2.8)> B (12) 5.4 p2 = 0. la abilité (g4 ). le support technique ( g2 ). Donner le classement obtenu sur les propositions en utilisant la règle du min A (16) > B (10) = E (10) > C (6) > D (4) 3. E et B ne sont pas pareto optimales (elle sont dominées strictement par A) On peut les ecarter pour le problème de sélection. Elle doit évaler 5 proposition faites par des équipementiers. d) = 0.6 0.8) > E (12. Chaque solution est elle Pareto optimale ? Doit-on.Examen de Décembre 2008 Décision Multi critères (H.4 0.2 p3 = 0. Le service informatique de l'entreprise a évalué les 5 propositions sur une echelle commune de 0 à 20. 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. En première analyse.6 C 0.2(g4) = 0.2(g2) + 0.6 1 c(a.8 0.4(g1) + 0.SID 3 ième Année .4) > D (14.SupAéro .

g4})) + 18 × µ({g2. et que le veto joue contre B > D comme il joue contre D > B. g4})) + 18 ⊗ (µ({g3. g4}) − µ({g2. peut très bien être pris en second choix.4 Identier à nouveau quelle seraient les deux meilleures propositions . C.4 q2 = 0. 2 .3) + 20 ⊗ 0.4 p2 = 0. E. Ch(D) = 4 ⊗ (µ({g1. g3. déterminer la relation de surclassement pour un niveau de concordance mu = 0. g4})) + 16 ⊗ (µ({g1.5) + 18 ⊗ (0.3 = 16. L'un des expert fait remarquer que le support doit avoir moins d'importance sur les matériels ables.8 D veto veto 0.2 p4 = 0. electre) ne peuvent pas être utilisées ici car on est in présence de critères dépendants. g3.2 q4 = 0.8 veto 1 Avec un seuil de concordance egal à 0.4 veto 0. 3. 9. mais si l'on accepte que D n'a de très mauvaise performances que sur un critère peu important. E D ≥ D. g4}) = 16 ∗ (1 − 0. E 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. En second choix. C A partir de la matrice de concordance et de la matrice de veto précédentes.2 q1 = 0. voir la question 1).9) + 16 ⊗ (0. Identier quelle serait les deux meilleures propositions à partir des réponses aux questions 2.B≥B C ≥ C.2 p3 = 0. qui est bien équilibré (et qui bien que pareto dominé.4 = 16. g4}) − µ({g4})) + 20 ⊗ µ({g4}) = 4 ⊗ (1 − 0.7. A est un noyau évident. g4}) − µ({g3.6 1 veto 0.5 − 0.7 Dessiner le graphe de la relation de surclassement en donner un noyau.2 C veto 0. Justier 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.4 0. 4 et 7. On fusionne la matrice de concordance et la matrice de veto : A B C D E A 1 1 1 1 1 1 0. sont les deux meilleures alternatives au sens de l'intégrale de Choquet. g2. Les autres méthodes (moyenne. A est de loin le meilleur.4) + 18 ∗ 0.8 0. justiez votre réponse. g3. g2.6 B 0. 8.8 1 0. E E ≥ B.9 − 0.3 La valeur de l'intégrale de Choquet pour A est alors Ch(A) == 16 × (µ({g1. on peut hésiter entre B et D : un décideur prudent choisirait B. g3.1 q3 = 0. g4}) − µ({g1. C. B. A et D. D. on peut également défendre le choix D qui a une excellente evaluation sur tous les critère sauf un critère mineur.8 Donner la valeur de l'intégrale de Choquet pour l'alternative D.8 E 0. Pour toutes les méthodes.

Sign up to vote on this title
UsefulNot useful