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. I NTRODUCTION 11 Problématiques d’aide à la décision MCDM Données: un ensemble d’alternatives.cont • définir l’ensemble des alternatives possibles (les objets sur lesquels portent la décision : candidats. calculs) ISAE Décision Multi critères 1.10 Démarche générale en décision/optimisation multicritère . plans). • exploiter cette structure de préférence globale pour décider (algorithmes. et leurs attributs • définir les différents points de vue sur lesquels on jugera les alternatives. I NTRODUCTION . les traduire en critères (de manière ordinale ou cardinale) • synthétiser une structure de préférence globale sur les alt. 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.

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 1.1 55 essence 20 7. ISAE Décision Multi critères 1.2 58 gpl Ford 16 7. I NTRODUCTION . maximiser performance Quelles sont les meilleures solutions ? Que dire si on ne tient compte que des critères prix et consommation ? Représenter les alternatives dans l’espace de ces deux critères. diesel. minimiser prix et consommation.0 65 gpl 21 7.8 55 diesel Avec gpl > essence. I NTRODUCTION 13 Exercice 1 alternatives Citroen Peugeot Renault prix (×1000 ∈) critères consommation puissance (kW) type 22 7.

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

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

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

1 l) ∼conso Renault (7.1 ≤ 0.2 − 7.1 − 7 ≤ 0. 3}| > |{2}| : b ≻M aj c. a a ≻1 b ≻1 c c ≻2 a ≻2 b b ≻3 c ≻3 a i b}| ≥ |{i. |{1.0 > 0.2 − 7. 2}| > |{3}| : a ≻M aj b.2 l ) car 7.1 Citroen (7. mais |{2.) La relation d’indifférence n’est pas transitive en général Peugeot (7 l) ∼conso Citroen (7.20 Quasi critères (cont. 3}| > |{1}| : c ≻M aj a ISAE Décision Multi critères 2.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.P RINCIPES BE BASE .1) La relation de préférence stricte obtenue par un critère à seuil est toujours transitive. b i a}| Votant 1: Exemple: Votant 2: Votant 3: |{1.1 Mais Peugeot ≻conso Renault (car 7.1 l) car 7. ISAE Décision Multi critères 2.

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 2.8 55 diesel U na i Citroen Peugeot prix (×1000 ∈) critères consommation puissance (kW) type 22 7. Citroen et Renault le sont aussi.P RINCIPES BE BASE . est complète ⇐⇒ ≍ est vide.2 58 gpl Peugeot ≻U na Citroen. Ford et Peugeot sont incomparables.22 Complétude Définition [relation complète)] Une relation ⇐⇒def a b ou b a pour tout a et b.P RINCIPES BE BASE 23 La règle d’unanimité Une règle de décision a minima : a b ⇐⇒ ∀i. ISAE Décision Multi critères 2.1 55 essence 20 7. a b Ford 16 7. Peugeot ≻U na Renault.0 65 gpl Renault 21 7.

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

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

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

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

Le principe d’unanimité: si a est au moins aussi bon que b sur tous les critères. Définition [Pareto-optimalité] Une alternative a est dite Pareto-optimale si elle n’est dominée par aucune autre.P RINCIPES BE BASE 33 Pareto-optimalité et efficacité Définition [dominance (forte)] a domine b ⇐⇒def ∀i. si a domine b alors a ≻g b. alors il faut que a ≻g b ISAE Décision Multi critères 2. a >i b Définition [Principe d’efficacité] : g satisfait le principe d’efficacité si et seulement si. 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). b ∈ A. Sélection: rechercher uniquement des Pareto optimales ISAE Décision Multi critères 2.P RINCIPES BE BASE .32 2.2 Quelques principes de base pour une règle de décision Le principe d’universalité: pour toute paire a. Une alternative Pareto-optimale ne peut être améliorée au regard d’un critère sans la détériorer pour un autre.

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

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

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

A GRÉGATION MULTI CRITÈRE . Agrégation multi critère ISAE Décision Multi critères 3. puis préférer celle qui obtient la meilleure (ce chapitre) • Comparaison par paires: établir la préférence entre deux alternatives en fonction des degrés de surclassement obtenus sur chaque critère (chapitre suivant) ISAE Décision Multi critères 3.40 3. A GRÉGATION MULTI CRITÈRE 41 3.1 Introduction Types d’approches • Agréger puis comparer: calculer une note globale pour chaque alternative.

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

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

b + γ) : le gain de γ compense la perde de δ...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. secondes...) ∼ (1. • suppose implicitement que tous les critères peuvent s’exprimer indirectement dans la même unité (euros. et meilleures que l’alternative équilibrée c.) : pb. wi > 0 Interprétation des poids wi ? un point délicat : • les poids wi représentent des taux de substitution entre critères (w1 = bw2 signifie (0... ISAE Décision Multi critères 3. 0.. .))) plutôt qu’une importance • véhicule l’idée de compensations possibles entre critères (ab) ∼ (a − δ... A GRÉGATION MULTI CRITÈRE . b.. wi g1 g2 0. 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. .46 Le cas particulier de la somme pondérée u(a) = i=1.5 a b c 0.

499. mais le jeu 0.501.499 entraîne a ≻ b.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. 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. wi g1 g2 0. A GRÉGATION MULTI CRITÈRE 49 3. ISAE Décision Multi critères 3. 0.501 a 20 b c 5 12 5 20 12 Le jeu de poids 0.499 0. Contrairement aux agrégations additives. 0.501 entraîne b ≻ a. A GRÉGATION MULTI CRITÈRE .

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

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

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

}) = 0. ham.}) = 0.1 + µ(A) µ({sauna. .3 (A t.35 alors que µ({sauna. + u(a1 ). µ({sauna}) = 0.56 Mesure floue (cont. . hyp.1. µ({arc}) = 0. et ce bien que "arc" soit un critère bien moins prioritaire que "hammam" µ({ten.) Sur l’exemple: µ({ten.w1 (w3 + w2 + w1 ) (w3 + w2 ) (w3 ) ISAE Décision Multi critères 3. A GRÉGATION MULTI CRITÈRE 57 Extension de la somme pondérée aux critères dependants : Intégrale de Choquet Comment calculer une utilité agreggée à partir d’une fonction d’utilité u et d’une capacité µ sur les critères ? Retournons d’abord sur le cas de la somme pondérée Ex: 3 critères. µ({sauna. µ({ham.3.} ∪ A) = 0. ∈ A) / µ({arc} ∪ A) = 0. arc ∈ A) / ISAE Décision Multi critères 3.}) = 0.}) = 0.6 + µ(A) (A t.w3 + u(a1 ) (u(a2 ) − u(a1 ))) (u(a3 ) − u(a2 )) u(a2 ). arc}) = 0.w2 .q.6.25 Donc.25. A GRÉGATION MULTI CRITÈRE . ten. (non restrictive) : u(a3 ) ≥ u(a2 ) ≥ u(a1 )) h(a) = h(a) = + + u(a3 ). ham.q.

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

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

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

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

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

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

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

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

φn an . . bn ≥0 En général cela donne une relation de préférence globale qui n’est pas un préordre complet. b1 . ISAE Décision Multi critères 4. b). une fonction φi : R × R → R.) Phase 1 → n indices φi (ai .74 4.2 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. 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 . . Pour chaque critère i. M ÉTHODES DE SURCLASSEMENT . donc pouvant être difficile à exploiter. établit le degré de surclassement de a sur b: → On obtient n indices φi (ai . . M ÉTHODES DE SURCLASSEMENT 75 Construction d’une relation de surclassement (cont. bi ) ISAE Décision Multi critères 4. .

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

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

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

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. b) ≥ µ et d(a. afin de conforter les opinions. ISAE Décision Multi critères 4. M ÉTHODES DE SURCLASSEMENT 83 ELECTRE Is : définition du Noyau et + Tout graphe sans circuit admet un noyau unique. 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 . Logiciels associés → bureau d’étude. 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). ISAE Décision Multi critères 4.

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

1. Ces tests concernent les points de vue suivants: l’évaluation des compétences (critère g1 ). ISAE Décision Multi critères 4. 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. on prend un seuil d’indifférence egal à 3) et la matrice de véto (seuil de véto égal à 9).1).3) et le critère de culture générale secondaire (poids relatif 0. Chaque test est noté sur une échelle de 0 à 20.3 . On rappelle que c(a.6). 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. M ÉTHODES DE SURCLASSEMENT .6. • Etablir la matrice de concordance (pour chacun des critères. motivation : 0. culture générale : 0. la culture générale (critère g2 ) et la motivation (critère g3 ).86 Exercice 17 Un cabinet de recrutement fait subir 3 tests aux 6 candidats à un poste. le critère de motivation deux fois moins important (poids relatif 0.

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

transitivité Il convient bien pour les applications de type • technique (critères quantitatifs mesurables objectivement) • répétitif dans le temps Les modèles non additifs : pour prendre en compte des interactions entre critères (synergies. séparabilité des critères. commensurabilité donc compensations possibles entre points de vue. séparabilité. C ONCLUSION : L’ OPTIMISATION MULTICRITÈRE EN PRATIQUE 91 Le modèle additif ou non ? Le modèle additif fait des hypothèses fortes : complétude. transitivité. C ONCLUSION : L’ OPTIMISATION MULTICRITÈRE EN PRATIQUE . 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. la non commensurabilité. non-séparabilité). complétude.90 L’optimisation multicritère en pratique Problématiques essentielles: • Quelles sont les propriétés souhaitables/intéressantes de la relation de préférence globale ? → monotonie.

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. C ONCLUSION : L’ OPTIMISATION MULTICRITÈRE EN PRATIQUE . contraintes valuées • Critères dépendants: Choquet en programmation par contraintes (ça commence) • Méthodes de surclassement: plus dur. 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. C ONCLUSION : L’ OPTIMISATION MULTICRITÈRE EN PRATIQUE 93 Optimiser sur un espace combinatoire • Approches agregatives simples (critères indépendants) → Programmation par contraintes. ni transitive.

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

avec non(c a). ≍ depuis e e e a ≻ b ≡ a b et non b a a ∼ b ≡ a b et b a a ≍ b ≡ non a b et non b a : On pourrait inversement partir de deux relations exclusives ≻ (asym´trique) et ∼ (r´flexive. et jamais impossibilit´ de comparer. – ≻ 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). Supposons que e a cela soit. s’´crit a ≻ c et termine la d´monstration. e e e – Supposons a ≻ b. e e – ≻ est transitive : supposons a ≻ b et b ≻ c. e ` e 2 . Mais nous avions montr´ a c. cela e e donne a c et c a donc a ∼ c. De l` nous tirons que a c par transitivit´ de . On a donc les assertions suivantes : a b. ∼. c’est-`-dire b ≻ a. Par la transitivit´ on tire a ≻ a. soit g(a) = g(b). On doit montrer que ≻ est asym´trique.– ∼ est transitive : a ∼ b et b ∼ c s’´crit a b et b c et b a et c b. Donc on a non(c a). 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. 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). Montrer que : ee est asym´trique : a ≻ b implique non b ≻ a e est irr´flexive : non a ≻ a e est r´flexive : a ∼ a e est sym´trique : a ∼ b implique b ∼ a e est irr´flexive : non a ≍ a e est sym´trique : a ≍ b implique b ≍ a e Trivial a partir des d´finitions e 6 D´finition d’une relation ` partir de ses parties stricte et ase a sym´trique e On d´finit g´n´ralement ≻. e – 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. b c. nous tirons c b. c’est-`-dire non(b ≻ a). ce qui est en contradiction avec non(c b). en contradiction avec l’irr´flexibilit´ a e e e d´montr´e plus haut. 5 D´composition d’une relation de pr´f´rence quelconque e ee Soit – ≻ – ≻ – ∼ – ∼ – ≍ – ≍ une relation de pr´f´rence. supposons que cela soit : c a. non(c b). Par transitivit´ de . G est donc asym´trique. ce qui. est transitive parce que ∼ et ≻ le sont. Donc non(a ≻ a). e avec a b. Par transitivit´ de . non(b a).

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

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

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

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

4 0. A).9 F v 0.7. i. on obtient ψ(a. Dans ce cas en effet. 0). (D.. sauf E qui est domin´ par A e 2 . E et F . v) croit quand u croit et d´croˆ quand v croit.9 1 0.Alternatives pareto optimales : toutes.. C). {A} dans le second. ai ) = 0.. (F. 0) ≥ ψ(0.9 0. (C.6 1 0. Noyau {A. (F.Matrice de discordance : veto sur (C.. 0) = 0. qui a une note globale pond´r´e de 17.9 v D 1 0.7 1 0. (D.6 1 v v 0. B.. 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. D se d´tache tr`s nettement.7 1 0. D).4 0.. on suppose ψ(0.5.7 C v 0.Matrice de concordance : et non discordance A B C D E F A 1 0. . 0) = 0 et que ψ est croissante avec ses arguments.9 1 0.3 0.9 1 0.7 0.9 1 0.4 0.. pour tous les i = j. bj ) ≥ 0..1 C 0. en dessous de 0.7 v v 0.7 1 0.2 (suivi ee ee de A : 15. bj ) ≥ φj (bj . bi ) = 0 pour tout i = j.7 0. v) = 0∀v.4 0.7 0. donc des 1 sur ces cases.6 E 0.3 v v 0. la relation de surclassement est la relation de dominance forte aux seuils d’indiff´rence e pr`s. et que ψ est croissante ψ(φj (aj .4 0. bien qu’il ne soit pas ´quilibr´ (sa culture ee e e e e g´n´rale est catastrophique). E surclasse e e C .(F. 0 sur les autres et non discordance 5.4 0.8) 3 .9 0.Quelles exigences sur les ψ et φi peuvent traduire cette hypoth`se ? e Soit la propri´t´ de monotonie suivante : ee ∀a.7 B 0.. Le noyau est {A.1 0. – On recommande A. et ce pour tout i ).9 0.1) e 14 18 12 4 10 14 g3 (0.4 1 – Avec µ = 1. F ). le consensus devient vraiment mou .1 1 0.9 et µ = 0. 0.. que φi (ai .. bj ). (C. µ n’a pas de sens). . φi (ai .6 F 0. φj (aj . Comme φj (aj . qui est dans tous les noyaux lorsque l’on fait varier le seuil µ (en dessous de 0.6) 16 10 18 18 16 6 crit`res g2 (0. B).7. .3) 16 12 6 20 12 18 1 .1 0... φi croissantes sur le premier argument et d´croissante sur le second ( e φi (u. (D. D). b) ≥ 0 donc a b 17 Electre I candidats A B C D E F g1 (0. Comme les φi sont croissante dans leur premier argument.4 1 4 . bi ) = φi (ai .6 0. A se detache avec l’approche par surclassement : cette approche limite e e les effets de compensation et degage des candidats plus ´quilibr´s. bj ) = 0. – avec la somme pond´r´e.. A).7 1 1 B 0.. e e 7 . F ). A).4 0.. . Puisque psi(0.9 D 0.. D} – On obtient des relations plus riches pour µ = 0..7 1 1 1 0. D} dans le premier cas.9 E 0.Matrice de concordance : A B C D E F A 1 0.Alternative optimale pour la moyenne pond´r´e : D. C’est une relation tr`s pauvre (peu de couples la satisfont) : A surclasse C. e ıt Sur ψ.6 0.

Quel serait votre choix nal ? 1 . la abilité et le support sont des critères non négligeables. déterminer la relation de surclassement pour un niveau de concordance mu = 0. les experts considèrent que le cout est un critère primordial. 5. Elle doit évaler 5 proposition faites par des équipementiers.4 0. la performance (g3 ).8 0.3 Donner la valeur de l'intégrale de Choquet pour les alternatives A et D. A partir de la matrice de concordance et de la matrice de veto précédentes. on écarter celles qui ne le sont pas :  quand le but est selectionner une proposition unique ?  quand le but est de classer les propositions ? 2.6 B 0. Chaque solution est elle Pareto optimale ? Doit-on.SupAéro .SID 3 ième Année .2 p3 = 0.4 q2 = 0.1 q3 = 0.6 0.8 0. En première analyse.2 Donner le classement obtenu sur les propositions en utilisant la règle de la somme pondérée. 3.8 0.4 p2 = 0.6 0. On explore maintenant les propositions à l'aide le la méthode Electre.7 Dessiner le graphe de la relation de surclassement en donner un noyau.2 0.Examen de Décembre 2008 Décision Multi critères (H. 8. que la performance. Ce qui se traduit par la distribution de poids suivante : p1 = 0. Fargier) Une entreprise désire renouveller son parc informatique. la abilité (g4 ).2 q4 = 0. 4 et 7. le cas échéant. 9. 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. Trois critères sont dénis : le coût ( g1 ).4 0. L'un des expert fait remarquer que le support doit avoir moins d'importance sur les matériels ables.2 p4 = 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. Donner le classement obtenu sur les propositions en utilisant la règle du leximin 4.8 1 0.6 1 E 0 0 0 1 0 7.6 C 1 0 0 1 0 1 0. en reprenant le jeu de poids précédent. Identier quelle serait un bon choix de proposition à partir des réponses aux question 2.2 B 0 0 0 1 0 C 0. On xe le même seuil d'indiérence égal à 3 pour tous les critères et le même seuil de véto égal à 9 pour tous les critères. le support technique ( g2 ).8 E 0. 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. Le service informatique de l'entreprise a évalué les 5 propositions sur une echelle commune de 0 à 20. Donner le classement obtenu sur les propositions en utilisant la règle du min 3.8 D D 0.

2(g2) + 0.6 1 0.4(g1) + 0.6 C 0. Le service informatique de l'entreprise a évalué les 5 propositions sur une echelle commune de 0 à 20. a) = 0. En première analyse.4 p2 = 0. les experts considèrent que le cout est un critère primordial. que la performance. Donner le classement obtenu sur les propositions en utilisant la règle du leximin A>B>E>C>D 4. 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. Elle doit évaler 5 proposition faites par des équipementiers. E et B ne sont pas pareto optimales (elle sont dominées strictement par A) On peut les ecarter pour le problème de sélection.6 0. le cas échéant.4 0.8 0. la abilité (g4 ). d) = 0. la abilité et le support sont des critères non négligeables.2 p4 = 0.SID 3 ième Année .8 1 0. en reprenant le jeu de poids précédent.2 0.SupAéro . Fargier) Une entreprise désire renouveller son parc informatique.6 1 c(a. A (16.8 0.8)> B (12) 5. Chaque solution est elle Pareto optimale ? Doit-on. 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) > C (13. la performance (g3 ).4 0.2(g4) = 1 c(d.6 0.4(g1) + 0. Trois critères sont dénis : le coût ( g1 ). Ce qui se traduit par la distribution de poids suivante : p1 = 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. la ligne manquante est donc 1 1 0 0 0 1 .8) > E (12.8 D E 0.8 0.Examen de Décembre 2008 Décision Multi critères (H.2 p3 = 0. mais pas pour le problème de classication 2.8 0.2 1 0.8 A B C D E A 0 0 0 0 0 B 0 0 0 1 0 C 1 0 0 1 0 D E 0 0 0 1 0 il y a veto contre D > A et D > B .2 Donner le classement obtenu sur les propositions en utilisant la règle de la somme pondérée.2(g3) + 0. Compléter les matrices de concordance et de veto suivantes : A B C D E A 1 1 1 1 B 0.2(g3) + 0. On explore maintenant les propositions à l'aide le la méthode Electre.2(g4) = 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 1.4) > D (14.

Identier quelle serait les deux meilleures propositions à partir des réponses aux questions 2.8 D veto veto 0. C A partir de la matrice de concordance et de la matrice de veto précédentes.2 C veto 0. 4 et 7. 3. g3. peut très bien être pris en second choix.4 Identier à nouveau quelle seraient les deux meilleures propositions .B≥B C ≥ C.3 = 16. L'un des expert fait remarquer que le support doit avoir moins d'importance sur les matériels ables. B. electre) ne peuvent pas être utilisées ici car on est in présence de critères dépendants. sont les deux meilleures alternatives au sens de l'intégrale de Choquet. A est un noyau évident.4 0. g3. Pour toutes les méthodes.3 La valeur de l'intégrale de Choquet pour A est alors Ch(A) == 16 × (µ({g1. En second choix.8 0. E E ≥ B.6 B 0.3) + 20 ⊗ 0. 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 = 0.2 p4 = 0. g4})) + 18 × µ({g2.2 q1 = 0. C.6 1 veto 0. g4})) + 16 ⊗ (µ({g1. Ch(D) = 4 ⊗ (µ({g1. g4}) − µ({g1. on peut également défendre le choix D qui a une excellente evaluation sur tous les critère sauf un critère mineur. et que le veto joue contre B > D comme il joue contre D > B. A et D.4 p2 = 0.1 q3 = 0. g3.7 Dessiner le graphe de la relation de surclassement en donner un noyau. justiez votre réponse. 2 .8 Donner la valeur de l'intégrale de Choquet pour l'alternative D.9) + 16 ⊗ (0.5) + 18 ⊗ (0. g4}) − µ({g3. C.8 veto 1 Avec un seuil de concordance egal à 0.8 E 0.2 q4 = 0. g3.4) + 18 ∗ 0. qui est bien équilibré (et qui bien que pareto dominé. voir la question 1).4 = 16.4 veto 0. 9.8 1 0. 8. 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. On fusionne la matrice de concordance et la matrice de veto : A B C D E A 1 1 1 1 1 1 0. A est de loin le meilleur.2 p3 = 0.7. g4})) + 18 ⊗ (µ({g3. E 7.9 − 0. g2. E. g2. déterminer la relation de surclassement pour un niveau de concordance mu = 0. mais si l'on accepte que D n'a de très mauvaise performances que sur un critère peu important. Les autres méthodes (moyenne. on peut hésiter entre B et D : un décideur prudent choisirait B. E D ≥ D. Justier votre réponse.4 q2 = 0. D. g4}) − µ({g4})) + 20 ⊗ µ({g4}) = 4 ⊗ (1 − 0. g4}) = 16 ∗ (1 − 0.5 − 0. g4}) − µ({g2.

Sign up to vote on this title
UsefulNot useful