Vous êtes sur la page 1sur 395

THESE

Prsente en cotutelle pour lobtention du grade de



DOCTEUR

De
LEcole Nationale Suprieure des Mines de Saint-Etienne
(Universit Jean Monnet, Saint-Etienne, France)

Et du grade de

PHILOSOPHIAE DOCTOR (Ph.D.)
De
La Facult des Sciences et de Gnie
(Universit Laval, Qubec, Canada)

Spcialit : Gnie Industriel


Soutenue publiquement par


Abdelkader HAMMAMI


Le 26 septembre 2003


MODELISATION TECHNICO-ECONOMIQUE
DUNE CHAINE LOGISTIQUE DANS UNE
ENTREPRISE RESEAU
JURY

Rapporteurs : Pr. Diane POULIN Universit Laval, Qubec, Canada
Pr. Lionel DUPONT Ecole des Mines d'Albi-Carmaux
Pr. Jacques ERSCHLER Institut National des Sciences
Appliques de Toulouse
Directeurs : Pr. Jean-Pierre CAMPAGNE Ecole des Mines de Saint-Etienne
Pr. Daoud AIT-KADI Universit Laval, Qubec, Canada
Pr. Patrick BURLAT Ecole des Mines de Saint-Etienne
Examinateur : Pr. Alexandre DOLGUI Ecole des Mines de Saint-Etienne











A mes parents
A tous ceux qui me sont chers


RESUME COURT


Cette thse est une contribution au traitement du problme de conception et de pilotage
dune chane logistique dans un rseau dentreprises. Elle examine plus spcifiquement le
cas dun rseau coopratif o tous les partenaires jouissent des mmes privilges (il ny a
pas de partenaire leader).
Compte tenu des diffrents problmes inhrents ce type dorganisations, une dmarche
daide la dcision base sur les concepts doptimisation multicritre a t propose. Cette
dmarche consiste rpartir les activits entre membres du rseau en deux tapes. Elle
permet de satisfaire simultanment les objectifs de performance court terme et
dvolution de comptences long terme au sein du rseau.
Par ailleurs, elle intgre laspect stochastique qui peut affecter la performance globale de ce
type dorganisations et ce travers un modle bas sur les concepts de fiabilit.
La thse a dbouch sur des contributions pour la conception et la gestion dun rseau
coopratif. Ces contributions favorisent une meilleure comptitivit aussi bien du rseau
que des partenaires qui le constituent.





Abdelkader Hammami Jean Pierre Campagne Daoud At-Kadi Patrick Burlat



RESUME LONG


Les entreprises sont de plus en plus portes se concentrer sur les activits pour lesquelles
elles ont des comptences reconnues et dont la consolidation leur permettrait de demeurer
viables et comptitives. Pour les petites et moyennes entreprises, cette option nest
attrayante que dans la mesure o elles peuvent sassocier dautres partenaires pour
conqurir dautres marchs et profiter dopportunits daffaires. Cest cette problmatique
de regroupement qui a t aborde dans cette thse. Les recherches ont essentiellement
port sur les outils et les mthodes daide la conception et la gestion des chanes
logistiques de rseaux coopratifs dentreprises.

Compte tenu des diffrents problmes inhrents ce type dorganisations, une dmarche
daide la dcision base sur les concepts doptimisation multicritre a t propose. Cette
dmarche consiste rpartir les activits entre membres du rseau en deux tapes. Elle
assure la satisfaction des contraintes client court terme. Par ailleurs, elle favorise le
dveloppement des comptences au sein du rseau long terme.

Indpendamment de lorganisation tudie, la gestion des alas demeure importante. Elle
peut affecter la performance globale dune organisation de type rseau. Cette dimension
stochastique a t traite en se basant sur le concept de fiabilit des partenaires. Des
mthodes dvaluation de ces fiabilits ont t proposes. Les faons de les intgrer aux
modles analytiques dvelopps dans la littrature ont t explicites.



La thse a dbouch sur des contributions pour la conception et la gestion dun rseau
coopratif. Ces contributions favorisent une meilleure comptitivit aussi bien du rseau
que des partenaires qui le constituent. Plusieurs extensions possibles aux modles
dvelopps peuvent tre envisages. Les mthodes mises au point peuvent sappliquer dans
tous les secteurs industriels.








Abdelkader Hammami Jean Pierre Campagne Daoud At-Kadi Patrick Burlat



AVANT-PROPOS


Je tiens exprimer toute ma gratitude mes directeurs de thse, Messieurs Jean Pierre
CAMPAGNE, Daoud AIT-KADI et Patrick BURLAT, pour leur confiance, pour les
conseils judicieux quils mont gnreusement donns et pour la passion de la recherche
quils mont transmise.
Je remercie le professeur Jacques ERSCHLER et le professeur Lionel DUPONT pour
lintrt quils ont port ce travail et pour le temps quils ont consacr en acceptant dtre
rapporteurs.
Je remercie le professeur Alexandre DOLGUI davoir accept de prsider le jury de
soutenance.
Je remercie la professeur Diane POULIN davoir accept de faire la prlecture de la thse.

Ma gratitude va aussi mes amis et mes collgues de lEcole Nationale Suprieure des
Mines de Saint-tienne et de lUniversit Laval pour leur soutien pendant toute la priode
de thse. Je tiens partager le plaisir de prsenter cette thse avec eux.

Merci toute ma famille, mes parents, mes surs et mes oncles Mohamed et Mohsen
qui mont soutenu en toutes circonstances. Jespre quils trouvent ici lexpression de mon
ternelle reconnaissance.



v




TABLE DES MATIERES


RSUME COURT ..

I
RSUM LONG ....

II
AVANT-PROPOS .......

IV
TABLE DES MATIERES ..........

V
LISTE DES FIGURES .......

XIII
LISTE DES TABLEAUX ..................

XVI
INTRODUCTION GENERALE .......

1
PARTIE I .

7
PROBLEMATIQUE ...

8
CHAPITRE 1 : ARCHITECTURES INDUSTRIELLES ... 10
1. INTRODUCTION : VOLUTION DU CONTEXTE INDUSTRIEL ET
COMMERCIAL .......

10
2. TYPOLOGIE DES NOUVELLES FORMES D'ENTREPRISES ..... 12
2.1 Terminologie ... 12
2.2 Relations de coopration .. 18
2.2.1 Les facteurs cls de succs dune relation de coopration . 18
2.2.2 Quelles voies pour garantir le succs dun partenariat ... 19
3. CONCLUSION ..... 20

CHAPITRE 2 : CONCEPTION ET GESTION DE CHAINES LOGISTIQUES

22
vi
1. INTRODUCTION ..... 22
2. HISTORIQUE ....... 24
3. CHAINE LOGISTIQUE ........ 28
4. CONCEPTION ET GESTION D'UNE CHAINE LOGISTIQUE .. 32
4.1 Conception d'une chane logistique .... 33
4.2 Gestion d'une chane logistique ... 34
5. OUTILS DE CONCEPTION ET DE GESTION DUNE CHAINE
LOGISTIQUE ..
36
5.1 Structure des solutions SCM .... 36
5.2 Structure des APS ... 39
6. CONCLUSION ET ORIENTATIONS DE RECHERCHE .. 43

PARTIE II ..

45

CHAPITRE 3 : PANORAMA DES METHODES DAGREGATION
MULTICRITERE ..


46
1. INTRODUCTION ..... 46
2. LES MTHODES LMENTAIRES ...... 47
2.1 La mthode catgorique : (Categorical method) [Timmerman 1986] . 47
2.2 La Cost-ratio Method [Timmerman 1986] .... 48
2.3 La mthode de la somme pondre (the linear averaging method or
weighted point method) [Timmerman 1986] .....

49
2.4 Mthode lexicographique .. 51
2.5 Mthode conjonctive .. 51
2.6 Mthode disjonctive ... 52
2.7 Mthode du Maxmin ... 53
3. LES MTHODES DOPTIMISATION MATHMATIQUE (MOM) .. 54
3.1 Mthodes doptimisation mathmatique multicritre .. 55
3.1.1 Goal Programming (GP) ..... 55
3.1.2 Le Compromise Programming (CP) ... 58
3.1.3 La mthode du critre global [Vincke 1989] . 60
3.1.4 - Constraint Method .
3.1.5 La programmation mathmatique objectifs multiples
(PMOM) ...
61

62
3.2 Rsolution des modles doptimisation mathmatique 65
3.3 Proposition dune procdure de choix dune mthode doptimisation
mathmatique....

66
4. LES MTHODES DAIDE LA DCISION MULTICRITRE (MADMC) . 68
vii
4.1 Pr-requis de laide la dcision multicritre ..... 68
4.2 Mthodes de lapproche du critre unique de synthse .. 71
4.2.1 La mthode TOPSIS : Technique for Order by Similarity to
Ideal Solution [Hwang et Yoon, 1981] ..

71
4.2.2 La mthode SMART : Simple Multi-Attribute Rating
Technique [Edwards 1971] ...

74
4.2.3 La mthode MAVT : Multiple Attribute Value Theory
[Keeney et Raifa, 1976] ....

78
4.2.4 La mthode MAUT : Multiple Attribute Utility Theory
[Keeney et Raifa, 1976] ....

82
4.2.5 La mthode UTA : Utility Theory Additive [Jacquet-Lagreze
et Siskos, 1982] .
83
4.2.6 La mthode AHP : Analytic Hierarchy Process [Saaty 1980] ... 86
4.2.7 La mthode EVAMIX [Voogd 1983] 92
4.3 Les mthodes de lapproche de surclassement de synthse ... 96
4.3.1 Les mthodes PROMETHEE [Brans et Vincke, 1985] . 96
4.3.2 La mthode Electre I [Roy 1968] ...
4.3.3 La mthode Electre II [Roy et Bertier, 1971] .....
101
105
4.3.4 La mthode Electre III [Roy 1978] .... 108
4.3.5 La mthode Electre Is . 110
4.3.6 La mthode Electre IV [Roy et Hugonnard, 1982] 111
4.4 Les mthodes interactives . 113
4.5 Procdure de choix dune mthode daide la dcision multicritre
(MADMC) .

114
4.5.1 Caractrisation des inputs ... 116
4.5.2 Caractrisation des outputs ..... 117
5. PROCDURE DE CHOIX DUNE MTHODE DE SLECTION 117
6. CONCLUSION ..... 121

CHAPITRE 4 : ETUDE DES PROBLMES DE LOCALISATION
DINSTALLATION, DE SLECTION DE FOURNISSEURS ET
DALLOCATION DORDRES .



122

INTRODUCTION

122

SOUS-CHAPITRE 4.1 : PROBLEME DE LOCALISATION DINSTALLATIONS
(MODELES MATHEMATIQUES) ...


125
1. INTRODUCTION . 125
viii
2. PROBLME DE LOCALISATION PROBLME DALLOCATION . 127
2.1 Problme de Localisation Pure : [Martel 2001] . 128
2.2 Problme dAllocation Pure [Martel 2001] . 129
2.3 Problme de localisation-allocation (Location-Allocation Problem) .. 131
3. TYPOLOGIE DES PROBLMES DE LOCALISATION DINSTALLATIONS 132
3.1 Les problmes Mono-objectifs, Statiques, dterministes 132
3.1.1 Problmes de couverture (Covering problems) .. 132
3.1.2 Center Problems : P-Center problem PCP [Hakimi 1964] . 135
3.1.3 Median Problems : P-Median problem : PMP [Hakimi 1964] ... 137
3.1.4 Obnoxious facility location Problems (OFLP) .. 138
3.1.5 Fixed Charge Location Problem : FCLP [Balinski 1965] .. 142
3.1.6 Hub Location Problem : HLP [OKelly 1987] .. 144
3.2 Synoptique 145
3.3 Les problmes dynamiques de localisation dinstallations 147
3.4 Les problmes stochastiques de localisation dinstallation ... 148
3.5 Les modles multi-objectifs . 150
3.6 Synthse 152
4. TUDE DU PROBLME FCLP 152
5. MTHODES DE RSOLUTION DES PROBLMES DE LOCALISATION ..... 153
6. PROGICIELS DE LOCALISATION DINSTALLATIONS .... 154
7. CONCLUSION ...... 155

SOUS-CHAPITRE 4.2 : PROBLEME DE SELECTION DE FOURNISSEURS
(MODELES MATHEMATIQUES) .


156
1. INTRODUCTION 156
2. LES CRITRES DE SLECTION 158
3. LES APPROCHES DE SLECTION DE FOURNISSEURS 159
4. TYPOLOGIE DES PROBLMES DE SLECTION DE FOURNISSEURS ... 163
4.1 Modle 1 : {dterministe, capacits infinies, mono-sourcing, Cots
linaires, 1 produit} .

164
4.2 Modle 2 : {dterministe, capacits finies, multi-sourcing, Cots
linaires, 1 produit}

165
4.3 Modle 3 : {dterministe, capacits finies, mono-sourcing, Cots
linaires, 1 produit} .

167
4.4 Modle 4 : {dterministe, capacits finies, multi-sourcing, Cots non
linaires, 1 produit} .

167
4.5 Modle 5 : {dterministe, capacits finies, multi-sourcing, Cots
ix
linaires, P produits} .. 172
4.6 Modle 6 : {dterministe, capacits finies, multi-sourcing, Cots non
linaires, P produits} ..

173
4.7 Modle 7 : {stochastique, capacits finies, multi-sourcing, Cots
linaires, P produits} ..

174
5. ANALOGIE ENTRE LES PROBLMES DE LOCALISATION
DINSTALLATION ET DE SLECTION DE FOURNISSEURS ...

175
6. CONCLUSION . 177

SOUS-CHAPITRE 4.3 : PROBLME DALLOCATION DORDRES (MODLES
MATHMATIQUES)


178
1. INTRODUCTION .... . 178
2. LES CRITRES DALLOCATION DORDRES ..... 180
3. LES APPROCHES DALLOCATION DORDRES ...... .. 181
4. TYPOLOGIE DES PROBLMES DALLOCATION DORDRES ... 181
4.1 Prise en compte du taux de change et des taxes ... 183
4.1.1 Les taux de change . 183
4.1.2 Les taxes . 185
4.2 Prise en compte de la dpendance entre produits (Nomenclature,
Gamme de production) ..

186
4.2.1 Les nomenclatures ...... 186
4.2.2 Les gammes de production . 186
5. CONCLUSION ..... 188

CONCLUSION

189

PARTIE III .

192

CHAPITRE 5 : CONCEPTION D'UNE CHAINE LOGISTIQUE DANS UNE
ENTREPRISE RESEAU COOPERATIVE ...


193
1. INTRODUCTION 193
2. PROCEDURE DE MODELISATION ........... 194
2.1 Modle Conceptuel . 194
2.2 Objets de modlisation .. 197
2.2.1 Carte technologique d'un produit (CT) .. 197
2.2.2 Carte des comptences du rseau (CC) ...... 199
2.2.3 Graphe de ralisation Produit / Acteur (GRPA) ..... 201
2.2.4 Graphe de ralisation Etendu Produit / Acteur (GREPA) ...... 202
2.3 Dmarche d'optimisation .. 203
x
2.3.1 Etape 1 : Prise en compte des objectifs court-terme ...
2.3.2 Etape 2 : Prise en compte des objectifs long-terme
204
208
3. MODELE ANALYTIQUE DE BASE : (MODELE 1 : MONO-PRODUIT,
CAPACITES INFINIES, PAS DE PARTAGE D'ACTIVITES) .....

211
3.1 Hypothses ... 211
3.2 Donnes du problme 212
3.3 Les variables de dcision .. 212
3.4 Le modle . 213
3.5 Autres formulations du problme 216
3.5.1 Goal Programming .... 216
3.5.2 Compromise Programming .... 217
3.5.3 La mthode de la somme pondre ... 218
4. CAS D'ETUDE .. 218
4.1 Carte technologique du produit (CT) . 218
4.1.1 Graphe de ralisation du produit (GRP) .... 218
4.1.2 Table des activits /comptences (TAC) .... 219
4.2 Carte des comptences du rseau (CC) . 220
4.3 Graphe de ralisation Produit / Acteur (GRPA) .. 221
5. RESULTATS . 222
5.1 Slection des solutions non domines . 222
5.2 Configuration optimale du rseau ... 224
6. EXTENSIONS DU MODELE DE BASE ..... 225
6.1 Modle 2 : Mono-produit, Partage d'activits, capacits finies, pas de
chevauchement .

226
6.1.1 Donnes du problme ..... 226
6.1.2 Les variables de dcision .... 226
6.1.3 Le modle ... 227
6.2 Modle 3 : prise en compte de lapprentissage par interaction 229
6.3 Modle 4 : Modlisation doffres groupes ... 229
7. CONCLUSION .... 230

CHAPITRE 6 : MODELE BASE SUR LA FIABILITE ...

232
1. INCERTITUDE DANS LES DECISIONS DE CONFIGURATION DUN
RESEAU DENTREPRISES ..

232
2. CONCEPTS ET PROCEDURES DE CALCUL DE FIABILITE .. 234
2.1 Objectifs et pertinence dun modle bas sur la fiabilit 234
2.2 Dfinitions des concepts de fiabilit 235
xi
2.3 Procdure de calcul de la fiabilit a posteriori ... 237
2.3.1 Procdure 1.1 ..... 238
2.3.2 Procdure 1.2 ...... 238
2.4 Procdure destimation de la fiabilit a priori . 243
2.4.1 Procdure 2.1 ...... 243
2.4.2 Procdure 2.2 ..... 244
2.4.3 Procdure 2.3 ..... 244
2.4.4 Procdure 2.4 ..... 244
3. METHODE DE CALCUL DES FIABILITES DU RESEAU DENTREPRISES . 246
3.1 Dfinition . 246
3.2 Calcul de la fiabilit a priori du rseau dentreprises : cas o le
partage dactivits est prohib .

246
3.3 Calcul de la fiabilit a priori du rseau dentreprises : cas o le
partage dactivits est permis ...

247
4. EXTENSION DU MODELE ANALYTIQUE VERS UN MODELE BASE SUR
LA FIABILITE ......

248
4.1 Contrainte de fiabilit 249
4.2 Linarisation de la contrainte de fiabilit . 249
4.2.1 Cas o le partage dactivit est prohib .. 249
4.2.2 Cas o le partage dactivit est permis .. 250
4.3 Modle analytique bas sur la fiabilit .. 252
4.4 Intgration de la fiabilit au cas dtude ... 253
5. CARACTERISTIQUES DU CRITERE FIABILITE .... 254
6. QUELLE DECISION SI LA FIABILITE DU RESEAU EST INSUFFISANTE ? 256
7. CONCLUSION . 257

CONCLUSIONS ET PERSPECTIVES

258

REFERENCES BIBLIOGRAPHIQUES .

264

ANNEXES

281
ANNEXE A : LES NOUVELLES FORMES DORGANISATIONS .... 282
ANNEXE B : DIFFERENTES FORMES DE COOPERATION INTERENTREPRISES 285
ANNEXE C : TERMINOLOGIE A PROPOS DE LA CONCEPTION ET DE LA GESTION DE
CHAINES LOGISTIQUES ......

290
ANNEXE D : TRAITEMENT DEXEMPLES DE PROBLEMES MULTICRITERES SUR DES OUTILS
LOGICIELS ...

295
ANNEXE E : LES FONDEMENTS DE LA THEORIE DE LA DECISION MULTICRITERE .. 300
xii
ANNEXE F : DIFFERENTS MODELES POUR LE PROBLEME FCLP ............. 313
ANNEXE G : PROCEDURE DAGREGATION DES PREFERENCES ET DES JUGEMENTS : LA
METHODE AHP DE GROUPE

340
ANNEXE H : RESOLUTION DU MODELE MATHEMATIQUE SUR LINGO .. 344
ANNEXE I : RESOLUTION DU MODELE MATHEMATIQUE SUR ILOG (RECHERCHE
EXPLORATOIRE) ..............

354
ANNEXE J : TABLEAU DES SCORES DES SOLUTIONS NON DOMINEES . 359
ANNEXE K : LA METHODE MACBETH .. 360
ANNEXE L : MODELE ANALYTIQUE BASE SUR LA FIABILITE .. 371

xiii




LISTE DES FIGURES


Figure 2.1 Parcours des flux physiques, financiers et d'information 26
Figure 2.2 Evolution des cots logistiques au cours du cycle de vie en fonction
de la stratgie retenue [Pons et Chevalier, 1993]

27
Figure 2.3 Domaines d'action de la logistique et du soutien logistique intgr 28
Figure 2.4 Chane logistique . 30
Figure 2.5 Ramifications de la Chane Logistique 32
Figure 2.6 Correspondances entre problmatique de chane logistique- nature de
dcision et horizon temporel

35
Figure 2.7 Diffrentes facettes des outils de pilotage d'une chane logistique
[Hammami et al., 2001] ..

38
Figure 2.8 Structure d'un outil APS [Meyer et al., 2000] . 39
Figure 2.9 Processus de planification utilisant SAP R/3 et SAP APO .. 43
Figure 3.1 Variantes du Goal Programming 57
Figure 3.2 Domaine des solutions efficaces (solutions optimales au sens de
Pareto) .

64
Figure 3.3 Procdure de choix dune mthode doptimisation mathmatique . 67
Figure 3.4 Reprsentation du processus daide la dcision [Guitouni et al.,
1999]

69
Figure 3.5 Courbes de valeur partielle .. 80
Figure 3.6 Structure hirarchique dun problme selon la mthode AHP 86
Figure 3.7 Diffrents types de critres [Vincke 1989] .. 98
Figure 3.8 Structure de prfrence exploite dans Electre III .. 108
Figure 4.1 Les ramifications du problme faire ou faire-faire 123
Figure 4.1.1 Distance euclidienne distance rectangulaire dans un espace de
xiv
dimension 2 . 126
Figure 4.1.2 Distance angulaire entre 2 points situs sur une sphre . 127
Figure 4.1.3 Problme dallocation pure . 130
Figure 4.1.4 Schmatisation du P-Center Problem . 135
Figure 4.1.5 Schmatisation du Hub Location Problem 144
Figure 4.1.6 Typologie des problmes de localisation dinstallations . 146
Figure 4.2.1 Profil du cot dacquisition dans le cas dun rabais total 168
Figure 4.2.2 Profil du cot dacquisition dans le cas dun rabais graduel . 168
Figure 4.2.3 Approximation dune fonction concave par une fonction linaire par
morceaux .

172
Figure 4.3.1 Problme de configuration dune chane logistique 179
Figure 4.3.2 Exemple de Nomenclatures de 2 produits C et E. .. 186
Figure 4.3.3 Exemple de Gammes de production de 2 produits C et E. . 187
Figure 5.1 Modle conceptuel s-a-r-C (situation professionnelle, acteur,
ressource, Comptence) ..

195
Figure 5.2 Modle conceptuel s-a-r-C selon le formalisme UML 196
Figure 5.3 Carte technologique d'un produit 197
Figure 5.4 Exemple d'un graphe de ralisation d'un produit 198
Figure 5.5 Graphe de ralisation Produit / Acteur 202
Figure 5.6 Une coupe d'un graphe de ralisation Etendu Produit / Acteur .. 203
Figure 5.7 Synoptique de la dmarche d'optimisation . 204
Figure 5.8 Gnration automatique des activits additionnelles .. 214
Figure 5.9 Graphe de ralisation du produit objet de ltude ... 219
Figure 5.10 Graphe de ralisation Produit / Acteur 222
Figure 5.11 Ensemble des solutions admissibles et des solutions non domines .. 224
Figure 5.12 Exemple explicatif des contraintes actives et passives ... 228
Figure 6.1 Unit dcisionnelle du rseau .. 235
Figure 6.2 Variation de fiabilit partielle vis--vis du critre cot .. 239
Figure 6.3 Fiabilit a posteriori dun partenaire ... 240
Figure 6.4 Matrice des jugements du client vis--vis de lattribut Qualit 242
Figure 6.5 Application de la mthode MACBETH pour lattribut Qualit 242
Figure 6.6 Courbe de fiabilit partielle vis--vis de lattribut Qualit ... 243
Figure 6.7 Synoptique de la procdure 2.4 .. 245
Figure 6.8 Evolution de la fiabilit dun rseau dentreprises en fonction du
nombre dactivits ..

255
Figure D.1 Structure hirarchique du problme 295
xv
Figure D.2 Comparaison par paires des critres 296
Figure D.3 Vecteur propre correspondant au critre Qualit .. 296
Figure D.4 Vecteur propre correspondant au critre Fiabilit .......................... 297
Figure D.5 Vecteur propre correspondant au critre conomie ... 297
Figure D.6 Performance des actions .. 297
Figure D.7 Modlisation des critres et calcul des flux entrant et sortant . 298
Figure D.8 Graphe de surclassement donn par la mthode Promthe II. .. 299
Figure D.9 Graphe de surclassement donn par la mthode Promthe I. 299
Figure E.1 Synthse des relations de surclassement les plus usites 304
Figure E.2 Exemple dun graphe de surclassement .. 307
Figure E.3 Mode de fonctionnement du classement direct ... 307
Figure E.4 Mode de fonctionnement du classement inverse . 308
Figure E.5 Classement final selon la mthode [Roy et Bouyssou, 1993] . 310
Figure F.1 Problme de localisation trois chelons ... 314
Figure F.2 Reprsentation du modle 1 avec 4 installations et 3 clients . 314
Figure F.3 Reprsentation du modle 2 avec 1 chelon (4 fournisseurs, 3 sites
de production, 3 clients) .

316
Figure F.4 Reprsentation dun chemin possible dans un problme 3 chelons 319
Figure F.5 Reprsentation du problme de localisation traitant des installations
existantes et des installations potentielles : Modle [Elson 1972] .

331
Figure F.6 Reprsentation des capacits possible dune installation existante et
dune installation potentielle ..

334
Figure G.1 Procdure dagrgation des jugements individuels . 341
Figure G.2 Procdure dagrgation des priorits individuelles . 344
Figure K.1 Matrice des jugements du dcideur par rapport au critre qualit .. 361
Figure K.2 Exemple dune situation dincohrence .. 366
Figure K.3 Exemple dune situation dinconsistance smantique 367
Figure K.4 Interprtation dune situation dinconsistance smantique . 368
Figure K.5 Rsultat dapplication de la mthode MACBETH .. 368
Figure K.6 Transformation de lchelle de base pour la prise en compte des
souhaits du dcideur concernant ltendu de lchelle

369

xvi




LISTE DES TABLEAUX


Tableau 3.1 Application de la mthode catgorique un problme de slection
dun partenaire ...

47
Tableau 3.2 Application de la mthode Cost Ratio un problme de slection
dun partenaire

49
Tableau 3.3 Application de la mthode de la somme pondre un problme de
slection dun fournisseur ..

50
Tableau 3.4 chelle de Saaty .. 87
Tableau 3.5 Indice de cohrence moyen 88
Tableau 3.6 Classification des MADMC selon la matrice inputs/outputs . 115
Tableau 3.7 Caractrisation des inputs 116
Tableau 3.8 Caractrisation des outputs . 117
Tableau 3.9 Tableau comparatif des MOM et des MADMC 118
Tableau 3.10 Positionnement des mthodes doptimisation mathmatique sur la
matrice inputs/outputs

119
Tableau 4.2.1 Rpartition des approches de slection de fournisseurs dans [Weber
et al., 1991]

162
Tableau 5.1 Table des activits / comptences ... 199
Tableau 5.2 Attributs de la carte des comptences d'un rseau . 201
Tableau 5.3 Exemple paramtres requis dans une proposition de partenaire 206
Tableau 5.4 Variation des coefficients de cot en fonction de la charge 207
Tableau 5.5 Solutions idale et anti-idale du problme 217
Tableau 5.6 Table des activits / comptences du produit objet de ltude 219
Tableau 5.7 Carte des comptences du rseau 220
Tableau 5.8 Contraintes exiges pour la ralisation des activits .. 221
xvii
Tableau 5.9 Propositions des partenaires 221
Tableau 5.10 Ensemble des solutions possibles (ralisables) ... 223
Tableau 5.11 Caractristiques des solutions non domines . 224
Tableau 5.12 Vecteur de priorit des comptences .. 225
Tableau 5.13 Scores des solutions non domines . 225
Tableau 6.1 Mthode pour le calcul de la fiabilit a posteriori .. 238
Tableau 6.2 Informations garder dans la base de donnes des partenaires . 245
Tableau 6.3 Ensemble des solutions possibles (ralisables) .. 253
Tableau E.1 Classement direct 308
Tableau E.2 Classement inverse . 309
Tableau E.3 Classement mdian . 311
Tableau E.4 Synthse des grandes classes de mthodes multicritres [Chevalier
et Hirsh, 1980]

312





INTRODUCTION GENERALE






INTRODUCTION GENERALE


Le contexte conomique des dernires dcennies a t marqu par de multiples mutations
qui ne cessent de remettre en question les stratgies de gestion des entreprises
manufacturires.
En effet, on assiste une ouverture des marchs aux produits trangers, une svre
concurrence en termes de prix, dlai, qualit, flexibilit et des exigences de clients en
perptuelle volution.
Face ces mutations de plus en plus rapides, une entreprise, notamment une petite ou
moyenne nest plus en mesure de tout faire en interne. Elle tentera donc de mettre en valeur
ses forces et de sorienter vers ses clients en procdant des efforts de rationalisation. Dans
ce but, elle va se concentrer sur ses mtiers de base et faire appel des partenaires efficaces
pour ses activits complmentaires et ce dans une recherche de flexibilit, doffre de varit
et de comptitivit susceptibles de consolider sa position sur le march. Cette dynamique a
favoris lintensification de la coopration entre entreprises, coopration qui ne cesse de
prendre des formes multiples et varies (partenariat, joint-venture, alliance, ....) qui ont
donn naissance de nouvelles formes dentreprises bien mieux adaptes aux besoins du
client. On retrouve alors des regroupements sous forme dentreprise virtuelle ([Ettinghoffer
1992], [Brilman 1995], [Goranson et al., 1997], [Couture et Loussararian, 1999]),
dentreprise rseau ([Butera 1991], [Pach et Paraponaris, 1993], [Poulin et al., 1994]),
dentreprise tendue ([Browne et al., 1995], [Cloutier 1999]), de rseaux dentreprises
[Nunes 1994], dentreprise en Grappe [Quinn Mills 1994]. Pour ces configurations,
lentreprise na plus de frontires aussi nettes. Elle intgre ses clients, ses fournisseurs et
3
ses partenaires dans sa structure, qui stend ou se rtracte au rythme des alliances quelle
passe ou des projets quelle lance [Couture et Loussararian, 1999].
Lmergence de ces formes dentreprises a t rendue possible grce aux technologies de
linformation et de la communication.

La satisfaction des besoins du client reste lobjectif primordial pour lentreprise ou le
groupement dentreprises, et ce indpendamment de sa configuration. Cet objectif suppose
au pralable une bonne matrise des flux informationnels, physiques et financiers en son
sein. Par ailleurs, et dans un souci doptimisation globale, lentreprise doit tendre la
matrise de ses flux au-del de ses frontires pour intgrer ses fournisseurs et ses clients.
Cest le concept de chane logistique.

Le dveloppement du concept "Chane logistique" a t motiv par, d'une part, une prise de
conscience des industriels que les dmarches d'amlioration des performances l'intrieur
de la firme ont t matrises, voire puises, et d'autre part une volont d'explorer les
gisements d'amlioration des performances qui sont au-del des frontires de la firme.
Les tudes montrent que les gains esprs par une entreprise qui sintresse uniquement
sa gestion interne sont trs limits si on les compare aux gains esprs sur toute la chane
logistique. Do lintrt de dpasser les frontires de lentreprise et dintgrer tous les
partenaires : fournisseurs, distributeurs, de manire ce que la marchandise soit produite
et distribue la bonne quantit, au bon endroit et au bon moment dans le but de satisfaire
au plus juste le besoin du client et de profiter de la synergie des partenaires travers une
gestion globale de chane logistique.

En poussant la rflexion lextrme, nous supposons que ladoption des concepts de chane
logistique par un groupement dentreprises savre fructueuse. Cette question a intress
des chercheurs de diffrentes disciplines dont notamment l'approvisionnement et l'achat, la
logistique et le transport, le marketing, l'organisation industrielle, l'conomie des cots de
transaction, la thorie des contrats, la sociologie des institutions, l'ingnierie des systmes,
les rseaux dentreprises, le management stratgique, les technologies de linformation et
de la communication.
4

Afin de contribuer au traitement de ce problme, savoir la modlisation dune chane
logistique dans un rseau dentreprises, nous avons structur le contenu de cette thse en
trois parties scindes en six chapitres.

La premire partie, comprend les chapitres 1 et 2. Nous entamons cette partie par une
prsentation exhaustive de la problmatique de la thse.
Dans le chapitre 1, nous prsentons une tude des architectures industrielles. Nous
expliquons limpact de lvolution des contextes industriel et commercial sur la naissance
de nouvelles formes dentreprises comme lentreprise rseau, lentreprise virtuelle,
lentreprise tendue
Ces nouvelles formes dentreprises sont bases sur des relations de coopration dune part,
et sur les Nouvelles Technologies de lInformation et de la Communication (NTIC) dautre
part. Pour cette raison, nous nous intressons la catgorisation des relations de
coopration et nous suggrons un ensemble de mesures pour garantir la russite de ces
relations dans le cadre dun partenariat interentreprises.

Le chapitre 2 est consacr ltude du problme de conception et de gestion dune chane
logistique dun point de vue orient systme dinformation. Nous prsentons un aperu
historique de lvolution des concepts relatifs la logistique pour sintresser
particulirement la notion de chane logistique ainsi qu la catgorisation des problmes
qui lui sont relatifs. Nous tudions la structure gnrale des outils de conception et de
gestion dune chane logistique et nous expliquons les interactions entre ces outils et les
outils de gestion des ressources dentreprises (Enterprise Resource Planning : ERP).

Les chapitres 3 et 4 constituent la deuxime partie de la thse. Dans cette partie, nous
faisons le lien entre le problme de conception dune chane logistique et le problme de
faire ou faire-faire. Nous nous intressons particulirement aux aspects analytiques pour le
traitement de ce problme.
Nous montrons les liens qui existent entre le problme de faire, faire-faire ou faire
ensemble et les problmes de localisation dinstallations, de slection de fournisseurs et
5
dallocation dordres. Ceci explique lintrt que nous accordons ltude de ces problmes
que nous synthtisons dans le chapitre 4. Ces problmes tant multicritres, cela ncessite
au pralable la matrise des approches dagrgation multicritre, ce qui constitue le chapitre
3 de ce rapport.

Ainsi, dans le chapitre 3, nous prsentons un panorama des approches dagrgation
multicritre que nous classons en trois catgories : les mthodes lmentaires, les mthodes
doptimisation mathmatique et les mthodes daide la dcision multicritre. Pour chaque
mthode, nous prsentons les fondements thoriques, les avantages et les limites, ainsi que
des outils logiciels, et nous illustrons dans la mesure du possible par un exemple la faon
dappliquer la mthode. Enfin, nous proposons une procdure pour le choix dune mthode
doptimisation mathmatique ainsi quune procdure pour le choix dune mthode daide
la dcision multicritre.

Dans le chapitre 4, nous prsentons une typologie de chacun des problmes de localisation
dinstallations, de slection des fournisseurs et dallocation dordres. La typologie est base
sur les paramtres de type environnement de dcision (certain, incertain ; statique,
dynamique ; capacits finies, capacits infinies, cots linaires, cots non linaires).
Enfin, nous prsentons les mthodes de rsolution de ces problmes ainsi que les outils
logiciels les plus connus dans le commerce.

Dans la partie III de ce rapport constitue des chapitres 5 et 6, nous prsentons notre
dmarche pour le traitement de la problmatique objet de ltude.
Le chapitre 5 est consacr la prsentation de notre apport pour la modlisation dune
chane logistique dans une entreprise rseau. Nous proposons un ensemble dobjets de
modlisation comme la carte technologique dun produit, la carte des comptences du
rseau, que nous intgrons dans une dmarche doptimisation comportant deux tapes.
La premire tape permet de prendre en compte les objectifs court-terme de lentreprise
rseau. Ces derniers consistent satisfaire les besoins clients en termes de cot, dlai,
qualit, La deuxime tape permet de favoriser les objectifs long terme de lentreprise
rseau : la promotion de lapprentissage et du dveloppement de comptences. La mthode
6
propose est applique un cas dtude. Enfin, des extensions ont t proposes au modle
analytique de base.

Dans le chapitre 6, nous nous intressons la prise en compte de laspect stochastique.
Pour ce faire, nous proposons un modle bas sur la fiabilit. Nous expliquons la pertinence
du concept de fiabilit et nous proposons des procdures de calcul de fiabilit de chaque
partenaire pour en dterminer la fiabilit de tout le rseau.

Nous terminons le contenu de cette thse par un recensement des rsultats obtenus et par
des discussions sur les perspectives de recherche.

Compte tenu de lmergence du domaine, plusieurs annexes ont t prpares pour aider
mieux situer la problmatique aborde et faciliter la comprhension des concepts qui ont
prsid llaboration de ce travail.





PARTIE I








PROBLEMATIQUE



Lobjectif de cette thse est de proposer un modle technico-conomique de conception
et de gestion dune chane logistique dans une organisation en rseau. Le modle doit
aider lanalyse, lvaluation et la restructuration des processus du rseau afin
damliorer ses performances.

Dans la catgorie des problmes de conception et de gestion dune chane logistique, nous
examinons particulirement le problme dallocation dordres. Nous nous intressons la
faon de rpartir les activits, relatives la ralisation dun produit, aux diffrents
partenaires dun rseau. Nous tudions le cas des rseaux coopratifs : rseaux o tous les
partenaires ont les mmes privilges (pas de partenaire leader). Enfin, nous examinons les
faons de modliser lincertitude inhrente au problme.

Tout au long de ltude, nous considrons que le choix des partenaires du rseau ait t
effectu. Le rseau est ainsi dfini et sa structure (les partenaires qui le composent) ne sera
pas remise en question.

A travers cette tude, nous serons amens rpondre aux questions suivantes:
(1) Quelles sont les opportunits tirer de lmergence des organisations en
rseau ?
(2) Quel est lintrt du concept de chane logistique ? Comment peut-il tre
profitable pour des organisations en rseau ?
9
(3) Quelles sont les forces et les limites des outils logiciels disponibles sur le
march pour la conception et la gestion dune chane logistique ?
(4) Quels sont les efforts dploys par la communaut scientifique pour traiter les
problmes de conception et de gestion dune chane logistique ?
(5) Quelles sont les caractristiques dun rseau coopratif ? Quelles sont les
attentes de ses clients et de ses partenaires ?
(6) Comment prendre en compte de faon quitable les prfrences des partenaires
dun rseau coopratif ?
(7) Comment rpartir les activits requises par une commande client aux partenaires
dun rseau coopratif ? Comment la rpartition des activits peut-elle assurer la
satisfaction des exigences client, la promotion de lapprentissage et le
dveloppement des comptences au sein du rseau ?
(8) Comment peut-on intgrer laspect stochastique inhrent au problme ?
(9) Pourquoi la fiabilit est un critre dvaluation prometteur pour la modlisation
de lincertitude inhrente au problme ?
(10) Comment dterminer la fiabilit des partenaires ainsi que la fiabilit du rseau ?



CHAPITRE 1


ARCHITECTURES INDUSTRIELLES


1. Introduction : volution du contexte industriel et commercial
La russite dune entreprise dont les besoins des clients sont en perptuels changements ne
peut tre garantie qu travers sa flexibilit, sa ractivit, son adaptabilit son
environnement et la personnalisation de ses produits.
Ainsi, une entreprise qui sobstine garder son organisation traditionnelle conforme la
conception taylorienne ( savoir miettement des tches, systme hirarchique pyramidal
cloisonn et segmentetc.), ne sera certainement pas en mesure de rsister une
concurrence de plus en plus svre.

Conscientes de limpossibilit de matriser tous leurs mtiers, les entreprises daujourdhui
en premier lieu les plus performantes ont tendance se transformer, se rorganiser et
profiter des opportunits que leur offre leur environnement en terme de comptences ; on
assiste ainsi un recentrage de certaines entreprises sur les mtiers dans lesquels elles
possdent un avantage comptitif, et une externalisation des mtiers annexes considrs
comme les mtiers dans lesquels elles ne peuvent exceller.

11
Une entreprise qui a choisi de se dployer, fait de plus en plus appel des comptences
extrieures. Ces formes de coopration se prennisent pour former de vritables
partenariats.

Cet appel des partenaires peut prendre des formes multiples et varies : il peut se
matrialiser par exemple par une alliance, une impartition, etc. et peut tre aussi bien
formel quinformel. Ces diffrents partenariats complexifient la chane logistique des
produits et rendent les frontires de lentreprise de plus en plus floues. De ce fait,
lorganisation et la gestion sortent du cadre juridico-organisationnel traditionnel.

Dans leurs travaux sur les nouvelles formes dorganisation, [Couture et Loussararian, 1999]
prcise que les entreprises sont lances dans le changement, elles adoptent une
philosophie caractrise par une vision globale, intuitive, et ractive et une dmarche de
lentreprise vers lintelligence : lentreprise est devenue un systme dapprentissage
collectif o les vraies richesses sont le savoir et les comptences quelle accumule.
Lorganisation apprend et se transforme en permanence. Lentreprise na plus les
frontires aussi nettes, elle intgre ses clients, ses fournisseurs et ses partenaires dans sa
structure, qui stend ou se rtracte au rythme des alliances quelle passe ou des projets
quelle lance .

Dans ce contexte, de nouvelles formes dorganisation mergent, savoir lentreprise
rseau, lentreprise virtuelle, l'entreprise tendue.etc. Nous nous proposons, dans ce
chapitre, de clarifier les diffrences entre ces nouvelles formes dentreprises. Pour ce faire,
nous synthtisons la terminologie relative ces nouvelles architectures industrielles en
mettant laccent sur limpact des diffrentes relations de cooprations interentreprises dans
lmergence dune architecture industrielle.
12
2. Typologie des nouvelles formes d'entreprises
2.1 Terminologie
Les nouvelles donnes conomiques marques par linternationalisation et les nouvelles
formes de concurrence (qualit, ractivit, diversit, ) ont engendr des mutations qui
tmoignent dune rupture avec les thories classiques de lentreprise et de lorganisation :
de multiples configurations dentreprises, bien mieux adaptes aux produits et aux services
que lentreprise fournit aux clients ont vu le jour.

Du fait du caractre encore nbuleux de ces nouveaux modles, la communaut scientifique
a propos plusieurs dnominations souvent plusieurs dnominations pour un seul modle
- pour qualifier ces modles.

Des termes comme lentreprise transactionnelle [Coase 1937], la quasi-firme [Eccles 1984],
la structure dynamique de rseaux [Miles et Snow, 1981], les macro-entreprises [Dioguardi
1983], les entreprises systme solaire [Piore et Sabel, 1990] ont t proposs pour
dsigner des organisations qui partagent les caractristiques suivantes :
(1) Ce sont des entreprises hybrides , situes la frontire de lorganisation et du
march.
(2) Dans le sujet entreprise , les domaines de la technique et de la gestion ne
concident pas forcment avec les domaines du juridique et de lorganisation.
(3) Les processus conomiques et lorganisation ne dpendent pas de la structure de
chaque entreprise en particulier mais des relations des entreprises entre elles.
[Butera 1991]

On se limitera dans cette section dfinir les nouvelles formes dorganisation les plus
courantes savoir lentreprise en rseau, lentreprise virtuelle, lentreprise tendue, et
lentreprise fdrale.
Dautres formes beaucoup moins frquentes dans la littrature scientifique telles que
lorganisation en triple I (3I), lentreprise en grappe, lentreprise en trfle seront dfinies en
annexe A.
13

Dfinition 1.1: Entreprise rseau

"Cest un ensemble dentreprises lies les unes aux autres par un cycle de production. Le
lien nest ni juridique, ni structurel ; il revt souvent la forme de simples accords. Ces
entreprises ont en commun un puissant systme de coopration fonctionnelle." [Butera
1991].

"Lentreprise ayant une culture rseau se concentre sur les activits quelle matrise le
mieux. En consquence, elle confie dautres entreprises, capables de les raliser
moindre cot, plus rapidement et plus efficacement, les activits quelle matrise le moins"
[Snow 1992].

" Lentreprise rseau est une entreprise qui a choisi dtendre son action pour partager les
dfis dun environnement conomique dont elle matrise dautant mieux la complexit
quelle est outille des comptences de ses partenaires. Des partenaires convaincus
comme elle-mme des multiples avantages dune alliance." [Poulin et al., 1994]


Dautres dnominations ont t accordes lentreprise en rseau savoir filires
[Bellon et Chevalier, 1984], constellations dentreprises [Lorenzoni et Ornati, 1988],
entreprise modulaire [Brilman 1995] qui donne lide dune entreprise gomtrie
variable selon ses besoins ; une sorte dentreprise Lego.

La littrature scientifique a mis en exergue la multiplicit des configurations dentreprise
rseau que nous synthtisons partir des travaux de [Butera 1991] et [Pach et Paraponaris,
1993] :
(1) La configuration de type contrle : appele galement entreprise rseau base
hirarchique : les relations sont de nature quasi hirarchique entre les donneurs
dordre et les PME. On a affaire une quasi-intgration verticale. On retrouve cette
configuration dans le secteur automobile par exemple.
14
(2) La configuration de type coordination : ou entreprise rseau centre de gravit
centr : une firme centrale (pivot) coordonne les diffrentes participations la
valeur dun bien (par exemple les entreprises industrielles non manufacturires :
Benetton, Nike Shoes ; et les socits vides ou creuses (hollow Corporation)).
(3) La configuration de type coopration : ou entreprise rseau sans centre : des
partenaires sassocient pour mener un projet commun impliquant des relations
dinterdpendance, par exemple les districts industriels.

Il importe de prciser que dans une configuration de type coopration (entreprise rseau
sans centre), la notion dentreprise rseau sans centre ne signifie pas labsence dune unit
de dcision, mais plutt quil existe une unit de dcision qui est constitue par des
membres choisis de faon dmocratique parmi le personnel de chacune des entreprises
partenaires. Le pouvoir et la dcision ne sont donc pas monopoliss par un seul partenaire
(entreprise pivot).

Dfinition 1.2 : Entreprise virtuelle

"Lentreprise virtuelle est une agrgation temporelle de comptences et de ressources qui
collaborent ensemble pour un besoin spcifique tel une opportunit daffaire." [Goranson
et al., 1997].

"L'entreprise virtuelle est une organisation temporaire forme par des alliances
stratgiques ou de partenariat." [Brilman 1995]

"L'entreprise virtuelle est forme dun groupe de partenaires ayant des comptences
respectives. Chaque partenaire est un spcialiste reconnu par ses pairs contribuant la
formation de lquipe qui lentoure." [Ettinghoffer 1992]

"Lentreprise virtuelle est un rseau temporaire dentreprises indpendantes. Ces
entreprises sont souvent concurrentes. Elles se regroupent rapidement pour exploiter les
opportunits assujetties des changements rapides quoffre le march. Lintgration de ces
15
entreprises est assure par les technologies de la communication et de linformation."
1

[Browne et Zhang, 1999]


Nous remarquons que dans toutes ces dfinitions, le caractre temporel de la coopration a
t mis en exergue. Ainsi, lentreprise virtuelle peut se dsintgrer ds que le projet pour
lequel elle a t cre est termin. Les entreprises qui ont pass des alliances apportent
leurs meilleures comptences et leurs meilleures ressources, de sorte que lentreprise
virtuelle est la meilleure de tous les concurrents.
Ces alliances sont moins formelles et plus opportunistes dans la mesure ou elles se font
pour lexploitation momentane dun march [Couture et Loussararian, 1999].

Dfinition 1.3 : Entreprise tendue

"Le concept dentreprise tendue est principalement fond sur lide de considrer
lentreprise manufacturire traditionnelle et dy incorporer les entreprises avec qui elle
entretient des relations dans le cadre de sa production" [Browne et al., 1995]

"Lentreprise tendue est une sorte dentreprise reprsente par toutes les organisations
ou parties dorganisations : clients, fournisseurs, sous-traitants, engags de faon
collaborative la conception, au dveloppement et la livraison des produits
lutilisateur final.".
2
([Brown et al., 1996], [Gott 1996])


Lentreprise tendue est la rsultante de lensemble des systmes dinformations qui
assurent les relations entre une entreprise et ses partenaires (clients, fournisseurs, sous-
traitants) qui sengagent sur un projet unique dont les chances sont dtermines en

1
The virtual enterprise is a temporary network of independent companies, often former competitors, who
come together quickly to exploit fast-changing opportunities. The business partners are integrated using
information and communication technology.

2
The extended enterprise can be regarded as a kind of "enterprise" which is represented by all those
organizations or parts of organizations, customers, suppliers, and sub-contractors, engaged collaboratively in
the design, development and delivery of a product to the end user
16
commun. Le systme manufacturier dune entreprise est donc vu dans un contexte plus
global qui englobe les relations de lentreprise avec ses partenaires.
[Cloutier 1999] stipule que le concept dentreprise tendue est principalement bas sur le
rseautage interentreprises ou encore les rseaux dentreprises.

Dfinition 1.4 : Entreprise fdrale

"L'entreprise fdrale est constitue dun petit sige et dun grand nombre dunits qui
travaillent sous le mme nom. A la tte de chaque unit, il y a des chefs qui sapparentent
plus des leaders. Les dcisions sont prises par lensemble des chefs. Le centre (sige)
traite seulement ce que les units ne peuvent pas traiter (principe de subsidiarit). Il
coordonne, conseille et suggre. Cette forme permet davoir une grande taille tout en
gardant les avantages des petites units." [Handy 1989]


Dfinition 1.5 : Rseau dentreprises

"Les rseaux d'entreprises sont des constructions coopratives moyen et long terme qui,
dans leur forme la plus acheve, sappuient sur lintrt mutuel et rciproque des
partenaires en prsence." [Nunes 1994].


Dans ses travaux sur les organisations en rseau, Nunes [Nunes 1994] distingue deux types
de rseau d'entreprises : les rseaux centrs et les rseaux fdrs.
(1) Les rseaux centrs : sont conus et mis en place par une firme qui souhaite
bnficier dinteractions stratgiques avec des fournisseurs et des clients fidliss,
ou tout autre partenaire dont les comptences se rvlent intressantes. Cette firme
devient ainsi un noyau central autour duquel gravitent des (formes) PME
fidlises et satellises qui prennent en charge la ralisation de certains maillons de
la chane de valeur du rseau. On distingue :
Les constellations rationalises : les PME sont chacune en relation avec
le centre mais ne communiquent pas rellement entre elles. Elles sont
gnralement apprcies pour leur flexibilit et leur capacit de raction et
dadaptation. Le noyau central est gnralement reconnu par ses partenaires
17
et son pouvoir sexerce davantage grce sa capacit grer globalement
linformation dans le rseau que par le biais dune pure dpendance
contractuelle.
Les constellations planifies : des relations mutuelles entre les satellites
mergents : une sorte dorganisation auto-rgule se dveloppe en mme
temps que de forts liens inter-partenaires : ceci rduit la ncessit dune forte
coordination de la part de la firme-pivot. Celle-ci peut ainsi se concentrer
davantage sur les activits de conception ou dinnovation ou celles relevant
de son avantage concurrentiel. Le pouvoir du noyau sexerce maintenant
grce lexpertise en termes de leadership que lui reconnaissent les PME.
(2) Les rseaux fdrs : aucune entreprise nen est le leader permanent ou
institutionnel. Ceci parce que la position du leader est soit instable sur le long
terme, se faisant et se dfaisant au gr des situations rencontres et contrats
remports (exemple typique de la co-traitance ou du district Marshalien ), soit
confine un cadre institutionnel particulier et distinct (exemple typique des
groupements de PME sous forme de GIE) [Nunes 1994].

Les diffrentes formes dentreprises prsentes dans cette section traduisent un engouement
pour le partenariat motiv par :
La ncessit de partage des ressources : il faut sunir pour partager les cots .
Nous sommes donc dans une perspective de rduction des cots.
Rduction de lincertitude : le partenariat permet une vision plus large, une
connaissance plus tendue du march.
La recherche de synergie : par la combinaison des activits complmentaires des
socits partenaires [Chevalier 1996].
La volont damliorer la ractivit : le partenariat permet lentreprise de mieux
sadapter aux changements de lenvironnement.
La volont damliorer la flexibilit.

18
2.2 Relations de coopration
Dans les diffrentes formes dentreprises mentionnes ci-dessus, on a recens trois types de
relations de coopration savoir :
(1) Relations de coopration verticales : elles sont gnralement analyses du point
de vue des changes producteurs utilisateurs, ou des contrats de sous-traitance
passs entre donneurs dordres et des entreprises de moindre importance.
(2) Relations de coopration horizontales : elles sont bties entre concurrents ayant
dcid de collaborer ensemble pour atteindre un objectif commun. Elles peuvent
concerner aussi bien des relations entre partenaires appartenant des aires de
march diffrentes que des liaisons entre concurrents directs [Rullire et Torre,
1995].
(3) Relations de coopration diagonales : les partenaires de ces relations ne sont ni
des concurrents, ni des acteurs successifs de la chane de valeur. Ils sont lis par
exemple pour cooprer dans le domaine de la recherche technologique.
(4) Les liaisons entre science et industrie : elles sont peu tudies. Elles mettent en
vidence limportance des cooprations de proximit entre chercheurs publics ou
universitaires et techniciens et chercheurs privs. Elles mettent laccent sur le fait
que les relations de coopration entretenues par les entreprises dpassent le domaine
industriel et commercial et stendent lensemble de leur environnement [Tapon
1989].

2.2.1 Les facteurs cls de succs dune relation de coopration
Si lon saccorde sur lapport avantageux du partenariat, il semble indispensable de lister
les pr-requis ncessaires sa russite.

a. Le partage dune intention
Une vision gagnant gagnant des relations : Il y a donc une volont de faire mieux
ensemble et de partager les bnfices.
19
Un comportement coopratif : cela implique la mise en uvre dactions concertes,
le partage dinformations, lexistence de mcanismes conjoints de prise de dcision,
lexistence de mcanismes de rsolution de conflits et une restriction de lutilisation
du pouvoir.
La confiance : un partenariat saccompagne, de la part des deux acteurs, dun
dsinvestissement vis--vis des technologies et des savoir-faire, pris en charge par
lautre. Il nest possible daccepter cet ala que si lon a confiance en lautre.

b. Laffirmation dune volont
Une construction dans la dure et la continuit : sengager btir une relation
durable et linscrire dans la continuit.
Un apprentissage mutuel : de la qualit de cet apprentissage dpend le maintien de
la confiance.

c. La gestion de linterdpendance
Dpasser les frontires de lexcution des tches : le partenariat dpasse le strict
registre du partage des tches. Il saccompagne en effet dune coopration qui
touche au plan oprationnel et la planification : cest le co-pilotage de projet co-
conu .
Interpntration des organisations, effacement des frontires organisationnelles :
les partenaires scellent leur avenir dans un partenariat ; perdant une partie de leur
autonomie, partageant une vulnrabilit stratgique, ils compensent largement ces
inconvnients par les gains quils obtiennent, grce la fameuse acclration des
performances.

2.2.2 Quelles voies pour garantir le succs dun partenariat
La bonne volont de russir ne suffit pas pour assurer le succs. En effet, la bonne volont
qui donne naissance un partenariat ne met pas le partenariat labri dun opportunisme
20
dfini par Williamson comme le fait que lindividu agit de faon satisfaire son intrt
personnel, mme si ce comportement nuit autrui [Williamson 1985].
Il est ainsi important de prvoir des mcanismes de coordination dont notamment :

a. Des modalits oprationnelles de gestion
Mettre en place des procdures standardises, sans senfermer : les procdures
standardises permettent de faire des conomies de cots inhrents la
coordination.
Eviter la sclrose par une routinisation excessive.
Informer, communiquer : lincertitude, le doute ou la mfiance naissent parfois dun
manque dinformation sur la ralit des choses. Il est donc ncessaire de co-
concevoir une rciprocit dchange dinformation.
Rduire la distance qui spare les partenaires.

b. Des dispositifs de suivi et de contrle
Les tableaux de bord : le suivi et le contrle actif de la performance est un gage de
la recherche de performance. Il est donc indispensable de construire, partir de
critres rigoureux, des tableaux de bord individuels et un tableau de bord spcifique
au partenariat.
Construire une politique de vigilance : prvoir de frquentes sances communes
dvaluation.
Prvoir des mcanismes de gestion des conflits : tout conflit, mme mineur, peut
entraner la faillite dun partenariat sil est mal gr, ou pire sil est ni [Fabbe-
Costes et Brulhart, 1999].

3. Conclusion
Les cooprations interentreprises ne cessent de se multiplier, donnant naissance de
nouvelles formes dorganisations. Ces cooprations sont rendues plus accessibles par les
progrs des technologies de linformation et de la communication. Ces derniers ont assur
la connexion des entreprises de diffrents pays du monde et ont permis lacclration des
21
changes de donnes entre ces entreprises. Le dfi actuel consiste bien adapter les
mthodes de gestion dentreprises ces nouvelles organisations, voire concevoir de
nouvelles mthodes permettant la prise en compte de la culture et de lthique de chaque
entreprise, afin de garder une relation gagnant-gagnant entre les partenaires de ces
organisations nouvelles.
Dans le domaine du Gnie Industriel, une faon de traiter les problmes relatifs aux rseaux
dentreprises consiste tudier le rseau selon les flux dinformations et de matires qui le
traversent : cest le concept de chane logistique.
Les tudes montrent que ce concept permet de rassembler les partenaires dun rseau autour
dun but commun et damliorer les performances globales du rseau ainsi que les
performances de chacun des partenaires. Afin de mieux cerner ce concept, nous nous
proposons, dans le chapitre suivant, de mener une tude dtaille des fondements de ce
concept, ses avantages, ses limites ainsi que des outils disponibles sur le march pour le
supporter.



CHAPITRE 2


CONCEPTION ET GESTION DE CHAINES
LOGISTIQUES


1. Introduction
Pendant la premire moiti du XX
me
sicle, le succs dune entreprise reposait
principalement sur le choix dune stratgie de volume, stratgie issue du mode
dorganisation Fordiste. Les chercheurs ont dcouvert dans les bagages dHenry FORD, les
problmes de planification, dordonnancement et de stockage qui allaient mobiliser leur
nergie pendant plus dun demi-sicle [Tarondeau 1998].
Ce nest quaprs la deuxime guerre mondiale, quun japonais, un praticien de la firme
Toyota appel Taiichi OHNO dont limagination cratrice a t stimule par les conditions
de laprs-guerre, proposait et mettait en place de nouvelles mthodes de travail qui allaient
rvolutionner le monde : le Juste-A-Temps. Conscient du contexte spcifique du Japon de
l'aprs-guerre et de l'incapacit de son pays de rattraper son retard sil faisait le choix dune
stratgie de volume, il prsentait une planification tire par la commande commerciale. Et
les rsultats taient spectaculaires sur les plans de la productivit, qualit, flexibilit et
ractivit....
Il a fallu pourtant une crise ptrolire (1973) et ses effets durables sur la demande et la
concurrence, pour que le systme Toyota intresse les chercheurs [Tarondeau 1998].
23
Depuis les annes 1990, on assiste l'apparition de nouvelles mthodes et philosophies
globales et intgres de gestion d'entreprise, ainsi, qu' l'actualisation d'autres mthodes
plus anciennes et qui sont ancres dans le milieu industriel. Ces changements ont engendr
l'apparition d'une nouvelle terminologie. Des acronymes foisonnent et rsonnent de plus en
plus fort : ERP (Enterprise Resource Planning : Progiciel de Gestion Intgr d'Entreprise),
SCM (Supply Chain Management : Pilotage de la Chane Logistique), CRM et ERM
(Customer Relationship Management, E-business Relationship Management : Gestion et
Contrle de la Relation avec le Client), PRM (Partner Relationship Management : Gestion
avec les Partenaires de la Chane de Valeur), APS (Advanced planning and Scheduling
Systems), SCE (Supply Chain Execution), PLM (Product Lifecycle Management : Gestion
du Cycle de Vie des Produits), EAM (Enterprise Asset Management : Gestion et Contrle
des Actifs de l'Entreprise ), PDM (Product Data Management) et la liste est encore
longue.
En ralit, cette myriade d'acronymes traduit les diffrentes catgories de progiciels
disponibles sur le march et destines aux entreprises ayant des objectifs d'amlioration de
performances.
Face cette multitude d'offres, il est clair que le dcideur en entreprise sera rapidement
confus. Ainsi, il importe de savoir quel(s) niveau(x) de l'entreprise agit chacun des
progiciels ? Quels sont ses fondements thoriques et comment permetil l'amlioration des
performances de l'entreprise ? Quel sera le niveau d'amlioration escompt ? Quels seront
les cots, la dure et la mobilisation du personnel engendrs par la mise en place d'un
progiciel au niveau de l'entreprise ?
La rponse ces questions est un des objectifs de ce chapitre o on s'intresse davantage
l'tude du concept, des mthodes et des outils de conception et de gestion d'une chane
logistique. La section 2 est consacre ltude de lvolution des concepts relatifs la
logistique et leur apport en termes d'amlioration de performance pour les entreprises.
Nous dfinissons dans la section 3 le concept de chane logistique pour sintresser
particulirement, la section 4, aux problmes de conception et de gestion dune chane
logistique. Dans la section 5, nous menons une tude sur les outils SCM. Enfin, dans la
section 6, nous prsentons nos orientations de recherche.

24
2. Historique
Selon le petit Robert, le mot logistique vient du grec "logistikos" et veut dire :
(1) Les techniques de transport, ravitaillement et logement des troupes.
(2) Moyens et mthodes d'organisation matrielle d'une entreprise.

En effet, le terme logistique trouve ses origines dans le domaine militaire. A la base c'est
l'art du raisonnement et du calcul. Ainsi, dans ce contexte, la logistique est tout ce qui est
ncessaire pour, d'une part, donner aux forces armes au moment et l'endroit voulus, en
quantit et en qualit voulues, les moyens de vivre, de combattre et de se dplacer et,
d'autre part, assurer le traitement sanitaire des personnels et la rparation des
matriels [Dormier et Fender, 2001].
Aprs la deuxime guerre mondiale, le concept de logistique s'est dvelopp dans le
domaine de la gestion industrielle pour devenir une pierre angulaire des projets
d'amlioration de performances au sein des entreprises.
Dans le cadre de cette thse, on s'intresse la logistique dans sa dimension
organisationnelle de l'entreprise uniquement.
Nous prsentons dans ce qui suit, diffrentes dfinitions du terme logistique :

Dfinition 2.1 : Logistique Industrielle

"La logistique concerne le mouvement et la manutention de marchandises du point de
production au point de consommation ou d'utilisation." Cette dfinition a t adopte en
1948 par l'American Marketing Association (AMA) [Dixier et al., 1996].

"La logistique est un terme employ dans l'industrie et le commerce pour dcrire le vaste
spectre d'activits ncessaires pour obtenir un mouvement efficient des produits finis
depuis la sortie des chanes de fabrication jusqu'au consommateur, et qui dans quelques
cas inclut le mouvement des matires premires depuis leurs fournisseurs jusqu'au dbut
des chanes de fabrication. Ces activits incluent le transport des marchandises,
l'entreposage, la manutention, l'emballage, le contrle des stocks, le choix des
emplacements d'usines et d'entrepts, le traitement des commandes, les prvisions de
25
march et le service offert aux clients." Cette dfinition a t adopte en 1962 par le
National Council of Physical Distribution Management (NCPDM), actuellement le Council
of Logistics Management (CLM) [Dixier et al., 1996].

"La logistique est un terme dcrivant l'intgration de deux (ou de plusieurs) activits dans
le but de planifier, mettre en uvre et contrler un flux de matires premires, de produits
semi-finis et de produits finis, de leur point d'origine au point de consommation." Cette
dfinition a t propose en 1972 par le NCPDM [Dixier et al., 1996].

"La logistique est une collection de fonctions relatives aux flux de marchandises,
d'informations et de paiement entre fournisseurs et clients depuis l'acquisition des matires
premires jusqu'au recyclage ou la mise au rebut des produits finis" Cette dfinition est
actuellement adopte par The Logistics Institute (TLI) [Dixier et al., 1996].

"La logistique est la planification, l'excution et la matrise des mouvements et des mises en
place des personnes ou des biens, et des activits de soutien lies ces mouvements et ces
mises en place, au sein d'un systme organis pour atteindre des objectifs spcifiques." [NF
X50-600]


Ces dfinitions permettent de synthtiser les volutions de la logistique au cours du temps.
Si la logistique n'a concern dans ses dbuts (Dfinition AMA 1948) que les fonctions
physiques des flux de distribution, elle s'est rapidement tendue pour inclure, dans un
premier temps, les fonctions physiques des flux d'approvisionnement (Dfinition NCPDM
1962), puis les fonctions des flux de production (Dfinition NCPDM 1972). La logistique
concerne depuis, toutes les fonctions de l'entreprise : on s'intresse dsormais la logistique
amont (logistique d'approvisionnement), la logistique interne (gestion de production) et
la logistique aval (logistique de distribution) : c'est l'aube de la logistique intgre.
La logistique est devenue par consquent, la fonction transversale par excellence, une partie
du management moderne, un avantage concurrentiel pour certaines entreprises et un facteur
cl de performance pour d'autres.
26
La dfinition propose par le The Logistics Institute a le mrite de mettre l'accent sur
deux points essentiels :
(1) l'importance d'une prise en compte des flux physiques de marchandises sur
l'ensemble du cycle de vie du produit. D'o l'extension du domaine d'action de la
logistique.
(2) l'analyse des interrelations entre les flux physiques de marchandises et les flux
d'informations et financiers qui leurs sont associs (voir Figure 2.1).
Figure 2.1 Parcours des flux physiques, financiers et d'information.

Il est clair que dans cette dfinition, la logistique s'est tendue uniquement l'aval du cycle
de vie du produit en intgrant les fonctions d'exploitation et de recyclage/destruction du
produit.
En revanche, la logistique ne s'est pas encore tendue, du moins officiellement, sous forme
d'une dfinition reconnue, aux fonctions en amont du cycle de vie du produit comme l'tude
du march ou la conception. L'absence de flux physique de marchandises ces niveaux du
cycle de vie du produit est-elle la raison ?

E
t
u
d
e
d
e

m
a
r
c
h

C
o
n
c
e
p
t
i
o
n
A
p
p
r
o
v
i
s
i
o
n
n
e
m
e
n
t
P
r
o
d
u
c
t
i
o
n
D
i
s
t
r
i
b
u
t
i
o
n
E
x
p
l
o
i
t
a
t
i
o
n
R
e
c
y
c
l
a
g
e
/
D
e
s
t
r
u
c
t
i
o
n
C
y
c
l
e

d
e

v
i
e

d
u

p
r
o
d
u
i
t
E
t
u
d
e
d
e

m
a
r
c
h

C
o
n
c
e
p
t
i
o
n
A
p
p
r
o
v
i
s
i
o
n
n
e
m
e
n
t
P
r
o
d
u
c
t
i
o
n
D
i
s
t
r
i
b
u
t
i
o
n
E
x
p
l
o
i
t
a
t
i
o
n
R
e
c
y
c
l
a
g
e
/
D
e
s
t
r
u
c
t
i
o
n
C
y
c
l
e

d
e

v
i
e

d
u

p
r
o
d
u
i
t
Flux physiques de marchandises
Flux d'informations
Flux financiers
27
En fait, c'est une nouvelle discipline nomme "Soutien Logistique Intgr" qui s'est
intresse aux deux niveaux du cycle de vie du produit, tude des marchs et conception.
Elle s'est surtout focalise sur la ncessit de prendre en compte, ds la conception, des
contraintes logistiques concernant l'ensemble du cycle de vie du produit. Nous pouvons
dfinir le soutien logistique intgr plus formellement grce la dfinition suivante :

Dfinition 2.2 : Soutien Logistique intgr (SLI)

"Le Soutien Logistique Intgr est une approche globale itrative du management et des
techniques ncessaires pour assurer un systme ses performances aux meilleurs cots et
dlais tout au long du cycle de vie. Il s'agit ainsi de la mise en place, le plus en amont
possible, d'une politique de qualit ds la conception du produit." [Pons et Chevalier, 1993]


La Figure 2.2 rcapitule la diffrence de cots engendrs par l'adoption d'une logistique
classique versus l'approche soutien logistique intgr.
Figure 2.2 Evolution des cots logistiques au cours du cycle de vie en fonction de la
stratgie retenue [Pons et Chevalier, 1993].
Acquisition
Conception Production Mise en oeuvre
Exploitation
Retrait du service
Mise au rebut
SLI
Logistique
classique
Cots cumuls
28

Grce au dveloppement des frontires de la logistique et l'approche du soutien logistique
intgr, tous les niveaux du cycle de vie du produit ont t considrs (voir Figure 2.3). Et
pourtant, la fin des annes 1990, un nouveau concept appel "Chane Logistique" ou
"Rseau Logistique" merge. Quels sont les apports de ce concept ? Quels sont ses
avantages et ses limites ? Comment une entreprise peut-elle profiter de ces avantages et
dpasser ces limites ? La section suivante fait l'objet de ces questionnements.

Figure 2.3 Domaines d'action de la logistique et du soutien logistique intgr.
3. Chane Logistique
L'quivalent en anglais du terme chane logistique est "Supply Chain". Bien que
l'expression anglo-saxonne, littralement "Chane de l'offre" [Laurentie et al., 2000], laisse
entendre qu'elle concerne spcifiquement l'approvisionnement, elle est utilise dans un but
de faire concider l'offre - traduction du mot "supply" avec la demande. Le terme "Chane
Logistique" correspondait donc, au mme concept que le "Supply Chain".
Etude de march
Conception
Approvisionnement
Production
Distribution
Exploitation
Recyclage/Destruction
AMA
1948
NCPDM
1962
NCPDM
1972
TLI
1990
SLI
1980-90
Temps
Cycle de vie du produit

















29
Par ailleurs, si le terme "Chane Logistique" a t utilis en France depuis les annes 1970,
il n'avait pas le mme sens qu'il a aujourd'hui.
En outre, le terme anglo-saxon "Supply Chain" a t cre aux Etats-Unis en 1982 par deux
consultants - Oliver et Webber - et ce n'est qu'au dbut des annes 1990 que son utilisation
a t gnralise.

Nous nous intressons maintenant la dfinition et l'analyse du concept de chane
logistique travers les crits des chercheurs et des industriels. Pour ce faire, nous nous
baserons sur les dfinitions formelles suivantes :

Dfinition 2.3 : Chane logistique - (Supply Chain)

"La chane logistique est un rseau dinstallations qui assure les fonctions
dapprovisionnement en matires premires, de transformation de ces matires premires
en composants puis en produits finis, et de distribution du produit fini vers le client." [Lee
et al., 1993]

" Une chane logistique est un ensemble de deux ou plusieurs entreprises lies par des flux
de marchandises, d'informations et financiers." [Tsay et al., 1999]

"La chane logistique d'un produit fini se dfinit comme l'ensemble des entreprises qui
interviennent dans les processus d'approvisionnement en composants, de fabrication, de
distribution et de vente du produit, du premier des fournisseurs au client ultime" [Rota-
Franz et al., 2001]


Bien que ces dfinitions paraissent similaires, elles mettent en exergue les points essentiels:
(1) Une chane logistique se dfinit par rapport un produit fini.
(2) Une chane logistique fait intervenir au moins deux units organisationnelles.
(3) Les units organisationnelles sont lies par 3 types de flux : des flux de matires ,
des flux d'informations et des flux financiers.
30
(4) Les units organisationnelles assurent les fonctions d'approvisionnement, de
transformation, de distribution et de vente.
(5) Une unit organisationnelle est forcement implique dans plusieurs chanes
logistiques
Nous proposons donc la Figure 2.4 pour mieux illustrer la notion de chane logistique.
Figure 2.4 Chane logistique

Les dfinitions complmentaires de la "chane logistique" rfrences en annexe C, nous
permettent de proposer les ramifications suivantes (Figure 2.5) :
(1) Chanes logistiques locales : Ce sont les petites chanes logistiques de l'entreprise.
Elles sont locales (chanes logistiques internes) et se constituent entre les diffrents
ateliers d'une mme usine par exemple, ces ateliers pouvant tre chacun client et
fournisseur les uns des autres [Eymery 1997].
Fournisseur
Fournisseur
Producteur
Producteur
Assembleur
Distributeur
Client
Client
Client
Stockage Stockage
Stockage Stockage
Stockage
Une installation Opration de transport
31
(2) Les chanes logistiques intra-organisation : Stadtler [Stadtler 2000] a utilis ce
terme pour caractriser les grandes compagnies ayant des sites localiss dans
diffrents pays. Toutefois, nous tendons l'utilisation de ce terme aux compagnies
ayant plusieurs sites localiss dans le mme pays.

(3) Les chanes logistiques inter-organisations : Elles regroupent au moins deux
organisations juridiquement indpendantes [Stadtler 2000] .

(4) Les chanes logistiques internationales : Ce sont des chanes logistiques o une ou
plusieurs units organisationnelles oprent dans diffrents pays [Eksioglu 2001]. Il
est noter que le terme chane logistique globale signifie la chane logistique dans
sa globalit et ce contrairement au terme anglo-saxon "Global Supply Chain" qui
concerne une chane logistique internationale qui est aussi appele chane logistique
mondiale.

Selon certaines dfinitions [SCC 2000], la chane logistique s'tend du premier des
fournisseurs jusqu'aux clients ultimes, les consommateurs. Cette vision est trs intressante
du point de vue conceptuel car elle fait prendre conscience toute entreprise qu'elle s'inscrit
dans des flux qui la dpassent et qui dpassent mme les frontires de ses clients et
fournisseurs directs. Toutefois, dans la mesure o les fournisseurs ont eux-mmes leurs
propres fournisseurs et les clients sont souvent fournisseurs dautres clients, la chane
devient trs tendue et par consquent trs difficile grer.
En plus, selon ces dfinitions, toute entreprise se trouve implique dans une chane
logistique internationale.
Il s'avre ainsi, qu'il est indispensable de prciser les frontires de toute chane logistique
dans laquelle l'entreprise concerne est implique pour pouvoir assurer sa gestion.
C'est ce qui fait l'objet de la section suivante dans laquelle nous prsentons une
catgorisation des problmatiques qui manent du concept "chane logistique" pour
s'intresser davantage la conception et la gestion de la chane logistique.
32

Figure 2.5 Ramifications de la Chane Logistique

4. Conception et Gestion d'une Chane Logistique
Lintrt accord la notion de chane logistique rsulte dune vision globale de
lentreprise. Les tudes montrent que les gains esprs par une entreprise qui sintresse
uniquement sa gestion interne sont trs limits si on les compare aux gains esprs sur
toute la chane logistique. Do lintrt de dpasser les frontires de lentreprise et
d'intgrer tous les partenaires : clients, fournisseurs, distributeurs, de manire ce que la
marchandise soit produite et distribue selon la quantit requise, au bon endroit et au bon
Chane Logistique Internationale
Compagnie k Compagnie j
Pays i
Pays k
Pays j
Compagnie i
Chane Logistique Inter-Organisations
Compagnie k Compagnie j Compagnie i
Site 1
Pays 1
Site 3
Pays 3
Site 4
Pays 4
Site 2
Pays 2
Chane Logistique Intra-Organisation
Compagnie i
Chane Logistique Locale
Magasin Atelier 2 Expdition Atelier 1
Compagnie i
33
moment dans le but de satisfaire, au plus juste, le besoin du client et profiter de la synergie
des partenaires travers une gestion globale de la chane logistique.
Cette gestion couvre tous les horizons de dcision savoir les long, moyen et court termes.
Les problmatiques relatives cette gestion diffrent selon lhorizon de dcision. On
distingue les dcisions relatives la conception (aussi appele configuration) de la chane et
celles relatives la gestion des flux [Simchi-Lvi et al., 2000].

4.1 Conception d'une chane logistique
Dfinition 2.4 : Conception d'une Chane logistique - (Supply Chain Design)

"La conception d'une chane logistique concerne la dtermination de sa structure. En
d'autres termes, la dfinition des liens entre les diffrents processus et activits
d'approvisionnement, de production et de distribution." [Persson et Olhager, 2002].


La Configuration de la chane logistique consiste donc, dterminer la structure de la
chane. Elle exige notamment :
La dfinition des objectifs et de la politique de dveloppement de la chane
logistique.
L'analyse de la contribution des objectifs et de la politique de la chane logistique
dans l'amlioration des performances de la firme.
La cration ou la suppression de certaines installations de la chane.
La localisation des sites de production, des entrepts de stockage et des plates-
formes de distribution.
La dtermination des capacits des installations.
La dcision de faire, faire-faire, ou faire ensemble.
Le choix des fournisseurs.
La dfinition des structures et des politiques dapprovisionnement et de distribution.
La dtermination des technologies au niveau de chaque site.
.

34
4.2 Gestion d'une chane logistique
Dfinition 2.5 : Gestion de Chane logistique - (Supply Chain Management)

"La gestion dune chane logistique est un ensemble dapproches utilises pour intgrer
efficacement les fournisseurs, les producteurs et les distributeurs, de manire ce que la
marchandise soit produite et distribue la bonne quantit, au bon endroit et au bon
moment dans le but de minimiser les cots et d'assurer le niveau de service requis par le
client." [Simchi-Levi et al., 2000].


La Gestion des flux ou simplement la gestion d'une chane logistique, consiste organiser
les flux de matires et dinformations au sein de chaque installation et entre les diffrentes
composantes de la chane. Elle sinscrit dans le moyen et le court terme.

Pour la Gestion des flux moyen terme, il sagit de coordonner les oprations de
planification et de contrle des oprations. Ces problmes ont t traits dans [Thierry
1994].
La gestion des flux moyen terme engage des dcisions tactiques dont notamment :
Allocation des produits aux sites de production, aux entrepts de stockage et aux
plates-formes de distribution.
Dfinition des modes de transport et de manutention.
Dtermination du niveau des stocks.
Planification des approvisionnements, de la production, et des ventes moyen
terme.
Planification du personnel moyen terme.
.

La gestion des flux court terme consiste coordonner lacheminement des bons produits
et des bonnes informations aux bons endroits et aux bonnes personnes en assurant un
maximum de flexibilit et defficacit.

35

La gestion des flux court terme engage des dcisions oprationnelles dont notamment :
Dfinition du programme des ventes court-terme.
Dfinition du planning d'ordonnancement des machines, du personnel, et du
transport.
Coordination des activits entre les diffrentes units organisationnelles pour
faciliter l'coulement des produits.
.

Pour conclure, la Figure 2.6 permet de mettre en correspondance les types de
problmatique dans une chane logistique, la nature des dcisions et l'horizon temporel. La
conception de la chane logistique engage des dcisions stratgiques et s'inscrit dans le long
terme. Dans le moyen terme, il s'agit de traiter le problme de planification qui exige des
dcisions tactiques. Enfin, au court terme, le problme consiste coordonner les activits
entre les acteurs de la chane logistique.

Figure 2.6 Correspondances entre problmatique de chane logistique- nature de
dcision et horizon temporel.


Court terme

Moyen terme

Long terme

H orizon

Coordination

Planification

Conception
Organisation

Dcisions
oprationnelles

Dcisions
tactiques

Dcisions
stratgiques

Problmatique

36
5. Outils de conception et de gestion dune chane logistique
Bien que la philosophie "chane logistique" soit ancienne, les outils de pilotage de la chane
logistique (SCM) n'ont vu le jour que vers la fin des annes 1990.
Dans cette section, on se propose d'tudier la structure des outils de pilotage d'une chane
logistique.
5.1 Structure des solutions SCM
Plusieurs outils daide la gestion des oprations au sein dune chane logistique ont t
dvelopps. Ces outils couvrent certains aspects de gestion dune chane logistique. Ils ont
t classs en cinq familles savoir :
(1) Les ERP (Enterprise Resource Planning). Ce sont des progiciels intgrs qui grent
les fonctions transactionnelles lintrieur de lentreprise.
(2) Les APS (Advanced Planning System). Ce sont des produits qui offrent des
planifications globales souvent bases sur la thorie des contraintes. On distingue
deux familles dAPS : les APS maris aux ERP, et les APS indpendants.
I2Technologies et Manugistics sont actuellement les leaders mondiaux des APS
indpendants.
(3) Les SCE (Supply Chain Execution). Ces outils ont pour vocation de rationaliser la
totalit du cycle de traitement des commandes (de lentre la facturation). Ces
outils fdrent trois grandes fonctions savoir : la gestion avance des commandes
(AOM : Advanced Order Management), la gestion de lentreposage (WMS :
Warehouse Management Systems) et la gestion du transport (TMS : Transport
Management System).
(4) Les MES (Manufacturing Execution System). Ces outils sont chargs de traiter les
informations en temps rel sur lexcution des ordres de fabrication.
(5) Les ddis. Cest un conglomrat de solutions qui nont pas encore leur place
lintrieur des autres composantes du march [Raschas et Polgue, 1999].

Nous proposons, dans la Figure 2.7, une cartographie qui prcise les liens entre les cinq
familles.
37
Les rponses donnes par les spcialistes du monde industriel sont divergentes sur ce qui
fait dun progiciel un outil SCM. Cest pourquoi, nous adoptons dans notre recherche, la
dfinition donne par [Rota-Franz et al., 2001] qui stipule que les outils SCM constituent
une surcouche dcisionnelle par rapport aux ERP et offrent des fonctions plus labores de
pilotage, de simulation et de planification. De ce fait, bien que toutes les familles doutils
proposs sur le march permettent une amlioration de la gestion des flux aussi bien en
termes de temps (MES), de planification (ERP, SCE), les APS se distinguent par leur
module planification globale. Cette originalit nous incite considrer un progiciel comme
un outil de SCM sil est dot dun APS [Hammami et al., 2001].

Dans ce qui suit, on s'intressera davantage l'analyse de la structure des outils APS.

Figure 2.7 Diffrentes facettes des outils de pilotage d'une chane logistique [Hammami et al., 2001].
SCM
Supply Chain Management
APS
Advanced
Planning System
ERP
Entreprise
Ressources
Planning
Les
Ddis
MES
Manufacturing
Execution
System
SCE
Supply Chain Execution
Mission: rationaliser la totalit du
cycle de traitement des commandes
TMS
Transport
Management
System
AOM
Advanced Order
Management
Warehouse
Management System
WMS
APS
intgrs aux
EPR
APS
indpendants
APO ............../....... SAP
Oracle APS..../....... Oracle
Red Pepper.../ ......PeopleSoft
Numetrix ...../ ......JD Edwards
Moopi-Interbiz SC.../.... BAAN
I2 Technologies
Manugistics
Logility
Synquest
Aspentech / Chesapeak
LPA, Paragon ....
SAP
BAAN
PeopleSoft
JD Edwards
MFG-Pro
Adonix
Mapix .....
Gestion avance des commandes
IMI
C'est une fonction toute rcente que l'on
trouve gnralement intgre dans les
logiciels de gestion commerciale ou les
ERP
Entreposage
IMI ; EXE Technologies
Mc Hugh Software ; Manhattan Associates
Descartes System Group ; Optum
E3 Corporation; Richter Systems
Transport
IMI ;EXE Technologies
Mc Hugh Software
Manhattan Associates
Descar t es Syst em Gr oup ;
Optum
E3 Corporation; Richter Systems
Syst mes char gs de t r ai t er l es
informations en temps rel.
Aspentech, Wonderware : automobile
Promis,Poms,BaseTen,Courbon:Process
Consilium, Fastech, Synquest : High Tech
C' est un conglomrat de
sol ut i ons qui n' ont pas
encore trouv leur place
l'intrieur des quatre autres
composantes.
Pl ani fi cati on gl obal e de l a
chane logistique base sur la
thorie des contraintes
39
5.2 Structure des APS
Un APS est compos d'un ensemble de modules dont les noms varient d'un diteur d'APS
un autre. Toutefois, la plupart des outils APS ont la structure prsente dans la Figure 2.8.
Figure 2.8 Structure d'un outil APS [Meyer et al., 2000]

Dans ce qui suit nous explicitons la mission de chacun des modules dun APS
(1) Planification Stratgique du rseau (Strategic Network Planning) : ce module
couvre les 4 activits acquisition, production, distribution et vente sur le long terme.
Il assure les tches de localisation de site de production et de la structuration du
rseau de distribution.
Mission :
i. Prvisions sur tout le cycle de vie dun produit. Elles concernent les produits
commercialiss, les produits rcemment dvelopps ainsi que les produits en
cours de dveloppement.
Acquisition Production Distribution Vente

Planification Stratgique du Rseau
(Strategic Network Planning)


Master Planning
Planification de
la demande
(Demand
Planning)

Planification des
Besoins en
Matires
Planification de
la production

Ordonnancement
Planification de
la distribution
Planification du
transport

Deploiement et
gestion du
disponible
(Demand
Fulfilment &
ATP)
M
o
y
e
n

t
e
r
m
e
L
o
n
g

t
e
r
m
e
C
o
u
r
t

t
e
r
m
e
40
ii. Spcification des zones clients.
iii. Estimation des profits.
iv. Dtermination du nombre et de la taille des entrepts de stockage ainsi que les
moyens de transport ncessaires. Les donnes dentre cette dcision sont le
planning des prvisions long terme. Lobjectif tant de minimiser les cots de
stockage, de transport, de manutention long terme.
v. Choix du transporteur :il sagit de dcider si le transport sera assur par
lentreprise ou par une tierce partie.
vi. Etude des moyens de production ncessaires et disponibles : faut-il ouvrir de
nouveaux sites ? Faut-il opter pour une technologie plus rcente ? Quels
investissements faut-il engager ?
vii. Dtermination des matires quil faut utiliser pour la fabrication du produit.
viii. Choix des fournisseurs stratgiques
ix. Etude de la ncessit de faire des alliances stratgiques.
(2) Planification de la demande (Demand Planning) : ce module assure les prvisions
des ventes en considrant les groupes de produits et les zones de ventes.
(3) Master Planning : ce module coordonne les activits d'acquisition, de production et
de distribution sur le moyen terme. Il dtermine les quantits de matire
approvisionner et les fournisseurs engager, les capacits ajuster au niveau de
l'outil de production (heures supplmentaires, ) ainsi que le choix des canaux de
distribution.
Missions :
i. Planification des transports entre les entrepts.
ii. Dtermination du niveau de stock ncessaire.
iii. Planification prvisionnelle pour satisfaire la demande tout en considrant les
capacits de transport et de stockage (les cots de transport et de stockage sont
les lments de la fonction objectif du problme : le modle considre
uniquement les capacits agrges, par exemple, la capacit de tous les camions
disponibles et non la capacit de chaque camion).
41
iv. Dcider de la faon avec laquelle la capacit de production de chaque site sera
utilise ? le calcul se base sur les prvisions de vente avec prise en compte des
fluctuations dues la saisonnalit par exemple.
v. Estimation du besoin en heures supplmentaires.
vi. Recherche dquilibre entre les cots engendrs par une augmentation de
capacit et les cots des stocks (stocks saisonnier par exemple).
vii. Planification du personnel : dans le cas o la main duvre disponible nest pas
suffisante pour faire le plan de production, il faut prvoir de la main duvre
supplmentaire.
(4) Demand fulfilment and Available To Promise (ATP) : ce module permet de
rpondre des commandes imprvues sur le court-terme en simulant les capacits
non utilises et les modifications possibles sur les plannings de production.
(5) Planification de la distribution (Distribution planning) : dtermination des planning
de distribution
(6) Planification du transport (Transport Planning) : il sagit de planifier le transport en
considrant des capacits de transport dtailles.
(7) Planification de la production (Production Planning) : planification court terme et
moyen termes de production et du personnel.
(8) Ordonnancement (Scheduling) : dtermination de la taille des lots ainsi que la
squence de passage des lots travers les machines. Lordonnancement se fait en
fonction des dates de livraison requises et des capacits de production disponibles.
(9) Planification des besoins en matires (Material Requirements Planning): Ce module
fait gnralement partie des outils ERP. Il ne fait partie de l'offre APS que chez
certains petits diteurs indpendants d'APS.

Selon [Fleischmann et al., 2000], les trois caractristiques les plus importantes dun APS
sont :
(1) La planification intgrale de la chane logistique : au moins du client jusquau
fournisseur dune mme entreprise.
42
(2) Optimisation : travers la dfinition des objectifs et des contraintes des diffrents
problmes de planification ainsi que par lutilisation des mthodes doptimisation
quelles soient exactes ou heuristiques.
(3) Un systme de planification hirarchique : En effet, la planification optimale de
toute la chane logistique nest ni possible sous la forme dun systme monolithique
permettant la planification de toutes les tches simultanment (ce nest pas
pratique), ni travers un systme de planification successive des tches (ce systme
ne permet pas datteindre loptimum). La planification hirarchique est un
compromis entre un systme pratique et un systme tenant en compte les
interdpendances entre les tches de planification.

Finalement, nous constatons que les fonctions dun APS sont des fonctions de gestion
classiques. La nouveaut avec lapparition des APS est le dcouplage entre les donnes de
gestion (ordres de fabrication, tat des stocks,) et les traitements (calcul de prvision,
planification). Les donnes de gestion sont gres par un ERP qui est considr comme une
base de donnes transactionnelle (dclaration de fabrication, mouvements de stocks,
mouvements de trsorerie). Les APS sont exploits pour des tches de planification,
dordonnancement et de prvision en se basant sur les donnes extraites de lERP ou venant
de lextrieur (commande client), sur des mthodes statistiques (pour les prvisions) et sur
des algorithmes doptimisation mathmatiques (pour la planification et lordonnancement).
Par exemple, SAP

Advanced Planner & Optimizer (SAP

APO) utilise la programmation


base sur les contraintes, les algorithmes gntiques, des heuristiques et la simulation pour
assurer les fonctions de planification et dordonnancement. Il permet aussi de faire la
planification de faon interactive.
Le dcouplage entre les ERP et les APS permet dallger les fonctions de chaque systme
ce qui assure un accs rapide aux informations et des traitements en temps trs raisonnable.
La Figure 2.9 montre un exemple dinteractions entre SAP

R/3 (ERP) et SAP

APO
(APS) [Richter et Stockrahm, 2000].

Enfin, nous tenons prciser quune tude comparative des principaux APS disponibles sur
le march est trs difficile raliser. En revanche, comme prcis au dbut de ce
43
paragraphe, [Meyer et al., 2000] considrent que les APS ont quasiment tous les mmes
fonctionnalits. La diffrence est que certains APS sont mieux adapts certaines
catgories dentreprises (industrie automobile, industrie chimique, agroalimentaire,
extraction ptrolire). Par ailleurs, certains APS sont souvent implants chez de grandes
entreprises (SAP

APO, Manugistics, I2Technologies, J.D.Edwards), alors que dautres


APS sont plutt implants dans des entreprises de moins grande taille (WebPlan,
SynQuest,). Nous trouvons plus de dtails concernant cette tude comparative dans
[Kilger 2000]
Figure 2.9 Processus de planification utilisant SAP

R/3 et SAP

APO

6. Conclusion et Orientations de recherche
Dans ce chapitre, nous nous sommes intresss ltude du concept de chane logistique.
Pour ce faire, nous avons prsent lvolution des notions relatives la logistique
industrielle. Nous avons fait une synthse de la notion de chane logistique en se basant sur
des documents de rfrence sur la matire. Nous nous sommes intresss par la suite la
caractrisation des problmes de conception et de gestion dune chane logistique. Enfin,
SAP

R/3 (ERP) SAP

APO (APS)
Sales Orders and Forecasts in R/3
Planned orders in R/3
Rescheduling / Optimization
Conversion to process orders
Rescheduling / Optimization
Released Process orders: no changes Releasing process orders
Sales orders in APO
Planned orders to fulfill the demand
Changed planned orders
Process orders in APO
Changed process orders
44
nous avons prsent une synthse de la structure des outils logiciels disponibles sur le
march pour la conception et la gestion dune chane logistique.

Au terme des deux premiers chapitres de ce rapport, la rponse la question de
modlisation dune chane logistique dans un rseau dentreprises reste relative.
En effet, ce problme a t trait par diffrentes disciplines et selon diffrents points de vue
dont notamment le comportement organisationnel, les nouvelles technologies de
linformation et de la communication, les relations interentreprises et la logistique. Ainsi,
tout modle se basant sur une seule de ces disciplines reste partiel et partial.
Par ailleurs, ltude dtaille de ces diffrents points de vue exige une culture
pluridisciplinaire qui dans certains cas dpasse le cadre de cette prsente thse. Pour cette
raison, nous nous limitons ltude du problme de modlisation dune chane logistique
dans un rseau dentreprises selon le point de vue logistique .

En effet, les progrs technologiques ont permis aux entreprises de se doter dun outil de
production trs performant et dune architecture de systme dinformation lui permettant de
se connecter de faon assez aise son environnement (Internet, Intranet, EDI,).
Toutefois, les problmes daffectation et de synchronisation des tches dans une entreprise
comme dans un rseau dentreprises restent toujours des questions dactualit. Les outils
ERP ou SCM ne sont pas encore dots de modles trs performants pour laffectation des
tches.
Pour cette raison, nous nous intressons particulirement dans la partie II de ce rapport,
ltude des modles analytiques relatifs aux problmes daffectation de tches.
La partie II comprend deux chapitres. Le premier ( 3 de ce rapport) comprend une
synthse des mthodes dagrgation multicritre car nous considrons que le problme
tudi est de nature multicritre. Dans le deuxime chapitre ( 4 de ce rapport), nous
faisons lanalogie entre le problme de conception dune chane logistique et le problme
de faire, faire-faire, faire ensemble ou ne pas faire. Pour chacun de ces problmes, nous
prsentons les modles analytiques les plus connus en prcisant leurs avantages, leurs
limites ainsi que leurs conditions dapplication.




PARTIE II



CHAPITRE 3


PANORAMA DES MTHODES DAGRGATION
MULTICRITRE


1. Introduction
Le problme de conception dune chane logistique est de nature multiobjectif (minimiser
les cots, minimiser les dlais, augmenter le taux de service). Il importe donc de
synthtiser les approches multiobjectifs afin dexpliciter leur fonctionnement et saisir leur
intrt et leur diffrence

Nous prsentons donc, dans ce chapitre, un panorama des mthodes dagrgation
multicritre les plus utilises pour la slection dun partenaire ou toute autre action ou
alternative dans un problme. Nous expliquons les fondements de toute mthode, et nous
illustrons certaines par des exemples. Enfin, nous dveloppons une procdure pour laide au
choix dune mthode de slection
1
.




1
Nous utilisons souvent les termes slection de partenaires ou slection de fournisseurs notamment dans les
exemples. Nous avons opt pour ce choix pour des raisons de simplification. Les mmes mthodes peuvent
tre appliques pour les problmes de localisation dinstallations, de slection de fournisseur et daffectation
dordres. En effet, toutes les mthodes tudies dans ce chapitre permettent de slectionner une action ou une
alternative (fournisseur, partenaire, installation, ) parmi un ensemble dactions (respectivement
alternatives).
47
Nous classons les mthodes de slection en trois catgories :
(1) Les mthodes lmentaires.
(2) Les mthodes doptimisation mathmatique.
(3) Les mthodes daide la dcision multicritre.

2. Les mthodes lmentaires
2.1 La mthode catgorique : (Categorical method) [Timmerman 1986]
a. Fondements de la mthode
La mthode catgorique consiste faire une valuation des performances de chaque action
par rapport chaque critre, et ce en affectant un grade : un terme catgorique simple,
par exemple Bon , insatisfaisant , neutre . On effectue dans une deuxime tape la
somme des valuations de chaque action pour obtenir un score global par action.

b. Exemple
Une compagnie souhaite slectionner un partenaire parmi 3 (A, B et C). Les partenaires ont
t valus selon les 3 critres : cot, qualit du produit et dlai. Les rsultats des
valuations de chaque partenaire par rapport aux critres sont rcapituls dans le tableau ci-
aprs. Selon la mthode catgorique, le partenaire B est le meilleur.


Performances des partenaires
Partenaire Cot Qualit du produit Dlai Total
A Bon (+) Insatisfaisant (-) Neutre (0) 0
B Neutre (0) Bon (+) Bon (+) ++
C Neutre (0) Insatisfaisant (-) Neutre (0) -

Tableau 3.1 Application de la mthode catgorique un problme de slection dun
partenaire.

48
c. Critiques
La mthode catgorique est lune des mthodes les plus simples pour traiter un problme de
slection. Elle est facile mettre en uvre.
Toutefois, elle fait appel des jugements bass sur la mmoire et lexprience du dcideur.
Par consquent, les valuations des fournisseurs par rapport aux critres ne sont pas
prcises.
La mthode catgorique permet la classification des actions les unes par rapport aux autres.
La mthode catgorique utilise le mme ordre dimportance pour tous les critres. La
mthode catgorique est compensatoire
2
.

2.2 La Cost-ratio Method [Timmerman 1986]
a. Fondements de la mthode
La mthode consiste dterminer un cot global par produit : cest la somme des cots
dacquisition et des cots internes relatifs la qualit, au dlai et aux services associs.
La mthode cost-ratio se prsente comme suit :
tape 1 : Dterminer les cots internes associs la qualit, au dlai et aux
services.
tape 2 : Convertir ces cots en des ratios traduisant les pourcentages de ces
cots par rapport au cot dacquisition.
tape 3 : Faire la somme des ratios relatifs chacun des cots pour obtenir un
ratio global (cest la pnalit globale).
tape 4 : Appliquer le ratio global au cot unitaire dacquisition du produit
pour obtenir un cot net ajust.

b. Exemple
Si le cot dacquisition dun produit est de 100 000$ et le cot interne associ la qualit
est de 1000$, alors le ratio correspondant au cot interne associ la qualit est de 1%.



2
Voir annexe E
49
fournisseur Ratio
qualit
Ratio
dlai
Ratio
service
Pnalit
totale
Cot
unitaire
Cot net
ajust
A 1% 3% -1% 3% $ 86.25 $ 88.84
B 2% 2% 3% 7% $ 83.25 $ 89.08
C 3% 1% 6% 10% $ 85.10 $ 93.61
D 2% 1% 2% 5% $ 85.00 $ 89.25

Tableau 3.2 Application de la mthode Cost Ratio un problme de slection
dun partenaire.

c. Critiques
Les fondements thoriques de la cost-ratio method sont faciles. Par ailleurs, la mthode
Cost Ratio est plus prcise que la mthode catgorique. Toutefois, sa mise en place
reste trs complexe car elle exige une comprhension du systme des cots. La cost-ratio
method est une mthode compensatoire.

2.3 La mthode de la somme pondre (the linear averaging method or
weighted point method) [Timmerman 1986]
a. Fondements de la mthode
Cette mthode consiste se fixer un ensemble de critres et les classer en affectant
chacun deux un poids. La mthode de la somme pondre se prsente comme suit :
tape 1 : Identifier les critres pertinents la problmatique (slection de
fournisseurs).
tape 2 : Arranger les lments identifis en catgories homognes.
tape 3 : Affecter des poids (traduisant limportance relative des critres) aux
critres lists.
tape 4 : Construire une matrice pour procder une moyenne linaire.
tape 5 : Dvelopper des procdures spcifiques pour mesurer les
performances des actions (des fournisseurs).
50
tape 6 : valuer chaque action (fournisseur) sur chacun des critres en se
rfrant aux procdures dveloppes ltape prcdente.
tape 7 : Calculer le score global (weighted-ratings) pour chaque action
(fournisseur).

b. Exemple
Fournisseurs
Critres Poids A B C D
Cot
Cot de loffre

0.25

3

4

3

3
Cot dinspection 0.05 4 2 2 4
Cot du Contrat 0.05 5 4 3 3
Produit
Conformit aux
spcifications

0.20

5

3

2

3
Conformit aux
attentes
0.10 4 3 3 3
Assurance qualit 0.05 5 3 3 4
Service
Respect des dlais

0.15

3

2

4

3
Capacit JAT 0.05 2 4 3 2
Facturation 0.05 4 3 3 3
Support technique 0.05 5 4 5 3
Score global 1.00 3.8 3.4 3.0 2.9

Tableau 3.3 Application de la mthode de la somme pondre un problme de
slection dun fournisseur.

c. Critiques
La mthode de la somme pondre est lune de mthodes les plus utilises. Elle a
lavantage dtre facile comprendre et mettre en uvre. Toutefois, sa difficult rside
51
dans la dfinition de procdures de conversion des valuations qualitatives en des
valuations quantitatives.
La mthode de la somme pondre est compensatoire.
2.4 Mthode lexicographique
a. Fondements de la mthode
La mthode lexicographique sapplique dans certaines situations o on est en mesure
dtablir une relation de dominance dictatoriale entre les critres (g
(1)
>> g
(2)
>> g
(3)

>>..>> g
(n)
). Ainsi, on ne tiendra compte des critres les moins importants que lorsque
les comparaisons effectues sur ceux de plus grande importance ne permettent pas la
discrimination entre les actions.
tape 1 : Ranger les critres par ordre dimportance .
tape 2 : Comparer toutes les actions par rapport au critre le plus important.
tape 3 : Choisir celle(s) qui a (ont) la meilleure performance par rapport au
critre retenu (le plus important en premier lieu).
tape 4 : Si plus dune action sont retenues et sil reste des critres non encore
considrs, alors procder de la mme manire sur la base du critre
suivant en terme dimportance.

b. Critiques
La mthode lexicographique a le mrite dtre facile utiliser. Elle permet la mesure des
critres sur des chelles htrognes. Par ailleurs, elle nexige pas de fixer des coefficients
dimportance pour les critres. La mthode lexicographique est totalement non
compensatoire.

2.5 Mthode conjonctive
a. Fondements de la mthode
La mthode conjonctive consiste se fixer des niveaux minima dacceptation sur chacun
des critres. Les actions qui ne respectent pas ces niveaux minima dadmissibilit seront
cartes.
52
La mthode conjonctive se prsente comme suit :
tape 1 : Fixer un niveau minimal
0
j
e pour chaque critre j (niveau de coupe).
tape 2 : Vrifier pour chaque action si sa performance sur chaque critre
gale ou excde ce niveau minimal fix (.
0
j
ij e e > ).
tape 3 : Rejeter les actions qui ne respectent pas les exigences minimales.

b. Critiques
La procdure conjonctive est facile utiliser. Elle permet la mesure des critres sur des
chelles htrognes. Elle exige de fixer des seuils dadmissibilit pour chaque critre. La
mthode conjonctive permet dextraire un ensemble dactions juges assez bonnes parmi
toutes les actions possibles. Par ailleurs, elle nassure pas la comparaison des bonnes
actions les unes par rapport aux autres : elle est ainsi totalement non compensatoire.
Dans le cas o le dcideur est intress par le choix dune seule action, il doit appliquer une
autre mthode de slection aux rsultats obtenus par lapplication de la mthode
conjonctive.

2.6 Mthode disjonctive
a. Fondements de la mthode
La mthode disjonctive consiste se fixer des niveaux de satisfaction dsirs pour chacun
des critres et slectionner les actions qui ont les valuations les plus leves sur
nimporte lequel des critres. Elle conduit slectionner les actions qui ont des
performances exceptionnelles sur certains critres.
La mthode disjonctive se prsente comme suit :
tape 1 : Fixer un niveau dsir
*
j
e pour chaque critre.
tape 2 : Pour chaque action i, vrifier si sa performance sur au moins un
critre est gale ou excde ce niveau dsir (
*
/
j
ij e e j > ).
tape 3 : Rejeter les actions qui ne satisfont pas cette condition.

53
b. Critiques
La procdure disjonctive est facile utiliser. Elle permet la mesure des critres sur des
chelles htrognes. La mthode disjonctive est totalement non compensatoire.
Puisquil est trs rare quune action soit la meilleure sur tous les critres, le rsultat de
lapplication de la mthode disjonctive est souvent un ensemble dactions et non pas une
solution unique. Ainsi, dans le cas o le dcideur est intress par le choix dune seule
action, il doit appliquer une autre mthode de slection aux rsultats obtenus par
lapplication de la mthode disjonctive.

2.7 Mthode du Maxmin
a. Fondements de la mthode
La mthode Maxmin est utilise pour choisir une action (considre comme la
meilleure action) parmi un ensemble dactions et ce selon lexpression suivante :

{ } n 2,...., 1, j m; ...., 2, 1, i , a (g Min ( Max A, a a
i j
j i
i
= = = ])) [ *

Le terme maxmin indique que la procdure cherche slectionner le maximum (selon les
actions) des valuations minimums (selon les critres). Ainsi, la performance globale dune
action est dtermine par sa pire performance,la force dune chane correspond celle de
son maillon le plus faible. Cette procdure est approprie dans le cas o le dcideur a une
attitude pessimiste [Guitouni 1998].

b. Critiques
La procdure Maxmin exige que les critres dvaluation des actions soient
commensurables. Une faon de faire est la normalisation.
La mthode est facile appliquer. Elle est totalement non compensatoire.

54
3. Les mthodes doptimisation mathmatique (MOM)
Les mthodes doptimisation mathmatique sont les plus utilises, dans le domaine de la
recherche scientifique, pour traiter le problme de slection. Le problme est souvent
formalis sous la forme dune ou de plusieurs fonctions objectifs et dun ensemble de
contraintes respecter. Les modles obtenus peuvent tre linaires, linaires avec variables
entires, linaires mixtes, quadratiques, non linaires et ce en fonction du problme
formaliser.
Les mthodes doptimisation mathmatique sont souvent exploites en deux tapes :
tape de modlisation : elle consiste formaliser le problme tudi en un
modle doptimisation.
tape de rsolution : elle consiste rsoudre le modle propos.

Le dtail de chacune de ces tapes dpasse le cadre de cette thse. On trouvera plus de
dtail sur les mthodes doptimisation mathmatique dans le livre de Hillier et Lieberman
[Hillier et Lieberman, 2001].

Le problme de slection est multicritre dans le sens o lvaluation dune action se fait
souvent en considrant plusieurs critres la fois. Dans cette section, on se limite la
prsentation de mthodes doptimisation mathmatique permettant lintgration de
plusieurs critres. Cette intgration se fait de trois faons diffrentes :
(1) Lagrgation des critres en une seule fonction objectif (Compromise Programming,
Goal Programming, mthode du critre global).

(2) Loptimisation dun critre dans la fonction objectif et lintgration des autres
critres dans les contraintes du modle (-Constraint Method)

(3) La formulation du problme en un programme mathmatique objectifs multiples.

55
3.1 Mthodes doptimisation mathmatique multicritre
3.1.1 Goal Programming (GP)
a. Fondements de la mthode
Lessence du goal programming (GP) rside dans le concept de satisfaction dobjectifs : on
se fixe un but b
j
atteindre pour chacun des critres, et on procde de la manire suivante
(selon la variante du GP) :

(1) Variante 1 (Standard Goal Programming) : il sagit de minimiser la somme des
valeurs absolues des carts par rapport aux buts [Charnes et Cooper, 1961].
La reprsentation algbrique du GP dans sa forme standard est la suivante :
(2)

1,2,....n j b x g
L 1,2,..., l x C sujet
Min
(1)
L 1,2,..., l x C sujet
b x g Min
j j
j
j j
j
l
n
j
j j
A x
l
n
j
j j
A x
0 ,
, ) (
, 0 ) (
) (
, 0 ) (
) (
1 1

= = +
=
+

+
=

+






avec,

+
j
: lcart positif de x par rapport au but.

j
: lcart ngatif de x par rapport au but.
) (x gj : lvaluation de la solution x par rapport au critre j.
) (x Cl : systme de contraintes relatives au problme.

Si on incorpore des poids relatifs aux carts positifs et ngatifs, soient
wj
+
et
wj

, le
systme scrit :


1,2,....n j b x g
L 1,2,..., l x C sujet
w w Min

j j
j
j j
j
l
n
j
j j j j
A x
0 ,
, ) (
, 0 ) (
) (
1

= = +
=
+

+
=

+ +






56
Dans ce cas, on parle de GP pondr (WGP : Weighted Goal Programming)
N.B : le GP dans sa forme standard est un cas particulier du WGP (
wj
+
=
wj

=1)

(2) Variante 2 (MinMax Goal Programming) : il sagit de minimiser lcart
maximum par rapport aux buts [Falvell 1976].
(2)
variable une devient D

L 1,2,..., l x C
n j 1 D, b x g : sujet
D Min
(1)
L 1,2,..., l x C : sujet
b x g D Min
l
j j
A x
l
j j
n j 1
A x
Max
=

=
=

, 0 ) (
) ( , 0 ) (
) (

(3) Variante 3 (Lexicographic Goal Programming) : il sagit de minimiser la somme
des carts par rapport aux buts dune manire lexicographique [Ijiri 1965]. Pour ce
faire, on procde comme suit :
tape 1 : Classer les critres par ordre dimportance.
tape 2 : Slectionner les actions qui minimisent lcart par rapport au premier
critre seulement appelons ce sous-ensemble dactions A
1
-.
tape 3 : Parmi les actions de A
1
, slectionner celles qui minimisent la somme
des carts (ou bien la somme pondre des carts) par rapport aux 2
premiers critres (les 2 critres ayant les plus grandes importances)-
le sous-ensemble obtenu est A
2
.
tape 4 : Procder de la mme manire pour obtenir un sous-ensemble A
3

partir des actions de A
2
.
tape 5 : Continuer la procdure de proche en proche et arrter lorsque la
condition darrt (obtention du nombre dactions dsires ou bien
arrt au k
me
critre ou bien ) est satisfaite.

La reprsentation algbrique du LGP scrit comme suit :
L 1,2....., l , w w w w h
1,2,....n j b x g : sujet
h h (h min Lex
n
l
n
l
l
j
j j
j
L 2 1
= + + + + + =
= = +
+ + + +

+

+



. ...... . . ...... . ) , (
, ) (
)) , ( .; ),........ , ( ); , (
ln 1 1 ln 1 1

57
L tant le nombre de niveaux de priorit.

Dautres variantes du GP ont aussi vu le jour. On cite : le GP flou (Fuzzy GP), le GP non
linaire (Non linear GP), le GP stochastique (Stochastic GP).
La 0 reprsente la rpartition traduisant la frquence dutilisation des variantes du GP dans
la modlisation de problmes de dcision.


Figure 3.1 Variantes du Goal Programming

N.B : Pour toutes ces variantes du GP, il importe de procder une normalisation des
valuations pour viter des biais dus des chelles de mesure non commensurables.
Plusieurs techniques de normalisation ainsi quun tat de lart du Goal Programming ont t
prsents dans [Tamiz et al., 1998].

b. Critiques
Le Goal Programming a lavantage daborder les problmes sous langle de satisfaction
dobjectifs.
Par ailleurs, le GP savre utile pour modliser des problmes qui nont pas de solution
optimale ( cause de la non satisfaction dune contrainte par exemple). Pour ce faire, on
demande au dcideur dexpliciter ses souhaits, puis on propose un modle GP qui permet
de choisir laction qui se rapproche le plus de ces souhaits.
Modles du GP
Weighted GP (WGP)
21%
Lexicographic GP (LGP)
64%
MinMax GP
(MINMAX GP)
Fuzzy GP --- GP
58
La formulation dun problme sous un modle de GP na rien dexceptionnel par rapport
un modle mathmatique. La diffrence entre les deux approches de modlisation est
surtout philosophique : dans un modle mathmatique, on cherche une solution optimale
(philosophie doptimisation), alors que dans un modle GP, on cherche satisfaire des
objectifs (philosophie de satisfaction).
Le GP dans sa forme standard peut gnrer des solutions non performantes dans le cas
o les objectifs sur les critres sont fixs de faon pessimiste.

3.1.2 Le Compromise Programming (CP)
a. Fondements de la mthode
Le compromise programming (CP) sarticule autour dune optique de minimisation des
carts par rapport la solution idale tout en procdant une articulation a-priori des
prfrences (
j
). Sa formulation algbrique est la suivante :


r
n
j
r
j j
j j
r
j
A x
x g x g
x g x g

Min
1
1 *
*
*
) ( ) (
) ( ) (
.
(
(

(
(

=


avec, ) (
*
x gj : est lvaluation de la meilleure des solutions sur le critre j.
) (
*
x gj : est lvaluation de la pire des solutions sur le critre j.

b. Exemple
Une entreprise cherche un partenaire pour sous-traiter la fabrication dun produit. La
direction de cette entreprise privilgie les critres suivants lors du choix du partenaire :

Critre de slection Sens doptimisation Coefficient dimportance
Fiabilit (C
1
) Maximiser 45%
Capacit dautofinancement (C
2
) Maximiser 35%
Cot du contrat de sous-traitance (C
3
) Minimiser 20%

La direction a reu les 4 offres suivantes :
59

Partenaire Fiabilit (C1) Autofinancement (C2) Cot du contrat (C3)
a
1
78% 94% 10 000 $
a
2
82% 86% 15 000 $
a
3
80% 75% 22 000 $
a
4
88% 90% 25 000 $

% 20 % 35 % 45
25000 ) ( % 75 ) ( % 78 ) (
10000 ) ( % 94 ) ( % 88 ) (
3 2 1
*
2
*
2
*
1
*
3
*
2
*
1
= = =
= = =
= = =

x g x g x g
x g x g x g

Choisissons r=2 et appliquons lexpression du CP chacune des actions :
Partenaire Fiabilit (C1) Autofinancement (C2) Cot du contrat (C3) CP
a
1
78% 94% 10 000 $ 0.450
a
2
82% 86% 15 000 $ 0.315
a
3
80% 75% 22 000 $ 0.527
a
4
88% 90% 25 000 $ 0.213

Ainsi, selon le CP, laction a
4
est la meilleure.

c. Critiques
Le compromise programming a lavantage davoir une fonction objectif facile formuler.
En revanche, la rsolution du modle peut tre beaucoup plus difficile dans le cas o on
dispose dun ensemble de contraintes respecter. Pour cette raison, on choisit r = 1 ou 2
dans la plupart des cas.
Par sa dfinition, la fonction objectif nexige pas de normalisation des valuations. En effet,
les valuations sont dune certaine faon normalises puisque la performance dune action
par rapport un critre est divise par le terme
) ( ) (
*
*
x g x g j j
, et par consquent le terme
) ( ) (
) ( ) (
*
*
*
x g x g
x g x g
j j
j j

est sans unit. Le dfaut du CP est de proposer une action mdiocre si toutes
les actions ne sont pas bonnes. Le CP exige une articulation a-priori des prfrences.

60
3.1.3 La mthode du critre global [Vincke 1989]
a. Fondements de la mthode
La mthode du critre global sarticule dans une optique de minimisation des carts par
rapport la solution idale sans procder une articulation a-priori des prfrences. Sa
formulation algbrique est la suivante :

=
(
(

n
j
r
j
j j
A x
x g
x g x g

Min
1
*
*
) (
) ( ) (
.

avec, ) (
*
x gj : est lvaluation de la meilleure des solutions sur le critre j.
N.B : si r est un entier pair, alors le dcideur est indiffrent par rapport aux carts positifs
et ngatifs.
si r est un entier impair, alors le dcideur est sensible aux carts positifs et ngatifs.

b. Exemple
On applique la mthode du critre global lexemple introduit au paragraphe 3.1.2
Compromise Programming .
10000 ) ( % 94 ) ( % 88 ) (
*
3
*
2
*
1 = = = x g x g x g
Choisissons r = 2 et appliquons lexpression du Critre Global chacune des actions :

Partenaire Fiabilit Autofinancement Cot du contrat Critre Global
a
1
78% 94% 10 000 $ 0.013
a
2
82% 86% 15 000 $ 0.262
a
3
80% 75% 22 000 $ 1.489
a
4
88% 90% 25 000 $ 2.252

Ainsi, selon la mthode du critre global, laction a
1
est la meilleure.

c. Critiques
La mthode du critre global a lavantage davoir une fonction objectif facile formuler.
En outre, une normalisation des valuations est faite implicitement par la dfinition mme
de la fonction objectif. La mthode du critre global nexige pas une articulation a-priori
61
des prfrences. Comme pour le Compromise Programming, la mthode du critre global
gnre une solution mdiocre si toutes les actions ne sont pas bonnes.

3.1.4 - Constraint Method
a. Fondements de la mthode
La mthode du - Constraint consiste transformer un programme doptimisation multi-
objectifs en un problme doptimisation mono-objectif comportant des contraintes
supplmentaires. Pour ce faire, nous procdons comme suit :
tape 1 : Choisir un objectif optimiser prioritairement (supposons que cest
g
1
).
tape 2 : Choisir un vecteur de contraintes
i
, i {1, 2, , n} respecter par
les autres objectifs.
tape 3 : Transformer le problme initial (multi-objectifs) en conservant
lobjectif prioritaire et en transformant les autres objectifs en
contraintes.

La formulation mathmatique de la mthode est la suivante :

n ..., 3, 2, j , 0
2,....n j x g
L 1,2,..., l x C sujet
x g Min

j
j j
l
1
A x
=
=
=

, ) (
, 0 ) (
) (


b. Critiques
La mthode du - Constraint est facile mettre en place. Elle exige de fixer un seuil de
performance sur n-1 critres. Selon [Collette et al., 2002], le principal inconvnient de cette
mthode est le fait quelle soit gourmande en temps de calcul sil y a trop de contraintes. La
mthode du - Constraint est non compensatoire.

62
3.1.5 La programmation mathmatique objectifs multiples (PMOM)
a. Fondements de la mthode
Un programme mathmatique objectifs multiples est un programme qui prend en compte
plusieurs fonctions conomiques, chacune jouant le rle dun critre (on parle aussi de
fonction critre). Chacune de ces fonctions possde un optimum, qui ne sera - en gnral -
pas celui des autres fonctions. Ainsi, une solution optimale nexiste pas; car ce qui est
optimal selon un critre ne lest pas selon les autres critres. Il va donc falloir choisir une
solution de compromis : solution juge satisfaisante.

Puisquon ne procde pas une agrgation des critres en une seule fonction objectif, la
formulation algbrique dun programme mathmatique objectifs multiples (PMOM) est la
suivante :


{ } g g g g
et
L 1,2,..., l 0, x C
: sujet
x g
n
l
X
Optimiser
......, ,
) (
) (
2 1
=
=


Dans un PMOM, on sintresse essentiellement la dtermination de lensemble des
solutions efficaces.

La dmarche classique pour rsoudre un problme de PMOM suit les 2 tapes suivantes :
tape 1 : Appliquer le principe de dominance pour rduire lensemble A
lensemble des actions efficaces not S.
tape 2 : Introduire les prfrences du dcideur pour rduire S un ensemble
plus restreint et, ventuellement, une seule solution.

63
b. Exemple

0 x ; 0 x
0 500 - x 2.x x C
0 400 - x x x C : s.
x x g
x 0.3 x 0.4 x g avec
x g x g x g Max
2 1
2 1 2
2 1 1
1
2 1

+ =
+ =
=
+ =
=
) (
) (
) (
) (
)] ( ), ( [ ) (
2
1
2 1

Les solutions efficaces sobtiennent en rsolvant le problme transform (On applique le
thorme de Steuer) , en faisant varier systmatiquement w
1
et w
2
dans [0,1], avec w
1
+ w
2

=1.
w
1
et w
2
tant les poids accords respectivement g
1
(x) et g
2
(x).

0 x ; 0 x
0 500 - x 2.x x C
0 400 - x x x C : s.
x x g
x 0.3 x 0.4 x g avec
x g w x g w Max
2 1
2 1 2
2 1 1
1
2 1

+ =
+ =
=
+ =
+
) (
) (
) (
) (
) ( ) (
2
1
2 2 1 1

w
1
w
2
-w
1
/w
2
x
1
x
2
g
1
g
2
Lieu des solutions
efficaces
0 1 0 250 0 100 250 C
0.2 0.8 -0.25 250 0 100 250 C
0.4 0.6 -0.67 250 0 100 250 C
0.6 0.4 -1.5 250 0 100 250 C
0.8 0.2 -4 250 0 100 250 C
0.833 0.167 -5 - - - - Segment [BC]
1 0 - 100 300 130 100 B



La Figure 3.2 montre le domaine des solutions efficaces de lexemple ci-dessus.
Sommets efficaces
64
Figure 3.2 Domaine des solutions efficaces (solutions optimales au sens de
Pareto)

c. Critiques
La programmation mathmatique objectifs multiples exige une articulation a posteriori
des prfrences. Dans une premire tape, on dtermine lensemble des solutions efficaces;
dans une deuxime tape, on utilise les prfrences du dcideur pour explorer cet ensemble
et dterminer la (les) meilleure(s) solution(s).
Comme il est nonc, le traitement dun programme mathmatique objectifs multiples
peut, tord, nous paratre ais. En effet, ltape 1 qui consiste dterminer lensemble des
solutions non domines est trs difficile traiter car, hormis les cas o le modle est
100 200 300 400 500
100
200
300
400
500
x
1

x
2

2 x
1
+ x
2
=500
x
1
+ x
2
=400
g
2
( x ) =x
1

x
1
= (0,0)
x
2
= (250,0)
C
B
x
3
= (100,300)
x
4
= (0,400)
g
1
( x ) =0.4x
1
+ 0.3x
2

Solutions
efficaces
Solutions
ralisables
65
linaire (lensemble des solutions ralisables est convexe), peu de mthodes sont proposes
pour dterminer les solutions optimales au sens de Pareto pour les cas o le modle est
linaire mixte, ou non linaire par exemple. Nous considrons mme que cest un axe de
recherche trs porteur du domaine de la recherche oprationnelle et de lanalyse de la
dcision.

3.2 Rsolution des modles doptimisation mathmatique
La mthode de rsolution dun problme de slection formalis sous la forme dun modle
doptimisation mathmatique dpend du modle obtenu (modle linaire, modle linaire
mixte, modle non linaire, modle de programmation mathmatique objectifs
multiples).
Pour les modles mono-objectif linaires, on utilise la mthode du simplexe qui, selon le
domaine ralisable, gnre une ou plusieurs solutions optimales. Pour les modles mono-
objectif linaires mixtes, la mthode du Branch & Bound gnre une solution optimale.
Pour certains modles mono-objectif non linaires, il existe des mthodes de rsolution qui
donnent la solution optimale. Tandis que pour dautres modles non linaires, la rsolution
de faon optimale peut tre trs difficile. Dans ce cas, on a recourt lexploitation
dheuristiques comme le recuit simul, les algorithmes gntiques,
Plusieurs outils logiciels sont disponibles sur le march pour la rsolution des problmes
linaires et de certains problmes non linaires. Pour les problmes non linaires, plusieurs
logiciels permettent dobtenir un optimum local tant donn une solution initiale. Nous
trouvons plus de dtail sur les caractristiques et les champs daction doutils logiciel, dans
les revues faites par The Institute for Operations Research and the Management Sciences
disponibles sur le site web suivant (http://www.lionhrtpub.com/orms/ormssurveys.html ).
Pour les programmes mathmatiques objectifs multiples, les mthodes de dtermination
des solutions optimales au sens de Pareto sont trs rares. Par consquent les outils logiciels
permettant la rsolution ne sont pas nombreux. Nous mentionnons titre dexemple loutil
ADBASE dvelopp par lquipe de Ralph Steuer de la University of Georgia [Steuer
2000]. Cet outil est un des plus connus dans la communaut scientifique.

66

3.3 Proposition dune procdure de choix dune mthode
doptimisation mathmatique
Comme synthse lensemble des mthodes que nous venons de dtailler, nous proposons
dans la Figure 3.3 une procdure pour le choix dune mthode doptimisation
mathmatique.
Nous tenons prciser que dans le cas o les solutions ne sont pas dfinies a priori, nous
formulons le problme de slection selon lune des formes indiques dans la procdure ci-
dessus. Dans ce cas, le terme mthode doptimisation mathmatique prend tout son sens
puisque nous cherchons la solution optimale en rsolvant le problme. Toutefois, dans le
cas o les solutions du problme objet de ltude sont connues a priori, on exploite lesprit
de lune des mthodes prsentes ci-dessus pour agrger tous les critres. Dans ce cas, on
ne peut rellement parler de mthode doptimisation, nous prfrons donc le terme
philosophie de la procdure dagrgation.

Figure 3.3 Procdure de choix dune mthode doptimisation mathmatique
3

3
Il importe de prciser que pour certains problmes, les solutions optimales ne sont pas toujours atteignables.
Mthodes doptimisation
mathmatique
Est ce que Les poids des
critres sont dfinis ?
Politique de Satisfaction
dobjectifs ?
Mthode de la somme
pondre
Compromise
Programming
Optimisation
multiobjectif
Approche du critre
global
Ensemble de solutions non
domines
Oui Non

Philosophie de satisfaction Philosophie de rapprochement dune
solution idale
Philosophie dune Pareto
optimisation
Philosophie doptimisation

Solution
optimale
Oui
Oui Oui Non
Non
Non
Solution
optimale
Solution
optimale
Solution
optimale

Politique doptimisation
dun cart ?

Politique doptimisation
dun cart ?
Goal Programming
constraint method
68
4. Les mthodes daide la dcision multicritre (MADMC)
Les mthodes de programmation mathmatique permettent de traiter un problme de
slection avec contraintes, en dautres termes, un problme de slection o les solutions ne
sont pas connues a priori. En revanche, les mthodes daide la dcision multicritre que
nous prsentons dans cette section supposent que les solutions sont connues a priori. La
mthode de choix de la meilleure solution est conditionne par la faon avec laquelle le
dcideur exprime ses prfrences : par exemple le dcideur peut tre indiffrent vis vis de
deux solutions si la diffrence de leur cot est faible (une solution qui cote 150 et une
solution qui cote 148 ). Dans la thorie de la dcision, cette tape du traitement du
problme est appele tape de modlisation des prfrences. Nous la considrons comme
un des points cls qui distingue les mthodes dagrgation lmentaires et doptimisation
mathmatique multiobjectif des mthodes daide la dcision multicritre.
Nous prsentons dans cette section les concepts fondamentaux lis la thorie de la
dcision multicritre afin dexpliciter sa pertinence pour le traitement dun problme de
slection. Ensuite, nous tudions les mthodes dagrgation multicritre les plus usites.
Enfin, nous proposons une procdure daide au choix dune mthode daide la dcision
multicritre.

4.1 Pr-requis de laide la dcision multicritre
Guitouni [Guitouni 1998] stipule que le processus daide multicritre la dcision peut
gnralement tre vu comme un processus rcursif (itratif), non linaire, compos de cinq
tapes principales :
(1) La structuration de la situation (problme) de dcision.
(2) Larticulation et la modlisation des prfrences au niveau de chaque point de vue
(modlisation des prfrences locales).
(3) Lagrgation de ces prfrences locales en vue dtablir un ou plusieurs systmes
relationnels de prfrences globaux.
(4) Lexploitation de cette agrgation.
(5) La recommandation.
69

Figure 3.4 Reprsentation du processus daide la dcision [Guitouni et al.,
1999]

Comme prcis dans la Figure 3.4, nous supposons que face une situation dcisionnelle,
le dcideur (la personne ayant connaissance des actions, des critres, ) sera aid par un
homme dtude (personne sense matriser le processus daide la dcision). Il est possible
que le dcideur soit lui mme lhomme dtude. Nous dtaillons ci-dessous, chacune des
tapes du processus daide la dcision multicritre.

La structuration de la situation consiste :
(1) Dterminer le type de problmatique rsoudre : problmatique de choix,
problmatique de tri, problmatique de rangement ou problmatique de description
(voir annexe E).
(2) Dterminer lensemble des actions tudier.
(3) Recenser les critres selon lesquels les actions seront values.
(4) Dterminer les valuations de chacune des actions sur chacun des critres.
Dcideur (s)
Homme de dcision
(aide la dcision)
Modlisation des
prfrences
Agrgation Exploitation
Processus de
structuration
(A, F, E)
Rsultats
Importance des critres
Seuils (indiffrence,
prfrence, veto)
Fonctions dutilit
Fonctions de valeur
Comparaison par paires

lments de modlisation
O O
Procdure dagrgation multicritre
(Intrant) (Extrant)
Structuration
Articulation et modlisation
des prfrences
Agrgation des
prfrences locales
Exploitation Recommandation
Mthode multicritre
S
I
T
U
A
T
I
O
N

D
E
C
I
S
I
O
N
N
E
L
L
E
A : Ensemble des actions
F : Ensemble des critres
E : Tableau des performances
70

Larticulation et la modlisation des prfrences consiste :
(1) Dfinir les types de critres : vrai critre, pseudo critre, quasi critre, critre
gaussien, (voir annexe E)
(2) Dfinir lordre dimportance des critres ainsi que leur poids si besoin est.
(3) Dfinir, et ce selon la mthode dagrgation retenue, les fonctions dutilit partielle,
les fonctions de valeur, les comparaisons par paires dactions

Lagrgation des prfrences locales consiste exploiter les valuations partielles des
actions sur les diffrents critres afin de gnrer une valuation globale.

Lexploitation consiste exploiter les rsultats obtenus ltape dagrgation des
prfrences locales pour choisir, ranger ou trier les actions.

Selon Roy [Roy 1985], dans certains contextes dcisionnels, une modlisation labore des
prfrences du dcideur est requise. Selon la manire dagrgation des prfrences du
dcideur, il est possible de distinguer les approches :
(1) lapproche du critre unique de synthse vacuant lincomparabilit. Ces approches
sont exploites dans le cas o le dcideur est capable de juger toute paire dactions
{a, b}et ce selon un des cas suivant : soit a est prfre b, soit b est prfre a,
soit le dcideur est indiffrent entre a et b. Il ny a donc pas dincomparabilit entre
deux actions.
(2) lapproche du surclassement de synthse. Ces approches permettent
lincomparabilit entre actions. Certaines sont caractrises par des structures de
prfrences forte, faible, indiffrence, incomparabilit.
(3) lapproche du jugement local interactif. Ces approches sont caractrises par une
interaction continue entre lhomme dtude et le dcideur tout au long du processus
daide la dcision.

71
Tout au long de cette section, nous exploitons des termes propres la thorie de la dcision
multicritre. La dfinition de ces termes dpasse le cadre de ce chapitre, nous les avons
donc rcapituls en annexe E.
4.2 Mthodes de lapproche du critre unique de synthse
4.2.1 La mthode TOPSIS : Technique for Order by Similarity to Ideal
Solution [Hwang et Yoon, 1981]
a. Fondements de la mthode
Lide fondamentale de cette mthode consiste choisir une solution qui se rapproche le
plus de la solution idale (meilleure sur tous les critres) et de sloigner le plus possible de
la pire solution (qui dgrade tous les critres).
tape 1 : Normaliser les performances comme suit :
| |
;
) (
) (
'
1
2
'
(
(
(
(
(

= =

=
m
i
i j
i j
ij
a g
a g
e E et m i ; ,...., 2 , 1 = n j ,...., 2 , 1 =

tape 2 : Calculer le produit des performances normalises par les coefficients
dimportance relative des attributs :
n j e
j ij
,...., 2 , 1 et m; 1,2,..., i , .e
'
ij
"
= = =

tape 3 : Dterminer les profils idal (a*) et anti-idal (a
*
).
{ } { } ,....., , ,....., 2 , 1 , e
,...., 1 ; ,..., 1 ,
* *
2
*
1
*
j n
i
"
ij
e e e n j a*
n j et m i Max e a*
= = =
)
`

= = =
; { }
e
' '
ij
i
j
Max e =
*



{ } { } ,....., , ,....., 2 , 1 , e
,...., 1 ; ,..., 1 ,
* * 2 * 1 * j *
*
n
i
"
ij
e e e n j a
n j et m i Min e a
= = =
)
`

= = =
; { }
e
' '
ij
i
j
Min e =
*


72
tape 4 : Calculer la distance euclidienne par rapport aux profils a* et a
*
.
m i e e D
m i e e D
n
j
j ij i
n
j
j ij i
,...., 2 , 1 , ) (
,...., 2 , 1 , ) (
1
2
*
"
*
1
2 * " *
= =
= =

=
=


tape 5 : Calculer un coefficient de mesure du rapprochement au profil idal :
1 0 ,
,..., 2 , 1 ,
*
*
*
*
*

=
+
=
i
i
i
i
i
C avec
m i
D D
D
C

tape 6 : Ranger les actions en fonction des valeurs dcroissantes de
*
i
C .

b. Exemple
On applique la mthode TOPSIS lexemple introduit au paragraphe 3.1.2 Compromise
Programming .
Les donnes de lexemple sont alors :
(
(
(
(

=
25000
22000
15000
10000 78

90
75
86
94

88
80
82
E es performanc des Matrice
| | 20 , 0 35 , 0 45 , 0 = W ritres ce des c tan mpor ents d'i s coeffici Vecteur de

Application de la mthode TOPSIS :
tape 1 : Normalisation des performances :
(
(
(
(

=
6602 , 0
5810 , 0
3961 , 0
2641 , 0 4751 , 0
'
0,5200
0,4333
0,4969
0,5431

0,5360
0,4873
0,4995
E es normalis es performanc des Matrice


tape 2 : Pondration des performances :
73
(
(
(
(

=
1320 , 0
1162 , 0
0792 , 0
0528 , 0 2138 , 0
' '
0,1820
0,1517
0,1739
0,1901

0,2412
0,2193
0,2248
E pondres es performanc des Matrice

tape 3 : Dtermination des profils idal a* et anti-idal a
*
:
| |
| | 1320 , 0
0528 , 0
*
0,1517 0,2138 a idal - anti rofil P
0,1901 0,2412 * a idal rofil P
=
=


tape 4 : Calcul des distances euclidiennes par rapport aux profils a* et a
*
.

1001 , 0
0274 , 0
* 1
*
1
=
=
D
D

1156 , 0
0350 , 0
* 2
*
2
=
=
D
D

1359 , 0
0773 , 0
* 3
*
3
=
=
D
D

1671 , 0
0796 , 0
* 4
*
4
=
=
D
D


tape 5 : Calcul des coefficients de mesure du rapprochement au profil idal
0,6773 C ; 0,6374 C ; 0,7676 C ; 0,7851 C
*
4
*
3
*
2
*
1
= = = =

tape 6 : Rangement des actions en fonction des valeurs dcroissantes de
*
i
C .
0,6374 C 0,6773 C 0,7676 C 0,7851 C
*
3
*
4
*
2
*
1
= > = > = > =

Selon la mthode TOPSIS, le partenaire a
1
sera alors slectionn par le comit de direction
de lentreprise.

c. Critiques
La mthode TOPSIS permet dordonner les actions. Son grand apport est lintroduction des
notions didal et danti-idal. Elle est facile appliquer. En outre, elle est sensible la
volont du dcideur.
Toutefois, certaines limites caractrisent cette mthode : les attributs doivent tre de nature
cardinale, les prfrences sont fixes a priori. Par ailleurs, si toutes les actions sont
mauvaises, la mthode propose la meilleure action parmi les mauvaises.
La mthode TOPSIS est partiellement compensatoire.

74
4.2.2 La mthode SMART : Simple Multi-Attribute Rating Technique
[Edwards 1971]
a. Fondements de la mthode
La mthode SMART consiste utiliser la forme additive pour lagrgation des valuations
sur les diffrents critres. Ceci a t justifi par le fait quon obtient daussi bonnes
approximations avec la forme additive quavec dautres formes non linaires qui sont
beaucoup plus complexes.

La mthode SMART se prsente comme suit :
tape 1 : Mettre les critres selon lordre dcroissant dimportance.
tape 2 : Dterminer le poids de chaque critre.
tape 3 : Normaliser les coefficients dimportance relative entre 0 et 1 : faire
la somme des coefficients dimportance et diviser chaque poids par
cette somme.
tape 4 : Mesurer la localisation de chaque action sur chaque critre (u
j
(a
i
)).
Les valuations des actions se font sur une chelle variant de 0
(minimum plausible) 100 (maximum plausible).
tape 5 : Dterminer la valeur de chaque action selon la somme pondre
suivante :
. ,......., 2 , 1 , ) ( . ) (
1
m i a u a U
n
j
i j j i
= =

=

tape 6 : Classer les actions selon lordre dcroissant de U(a
i
).

b. Exemple
Une entreprise cherche un partenaire pour externaliser un processus de fabrication dun
produit quelle a des difficults matriser. Le comit de direction a dcid dexploiter la
mthode SMART pour faire son choix.



75
Critre de slection Sens de loptimisation
Cot du contrat dexternalisation (C
1
) Minimiser
Licenciement (C
2
) Minimiser
Amlioration de la qualit (C
3
) Maximiser
Proximit (C
4
) Maximiser

La direction a reu les 5 offres suivantes :
Offre (a
i
) Cot (C
1
) Licenciement (C
2
) Qualit (C
3
) Proximit (C
4
)
a
1
40 100 Insuffisante Trs loin
a
2
100 140 Trs bonne Trs proche
a
3
60 40 Bonne Proche
a
4
60 40 Moyenne Loin
a
5
70 80 Bonne Trs proche

Application de la mthode SMART :
tape 1 : Mettre les attributs selon lordre dcroissant dimportance
Aprs discussion avec le syndicat ouvrier, le comit de direction a opt pour
lordre suivant :
Licenciements (C
2
) > Qualit (C
3
) > Cot (C
1
) > Proximit (C
4
)

tape 2 : Dterminer le poids de chaque attribut.
Le comit de direction a commenc par donner une valeur de 10 au critre le
moins important savoir la proximit. Les cots ont t considrs 4 fois plus
importants que la proximit : une valeur de 40 a t donc attribue aux cots. Une
valeur de 150 a t attribue la qualit et une valeur de 250 aux licenciements.

tape 3 : Normalisation des coefficients dimportance : On divise chaque
valeur de ltape prcdente par la somme des valeurs :
76

% 2 . 2
250 150 40 10
10
) (
% 9 . 8
250 150 40 10
40
) (
% 3 . 33
250 150 40 10
150
) (
% 6 . 55
250 150 40 10
250
) (
4
1
3
2
C roximit P
C ot C
C Qualit
C nt Licencieme
=
+ + +
=
=
+ + +
=
=
+ + +
=
=
+ + +
=

Ainsi, 022 . 0 ; 333 . 0 ; 556 . 0 ; 089 . 0
4 3 2 1
= = = =

tape 4 : valuation des actions sur chaque attribut (u
j
(a
i
)).
Pour les cots : (Max =100 et Min =40)
%
) 40 100 (
) 100 (
. 100 ) (
1
en
Cot
a u
i
i

=
Ainsi,
u
1
(a
1
) = 100. (100 40)/(100-40) = 100%
u
1
(a
2
) = 100. (100 100)/(100-40) = 0%
u
1
(a
3
) = 100. (100 60)/(100-40) = 66.7%
u
1
(a
4
) = 100. (100 60)/(100-40) = 66.7%
u
1
(a
5
) = 100. (100 70)/(100-40) = 50%

Pour les licenciements : (Max = 140 et Min = 40)
%
) 40 140 (
) 140 (
. 100 ) (
2
en
nts licencieme
a u
i
i

=
Ainsi, u
2
(a
1
)= 40% ; u
2
(a
2
)= 0% ; u
2
(a
3
)= 100% ; u
2
(a
4
)= 100% ; u
2
(a
5
)= 60%

Pour la qualit, la valeur de 100 a t accorde trs bonne , la valeur 0 a t
accorde insuffisante , 66 bonne et 33 moyenne .
Ainsi, u
3
(a
1
)= 0% ; u
3
(a
2
)= 100% ; u
3
(a
3
)= 66% ; u
3
(a
4
)= 33% ; u
3
(a
5
)= 66%.

Pour la proximit, la valeur de 100 a t accorde trs proche, la valeur 0 a
t accorde trs loin , 66 proche et 33 loin .
Ainsi, u
4
(a
1
)= 0% ; u
4
(a
2
)= 100% ; u
4
(a
3
)= 66% ; u
4
(a
4
)= 33% ; u
4
(a
5
)= 66%.
77

tape 5 : Dtermination des valeurs des actions.

Cot (C
1
) Licenciement (C
2
) Qualit (C
3
) Proximit (C
4
) U(a
i
)
Poids (
j
) 0.089 0.556 0.333 0.022 -----
a
1
100 40 0 0 31.1
a
2
0 0 100 100 35.5
a
3
66.7 100 66 66 85.0
a
4
66.7 100 33 33 73.3
a
5
50 60 66 100 62.0

tape 6 : Classification des actions.
Loffre propose par a
3
est la meilleure, suivit de celle de a
4
et a
5
. Les offres
proposes par a
2
et a
1
viennent en dernires positions avec des utilits de moins de
36%.
Ainsi, le comit de direction de lentreprise optera pour le partenaire a
3
.

c. Critiques
La mthode SMART est facile exploiter. Elle exige une articulation a-priori des
prfrences, et une valuation des actions sur une chelle unique (chelle cardinale). La
mthode SMART utilise la forme additive, elle est ainsi compensatoire.

d. Outils logiciels
Criterium Decision Plus 3.0
http://www.lionhrtpub.com/orms/orms-2-00/cdpmain.html
Decide right
http://www.avantos.com

78
4.2.3 La mthode MAVT : Multiple Attribute Value Theory [Keeney et Raifa,
1976]
a. Fondements de la mthode
La mthode MAVT repose sur lide fondamentale suivante : tout dcideur essaie
inconsciemment (ou implicitement) de maximiser une fonction ] ,....., [ 1 n g g V V = qui agrge
tous les attributs. La particularit de la mthode MAVT rside dans lide de construction
dune fonction de valeur partielle pour chaque attribut. La meilleure action sur un attribut
aura une valeur partielle (par rapport lattribut tudi) gale 1 et la pire des actions aura
une valeur partielle gale 0. En posant des questions au dcideur, nous construisons les
fonctions de valeur partielle. Nous construisons ensuite, et ce en fonction des
caractristiques des prfrences du dcideur, la fonction de valeur V. La mthode MAVT
sapplique dans un contexte caractris par un ensemble dactions explicite, une articulation
a priori des prfrences et un univers dterministe (les valuations des actions par rapport
chaque attribut sont certaines).

La mthode MAVT sapplique comme suit :
tape 1 : valuer chacune des actions selon chaque critre (construire la
matrice de dcision : tableau multicritre).
g
1
g
j
g
n

a
1
.. .. .. .. ..
.. .. .. .. ..
a
i
.. .. g
j
(a
i
) .. ..
.. .. .. .. ..
a
m
.. .. .. .. ..
v
1
(g
1
) .. v
j
(g
j
) .. v
n
(g
n
)

tape 2 : Construire des fonctions de valeur partielle pour chaque critre
(traduire le tableau multicritre en utilisant les valeurs). Une synthse
des plusieurs mthodes de construction des fonctions de valeur
partielle a t prsente dans [Farquhar 1984].

79
v
1
(g
1
) .. v
j
(g
j
) .. v
n
(g
n
)
a
1
.. .. .. .. ..
.. .. .. .. ..
a
i
.. .. v
j
(g
j
(a
i
)) .. ..
.. .. .. .. ..
a
m
.. .. .. .. ..

tape 3 : tablir les poids des critres.
tape 4 : Calculer lvaluation globale pour chaque action en utilisant une
forme dagrgation approprie.
{ } )] ( [ )],......, ( [ )] ( ),....., ( [ 1 1 1 i n n i i n i a g v a g v f a g a g V =
Par exemple :
dcomposition de la fonction de valeur en une forme additive

=
=
n
j
i j j j i n i a g v a g a g V
1
1 )] ( [ )] ( ),....., ( [
dautres formes de dcomposition sont possibles savoir la
forme multiplicative, la forme quasi-additive, la forme
bilatrale [Guitouni 2000]
tape 5 : Dterminer la meilleure action (laction qui maximise la valeur V :
celle qui a le plus grand score).
tape 6 : Faire des analyses de sensibilit.

b. Exemple [Pomerol et Romero, 1993]
Il sagit de choisir des voitures en fonction de leur prix, leur confort et leur consommation
dessence.

tape 1 : valuer chacune des actions selon chaque critre.
Les caractristiques de chacune des voitures sont :


80
Actions Prix (Min) Confort (Max) Consommation (Min)
a
1
100 10 12
a
2
90 9 9
a
3
80 9 10
a
4
75 8 8
a
5
70 9 11
a
6
70 7 7
a
7
60 6 9
a
8
60 7 8
a
9
50 5 7
a
10
50 4 6

tape 2 : Construire des fonctions de valeur partielles pour chaque.
En posant plusieurs questions au dcideur bases sur le principe de la loterie,
nous construisons les courbes de valeur partielle. Par exemple, pour construire
la courbe V
1
relative au prix, nous retenons que V
1
(100) = 0 et V
1
(50) = 1. Nous
posons ensuite des questions comme :
Combien tes vous prt donner en consommation pour tre indiffrent
entre (50, 7, 9) et (75, 8, ?)
O se situe le prix tel que (50, 7, 9) (?, 8, 6) et (?, 7, 9) (100, 8, 6)?

Ayant les rponses ces questions, nous construisons la courbe V
1
.
Les courbes de valeur partielle des attributs Prix, confort et consommation sont
prsentes ci-aprs.

Figure 3.5 Courbes de valeur partielle
0.00
0.20
0.40
0.60
0.80
1.00
50 60 70 80 90 100
V
1
0.00
0.20
0.40
0.60
0.80
1.00
4 6 8 10
V
2
0.00
0.20
0.40
0.60
0.80
1.00
6 8 10 12
V
3
81
tape 3 : tablir les poids des critres.
Les poids retenus pour les attributs sont
1
= 0.32,
2
= 0.36,
3
= 0.32.
tape 4 : Calculer lvaluation globale pour chaque action en utilisant une
forme dagrgation approprie.
Nous retenons une forme dagrgation additive :
V(a
i
) =
1
*V
1
(a
i
) +
2
*V
2
(a
i
) +
3
*V
3
(a
i
).

Actions Prix V
1
Confort V
2
Consommation V
3
V
a
1
100 0.00 10 1.00 12 0.00 0.360
a
2
90 0.25 9 0.90 9 0.35 0.516
a
3
80 0.50 9 0.90 10 0.25 0.564
a
4
75 0.62 8 0.75 8 0.50 0.628
a
5
70 0.75 9 0.90 11 0.10 0.596
a
6
70 0.75 7 0.58 7 0.75 0.688
a
7
60 0.90 6 0.40 9 0.35 0.544
a
8
60 0.90 7 0.58 8 0.50 0.656
a
9
50 1.00 5 0.20 7 0.75 0.632
a
10
50 1.00 4 0.00 6 1.00 0.640

tape 5 : Dterminer la meilleure action.
Compte tenu de cette tude, le classement des actions est :
a
6
f a
8
f a
10
f a
9
f a
4
f a
5
f a
3
f f a
7
f a
2
f a
1
.

c. Critiques
Cette mthode est dinspiration anglo-saxonne et est notamment utilise aux tats-Unis
dans des problmes daide la dcision, des problmes dconomie, de finance et
dactuariat [Vincke 1989].
La mthode MAVT est une procdure trs exigeante de point de vue informationnel. Par
ailleurs, la construction des fonctions de valeur nest pas toujours une tche vidente. La
mthode MAVT exige une articulation a-priori des prfrences, et une valuation des
82
actions sur des chelles cardinales (on utilise les loteries pour dterminer les fonctions de
valeur).
La construction de la fonction analytique V est une tche ardue. Lexploitation de la forme
additive nest possible que sous des hypothques trs restrictives du point de vue thorique
([Pomerol et Romero, 1993], [Keeney et Raifa, 1976]). La structure de prfrence utilis
dans la mthode MAVT est du type {P,I}. La mthode MAVT est partiellement
compensatoire.

d. Outils logiciels
Web-Hipre
http://www.hipre.hut.fi/
LDW Software
http://www.logicaldecisions.com/prod01.htm

4.2.4 La mthode MAUT : Multiple Attribute Utility Theory [Keeney et
Raifa, 1976]
a. Fondements de la mthode
La mthode MAUT repose sur la mme ide que la mthode MAVT. En revanche, elle
sapplique dans le cas o les valuations des actions par rapport aux attributs sont
imprgnes dincertitude (alatoire). A ce moment, on parle de fonction dutilit et non plus
de fonction de valeur.
La mthode MAUT sapplique alors dans un contexte caractris par un ensemble dactions
explicite (fini), une articulation a priori des prfrences, et un univers incertain (les
valuations des actions par rapport chaque attribut sont incertaines).
La mthode MAUT exige les mmes tapes que la mthode MAVT.

b. Critiques
Comme la mthode MAVT, la mthode MAUT est trs exigeante dun point de vue
informationnel. Les fonctions dutilit sont difficiles concevoir. En outre, MAUT exige
plusieurs vrifications telles que lindpendance mutuelle au sens de lutilit.
83
La mthode MAUT exige une articulation a-priori des prfrences, et une valuation des
actions sur des chelles cardinales (on utilise les loteries pour dterminer les fonctions de
valeur). La structure de prfrence est du type {P,I}. La mthode MAUT est partiellement
compensatoire.

c. Outils logiciels
LDW Software
http://www.logicaldecisions.com/prod01.htm (Version dmo gratuite)

4.2.5 La mthode UTA : Utility Theory Additive [Jacquet-Lagreze et Siskos,
1982]
a. Fondements de la mthode
La mthode UTA se base sur lide suivante : nous supposons que le dcideur connat bien
un sous ensemble dactions A(A A). Nous cherchons estimer la fonction dutilit
(ayant une forme additive) en sapprochant le plus possible des jugements ports par le
dcideur sur le sous-ensemble A. Pour ce faire, on slectionne un sous-ensemble A(A
A) dactions que le dcideur connat bien et on demande ensuite au dcideur de :
Classer les actions de A.
Donner les critres significatifs 1,2,..j,n.
Donner les valuations des actions de A par rapport aux critres 1,2,,j,
n (matrice des jugements).
On procde aprs un ajustement appel rgression ordinale : cette tape consiste
dterminer la fonction dutilit totale qui colle le mieux avec les donnes (classement des
actions et la matrice des jugements).
La fonction dutilit obtenue peut tre considre comme une estimation, un terme
derreur prs, de la vraie fonction dutilit :
) ( ) ( ) (
1
' i ij
n
j
j
i a e u a U + =

=
(1)
o : ) ( ' ij
j
e u dsigne lutilit de laction a
i
sur le critre j et ) ( i a dsigne lerreur
associe lestimation de u
j
(a
i
).
84

La mthode UTA sapplique en procdant comme suit :
tape 1 : Dterminer les valuations extrmes e*
j
et e
j*
et crire les valeurs des
actions de A selon lexpression (1).
tape 2 : crire la contrainte de normalisation des poids des critres
1 ) ( '
*
1
=

=
j j
n
j
e u
tape 3 : Diviser, pour chaque critre j, lintervalle [e*
j
,e
j*
] en
j
intervalles
nots [e
j
l
, e
j
l+1
], avec
j j j
j
j
l
j
1,2...., l e e
l
e e

+ = ), .(
1
*
*
*

tape 4 : Appliquer la transformation ci-aprs :
j
1 l
j
l
j
l
j j
1 l
j j
g de valeurs de intervalle un est ] e [e o l j, 0, e u' e u'
+ +
> , ) ( ) (
Ce qui revient dire que les fonctions dutilit partielle sont
monotones.
tape 5 : Dterminer les valeurs u
j
(e
j
l
)
Dans la mthode UTA, on dtermine les u
j
(e
j
l
) et on effectue des
interpolations linaires entre ces points. En dautres termes,
Si z
j
[e
j
l
, e
j
l+1
], on aura
)] ( ) ( [
l
j j
1 l
j j
l
j
1 l
j
l
j j
l
j j j j
e u' e u'
e e
e z
) (e u' ) (z u'

+ =
+
+

tape 6 : Formuler le problme sous la forme dun programme linaire (ci-
aprs) en se basant sur lensemble A.

85


m 1,2,..., i l, j, , (a e u'
j critre le sur valeur pire la est x avec j, e u'
xA' A' ) a , (a , a I a Si (a (a e u' e u'
xA' A' ) a , (a , a P a Si (a (a e u' e u'
l j, e u' e u'
critres) des on (Pondrati e u
sujet
(a Min
i
l
j j
* j * j j
n
1 j
k i k i k i kj j ij j
n
1 j
k i k i k i kj j ij j
l
j j
1 l
j j
j j
A a
i
i
=
=
> +
> +
>
=


=
=
+

0 ) ; 0 ) (
, 0 ) (
0 )] ) ) ( ) ( [
0 )] ) ) ( ) ( [
, 0 ) ( ) (
1 ) ( '
)
*
'


tape 7 : Rsoudre le programme linaire et appliquer la fonction dutilit
obtenue lensemble des actions de A

b. Critiques
La mthode UTA utilise la mme base axiomatique que la mthode MAUT. Toutefois, elle
ne cherche pas fixer directement les fonctions dutilit partielles comme dans MAUT.
Dans UTA, les fonctions dutilit partielles dcoulent toutes la fois de la prfrence
globale exprime par le dcideur.
On assiste donc une sorte de dsagrgation de la fonction dutilit totale en des utilits
partielles.
La mthode UTA exige des donnes cardinales, une articulation a-priori des prfrences,
une famille de vrai-critres. Par ailleurs, UTA exige lindpendance au sens des
prfrences. UTA est un mthode compensatoire.

c. Outils logiciels
UTA PLUS (version dmo gratuite)
http://www.lamsade.dauphine.fr/english/software.html#uta+1
86
4.2.6 La mthode AHP : Analytic Hierarchy Process [Saaty 1980]
a. Fondements de la mthode
La mthode AHP consiste reprsenter un problme de dcision par une structure
hirarchique refltant les interactions entre les divers lments du problme, procder
ensuite des comparaisons par paires des lments de la hirarchie, et enfin dterminer
les priorits des actions.
tape 1 : Dcomposer le problme en une hirarchie dlments inter-relis.
Au sommet de la hirarchie, on trouve lobjectif, et dans les niveaux
infrieurs, les lments contribuant atteindre cet objectif. Le
dernier niveau est celui des actions.
Figure 3.6 Structure hirarchique dun problme selon la mthode AHP
tape 2 : Procder des comparaisons par paires des lments de chaque
niveau hirarchique par rapport un lment du niveau hirarchique
suprieur. Cette tape permet de construire des matrices de
comparaisons. Les valeurs de ces matrices sont obtenues par la
transformation des jugements en valeurs numriques selon lchelle
de Saaty (Echelle de comparaisons binaires), tout en respectant le
principe de rciprocit :

) , (
1
) , (
A B c
B A c
E E P
E E P = .
Objectif
Elment Elment Elment


Sous-lment Sous-lment Sous-lment
Actions
87
Degr dimportance Dfinition Explication
1 Importance gale des deux lments Deux lments contribuent autant la
proprit.
3 Faible importance dun lment par
rapport un autre.
Lexprience et lapprciation personnelles
favorisent lgrement un lment un autre
5 Importance forte ou dterminante dun
lment par rapport un autre.
Lexprience et lapprciation personnelles
favorisent fortement un lment un autre
7 Importance atteste dun lment par
rapport un autre.
Un lment est fortement favoris et sa
dominance est atteste dans la pratique.
9 Importance absolue dun lment par
rapport un autre.
Les preuves favorisant un lment par
rapport un autre sont aussi convaincantes
que possible.
2, 4, 6, 8 Valeurs intermdiaires entre deux
apprciations voisines
Un compromis est ncessaire entre deux
apprciations.
Rciprocit Si llment i se voit attribuer lun des chiffres prcdents lorsquelle est compare
llment j, j aura donc la valeur inverse lorsquon la compare i.
Tableau 3.4 chelle de Saaty
N.B : A chaque nud clat en n lments, il faut raliser
2
) 1 .( n n
comparaisons
par paire.
tape 3 : Dterminer limportance relative des lments en calculant les
vecteurs propres correspondants aux valeurs propres maximales des
matrices de comparaisons.
tape 4 : Vrifier la cohrence des jugements.
On calculer dabord, lindice de cohrence IC.

1
max

=
n
n
IC


O :
max
est la valeur propre maximale correspondant la matrice des
comparaisons par paires et n est le nombre dlments compars.
On calcule le ratio de cohrence (RC) dfinit par :

ACI
IC
RC . 100 =
O ACI est lindice de cohrence moyen obtenu en gnrant alatoirement des
matrices de jugement de mme taille.
88
Dimension de la matrice 1 2 3 4 5 6 7 8 9 10
Cohrence alatoire (ACI) 0.00 0.00 0.58 0.90 1.12 1.24 1.32 1.41 1.45 1.49
Tableau 3.5 Indice de cohrence moyen

Une valeur de RC infrieure 10% est gnralement acceptable, sinon, les
comparaisons par paires doivent tre rvises pour rduire les incohrences.
tape 5 : tablir la performance relative de chacune des actions.

= =

= =
1
1 1
1 1
1 1 ) ( ), / ( ). ( ) (
k k n
j
n
j
k
i
k
k
i
k
i
k
k
i
k
k
i
k e P avec e e P e P e P
O n
k-1
est le nombre dlments du niveau hirarchique k-1, et P
k
(
k
i
e ) est la
priorit accorde llment e
i
au niveau hirarchique k.

b. Exemple
Une entreprise doit slectionner un partenaire pour externaliser un processus de fabrication.
Le comit de direction a dcid dexploiter la mthode AHP pour faire son choix.
tape 1 : Dcomposition du problme en une hirarchie dlments inter-
relis. Le groupe de dcision a retenu la hirarchie suivante :
Lobjectif est de slectionner un partenaire pour sous-traiter le produit en question.
Les critres de slection retenus sont la qualit du produit fourni, la fiabilit du
partenaire et lconomie engendre par cette relation de partenariat.
4 alternatives sont possibles (4 partenaires ont dpos des offres).

Slectionner
un partenaire
Qualit Fiabilit Economie
Partenaire1 (a
1
)
Partenaire2 (a
2
)
Partenaire3 (a
3
)
Partenaire4 (a
4
)
Partenaire1 (a
1
)
Partenaire2 (a
2
)
Partenaire3 (a
3
)
Partenaire4 (a
4
)
Partenaire1 (a
1
)
Partenaire2 (a
2
)
Partenaire3 (a
3
)
Partenaire4 (a
4
)
89
tapes 2 + 3 : Comparaisons par paires des lments de chaque niveau hirarchique
et dtermination de limportance relative des lments.
Aprs discussion, le groupe de dcision sest mis daccord que la fiabilit est
lgrement plus importante que la qualit ; la qualit a une importance faible par
rapport lconomie; et la fiabilit a une importance modre par rapport
lconomie. Ces jugements sont traduits dans la matrice suivante :
Qualit Fiabilit Economie
Qualit 1 3
Fiabilit 2 1 4
Economie 1/3 1/4 1

Le traitement de cette matrice donne :

max
= 3.0183 ;
|
|
|
|
.
|

\
|
=
1862 . 0
8527 . 0
4481 . 0
1 w ; aprs normalisation, on obtient
|
|
|
|
.
|

\
|
=
1220 . 0
5584 . 0
3196 . 0
1 w
important moins le critre Le
important plus le critre Le

important critre second Le


w
Economie
Fiabilit

Qualit

|
|
|
|
.
|

\
|
=
1220 . 0
5584 . 0
3196 . 0
1

En termes de qualit et de fiabilit, les comparaisons par paires des actions sont
rcapitules dans les matrices suivantes :
Qualit Fiabilit
a
1
a
2
a
3
a
4
a
1
a
2
a
3
a
4

a
1
1 1/4 4 1/6 a
1
1 2 5 1
a
2
4 1 4 a
2
1/2 1 3 2
a
3
1/4 1/4 1 1/5 a
3
1/5 1/3 1
a
4
6 4 5 1 a
4
1 1/2 4 1

90
En termes de qualit

max
= 4.4347 et
|
|
|
|
|
|
.
|

\
|
=
5770 . 0
0600 . 0
2470 . 0
1160 . 0
2 w
En termes de fiabilit

max
= 4.1913 et
|
|
|
|
|
|
.
|

\
|
=
2570 . 0
0740 . 0
2900 . 0
3790 . 0
3 w
Donc, si on ne tient compte que du critre qualit, cest le partenaire 4 qui sera
slectionn. Toutefois, si on ne prend compte que le critre fiabilit, cest le
partenaire 1 qui sera retenu.

Linformation concernant lconomie engendre par lassociation avec un partenaire
est rcapitule dans le tableau suivant :
conomie Normalisation
a
1
34 34/113 = 0.3010
a
2
27 27/113 = 0.2390
a
3
24 24/113 = 0.2120
a
4
28 28/113 = 0.2480
Total 113 1

La normalisation des donnes relatives lconomie nous a permis de dterminer le
vecteur de priorit
|
|
|
|
|
|
.
|

\
|
=
2480 . 0
2120 . 0
2390 . 0
3010 . 0
4 w .
tape 4 : valuation des cohrences des jugements
Matrice M
1
M
2
M
3
M
4

max
3.0183 4.4347 4.1913 ***
IC 0.0092 0.1449 0.0638 ***
ACI 0.58 0.90 0.90 0.90
RC 1.6% 16.1% 7.1% ***

91
tape 5 : Dtermination de la performance relative de chacune des actions.


) (
) (
) (
) (
3280 . 0
0940 . 0
2720 . 0
3060 . 0
1220 . 0
5584 . 0
3196 . 0
*
2480 . 0
2120 . 0
2390 . 0
3010 . 0
2570 . 0
0740 . 0
2900 . 0
3790 . 0
5770 . 0
0600 . 0
2470 . 0
1160 . 0
) (
) (
) (
) (
4
3
2
1
4
3
2
1
a
a
a
a

actions des Priorits


critres des riorits P
Economie Fiabilit
Qualit
a
a
a
a
ctions A
|
|
|
|
|
|
|
|
.
|

\
|
=
|
|
|
|
|
|
.
|

\
|
|
|
|
|
|
|
|
|
.
|

\
|

Daprs le vecteur des priorits des actions, on conclut que le partenaire 4(a
4
) a
propos la meilleure offre, suivi du partenaire 1(a
1
), puis des partenaires 2(a
2
) et
3(a
3
).

N.B : Cet exemple a t trait en utilisant le logiciel Expert Choice (voir annexe D)

c. Critiques
Les points forts de la mthode AHP sont la modlisation du problme de dcision par une
structure hirarchique et lutilisation dune chelle smantique pour exprimer les
prfrences du dcideur.
Bien quelle soit trs populaire, la mthode AHP a fait lobjet de plusieurs critiques :
Un grand nombre dlments dans le problme de dcision fait exploser le nombre
de comparaisons par paires.
Slectionner
un partenaire
Qualit
0.3196
Fiabilit
0.5584
Economie
0.1220
(a
1
) 0.1160
(a
2
) 0.2470
(a
3
) 0.0600
(a
4
) 0.5770
(a
1
) 0.3790
(a
2
) 0.2900
(a
3
) 0.0740
(a
4
) 0.2570
(a
1
) 0.3010
(a
2
) 0.2390
(a
3
) 0.2120
(a
4
) 0.2480
92
Le problme de renversement de rang (deux actions peuvent voir leur ordre de
priorit sinverser suite une modification (ajout ou suppression dune ou de
plusieurs actions) de lensemble des actions.
Lassociation dune chelle numrique lchelle smantique est restrictive et
introduit des biais.
La mthode AHP a fait lobjet de plusieurs extensions telles que la prise en compte de
lincertitude (AHP stochastique) et du flou (AHP flou) dans lexpression des jugements.

d. Outils logiciels
Criterium Decision Plus 3.0
http://www.lionhrtpub.com/orms/orms-2-00/cdpmain.html
aliah Think
http://www.decisioncoaches.com (version dmo gratuite)
Expert Choice
http://www.expertchoice.com/download/Default.htm (version dmo gratuite)

4.2.7 La mthode EVAMIX [Voogd 1983]
a. Fondements de la mthode
La mthode EVAMIX traite les valuations ordinales et cardinales. Afin dvaluer une
action par rapport une autre, on calcule deux indices de dominance, le premier pour les
valuations ordinales et le second pour les valuations cardinales. Ces deux indices sont par
la suite normaliss puis combins pour donner une mesure globale de la dominance. Enfin,
un score global par action est calcul, ce qui permettra de classer les actions.

tape 1 : Calculer les indices de dominance (de laction i par rapport laction
k)
ik
et
ik
respectivement pour les attributs ordinaux(O) et
cardinaux(C).

93

=
=
<

>

kj ij
kj ij
kj ij
kj ij
p
C j
kj ij j
p
ik
p
O j
kj ij j
p
ik
e e si
e e si
e e si
e e v avec
e e v
e e v
, 1
, 0
, 1
) , ( ;
) , ( .
) , ( .
] [
] [


tape 2 : Normaliser les indices de la manire suivante :

=
=

i k
ik
ik
ik
i k
ik
ik
ik


tape 3 : Calculer la dominance D
ik
globale de laction i par rapport laction
k. Cest simplement la somme pondre des indices de dominance
normaliss.



+ =
C j
j ik
O j
j ik ik D .
tape 4 : Calculer le score global par action comme suit :
.
; 1

=
=
n
i k k
ik i D D , o n est le nombre dactions.
D
i
permet de ranger les actions.

b. Exemple
On appliquera la mthode EVAMIX lexemple trait par la mthode SMART.

Cot (C
1
) Licenciement (C
2
) Qualit (C
3
) Proximit (C
4
)
Nature du critre Cardinal Cardinal Ordinal Ordinal
Poids du critre 0.089 0.556 0.333 0.022
a
1
40 100 Insuffisante Trs loin
a
2
100 140 Trs bonne Trs proche
a
3
60 40 Bonne Proche
a
4
60 40 Moyenne Loin
a
5
70 80 Bonne Trs proche

94
tape 1 : Calcul des indices de dominance
Les indices de dominance pour les valuations ordinales sont rcapituls dans la
matrice ci-dessous. La valeur correspondant la ligne i et la colonne k de cette
matrice est
ik
.

ik
a
1
a
2
a
3
a
4
a
5

a
1
--- -0.355 -0.355 -0.355 -0.355
a
2
0.355 --- 0.355 0.355 0.355
a
3
0.355 -0.355 --- 0.355 -0.022
a
4
0.355 -0.355 -0.355 --- -0.355
a
5
0.355 -0.355 0.022 0.355 ---

N.B : Les indices
ik
sont calculs en appliquant la relation
p
O j
kj ij j
p
ik
e e v

=
] [ ) , ( .
pour p=1.
Les indices de dominance pour les valuations cardinales sont rcapituls dans la
matrice ci-dessous. La valeur correspondant la ligne i et la colonne k de cette
matrice est
ik
.

ik
a
1
a
2
a
3
a
4
a
5

a
1
--- 0.645 -0.467 -0.467 -0.467
a
2
-0.645 --- -0.645 -0.645 -0.645
a
3
0.467 0.645 --- 0 0.645
a
4
0.467 0.645 0 --- 0.645
a
5
0.467 0.645 -0.645 -0.645 ---

N.B : Les indices
ik
sont calculs en appliquant la relation
p
C j
kj ij j
p
ik
e e v

=
] [ ) , ( .
pour p=1.
tape 2 : Normalisation des indices de dominance
Normalisation des indices de dominance pour les valuations ordinales

95

ik
a
1
a
2
a
3
a
4
a
5

a
1
--- -0.0556 -0.0556 -0.0556 -0.0556
a
2
0.0556 --- 0.0556 0.0556 0.0521
a
3
0.0556 -0.0556 --- 0.0556 -0.0034
a
4
0.0556 -0.0556 -0.0556 --- -0.0556
a
5
0.0556 -0.0521 0.0034 0.0556 ---

Normalisation des indices de dominance pour les valuations cardinales

ik
a
1
a
2
a
3
a
4
a
5

a
1
--- 0.0612 -0.0443 -0.0443 -0.0443
a
2
-0.0612 --- -0.0612 -0.0612 -0.0612
a
3
0.0443 0.0612 --- 0 0.0612
a
4
0.0443 0.0612 0 --- 0.0612
a
5
0.0443 0.0612 -0.0612 -0.0612 ---

tape 3 : Calcul de la dominance globale.
D
ik
a
1
a
2
a
3
a
4
a
5

a
1
--- 0.0197 -0.0483 -0.0483 -0.0483
a
2
-0.0197 --- -0.0197 -0.0197 -0.0210
a
3
0.0483 0.0197 --- 0.0197 0.0383
a
4
0.0483 0.0197 -0.0197 --- 0.0197
a
5
0.0483 0.0210 -0.0383 -0.0197 ---

tape 4 : Calcul des scores globaux des actions.
Actions D
i

a
1
-0.1252
a
2
-0.0802
a
3
0.1261
a
4
0.0680
a
5
0.0113
96
Les scores globaux permettent le rangement des actions. On remarque bien quon
obtient le mme rangement que celui obtenu par lapplication de la mthode
SMART, savoir :
a
3
f a
4
f a
5
f a
2
f a
1
.

c. Critiques
La mthode EVAMIX est facile mettre en uvre. Par ailleurs, elle a lavantage de traiter
les valuations ordinales et cardinales. La mthode EVAMIX exige une articulation a-priori
des prfrences, et une structure de prfrence du type {P, I}.
EVAMIX est une mthode partiellement compensatoire.

d. Outils logiciels
Evamix
http://www.frw.rug.nl/persons/voogd/evamix.htm (Version dmo gratuite)

4.3 Les mthodes de lapproche de surclassement de synthse
4.3.1 Les mthodes PROMETHEE [Brans et Vincke, 1985]
a. Fondements de la mthode
Les mthodes PROMETHEE se basent sur une extension de la notion de critre par
lintroduction dune fonction exprimant la prfrence du dcideur pour une action a
i
par
rapport une autre action a
k
. Pour chaque critre, le dcideur est appel choisir une des
six formes de courbes reprsentes ci-dessous. Les paramtres relatifs chaque courbe
reprsentent des seuils dindiffrence et/ou de prfrence.

97
1
re
forme : Vrai-critre

Prfrence stricte immdiate.
Pas de paramtres dterminer.

>
=
) ( ) ( 0
) ( ) ( 1
) , (
b g a g si
b g a g si
b a F
j j
j j
j

2
me
forme : Quasi-critre

Il existe un seuil dindiffrence (quasi-
critre) qui doit tre fix.


>
=
j j j
j j j
j
q b g a g si
q b g a g si
b a F
) ( ) ( 0
) ( ) ( 1
) , (
3
me
forme : Pr-critre La prfrence croit jusqu un seuil de
prfrence qui doit tre fix.


<

>
=
0 ) ( ) ( 0
) ( ) ( 0
) ( ) (
) ( ) ( 1
) , (
b g a g si
p b g a g si
p
b g a g
p b g a g si
b a F
j j
j j j
j
j j
j j j
j
4
me
forme : Pseudo-critre 1


Il existe un seuil dindiffrence et un
seuil de prfrence fixer (pseudo-
critre); entre les deux, la prfrence est
moyenne.


<
>
=
j j j
j j j j
j j j
j
q b g a g si
p b g a g q si
p b g a g si
b a F
) ( ) ( 0
) ( ) (
) ( ) ( 1
) , (
2
1

g
j
(a) g
j
(b) 0
1
F
j
(a,b)
g
j
(a) g
j
(b) 0
1
F
j
(a,b)
q
j

g
j
(a) g
j
(b) 0
1
F
j
(a,b)
p
j

g
j
(a) g
j
(b) 0
1
F
j
(a,b)
p
j
q
j


98
5
me
forme : Pseudo-critre 2 Il existe un seuil dindiffrence et un
seuil de prfrence fixer; entre les
deux la prfrence est croissante.


<


>
=
j j j
j j j j
j j
j j j
j j j
j
q b g a g si
p b g a g q si
q p
q b g a g
p b g a g si
b a F
) ( ) ( 0
) ( ) (
) ( ) (
) ( ) ( 1
) , (
6
me
forme : Critre gaussien La prfrence croit suivant une loi
gaussienne dont il faut fixer lcart type.
)
2
) ( ) (
exp( 1 ) , (
2


=
b g a g
b a F
j j
j
(avec = cart-type)
Figure 3.7 Diffrents types de critres [Vincke 1989]
Les Mthodes PROMETHEE I et II se prsentent comme suit :
tape 1 : On fixe pour chaque critre, une des six formes de courbes proposes
dans PROMETHEE ainsi que les paramtres qui lui sont associs.
tape 2 : Pour chaque couple dactions (a
i
, a
k
); on calcule la prfrence
globale (degr de surclassement) de la manire suivante :

=
=
n
j
k i j j k i a a F a a P
1
) , ( . ) , (
tape 3 : Calculer les flux entrant et sortant pour chaque action a
i
.
sortant flux a de force la exprime qui positif flux a a P a
i
a a A a
k i i
i k k
: ; ) , ( ) (
;


+
=


entrant flux a de faiblesse la exprime qui ngatif flux a a P a
i
a a A a
i k i
i k k
: ; ) , ( ) (
;

=

g
j
(a) g
j
(b) 0
1
F
j
(a,b)
p
j
q
j

g
j
(a) g
j
(b) 0
1
F
j
(a,b)
99
tape 4 : Dterminer les 2 pr-ordres totaux et procder au rangement des
actions
Le premier pr-ordre total consiste ranger les actions dans lordre
dcroissant des
+
.
Le second pr-ordre total consiste ranger les actions dans lordre
croissant des
-
.

Lintersection des 2 pr-ordres totaux fournit le pr-ordre partiel de
la mthode PROMETHEE I.
PROMETHEE II consiste ranger les actions selon lordre
dcroissant des scores (a
i
) dfinis comme suit :
(a
i
) =
+
(a
i
)
-
(a
i
)
Ainsi, PROMETHEE II fournit un pr-ordre total.

b. Exemple
Lexemple traite dun choix de lemplacement dun entrept de stockage. Lensemble des
actions potentielles est compos de 6 sites o pourrait ventuellement tre construit le
dpt : a
i
=site1, ., a
6
=site6.
6 critres ont t retenus pour lvaluation de chaque site.
On suppose que les critres ont le mme poids. Par ailleurs, les critres g
1
, g
2
, g
4
et g
5
sont
maximiser. En revanche, les critres g
3
et g
6
sont minimiser.
tape 1 : modlisation des critres
Les performances figurent au tableau ci-dessous
Critres Min a
1
a
2
a
3
a
4
a
5
a
6
Critres gnraliss
Max Type Paramtres
g
1
(a
i
) Min 80 65 83 40 52 94 II q=10 -
g
2
(a
i
) Max 90 58 60 80 72 96 III - p=30
g
3
(a
i
) Min 6 2 4 10 6 7 V q=0.5 p=4.5
g
4
(a
i
) Min 5.5 9.7 7.2 7.5 2.0 3.6 IV q=1 p=5
g
5
(a
i
) Min 8 1 4 7 3 5 I -
g
6
(a
i
) Max 5 1 7 10 8 6 VI =5
100

tape 2 : Calcul des P(a
i
, a
k
)
Calcul de P
j
(a
1
, a
2
), P
j
(a
2
, a
1
) et d= g
j
(a
1
) - g
j
(a
2
).
Critre g
1
: d=15, P
1
(a
1
, a
2
)=0, P
1
(a
2
, a
1
) =1
Critre g
2
: d=32, P
2
(a
1
, a
2
)=1, P
2
(a
2
, a
1
) =0
Critre g
3
: d=4, P
3
(a
1
, a
2
)=0, P
3
(a
2
, a
1
) =0.875
Critre g
4
: d=-4.3, P
4
(a
1
, a
2
)=0.5, P
4
(a
2
, a
1
) =0
Critre g
5
: d=7, P
5
(a
1
, a
2
)=0, P
5
(a
2
, a
1
) =1
Critre g
6
: d=4, P
6
(a
1
, a
2
)=0.274, P
6
(a
2
, a
1
) =0

En procdant de la mme manire pour les autres couples, on peut en dduire les
valeurs des P(a
i
, a
k
) qui sont donnes au tableau ci-dessous.

tape 3 : Calcul des flux entrant et sortant pour chaque action a
i

P a
1
a
2
a
3
a
4
a
5
a
6

+
=
+
-
-

a
1
- 0.296 0.250 0.268 0.100 0.185 1.099 -0.728
a
2
0.462 - 0.389 0.333 0.296 0.500 1.980 +0.085
a
3
0.236 0.180 - 0.333 0.056 0.429 1.234 -0.447
a
4
0.399 0.505 0.305 - 0.223 0.212 1.644 -0.102
a
5
0.444 0.515 0.487 0.380 - 0.448 2.274 +1.466
a
6
0.286 0.399 0.250 0.432 0.133 - 1.500 -0.274

-
1.827 1.895 1.681 1.746 0.808 1.774

tape 4 : Dterminer les 2 pr-ordres totaux et procder au rangement des
actions

+
donne : a
5
f a
2
f a
4
f a
6
fa
3
f a
1


+
donne : a
5
f a
3
f a
4
f a
6
f a
1
f a
2

Lapplication de la mthode PROMETHEE II donne le pr-ordre
total suivant :
a
5
f a
2
f a
4
f a
6
f a
3
f a
1

101

N.B : Une version modifie de cet exemple a t traite en utilisant le logiciel Decision Lab
(voir annexe D). En effet, dans sa version Dmo, le logiciel Decision Lab ne permet pas
ltude de plus de 5 actions quand le nombre de critres est gal 6. Nous avons choisi de
domettre laction a
5
car selon ltude faite ci-haut, laction a
5
tait toujours la meilleure
(laction a
5
a gard la mme position dans le rangement).

c. Critiques
Les mthodes PROMETHEE sont faciles et comprhensibles par lutilisateur. Dautres
variantes des mthodes PROMETHEE ont dj vu le jour : PROMETHEE III (conduit un
ordre dintervalle), PROMETHEE IV(Lorsque lensemble des solutions admissibles est un
continuum) et enfin PROMETHEE V (cette mthode a t conue pour des choix
multicritres avec contraintes de segmentation).

d. Outils logiciels
Promcalc - Gaia.
Decision Lab 2000
http://www.visualdecision.com/download.htm (version dmo gratuite)

4.3.2 La mthode Electre I [Roy 1968]
a. Fondements de la mthode
La mthode Electre I relve de la problmatique de choix (P). Sa manire dtablir le
surclassement dune action par rapport une autre repose sur :
(1) une condition de concordance : condition imposant quune majorit des critres se
dgagent en faveur de laction surclassante.
(2) une condition de non-discordance : condition imposant quil nexiste pas une trop
forte pression, dans un des critres de la minorit, en faveur du surclassement
inverse. [Schrlig 1985]
102
La mthode Electre I vise obtenir une partition de A en deux sous-ensembles N et A\N. N
est appel le noyau du graphe de surclassement : cest le sige des actions non surclasses.
La meilleure action est contenue dans N.

La mthode Electre I se prsente comme suit :
On attribut chaque critre j, un poids
j
dautant plus grand que le critre est important.
tape 1 : Calculer les indices de concordance.
A chaque couple dactions (a
i
, a
k
); on associe lindice de concordance suivant :

=
) ( :
. ) , (
kj ij e e j
j k i a a C avec 1 .
1
=

=
n
j
j
tape 2 : Calculer les indices de discordance
A chaque couple dactions (a
i
, a
k
); on associe lindice de discordance suivant :

{ }
{ }

= <
=
<
sinon e e Max
E
e e j si
a a D
ij kj
e e j
kj ij
k i
kj ij :
*
1
: 0
) , (


E est ltendue de la plus grande chelle associe lun des critres.

tape 3 : Construire les relations de surclassement :
On conclut au surclassement de a
k
par a
i
si un test de concordance et un test de
non discordance sont satisfaits :
a S a d a a D et c a a C si k i k i k i ) ) , ( ) ) , ( (
Si lun ou lautre des tests ou les deux ne sont pas satisfaits, on se trouve dans une
situation dincomparabilit.
a R a d a a D u o c a a C si k i k i k i ) ) , ( ) ) , ( (
c : est le seuil de concordance : il est relativement grand. c[1/2, 1]
d : est le seuil de discordance : il relativement petit.

tape 4 : Exploiter les relations de surclassement :
103
Cette tape consiste dterminer le sous-ensemble dactions N appel noyau tel
que toute action qui nest pas dans N est surclasse par au moins une action de N
et les actions de N sont incomparables entre elles.

b. Exemple [Schrlig 1985]
Il sagit de choisir un emplacement pour la construction dune nouvelle unit de production.
On aurait choisir entre quatre villes en tenant compte de 5 critres. Les donnes du
problme sont rcapitules dans le tableau suivant :

g
1
g
2
g
3
g
4
g
5

Poids 10% 30% 10% 10% 40%
a
1
5 10 7 7 2
a
2
4 8 5 5 7
a
3
5 8 7 7 6
a
4
7 6 5 3 7
chelle 3-7 0-10 3-7 3-7 0-10

Les chiffres reprsentent les jugements ports par les responsables de lentreprise mre.

tape 1 : Calcul des indices de concordance
a
1
a
2
a
3
a
4

a
1
- 0.6 0.6 0.5
a
2
0.4 - 0.7 0.9
a
3
0.7 0.6 - 0.5
a
4
0.5 0.6 0.5 -

tape 2 : Calcul des indices de discordance
a
1
a
2
a
3
a
4

a
1
- 0.5 0.4 0.5
a
2
0.2 - 0.2 0.3
a
3
0.2 0.1 - 0.2
a
4
0.4 0.2 0.4 -
104

Dans cet exemple, ltendue de la plus grande chelle E=10.
Pour la paire a
1
surclasse a
4
, les critres en dsaccord sont g
1
(diffrence de 2) et g
5
(diffrence de 5). Le plus grand cart est donc 5, on le divise par la longueur de la
plus grande chelle, qui est 10; ce qui donne D(a
1
, a
4
)=0.5.
tape 3 : Construction des relations de surclassement :
Choisissons un seuil de concordance c = 0.7 et un seuil de discordance d = 0.2.
On peut facilement conclure que a
1
surclasse a
3
, et a
3
surclasse a
2
. Ceci se traduit
par le graphe suivant :


tape 4 : Exploitation des relations de surclassement :
Le noyau de ce graphe de surclassement est N={ a
1
, a
4
}

c. Critiques
La mthode Electre I a lavantage dintroduire la notion de noyau qui permet de restreindre
le domaine de ltude pour sintresser uniquement aux meilleures actions.
Toutefois, la mthode Electre I exige de traduire les performances des actions en notes, ce
qui suscite une gne chez certains utilisateurs qui y voient une perte de matrise de leurs
donnes.
La mthode Electre I a fait lobjet de nouvelles extensions : il sagit des variantes Electre Iv
(v pour veto) et Electre Is (s pour seuil).
Dans Electre Iv, on abandonne les jugements en notes au profit des vraies valeurs, mais au
prix de lintroduction dun seuil de veto.
Dans Electre Is [Roy et Skalka, 1985], on introduit des seuils sur les critres ce qui permet
de corriger une autre gne dans Electre I qui est la brutalit des concordances.
a
1
a
2

a
4
a
3

105
d. Outils logiciels
Electre Tri (version dmo gratuite) , Electre IS
http://www.lamsade.dauphine.fr/english/software.html#el2s

4.3.3 La mthode Electre II [Roy et Bertier, 1971]
a. Fondements de la mthode
La mthode Electre II relve de la problmatique de rangement (P) : elle vise ranger les
actions de la meilleure la moins bonne.
La mthode Electre II utilise le mme indice de concordance que Electre I. Toutefois, on
associe trois seuils cet indice (0.5 <c
3
<c
2
<c
1
1). Lindice de discordance ne change pas
non plus dans sa dfinition (Electre I), mais on le calcule pour chaque critre discordant, et
on lui donne 2 seuils (2 seuils par critre : 0<d
j1
<d
j2
<E
j
).
La mthode Electre II introduit une nouveaut fondamentale : elle permet de distinguer des
surclassements forts et des surclassements faibles.

La mthode Electre II se prsente comme suit :
On attribut chaque critre j, un poids
j
dautant plus grand que le critre est important.
tape 1 : Calculer les indices de concordance (Idem que Electre I)
A chaque couple dactions (a
i
, a
k
); on associe lindice de concordance suivant :

>
=
) ( :
. ) , (
kj ij e e j
j k i a a C avec 1 .
1
=

=
n
j
j
tape 2 : Calculer les indices de discordance (par critre)
A chaque couple dactions (a
i
, a
k
); et pour tout critre j, on associe lindice de
discordance suivant :

<

=
kj ij ij kj
kj ij
k i j
e e si e e
e e si
a a D
0
) , (
tape 3 : Construire les relations de surclassement :
On conclut au surclassement fort de a
k
par a
i
(a
i
S
F
a
k
) si un test de concordance et
un test de non discordance sont satisfaits :
106

a S a
) j d a a D ( et c a a C si
ou
) j d a a D ( et c a a C si
et 1 si k
F
i
j k i k i
j k i k i
j j
j
j j
j



>
|
|
|
.
|

\
|

<
>
1 2
2 1
0 :
0 :
) , ( ) ) , ( (
) , ( ) ) , ( (



On conclut au surclassement faible de a
k
par a
i
(a
i
S
f
a
k
) si les tests de
concordance et de non discordance suivants sont satisfaits :

a S a ) j d a a D ( et c a a C si et 1 si k
f
i j k i k i
j j
j
j j
j
>
|
|
|
.
|

\
|

<
>
2 3
0 :
0 :
) , ( ) ) , ( (


Si aucun des deux tests prcdents nest satisfait, alors on conclut
lincomparabilit des actions a
i
et a
k
(a
k
R a
i
).
tape 4 : Exploiter les relations de surclassement :
On tablit deux pr-ordres totaux P
1
et P
2
, ainsi quun pr-ordre partiel P .
Le premier pr-ordre total P
1
est obtenu par classement direct en
utilisant uniquement les surclassements forts : la premire classe est
celle des actions non surclasses : cest dire celles auxquelles
aboutit un chemin de longueur nulle. La deuxime classe est celle
des actions auxquelles aboutit un chemin de longueur 1, et ainsi de
suite. Par longueur dun chemin, on entend le nombre darcs
constituant ce chemin. On utilise ensuite les surclassements faibles
pour dpartager les actions lintrieur des classes.
Le second pr-ordre P
2
est obtenu par classement inverse : on
classe cette fois les actions en fonction de la longueur des chemins
toujours en surclassement fort- qui en sont issus. On utilise ensuite
les surclassements faibles pour dpartager les actions lintrieur des
classes.
Le pr-odre P est lintersection de P
1
et P
2
.

107
b. Exemple
On suppose que ltude des tapes 1, 2 et 3 dun problme a donn le graphe de
surclassement suivant :


Classement direct : (b,d),f,(e,a),c
Classement inverse : b, (e,f), d, (a, c)
Le tableau suivant rcapitule les pr-ordres P
1
, P
2
et P

action Direct : P
1
Inverse : P
2
Score = P
1
+ P
2

Final : P
a 4 5 9 5
b 1 1 2 1
c 6 5 11 6
d 1 4 5 2
e 4 2 6 4
f 3 2 5 2

c. Critiques
La mthode Electre II demeure parmi les plus connues et les plus utilises des mthodes
Electre.
Dans certains cas, il savre difficile de dterminer le pr-ordre partiel P car les rangs des
actions bougent beaucoup entre le classement direct et le classement inverse. Dans ces
circonstances, il vaut mieux revoir les seuils.
a
f
e d
c
b Surclassement fort
Surclassement faible
108
La mthode Electre II exige des valuations cardinales et une articulation a-priori des
prfrences. Electre II est une mthode partiellement compensatoire.

4.3.4 La mthode Electre III [Roy 1978]
a. Fondements de la mthode
La mthode Electre III relve de la problmatique de rangement (P). Son originalit rside
dans le caractre flou de la relation de surclassement. Pour chaque couple dactions (a
i
, a
k
),
on dtermine un degr de crdibilit du surclassement S(a
i
, a
k
). Ce degr est compris entre
0 et 1 et il est dautant plus grand que la solidit du surclassement de a
i
sur a
k
est
importante.
La mthode Electre III se distingue des mthodes Electre I et II par lexploitation de
pseudo-critres : on peut alors se trouver dans une situation dindiffrence, de prfrence
faible ou de prfrence stricte lors de la comparaison des carts de prfrence de deux
actions selon un critre (voir graphe ci-dessous)
Figure 3.8 Structure de prfrence exploite dans Electre III
La prise en compte de la zone de la prfrence faible (a
i
Q a
k
ou a
k
Q a
i
) est loriginalit de
Electre III par rapport au modle classique (P : prfrence stricte et I : indiffrence (si e
ij

e
kj
=0)).

La mthode Electre III se prsente comme suit :
On attribut chaque critre j, un poids
j
dautant plus grand que critre est important.
tape 1 : Calculer les indices de concordance
e
ij
- e
kj

p q 0 -p -q
a
k
P a
i
a
k
Q a
i
a
i
Q a
k
a
i
P a
k

a
i
I a
k

a
k
I a
i

109


< <

+

= =

=
p si
q p si
q p
p
q - si
a a o a a a a C
j j
j j j
j j
j j
j j
k i j k i
n
j
j j k i
0
1
) , ( ) , ( . ) , (
1

tion discrimina de seuils les sont p , q et e e avec j j kj ij j = (Voir Figure 3.8)

tape 2 : Calculer les indices de discordance (par critre)


< <


=
v si
p v si
p v
p
p - si
a a D
j j
j j j
j j
j j
j j
k i j
1
0
) , (
v
j
tant le seuil de veto du critre j
tape 3 : Dterminer les degrs de crdibilit des surclassements :

>

>
) , ( ) , (
) , ( 1
) , ( 1
). , (
) , ( ) , ( ) , (
) , (
) , ( ) , ( :
k i k i j
a a C a a D j
k i
k i j
k i
k i k i j k i
k i
a a C a a D j: si
a a C
a a D
a a C
j a a C a a D si a a C
a a
k i k i j


Cette tape nous permet de dterminer des relations de surclassement values
[0,1], pour toute paire dactions (a
i
, a
k
).
tape 4 : Exploiter les relations de surclassement :
Cette tape consiste dterminer un rangement des actions. Pour ce faire, on joue
sur le niveau de signification du degr de crdibilit et on procde des
distillations successives descendantes et ascendantes qui aboutissent deux
rangements (pr-ordre complet). Lintersection de ces deux rangements conduit
un rangement final (gnralement partiel).

110
b. Critiques
La mthode Electre III est beaucoup plus sophistique que Electre II : elle exige un grand
nombre de paramtres techniques.
Electre III a le mrite dintgrer des pseudo-critres, ce qui est plus proche du raisonnement
humain. Cette manire de modliser les prfrences a exig dutiliser le flou dans la
mthode.
Electre III a t juge trop complexe et parfois difficile interprter.

c. Outils logiciels
Electre III (version dmo gratuite)
http://www.lamsade.dauphine.fr/english/software.html#el2s

4.3.5 La mthode Electre Is
a. Fondements de la mthode
La mthode Electre Is est trs similaire la mthode Electre I sauf quelle sapplique dans
le cas o le problme porte sur des pseudo-critres. Lexploitation de la mthode Electre Is
conduit la dtermination dun noyau.
La mthode Electre Is se prsente comme suit :
tape 1 : Calculer les indices de concordance (Idem que Electre III)
tape 2 : Calculer les indices de discordance par critre (Idem que Electre I)
tape 3 : Construire les relations de surclassement


) (
) ( ) , ( ) , (
k i
k i
j
k i
j
k i
a R a non i s
a S a ) j D), - v ( a a D et ) c a a C ( si

c -
a - (a C - 1
* q D avec
k i
j
1
)
=

tape 4 : Exploiter les relations de surclassement :
Cette tape consiste dterminer le noyau du graphe de surclassement.

111
b. Critiques
La mthode Electre Is a les mmes avantages et limites que la mthode Electre I.

4.3.6 La mthode Electre IV [Roy et Hugonnard, 1982]
a. Fondements de la mthode
La mthode Electre IV relve de la problmatique de rangement (P).
Electre IV se caractrise par labandon des critres (on na pas besoin dintroduire des
pondrations pour les critres). Elle se base sur une famille de pseudo-critres; ainsi, des
seuils et des surclassements flous (Pour chaque critre j, on dfinit le seuil dindiffrence q
j
,
le seuil de prfrence p
j
et le seuil de vto v
j
.).
Dans Electre IV, on value chaque paire dactions selon chaque critre sans avoir
dterminer un indice de concordance ou un indice de discordance.

La mthode Electre IV se prsente comme suit :
tape 1 : valuer toute paire dactions selon chaque critre
Pour chaque paire dactions confronte au jugement dun critre, on se demande
simplement laquelle des deux actions est prfre lautre selon ce critre. Cest
ce niveau quinterviennent les seuils (q
j
, p
j
, v
j
)
4
.

tape 2 : Dterminer les relations de surclassement de toute paire dactions.
a
i
S
F
a
k
: a
i
surclasse fortement a
k
si :

a ) faiblement ou nt (stricteme
prfre a donnant critres des nombre au gal plus au
est a prfre faiblement a donnant critres des nombre le si
et
a prfre nt stricteme a donnant critre aucun existe n' il S
k
i
i k
i
k '

a
i
S
f
a
k
: a
i
surclasse faiblement a
k
si

4
Si e
j
(a
i
) e
j
(a
k
) v
j
, alors a
k
ne peut pas surclasser a
i
quelque soient les rsultats dvaluation de a
i
et a
k
par
rapport aux autres critres.
112

|
|
.
|

\
|
|
.
|

\
|
a prfre nt stricteme a donnant moins au critres trois
si et , prfrence de du seuil double au gal plus au tant cart l
, a prfre nt stricteme a donnant critre unique un existe il s'
ou
vrifie. pas est n' dessus - ci condition seconde la si et
, a prfre nt stricteme a donnant critre aucun existe n' il s
k i
i k
i k
'
'

tape 3 : Exploiter les relations de surclassement :
Ltape 2 nous permet de construire un graphe avec des arcs de surclassement fort
et des arcs de surclassement faible. Il ne reste plus qu chercher deux classements
antagonistes, ce qui se fait ici par distillation comme dans Electre III.

b. Critiques
Dans certains problmes de dcision, il savre trs difficile de dterminer des poids pour
les critres. La mthode Electre IV a lavantage dviter ce problme.
La mthode Electre IV a aussi lavantage de traiter des pseudo-critres ce qui traduit mieux
la ralit.
La mthode Electre IV est facile exploiter, toutefois, elle exige un grand nombre de
paramtres techniques.

c. Outils logiciels
Electre IV (version dmo gratuite)
http://www.lamsade.dauphine.fr/english/software.html#el2s


Remarque : La quasi totalit des mthodes de dcision multicritre supposent
lindpendance au sens des prfrences. Cest une hypothse assez forte qui permet de
simplifier lexpression de la relation dagrgation (MAVT, MAUT), elle est galement une
condition qui doit tre vrifie pour pouvoir appliquer les mthodes Electre ou Promthe.
La question suivante simpose ds lors : quelle est la frquence des situations o la
condition dindpendance au sens des prfrences nest pas vrifie? Comment faut il
procder dans ces cas?
Dans le cadre de ce mmoire, nous posons la question sans pour autant donner la rponse.
113
En effet, la rponse cette question exige une connaissance trs pousse de la thorie de la
dcision multicritre, ce qui dpasse le cadre de cette prsente thse.

4.4 Les mthodes interactives
Une mthode interactive consiste une alternance dtapes de calcul et dtapes de
dialogue avec le dcideur. La premire tape de calcul fournit une premire solution. Celle-
ci est prsente au dcideur qui ragit en apportant des informations supplmentaires sur
ses prfrences (tape de dialogue : par exemple, on demande au dcideur sur quel critre il
est prt faire une concession et quelle quantit maximale
j
il accepte de concder; quelle
contrainte il accepte de relcher, sur quelle contrainte il accepte dtre plus svre). Cette
information est injecte dans le modle utilis et permet de construire une nouvelle
solution.
Les mthodes interactives se distinguent des autres mthodes daide la dcision par le fait
que le dcideur contribue directement la construction de la solution en intervenant dans la
mthode et non seulement dans la dfinition du problme [Vincke 1989].

La prsentation dtaille des fondements de certaines mthodes interactives dpasse le
cadre de ce chapitre. Nous nous limitons donc lister un certain nombre de mthodes
interactives : la mthode STEM [Benayoun et al., 1971], la mthode de Geoffrion, Dyer et
Freinberg [Geoffrion et al., 1972], la mthode du point de mire [Roy 1976], la mthode de
Zionts et Wallenius [Zionts et Wallenius, 1976], la mthode de Vincke [Vincke 1976], la
mthode du point de rfrence [Wierzbicki 1980], la mthode de Steuer et Choo [Steuer et
Choo, 1983], la mthode de Korhonen et Laakso [Korhonen et al., 1986], la mthode de
Jacquet-Lagrze, Meziani et Slowinski [Jacquet-Lagrze et al., 1987], la mthode de
Vanderpooten [Vanderpooten 1988]

114
4.5 Procdure de choix dune mthode daide la dcision multicritre
(MADMC)
Daprs ltude des mthodes MADMC prsente aux paragraphes prcdents, nous
constatons que ces mthodes se diffrencient par la faon de modliser les prfrences du
dcideur, la dcision de pondrer ou non les critres ainsi que les attentes du dcideur
relatives aux rsultats de lapplication dune MADMC (rangement daction, possibilit
davoir des incomparabilit entre actions, ..). En dautres termes, les MADMC se
diffrencient par les informations utilises lentre (Input) et les rsultats obtenus la
sortie (Output). Ainsi, la dfinition des inputs et des outputs permet de classer les
MADMC, ce qui aidera la conception dune procdure de choix dune MADMC. En
effet, cette ide est la base de la classification des MADMC propose dans [Guitouni et
al., 1999] et que nous retenons pour concevoir une procdure de choix dune MADMC.
[Guitouni et al., 1999] ont dfini 24 inputs et 7 outputs. Ce qui correspond une matrice
de taille (23 x 7). Les MADMC ont t places dans les cases correspondantes de la
matrice. Les rsultats de cette classification sont prsents ci-aprs (Tableau 3.6).

Il importe de mentionner que dans la matrice ci-dessous, chaque MADMC a t place
dans sa position naturelle : position selon lauteur qui la dvelopp. Dans [Guitouni et al.,
1999], trois relations de propagation ont t dfinies. Elles permettent de propager une
MADMC qui se trouve dans une case dautres (Exemple : les mthodes TOPSIS et AHP
ont t associes naturellement aux case (I20, O1) et (I21, O1). Lapplication dune des
relations de propagation a permis de placer ces mthodes respectivement dans les case (I20,
O3) et (I21, O3). Cette propagation sexplique par la raison suivante : rien nempche
dutiliser les scores obtenus par les actions pour faire un classement de ces mme actions).
Cependant, mme avec les relations de propagation, on ne peut propager une MADMC vers
nimporte quelle position de la matrice.
Nous tenons prciser que les mthodes interactives ne sont pas concernes par cette
classification. Par ailleurs, certaines mthodes non explicites dans les paragraphes
prcdents, comme MECHIOR, NAIADE, ORESTE , ont t places sur la matrice
115
inputs/outputs. Nous trouvons plus de dtail sur ces mthodes dans [Vincke 1989] et
[Guitouni 2000].
Outputs Inputs
O1 O2 O3 O4 O5 O6 O7
I1
Borda
Condorcet
Conjonctive
Disjonctive

I2

I3
ELECTRE IV
I4
MaxMin
I5

I6

I7

I8

I9

I10
Lexicographique ORESTE
I11

I12
MELCHIOR
I13

I14

I15

I16
NAIADE II NAIADE I
I17
REGIME
QUALIFEX
ELECTRE II ELECTRE I
I18
PROMETHEE
II
PROMETHEE
I
ELECTRE
TRI
I19
ELECTRE III ELECTRE
IS

I20
Somme
pondre
MAUT
TOPSIS
MAVT
SMART
UTA

I21
Somme
pondre
AHP
Somme
pondre
floue
MaxMin flou
I22

I23

I24
PAMSSEM II PAMSSEM I
Tableau 3.6 Classification des MADMC selon la matrice inputs/outputs

La description des diffrents inputs et outputs de la matrice ci-dessus dpasse le cadre de
cette section. Nous nous limitons expliciter les inputs et outputs correspondant des cases
pleines de la matrice.
116

4.5.1 Caractrisation des inputs
Inputs Signification
I1 n structures {P
j
, I
j
}
5
de prordres.
I3 n structures {P
j
, I
j
} de semiordres et/ou structures {P
j
, I
j
, Q
j
}
6
de pseudo-ordres
plus des seuils de vto v
j
.
I4 n fonctions dutilit (uj) (dutilit (valeur) partielle) exprimes sur des chelles
intervalles.
I10 n structures {P
j
, I
j
} de semiordres et/ou structures {P
j
, I
j
, Q
j
} de pseudo-ordres et
une relation de prordre complet ( f ) sur les attributs (critres).
I12 n fonctions dutilit (uj) (dutilit (valeur) partielle) exprimes sur des chelles
intervalles et une relation de prordre complet ( f ) sur les attributs.
I16 n structures {P
j
, I
j
} de semiordres et/ou structures {P
j
, I
j
, Q
j
} de pseudo-ordres plus
des seuils de veto v
j
dfinies sur des valuations distributionnelles plus une relation
de prordre complet ( f ) sur les attributs.
I17 n structures {P
j
, I
j
}de prordres plus un vecteur de coefficients dimportance
relative () des attributs.
I18 n structures {P
j
, I
j
} de semiordres et/ou structures {P
j
, I
j
, Q
j
} de pseudo-ordres plus
un vecteur de coefficient dimportance relative () des attributs.
I19 n structures {P
j
, I
j
} de semiordres et/ou structures {P
j
, I
j
, Q
j
}
7
de pseudo-ordres plus
des seuils de veto v
j
plus un vecteur de coefficient dimportance relative () des
attributs.
I20 n fonctions dutilit (uj) (dutilit (valeur) partielle) exprimes sur des chelles
intervalles plus un vecteur de coefficient dimportance relative () des attributs.
I21 n fonctions dutilit (uj) (dutilit (valeur) partielle) exprimes sur des chelles
ratios plus un vecteur de coefficient dimportance relative () des attributs.
I24 n structures {P
j
, I
j
} de semiordres et/ou structures {P
j
, I
j
, Q
j
} de pseudo-ordres plus
des seuils de veto v
j
dfinies sur des valuations distributionnelles plus un vecteur
de coefficient dimportance relative () des attributs.

5
{P
j
: relation de prfrence stricte, Q
j
: relation de prfrence faible, I
j
: relation dindiffrence }
6
{P
j
, I
j
, Q
j
} { f , ~, f
f
}
7
{P
j
, I
j
, Q
j
} { f , ~, f
f
}
117
Tableau 3.7 Caractrisation des inputs

4.5.2 Caractrisation des outputs
Outputs Signification
O1 valuation globale (un score global par exemple) : cette situation traduit la
volont de construire un critre unique de synthse. Le score global est de niveau
cardinal.
O2 Un rangement global des actions en considrant un seuil dindiffrence ({f, ~} :
une structure de semiordre total) : lintroduction de seuils permet dintroduire des
nuances ou limiter certaines conclusions (de surclassement) par exemple.
O3 Un rangement total des actions avec possibilit dex quo ({f , ~} : une
structure de prordre total) : lobjectif dans ce cas est souvent le rangement des
actions de la meilleure la moins bonne. Dans ce cas, toutes les actions sont
comparables; il est possible de les discriminer.
O4 Un rangement partiel des actions en considrant lincomparabilit ({ f , ~, f
f
,
?}
8
: une structure de prordre partiel) : cet output reprend lide de loutput
prcdent tout en considrant quil est possible de ne pas pouvoir discriminer
entre certaines actions : on accepte lincomparabilit.
O5 Choix de la meilleure action ou dune classe dquivalence des meilleures
actions.
O6 Choix dun sous-ensemble dactions parmi lesquelles se trouve(nt) la (les)
meilleure(s) action(s).
O7 Tri ordonn : affecter les actions des catgories pr-dfinies et ordonnes.
Tableau 3.8 Caractrisation des outputs


8
{ f , ~, f
f
, ?} : {Prfrence forte, Indiffrence, Prfrence faible, incomparabilit}
118
5. Procdure de choix dune mthode de slection
Dans le Tableau 3.9, nous rcapitulons les diffrences entre les mthode doptimisation
mathmatique et les mthodes daide la dcision multicritre, et ce afin de servir de base
au dveloppement dune procdure de choix dune mthode de slection.

Les mthodes doptimisation
mathmatique (MOM)
Les mthodes daide la dcision
multicritre (MADMC)
Il nest pas ncessaire que les solutions
soient connues a priori. Elles seront
dtermines lors de lapplication de ces
mthodes et ce ltape de rsolution.
Ces mthodes sappliquent un
ensemble de solutions (actions)
connues a priori.
Le nombre de solutions peut tre fini
ou infini
Le nombre de solutions est fini
Les valuations des actions doivent
tre cardinales.
Les valuations des actions peuvent
tre ordinales, cardinales ou mixtes.
Tous les critres sont du type vrai
critre
Plusieurs types de critres peuvent tre
considrs (vrai critre, pseudo critre,
quasi critre, )
Dans leur version standard, ces
mthodes ne traitent que les problmes
de choix. Toutefois, elles sont
facilement adaptables pour traiter les
problmes de rangement ou de tri.
Ces mthodes traitent des problmes
de choix, de rangement, et de tri
Les prfrences du dcideur peuvent
tre exprimes a priori ou a posteriori
et ce selon la mthode.
Les prfrences du dcideur peuvent
tre exprimes a priori ou a posteriori
et ce selon la mthode.
Le dcideur intervient dans la
dfinition du problme, ou aprs la
rsolution du problme. Il ne contribue
pas la construction des solutions.
Le dcideur contribue directement la
construction de la solution en
intervenant dans la mthode et non
seulement dans la dfinition du
119
problme (ceci est vrai pour les
mthodes interactives).
Les MOM permettent la rsolution et
la slection simultanment.
Les MADMC ne permettent que la
slection dune solution parmi
plusieurs.
Tableau 3.9 Tableau comparatif des MOM et des MADMC

Nous prsentons ci aprs un synoptique pour la procdure propose pour laide au choix
dune mthode de slection.

Comme mentionn au paragraphe 3.3 (proposition dune procdure pour le choix dune
mthode doptimisation mathmatique), dans le cas o lensemble des actions est connu a
priori, nous pouvons placer les mthodes mathmatiques (nous considrons lide
conceptuelle la base de chacune des mthodes) dans la matrice des inputs/outputs
prsente au paragraphe prcdent.
Outputs Inputs
O1 O2 O3 O4 O5 O6 O7
I17
REGIME
QUALIFEX
ELECTRE II ELECTRE I
PMOM

I21
Somme pondre
AHP
Somme pondre floue
Goal Programming
Compromise
Programming
Mthode critre global
-constraint method
MaxMin flou
Tableau 3.10 Positionnement des mthodes doptimisation mathmatique sur la
matrice inputs/outputs

La classification des MADMC selon le couple (input / output) rend le choix plus facile
faire : il suffit de se placer dans la case correspondante pour savoir quelles sont les
mthodes susceptibles dtre appliques au problme. La question qui se pose ds lors sera
la suivante : comment faire pour choisir, parmi plusieurs mthodes se trouvant dans une
120
mme case, la mthode que le dcideur souhaiterait appliquer? Pour rpondre cette
question, nous tudions les cases regroupant plusieurs mthodes une une. Les cases
contenant des mthodes non explicites dans ce rapport ne feront pas lobjet dune tude.

(1) Case (I1, O5) : Si on applique les mthodes conjonctive et disjonctive sur un
mme ensemble dactions, on obtient un ensemble plus fin avec
la mthode disjonctive. En effet, on peut considrer que la
mthode disjonctive traite les actions obtenues suite
lapplication de la mthode conjonctive. Il importe de noter
quon ne peut pas se prononcer propos de la meilleure mthode
parmi les deux. En effet, tout dpend de la manire avec laquelle
le dcideur souhaite traiter les actions obtenues aprs
lapplication de lune des mthodes.
(2) Case (I17, O6) : Un des points de dpart lapplication de la mthode Electre I est
llimination des solutions domines. Donc, les rsultats de la
PMOM peuvent tre les lments dentre de la mthode Electre
I. La mthode Electre I donne des rsultats plus riches que la
PMOM. Elle est prfrable la PMOM quand le dcideur peut
dterminer les paramtres ncessaires son application.
(3) Case (I20, O1) : La mthode de la somme pondre exige une normalisation des
valuations des actions. Elle requiert des poids dimportance
pour les critres. Elle permet de calculer un score global pour
toute action. La mthode TOPSIS obit une logique de
minimisation de distance par rapport une solution idale. Ces
deux mthodes sont beaucoup plus simples appliquer que la
mthode MAUT. La mthode de la somme pondre ainsi que la
mthode TOPSIS exigent que les valuations des actions soient
cardinales. La mthode MAUT demeure trs structure
thoriquement et elle a lavantage de traiter des problmes
caractriss par des informations incertaines.
121
(4) Case (I20, O3) : La mthode SMART est plus facile appliquer que les mthodes
MAVT et UTA. La construction des fonctions de valeur partielle
de la mthode MAVT reste une tche difficile mettre en uvre.
(5) Case (I21, O1) : Dans le cas o la situation dcisionnelle exige des comparaisons
par paires, cest la mthode AHP quil faut adopter. Dans les
autres cas, cest la mthode de la somme pondre. Si les
prfrences ont une structure floue, alors cest la somme
pondre floue quil faut appliquer. Pour le choix dune mthode
parmi les autres mthodes de cette case, il faut se rfrer la
procdure de choix dune mthode doptimisation mathmatique
(voir paragraphe 2.3).

6. Conclusion
Nous avons tudi les mthodes de traitement dun problme multi-objectifs. Nous avons
prsent les avantages et les limites de chacune de ces mthodes. Nous avons montr
limpact de la modlisation des prfrences du dcideur sur le choix dune mthode
dagrgation.
Nous allons maintenant prsenter des instanciations de certaines de ces mthodes
gnriques aux cas successifs de la localisation dinstallations, de la slection de
fournisseurs et de lallocation dordres. Cest ce qui fera lobjet du chapitre 4.



CHAPITRE 4

ETUDE DES PROBLMES DE LOCALISATION
DINSTALLATION, DE SLECTION DE
FOURNISSEURS ET DALLOCATION DORDRES


Introduction
La chane logistique est l'ensemble des entits organisationnelles qui assurent les fonctions
d'approvisionnement, de transformation et de distribution d'un produit. Concevoir et grer
une chane logistique revient identifier les entits organisationnelles qui la constituent et
harmoniser les fonctions quelles assurent.
Afin didentifier ces entits organisationnelles, des dcisions pralables de faire ou faire-
faire doivent tre prises. En dautres termes, si on considre un produit ou une activit,
une entreprise doit dcider de faire le produit (lactivit), de faire-faire le produit
(lactivit), de faire le produit (lactivit) avec d'autres partenaires ou ne pas faire le produit
(lactivit).
Dans le cas o l'entreprise dciderait de faire le produit, plusieurs dcisions doivent tre
prises comme la ncessit d'ouvrir des sites de production, de choisir les technologies qu'il
faut adopter dans les sites de production, de dfinir les capacits et la localisation des sites
de production
123
Dans le cas o l'entreprise dciderait de faire-faire le produit, alors des dcisions relatives
au choix du sous-traitant ou des fournisseurs doivent tre prises comme le choix des critres
de slection des fournisseurs, la mthode de slection des fournisseurs, le nombre des
fournisseurs slectionner
Dans le cas o l'entreprise dciderait de faire le produit avec d'autres partenaires, alors des
dcisions concernant le choix des partenaires doivent tre prises. Par exemple, quelles sont
les comptences requises des partenaires, quelles sont les mthodes de choix des
partenaires ? Par ailleurs, puisque les partenaires peuvent tre complmentaires et/ou
concurrents, alors il faut dcider des mthodes et des mcanismes adopter pour assurer un
bon fonctionnement entre l'entreprise et ses partenaires : un fonctionnement qui permet
l'ensemble de satisfaire le client, de faire des profits et de dvelopper des comptences.
L'entreprise peut finalement dcider de ne pas faire le produit parce que c'est un produit
standard ou plutt un produit trs sophistiqu qui exige des comptences trs pointues que
l'entreprise ne matrise pas.
Il existe ainsi une correspondance troite entre le problme de conception dune chane
logistique et le problme de faire ou faire-faire . Par ailleurs, nous considrons que le
problme faire ou faire-faire a les ramifications schmatises dans la Figure 4.1.
Figure 4.1 Les ramifications du problme faire ou faire-faire
Nous adoptons cette vision dans la suite de ce prsent rapport, et nous nous intressons
particulirement dans ce chapitre ltude analytique du problme de conception dune
chane logistique. Nous trouvons une synthse des approches conceptuelles danalyse de la
dcision faire ou faire-faire dans [Bouchriha 2002].

Problme de
faire,
faire-faire,
faire ensemble,
ne pas faire
Problme dallocation dordres
Problme de slection de fournisseurs
Problme de localisation dinstallations
faire
***
faire-faire
faire-ensemble
ne pas faire
124
Nous prsentons dans ce chapitre une synthse des mthodes analytiques proposes dans la
littrature scientifique pour le traitement du problme de faire, faire-faire ou faire
ensemble. Ainsi, comme suite lanalyse faite ci-dessus (Figure 4.1), nous prsenterons
dans ce qui suit les modles analytiques classiquement utiliss pour les problmes de
localisation dinstallations (sous-chapitre 4.1), de slection des fournisseurs (sous-chapitre
4.2) et dallocation dordres (sous-chapitre 4.3).


Sous-chapitre 4.1


Problme de localisation dinstallations
(Modles mathmatiques)


1. Introduction
Dans ce sous-chapitre, nous prsentons la vue modlisation mathmatique Recherche
Oprationnelle du problme de localisation dinstallations. Pour chaque type de problme
de localisation dinstallations, nous prsentons une formulation mathmatique et nous
discutons des mthodes et outils de rsolution qui lui sont associs.
Dans ce rapport, nous adaptons la dfinition suivante pour le problme de localisation
dinstallations.

Dfinition 4.1 : Problme de Localisation dinstallations

" Il sagit de dterminer les lieux dimplantation de nouvelles installations afin de rpondre
aux besoins exprims par des zones de consommation."


La recherche scientifique dans le domaine de la localisation dinstallations sest dveloppe
selon les 2 catgories suivantes :
126
(1) Catgorie1 : Cest la catgorie la plus ancienne. Elle contient les modles
continus o les installations peuvent tre localises nimporte o dans lespace.
Lespace est continu et peut tre de dimension 2 (plan) ou de dimension 3 (une
sphre reprsentant la terre par exemple).
Dans cette catgorie, les problmes sont traits selon une approche gomtrique.
Les distances entre les points de consommation et les installations ne sont pas
connues lavance : ce sont des variables de dcision du problme.
La complexit des modles de cette catgorie dpend surtout de la dfinition de
distance quon adopte. Par exemple, dans un espace de dimension 2, on peut citer
les dfinitions des distances suivantes :
La distance euclidienne : d(A,B) = (( x
a
x
b
)
2
+ ( y
a
y
b
)
2
)


La distance d
p
: d
p
(A,B) = (| x
a
x
b
|
p
+ | y
a
y
b
|
p
)
1/P

La distance rectangulaire : d
r
(A,B) = | x
a
x
b
| + | y
a
y
b
|
.
{(x
a
, y
a
), (x
b
, y
b
)} tant les coordonnes des points A et B de lespace.
Figure 4.1.1 Distance euclidienne distance rectangulaire dans un espace de
dimension 2
Les distances entre deux points sont encore plus compliques calculer quand il
sagit dun espace de dimension 3. Par exemple, lexpression de la distance entre
deux points situs sur une sphre est la suivante :
La distance angulaire (Figure 4.1.2) :
s(A,B) = R*arc cos (sinA sinB + cos A cosB cosd)
.
.
x
y
y
a

y
b

x
a
x
b
A
B
.
.
x
y
y
a
y
b
x
a
x
b

A
B
Distance euclidienne Distance rectangulaire
127
Figure 4.1.2 Distance angulaire entre 2 points situs sur une sphre

Les problmes de localisation de la catgorie 1 sont les plus compliqus formuler
et rsoudre. Nous trouverons plus de dtails sur ces problmes dans [Love et al.,
1988]

(2) Catgorie 2 : Elle englobe les modles discrets : les installations peuvent tre
implantes dans des emplacements spcifis lavance. Le nombre demplacements
est fini. Dans cette catgorie, les distances entre les installations et les points de
consommation sont connues lavance : cest une donne du problme. Par ailleurs,
dans plusieurs cas, lexpression de la distance est remplace par une fonction de
cot. Les modles figurant dans cette catgorie sont souvent traits en utilisant la
programmation mathmatique.

Dans la suite de ce sous-chapitre, on sintresse uniquement aux problmes de localisation
dinstallations figurant dans la catgorie 2.

2. Problme de localisation Problme dallocation
Nous abordons ce sous-chapitre par une comparaison entre les problmes de localisation
pure, les problmes dallocation pure et les problmes de localisation-allocation.
avec d =
B -

A
R : le rayon de la sphre
s(AB) = R*arc cos (sinA sinB + cos A cosB cosd)
Si on considre deux points A et B sur la sphre, de
latitudes respectives
A
et
B
, et de longitudes
respectives
A
et
B
, alors la distance angulaire
s(AB) entre A et B, est donne par la relation
fondamentale de trigonomtrie sphrique suivante :
128
2.1 Problme de Localisation Pure : [Martel 2001]
Dans un problme de localisation pure, on suppose que lon a J installations (entrepts)
localiser dans un ensemble S de sites potentiels, o S est plus grand que J. On suppose aussi
que les flux de produits qui circulent travers chacune des installations sont prdtermins.
Toutefois, les cots dimplantation et dopration dune installation dpendent de lendroit
o elle se situe. Le problme est daffecter les installations aux sites de faon minimiser le
cot total encouru.
La formulation mathmatique du problme est la suivante :
Donnes :
J = nombre dinstallations implanter.
c
js
= cot daffectation de linstallation j au site s.
S = nombre de sites potentiels.
Variables de dcision :
y
js
= 1 si linstallation j est affecte au site s.
= 0 sinon
Modle :
Minimiser
js js
S
s
J
1 j
y C

= = 1


Sujet :
J. ..., 2, 1, j , 1 yjs
S
1 s
= =

=

(4.1.1)

S ...., 2, 1, s , 1 yjs
J
j
=

=1

(4.1.2)
{ } s j , , 1 0, y js (4.1.3)

La fonction objectif minimise le cot total encouru.
La contrainte (4.1.1) assure que toute installation est implante sur un site. La contrainte
(4.1.2) garantit que dans chaque site, on implante au maximum une installation.
Ce modle est un programme linaire variables binaires. La mthode Branch & Bound
permet la rsolution optimale de ce problme [Hillier et Lieberman, 2001].

129
Enfin, le modle prsent ci-dessus pour traiter le problme de localisation pure, nest autre
quun problme daffectation de J installations S sites. Pour le rsoudre, on introduit (S-J)
installations fictives ayant des cots dimplantation nuls, et on modifie le modle comme
suit :
Modle :
Minimiser
js js
S
s
S J'
1 j
y C

=
=
= 1


Sujet :
S J' avec J'. ..., 2, 1, j , 1 yjs
S
1 s
= = =

=

(4.1)

S ...., 2, 1, s , 1 yjs
J
j
= =

=
'
1

(4.2)
{ } S J' avec S ..., 2, 1, s , .....J' 2, 1, j , 1 0, y js = = = (4.3)

Cest un modle daffectation ayant la structure dun problme de transport, auquel on peut
appliquer la proprit des solutions entires (The Integer Solutions Property) :

Integer Solutions Property : For transportation problems where every s
i
(source) and d
i

(destination) have an integer value, all the basic variables in every basic feasible solution
(including the optimal one) also have integer values [Hillier et Lieberman, 2001].

Cette proprit assure que les variables y
js
sont entires. On peut donc remplacer la
contrainte (4.3) par la contrainte suivante :
S J' avec S ..., 2, 1, s , .....J' 2, 1, j , 1 y js = = = 0
Le problme rsoudre devient ainsi linaire. On lui applique lalgorithme du simplex pour
dterminer la solution optimale.

2.2 Problme dAllocation Pure [Martel 2001]
Dans le problme dallocation pure, on ne remet pas en question la structure du rseau,
mais on veut prciser la mission de chaque installation. Supposons que le contexte est le
suivant : on veut distribuer des produits (p=1, 2, , P) des points de demande connus
130
(k=1, 2,., K) soit directement partir des sources dapprovisionnement des produits
(usine, fournisseur) ou par lintermdiaire des entrepts (j=1, 2, , J). Tous les produits
proviennent de la mme source dapprovisionnement qui a une capacit qui dpasse
largement les besoins. Les entrepts, par contre, peuvent distribuer plusieurs produits et ils
ont une capacit limite. On veut dterminer quels produits et quels points de demande
affecter chaque entrept, ainsi que les flux de marchandises entre les entrepts et les
sources dapprovisionnement / clients.
Figure 4.1.3 Problme dallocation pure
La formulation de ce problme est :
Donnes :
h
pk
= demande du client k pour lacquisition du produit p.
V
j
= capacit de lentrept j.
C
pk
= cot unitaire du produit p expdi au client k par livraison
directe.
C
pjk
= cot unitaire de livraison du produit p au client k si la livraison
sest faite en passant par lentrept j.
J = ensemble des entrepts
K = ensemble des clients.
P = ensemble des produits
Variables de dcision :
X
pk
= flux du produit p livr directement au client k
X
pjk
= flux du produit p fourni au client k partir de lentrept j.
Site de production Clients ( k ) Entrepts ( j )
131

Modle :

Minimiser
pjk pjk
K k J j P p
pk pk
K k P p
X C X C


+

Sujet :
K k P, p , h X X pk pjk
J j
pk = +


(4.1.4)

J j , V X j pjk
K k P p




(4.1.5)
K k J, j P, p 0, X 0, X pjk pk (4.1.6)

La fonction objectif minimise le cot total encouru (cot de livraison directe + cot de
livraison par les entrepts).
La contrainte (4.1.4) assure la satisfaction de la demande de chaque client. La contrainte
(4.1.5) garantit le respect de la capacit de chaque entrept.
Ce modle est un programme linaire mixte. La mthode Branch & Bound permet la
rsolution optimale de ce problme [Hillier et Lieberman, 2001].

2.3 Problme de localisation-allocation (Location-Allocation Problem)
Dans ce problme, les dcisions de localisation et dallocation doivent tre prises
simultanment. On suppose que les produits proviennent de plusieurs sources (usines) et
doivent tre achemins vers des points de consommation en passant par des entrepts.
Un certain nombre dusines et/ou dentrepts existe dj, mais dautres sites potentiels sont
identifis pour limplantation de nouvelles installations (usines et/ou entrepts). nous
devons choisir une chane pour le cheminement de chaque produit vers chaque point de
consommation et dterminer quels usines/entrepts devraient tre ouverts ou ferms,
compte tenu de la capacit des installations dj disponibles et des possibilits dexpansion
des sites potentiels.

Enfin, pour rcapituler, nous disons que dans un problme de localisation-allocation,
lexpression localisation fait rfrence au choix de sites, par exemple des sites de
132
production et de distribution de lentreprise, alors que lexpression allocation fait
rfrence aux dcisions daffectation des activits, par exemple des activits de
production/distribution aux sites choisis, ce qui dfinit la mission de ces sites [Martel 2001
(a)].
Dans la suite de ce prsent sous-chapitre, nous nous intressons particulirement au
problme de Localisation Allocation. Nous utilisons par dfaut, le terme Problme de
localisation dinstallations (Facility Location Problem) pour dsigner le problme de
Localisation Allocation.

3. Typologie des problmes de localisation dinstallations
Nous nous intressons dans ce paragraphe la conception dune typologie des problmes
de localisation dinstallations.
En effet, le contexte de dcision peut tre statique ou dynamique; dterministe ou
stochastique, mono-objectif ou multi-objectifs. Nous entamons ce paragraphe par une
catgorisation des problmes {mono-objectif, statiques, dterministes}. Nous expliquons
par la suite les particularits des modles multi-objectifs, dynamiques et stochastiques.

3.1 Les problmes Mono-objectifs, Statiques, dterministes
3.1.1 Problmes de couverture (Covering problems)
Une demande est dite couverte si elle est satisfaite en un temps dfini lavance. Par
exemple, supposons que les sapeurs pompiers doivent intervenir en moins de 15 minutes en
cas dincendie, alors une usine situe 30 minutes de la caserne des pompiers nest pas
couverte.
Nous distinguons deux types de problme de couverture :
(1) Location set covering problem
(2) Maximal covering problem
133
a. Set Covering Location Model : SCLM ([White et Case,
1974], [Toregas et al., 1971])
Dans ce problme, nous cherchons dterminer un nombre indfini dinstallations de telle
faon quaucun point de demande k ne soit une distance suprieure un seuil maximum S
de linstallation la plus proche.
Dans ce qui suit, le seuil maximum sera appel niveau ou distance de couverture. La
formulation mathmatique de ce problme dans sa version la plus simple est la suivante :

Donnes :
d
jk
= distance (ou le cot unitaire de production et de livraison) entre
linstallation j et le client k.
S = distance (temps) maximale acceptable (distance de couverture)
N
k
= ensemble des installations potentielles j qui sont dans le
primtre de la distance de couverture du client k (N
k
= { j / d
jk

S }).
J = ensemble de toutes les installations.
K = ensemble de tous les clients.
Variables de dcision :
x
j
= 1 si linstallation j est retenue.
= 0 sinon.
Modle :
Minimiser
j
J j
x



Sujet :
K k , 1 x j
N j k


(4.1.7)
{ } J j , 1 0, x j (4.1.8)

La fonction objectif minimise le nombre dinstallations engages. La contrainte (4.1.7)
assure que tout client est couvert par au moins une installation.
Ce modle est un programme linaire variables binaires.

134
b. Maximal Covering Location Problem : MCLP ([White et
Case, 1974], [Church et ReVelle, 1974])
Dans ce problme, nous supposons que le nombre dinstallations que nous pouvons
localiser est dfini lavance (exemple : Pour des raisons budgtaires, on ne peut engager
plus de 3 installations). Lobjectif du MCLP est de maximiser les demandes couvertes.
La formulation mathmatique de ce problme est la suivante :

Donnes :
h
k
= demande du client k.
d
jk
= distance (ou cot unitaire de production et de livraison) entre
linstallation j et le client k.
S = distance (temps) maximale acceptable (distance de couverture)
N
k
= ensemble des installations potentielles j qui sont dans le
primtre de la distance de couverture du client k (N
k
= { j / d
jk
S
}).
P = nombre maximal dinstallations pouvant tre retenues.
J = ensemble de toutes les installations.
K = ensemble de tous les clients.
Variables de dcision :
y
jk
= 1 si la demande du client k est satisfaite par linstallation j.
= 0 sinon
z
k
= 1 si le client k est couvert
= 0 sinon.
x
j
= 1 si linstallation j est retenue.
= 0 sinon.
Modle :
Maximiser
k k
k
z h



Sujet :
K k , z x k j
N j k


(4.1.9)

P x j
J j


(4.1.10)
135
{ } J j , 1 0, x j (4.1.11)
{ } K k , 1 0, z k (4.1.12)

La fonction objectif maximise les quantits de demandes satisfaites. La contrainte (4.1.9)
assure que si la demande dun client est satisfaite, alors il y a au mois une installation
appartenant la zone de couverture de ce client qui sera ouverte. La contrainte (2.4)
garantit que le nombre dinstallations ouvertes ne dpasse pas la limite permise P.
Ce modle est un programme linaire variables binaires.

3.1.2 Center Problems : P-Center problem PCP [Hakimi 1964]
Dans ces problmes, on exige la satisfaction de toutes les demandes et on cherche
minimiser la distance maximale de couverture entre les points de demande et les
installations les plus proches (Figure 4.1.4). Donc, contrairement aux problmes prcdents
o on spcifie la distance de couverture lavance (donne du problme), le PCP minimise
la distance de couverture lors de la rsolution (variable de sortie du problme).

Figure 4.1.4 Schmatisation du P-Center Problem
La formulation mathmatique de ce problme est la suivante :
2
4
3
1
S
1

S
4

S
3

S
2

i Point de demande i Installation potentielle Installation ouverte
S
i
: Distance entre le point de demande i et linstallation la plus proche
S : Distance de couverture. S = Max (S1, S2, S3, S4).
136
Donnes :
d
jk
= distance (ou le cot unitaire de production et de livraison) entre
linstallation j et le client k.
P = nombre dinstallations retenir.
J = ensemble de toutes les installations.
K = ensemble de tous les clients.
Variables de dcision :
x
j
= 1 si linstallation j est retenue.
= 0 sinon.
y
jk
= 1 si la demande du client k est satisfaite par linstallation j.
= 0 sinon
S = Distance de couverture (Cest le maximum des distances
qui sparent chaque point de demande de linstallation
laquelle il est affect).
Modle :
Minimiser S
Sujet :
P x j
J j
=


(4.1.13)

K k , 1 y jk
J j
=


(4.1.14)
K k J, j , x y j jk (4.1.15)

K k , y d S jk jk
J j


(4.1.16)
{ } J j , 1 0, x j (4.1.17)
{ } K k J, j , 1 0, y jk (4.1.18)

La fonction objectif et la contrainte (4.1.16) permettent de minimiser la distance maximale
S entre les points de demande et les installations. La contrainte (4.1.13) assure louverture
de P installations. La contrainte (4.1.14) garantit que la livraison de chaque point de
demande se fait partir dune et dune seule installation. La contrainte (4.1.15) assure que
la livraison dun point de demande ne se fait qu partir dune installation ouverte.
Ce modle est un programme linaire variables binaires.
137

La fonction objectif et la contrainte (4.1.16) traduisent la fonction objectif suivante :
)] y d ( Maximum [ Minimiser jk jk
J j
K k


(4.1.19)

Cest pourquoi, le PCP est aussi connu sous le nom de MiniMax Problem : MMP.
Notons que dans lquation (4.1.19), les points de demande ont t traits dune manire
quivalente, cest dire sans tenir compte du volume de la demande de chaque client k
(point de demande k). Ce modle est donc non pondr.
Pour tenir compte des demandes h
k
des clients k, lquation (4.1.19) est transforme comme
suit :
)] y d h ( Maximum [ Minimiser jk jk k
J j
K k


(4.1.20)
Le modle sera alors appel MMP pondr ou PCP pondr.

3.1.3 Median Problems : P-Median problem : PMP [Hakimi 1964]
Il sagit de dterminer la localisation de P installations de faon minimiser la distance
totale parcourue entre les points de demande et les installations auxquelles ils sont affects.
La distance totale est souvent pondre par des poids traduisant limportance de la
demande. La formulation mathmatique de ce problme est la suivante :
Donnes :
k = indice des clients (points de demande)
j = indice des installations.
h
k
= demande du client k.
d
jk
= distance (ou cot unitaire de production et de livraison) entre
linstallation j et le client k.
P = nombre dinstallations localiser.
J = ensemble de toutes les installations.
K = ensemble de tous les clients.
Variables de dcision :
x
j
= 1 si linstallation j est retenue.
138
= 0 sinon.
y
jk
= 1 si linstallation j assure la demande du client k.
= 0 sinon
Modle :
Minimiser
jk jk k
K k J j
y d h




Sujet :
P x j
J j
=


(4.1.21)

K k , 1 y jk
J j
=


(4.1.22)
K. k J, j , x y j jk (4.1.23)
{ } J j , 1 0, x j (4.1.24)
{ } K. k J, j , 1 0, y jk (4.1.25)

La fonction objectif minimise la distance totale (le cot total) entre les installations et les
clients. La contrainte (4.1.21) assure quil y a exactement P installations engages. La
contrainte (4.1.22) assure quun client est livr par une seule installation. La contrainte
(4.1.23) assure quune installation ne livre un client que si elle est engage (ouverte).
Notons que dans ce modle, les installations ont des capacits infinies.
Ce modle est un programme linaire variables binaires.

3.1.4 Obnoxious facility location Problems (OFLP)
Ce type de problme sintresse la localisation dinstallations indsirables.

a. P-Dispersion Problem : PDP [Erkut et Neuman, 1989]
Dans le P-Dispersion Problem , on sintresse localiser des installations de telle faon
quon maximise les distances minimales entre tout ensemble de 2 installations (couple
dinstallations). Le PDP diffre des problmes prcdents selon 2 points :
(1) Le PDP concerne les distances entre les installations. Alors que les modles
prcdents traitent les distances qui sparent les points de demande et les
installations.
139
(2) Le PDP est un problme o on cherche maximiser la distance minimale, on suit
ainsi un objectif dloignement / dispersion. En revanche, dans les modles
prcdents, lobjectif a t une recherche de proximit.
La formulation mathmatique du PDP est la suivante :
Donnes :
d
jl
= distance entre les installations j et l.
D = Minimum des distances qui sparent toute paire dinstallations.
P = nombre dinstallations retenir.
M = grand nombre (M est une constante dfinie comme suit
{ } jl
J l J, j
d Max M

>
J = ensemble de toutes les installations.
Variables de dcision :
x
j
= 1 si linstallation j est retenue.
= 0 sinon.
Modle :
Maximiser D
Sujet :
P x j
J j
=


(4.1.26)
l j J, l j, , d - 2M x d - (M x d - (M D jl l jl j jl + + ) ) (4.1.27)
{ } J j , 1 0, x j (4.1.28)

La fonction objectif maximise la distance entre les deux installations les plus proches. La
contrainte (4.1.26) assure que P installations seront ouvertes. La contrainte (4.1.27) dfinit
la distance minimale entre les installations ouvertes. Cette contrainte est active dans le seul
cas o x
j
= x
l
= 1.
Ce modle est un programme linaire variables binaires.

b. Maxisum Location problem : MLP [Current et al., 2001]
Il sagit de localiser P installations de faon maximiser la distance totale pondre entre
les points de demande et les installations auxquelles ils sont affects. Le MLP traite de la
140
localisation dinstallations indsirables comme les prisons, les sites nuclaires ou les
dcharges dordure. Le MLP est galement appel Antimedian Location Problem .
La formulation mathmatique de base du problme est la suivante :
Donnes :
h
k
= demande du client k.
d
jk
= distance entre linstallation j et le point de demande k.
P = nombre dinstallations localiser
N = nombre de sites potentiels.
J = ensemble de toutes les installations.
K = ensemble de tous les points de demande.
Variables de dcision :
x
j
= 1 si linstallation j est retenue.
= 0 sinon.
y
jk
= 1 si la demande du client k est satisfaite par linstallation j.
= 0 sinon
Modle :
Maximiser
jk jk k
K k J j
y d h




Sujet :
P x j
J j
=


(4.1.29)

K k , 1 y jk
J j
=


(4.1.30)
K k J, j , x y j jk (4.1.31)

1. - N ...., 2, 1, m K, k 0, x - y k k [m
m
q
k q =

=
]
1
] [
(4.1.32)
{ } J j , 1 0, x j (4.1.33)
{ } K k J, j , 1 0, y jk (4.1.34)

La fonction objectif maximise la distance totale entre les points de demande et les
installations. Les contraintes (4.1.29), (4.1.30) et (4.1.31) ont la mme signification que
celles du modle P-Median Problem . La faiblesse de ce modle est quil affecte
toujours un point de demande linstallation la plus loigne mme si une installation plus
141
proche est ouverte ce qui est contradictoire avec la ralit. En effet, on cherche loigner
les installations le plus possible des points de demande, mais un point de demande devrait
tre affect linstallation ouverte la plus proche et ce pour des raisons conomiques dans
la plupart des cas rels. Pour contrecarrer cet inconvnient, on a introduit la contrainte
(4.1.32). Dans la contrainte (4.1.32), [q
k
] est lindice de la q
me
installation loigne du
point de commande k ([1
k
] est alors lindice de linstallation la plus proche de k). La
contrainte (4.1.32) stipule que si la m
me
installation la plus proche du point de demande i
est ouverte, alors la demande du nud i doit tre affecte soit cette installation, soit une
installation plus proche.
Ce modle est un programme linaire variables binaires.

c. Anticenter Problem [Erkut et Neuman, 1989]
Dans ce problme, on exige la satisfaction de toutes les demandes et on cherche
maximiser la distance minimale de couverture entre les points de demande et les
installations les plus proches.
La formulation mathmatique de ce problme est la suivante :
Donnes :
d
jk
= distance (ou cot unitaire de production et de livraison) entre
linstallation j et le client k.
S = Distance de couverture.
P = nombre dinstallations retenir.
J = ensemble de toutes les installations.
K = ensemble de tous les clients.
Variables de dcision :
x
j
= 1 si linstallation j est retenue.
= 0 sinon.
y
jk
= 1 si la demande du client k est satisfaite par linstallation j.
= 0 sinon
Modle :
Maximiser S
142
Sujet :
P x j
J j
=


(4.1.35)

K k , 1 y jk
J j
=


(4.1.36)
K k J, j , x y j jk (4.1.37)

K k , y d S jk jk
J j


(4.1.38)

1. - N ...., 2, 1, m K, k 0, x - y k k [m
m
q
k q =

=
]
1
] [
(4.1.39)
{ } J j , 1 0, x j (4.1.40)
{ } K k J, j , 1 0, y jk (4.1.41)

La fonction objectif et la contrainte (4.1.39) permettent de maximiser la distance minimale
S entre les points de demande et les installations. La contrainte (4.1.35) assure louverture
de P installations. La contrainte (4.1.36) garantit que la livraison de chaque point de
demande se fait partir dune et dune seule installation. La contrainte (4.1.37) assure que
la livraison dun point de demande ne se fait qu partir dune installation ouverte. La
contrainte (4.1.39) assure quun point de demande est affect linstallation ouverte la plus
proche.
Ce modle est un programme linaire variables binaires.

3.1.5 Fixed Charge Location Problem: FCLP [Balinski 1965]
Dans les modles prcdents, nous avons suppos que toutes les installations ont le mme
cot douverture. En revanche, dans le modle FCLP, nous traitons dinstallations ayant des
cots douverture diffrents. Nous supposons galement que le nombre dinstallations
ouvrir est inconnu a priori.
La formulation mathmatique du modle FCLP se prsente comme suit :
Donnes :
f
j
= cot fixe douverture de linstallation j
V
j
= capacit de linstallation j.
h
k
= demande du client k.
143
d
jk
= distance (ou cot unitaire de production et de livraison) entre
linstallation j et le client k.
= cot de transport dune unit de demande sur une unit de
distance.
J = ensemble de toutes les installations.
K = ensemble de tous les points de demande.
Variables de dcision :
x
j
= 1 si linstallation j est retenue.
= 0 sinon.
y
jk
= 1 si la demande du client k est satisfaite par linstallation j.
= 0 sinon
Modle :
Minimiser
jk jk k
K k J j
j j
J j
y d h x f


+

Sujet :
K k , 1 y jk
J j
=


(4.1.42)
K k J, j , x y j jk (4.1.43)

K k , x V y h j j jk k
J j


(4.1.44)
{ } J j , 1 0, x j (4.1.45)
{ } K k J, j , 1 0, y jk (4.1.46)

La fonction objectif minimise le cot total douverture des installations et dacheminement
des produits vers les points de demande. La contrainte (4.1.42) assure la satisfaction de la
demande du client k par une seule installation j. La contrainte (4.1.43) garantit que
lapprovisionnement dun point de demande ne seffectue qu partir dune installation
ouverte. Enfin, la contrainte (4.1.44) permet le respect des capacits de chaque installation.
Nous tenons prciser que le respect de la capacit nest pas une contrainte particulire au
problme FCLP. En effet, des contraintes de capacit pourraient tre intgres tous les
modles prcdents.
Ce modle est un programme linaire variables binaires.
144
3.1.6 Hub Location Problem: HLP [OKelly 1987]
Dans un problme HLP, on suppose quon dispose dun rseau de n nuds. Un flux connu
de matire ou dinformation (h
jk
) doit tre transfr entre tout couple de nuds j et k.
videmment, la manire la plus simple pour connecter tous les nuds du rseau est de crer
un arc entre tout couple de nuds. Toutefois, ce choix est gnralement trs inefficace et ce
pour des raisons conomiques. On choisit donc de faire transiter la matire via des Hub.
Un Hub doit se situer sur un des nuds du rseau. Il assure des oprations de collection de
matire, de transfert de la matire vers un autre Hub qui se chargera de la distribuer aux
nuds (Figure 4.1.5).

Figure 4.1.5 Schmatisation du Hub Location Problem
La formulation mathmatique du modle se prsente comme suit :
Donnes :
h
jk
= Quantit de matire requise entre les nuds j et k.
C
jk
= cot unitaire de transport entre les nuds j et k.
= facteur de remise ( < 1) d au transport de matire entre deux
Hub.
j
l
k
m
W
jk
Collection
Transfert
Distribution
Hub
Noeud
145
J = ensemble des tous les nuds du rseau.
Variables de dcision :
x
k
= 1 si un Hub est localis au nud k.
= 0 sinon.
y
jk
= 1 si la demande du nud j est affecte au Hub localis au
nud k.
= 0 sinon
Modle :
Minimiser
y y C y C y C h km jl lm
J m J l J m
km km
J l
jl jl jk
J k J j

+ +




Sujet :
P xk
J k
=


(4.1.47)

J j , 1 y jk
J k
=


(4.1.48)
J k J, j , x y k jk (4.1.49)
{ } J j , 1 0, x j (4.1.50)
{ } J k J, j , 1 0, y jk (4.1.51)

La fonction objectif minimise la somme des cots de collecte, de transfert et de distribution
des matires.
La contrainte (4.1.47) assure la localisation de P Hub exactement. La contrainte (4.1.48)
assure que la demande dun nud est affecte un et un seul Hub. La contrainte (4.1.49)
garantit quil ne peut y avoir de transfert de matire dun nud vers un Hub que si le
Hub est ouvert.
Le HLP se distingue des autres problmes de localisation par :
Les demandes sont exprimes entre des paires de nuds.
Une fonction objectif quadratique.

3.2 Synoptique
Ltat de lart prsent la section prcdente nous permet de proposer la typologie
suivante pour le problme de localisation dinstallations (synoptique ci-aprs).
146

Figure 4.1.6 Typologie des problmes de localisation dinstallations

Problme de Localisation dinstallations
Problme de localisation Pure
Problme dAllocation Pure
Problme de Localisation/Allocation
Modles de localisation Discrets Modles de Localisation Continus
Problmes de Couverture
Center Problems
Obnoxious Problems
Median Problem
Fixed Charge Location
Problems
Hub Problem
Set Covering Problem
Maximal Covering Problem
Dispersion Problem
Maxisum Problem
(Antimedian Problem)
Anticenter Problem
147
3.3 Les problmes dynamiques de localisation dinstallations
La programmation dynamique permet de traiter un problme non plus sur une seule priode
de temps mais plutt sur plusieurs priodes de temps, ce qui permet de saisir laspect
temporel des problmes rels.
Dans le modle prsent ci-aprs, on cherche ouvrir un certain nombre dinstallations
chaque priode de temps pour rpondre aux besoins des points de demande. On suppose
que toute installation ouverte la priode t restera ouverte jusqu la dernire priode de
dcision.
Nous prsentons ci-dessous le modle dynamique et multi-objectifs propos dans [Schilling
1980]
Donnes :
h
kt
= demande du client k la priode t.
d
jkt
= distance minimale entre linstallation j et le client k la priode
t.
S = distance de couverture.
N
kt
= ensemble des installations qui couvre le client k la priode t.
(N
kt
= {j / d
jkt
S } )
P
t
= nombre dinstallations retenir la priode t.
J = ensemble des installations.
K = ensemble des clients (points de demande )
Variables de dcision :
x
jt
= 1 si linstallation j est retenue la priode t.
= 0 sinon.
y
kt
= 1 si le client i est couvert la priode t.
= 0 sinon
Modle :
Maximiser
T ...., 2, 1, t , y h kt kt
K k
=



Sujet :
T 1,2,...., t K, k , y x kt jt
N j kt
=


(4.1.52)

T ..., 2, 1, t , P x t jt
j
= =


(4.1.53)
148
T ..., 3, 2, t j, , x x 1 - t j, jt = (4.1.54)
{ } T ..., 3, 2, 1, t j, , 1 0, x jt = (4.1.55)
{ } T ..., 3, 2, 1, t K, k , 1 0, ykt = (4.1.56)

La contrainte (4.1.54) stipule que si une installation est ouverte la priode t alors elle
restera ouverte jusqu la priode T. La fonction objectif est en ralit un vecteur de T
fonctions objectifs, le modle est ainsi, un problme multi-objectifs. La faon de traiter les
problmes multi-objectifs sera dtaille ultrieurement.

3.4 Les problmes stochastiques de localisation dinstallation
Les problmes stochastiques traduisent une incertitude due une mconnaissance du futur.
Les problmes stochastiques de localisation dinstallations sont tudis depuis 1961
[Manne 1961]. Manne stipule que lajout dune demande probabiliste naffecte pas le
modle utilis mais augmente le besoin en capacit.
Selon [Owen et Daskin, 1998], les problmes stochastiques sont traits selon les deux
approches suivantes :
(1) Approche probabiliste : elle considre les distributions de probabilit des variables
alatoires du problme. Pour les problmes de localisation dinstallations traits
selon cette approche, les fonctions de distribution sont intgres soit dans des
programmes mathmatiques standard, soit dans des programmes bass sur les files
dattente.
(2) Approche par scnarii : elle considre un ensemble de descriptions plausibles des
tats possibles du futur [Owen et Daskin, 1998]. Lincertitude est ainsi traduite par
un ensemble de scnarii, et lobjectif est de trouver une solution satisfaisante pour
tous les scnarii. La modlisation de lincertitude par une approche par scnarii est
une application de la thorie de la dcision au problme.

Nous prsentons ci-aprs un modle permettant de choisir la dcision prendre dans le cas
o plusieurs scnarii seraient possibles [Owen et Daskin, 1998].
149
Le modle a t appliqu au p-median problem . Il permet de minimiser une fonction de
regret. La formulation mathmatique de ce problme est la suivante :
Donnes :
h
is
= demande du client i selon le scnario s.
d
jks
= distance entre linstallation i et le client k selon le scnario s.
P = nombre dinstallations retenir.
^
s V
= valeur de la solution optimale du p-median problem selon le
scnario s.
q
s
= poids affect au scnario s. Il traduit la probabilit doccurrence
du scnario s.
s = indice des scnarii
J = ensemble des installations.
K = ensemble des clients (points de demande)
Variables de dcision :
x
j
= 1 si linstallation j est retenue.
= 0 sinon.
y
jks
= 1 si le linstallation j approvisionne le client k selon le
scnario s.
= 0 sinon
Modle :
Minimiser
s s
s
R q



Sujet :
P xj
J j
=


(4.1.57)

s K, k , 1 yjks
J j
=


(4.1.58)
s K k J, j , y x jks j , (4.1.59)

s , y d h V jks jks ks
K k J j
s =



(4.1.60)

s , V - V R s s s =
^

(4.1.61)
{ } J j , 1 0, xj (4.1.62)
150
{ } s , K k J, j , 1 0, y jks (4.1.63)

Une autre faon de formuler le problme est de minimiser le regret maximal (Minimiser
Max
s
{R
s
}). Le modle prsent ci haut sera adapt comme suit :
Minimiser W
Sujet :
P xj
J j
=


(4.1.64)

s K, k , 1 yjks
J j
=


(4.1.65)
s K k J, j , y x jks j , (4.1.66)

s , y d h V jks jks ks
K k J j
s =



(4.1.67)

s , V - V R s s s =
^

(4.1.68)
s , R W s (4.1.69)
{ } j , 1 0, xj (4.1.70)
{ } s , K k J, j , 1 0, y jks (4.1.71)

3.5 Les modles multi-objectifs
Selon ([Melachrinoudis et al., 1995], [Current et Ratick, 1995], [Current et al., 2001]), les
modles mulit-objectifs proposs pour le traitement du problme de localisation
dinstallations ont un vecteur de fonctions objectifs au lieu dune seule, toutefois, les
contraintes sont similaires celles des modles dtaills prcdemment. La grande
difficult des modles multi-objectifs ne rside pas dans la formalisation du problme mais
plutt dans la rsolution du modle propos.

Selon [Cohon 1978], il y a deux manires de rsoudre un problme multi-objectifs :
(1) Mthode 1 : elle consiste suivre les tapes suivantes :
Classification des objectifs les uns par rapport aux autres
151
Affectation de coefficients de priorit aux objectifs (plus lobjectif est
important, plus le coefficient de priorit est grand). La somme des
coefficients de priorit de tous les objectifs est gale 1.
Agrgation des objectifs en une seule fonction en utilisant la somme
pondre des objectifs.
Dtermination de la solution optimale du problme en considrant la
fonction objectif agrge.

(2) Mthode 2 : elle consiste chercher les solutions efficaces (optimales au sens de
Pareto) du problme. Pour ce faire, on suit les tapes suivantes :
Affecter des poids (coefficients de priorit) aux fonctions objectifs
pour transformer le problme multi-objectifs en un programme mono-
objectif.
Dterminer la solution optimale du programme mono-objectif.
Vrifier si la solution obtenue est efficace ou non (si la solution
obtenue est domine par une autre solution alors elle nest pas efficace.
Si la solution obtenue nest domine par aucune des solutions
efficaces, alors elle est efficace).
Faire varier les coefficients de priorit.
Rpter cette procdure plusieurs fois pour obtenir le plus de solutions
efficaces possibles.

Dans [Current et Ratick, 1995], un modle multi-objectifs a t propos pour la localisation
dinstallations indsirables (dcharge). Les auteurs supposent quil y a un ensemble I de
points qui gnrent des dchets quil faut transporter un ensemble J de dcharges
potentielles. Le modle consiste dterminer la localisation des dcharges pour minimiser
les risques dimplantation et de transport, et minimiser les cots de dimplantation, de
transport et de fonctionnement des installations.
Il importe de prciser que dans le cas o le dcideur choisit dappliquer la mthode 2, un
ensemble de solutions non domines sera dtermin. Une bonne faon de procder est
152
dappliquer une mthode multicritre de dcision lensemble des solutions non domines
pour dterminer la meilleure solution.

3.6 Synthse
Nous remarquons que dans tous les types de problmes de localisation-allocation, les
contraintes sont sensiblement les mmes. Cest au niveau de lexpression et de la
signification des fonctions objectifs que les modles diffrent.
On sintresse dans ce qui suit ltude en profondeur des problmes de type Fixed
Charge Location Problems (FCLP) en faisant varier les hypothses de dpart comme la
capacit des installations, le nombre de produits, lincertitude.
Le FCLP nous intresse particulirement puisquil est la base de la conception des
rseaux logistiques. Les modles dvelopps pour le problme FCLP peuvent tre
facilement adapts pour ltude des autres catgories de problmes.

4. tude du problme FCLP
Les problmes de localisation dinstallations varient en fonction :
(1) de la nature des informations. On distingue alors,
a. Les problmes dterministes.
b. Les problmes stochastiques.
(2) de la capacit des installations. On distingue alors,
a. Les problmes de location dinstallations capacits finies
(capacitated facility location problem)
b. Les problmes de location dinstallations capacits infinies
(uncapacitated facility location problem)
(3) de lhorizon de planification. On distingue alors,
a. Les problmes de localisation statiques (static facility location
problem)
b. Les problmes de localisation dynamiques (dynamic facility location
problem)
153
(4) de la structure des cots. On distingue alors,
a. Les cots linaires
b. Les cots non linaires.
(5) du nombre dobjectifs optimiser. On distingue alors,
a. Les problmes de localisation mon-objectif.
b. Les problmes de localisation multi-objectifs.
(6) du nombre dchelons
1
. On distingue alors,
a. Les problmes de localisation mono-chelon.
b. Les problmes de localisation multi-chelons.

Si on prend en compte toutes les combinaisons possibles selon la classification ci-dessus, le
nombre de problmes de localisation dinstallation quon peut imaginer est 2
6
= 64
problmes. Il est clair quon ne peut tudier toutes les variantes (64 variantes) du problme
de localisation. Pour cette raison, nous nous sommes intresss particulirement aux
problmes les plus couramment rencontrs que nous dveloppons en annexe F.

5. Mthodes de rsolution des problmes de localisation
Les problmes de localisation des installations statiques et dterministes sont gnralement
modliss par des programmes linaires mixtes (Mixed Integer Programming). La mthode
Branch & Bound (BB) permet de rsoudre ce type de modle de faon optimale. Toutefois,
elle nest efficace que pour les problmes de petites tailles.
Plusieurs chercheurs se sont donc intresss la conception de mthodes heuristiques
comme la recherche tabou, les algorithmes gntiques, le recuit simul Les heuristiques
proposes sont plus rapides que la mthode BB et donnent en gnral des solutions proches
de loptimum. De ce fait, la solution donne par une heuristique doit tre value. Or, le
recours une heuristique sous-entend quon ne connat pas la solution optimale pour
pouvoir la comparer avec la solution donne par une heuristique. Cest pourquoi, on relaxe
le problme initial grce aux mthodes de relaxation (exemple la relaxation de Lagrange) et

1
Cest dire le nombre de niveaux de dcision. (voir annexe F)
154
on cherche des bornes pour la solution optimale. On compare ltape suivante la solution
obtenue par la mthode heuristique aux bornes obtenues aprs relaxation.

Pour les autres catgories de problmes de localisation (stochastiques, dynamique,), la
mthode de rsolution dpend de la manire de modliser le problme. On cite par
exemple, lapplication de la thorie des files dattente, la thorie de la dcision, la
programmation quadratique pour le Hub Location Problem .
Pour les problmes de localisation dinstallations sans contraintes, les mthodes
multicritres de dcision comme PROMETHEE ou ELECTRE sont parmi les plus utilises.

6. Progiciels de localisation dinstallations
Selon AMR Research (www.amrresearch.com), les principaux progiciels de conception de
rseaux logistiques (le terme outils de conception de rseau logistique est utilis par les
industriels pour dsigner les outils de localisation dinstallations) classs en ordre de leur
part de march en 1997, sont :
Le Supply Chain Designer de CAPS Logistics (www.caps.com). CAPS a t
rcemment acquis par Baan.
Le Supply Chain Navigator de Manugistics (www.manugistics.com).
Le Supply Chain Strategist de InterTrans Logistics Solutions. InterTrans a t
achet rcemment par i2Technologies (www.i2.com).
Le Network Designer de SynQuest (www.synquest.com). Suite lacquisition de
Bender Management Consultants. [Martel 2001]
.

Dautres didacticiels existent galement sur le march. Nous citons titre dexemple :
SITATION : cest un outil dvelopp lUniversit Northwestern University par
lquipe du professeur Mark Daskin
(http://users.iems.northwestern.edu/~msdaskin/). SITATION supporte 5 types de
problme de localisation dinstallation : P-Median Problem, P-Center Problem, Set
155
Covering Problem, Maximal Covering Problem, Uncapacitated Fixed Charge
Problem.

La plupart de ces outils contiennent une interface pour la saisie ou lextraction des donnes
et un solveur de programmation mathmatique comme CPLEX par exemple.

7. Conclusion
Dans ce sous-chapitre, nous avons fait une synthse des modles analytiques dvelopps
dans la littrature scientifique pour modliser le problme de localisation dinstallations.
Nous avons propos une typologie pour ce problme. Nous avons prsent par la suite la
faon de modliser les problmes dynamiques, stochastiques et multi-objectifs. Enfin, nous
avons discut des mthodes de rsolution ncessaires pour les modles tudis ainsi que des
progiciels et didacticiels qui les supportent.
Nous prsentons dans lannexe F, diffrents modles dvelopps dans la littrature pour
ltude du problme de localisation dinstallations de type FCLP Fixed Charge Location
Problem . Nous nous intressons particulirement ltude de ce problme car il est la
base de la conception des rseaux dentreprises.
Comme suite ce sous-chapitre o nous nous sommes intresss la question du faire ,
nous poursuivons ltude des autres ramifications du problme faire, faire-faire ou faire
ensemble (Figure 4.1). Nous proposons donc dtudier au sous-chapitre 4.2 le problme
de slection de fournisseurs qui rpond la question du faire-faire .




Sous-chapitre 4.2


Problme de slection de fournisseurs
(Modles mathmatiques)


1. Introduction
Le problme de slection de fournisseurs a t largement tudi dans la littrature
scientifique. Gary Dickson [Dickson 1966] est un des pionniers sintresser ce
problme. Il a dfini le problme de slection de fournisseurs comme suit :

Dfinition 4.2 : Problme de slection de fournisseurs

" The vendor selection problem is associated with deciding how one vendor should be
selected from a number of potential alternatives. " [Dickson 1966]


Nous adoptons cette dfinition et nous ajoutons certaines prcisions pour tenir compte du
cas o une entreprise sollicite ses fournisseurs pour la ralisation de plusieurs activits la
fois. Nous dfinissons donc le problme de slection de fournisseurs comme suit :

157
Dfinition 4.3 : Problme de slection de fournisseurs

" Le problme de slection de fournisseurs consiste dcider de la manire avec laquelle
un ou plusieurs fournisseurs sont slectionns partir dun certain nombre dalternatives
et ce pour la ralisation dune activit ou la fourniture dun produit.
Dans le cas o plusieurs activits sont raliser, nous parlons de problme de slection de
fournisseurs si les activits sont traites de faon indpendante (pas de synchronisation
entre activits, pas de contraintes de prcdence, ). Dans le cas o les activits sont
assujetties des contraintes de prcdence par exemple, on dsignera le problme traiter
par problme dallocation dordres : Order Allocation Problem ." [Hammami et al.,
2003(a)]


Le problme de slection de fournisseurs est complexe en raison du grand nombre de
combinatoires considrer, du caractre multicritre du problme rsoudre et du caractre
volutif des caractristiques de chaque fournisseur.

La revue de la littrature nous a permis de dduire que le problme de slection de
fournisseurs a souvent t tudi en respectant les tapes suivantes :
(1) tape 1 : Lister l'ensemble des fournisseurs.
(2) tape 2 : Dterminer l'ensemble des critres de slection.
(3) tape 3 : valuer les fournisseurs par rapport aux critres.
(4) tape 4 : Proposer une mthode de slection.
(5) tape 5 : Dcider du (des) fournisseur(s).

Ces tapes sont conformes la caractrisation d'une situation dcisionnelle telle que
prsente au chapitre 3 de ce mmoire.

Dans ce prsent sous-chapitre, nous nous intressons en premier lieu ltude des critres
de slection des fournisseurs. Nous prsentons un tat de lart concis sur les mthodes de
slection de fournisseurs les plus utilises dans la littrature scientifique. Enfin, nous
158
dveloppons une procdure permettant lanalogie entre le problme de slection de
fournisseurs et le problme de localisation dinstallations.

2. Les critres de slection
Suite une enqute effectue auprs de 273 industriels, Dickson [Dickson 1966] a identifi
plus de 50 critres utiliss par les entreprises pour slectionner leurs fournisseurs. Ces
critres ont t traits par Dickson et regroups en 23 critres seulement. Selon Dickson, les
7 critres les plus usits sont respectivement : la qualit, le dlai, lhistorique de la
performance, la politique de rclamation, la capacit, le prix, et la capabilit technique.

Une synthse de 74 articles de la littrature scientifique prsente dans [Weber et al., 1991]
a montr que les 23 critres recenss par Dickson en 1966, sont quasiment les mmes que
ceux utiliss aujourdhui pour traiter le problme de slection de fournisseurs. En revanche,
lordre dimportance des critres nest plus le mme. Selon [Weber et al., 1991], les 7
critres les plus cits sont respectivement : le prix, le dlai, la qualit, la capacit, la
localisation gographique, la capabilit technique et l'organisation.

Il est vident que lordre dimportance des critres ne peut tre fig. Cet ordre dpend du
contexte conomique. Par ailleurs, cet ordre dimportance nest pas gnrique (il nest pas
le mme pour toutes les entreprises) : il dpend du secteur dactivit, de la nature du
produit, de la nature de la relation de coopration entre lentreprise et ses fournisseurs
Par exemple, dans lindustrie nuclaire ou arospatiale, le critre scurit est trs important,
or nous remarquons bien quil nexiste mme pas parmi les 7 critres les plus usites selon
[Dickson 1966] ou [Weber et al., 1991]. De mme, pour le choix dun quipementier, les
constructeurs automobiles exigent de plus en plus leurs fournisseurs un systme de
communication trs performant et des changes de donnes informatises Ainsi, il est
clair que mme la classification de [Weber et al., 1991] est mettre jour. Par ailleurs, il
est plus pertinent que cette classification soit plus prcise et ce en intgrant les attributs
type dindustrie, type de produit,

159
Enfin, nous considrons que le choix dun fournisseur se fait toujours selon des critres
stratgiques, techniques et conomiques.
Le problme de slection de fournisseurs se situe dans un des contextes suivants :
(1) Contexte 1 : Lentreprise souhaiterait solliciter des fournisseurs pour une
premire affaire. Lentreprise na donc aucun historique concernant le(s)
fournisseur(s). Dans ce cas, les critres stratgiques et techniques seront plus
importants que les critres conomiques.
(2) Contexte 2 : Lentreprise souhaiterait solliciter des fournisseurs pour raliser des
activits quils connaissent dj. Dans ce cas, les critres techniques sont considrs
matriss, et les critres conomiques seront plus importants que les critres
stratgiques.

3. Les approches de slection de fournisseurs
Notre tude de ltat de lart sur les approches de slection de fournisseurs nous a permis de
recenser les approches suivantes que nous avons classes conformment la typologie des
mthodes de slection prsente au chapitre 3 :

Les mthodes lmentaires :
La mthode catgorique (categorical method) [Timmerman 1986]
The cost-ratio method [Timmerman 1986]
La mthode de la somme pondre (weighted-point mehod or the linear averaging)
[Timmerman 1986]

Les mthodes doptimisation mathmatique (MOM)
Le goal Programming ([Buffa et Jackson, 1983], [Chaudhry et al., 1991],
[Hajidimitriou et Georgiou, 2000])
La programmation mixte ([Bender et al., 1985], [Narasimhan et Stoynoff, 1986],
[Current et Weber, 1994])
160
La programmation mathmatique objectifs multiples ([Weber et Current 1993],
[Weber et Ellram, 1993], [Weber 1996], [Weber et Desai, 1996], [Weber 2000],
[Weber et al., 2000(a)], [Weber et al., 2000(b)]).
Une combinaison de la mthode AHP et de la programmation linaire [Ghodsypour
et OBrien, 1998].

Les mthodes daide la dcision multicritre (MADMC)
La mthode AHP (Analytic Hierarchic Process) ([Narasimhan 1983], [Nydick et
Hill, 1992], [Barbarosoglu et Yazgac, 1997], [Phuong Ta et Yin Har, 2000], [Tam et
Tummala, 2000])
La mthode ISM (Imterpretive Structural Modelling) [Mandal et al., 1994]

Les mthodes bases sur les cots
Lapproche Activity Based Costing (ABC) ([Roodhooft et Konings, 1996],
[Degraeve et Roodhooft, 1998])
Total Cost of Ownership ([Ellram 1995], [Degraeve et al., 2000])

Les mthodes bases sur les techniques statistiques
LAnalyse en composantes principales (Principal Component Analysis) [Petroni et
Braglia, 2000].
Analyse statistique [Mummalaneni et al., 1996]
Analyse discrte (Discrete Choice Analysis Experiment) [Verma et Pullman, 1998]

Les mthodes bases sur le calcul de la quantit conomique de commande
([Hwang et al., 1990], [Jordan 1987], [Lee et Rosenblatt, 1986])

Autres mthodes
Une combinaison de la mthode de la somme pondre et de la technique de
simulation Monte Carlo [Thompson 1990].
Modles de jugements humains (human judgments models) [Patton 1996]
Rseaux de neurones [Siying et al., 1997]
161
...

Nous tenons prciser que la plupart des modles proposs pour le traitement du problme
de slection de fournisseurs sont des modles de programmation linaire mixte. En effet, la
quasi-totalit des approches bases sur des modles de programmation mathmatique sont
des modles de programmation linaires mixtes.
Le Goal Programming ne se distingue dun modle classique que par la faon avec laquelle
nous agrgeons les diffrents critres en une seule fonction objectif, le modle obtenu est
alors mono-objectif linaire mixte.
Par ailleurs, mme si la programmation mathmatique objectifs multiples (PMOM) se
base sur la notion de solutions non domines, dans la plupart des problmes de slection de
fournisseurs, lensemble des contraintes dfinit un problme de programmation linaire
mixte. La PMOM a lavantage de permettre la ngociation avec les fournisseurs non
slectionns pour leur expliquer les raisons pour lesquelles ils nont pas t slectionns, et
quels critres ils doivent amliorer pour augmenter la chance dtre slectionns.
En outre, la mthode AHP a souvent t couple avec un programme linaire mixte : La
mthode AHP est exploite pour dterminer les poids des critres. Les critres sont ensuite
agrgs dans une mme fonction objectif qui constitue avec les contraintes du problme un
modle de programmation linaire mixte. Nous notons que la mthode AHP a t applique
aussi pour toute la procdure de choix dun fournisseur et ce dans le cas o les alternatives
du problme sont connues lavance.
Les approches utilisant les techniques statistiques sappliquent dans des conditions trs
particulires, et ne peuvent tre gnralises pour le traitement du problme de slection de
fournisseurs.
Les approches utilisant des modles bass sur les rseaux de neurones ou les algorithmes
gntiques sont souvent proposes pour la rsolution du modle mathmatique, souvent
complexe, et ne pouvant tre rsolu de faon optimale.
Les approches bases sur les cots (ABC, TCO) ne peuvent tre considres comme des
mthodes de slection. Toutefois, elles ont lavantage de traduire tous les critres du
problme en cot. On aura vers la fin un seul critre optimiser qui est le cot total.
162
Concernant les approches bases sur le calcul de la quantit conomique de commande, le
problme de slection de fournisseurs a t trait avec la vision dun gestionnaire de stock.
Le cot total dun article est la somme de son cot de commande, dacquisition, de
stockage, Il sagit de trouver le compromis permettant la minimisation du cot total :
Quelles quantits faut-il affecter aux fournisseurs ? Quelle priodicit ? Quelle est la taille
du lot dapprovisionnement ?

Afin de mieux expliciter la rpartition des approches utilises pour traiter le problme de
slection de fournisseurs, nous considrons les articles prsents dans [Weber et al., 1991].
Nous constatons que parmi les 74 articles, 33 articles sont conceptuels, 20 articles
prsentent des modles mathmatiques bass sur la programmation linaire, la
programmation linaire mixte, le goal programming, 14 articles prsentent des modles
bass sur le calcul de la quantit conomique de commande (Economic Order Quantity),et
les autres articles prsentent des modles divers (AHP, analyse statistique). Cette
rpartition est rcapitule au tableau ci-aprs.

Mthodes Nombre d'articles Pourcentage
Articles conceptuels 33 45 %
Programmation linaire, la programmation
linaire mixte, le goal programming,
20 27 %
Quantit conomique de commande (EOQ) 14 19 %
Divers (AHP, analyse statistique) 7 9 %
Tableau 4.2.1 Rpartition des approches de slection de fournisseurs dans [Weber et
al., 1991]

Enfin, nous prcisons que l'analyse de la littrature scientifique nous a permis de constater
labsence dun modle gnrique pour reprsenter le problme de slection de fournisseurs.
Ceci peut tre expliqu par :
La diffrence des contextes dapplication des mthodes (environnement certain ou
incertain, statique ou dynamique,)
La nature de larticulation des prfrences du dcideur.
163
La nature des critres.
La nature du rsultat souhait.
.

Nous remarquons galement l'absence de rfrences traitant le problme de slection de
fournisseurs par des approches multicritres de dcision telles que Electre,
Promthe,bien que ces mthodes aient un grand apport conceptuel dans la modlisation
des prfrences ainsi que dans les mthodes de slection.

Enfin, nous considrons que le choix de lune des mthodes prsentes prcdemment est
troitement li la nature du problme de slection de fournisseurs :
(1) Est ce quil sagit de rsoudre le problme afin de trouver les solutions possibles
puis choisir une solution?
(2) Est ce quon dispose dun ensemble de solutions ou dalternatives possibles, parmi
lesquelles il faut en choisir une?

4. Typologie des problmes de slection de fournisseurs
Les modles de slection de fournisseurs varient en fonction :
(1) de la nature des informations. On distingue :
a. Les problmes dterministes
b. Les problmes stochastiques
(2) de la capacit des fournisseurs. On distingue :
a. Les problmes o les fournisseurs ont des capacits finies
b. Les problmes o les fournisseurs ont des capacits infinies
(3) du nombre de fournisseurs slectionner. On distingue :
a. Les problmes de slection dun seul fournisseur (mono-
sourcing)
b. Les problmes de slection de plusieurs fournisseurs (multi-
sourcing)
(4) de la structure des cots du (des) produit(s). On distingue :
164
a. Les cots ont une structure linaire
b. Les cots ne sont pas linaires (par exemple : dans les cas o des
rabais sont possibles)
(5) du nombre de produits. On distingue :
a. Les problmes de slection de fournisseurs pour lacquisition
dun seul produit.
b. Les problmes de slection de fournisseurs pour lacquisition de
plusieurs produits.
(6)

Selon la classification prsente ci-dessus, le nombre de problmes de slection de
fournisseurs que nous pouvons imaginer est 2
5
= 32 problmes. Il est clair que nous ne
pouvons tudier dans le cadre de ce travail toutes les variantes. Nous nous intressons
particulirement lanalyse des problmes les plus couramment tudis et nous donnons les
lignes directrices pour le traitement des autres catgories de problmes.
Nous tenons prciser que plusieurs critres sont susceptibles dtre pris en compte dans le
traitement du problme de slection de fournisseurs. Pour des raisons de simplicit, nous
considrons dans ce paragraphe lobjectif minimisation du cot seulement et nous
supposons que les autres critres (le respect du dlai, la qualit, ) sont intgrs dans les
contraintes. Dans le cas o le dcideur choisit de ne pas intgrer les critres autre que le
cot dans les contraintes, mais plutt dans la fonction objectif du problme, on aura traiter
un problme multiobjectif. La faon de traiter ce type de problme a t bien tudie au
chapitre 3.

4.1 Modle 1 : {dterministe, capacits infinies, mono-sourcing, Cots
linaires, 1 produit}
Cest le problme de slection de fournisseurs le plus simple traiter.
Il sagit de slectionner parmi un ensemble de J fournisseurs, un fournisseur et un seul
charg de fournir le produit ou de raliser lactivit demande par lentreprise (le client,
165
donneur dordre, ) de faon respecter les contraintes tout en minimisant les cots
associs. La structure gnrale du modle mathmatique est la suivante :
Donnes :
c
j
= cot unitaire propos par le fournisseur j.
f
j
= cot fixe de lengagement du fournisseur j.
x = quantit requise pour le produit.
J

= ensemble de tous les fournisseurs.
Variables de dcision :
z
j
= 1 si le fournisseur j est retenu.
= 0 Sinon.
Modle :
Minimiser



+
J j
j
j
J j
j j z c * x z f

Sujet :
, z
J j
j 1 =


(4.2.1)
{ } . J j , 1 0, zj (4.2.2)
Toute autre rgle de gestion (4.2.3)

La fonction objectif minimise le cot dacquisition du produit objet de ltude.
La contrainte (4.2.1) assure quun et un seul fournisseur soit slectionn. La contrainte
(4.2.3) permet dintgrer toute autre rgle de gestion (par exemple le respect du dlai se
traduit par la contrainte D
j
* z
j
D, avec D : dlai fix par le donneur dordre et D
j
: dlai
propos par le fournisseur j).

4.2 Modle 2 : {dterministe, capacits finies, multi-sourcing, Cots
linaires, 1 produit}
Il sagit de slectionner plus dun fournisseur pour la ralisation dune activit ou la
fabrication dun produit. Deux stratgies sont possibles :
(1) Stratgie 1 : le nombre de fournisseurs slectionner est fix lavance (q
fournisseurs),
166
(2) Stratgie 2 : le nombre de fournisseurs est le rsultat de lalgorithme
doptimisation.

La dcision de choisir de faire du multi-sourcing peut tre due un des cas suivants :
(1) Il nexiste aucun fournisseur capable de fournir la quantit totale du produit requise
par lentreprise donneur dordre. Cest un simple problme de capacit insuffisante.
(2) Lentreprise donneur dordre dcide pour des raisons stratgiques (non dpendance
dun seul fournisseur) de faire intervenir plusieurs fournisseurs, chacun est charg
dune proportion de la commande. Cette dcision exige souvent plus de
coordination entre lentreprise donneur dordre et ses fournisseurs. Par ailleurs, les
cots de ce choix sont souvent plus levs que lors du mono-sourcing. En revanche,
cette dcision permet dviter ou du moins limiter la dpendance de lentreprise
donneur dordre vis--vis de son fournisseur.

La structure gnrale du modle mathmatique relatif ce problme est la suivante :
Donnes :
c
j
= cot unitaire propos par le fournisseur j.
f
j
= cot fixe de lengagement du fournisseur j.
x = quantit requise pour le produit.
q = nombre de fournisseurs slectionner (stratgie 1)
j V = Quantit minimale exige par le fournisseur j.
j V
= Quantit maximale qui peut tre produite par le fournisseur j.
J

= ensemble de tous les fournisseurs.
Variables de dcision :
z
j
= 1 si le fournisseur j est retenu.
= 0 Sinon.
x
j
= quantit fournie par le fournisseur j
Modle :
Minimiser



+
J j
j
j
J j
j j x c z f

167
Sujet :
x, x
J j
j =


(4.2.4)

J j z V x z V j j j j j ,
(4.2.5)

p, z
J j
j =

(stratgie 1)
(4.2.6)
{ } . J j , 1 0, zj (4.2.7)
Toute autre rgle de gestion (4.2.8)

La contrainte (4.2.4) assure que toute la quantit requise par lentreprise donneur dordre
est satisfaite. La contrainte (4.2.5) assure que la quantit fabrique par le fournisseur j
respecte ses limites de capacit. En effet, dans les cas o x
j
= 0, la contrainte (4.2.5) impose
z
j
de prendre la valeur 0. Dans les cas o le fournisseur j est slectionn (z
j
=1), la
contrainte (4.2.5) impose x
j
de prendre une valeur comprise entre j V et j V .

4.3 Modle 3 : {dterministe, capacits finies, mono-sourcing, Cots
linaires, 1 produit}
Ce problme peut avoir la mme formulation que le modle 1 condition dliminer ds le
dpart les fournisseurs nayant pas la capacit ncessaire pour fabriquer toute la quantit
requise par lentreprise donneuse dordre.

4.4 Modle 4 : {dterministe, capacits finies, multi-sourcing, Cots non
linaires, 1 produit}
Il existe plusieurs faons de considrer des cots non linaires. Nous considrons dans ce
paragraphe deux cas :

(1) Cas 1 : Rabais total : Le fournisseur j dfinit une quantit Q
jr
qui donne droit
au rabais. Si x
j
< Q
jr
, alors le prix unitaire appliqu par le fournisseur j est c
j1
. Si x
j

Q
jr
, alors le prix appliqu par le fournisseur j sera de c
j2
. Il est vident quun
fournisseur peut dfinir plusieurs niveaux de rabais. La structure des cots aura
donc la forme prsente ci-aprs.
168
Figure 4.2.1 Profil du cot dacquisition dans le cas dun rabais total

(2) Cas 2 : Rabais graduel : Le fournisseur j dfinit une quantit Q
jr
qui donne
droit au rabais. Si xj < Qjr, alors le prix unitaire appliqu par le fournisseur j est c
j1
.
Si x
j
Q
jr
, alors le prix c
j2
ne s'appliquerait qu' la quantit excdant la limite (Q
jr
)
donnant droit au rabais.
Figure 4.2.2 Profil du cot dacquisition dans le cas dun rabais graduel

x
j
Q
j1
Q
j2

Cot
x
j
Q
j1
Q
j2

Cot unitaire
c
j1

c
j2

c
j3

x
j
Q
j1
Q
j2

Cot
x
j
Q
j1
Q
j2

Cot unitaire
c
j1

c
j2

c
j3

169
Nous prsentons ci-dessous la manire de prendre en compte les conomies dchelles.
Pour des raisons de simplicit, nous prsentons la faon de modliser les contraintes
relatives un fournisseur j. Pour les mmes raisons, nous supposons que le fournisseur
considr a dfini 2 quantits donnant droit au rabais (Q
j1
et Q
j2
).

La structure gnrale des contraintes du modle mathmatique relatif ce problme est la
suivante :

(1) Cas 1 : Rabais total
Donnes :
c
j1,
c
j2,
c
j3,
= cots unitaires proposs par le fournisseur j.
Q
j1
, Q
j2,
= Quantits donnant droit aux rabais
f
j
= cot fixe de lengagement du fournisseur j.
j V = Quantit minimale exige par le fournisseur j.
j V
= Quantit maximale qui peut tre produite par le
fournisseur j.
J

= ensemble de tous les fournisseurs.
Variables de dcision :
z
j
= 1 si le fournisseur j est retenu.
= 0 Sinon.
x
j
= quantit fournie par le fournisseur j
Modle :
Si x
j
Q
j1
1 Cot variable = c
j1
* x
j
Si Q
j1
x
j
Q
j2
1 Cot variable = c
j2
* x
j
Si Q
j2
x
j
Cot variable = c
j3
* x
j

Pour modliser ces 3 contraintes, nous procdons de la faon suivante :
On introduit 3 variables binaires y
j1
, y
j2
et y
j3
et un grand nombre M. Les
contraintes seront donc :
x
j
Q
j1
1 + M*y
j1

x
j
Q
j2
1 + M*y
j2
170

Q
j1
x
j
+ M*y
j2
Q
j2
x
j
+ M*y
j3
Par ailleurs, puisque x
j
appartient un seul intervalle parmi [O, Q
j1
1]; [Q
j1

, Q
j2
1] et [Q
j2
, j V ], alors on ajoute lune des contraintes suivantes :
y
j1
+ y
j2
+ y
j3
= 2 (Si le fournisseur j doit imprativement tre
slectionn)
y
j1
+ y
j2
+ y
j3
2 (Si le fournisseur j est susceptible dtre
slectionn)
Lexpression du cot variable (cot dacquisition du produit chez le
fournisseur j) sera :
Ca
j
= [c
j1
* ( 1- y
j1
) + c
j2
* (1 - y
j2
) + c
j3
* (1 - y
j3
)]*x
j


Enfin, le cot total engendr par la slection du fournisseur j est gal la somme du
cot fixe dengagement du fournisseur j (f
j
*z
j
) et le cot dacquisition (Ca
j
) selon
lexpression ci-aprs :
W
j
= f
j
*z
j
+ [c
j1
* ( 1- y
j1
) + c
j2
* (1 - y
j2
) + c
j3
* (1 - y
j3
)]*x
j

La variable zj est dfinie comme suit :
z
j
= 0 si x
j
= 0
z
j
= 1 si x
j
> 0
Pour traduire ces contraintes, on introduit un grand nombre M, et la
contrainte suivante :
x
j
M*z
j

(ainsi, si x
j
> 0 z
j
= 1
si x
j
= 0 z
j
= 0 car Minimiser Wj = f
j
*z
j
force z
j
prendre la valeur 0)

On applique le mme raisonnement pour tous les fournisseurs ayant propos des rabais. La
formulation mathmatique du problme sera alors :
Minimiser



+
J j
j
j
J j
j j x Ca z f

171
Sujet :
x, x
J j
j =


(4.2.9)

J j z V x z V j j j j j ,
(4.2.10)

p, z
J j
j =


(4.2.11)
{ } . J j , 1 0, zj (4.2.12)
Toute autre rgle de gestion (4.2.13)

(2) Cas 1 : Rabais graduel
On garde les mmes variables et les mmes contraintes que pour le cas dun rabais total. On
modifie simplement lexpression de Ca
j
.

Ca
j
= {c
j1
* x
j
*[1- y
j1
] +[ c
j1
* (Q
j1
-1) + c
j2
* (x
j
- Q
j1
+1)]*[1 - y
j2
] + [c
j1
* (Q
j1
-1) +
c
j2
* (Q
j2
- Q
j1
) + c
j3
* (x
j
- Q
j2
+1)] * (1 - y
j3
)]}

Nous remarquons bien quavec des cots non linaires, le modle se complexifie
rapidement. Le modle mathmatique nest plus linaire (voir lexpression du cot
dacquisition (Ca
j
)).

Si nous considrons le modle 4 avec mono-sourcing, le modle redevient trs simple; car
il ny a mme pas besoin de la structure non linaire des cots. Il suffit dvaluer la somme
des cots dengagement et dacquisition de chaque fournisseur et de choisir celui qui offre
le prix total le plus intressant (Un seul fournisseur sengage pour la totalit de la
commande).

Enfin, dans certains cas, les cots suivent une fonction concave. Cette fonction peut tre
approche par une fonction linaire par morceaux et on se ramne au cas dun rabais
graduel.



172
Figure 4.2.3 Approximation dune fonction concave par une fonction linaire par
morceaux

4.5 Modle 5 : {dterministe, capacits finies, multi-sourcing, Cots
linaires, P produits}
Les modles intgrant plusieurs produits peuvent tre conus partir des modles intgrant
un seul produit et ce en ajoutant un indice supplmentaire pour les produits et en prcisant
le nombre de fournisseurs slectionner pour chaque produit. Toutefois, cette adaptation
nest possible que dans le cas o ny a aucune dpendance entre les produits (hormis celle
relative aux capacits des fournisseurs).
Dans le cas o il y a une dpendance entre produits ( par exemple : un fournisseur peut
proposer des prix prfrentiels sur certains produits sils sont groups avec lacquisition
dautres produits). Dans ce cas, les cots ne sont plus linaires (On assiste en fait une
troisime forme de rabais qui concerne un groupe de produits). Une faon de traiter ce
problme est prsente au modle suivant.
x
j
Q
j1
Q
j2

Cot
173
4.6 Modle 6 : {dterministe, capacits finies, multi-sourcing, Cots non
linaires, P produits}
Pour tudier les cas de non linarit des cots dus des rabais du type total ou graduel sur
un mme produit, il suffit de se rfrer au modle 4 et dy ajouter les indices qui se rfrent
aux produits ainsi que les contraintes supplmentaires pour chaque produit et ce comme
expliqu auparavant (modle 4).
Dans ce paragraphe, nous nous proposons dtudier le cas o le prix prfrentiel sur lachat
dun produit chez un fournisseur est d lacquisition dun ou de plusieurs autres produits
chez le mme fournisseur.
Pour des raisons de simplicit, nous prsentons uniquement la faon de modliser les
contraintes relatives un fournisseur j. Pour les mmes raisons, nous supposons que le
fournisseur considr propose loffre suivante lentreprise donneuse dordre :
Le prix standard dune unit dun produit p est c
jp
. Si lentreprise donneur dordre
sapprovisionne chez le fournisseur j pour les produits 1, 2, .., r-1, alors le produit r lui
sera propos pour un prix prfrentiel
*
jr
c < c
jr
. Pour gnraliser, nous considrons que le
fournisseur j peut proposer des prix prfrentiels pour tout le groupe de produit 1, 2, , r,
avec
*
jp
c c
jp
pour p = 1, 2, , r-1 et
*
jr
c < c
jr
.
Alors lexpression du cot variable (cot dacquisition des produits chez le
fournisseur j) sera :
Ca
j
= (c
j1
* x
j1
+c
j2
* x
j2
+.+ cjr * xjr )*y
1
+ (
*
1 j
c * x
j1
+
*
2 j
c * x
j2
+.+
*
jr
c * xjr)*y
2

Avec y
1
et y
2
deux variables binaires telles que
y
1
+ y
2
=1 (i)
y
2
= 1 si et seulement si { x
j1
0, x
j2
0, ., x
jr
0}
En effet, la contrainte { y
2
= 1 si et seulement si { x
j1
0, x
j2
0, ., x
jr
0}}peut
se traduire par lensemble des contraintes ci-dessous :
y
2
x
jp
pour p= 1, 2, , r (ii)
1 - y
1
x
jp
pour p= 1, 2, , r (iii)
Ces contraintes fonctionnent de la faon suivante :
174
Sil existe p {1, 2, , r} tel que x
jp
= 0, alors la contrainte (iii) force y
1

prendre la valeur 1 et la contrainte (i) force y
2
prendre la valeur 0 (ce qui
traduit que lentreprise donneur dordre ne bnficie pas de la promotion).
Si quel que soit p {1, 2, , r}; on a x
jp
> 0, alors les contraintes (ii) et (iii)
deviennent inactives, et cest la contrainte (i) et lexpression du cot
dacquisition (Ca
j
) qui sera intgre dans la fonction objectif du problme
(problme de minimisation de cot) qui forceront la variable y
2
prendre la
valeur 1 et la variable y
1
prendre la valeur 0 (ce qui traduit que lentreprise
donneur dordre bnficie de la promotion).
Nous remarquons que mme avec une structure de cots non linaires simple, la
modlisation se complexifie et on obtient un modle de programmation non linaire (voir
lexpression de Ca
j
).

4.7 Modle 7 : {stochastique, capacits finies, multi-sourcing, Cots
linaires, P produits}
[Kasilingam et Lee, 1996] ont propos un modle stochastique simple pour la modlisation
du problme de slection de fournisseurs. En effet, ils ont considr que la demande de tout
article p suit une loi normale de moyenne
p
et dcart type
p
. Un niveau de service
p
a
t galement accord chaque produit p.
Afin dassurer le niveau de service requis pour un produit p, lentreprise donneur dordre,
commande une quantit au moins gale
p
+
p
Z

*
p
. Avec
p
Z

est la valeur dtermine


partir de la table de la loi normale centre rduite correspondant un niveau de satisfaction
de
p
.
De cette faon, la demande stochastique sera remplace par une valeur dterministe (
p
+
p
Z

*
p
) dans le modle. Et la contrainte correspondant la satisfaction de demande se
traduit de la faon suivante :
P p , * Z x p p
J j
jp
p
+




175
Les autres contraintes (nombre de fournisseurs, contraintes de capacit,) du problme
scrivent de la mme faon que les contraintes des modles prcdents.
Il est clair daprs le modle de [Kasilingam et Lee, 1996], que si cest uniquement la
demande qui est stochastique, alors la modlisation est assez aise. Le problme se
complexifie si plusieurs paramtres sont stochastiques.

5. Analogie entre les problmes de localisation dinstallation et
de slection de fournisseurs
Les modles mathmatiques prsents ci-dessus pour traiter le problme de slection de
fournisseurs nous permettent de constater une certaine analogie entre le problme de
slection de fournisseurs et le problme de localisation dinstallations.
En effet, nous pouvons parfaitement nous inspirer des modles de localisation
dinstallations pour modliser le problme de slection de fournisseurs. Si nous poussons
notre raisonnement lextrme, nous constatons que pour ces deux problmes, il sagit de
slectionner une ou plusieurs entits (fournisseurs, installations, .) pour assurer la
fourniture dune ou de plusieurs activits, sous un certain nombre de contraintes
denvironnement (contraintes de capacit, nombre prdfini du nombre dentit
slectionner).
Nous montrons ci-aprs comment le problme de localisation dinstallations - le plus
simple - propos dans [Balinski 1965] est parfaitement valable pour modliser le problme
de slection de fournisseurs.
Donnes :
Problme de localisation dinstallations Problme de slection de fournisseurs
C
jp
= cot de la totalit de la commande du
produit p si elle est assure par
linstallation j.
= cot de la totalit de la commande du
produit p si elle est assure par le
fournisseur j.
f
j
= cot fixe de lengagement (ouverture) de
linstallation j.
= cot fixe de la slection du
fournisseur j.
J

= ensemble de toutes les installations. = ensemble de tous les fournisseurs.
P = ensemble de tous les produits. = ensemble de tous les produits.
176

Variables de dcision :
Problme de localisation dinstallations Problme de slection de
fournisseurs
x
jp
= proportion de la demande du produit p
satisfaite par linstallation j.
= proportion de la demande du produit
p satisfaite parle fournisseur j.
z
j
= 1 si linstallation j est ouverte.
= 0 Sinon.
= 1 si le client j est slectionn.
= 0 Sinon.

Modle :
Minimiser



+
J j
j j
J j P p
jp jp z f x c

Sujet :
P p , x
J j
jp =

1
(4.2.14)
P. p J j 0, x - z jp j , (4.2.15)
P. p J j 0, x jp , (4.2.16)
{ } . J j , 1 0, zj (4.2.17)

Problme de localisation dinstallations Problme de slection de fournisseurs
La fonction objectif minimise la
somme des cots fixes et variables
douverture dinstallations.
La fonction objectif minimise la
somme des cots fixes et variables de
slection des fournisseurs.
La contrainte (4.2.14) assure la
satisfaction de la demande de tout
produit p.
La contrainte (4.2.14) assure la
satisfaction de la demande de tout
produit p.
La contrainte (4.2.15) garantit que
lacquisition dun produit p ne se fait
qu partir dune installation ouverte.
La contrainte (4.2.15) garantit que
lacquisition dun produit p ne se fait
qu partir dun fournisseur slectionn.

Nous trouvons dans [Current et Weber, 1994] des analogies similaires faites entre les
problmes de localisation dinstallations du type p-Median Location Problem, Set Covering
177
Location Problem, et le problme de slection de fournisseurs. A titre anecdotique, nous
pouvons nous permettre dappeler ces problmes p-Median Vendor Selection Problem, Set
Covering Vendor Selection Problem. Il est tout fait possible de faire lanalogie entre les
autres types de problme de localisation dinstallations et le problme de slection de
fournisseurs : il suffit de prciser le contexte.

La grande similarit entre les problmes de localisation dinstallations et le problme de
slection de fournisseurs nest pas une raison pour laquelle toutes les fois que nous traitons
le problme de slection de fournisseurs, nous cherchons le problme qui lui correspond en
localisation dinstallations. Le message que nous souhaiterions transmettre est le suivant : il
y a un effort important de conceptualisation mathmatique qui a t fourni durant plus de
40 ans et ce pour modliser le problme de localisation dinstallations. Il est ainsi ingnieux
de bnficier de ce gisement pour traiter le problme de slection de fournisseurs grce
lanalogie entre ces deux problmes, que nous supposons, due au fait que les deux
problmes sont des problmes daffectation.
6. Conclusion
Dans ce sous-chapitre, nous avons prsent les diffrentes tapes suivre pour ltude du
problme de slection de fournisseurs. Nous nous sommes particulirement intresss
ltude des critres et des mthodes de slection les plus couramment usits. Nous avons
propos une typologie pour le problme de slection des fournisseurs. Par ailleurs, nous
avons dvelopp diffrents modles afin de montrer la faon de prendre en compte
certaines caractristiques du problme comme la structure des cots et laspect
stochastique. Enfin, nous avons prcis lanalogie qui existe entre le problme de slection
de fournisseurs et le problme de localisation dinstallations.
Nous poursuivrons dans le sous-chapitre 4.3, ltude de la dernire ramification du
problme faire, faire faire ou faire ensemble . Nous nous intressons donc au problme
dallocation dordres.



Sous-chapitre 4.3


Problme dallocation dordres
(Modles mathmatiques)


1. Introduction
Dans le sous-chapitre 4.1 : problme de localisation dinstallations , nous nous sommes
intresss rsoudre le problme douverture et de fermeture dinstallations dans un rseau.
Dans le sous-chapitre 4.2 : problme de slection des fournisseurs , nous nous sommes
intresss ltude du problme de choix dun ou de plusieurs fournisseurs parmi un
ensemble de fournisseurs soumettant des offres pour la ralisation dun produit : les
fournisseurs sont des entits organisationnelles extrieures au rseau.
Dans ce prsent sous-chapitre, nous considrons toute la chane logistique : fournisseurs,
usines de fabrication, entrepts de stockage, centres de distribution, Nous supposons que
toutes ces entits organisationnelles existent dj et nous proposons de rpondre la
question : Qui fait quoi au sein de ce rseau logistique pour satisfaire une commande
client ? . Nous appelons ce problme : problme dallocation dordres ou problme de
configuration dun rseau logistique que nous dfinissons comme suit :

179
Dfinition 4.4 : Problme dallocation dordres

" Le problme dallocation dordres sintresse laffectation des activits requises pour
la ralisation dun produit aux partenaires dun rseau dentreprises, et ce afin de
rpondre une commande client. Ce problme diffre du problme de slection des
fournisseurs par la prsence de dpendance entre les activits. Cette dpendance peut tre
exprime par des contraintes de prcdences et ventuellement des liens de nomenclature.
Dautres types de dpendance sont ventuellement pris en compte" [Hammami et al.,
2003(a)]



Figure 4.3.1 Problme de configuration dune chane logistique.
Il importe de noter que plusieurs termes sont utiliss dans la littrature scientifique pour
dsigner le problme dallocation dordres, savoir : Global logistics systems
Problem ([Goetschalckx et al., 2002], [Vidal et Goetschalckx, 1996]), Strategic
Production Distribution problem ([Vidal et Goetschalckx, 1997], [Geoffrion et al.,
1995]), Integrated Production-Distribution Systems problem [Cohen et Lee, 1988],
Global Manufacturing and Distribution Networks Problem [Cohen et al., 1989]. Par
ailleurs, le terme Global est souvent utilis pour dsigner un problme intgrant des
partenaires installs dans plusieurs pays, par consquent, il existe des contraintes relatives
aux taux de change et la taxation.

Fournisseurs Clients Entrepts Sites de production
180
Nous tenons prciser quau sein de ce rseau logistique, le produit est susceptible de subir
des transformations en transitant dun nud du rseau un autre. Ces transformations
permettent au produit dacqurir de la valeur (Figure 4.3.1).
Il est indispensable que ces transformations soient prises en compte lors de ltude du
rseau logistique et ce en considrant la gamme de fabrication ainsi que la nomenclature de
larticle, ce qui se traduit par des contraintes traduisant la dpendance entre les matires et
les activits.

Comme pour les problmes de localisation dinstallations et de slection des fournisseurs,
la revue de la littrature nous a permis de dduire que le problme dallocation dordres a
souvent t tudi en respectant les tapes suivantes et ce conformment la caractrisation
dune situation dcisionnelle adopte au chapitre 3 :
(1) tape 1 : Lister l'ensemble des entits organisationnelles (fournisseurs,
usines, centres de distribution, entrepts de stockage,
transporteurs).
(2) tape 2 : Dterminer l'ensemble des critres de slection.
(3) tape 3 : valuer les entits organisationnelles par rapport aux critres.
(4) tape 4 : Proposer une mthode de slection.
(5) tape 5 : Dcider des entits organisationnelles.

Dans ce prsent sous-chapitre, nous nous intressons en premier lieu ltude des critres
utiliss pour ltude du problme dallocation dordres. Nous prsentons un tat de lart
concis sur les mthodes les plus utilises dans la littrature scientifique pour traiter ce
problme. Enfin, nous dveloppons une typologie pour le problme dallocation dordres.

2. Les critres dallocation dordres
Les critres utiliss pour traiter le problme dallocation dordres sont similaires ceux
utiliss pour traiter les problmes de localisation dinstallations et de slection de
fournisseurs, savoir : la minimisation des cots, le respect des dlais, le respect de la
qualit, la localisation gographique, la capacit,
181

3. Les approches dallocation dordres
La quasi-totalit des approches dallocation dordres sont bases sur des modles de
programmation mixte. Et cest tout fait logique puisque dans un problme dallocation
dordres, les alternatives possibles sont rarement connues lavance. Par ailleurs, dans le
cas o le nombre dentits organisationnelles est important, le nombre dalternatives peut
tre trs important. Pour cette raison, la formulation du problme dallocation dordres sous
la forme dun modle de programmation mathmatique devient quasi-imprative
puisquelle permet de dterminer lensemble des solutions.

Il est noter que dans la plupart des cas, le dcideur ne cherche pas connatre toutes les
solutions possibles son problme, car il peut en exister un grand nombre qui rend la
dcision trs difficile prendre. Pour cette raison, il est plus intressant que lapproche de
traitement du problme dallocation dordres dtermine simplement la meilleure solution en
considrant tous les critres ([Cohen et Lee, 1989], [Vidal et Goetschalckx, 1996], [Lakhal
et al., 2001], [Goetschalckx 2003]) ou bien dtermine un ensemble de solutions efficaces
(optimales au sens de Pareto) afin de limiter la dcision un ensemble limit dalternatives
juges bonnes [Hammami et al., 2003(a)].
Par ailleurs, comme mentionn ci-dessus, le problme dallocation dordres est multicritre.
La plupart des modles mono-objectifs proposs dans la littrature scientifique, considrent
une fonction objectif de minimisation des cots ou de maximisation des profits, et intgrent
les autres critres dans les contraintes.

4. Typologie des problmes dallocation dordres
Les modles dallocation dordres varient en fonction :
(1) de la nature des informations. On distingue :
a. Les problmes dterministes
b. Les problmes stochastiques
(2) de la capacit des partenaires. On distingue :
182
a. Les problmes o les partenaires ont des capacits finies
b. Les problmes o les partenaires ont des capacits infinies
(3) du nombre de partenaires slectionner. On distingue :
a. Les problmes o le nombre de partenaires est fix lavance
b. Les problmes de o le nombre de partenaires est le rsultat de
loptimisation
(4) de la structure des cots du(des) produit(s). On distingue :
a. Les cots ont une structure linaire
b. Les cots ne sont pas linaires (par exemple : dans les cas o des
rabais sont possibles)
(5) du nombre de produits. On distingue :
a. Les problmes dallocation dordres concernant un seul produit.
b. Les problmes dallocation dordres concernant plusieurs produits.
(6) du nombre de priodes. On distingue :
a. Les problmes dallocation dordres sur une seule priode.
b. Les problmes dallocation dordres sur plusieurs priodes.
(7) de la localisation des partenaires. On distingue :
a. Les partenaires appartiennent au mme pays.
b. Les partenaires appartiennent plusieurs pays.
(8) .

Selon la classification prsente ci-dessus, le nombre de problmes dallocation dordres
que nous pouvons imaginer est 2
7
= 128 problmes. Ce nombre peut tre beaucoup plus
important si nous considrons dautres caractristiques du problme.

Nous tenons prciser que beaucoup de chercheurs se sont penchs sur ltude dun rseau
logistique global (international) o les partenaires appartiennent plusieurs pays. Ce
qui implique une ncessit de prise en compte des taux de change et de la taxation dans les
modles. Nous citons titre dexemple les travaux de [Cohen et al., 1989], [Kouvelis
1999], [Vidal et Goetschalckx, 2001], [Goetschalckx et al., 2002] Le caractre
international nest pas propre au problme dallocation dordres dans un rseau logistique.
183
Il est tout fait possible que les fournisseurs dans un problme de slection des
fournisseurs ou les installations dans un problme de localisation dinstallations soient
implants dans diffrents pays, auxquels cas, il faut considrer les taux de change et les
taxations. Or, les travaux de recherche dans le domaine du Gnie Industriel - prenant en
compte cet aspect ont rarement t proposs pour le traitement des problmes de
localisation dinstallations ou de slection de fournisseurs. Pour cette raison, nous
considrons que la prise en compte de laspect international dans les problmes dallocation
dordres est plutt une orientation de recherche quune particularit de ces problmes.

Nous notons que la classification des problmes dallocation dordres prsente ci-dessus,
est trs similaire la classification des problmes de localisation dinstallations et de
slection de fournisseurs. Par consquent, il suffit de faire lanalogie avec les modles
prsents aux deux sous-chapitres prcdents pour savoir la faon de modliser les
contraintes relatives aux capacits, au nombre de partenaires, au nombre de produits, la
structure des cots.
Nous nous intressons particulirement dans ce prsent sous-chapitre prsenter la manire
de prendre en compte les points suivants :
(1) La modlisation des dpendances entre les produits. Comme mentionn en
introduction, lune des particularits du problme dallocation dordres est la
prsence de contraintes relatives la dpendance entre les produits qui circulent
travers les nuds du rseau. Cette dpendance est exprime sous forme de gammes
de fabrication et/ou de nomenclatures.
(2) La prise en compte du caractre international par la modlisation des contraintes
relatives aux taux de change et de taxation.

4.1 Prise en compte du taux de change et des taxes
4.1.1 Les taux de change
La fluctuation des taux de change peut avoir un impact important sur la configuration dun
rseau logistique global. En effet, il importe de noter que les taux de change intgrs dans
184
les modles dallocation dordres ne sont que des estimations des vraies valeurs des taux de
change. Les taux utiliss ne sont pas dterministes.
Par ailleurs, manipuler des taux de change exige une profonde connaissance des systmes
financiers et montaires car leffet de la fluctuation des taux de change nest pas le mme
long terme et court-terme. [Carter et Vickery, 1989] distinguent deux types de stratgies
relatives la gestion des taux de change : des macro-stratgies et des micro-stratgies. Les
macro-stratgies affectent la dcision de slection ainsi que les termes du contrat entre le
rseau et ses partenaires trangers. Tandis que les micro-stratgies sont employes aprs
avoir choisi les partenaires et ce sont typiquement des stratgies financires court-terme
utilises pour protger le rseau (lacheteur) du risque de fluctuation du taux de change.
Nous prsentons ci-aprs lexemple de trois micro-stratgies [Kouvelis 1999] :
(1) Micro-stratgie 1 : Prenons le cas dun acheteur install en Europe, par exemple
en France, le moyen le plus simple dviter la volatilit des
taux de change est de payer ses partenaires en Euros ().
Cette stratgie transfre le risque vers le vendeur (le
partenaire), ce qui arrange parfaitement lacheteur. Les
inconvnients de cette stratgie est que lacheteur ne peut pas
profiter des avantages dus un mouvement favorable des
taux de change.
(2) Micro-stratgie 2 : La stratgie appele to Buy forward . Elle se traduit par un
accord entre lacheteur et une institution financire. Dans les
termes de laccord, lacheteur sengage acheter ou vendre
la monnaie du pays tranger considr un taux de change
fixe.
(3) Micro-stratgie 3 : La stratgie appele to buy a future . Cest un contrat entre
lacheteur et une institution financire o le risque est
minimis par lexploitation des mouvements de variation du
taux de change.

Nous pensons quil est plus facile de constituer une relation gagnant-gagnant entre
lacheteur (le rseau) et ses partenaires travers un engagement des deux parties de se
185
partager les risques dans les cas de pertes ou de gains. Ce partage de risque peut se traduire
titre dexemple par une modification des quantits affectes aux partenaires ou par un
report de la livraison des quantits commandes.
Une macro-stratgie peut se traduire par une dcision de lacheteur de slectionner
plusieurs partenaires (multi-sourcing au lieu du mono-sourcing). Il affecte ensuite les
quantits aux partenaires en fonction de lvolution des taux de change. Il est clair que cette
stratgie ne peut fonctionner que si le problme dallocation dordres est un problme sur
plusieurs priodes de temps. Dans le cas dun problme dallocation une seule priode de
temps, lacheteur ne peut questimer les taux de change, formuler le modle doptimisation,
et affecter les ordres aux partenaires. Le modle de [Vidal et Goetschalckx, 1996] est
conforme cette ide.
Nous trouvons plus de dtail sur la faon de prendre en compte la fluctuation des taux de
change dans les travaux suivants : [Kouvelis 1999] et [Li et Kouvelis, 1999]. Dans
[Kouvelis 1999] il a t montr que le multi-sourcing est une alternative permettant de
rduire les cots et les risques de fluctuation des taux de change. Dans [Li et Kouvelis,
1999], cest le problme dallocation dordres avec prix incertains qui a t abord. Et il a
t montr que le multi-sourcing coupl la flexibilit des quantits permet de rduire les
cots. Il est noter quune analogie parfaite entre ce problme (problme dallocation
dordre avec incertitude sur les prix) et le problme de fluctuation des taux de change peut
tre tablie.

4.1.2 Les taxes
La prise en compte des taxes dans les modles dallocation dordres nest pas si complique
que la prise en compte des taux de change. En effet, il est vrai que les taxes varient dun
pays un autre ce qui rend certains pays plus attrayants que dautres pour les investisseurs.
Toutefois, les taxes ont la particularit dtre fixes du moins moyen terme. En outre, elles
sont connues lavance. Ainsi, leur prise en compte dans un modle dallocation dordres
est assez aise. La grande difficult rside dans la comprhension et la modlisation des
diffrents systmes de taxation (comment les taxes sont elles calcules selon les diffrents
produits et dans les diffrents pays des partenaires?).

186
4.2 Prise en compte de la dpendance entre produits (Nomenclature,
Gamme de production)
4.2.1 Les nomenclatures
La nomenclature du produit fini permet de dterminer le besoin en chacun de ses
composants. Supposons que le dcideur souhaite traiter le problme dallocation dordres
de deux produits finis dont les nomenclatures sont prsentes ci-aprs (les nombres entre
crochets sont les quantits de lien entre un produit et ses composants) :

Figure 4.3.2 Exemple de Nomenclatures de 2 produits C et E.

Soit x
i
la demande du produit i.
Alors les besoins des composants des produits C et E sont dfinis par les contraintes de
nomenclature prsentes ci-dessous :
x
A
= 2 * x
C
;
x
B
= 3 * x
C
+ 2 * x
E
;
x
D
= x
E
;

4.2.2 Les gammes de production
Les gammes de production sont exprimes sous forme de contraintes de prcdence. Les
contraintes de prcdence traduisent lide quun produit ne peut tre fabriqu avant que
ses composants ne soient disponibles.
Supposons les gammes de production suivantes pour les articles C et E.


C
A B D B
E
[2] [3] [2] [1]
187

Figure 4.3.3 Exemple de Gammes de production de 2 produits C et E.
Une faon de modliser ces contraintes est la suivante :
Supposons que nous disposons des paramtres suivants :
Dd
i
: date de dbut de production de larticle i.
Df
i
: date de fin de production de larticle i.
T
i
: dure de production de larticle i.
Alors, dans le cas o la gamme de production est un assemblage synchrone (exemple :
produit C), les contraintes de prcdence sont :
Dd
C
Df
A
;
Dd
C
Df
B
;

Dans le cas o la gamme de production se limite un assemblage asynchrone (exemple :
produit E), on aura les contraintes de prcdences :
Dd
C
Minimum (Df
B
; Df
D
);
Df w
Df w
w Dd
D
B
c



Il est clair que lexemple prsent ci-dessus pour illustrer les prises en compte des
contraintes de gamme de production est basique. Toutefois, il permet de prsenter lide
fondamentale de dpendance des produits et de mettre laccent sur la ncessit de travailler
sur plusieurs priodes.
Par ailleurs, il est facile de constater que la complexit du problme dallocation dordres
augmente avec la complexit de la gamme de production du produit fini ainsi quavec le
nombre dchelons du rseau logistique considr. Do limportance de se poser la
C
A
B
& E
B
D
&
Assemblage Synchrone Assemblage Asynchrone
188
question suivante : combien dchelons faut-il considrer pour traiter le problme
dallocation dordres dans un rseau logistique?
Cette question est analogue la question suivante : Combien de niveaux de nomenclature
du produit fini faut-il considrer?
Il importe de prciser que dans la plupart des travaux de recherche scientifique traitant le
problme dallocation dordres, un seul niveau de la nomenclature a t considr (par
consquent un chelon dusines de fabrication, un chelon pour les fournisseurs, les autres
chelons taient consacrs aux entrepts de stockage, aux centres de distributions)
([Cohen et Lee, 1988], [Goetschalckx 2003], [Lakhal et al., 2001], [Vidal et Goetschalckx,
1996]). La prise en compte dun seul niveau de la nomenclature du produit traduit
parfaitement la complexit du problme traiter.

Enfin, nous trouvons quil y a une forte analogie entre le problme dallocation dordres et
le problme dordonnancement flow shop hybride. Les chelons du rseau dans un
problme dallocation dordres reprsentent les machines dans un problme flow shop.

5. Conclusion
Au terme de ce prsent sous-chapitre, on peut encore se poser la question suivante : en quoi
consiste la difficult relle du problme dallocation dordres (problme de configuration
dune chane logistique) ?
Il est vrai que la modlisation des contraintes de prcdence, de la fluctuation des prix ou
des taux de change complexifient le problme. Le traitement de ces contraintes
supplmentaires reste cependant une gymnastique intellectuelle du domaine de la
modlisation mathmatique base sur les concepts de recherche oprationnelle.
Nous considrons que la vraie difficult du problme de configuration dune chane
logistique rside dans lintgration des modles de distribution, de stockage, de production,
de transport et dapprovisionnement. Un dveloppement assez profond a t propos dans
la littrature scientifique pour chacun de ces modles. Le vrai dfi pour les annes venir
est lintgration de tous ces modles en un modle global de configuration dune chane
logistique.
189
Conclusion

Dans ce prsent chapitre, nous avons tudi diffrents modles mathmatiques pour le
traitement des problmes de localisation dinstallations, de slection de fournisseurs et
dallocation dordres. Le dnominateur commun de ces 3 problmes est le fait quils soient
des problmes de slection : slection dune ou de plusieurs alternatives parmi un certain
nombre dalternatives potentielles.

Comme prcis auparavant, la difficult de traitement du problme se manifeste de deux
faons :
(1) Difficult 1 : Elle se manifeste dans les cas o les alternatives ne sont pas
connues a priori. Il faut donc les dterminer. Ceci revient
modliser le problme, gnralement sous la forme dun modle de
programmation mathmatique, puis le rsoudre. La difficult de la
rsolution du problme dpend de la complexit du modle obtenu
dune part, et du degr de prcision souhait pour les solutions.
Gnralement, le dcideur prend suffisamment dhypothses au
dpart pour obtenir un modle simple. Toutefois, cette faon de
procder nest pas tout le temps efficace. De ce fait, pour des
situations complexes, les modles obtenus sont non linaires, et
trs difficiles rsoudre de faon optimale. Dans ces cas, les
mthodes heuristiques peuvent apporter de bonnes approximations
aux solutions optimales du problme.
(2) Difficult 2 : Elle se manifeste dans les cas o les alternatives sont connues a
priori. La question qui se pose ds lors concernera la faon de
modliser les prfrences du dcideur et de choisir la meilleure
mthode daide la dcision. En dautres termes : quelle mthode
daide la dcision faut-il choisir ?

190
Notons que si dans la quasi-totalit des modles prsents dans ce chapitre, nous navons
pas fait rfrence aux mthodes daide la dcision, cest parce que implicitement, nous en
avons choisi une, qui selon les cas consiste minimiser une fonction de cot, ou optimiser
une fonction dagrgation de plusieurs critres (mthode de la somme pondre). En fait,
dans ce prsent chapitre, nous nous sommes intresss particulirement la faon de
modliser les contraintes du problme.

Nous avons montr lanalogie qui existe entre les problmes de localisation dinstallations
et les problmes de slection de fournisseurs au niveau de la formulation des contraintes et
des fonctions objectifs. Une grande analogie existe entre ces problmes et le problme
dallocation dordres notamment au niveau de la formulation des contraintes.

Nous tenons prciser que le problme dallocation dordres se distingue des problmes de
localisation dinstallations et de slection de fournisseurs par la prsence de plusieurs
chelons de dcision. Par ailleurs, dans un problme dallocation dordres, le produit subit
des transformations et acquiert de la valeur. Ce qui nest pas le cas pour les problmes de
localisation dinstallations et de slection de fournisseurs o il ny a que des activits de
transport et dentreposage. Cette particularit rend les problmes dallocation dordres plus
complexes.

Nous considrons que la recherche scientifique est suffisamment riche en modles pour la
gestion des stocks (plus de 10000 rfrences sur le modle de la quantit conomique de
commande), la gestion des approvisionnements, lentreposage, la distribution, de
localisation (plus de 3000 rfrences) Ces modles sont dans la plupart des cas
dvelopps dans une optique doptimisation locale. Il est donc trs important de faire
communiquer ces diffrents modles dans une optique doptimisation globale. Nous
considrons que lintgration de ces diffrents modles est la vraie problmatique et le vrai
dfi pour la configuration dune chane logistique.
Wei et Goetschalckx ont propos un modle trs intressant (modle SMILE) qui assure
lintgration des problmes de localisation dinstallations, dentreposage, de fabrication,
dassemblage, de stockage et de distribution. Le modle a t appliqu un cas dtude qui
191
a gnr environs 120 000 variables et plus de 5500 contraintes et par consquent un temps
de rsolution trs important (plus de 6 heures) pour la recherche dune solution optimale
[Wei et Goetschalckx, 2002]. Cette tude prouve quun modle global est souvent de trs
grande taille. Do la ncessit de machines puissantes et dheuristique pour la rsolution
de ces problmes en une dure acceptable.

Nous assistons actuellement une grande perce dans des technologies de linformation et
de la communication qui a rendu possible linterconnexion entre les entreprises moyennant
des investissements. Pour cette raison, nous considrons que marier les bonnes pratiques,
les technologies de linformation et de la communication, et surtout une bonne intgration
des systmes de gestion des entreprises (gestion des stocks, entreposage, distribution,
transport..) et des outils doptimisation performants est la bonne formule pour avoir une
chane logistique efficace.

Au terme de cette deuxime partie, nous constatons que la plupart des modles analytiques
prsents pour les problmes de localisation dinstallations, de slection de fournisseurs ou
dallocation dordres prennent souvent en compte un seul objectif la fois. Or, nous nous
intressons dans le cadre de cette thse la modlisation dune chane logistique dans une
rseau coopratif dentreprises. Donc, les flux interentreprises doivent se faire de faon ce
que les besoins client soient satisfaits et que chaque partenaire du rseau tire profit de son
adhsion au rseau en amliorant ses comptences. Nous considrons que cest une des
particularits dun rseau coopratif dentreprises. Pour cette raison, nous proposons dans
le chapitre 5, une procdure de configuration dune chane logistique dans un rseau
coopratif dentreprises en tenant compte de ses particularits.






PARTIE III




CHAPITRE 5


CONCEPTION D'UNE CHAINE LOGISTIQUE DANS
UNE ENTREPRISE RESEAU COOPERATIVE


1. Introduction
Nous rappelons que lobjectif de la prsente thse est de proposer une modlisation
technico-conomique de chanes logistiques dans les entreprises rseaux susceptible
daider lanalyse, lvaluation et la restructuration des processus de lentreprise afin
damliorer ses performances.
Par ailleurs, nous avons montr dans le chapitre prcdent que les modles proposs dans la
littrature scientifique pour traiter notre problmatique ne prennent le plus souvent en
compte quun seul objectif qui est dans la plupart des cas, la minimisation des cots ou la
maximisation des profits. Dautre part, dans les cas o les modles proposs sont multi-
objectifs, les objectifs ont souvent une vision oriente client seulement.
Nous avons prcis dans le chapitre 1 les particularits des rseaux dentreprises et
particulirement les rseaux coopratifs. En effet, dans un rseau coopratif, lobjectif
primordial demeure la satisfaction des besoins des clients car cest une condition ncessaire
pour que le rseau continue exister. Cet objectif orient client ne doit pas cacher des
objectifs orients partenaires du rseau. En effet, le fait que les partenaires acceptent
dadhrer au rseau se justifie par une recherche de plus de profit et surtout dune
194
amlioration des comptences. Cette particularit des rseaux coopratifs dentreprises na
pas t considre dans les modles proposs dans la littrature scientifique.
Nous nous proposons donc, dans ce prsent chapitre, de rpondre ce besoin en terme de
modlisation.
Nous proposons une procdure de modlisation qui permet un rseau coopratif
dentreprises de sorganiser de faon pouvoir rpondre des appels doffre lancs sur le
march en respectant aussi bien les besoins des clients que les objectifs des partenaires du
rseau en termes de promotion et de dveloppement des comptences. La prsentation
dtaille de la procdure propose fait lobjet de la section 2. Dans la section 3, nous
dtaillons le modle analytique de base qui est au cur de la procdure de modlisation.
Nous instancions la procdure propose par un cas dtude la section 4 et nous prsentons
les rsultats obtenus la section 5. Enfin, nous proposons dans la section 6 des extensions
du modle analytique de base pour tenir compte de situations plus complexes.

2. Procdure de modlisation
2.1 Modle Conceptuel
Nous nous appuyons sur le modle conceptuel s-a-r-C : situation professionnelle, acteur,
ressource, Comptence [Boucher et Burlat, 2003]. Il est bas sur les 4 entits lmentaires
suivantes :
(1) Situation professionnelle : le concept de situation professionnelle est utilis
pour reprsenter des tches raliser ou des problmes rsoudre, ainsi que le
contexte professionnel dans lequel ils apparaissent [Zarifian 2001]. Dans le cadre du
modle s-a-r-C, une situation professionnelle sera modlise par les attributs
suivants :
un ensemble de problmes caractristiques auxquels l'acteur est
confront.
un objectif qui spcifie l'enjeu de la situation (ce qui lui donne un
sens pour l'acteur) et le rsultat atteindre (variable observable qui
permet de contrler l'atteinte des objectifs).
195
un contexte
1
c'est dire un ensemble des facteurs (contrlables) qui
ont un impact sur la comptence.
(2) Acteur : c'est un partenaire du rseau, en gnral une entreprise. Le niveau
dagrgation du modle peut tre amlior selon le besoin. Dans ce cas, un acteur
peut reprsenter un service ou mme une personne de l'entreprise.
(3) Ressource : c'est une entit requise pour supporter la ralisation des activits (par
exemple : une machine, une application logicielle,.). On s'intresse
particulirement aux ressources goulots.
(4) Comptence : cest une aptitude sans cesse reconstruite d'un acteur, mobiliser de
manire efficiente un certain nombre de ressources immatrielles qu'il a
intriorises (connaissances, aptitudes psychologiques et sociales,) et de
ressources matrielles de son environnement (outils, instruments, sources
d'informations, etc), pour rpondre aux objectifs et au contexte propres une
situation professionnelle. Une comptence est toujours constitue travers
linteraction entre le trio (situation, acteur, ressource). (Figure 5.1).

Figure 5.1 Modle conceptuel s-a-r-C (situation professionnelle, acteur, ressource,
Comptence)


1
Le contexte pourra dcrire par exemple des conditions de travail ou des contraintes subies par l'acteur
(charge de travail, etc) indpendantes des problmes caractristiques dfinissant la situation, mais qui
ont un impact sur la prise en charge de la situation par l'acteur.
Acteur
Situation
Ressource Comptence
requiert
utilise
requiert
constitue
196
Le schma suivant [Boucher et Burlat, 2003] dtaille le modle s-a-r-C selon le formalisme
UML. Selon [Boucher et Burlat, 2003], il importe de diffrencier les entits comptence
type et comptence instancie . Une comptence type met en relation une situation
avec un type dacteur et un type de ressource. Par exemple la comptence type aptitude
planifier un atelier met en relation une situation planification datelier avec un acteur
de type technicien , et une ressource de type aide la dcision . Cette comptence
type peut tre instancie plusieurs fois dans la mme entreprise selon les acteurs
effectivement mobiliss (agent de lancement, chef datelier, ) et les ressources daide la
dcision utilises (logiciel MRP, tableau datelier). Ainsi, lvaluation des situations, des
acteurs et des ressources permet une estimation du niveau de comptence instancie. Le
niveau dune comptence type sen dduira par agrgation des niveaux des comptences
instancies.


Figure 5.2 Modle conceptuel s-a-r-C selon le formalisme UML
N.B : Nous trouvons dans [Boucher et Burlat, 2003] plus de dtails sur les ramifications du
concept de comptence dont notamment la les notions de comptence collective et de
macro-comptence.


197
2.2 Objets de modlisation
2.2.1 Carte technologique d'un produit (CT)
Nous proposons dassocier chaque produit une carte technologique. Nous dfinissons la
carte technologique dun produit comme lassociation de :
(1) Un graphe de ralisation du produit.
(2) Une table des activits /comptences.

Figure 5.3 Carte technologique d'un produit

Graphe de ralisation du produit (GRP)
C'est la succession logique des activits
2
pour la ralisation du produit. Ce graphe comporte
aussi bien les activits de production (usinage, assemblage,) que les activits
administratives (dans les rseaux dentreprises, les activits administratives sont rparties
entre les membres au mme titre que les activits de production) et de dcision
(planification, achat, gestion des sous-traitants...). Le graphe de ralisation du produit
traduit le paralllisme et les contraintes d'antriorit entre activits. Le graphe de ralisation
est conforme au formalisme IDEF3 [Mayer et al., 1995].

2
Dans le modle s-a-r-C, cest le concept de situation professionnelle qui est utilis de prfrence au
concept plus classique d activit . La fonction de correspondance entre situation professionnelle et
comptence nous semble univoque : une situation professionnelle correspond une et une seule
comptence. Au contraire, une activit peut en gnral mobiliser plusieurs comptences. Dans le cadre des
travaux prsents ici, les situations professionnelles ne sont toutefois pas dtailles afin de simplifier la
dmarche de modlisation et de rsolution.
Produit
Graphe de ralisation
du produit
Table des activits /
comptences
Carte technologique
198
Dans l'exemple suivant, les activits A2 et A3 doivent tre toutes les deux ralises ; alors
qu'une seule des activits A4 et A5 sera slectionne pour tre ralise.
Figure 5.4 Exemple d'un graphe de ralisation d'un produit

Table des activits /comptences (TAC)
Toute activit identifie dans le graphe de ralisation du produit requiert un ensemble de
comptences. La correspondance entre les activits et les comptences qui leur sont
requises constitue la table des activits / comptences. La table des activits/comptences
doit tre conforme un rfrentiel (par exemple le rfrentiel ROME : Rpertoire
Oprationnel des Mtiers et de l'Emploi de l'ANPE : Agence Nationale Pour l'Emploi). Le
rfrentiel servira de standard pour la description des savoir-faire des acteurs du rseau.
L'exemple ci-aprs dcrit les comptences techniques de base requises selon le rfrentiel
ROME pour la ralisation des activits A
1
, A
2
, et A
3
.

Activits Comptences requises
Code Dsignation Code Dsignation
C
1

Dfinition et description des gammes opratoires.
C
2

Rdaction des notices techniques et des fiches d'instructions
destines aux services de la production.
C
3

Dtermination des temps prvisionnels de fabrication.
C
4

Ordonnancement des commandes.
C
5

Planification de la production court terme (1 6 jours).
A
1
Planifier et
Ordonnancer la
fabrication
C
6

Gestion des stocks (matires, produits semi-finis et produits
finis).
A
1
&
A
2

A
3

X
A
4

A
5

199
C
7

Rpartition du travail entre les diffrents ateliers.
C
8

Suivi de la production (contrle des dlais et assistance
technique).
C
9

Mise jour et modification du planning de production.

C
10

Amlioration des gammes opratoires.
C
11

Dtermination des moyens de mesure et de contrle aprs une
tude complte du cahier des charges.
C
12

Choix des instruments et appareils ncessaires en vrifiant leur
talonnage et leur bon fonctionnement.
C
13

Analyse des rsultats.
C
14

Exploitation des statistiques d'chantillonnage.
A
2
Contrler la qualit
C
15

Etablissement des procs-verbaux de contrle.
C
16

Ralisation des tats des lieux quantitatifs et qualitatifs.
C
17

Analyse des dfaillances afin de proposer des amliorations.
C
18

Suivi des travaux d'entretien et de dpannage.
C
19

Sensibilisation et formation du personnel la maintenance des
quipements et des installations.
C
20

Intervention en cas de panne en pondrant les consquences.
C
21

Assurance de la scurit lors des interventions.
C
22

Optimisation des intervention sur les quipements.
A
3
Grer la maintenance
C
23

Application des prescriptions techniques (normes et
rglementations).
Tableau 5.1 Table des activits / comptences
3


Carte des comptences du rseau (CC)
La carte des comptences rcapitule l'ensemble des comptences acquises par tout
partenaire (acteur) du rseau.
Pour chaque couple {acteur, comptence}, on dfinit un niveau d'expertise qui varie entre 0
et 4. Le niveau d'expertise traduit le degr de matrise qu'un acteur possde pour une
comptence donne [GRECOPME II 2001]. Les niveaux d'expertise se rfrent aux
dfinitions suivantes :

3
Le rfrentiel ROME traite des comptences requises pour des activits oprationnelles, alors que dans la
thse, nous traitons plutt le niveau tactique et non oprationnel.
200
Niveau 0 : absence de comptence
Niveau 1 : sensibilisation
Niveau 2 : capacit mettre en pratique
Niveau 3 : matrise
Niveau 4 : expertise, possibilit de faire voluer la fonction, formation.

Par ailleurs, tout partenaire est suppos avoir une politique pour le dveloppement de ses
comptences acquises et l'acquisition de comptences requises.
Le dveloppement d'une comptence permet l'acteur de passer du niveau d'expertise
actuel vers le niveau d'expertise suivant et se fait selon les modes suivants :
(1) Dveloppement par ralisation (Learning by Doing).
(2) Dveloppement par interaction (Learning by Interacting).
(3) Acquisition de comptence par formation

Dans le cas d'un apprentissage par ralisation, on dfinit pour tout partenaire P
j
et pour tout
triplet {comptence, activit, niveau d'expertise}, le nombre de fois o l'activit doit tre
ralise pour que le partenaire amliore sa matrise des comptences mobilises pour
l'activit : c'est ce qu'on appelle le nombre de ralisations (Number of "Do").
De la mme manire, dans le cas d'un apprentissage par interaction, on dfinit le nombre de
fois o une interaction avec un partenaire est requise pour faire voluer la comptence :
c'est ce qu'on appelle le nombre d'interactions (Number of "Interact").
Lacquisition de comptence par formation implique dans la plupart des cas lintervention
dun organisme de formation spcialis. Toutefois, cela nexclue pas les cas o la formation
soit assure par un partenaire du rseau pour le compte dun autre partenaire. Les dcisions
dacquisition de comptence par formation sont gnralement prcises dans le plan de
formation de chaque partenaire.
Il est clair que certaines comptences exigent la formation, l'interaction et la ralisation
pour voluer.

En outre, un acteur n'accorde pas la mme importance au dveloppement de ses
comptences acquises. Pour cette raison, on introduit un poids
jk
qui traduit l'importance
201
qu'accorde le partenaire P
j
au dveloppement de la comptence k. Il est vident que plus le
poids
jk
est grand, plus la comptence k est importante pour le partenaire P
j
. Notons que
pour tout partenaire P
j
, la somme des poids
jk
est gale 1 ( j jk
k
P , 1 =

).
Dans le Tableau 5.2, nous prsentons un extrait d'une carte des comptences d'un rseau. Le
tableau dcrit les attributs de la carte des comptences.

Partenaire P
j

Comptence C
k
(Planification)
Activit A
i
(Acheter)
Ressource R
m
(Logiciel MRP)
Niveau Expertise e
jk
= 3
Poids Comptence
jk
= 0.7
Nombre de ralisation D
ikm

Nombre d'interactions I
ikm

Formation requise Identifiant de la formation

Tableau 5.2 Attributs de la carte des comptences d'un rseau

2.2.2 Graphe de ralisation Produit / Acteur (GRPA)
L'tape qui suit l'identification de la carte technologique du produit et la carte des
comptences du rseau est la soumission d'offres de la part des partenaires du rseau pour
la ralisation des activits. L'association du graphe de ralisation du produit et des offres
des partenaires permet de construire le graphe de ralisation Produit / Acteur (GRPA) qui
traduit toutes les alternatives possibles pour la ralisation du produit. Dans l'exemple
suivant, l'activit A
1
sera ralise soit par le partenaire P
1
, soit par le partenaire P
2
.
L'activit A
2
sera ralise soit par P
1
, soit par P
3
. L'activit A
3
sera ralise soit par P
2
, soit
par P
4
. Enfin, une et une seule activit sera ralise parmi les deux activits A
4
et A
5
.



202

Figure 5.5 Graphe de ralisation Produit / Acteur

2.2.3 Graphe de ralisation Etendu Produit / Acteur (GREPA)
Selon les acteurs mobiliss dans une alternative, des activits administratives (coordination,
planification ...) et logistiques (transport) seront gnres automatiquement. En d'autres
termes, si dans le graphe de ralisation Produit / Acteur, deux activits successives sont
ralises par deux partenaires diffrents, alors des activits additionnelles de coordination et
de transport seront ajoutes. Les activits additionnelles
4
de coordination et/ou de transport
engagent des cots supplmentaires et augmentent le cycle de production.
L'ajout des activits additionnelles au graphe de ralisation Produit / Acteur forme le
graphe de ralisation Etendu Produit / Acteur (GREPA). Dans le GREPA, on reprsente les
activits additionnelles par des triangles.

Dans la Figure 5.6, l'alternative qui consiste affecter les partenaires P1 et P2
respectivement aux activits A5 et A6 a t augmente par une activit additionnelle de
transport / coordination.

4
les activits additionnelles najoutent pas de valeur au produit mais gnrent des cots supplmentaires.
A
1

&
X
A
1

X
A
2

A
2

X
A
3

A
3

X
A
4

A
5

P
1

P
2

P
1

P
3

P
2

P
4

P
4

P
5

203
Figure 5.6 Une coupe d'un graphe de ralisation Etendu Produit / Acteur

2.3 Dmarche d'optimisation
En rponse une demande client, les partenaires du rseau soumettent des offres pour la
ralisation des activits requises par le produit. Les offres proposes doivent respecter les
exigences client en termes de prix, dlai de livraison et niveau de qualit Elles doivent
aussi contribuer la promotion des processus d'apprentissage et de dveloppement de
comptences au sein du rseau. Pour cette raison, nous proposons une dmarche
doptimisation en deux tapes.
La premire tape rpond un besoin de gestion court terme : on dispose d'un ensemble
de contraintes (cot, dlai, qualit) et on fait en sorte qu'on assure une ou plusieurs rponses
aux besoins d'un client en respectant ces contraintes.
La deuxime tape traduit le fait que le groupement suit une dmarche de progression et
que l'amlioration de ses performances futures passe par le dveloppement des
comptences [Hammami et al., 2003(c)].

Le droulement de la procdure se fait comme suit
(1) Etape 1 : On formule le problme selon un modle de programmation
mathmatique objectifs multiples. On instancie ce dernier partir des offres
soumises par les partenaires. Ensuite, on dtermine l'ensemble des solutions
admissibles qui satisfont les critres client (cot, dlai, qualit). Enfin, on
slectionne partir des solutions admissibles, lensemble des solutions non
A
5

A
5

A
5

P1
P1
P2
A
6

A
6

A
6

P1
P2
P2

X

2 1
6 5
P P
T


204
domines : ensemble des solutions optimales au sens de Pareto ([Cohon 1979],
[Weber et Current, 1993]). Dans le cas o nous disposerions de plusieurs solutions
non domines, nous passons ltape 2, sinon la procdure sarrte ltape 1 et
nous retenons lunique solution non domine que nous considrons comme la
meilleure solution au problme tudi.

(2) Etape 2 : On value la contribution des solutions non domines (tape 1) au
processus de dveloppement de comptence du rseau en calculant un score pour
chaque solution. On slectionne ensuite la solution ayant le meilleur score.
Figure 5.7 Synoptique de la dmarche d'optimisation

On s'intresse particulirement dans la suite de ce paragraphe l'explication dtaille de
chacune des tapes de la dmarche d'optimisation.

2.3.1 Etape 1 : Prise en compte des objectifs court-terme
Comme mentionn ci-dessus, les objectifs du rseau court terme consistent assurer la
satisfaction des exigences clients : dlai, cot, qualit, fiabilit, Pour ce faire, on procde
comme suit : dabord, lappel doffre lanc sur le march est traduit en appels la
soumission de propositions au niveau du rseau. Les partenaires du rseau agissent en
Graphe de ralisation
Table des Activits / Comptences
Carte des comptences du
rseau
Offres proposes
Techniques
d'optimisation
Ensemble de solutions
admissibles (Solutions
bonnes en termes de
cot, dlai, qualit,..)

Programmation
multi-objectifs
Court-Terme
Slection des partenaires selon des critres de dveloppement de comptences
Long-Terme
Scores ( Somme pondre )
205
constituant des propositions. Enfin, on dtermine partir des propositions soumises par les
partenaires, l'ensemble des solutions admissibles et non domines compte tenu des
exigences du client (cot, dlai, qualit,). On obtient ainsi, lensemble des solutions
optimales au sens de Pareto.

Rappelons quune solution est dite optimale au sens de Pareto si toute amlioration faite sur
un critre s'accompagne d'une baisse de la performance d'un ou de plusieurs autres critres.
Les phases suivre pour la prise en compte des objectifs court-terme sont explicites ci-
aprs.

a. Appel la soumission de propositions
En rponse un appel d'offre lanc sur le march pour la ralisation d'un produit, les
partenaires du rseau soumettent des propositions pour la ralisation des activits requises
par le produit.
Pour chaque produit, un dlai de livraison, un niveau de qualit, et un cot sont requis Il
est clair que d'autres critres pourraient tre imposs par le client.

Le fait de se fixer un cot, un niveau de qualit et une date de livraison du produit impose
de dterminer un niveau de qualit objectif et des dates d'achvement au plus tt et au plus
tard pour chaque activit. La ralisation du produit final est ainsi traite comme un projet.
Les dates d'achvement au plus tt et au plus tard ainsi que les niveaux de qualit objectifs
sont dtermins en fonction de l'historique du rseau qui permet de dterminer la dure
moyenne des activits dans le graphe de ralisation du produit (GRP). De cette faon, on
dtermine un intervalle de temps pour la ralisation de chaque activit.

Le Tableau 5.3 rcapitule les attributs relatifs chaque proposition faite par un partenaire
(acteur) du rseau




206
Critres Contraintes relatives une
activit
Paramtres requis dans une
proposition d'un partenaire
Dlai Date de dbut au plus tt.
Date de fin au plus tard.
Date de dbut
Dure
Cot Pas de contrainte Cot de la proposition
Qualit Niveau de qualit minimum requis Niveau de qualit
5

(Autres critres)
Tableau 5.3 Exemple paramtres requis dans une proposition de partenaire

Notons bien qu'un partenaire du rseau peut soumettre plusieurs propositions pour la
ralisation d'une activit, comme il peut soumettre des propositions distinctes ou
regroupes qui concernent diffrentes activits.
N.B : il importe de noter quil y a plusieurs faons possibles pour valuer le critre qualit
(par exemple, le pourcentage des pices dfectueuses dans un lot achet, la robustesse de
larticle, la facilit de montage et de dmontage de la pice ). Pour cette raison, nous
avons opt pour le concept de niveaux de qualit. La faon dagrger les niveaux de qualit
par activit en un niveau de qualit total pour larticle est relative (somme, somme
pondre, moyenne arithmtique, une forme multiplicative,) : elle dpend de la
signification que le rseau accorde au critre qualit.
La mme remarque est valable pour la dsagrgation dun niveau de qualit total objectif en
un niveau de qualit pour chacune des activits.

b. Constitution des propositions
Les paramtres (cot, dlai, qualit,) requis par une proposition soumise par un
partenaire sont contextuels dans la mesure o ils ne dpendent pas seulement du niveau de
comptence du partenaire mais aussi d'autre donnes comme la charge de travail.
En effet, la ralisation d'une activit d'une qualit donne se fait en une dure standard et
cote une valeur standard. Donc, quand on affecte une activit une station de travail sous-

5
Nous supposons que les processus de ralisation dactivits offerts par les partenaires du rseau sont
homologus et quune catgorisation a t faite dans ce sens. Le niveau de qualit dune activit dpend ainsi
de la catgorie du partenaire et du contexte de ralisation de lactivit.
207
charge, elle passe une dure gale sinon trs proche de la dure standard et cote
approximativement la valeur standard.
En revanche, laffectation dune activit une station de travail surcharge engendre des
cots et des dlais supplmentaires (cot largement suprieur au cot standard) en raison
d'une augmentation ponctuelle de la capacit de la station de travail (heures
supplmentaires pour la main d'uvre, un poste de nuit,). Ces cots ne sont pas
forcment linaires dans la mesure o ils dpendent de l'cart entre la charge requise par
l'activit et de la capacit disponible de la station de travail.
Considrons un partenaire intress par la ralisation d'une activit sur une ressource R
m
.
La ressource R
m
requiert de la main d'uvre polyvalente. Dans le cas o des heures
supplmentaires seraient ncessaires, alors le cot de production varie. Le Tableau 5.4
dcrit un exemple de variation de cots de production.

Niveau de charge (L
m
) L
m
<n
1
n
1
< L
m
< n
2
n
2
< L
m
< n
3

Coefficient 1.00 1.25 1.40
Tableau 5.4 Variation des coefficients de cot en fonction de la charge.
Avec : L
m
: la charge de la main duvre
n
1
: Capacit sans heures supplmentaires
n
2
: Capacit avec heures supplmentaires
n
3
: Capacit avec un poste de nuit
Ainsi, l'offre d'un partenaire pour la ralisation d'une activit est forcment contextuelle.
C'est ce qui explique qu'un partenaire peut soumettre plusieurs propositions diffrentes en
termes de cot, dlai et qualit, pour la ralisation d'une mme activit.

c. Slection des solutions non domines
Les propositions des partenaires sont agrges sous forme du graphe de ralisation tendu
produit /acteur (GREPA). On a opt pour un modle mathmatique objectifs multiples
pour la premire tape de la dmarche d'optimisation, et ce pour les raisons suivantes :
(1) La programmation mathmatique objectifs multiples permet au dcideur de
prendre en compte plusieurs critres la fois.
208
(2) La programmation mathmatique objectifs multiples n'exige pas la normalisation
des critres d'optimisation car on n'agrge pas les critres en une seule fonction
objectif. Chaque critre sera exprim en fonction de son unit de mesure.
(3) La programmation mathmatique objectifs multiples fournit au dcideur un
ensemble de solutions satisfaisantes et non domines.
Le modle analytique propos pour la modlisation de l'tape 1 de la dmarche
d'optimisation est rcapitul la section 3 (Modle analytique).

2.3.2 Etape 2 : Prise en compte des objectifs long-terme
La deuxime tape de la dmarche d'optimisation traduit le fait que l'entreprise rseau suit
une dmarche de progression et que l'amlioration de ses performances futures (objectif
long terme) passe par le dveloppement de ses comptences.

Le rseau doit donc concevoir une politique de dveloppement de comptences. Pour ce
faire, il importe de recenser les comptences et de leur accorder des priorits cohrentes
avec la dmarche de progression. Il importe galement de dfinir et mobiliser les moyens
mettre en uvre pour atteindre les objectifs viss (amlioration des performances).
Le classement des comptences par ordre de priorit se fait par l'affectation d'un poids
(coefficient de priorit) : valeur numrique entre 0 et 1 chaque comptence. Plus le poids
accord une comptence est lev, plus cette comptence est critique pour l'atteinte des
objectifs attendus.

a. Procdure pour dterminer les coefficients de priorit
Le classement des comptences par ordre dimportance est une dcision qui concerne tout
le rseau. Par consquent, elle doit faire intervenir tous les partenaires du rseau qui
expriment individuellement leurs prfrences par rapport la politique de dveloppement
de comptence. Lagrgation de ces prfrences individuelles gnre les prfrences du
rseau (en dautres termes du groupe de partenaires). La question qui se pose dsormais est
la suivante : comment assurer une expression rationnelle des prfrences individuelles ?
Comment agrger les prfrences individuelles en prfrence de groupe ?

209
En effet, la mthode AHP de groupe (Group Analytic Hierarchy Process) savre dun
grand apport ([Saaty 1980], [Peniwati 1996]). Dabord elle assure une vrification de la
cohrence des jugements individuels. Par ailleurs, elle permet une agrgation des
prfrences individuelles en prfrences de groupe tout en tenant compte de la nature du
groupe (groupe cohsif , groupe ayant des systmes de valeurs diffrents comme dans le
cas dun vote). Les principes de la mthode AHP ont t prsents au chapitre 3 de ce
rapport. Le paragraphe suivant est donc consacr aux principes dagrgation des
prfrences selon la mthode AHP de groupe.

b. Agrgation des prfrences selon la mthode AHP de groupe
Comme mentionn au chapitre 3, lapplication de la mthode AHP exige une reprsentation
hirarchique des critres (pour ce cas les critres sont les comptences). Chaque niveau
hirarchique exige une comparaison par paire des critres selon une chelle recommande
par Saaty (1/9, 1/8, ., , 1, 2, ., 9). Une matrice de comparaison est ainsi construite.
Cette procdure est applique par tous les partenaires pour traduire leurs prfrences
individuellement, on obtient ainsi p matrices {A
1
, A
2
, , A
p
}. La synthse des prfrences
individuelles en prfrence de groupe se fait selon les deux manires suivantes, et ce en
fonction de la nature du groupe.

(1) Mthode 1 : Agrgation des jugements individuels : elle sapplique un groupe
cohsif cest dire que ses membres ont des prfrences trs semblables de
faon ce quils puissent tre considrs comme une seule entit. Les prfrences
individuelles reprsentes par les matrices {A
1
, A
2
, , A
p
} seront combines en
une matrice commune A
G
et puis un seul vecteur de priorit est dtermin pour le
groupe (ce vecteur de priorit {W
G
}est le vecteur propre normalis correspondant
la plus grande valeur propre de la matrice A
G
). La mthode dagrgation des
jugements individuels est explicite en annexe G.
(2) Mthode 2 : Agrgation des priorits individuelles : elle sapplique un groupe
o les membres expriment leurs prfrences tout en ayant des systmes de valeurs
diffrents. Dans ce cas, on est plutt concern par le vecteur de priorit exprim par
chaque individu. Le vecteur de priorit W
i
dun individu i est le vecteur propre
210
normalis associ la valeur propre maximale de la matrice de comparaison de cet
individu. Les priorits individuelles {W
1
, W
2
, , W
p
}sont combines en un vecteur
de priorit de groupe {W
G
}. La mthode dagrgation des prfrences individuelles
est explicite en annexe G.

Lapplication de lune des mthodes nexclue pas lapplication de lautre mthode par le
mme groupe condition que les contextes dapplication soit diffrents. Il est clair quun
mme groupe de partenaires pourrait tre cohsifs vis--vis de certains projets, et avoir
plusieurs systmes de valeurs vis--vis dautres projets.

c. Evaluation finale des propositions
A ce stade de la dmarche doptimisation, les prfrences des partenaires vis--vis de la
politique de dveloppement des comptences ont t exprimes et combines en
prfrences de groupe. Ainsi, pour chaque comptence recense, on dispose dun poids qui
traduit son importance pour le rseau de partenaires.
La configuration optimale du rseau sera dtermine en calculant des scores qui traduisent
lapport de chaque solution non domine (voir tape 1) au dveloppement des comptences
du rseau. Les scores sont calculs en utilisant la mthode de la somme pondre
(Weighted Point Method). Le score enregistr par une solution reprsente lamlioration
prvisionnelle des comptences du rseau. Il est dtermin selon lexpression suivante :


+
=
k m k i m k i
actual
jk
futur
jk
k G
j i
I D
e - e
( Score ) *
, , , ,
,

o,
futur
jk
e est le niveau dexpertise que le partenaire P
j
souhaiterait atteindre pour la
comptence C
k
, et
actuel
jk
e son niveau dexpertise actuel.

La configuration optimale du rseau correspond la solution non domine (voir tape 1)
ayant le score le plus lev.



211
Remarques :
(1) La faon de calculer les scores des solutions non domines dpend de lobjectif du
rseau. Lexpression ci-dessus favorise le choix de la solution ayant le plus grand
cart en terme de niveau dexpertise entre la situation actuelle et la situation future.
Donc, les partenaires ayant un niveau dexpertise maximum ne sont pas choisis en
priorit puisque lcart entre leur niveau dexpertise actuel et futur est nul.
(2) Dans le cas o le rseau souhaiterait maximiser le niveau dexpertise global relatif
une solution et non pas lcart entre la situation actuelle et future, alors ce sont les
partenaires les plus performants qui seront choisis en premier. Donc, ceux qui ne
sont pas assez comptents nauront pas loccasion de dcrocher des offres. Dans ce
cas, lexpression scrit comme suit :

=
k
futur
jk k G
j i
e Score *
,

(3) Nous remarquons bien que lexpression du score ne prend pas en compte
lacquisition de comptence par formation. En effet, ce choix est d au fait que la
formation se fait en dehors du cadre de la rponse un appel doffre. Toutefois,
nous supposons quun partenaire ne peut voir son niveau dexpertise voluer au
niveau suivant que si toutes les formations ncessaires sont effectues.

3. Modle Analytique de Base : (modle 1 : Mono-produit,
capacits infinies, pas de partage d'activits)
3.1 Hypothses
(1) Un partenaire du rseau peut proposer une ou plusieurs offres pour la ralisation
dune mme activit.
(2) Une offre ne concerne quune et une seule activit (contrainte au niveau du modle
analytique de base uniquement).
(3) Une activit ne peut tre ralise que par un et un seul partenaire.
(4) Le niveau de qualit requis pour le produit est impos par le client. Il est traduit par
le rseau dentreprise en des niveaux de qualit requis au niveau des activits.
212
(5) La date de livraison du produit est impose par le client.
(6) Une comptence peut tre requise par plusieurs activits.
(7) On se propose dtudier les critres cot total et niveau de qualit total du produit.
(8) La proposition dun partenaire pour la ralisation dune activit comprend les
informations suivantes
Date de dbut
Dure de ralisation
Cot de la proposition
Niveau de qualit

3.2 Donnes du problme
DD Date de livraison requise pour le produit.
QL
i
Niveau de qualit requis par l'activit i.
ST
rij
Date de dbut propose dans l'offre r du partenaire j pour raliser l'activit i.
D
rij
Dure de ralisation propose par l'offre r du partenaire j pour raliser l'activit i.
C
rij
Cot de l'offre r propose par le partenaire j pour raliser l'activit i.
C
i
Cot total de l'activit i.
Q
rij
Niveau de qualit de l'offre r propose par le partenaire j pour raliser l'activit i.
N Nombre total des activits Indice de la dernire activit du processus.
AC
i1,i2
Cot standard des activits additionnelles qui pourraient tre gnres entre les
activits i
1
et i
2

C
i1,i2
Cot des activits additionnelles gnres entre les activits i
1
et i
2

I Ensemble de toutes les activits
J Ensemble des tous les partenaires
r Indice qui se rfre aux offres des partenaires.

3.3 Les variables de dcision
b
rij
Variable binaire :
b
rij
= 1 si l'offre r propose par le partenaire j pour raliser l'activit i est
213
slectionne.
b
rij
= 0 sinon
ST
i
Date de dbut de la ralisation de l'activit i.
D
i
Dure de l'offre slectionne pour raliser l'activit i.
D Date de fin de ralisation du produit.
Q
i
Niveau de qualit port par l'activit i.
C Cot total du produit.
TQL Niveau de qualit du produit.

3.4 Le modle

=
=

=
=
N
i
i
N
i
i
Q TQL Max
C C Min
1
1


Sujet :

D ST ST
i i
m + I i I, m i, m i s f (*)
(5.1)
DD D ST
N N
+
(5.2)
i i
QL Q
I i (5.3)

=
j
rij rij
r
i
b ST ST *

I i

(5.4)
b D D
j
rij rij
r
i

= *

I i

(5.5)

=
j
rij rij
r
i
b Q Q *

I i

(5.6)

=
j
rij rij
r
i
b C C *

I i

(5.7)
214
1 b
j
rij
r
=



I i

(5.8)
N N
D ST D + =
(5.9)
b b AC C
j i r
r
j i r i i
j j r
i i
1 2 21 2
2
1 1 1 2
1 2 1
.
,
2 , 1
=
2 1 2 1
j j , i i
i
1
et i
2
tant deux activits
successives.
(5.10)

= = =
+ =
N
1 i1
N
i
i2 i1,
N
i
C Ci C
1 2 1

(5.11)
(*) ( : i mf m est une activit ralise imprativement aprs l'activit i.)

Les fonctions objectifs traitent de la minimisation du cot total du produit et de la
maximisation de son niveau total de qualit.
La contrainte (5.1) assure le respect de l'antriorit entre activits. La contrainte (5.2)
assure le respect de la date de livraison. La contrainte (5.3) assure le respect de la qualit
requise pour toute activit. Les contraintes (5.4), (5.5), (5.6) et (5.7) dterminent
respectivement la date de dbut de traitement, la dure de traitement, le niveau de qualit et
le cot de chaque activit. La contrainte (5.8) assure qu'une activit est traite par une seule
offre. La relation (5.9) dtermine la date de disponibilit du produit. La relation (5.10)
dtermine le cot des activits additionnelles de transport et de coordination gnres suite
laffectation des offres aux partenaires (Figure 5.8). La relation (5.11) calcule le cot total
qui est la somme des activits de production et des activits de transport et de coordination.
Hormis la relation (5.10), toutes les contraintes du modle sont linaires. Pour faciliter le
traitement de ce programme mathmatique, nous procdons la linarisation de la relation
(5.10) et ce selon la mthode suivante.

Figure 5.8 Gnration automatique des activits additionnelles
i
1

j
1

i
2

j
2


2 1
2 1
J J
i i
T

b
r1, i1, j1
b
r2, i2, j2

C
i1, i2
= ?
215
On introduit la variable binaire Y
r1,r2, i1,i2,j1,j2
pour remplacer le terme b
r1, i1, j1*
b
r2, i2, j2
de
lquation (5.10). On ajoute la contrainte Y
r1,r2, i1,i2,j1,j2
b
r1, i1, j1
+ b
r2, i2, j2
1. Ces deux
conditions assurent la linarisation du problme. Le tableau suivant explique comment les
deux conditions sur Y
r1,r2, i1,i2,j1,j2
permettent la variable de remplacer le terme b
r1, i1, j1*
b
r2,
i2, j2
.
b
r1, i1, j1
b
r2, i2, j2
Y
r1,r2, i1,i2,j1,j2

1. 0
0 0
Y
r1,r2, i1,i2,j1,j2
{0, 1}, et Y
r1,r2, i1,i2,j1,j2
1, cest la minimisation du cot
au niveau de la fonction objectif qui impose Y
r1,r2, i1,i2,j1,j2
de prendre la
valeur 0.
2. 0
0 1
Y
r1,r2, i1,i2,j1,j2
{0, 1}, et Y
r1,r2, i1,i2,j1,j2
0, cest la minimisation du cot au
niveau de la fonction objectif qui impose Y
r1,r2, i1,i2,j1,j2
de prendre la
valeur 0.
3. 0
1 0
Y
r1,r2, i1,i2,j1,j2
{0, 1}, et Y
r1,r2, i1,i2,j1,j2
0, cest la minimisation du cot au
niveau de la fonction objectif qui impose Y
r1,r2, i1,i2,j1,j2
de prendre la
valeur 0.
4. 1
1 1
Y
r1,r2, i1,i2,j1,j2
{0, 1}, et Y
r1,r2, i1,i2,j1,j2
1, donc Y
r1,r2, i1,i2,j1,j2
=1.

Ainsi, la relation (5.10) sera remplace par les relations (5.10) et (5.10) dfinies par :
Y AC C
r
j2 j1, i2, i1, r2, r1,
i i
j j r
i i
1

=
2
2
1 2 1
.
,
2 , 1

2 1 2 1
j j , i i
i
1
et i
2
tant deux activits
successives.
(5.10)
Y
r1,r2, i1,i2,j1,j2
{0, 1}. (5.10)

Le modle propos est un problme mathmatique objectifs multiples. Aprs ladaptation
de la relation (5.10), toutes les contraintes sont devenues linaires. Le modle suivant est
donc un programme linaire avec variables binaires.
216

3.5 Autres formulations du problme
3.5.1 Goal Programming
La formulation du problme laide du Goal Programming exige de fixer un but (goal) g
l

pour chaque objectif l.
Soit

+
1
et

1

les carts positif et ngatif par rapport lobjectif g
1
(cot),

+
2
et

2

les
carts positif et ngatif par rapport lobjectif g
2
(la qualit).
Soit {S} le systme de contraintes {(5.1), (5.2), ., (5.9)} du modle prcdent.
Alors la formulation du problme trait au paragraphe 3 en un modle de Goal
Programming Standard (voir chapitre 3) est la suivante :
Min

+
1
+

1
+

+
2
+

2

Sujet :
{S}
C -

+
1
+

1
= g
1

TQL -

+
2
+

2
= g
2

+
1
0;

1
0;

+
2
0;

2
0;

Dans le cas o les critres nont pas la mme importance, on affecte un poids chaque
critre. La formulation du problme devient :
Min
1
(

+
1
+

1
) +
2
(

+
2
+

2
)
Sujet :
{S}
C -

+
1
+

1
= g
1

TQL -

+
2
+

2
= g
2

+
1
0;

1
0;

+
2
0;

2
0;

217
3.5.2 Compromise Programming
Le compromise programming (CP) sarticule dans une optique de minimisation des carts
par rapport la solution idale tout en procdant une articulation a-priori des prfrences
(
j
) (voir chapitre 3). Donc, ltape qui procde la formulation du problme en CP est la
recherche de la solution idale (solution fictive ayant les meilleures valuations sur tous les
critres), la recherche de la solution anti-idale (solution fictive ayant les pires valuations
sur tous les critres) et la pondration des critres. La solution idale est dtermine en
rsolvant le problme n fois (n tant le nombre de critres), chaque fois, la fonction
objectif optimise un seul critre. On applique le mme principe pour dterminer la solution
anti-idale (si le critre est un critre de minimisation comme le cot par exemple,
lvaluation anti-idale de ce problme sera dtermine en formulant le problme avec une
fonction objectif qui maximise ce critre cot). La pondration des critres se fait en
appliquant la mthode AHP par exemple.
Les valuations des solutions idales et anti-idale du problme de base sont rcapitules
aux ci-dessous.

Critres Solution idale Solution anti-idale
Cot (C) 840 900
Niveau de Qualit (TQL) 14 12
Tableau 5.5 Solutions idale et anti-idale du problme

Soit w1 et w2 les pondrations des critres cot et niveau de qualit du problme de base.
La formulation du problme trait au paragraphe 3 en un modle de Compromise
Programming est la suivante
Min
1
* (840 - C)/(840 - 900) +
2
*(14-TQL)/(14-12);
Sujet :
{S}

1
+
2
= 1

1
0 ;
2
0

La rsolution de ce modle pour
1
= 0.50 est prsente en annexe H.

218
3.5.3 La mthode de la somme pondre
Il sagit dassocier un poids chaque critre puis agrger tous les critres en une fonction
objectif. Or souvent les critres tudis nont pas la mme unit de mesure. Donc, pour que
la fonction objectif ait un sens, il faut procder une normalisation des critres. Dans cet
exemple, on a choisit de normaliser les critres (cot, niveau de qualit) en procdant la
division du critre par sa meilleure valuation. La formulation du problme sous la forme
dune somme pondre est la suivante :

Min
1
*
840
C
+
2
*
14
TQL
;
Sujet :
{S}

1
+
2
= 1

1
0 ;
2
0

1
et
2
tant les poids associs aux critres 1 (cot) et 2 (niveau de qualit).
Nous trouvons une synthse des techniques de normalisation dans [Tamiz et al., 1998].

4. Cas d'Etude
Le cas d'illustration est inspir d'un cas rel d'un rseau regroupant 7 entreprises de la
rgion Rhne-alpes. Ces entreprises sont spcialises en industrie mcanique. Elles se sont
regroupes en 1995 dans le but d'augmenter le volume des ventes et d'avoir une taille
critique permettant d'accder de nouveaux marchs.
Dans le modle simplifi, on considre 3 acteurs parmi les 7 mentionns : M1 et M2
(ingnierie mcanique) et M3 (chaudronnier). Ces trois partenaires sont complmentaires
pour certaines activits et sont concurrents pour d'autres.

4.1 Carte technologique du produit (CT)
4.1.1 Graphe de ralisation du produit (GRP)
La commande satisfaire concerne le produit dont le graphe de ralisation est le suivant.
219

Figure 5.9 Graphe de ralisation du produit objet de ltude

4.1.2 Table des activits /comptences (TAC)
La correspondance entre les activits de ralisation du produit et les comptences qui leur
sont requises est rcapitul la table activits/comptences prsente ci-dessous.

Tableau 5.6 Table des activits / comptences du produit objet de ltude

Activits Comptences requises
1 Approvisionner (P) C1 Planification
C2 Ngociation
C3 Matrise des dmarches auprs de la douane
2 Piloter la sous-traitance (SC) C4 Savoir-faire technique
C2 Ngocier
3 Usiner (M) C5 Tournage
C6 Dimensionnement
C7 Interprtation des schmas de conception
4 Assembler (A) C8 Assemblage
5 Livrer (D) C1 Planification
C3 Matrises des dmarches auprs de la douane
&
SC
A
D & P
M
220
4.2 Carte des comptences du rseau (CC)
Dans ce prsent cas dtude, nous supposons que lapprentissage ne se fait que par
ralisation. La carte des comptences du rseau est la suivante
Partenaire M1
Comptence C1 C1 C2 C2 C3 C3 C4 C8
Activit P D P SC P D SC A
Ressource R1 R2 R3 R4 R5 R6 R7 R8
Niveau dexpertise e
1,1
= 3 e
1,2
= 2 e
1,3
= 3 e
1,4
= 2 e
1,8
= 4
Poids des comptences
1,1
= 0.2
1,2
= 0.3
1,3
= 0.1
1,4
= 0.2
1,8
= 0.2
Nombre de Ralisation 4 4 3 0 5 0 5 0
Nombre dinteractions 0 0 0 0 0 0 0 0

Partenaire M2
Comptence C1 C1 C2 C3 C3 C8
Activit P D P P D A
Ressource R9 R10 R11 R12 R13 R14
Niveau dexpertise e
2,1
= 3 e
2,2
= 2 e
2,3
= 2 e
2,8
= 3
Poids des comptences
2,1
=0.4
2,2
= 0.2
2,3
= 0.3
2,8
= 0.1
Nombre de Ralisation 3 5 0 1 2 4
Nombre dinteractions 0 0 0 0 0 0

Partenaire B3
Comptence C5 C6 C7
Activit M M M
Ressource R15 R16 R17 R18
Niveau dexpertise e
3,5
= 3 e
3,6
= 3 e
3,7
= 4
Poids des comptences
3,5
= 0.4
3,6
= 0.4
3,7
= 0.2
Nombre de Ralisation 10 20 5 0
Nombre dinteractions 0 0 0 0
Tableau 5.7 Carte des comptences du rseau
221

4.3 Graphe de ralisation Produit / Acteur (GRPA)
Le GRPA est conu suite la soumission de propositions de la part des partenaires du
rseau. Les propositions doivent satisfaire des contraintes comme les dates de dbut au plus
tt et de fin au plus tard ainsi que le niveau de qualit requis par chaque activit (voir
paragraphe 2.3.1. Prise en compte des objectifs court terme).
Les contraintes exiges pour chaque activit sont rcapitules au Tableau 5.8.

Activit P SC M A D
Dure de ralisation moyenne (jours) 5 1 3 2 1
Date de dbut au plus tt 0 6 6 10 13
Date de fin au plus tard 6 13 10 13 15
Niveau de qualit requis Q1 Q2 Q1 Q2 Q2
Tableau 5.8 Contraintes exiges pour la ralisation des activits

Les offres proposes par les partenaires du rseau sont les suivantes.
Partenaire M1 M2 M3
Activit P P SC A D P A D M M
Offre (b
r,i,j
) b
1,1,1
b
2,1,1
b
1,2,1
b
1,4,1
b
1,5,1
b
1,1,2
b
1,4,2
b
1,5,2
b
1,3,3
b
2,3,3

Date de Dbut
(ST
r,i,j
)
0 0 7 10 13 1 10 13 6 7
Dure (D
r,i,j
) 5 6 2 3 1 6 2 1 3 3
Cot (C
r,i,j
) 300 280 200 100 50 310 120 40 220 220
Niveau de
Qualit (Q
r,i,j
)
Q1
( 3 )
Q1
( 3 )
Q2
( 2 )
Q2
( 2 )
Q1
( 3 )
Q1
( 3 )
Q1
( 3 )
Q2
( 2 )
Q1
( 3 )
Q1
( 3 )
Tableau 5.9 Propositions des partenaires
Notons quafin de prendre en compte les contraintes relatives aux niveaux de qualit, on a
transform lchelle ordinale des niveaux de qualit (Q1 f Q2 f Q3 : le niveau Q1 est
meilleur que Q2, et Q2 et meilleur que Q3) en une chelle cardinale ( Q1 on associe la
note 3, Q2 la note 2 et Q3 la note 1).
222
La soumission doffres de la part des partenaires du rseau permet de construire le GRPA.
Figure 5.10 Graphe de ralisation Produit / Acteur
5. Rsultats
5.1 Slection des solutions non domines
Les solutions non domines de ce problme ont t dtermines en procdant en deux
phases :
(1) Agrgation des objectifs (cot, qualit) en une seule fonction objectif et affectation
dun poids au cot et un poids (1 ) la qualit. On fait varier le coefficient
dans lintervalle [0,1] de faon dterminer toutes les solutions possibles du
problme. La fonction objectif scrit comme suit
Minimiser * Cot (1- )*TQL
(2) On dtermine lensemble des solutions non domines (ensemble des solutions
efficaces) en se basant sur les deux dfinitions ci-aprs en thorie de la dcision.
Soit A lensemble des actions dun problme et G = { g
1
(x), g
2
(x), g
n
(x) }une
famille de critres.
Dfinition 1 : Une action a A est efficace si et seulement si aucune action
de A ne la domine.
Dfinition 2 : tant donns deux actions a et b appartenant A, on dit que a
domine b si et seulement :
g
j
(a) g
j
(b), j = 1, 2, , n
et k {1, 2, ., n} / g
k
(a) > g
k
(b)
[Vincke 1989]

X
P
P
P
SC

X
M
M

X
A
A

&

X
D
D
M1
M1
M2
M1
B3
B3
M1
M2
M1
M2
223
Dans le contexte dun programme mathmatique objectifs multiples,
lensemble A des actions (voir dfinitions ci-dessus) du problme reprsente
lensemble des solutions ralisables.

Nous avons opt pour cette mthode en deux tapes pour dterminer lensemble des
solutions non domines car il ny a aucune mthode mathmatique qui permet de
dterminer lensemble des solutions non domines dans un programme linaire avec
variables entires.
Il importe de noter que ltape 1 de la procdure dcrite ci-dessus a t ralise de deux
faons diffrentes. La premire est celle dcrite ci-haut et qui consiste faire des
simulations en faisant varier le paramtre . La seconde mthode consiste faire une
recherche exploratoire dans le domaine des solutions. Cette faon de faire a pu tre
applique grce la structure particulire du problme (un problme avec variables
binaires). Puisque les variables ne prennent que deux valeurs possibles 0 ou 1, alors nous
avons conu un programme qui permet de parcourir toutes les combinaisons de variables et
de vrifier la faisabilit du problme. Ce programme a t dvelopp en utilisant loutil
ILOG bas sur le langage Visual C++.
Le programme ainsi que les solutions ralisables sont rcapituls en annexe H.
Les solutions possibles (alternatives) du cas dtude sont rcapitules au Tableau 5.10.

Alternatives
Offres 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
b
1,1,1
1 0 0 1 0 1 0 0 1 0 1 0 0 1 0 1 0 0 1 0
b
2,1,1
0 1 0 0 1 0 1 0 0 1 0 1 0 0 1 0 1 0 0 1
P
b
1,1,2
0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0
SC b
1,2,1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
b
1,3,3
1 1 1 0 0 1 1 1 0 0 1 1 1 0 0 1 1 1 0 0 M
b
2,3,3
0 0 0 1 1 0 0 0 1 1 0 0 0 1 1 0 0 0 1 1
b
1,4,1
1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 A
b
1,4,2
0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1
b
1,5,1
1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 D
b
1,5,2
0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1
TQL 13 13 13 13 13 14 14 14 14 14 12 12 12 12 12 13 13 13 13 13
Cot 870 850 880 870 850 890 870 900 890 870 860 840 870 860 840 880 860 890 880 860
Tableau 5.10 Ensemble des solutions possibles (ralisables)
224

Les proprits des solutions non domines sont rcapitules ci aprs.
Alternative 2 5 7 10 12 15
TQL 13 13 14 14 12 12
Cot 850 850 870 870 840 840
Activit Partenaire Offre Partenaire Offre Partenaire Offre Partenaire Offre Partenaire Offre Partenaire Offre
P (1) M1 2 M1 2 M1 2 M1 2 M1 2 M1 2
SC (2) M1 1 M1 1 M1 1 M1 1 M1 1 M1 1
M (3) M3 1 M3 2 M3 1 M3 2 M3 1 M3 2
A (4) M1 1 M1 1 M2 1 M2 1 M1 1 M1 1
Allocation
des
activits


D (5) M1 1 M1 1 M1 1 M1 1 M2 1 M2 1

Tableau 5.11 Caractristiques des solutions non domines

Figure 5.11 Ensemble des solutions admissibles et des solutions non domines
Les solutions ralisables et les solutions non domines ont t reprsentes au graphe
suivant. Les nombres entre crochets traduisent le nombre de solutions ayant des cots et des
niveaux de qualit identiques.

5.2 Configuration optimale du rseau
Les priorits des comptences dtermines aprs agrgation des prfrences des partenaires
du rseau sont rcapitules dans le Tableau 5.12 :


225
Comptence C1 C2 C3 C4 C5 C6 C7 C8
Priorit (
G,k
) 0.20 0.12 0.11 0.02 0.18 0.11 0.09 0.17
Tableau 5.12 Vecteur de priorit des comptences

Les solutions non domines dtermines au paragraphe prcdent ont t values selon le
critre de dveloppement de comptence. Les scores obtenus sont rcapituls au Tableau
5.13. C'est la solution 12 qui a traduit la configuration optimale.

Alternative 2 5 7 10 12 15
Score 0.16 0.15 0.20 0.19 0.23 0.22
Tableau 5.13 Scores des solutions non domines
N.B : le tableau de calcul des scores des solutions non domines est prsent en annexe I.
Les scores peuvent tre plus ou moins proches et ce selon le cas dtude (exemple : lcart
des scores des alternatives 12 et 15 est 0.01 seulement, donc lalternative 15 est
% 4 100 *
23 . 0
0.22 - 23 . 0
=
seulement de la meilleure solution). Lcart entre le score dune
alternative et celui de la meilleure alternative traduit la qualit relative (par rapport la
meilleure alternative) de lalternative tudie vis vis de la politique de dveloppement de
comptence.

6. Extensions du modle de base
Le modle de base concerne l'affectation des activits d'une commande aux partenaires. La
commande concerne un seul produit dont les activits de ralisation ne peuvent tre
partages par les partenaires. Par ailleurs, on ne tient compte que d'un mode de
dveloppement de comptences : le dveloppement par ralisation.
Dans ce prsent paragraphe, on propose plusieurs extensions du modle de base pour quil
traduise mieux la ralit.

226
6.1 Modle 2 : Mono-produit, Partage d'activits, capacits finies, pas de
chevauchement
Dans ce modle, on considre que les activits peuvent tre partages par les partenaires.
Toutefois, on interdit le chevauchement entre activits : si l'activit n doit tre ralise
imprativement aprs l'activit m, alors il faut que tous les partenaires chargs de raliser
l'activit m terminent pour qu'on puisse entamer la ralisation de l'activit n.
Dans le modle prsent, on autorise le partage d'activit par les partenaires. Pour traiter
cette caractristique, on introduit la quantit requise par activit : posons S
i
la quantit
requise par l'activit i.
Par ailleurs, dans un souci de reprsentation proche de la ralit, on associe chaque
partenaire j une capacit minimale ( j V ) et une capacit maximale ( j V ).
Notons que les attributs d'une offre sont les suivants : Date de dbut, Date de fin, Cot,
Niveau de qualit, Capacit minimale, Capacit maximale.

6.1.1 Donnes du problme
DF
rij
Date de fin propose dans l'offre r du partenaire j pour raliser l'activit i.
DF
i
Date de fin de ralisation de l'activit i.
CU
rij
Cot unitaire propos dans l'offre r du partenaire j pour raliser l'activit i.
S
i
Quantit requise par l'activit i.
rij V Capacit minimale propose dans l'offre r du partenaire j pour raliser l'activit i.
rij V
Capacit maximale propose dans l'offre r du partenaire j pour raliser l'activit i.
M Grand nombre servant activer / dsactiver une contrainte sur des dates.
*** Les autres paramtres utiliss dans ce modle ont des dfinitions identiques celles
du modle 1.

6.1.2 Les variables de dcision
b
rij
Variable binaire :
b
rij
= 1 si l'offre r propose par le partenaire j pour raliser l'activit i est
227
slectionne.
b
rij
= 0 sinon
ST
i
Date de dbut de la ralisation de l'activit i.
D Date de fin de ralisation du produit.
Q
i
Niveau de qualit port par l'activit i.
C Cot total du produit.
TQL Niveau de qualit du produit.
DF
i
Date de fin de ralisation de l'activit i.
X
rij
Quantit de l'activit i ralise selon les conditions de l'offre r du partenaire j

6.1.3 Le modle
La formulation mathmatique est la suivante :

=
=

=
=
N
i
i
N
i
i
Q TQL Max
C C Min
1
1


Sujet :

DF ST
i
m
i m si f
I i I m ,
(*) (5.12)
DD DF
N

(5.13)
) b - 1 ( M b ST ST rij rij rij i +

r J j I i , , (5.14)
) b - 1 ( M - b DF DF rij rij rij i r J j I i , , (5.15)
1 brij
r


J j I i , (5.16)
i rij
r J j
S X =

I i (5.17)
rij rij rij rij rij b V X b V
r J j I i , , (5.18)
i
r
i
rij
rij rij
J j
i
QL ]
S
X
b Q [ Q

*


I i

(5.19)
228

=
r
rij rij
J j
i
X CU C *

I i

(5.20)
(*) ( : i mf m est une activit ralise immdiatement aprs l'activit i.)

La contrainte (5.12) assure le respect de l'antriorit entre les activits. La contrainte (5.13)
assure le respect de la date de livraison du produit. La contrainte (5.16) assure qu'un
partenaire ne peut pas tre slectionn plus d'une fois pour raliser une activit donne (une
seule offre au maximum par activit). La contrainte (5.17) assure le respect des quantits
ralises pour chaque activit. La contrainte (5.18) assure le respect des capacits
minimales et maximales pour chaque offre slectionne. La contrainte (5.20) permet de
dterminer le cot de chaque activit.
Les contraintes (5.14) et (5.15) ont une forme particulire due la prsence du grand
nombre M. La contrainte (5.14) permet de dterminer les dates de dbut de chaque activit.
La contrainte (5.15) permet de dterminer la date de fin de chaque activit.
On raisonne sur la contrainte (5.14) pour montrer comment elle fonctionne et on procde
par analogie pour comprendre la contrainte (5.15).
L'objectif de la contrainte (5.14) est de dterminer une borne pour la date de dbut de
chaque activit. Evidemment, la borne n'est dtermine qu'en fonction des offres
slectionnes. Donc, une contrainte (5.14) n'est active que pour une offre slectionne.
L'exemple suivant permet de mieux expliciter le fonctionnement de la contrainte (5.14).
Exemple (0) :
b
1m1
= 1, alors (5.14) ST
m
ST
1m1
(Contrainte active)
b
1m2
= 0, alors (5.14) ST
m
M (Contrainte inactive)


Figure 5.12 Exemple explicatif des contraintes actives et passives
Activit m Activit n
n f m
Dbut m
ST
m

Fin n
DF
n

temps
Fin m
DF
m

Dbut n
ST
n

b
1m1
= 1
b
1m2
= 0
b
2m2
= 1 b
1n3
= 0
b
1n1
= 1
b
1n2
= 1
ST
1m1

DF
1m1

229

6.2 Modle 3 : prise en compte de lapprentissage par interaction
Dans ce paragraphe, nous nous limitons la modlisation de la contrainte permettant la
prise en compte de lapprentissage par interactions.
Nous considrons que lapprentissage par interaction peut se faire de deux faons
diffrentes. La premire est que les interactions entre partenaires se font en dehors des dates
de ralisation dune commande. Dans ce cas, il suffit que les deux partenaires se mettent
daccord sur une date commune et un planning prcis pour assurer une telle interaction (par
exemple, il suffit quun partenaire se dplace chez un autre partenaire pour lassister
promouvoir ses comptences).
Dans le cas o linteraction doit se faire pendant les dates de ralisation dune commande,
une faon de faire est dimposer au pralable une condition qui consiste dire : si le
partenaire J
1
est choisi pour raliser lactivit i
1
par exemple, alors il est impratif que le
partenaire J
2
soit slectionn pour une telle activit (cette condition suppose que le rseau
connat lavance le partenaire qui doit interagir avec J
1
). En tenant compte des paramtres
de notre problme, cette deuxime faon de faire se modlise comme suit :
Pour i = i
1
, 2 , 1 , 1 , 1 , j i r
r
j i r
r
b b


Notons que linteraction entre partenaires pourrait se faire pendant les dates de ralisation
dune commande sans que cela impose aux deux partenaires de partager la ralisation de
lactivit objet de linteraction. Dans ces cas, la modlisation mathmatique nest
certainement pas la meilleure faon de faire.
N.B : les contraintes relatives au respect du dlai, de la qualit, de la capacit ainsi que les
contraintes de prcdences sont identiques celle du modle 2.

6.3 Modle 4 : Modlisation doffres groupes
Il est possible que certains partenaires du rseau proposent des offres groupes pour raliser
un certain nombre dactivits. Ces offres sont gnralement intressantes notamment en
termes de cot. Le cot propos pour une offre groupe est souvent infrieur la somme
des cots des deux offres indpendantes.
230
Pour modliser les offres groupes, nous traitons lexemple suivant que nous pouvons
tendre aisment. Nous supposons que cest le partenaire J
1
qui propose une offre pour la
ralisation des activits i
1
et i
2
. Nous supposons que ce partenaire prcise le niveau de
qualit relatif chaque activit, les dates de dbut et de fin, les capacits et le cot de
loffre groupe.
Notons k lindice de cette offre. Donc, la variable b
k,i1,j1
indique la slection ou non de
loffre k propose par le partenaire J
1
pour raliser lactivit i
1
.(idem pour la variable
b
k,i2,j1
).
Loffre k tant une offre groupe, alors si le partenaire J
1
ralise i
1
selon loffre k, il doit
imprativement raliser i
2
selon loffre k. De mme, si lactivit i
1
nest pas ralise selon
loffre k alors, lactivit i
2
ne doit en aucun cas tre ralise par loffre k.
Nous traduisons ces conditions par la contrainte suivante :
b
k,i1,j1
= b
k,i2,j1


Ainsi, nous scindons loffre groupe en offres distinctes et on assure grce la contrainte
ci-dessus que loffre est effectivement groupe.
Nous pouvons facilement constater que cette faon de modliser peut tre tendue des
offres regroupant plus de deux contraintes. Elle peut mme tre tendue des offres
groupes proposes par des partenaires distincts (plusieurs partenaires se regroupent pour
proposer une offre groupe concernant plusieurs activits).

7. Conclusion
Dans ce chapitre, nous avons propos une procdure pour la rpartition des ordres entre les
diffrents partenaires dun rseau dentreprises. Cette procdure prend en considration les
objectifs court-terme ainsi que les objectifs long-terme du rseau. Elle sappuie sur un
ensemble de concepts comme la carte technologique du produit, la carte des comptence du
rseau et se droule en deux tapes. La premire tape consiste modliser le problme
sous forme dun programme mathmatique objectifs multiples dont la rsolution gnre
des solutions juges assez bonnes sur les critres de satisfaction du client (cot, le dlai, la
qualit.). La deuxime tape part des bonnes solutions de ltape 1 pour en slectionner
231
une et une seule solution : celle qui favorise le plus le dveloppement des comptences du
rseau.
Nous avons galement donn les lignes directrices pour que les politiques de
dveloppement de comptence des partenaires du rseau soient intgres de faon
dmocratique en une politique globale pour tout le rseau. Pour se faire, nous avons
suggr lutilisation de la mthode AHP de groupe.
Ensuite, nous avons appliqu la procdure propose un cas dtude et nous avons prsent
les rsultats obtenus. Enfin, nous avons propos des extensions du modle mathmatique de
base prsent ltape 1 de la procdure pour prendre en compte des situations diverses
comme les cas o les partages dactivits, les offres groupes sont permis

Dans ce chapitre, nous avons considr que toutes les informations du problme sont
dterministes, ce qui nest certainement pas le cas dans la ralit. En effet, les paramtres
de gestion dans un rseau dentreprises sont gnralement sujets des incertitudes :
incertitude sur les dlais de production, sur la qualit des produits, sur la disponibilit des
machines
Afin de prendre en compte cet aspect de la ralit, nous proposons dans le chapitre suivant
une dmarche base sur les concepts de fiabilit. Nous trouverons donc plus de dtails sur
la prise en compte de lincertitude dans le chapitre 6.



CHAPITRE 6


MODELE BASE SUR LA FIABILITE


1. Incertitude dans les dcisions de configuration dun rseau
dentreprises
Les dcisions de configuration dune chane logistique sont souvent bases sur des donnes
assujetties la variation (les dlais de livraison sont incertains, la qualit des produits est
variable, les stocks de produits sont imprcis, les taux de change qui interviennent lors de la
configuration dune chane logistique globale sont fluctuants,). De ce fait, les modles
dterministes atteignent leurs limites notamment lorsque la variabilit des donnes est
importante.

Plusieurs chercheurs se sont donc penchs sur ltude du problme stochastique de
configuration dune chane logistique. Vidal et Goetschalckx ([Vidal et Goetschalckx,
1996], [Vidal et Goetschalckx, 1997], [Vidal et Goetschalckx, 2000], [Goetschalckx 2000],
[Goetschalckx et al., 2002]) ont fait une synthse de ces travaux et ont montr que la
tendance et le dfit actuels se portent sur la considration de lincertitude dans les modles
de configuration de chanes logistiques. Les modles stochastiques sont supposs garantir
des configurations plus robustes et flexibles. Toutefois, ils exigent une grande expertise
aussi bien pour la formulation que pour la rsolution.
233
La prise en compte de lincertitude sest faite de plusieurs faons : ([Hodder et Dincer,
1986], [Cohen et Lee, 1989], [Cohen et al., 1989], [Cohen et Kleindorfer, 1993], [Vidal et
Goetschalckx, 1996], [Kouvelis 1999]) ont tudi leffet de la fluctuation des prix et des
taux de change. ([Cohen et Kleindorfer, 1993], [Anupindi et Yehuda, 1999], [Lariviere
1999]) ont trait le cas o la demande client est variable. ([Vidal et Goetschalckx, 1996],
[Frayret et al., 1999], [Mirabedini et al., 2001]) ont propos des modles intgrant la
fiabilit des fournisseurs.

Vidal et Goetschalckx prcisent que lextension des modles mathmatiques (initialement
prvus pour les cas dterministes) pour la considration de lincertitude les rend trs
complexes voire intraitables. Et que cest uniquement pour certaines contraintes
stochastiques, savoir les contraintes de fiabilit des partenaires, que les modles peuvent
tre tendus et traitables. Enfin, ils affirment quactuellement, lanalyse de sensibilit peut
tre considre comme un des meilleurs outils pour ltude de la variabilit du problme de
configuration dun rseau.

Dans le chapitre prcdent, nous avons propos une procdure pour le traitement du
problme de configuration dune chane logistique dans un rseau coopratif dentreprises.
Nous avons considr que tous les paramtres sont connus lavance et sont dterministes,
ce qui est une faon de rendre idal un environnement qui est de nature
imparfait (incertitude sur les dlais, risque de ne pas satisfaire la commande).
Dans ce chapitre, nous adoptons le concept de fiabilit pour modliser le risque et
lincertitude et tudier la robustesse de la configuration dun rseau dentreprises. Pour ce
faire, nous introduisons les notions de fiabilit a priori, fiabilit a posteriori, fiabilit
partielle et fiabilit globale dun partenaire du groupement. Nous proposons ensuite des
procdures pour dterminer les diffrentes notions de fiabilit que nous intgrons dans un
modle doptimisation mathmatique.

Enfin, nous prsentons les rsultats de lintgration de la fiabilit au cas dtude introduit
au chapitre 5.

234
2. Concepts et procdures de calcul de fiabilit
2.1 Objectifs et pertinence dun modle bas sur la fiabilit
Comme mentionn au paragraphe prcdent, le concept de fiabilit a t adopt pour
modliser lincertitude relative la dcision de configuration dun rseau dentreprises. En
effet, la pertinence dun modle bas sur le concept de fiabilit rside dans son aptitude
allouer, de faon quitable, les activits aux partenaires du rseau tout en garantissant le
respect des engagements pris par le rseau auprs du client.

Pour expliciter cette ide, nous supposons que lunit dcisionnelle au niveau du rseau
(UDR)
1
est charge de rpartir les activits aux partenaires. Cette unit dcisionnelle se
trouve linterface entre le client et le rseau lui mme. Ses dcisions doivent satisfaire, et
les souhaits des clients, et les attentes des partenaires. Elles ne doivent pas se baser
uniquement sur les soumissions des partenaires pour un appel doffre donn, mais aussi sur
les performances quils ont enregistres au fil du temps. Ce choix est d au fait quun
partenaire nest jamais parfait : cest dire quil y a toujours une ventualit de
dpassement ou de non respect des engagements pour lesquels le partenaire a contract. Par
ailleurs, la prise en compte de lhistorique des performances permet dviter
lopportunisme : on vite les cas o un partenaire soumet une proposition trs attrayante
pour dcrocher lappel doffre puis enregistre des performances mdiocres qui
compromettent la relation du rseau avec le client.

Les performances dun partenaire seront donc agrges dans le paramtre fiabilit. La
fiabilit assure une configuration plus robuste du rseau : proposition dune offre
intressante et trs crdible au client et affectation quitable des activits aux partenaires.

LUDR est charge de proposer une offre fiable au client. La fiabilit dun telle offre
dpend de la fiabilit de chacun des partenaires qui sera engag pour la raliser.

1
Dans le chapitre 1, nous avons bien prcis que pour les entreprises rseaux ayant une configuration de type
coopration, il nexiste pas de centre (entreprise pivot). Les dcisions sont assures par une unit
dcisionnelle dont les membres sont choisis de faon dmocratique parmi le personnel des diffrents
partenaires du rseau. Lunit dcisionnelle reprsente de faon quitable les partenaires du rseau.
235
Figure 6.1 Unit dcisionnelle du rseau

Afin de considrer le critre fiabilit, lUDR procde de la faon suivante :
(1) tape 1 : Estimation de la fiabilit des partenaires en se basant sur lhistorique et
le contexte de la commande (fiabilit a priori).
(2) tape 2 : Estimation de la fiabilit du rseau pour loffre objet de ltude (fiabilit
a priori du rseau)
(3) tape 3 : Affectation des activits aux partenaires.
(4) tape 4 : Evaluation des performances des partenaires aprs ralisation de la
commande
(5) tape 5 : Calcul de la fiabilit des partenaires (fiabilit a posteriori)
(6) tape 6 : Mise jour de lhistorique.

Pour assurer le bon fonctionnement de la procdure ci-dessus, il importe de concevoir une
base de donnes rassemblant les performances des partenaires. Cette base de donnes sera
exploite et mise jour toutes les fois que le rseau dentreprises est sollicit pour la
ralisation dun produit.

2.2 Dfinitions des concepts de fiabilit
Nous dfinissons la fiabilit dun partenaire comme suit :




Unit
dcisionnelle
du rseau
(UDR)

Client Partenaires du rseau
Rseau dentreprises
236
Dfinition 6.1 : Fiabilit globale dun partenaire

" La fiabilit globale
2
dun partenaire est la probabilit quil respecte ses engagements en
termes de cot, de dlai, de qualit, ou de tout autre attribut de laffaire pour laquelle il
sest engag." [Hammami et al., 2003(b)]


Le concept de fiabilit que nous avons adopt est plus large que celui introduit dans les
travaux de ([Vidal et Goetschalckx, 1996], [Frayret et al., 1999], [Mirabedini et al., 2001])
o les auteurs considrent la fiabilit comme tant la probabilit que le partenaire respecte
le dlai de livraison quil a promis son client.

Par ailleurs, nous faisons la distinction entre la fiabilit a posteriori et la fiabilit a priori
dun partenaire.

Dfinition 6.2 : Fiabilit a posteriori dun partenaire

" La fiabilit a posteriori est mesure aprs la ralisation dune affaire par le partenaire;
elle traduit les performances quil a enregistres en termes de cot, de dlai, de qualit ou
de tout autre attribut de laffaire pour laquelle il sest engag." [Hammami et al., 2003(b)]


Dfinition 6.3 : Fiabilit a priori dun partenaire

" La fiabilit a priori est une estimation de laptitude du partenaire respecter les attributs
du contrat (cot, dlai, qualit,) pour lequel il souhaiterait sengager. Elle est value
avant de conclure le contrat." [Hammami et al., 2003(b)]


Comme mentionn ci-dessus, la fiabilit globale dun partenaire est la probabilit quil
respecte ses engagements en termes de cot, de dlai, de qualit, ou de tout autre attribut de
laffaire. Ce qui sous-tend un respect simultan de tous les attributs. Pour cette raison, nous
considrons que la fiabilit dun partenaire est une agrgation de ses fiabilits partielles

2
Dans ce chapitre, nous utilisons souvent le terme fiabilit pour designer fiabilit globale.
237
relatives aux attributs. Nous dfinissons la fiabilit partielle dun partenaire par rapport un
attribut comme suit :

Dfinition 6.4 : Fiabilit partielle dun partenaire par rapport un attribut

" La fiabilit partielle dun partenaire par rapport un attribut i, est la probabilit quil
respecte les engagements quil a pris pour cet attribut " [Hammami et al., 2003(b)]


Ainsi, un partenaire, nous associons quatre types de fiabilit :
(1) Fiabilit globale a priori :
^
G
R
(2) Fiabilit globale a posteriori :
G
R
(3) Fiabilit partielle a priori (par rapport lattribut i) :
^
i
R
(4) Fiabilit partielle a posteriori (par rapport lattribut i) :
i
R
Dans le cas o le partenaire traite une affaire exigeant le respect de n attributs, la fiabilit
globale R
G
scrit :
) R ......, , R , (R f R n
2 1 G
= (6-1)
Par ailleurs, si nous retenons lhypothse que les n attributs sont indpendants, alors la
fiabilit globale du partenaire sera gale au produit des probabilits quil respecte chaque
attribut individuellement et ce comme indiqu dans la relation suivante.
i
n
i
n
2 G
R R * ........ * R * R R

=
= =
1
1
(6-2)
2.3 Procdure de calcul de la fiabilit a posteriori :
Le calcul de la fiabilit globale a posteriori exige la connaissance des fiabilits partielles R
i

ainsi que la forme de la fonction f qui les relie (voir relation (6-1)).
Dans tout ce qui suit, nous considrons que les fiabilits partielles sont deux deux
indpendantes ce qui permet dexploiter la relation (6-2).

238
2.3.1 Procdure 1.1
Une manire simple et intuitive pour dterminer la fiabilit a posteriori consiste attribuer
une fiabilit partielle gale 1 pour tout attribut de laffaire qui a t respect et une
fiabilit partielle nulle pour tout autre attribut. Le Tableau 6.1 rcapitule les performances
dun partenaire sur 4 affaires. Pour chacune des affaires, 3 attributs ont t considrs (cot,
dlai, qualit). La fiabilit a posteriori du partenaire a t de 100% pour une seule affaire
sur les 4, cest dire quil a une fiabilit moyenne de 25% seulement.
Partenaire 1 Affaire 1 Affaire 2 Affaire 3 Affaire 4
Attribut 1 : Cot 1 1 0 1
Attribut 2 : Dlai 1 1 1 0
Attribut 3 : Qualit 0 1 1 0
Fiabilit 0 1 0 0
Tableau 6.1 Mthode pour le calcul de la fiabilit a posteriori.
Cette mthode est facile et simple mettre en place. Toutefois, elle ne peut tre trs
efficace dans le monde industriel car la notion de respect des attributs dune affaire reste
relative, cest dire quun client pourrait accepter le dpassement du cot annonc par son
partenaire dans certains cas ou accepter quelques jours de retard par rapport la date de
livraison promise. Dans ces cas, le client ne considre pas que son partenaire est non fiable
mais plutt fiable 95% par exemple.

2.3.2 Procdure 1.2
Lide de relativiser la notion de fiabilit est la base de la procdure que nous proposons
ci-aprs.
La procdure consiste valuer limpact de la variation de la performance dun attribut sur
sa fiabilit partielle. Par exemple, si le partenaire fait un dpassement de 2% par rapport au
cot promis, le client considre que cela est quivalent une fiabilit de 95%. Le client est
galement appel exprimer lquivalent en fiabilit dun dpassement de 5%, de 10%, de
15% par rapport la valeur promise. On obtient ainsi, de faon constructive, limpact de
lcart en cot sur la fiabilit du partenaire (Figure 6.2). On applique le mme raisonnement
pour les autres attributs. Toutes les fois quon tudie limpact de la variation dun attribut
239
sur la fiabilit, on considre que tous les autres attributs sont parfaits cest dire ayant des
fiabilits partielles de 100%.

Figure 6.2 Variation de fiabilit partielle vis--vis du critre cot.

On trace les mmes courbes pour les autres attributs.

Aprs ralisation de la commande, on mesure la performance enregistre par le partenaire,
et on reporte les variations de chaque attribut par rapport ses promesses. Ceci permet de
dterminer les fiabilits partielles enregistres par le partenaire et par consquent sa fiabilit
globale.

Donc, comme indiqu sur la Figure 6.3, si les attributs de la commande sont le cot, la
qualit et le dlai, et si les fiabilits partielles taient respectivement de 98%, 99% et 99%
alors la fiabilit globale est
dlai qualit G
R R R R * *
cot
= = 0.98*0.99*0.99 = 96%.

La tche la plus complique dans cette procdure est la construction des courbes de
fiabilits partielles. Pour ce faire, nous suggrons de choisir une des mthodes suivantes et
ce selon lexpression des prfrences du client vis--vis dun attribut.





Fiabilit
Ecart par rapport
au cot promis
-10% 20% 10% 5%
0
1
240

Figure 6.3 Fiabilit a posteriori dun partenaire
3
.

a. La mthode directe
le client exprime directement ses prfrences en construisant les courbes de fiabilit
partielle.
b. La mthode base sur le principe de la loterie
Cette mthode est inspire des travaux de recherche relatifs la thorie de lutilit multi-
attributs [Keeney et Raifa, 1976]. Elle fonctionne de la faon suivante : pour tudier un
attribut, le client dtermine lcart X% qui correspond lcart maximum par rapport
lobjectif tout en conservant une fiabilit estime 100%. Le client dtermine galement
lcart Z% qui correspond la pire fiabilit (0%). Pour dterminer la fiabilit correspondant
un cart Y% appartenant lintervalle [X% , Z%], on traite la situation de la faon
suivante : nous supposons que le client sollicite le partenaire pour 100 affaires et quil
constate que pour les 100 affaires le partenaire a enregistr une variation de Y% par rapport
la valeur promise. Cette situation est quivalente solliciter le partenaire pour 100

3
Les courbes sont choisies arbitrairement et titre indicatif. Elles refltent la sensibilit du preneur de
dcision relativement un attribut donn.
R
dlai

dlai
-10% 20% 10% 5%
0
1
0.99
R
cot

cot
-10% 20% 10% 5%
0
1
0.98
R
Qualit

Qualit
-10% 20% 10% 5%
0
1
0.99
R
G
= 0.98 * 0.99*0.99 = 0.96
241
affaires, et obtenir N fois un cart de X% (voire moins) et 100-N fois un cart de Z%.
Dans ce cas, la fiabilit qui correspond un cart de Y% sera de N%.
100
(Z%) R N) - (100 (X%) R * N
(Y%) R
i i
i
+
=
(6-3)
Si nous raisonnons sur la fiabilit partielle par rapport lattribut cot (exemple de la
Figure 6.2), nous aurons :
X% = 4%
Z% = 20%
Y% = 5%
N = 98
Ce qui permettra dobtenir R
cot
(5%) = (98*R
cot
(4%) + 2*(20%))/100 = 98%.
N.B : Si le client souhaite dterminer la fiabilit partielle correspondant un cart
de T%,(avec T% [X%, Y%]), alors, il pourrait raisonner sur les points {X%, Z%} ou les
points {X%, Y%}.

c. La mthode MACBETH
La mthode MACBETH ([Bana e Costa et Vansnick, 1999], [Bana e Costa et Vansnick,
2001])permet de traduire en valeurs cardinales des jugements essentiellement ordinaux.
Pour cette mthode, le client exprime les situations relatives la meilleure fiabilit et la
pire fiabilit. Pour les situations intermdiaires, le client mesure lattractivit des situations
et ce en procdant par comparaisons par paires. Les comparaisons se font en rpondant
des questions du type Quelle est diffrence dattractivit entre un cart de 2% et un cart
de 6% par rapport la valeur promise : nulle, trs faible, faible, modre, forte, trs forte,
extrme? . Les rponses du client par rapport chacun des attributs sont reportes sur des
matrices de jugements (Figure 6.4).

Pour tout attribut, on applique la mthode MACBETH la matrice des jugements pour
traduire les prfrences ordinales sur une chelle cardinale. Cette tape est base sur la
rsolution dun programme linaire dont la formulation est prsente lannexe K.

242
Figure 6.4 Matrice des jugements du client vis--vis de lattribut Qualit .

Lchelle cardinale obtenue pour la matrice des jugements relatifs lattribut Qualit
est reprsente par licne en bas et gauche de la Figure 6.5. Le calcul a t effectu grce
au logiciel MACBETH.
Figure 6.5 Application de la mthode MACBETH pour lattribut Qualit
0% 2% 4% 6% 8% 10% 12% 15% 20% 25%
0%
NULLE Trs
faible
Modre Modre -
Forte
Forte Forte
Trs forte
Trs forte Extrme Extrme Extrme
2%
NULLE Faible Faible -
Modre
Modre Forte Trs forte Trs forte
- Extrme
Extrme Extrme
4%
NULLE Modre Modre -
Forte
Forte Forte
Trs forte
Trs forte Extrme Extrme
6%
NULLE Trs
faible
Faible Modre Forte Extrme Extrme
8%
NULLE Faible Modre Forte Trs forte
- Extrme
Extrme
10%
NULLE Faible -
Modre
Forte Trs forte Extrme
12%
NULLE Modre Trs forte Trs forte
extrme
15%
NULLE Modre Trs forte
20%
NULLE Modre
25%
NULLE
243
Ainsi, les prfrences du client vis--vis de lattribut qualit ont t transcrites sur une
chelle cardinale ce qui a permis de tracer la courbe de fiabilit partielle en fonction des
carts relatifs lattribut qualit.
0%
20%
40%
60%
80%
100%
0% 5% 10% 15% 20% 25% 30%
% de Variation de la qualit
F
i
a
b
i
l
i
t


Figure 6.6 Courbe de fiabilit partielle vis--vis de lattribut Qualit

2.4 Procdure destimation de la fiabilit a priori :
On suppose que le partenaire a soumis une proposition pour la ralisation dune affaire et
on cherche estimer sa fiabilit pour la ralisation dune telle proposition. Pour ce faire, on
se base sur lhistorique des affaires conclues avec le partenaire, et on exploite les
techniques danalyse statistiques pour estimer sa fiabilit globale.

2.4.1 Procdure 2.1
On peut choisir de considrer la fiabilit a priori dun partenaire comme tant gale la
moyenne arithmtique des fiabilits enregistres sur les p dernires affaires. Cette mthode
est facile mettre en place mais elle a linconvnient de ne pas tenir compte des mesures
damlioration de performances prises par le partenaire.

244
2.4.2 Procdure 2.2
Dans le cas o nous notons une tendance damlioration de la fiabilit, nous pouvons opter
pour un modle de rgression exponentielle qui prend en compte cette tendance et a
lavantage daccorder plus dimportance aux dernires affaires conclues avec le partenaire.
Cette mthode est galement facile mettre en place mais elle a linconvnient de ne pas
prendre en compte le contexte de la commande.

2.4.3 Procdure 2.3
Dans certains cas, on cherche savoir les causes de fluctuation de la fiabilit dun
partenaire comme par exemple le lien entre sa charge de travail et les retards de livraison et
par consquent la baisse de sa fiabilit a posteriori. Ce type de relation cause effet, nous
incite nous orienter vers le champ de lanalyse statistique explicative. Cest dire, quil
faut dterminer dabord les variables qui font varier la fiabilit, ensuite dterminer la forme
de la relation qui lie la fiabilit aux diffrentes variables, enfin dterminer en fonction de
lhistorique les paramtres de la fonction en utilisant les concepts de rgression multiple.
Cette approche exige la connaissance pralable des variables ainsi que le suivi des valeurs
de ces variables sur une priode de temps. Cette mthode est beaucoup plus intressante
que les deux mthodes prcdentes car elle permet de chercher les causes de la fluctuation
de la fiabilit, ce qui va engendrer des actions damlioration chez le partenaire et une
meilleure estimation de la fiabilit a priori. En revanche, la mise en place de cette mthode
est trs complique.

2.4.4 Procdure 2.4
Pour toutes les raisons mentionnes ci-dessus, nous proposons la mthode explicite ci-
aprs. Nous suggrons de construire une base de donnes qui rcapitule les performances
enregistres par tout partenaire aprs la ralisation dune affaire. La base de donnes
englobe les variations enregistres sur les attributs des commande (cot, dlai, qualit, )
comme mentionn dans le Tableau 6.2

245
Partenaire Partenaire 1 Partenaire 2 Partenaire 3
Affaire Affaire
1,1
Affaire
1,2
Affaire
2,1
Affaire
2,2
Affaire
2,3
Affaire
3,1

Cot 2% 3% 5% 1% 2% 0%
Dlai 3% 0% 0% 1% 0% 3%
Qualit -4% 1% 0% -2% 0% -3%
.....
Tableau 6.2 Informations garder dans la base de donnes des partenaires
Nous exploitons la base de donnes pour dterminer la correspondance entre la nature de
lactivit ralise par un partenaire et ses performances sur les attributs (cot, dlai,
qualit,..). Pour ce faire, nous utilisons les techniques danalyse statistique. Les modles
statistiques permettent destimer les performances dun partenaire en termes dcart par
rapport la valeur promise.
Les performances estimes (

Cot
,

Dlai
,

Qualit
,) seront reportes sur les courbes de
fiabilit partielle dtermines aprs traitement des prfrences du client, ce qui permettra de
dterminer une estimation des fiabilits partielles vis--vis des attributs. Par consquent une
estimation de la fiabilit globale par application de la relation mathmatique (6-2).
Le synoptique ci-aprs permet dexpliciter la procdure 2.4.
Figure 6.7 Synoptique de la procdure 2.4
Historique Prfrences du client

Cot
,

Dlai
,

Qualit
,..
Courbes de fiabilits partielles
Analyse
statistique
Mthode
MACBETH
Estimation des fiabilits
partielles a priori
Fiabilit globale a priori
Fonction
dagrgation
246
Remarque :
Dans cette section, nous avons considrs que les fiabilits partielles dun partenaire par
rapport aux attributs sont mutuellement indpendantes. Dans le cas, o une certaine
dpendance existe entre ces fiabilits partielles, nous suggrons de faire une analyse pour
dterminer la forme de la fonction qui lie les diffrentes fiabilits partielles en procdant
par une rgression multiple.
3. Mthode de calcul des fiabilits du rseau dentreprises
3.1 Dfinition
Nous dfinissons les fiabilits dun rseau dentreprises comme suit

Dfinition 6.5 : Fiabilit a priori du rseau dentreprises

" La fiabilit a priori du rseau dentreprises est une estimation de laptitude du rseau
respecter les engagements quil a pris auprs du client. Le rseau est reprsent par les
partenaires qui seront engags dans la ralisation de laffaire contracte avec le client. "
[Hammami et al., 2003(b)]


Dfinition 6.6 : Fiabilit a posteriori du rseau dentreprises

" La fiabilit a posteriori du rseau dentreprises est une valuation des performances
enregistres par le rseau. Elle est mesure aprs la ralisation de laffaire contracte avec
le client. " [Hammami et al., 2003(b)]


3.2 Calcul de la fiabilit a priori du rseau dentreprises : cas o le
partage dactivits est prohib
Nous supposons que la fiabilit a priori de chaque partenaire est connue suite
lapplication de la procdure propose prcdemment et nous cherchons dterminer la
fiabilit a priori du rseau.
247
En effet, la ralisation du produit pour lequel le rseau sest engag exige la ralisation de
toutes les activits recenses dans le graphe de ralisation du produit (GRP) objet de
laffaire. Donc, la fiabilit a priori du rseau est une fonction des fiabilits a priori des
partenaires qui seront engags dans laffaire.
) R ......, , R , R ( g R
PN - G P2 - G
^
P1 - G Rseau G
^ ^ ^
=

(6-4)

avec, rseau G R
^
: fiabilit a priori du rseau dentreprises
^
Pi - G
R : fiabilit a priori du partenaire qui sera slectionn pour
accomplir lactivit i.

Lexpression de la fonction g est trs difficile dterminer cause de lventuelle
dpendance
4
entre les fiabilits des partenaires. Pour cette raison, nous traitons dans un
premier temps le cas o les fiabilits des partenaires sont indpendantes. Si par ailleurs,
nous retenons lhypothse quune activit est ralise par un et un seul partenaire, la
relation (6-4) scrit :
^ ^ ^
PN - G P2 - G
^
P1 - G Rseau G
R * ...... * R * R R =

(6-5)

3.3 Calcul de la fiabilit a priori du rseau dentreprises : cas o le
partage dactivits est permis
Dans le cas o le partage des activits est permis, et si nous considrons lhypothse que les
performances des partenaires sont indpendantes quand ils ralisent des activits distinctes,
alors lexpression de la fiabilit a priori du rseau scrit conformment la relation (6-5)
moyennant la modification de la signification de
^
Pi - G
R .
^
Pi - G
R sera considre comme la
fiabilit conjointe des partenaires qui seront slectionns pour accomplir lactivit i. Le

4
Dans ce chapitre, nous traitons les cas o les fiabilits des partenaires sont indpendantes. Pour prendre en
compte les cas de dpendances ventuelles, il faut procder par des calculs de probabilit bass sur le
thorme de Bayes. La formalisation de ces cas dpasse le cadre de ce rapport.
248
calcul de
^
Pi - G
R se base sur le principe que tous les partenaires engags pour raliser
lactivit i soient fiables.
Donc,
J j I, i 1 brij et I, i 1 brij avec R R
r j r
brij
rij
j r
^
Pi - G
=

,
^
,
(6-6)
I, i 1 brij
j r


assure quau moins un partenaire est slectionn pour raliser
lactivit i, et J j I, i 1 brij
r

assure que si un partenaire est slectionn, alors


une et une seule proposition parmi celles quil a dposes sera retenue.

Par consquent,
J j I, i 1 brij et I, i 1 brij avec R R
r j r
brij
rij
j r
N
1 i
Rseau G

(
(
(

=

=

^
,
^
(6-7)

Remarque :
la relation (6-7) peut tre facilement adapte pour traiter le cas o le partage des activits
est prohib. Pour quil soit ainsi, il suffit de remplacer lexpression I i 1 brij
j r



de la relation (6-7) par lexpression I i 1 brij
j r
=

.

4. Extension du modle analytique vers un modle bas sur la
fiabilit
Dans cette partie, nous considrons le problme daffectation de commandes prsent au
chapitre 5 et nous intgrons les contraintes relatives au respect de la fiabilit.

249
4.1 Contrainte de fiabilit
Nous souhaitons que la rpartition des commandes aux partenaires du rseau se fasse tout
en respectant une fiabilit objectif.
Ainsi, daprs la relation (6-5), la contrainte relative la fiabilit objectif scrit :
objectif PN - G P2 - G
^
P1 - G Rseau G
R R * ...... * R * R R =

^ ^ ^
(6-8)

La relation (6-8) est valable uniquement sous lhypothse que les performances des
partenaires sont indpendantes et quune activit ne peut tre affecte qu un et un seul
partenaire. Par ailleurs, la contrainte (6-8) nest pas linaire, donc son intgration dans un
programme mathmatique rend le traitement de ce programme trs difficile. Pour cette
raison, nous procdons une linarisation de cette contrainte et ce suivant les
transformations propose au paragraphe suivant.
4.2 Linarisation de la contrainte de fiabilit
4.2.1 Cas o le partage dactivit est prohib
Soit
^
rij
R la fiabilit a priori du partenaire j pour la ralisation de lactivit i selon loffre r.
Et b
rij
la variable binaire dfinie par :
b
rij
= 1 si l'offre r propose par le partenaire j pour raliser l'activit i est slectionne.
b
rij
= 0 sinon
5


Alors,
^
rij rij
r j
i - G
R * b R

= , avec 1 b
rij
r j
=

, I i (6-9)
Grce la contrainte, 1 b
rij
r j
=

(b
rij
tant une variable binaire), lexpression (6-6) peut
scrire :
^
b
rij
j r,
i - G
rij
(R R )

= , avec 1 b
rij
r j
=

, I i (6-10)

5
Cette notation est conforme celle adopte au chapitre 5.
250
Donc, si b
rij
= 0, alors la proposition {r,i,j} nest pas slectionne, elle est inactive.
1 ) (R
^
b
rij
rij
= , ce qui na aucune influence sur la valeur de R
G-i
. En revanche, si b
rij
= 1, alors
la proposition {r,i,j} est slectionne, elle est active.
^
rij
^
b
rij
R (R
rij
= ) , ce qui traduit que cest
la fiabilit relative la proposition {r,i,j} a t prise en compte pour le calcul de la fiabilit
R
G-i
.

Pour linariser les contraintes relatives la fiabilit, nous appliquons la fonction logarithme
aux expressions (6-8) et (6-10). La fonction logarithme tant strictement croissante,
donc lexpression (6-8) donne :
) ) ) (
^ ^ ^
objectif PN - G P2 - G
^
P1 - G Rseau G
Ln(R ) R Ln( ...... ) R Ln( R Ln( R Ln + + + =


Lexpression (6-10) donne :

^
rij rij
r j
i - G
(R Ln b Ln(R ) )

= , avec 1 b
rij
r j
=

, I i
Ainsi,
) ) ) (
^
objectif
^
rij rij
r j i
Rseau G
Ln(R (R Ln b R Ln =

, avec 1 b
rij
r j
=

, I i (6-11)

La contrainte (6-11) est linaire. Elle est relative au respect de la fiabilit objectif.

4.2.2 Cas o le partage dactivit est permis
On applique le mme raisonnement que prcdemment pour linariser la contrainte de
fiabilit dans les cas o le partage des activits par les partenaires est prohib.
Daprs les relation (6-7) et (6-8),
J j I, i 1 brij et I, i 1 brij avec , R R R
r j r
Objectif
brij
rij
j r
N
1 i
Rseau G

(
(
(

=

=

^
,
^
devient
) ) ) (
^
objectif
^
rij rij
r j i
Rseau G
Ln(R (R Ln b R Ln =

avec I i 1 brij
j r


et
251
J j I, i 1 brij
r

(6-12)
Remarque :
Nous traitons un produit ncessitant la ralisation de N activits, et nous souhaitons
proposer une offre dont la fiabilit dpasse une fiabilit objectif (R
Objectif
). Par ailleurs, la
fiabilit de loffre (fiabilit du rseau) est dtermine par le produit des fiabilits relatives
chaque activit. Donc, la contrainte de fiabilit objectif peut tre modlise par un
ensemble de contraintes sur les fiabilits des activits : il faut que la fiabilit de chaque
activit soit suprieure ou gale ( )
N
Objectif
R
1
.
Dans ce cas, la relation (6-12) peut tre remplace par la pile des N contraintes suivantes :

J j 1 brij et , 1 brij avec , ) (R R
r j r
N
1
Objectif
brij
rij
j r

(
(
(


^
,
avec i = 1, 2, ., N


Dans le cas de non partage dactivits, la relation (6-11) peut tre remplace par la pile des
N contraintes suivantes :
1 b avec , ) (R R
rij
r j
N
1
Objectif
brij
rij
=

^
, avec i = 1, 2, ., N

Cette faon de traiter le problme est trs intressante. En effet, on traite le problme de
faon inverse, cest dire que pour atteindre une fiabilit objectif, on se pose la question :
quelle fiabilit doit-t-on accorder chacune des activits ? Par consquent, dans le cas du
non partage des activits, il suffit destimer la fiabilit dun partenaire pour savoir sil a la
chance dtre slectionn ou non pour raliser une activit. Ce qui constitue une sorte de
filtre par rapport au critre fiabilit. Ce concept de filtre permet de ne garder que les
partenaires fiables.

252
4.3 Modle analytique bas sur la fiabilit
Le modle analytique prsent dans ce chapitre est une extension du modle analytique de
base prsent au chapitre 5. Nous rappelons que dans ce modle, nous retenons lhypothse
qui consiste affecter une activit un et un seul partenaire.
Compte tenu du modle de base (chapitre 5) et de la procdure de linarisation explicite
prcdemment, la formulation mathmatique sera :

|
|
|
|
|
.
|

\
|
=
=

=
=
N
i
i
N
i
i
Q TQL Max
C C Min
1
1


Sujet :

D ST ST
i i
m + I i I, m i, m i s f (*)
(6-13)
DD D ST
N N
+
(6-14)
i i
QL Q
I i (6-15)

=
j
rij rij
r
i
b ST ST *

I i

(6-16)
b D D
j
rij rij
r
i

= *

I i

(6-17)

=
j
rij rij
r
i
b Q Q *

I i

(6-18)

=
j
rij rij
r
i
b C C *

I i

(6-19)
1 b
j
rij
r
=



I i

(6-20)
N N
D ST D + =
(6-21)
253
Y AC C
r
j2 j1, i2, i1, r2, r1,
i i
j j r
i i
1

=
2
2
1 2 1
.
,
2 , 1

2 1 2 1
j j , i i
i
1
et i
2
tant deux activits
successives.
(6-22)
Y
r1,r2, i1,i2,j1,j2
{0, 1}. (6-23)

= = =
+ =
N
1 i1
N
i
i2 i1,
N
i
C Ci C
1 2 1

(6-24)
) )
objectif
^
rij rij
r j i
Ln(R (R Ln b


(6-25)
(*) ( : i mf m est une activit ralise immdiatement aprs l'activit i.)

4.4 Intgration de la fiabilit au cas dtude
La formulation mathmatique du cas dtude avec prise en compte de la contrainte de
fiabilit objectif est prsente en annexe L.
Les rsultats de la rsolution du modle pour une fiabilit objectif de 0.88 sont rcapituls
dans le tableau suivant :

Alternatives
Offres 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
b
1,1,1
1 0 0 1 0 1 0 0 1 0 1 0 0 1 0 1 0 0 1 0
b
2,1,1
0 1 0 0 1 0 1 0 0 1 0 1 0 0 1 0 1 0 0 1
P
b
1,1,2
0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0
SC b
1,2,1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
b
1,3,3
1 1 1 0 0 1 1 1 0 0 1 1 1 0 0 1 1 1 0 0 M
b
2,3,3
0 0 0 1 1 0 0 0 1 1 0 0 0 1 1 0 0 0 1 1
b
1,4,1
1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 A
b
1,4,2
0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1
b
1,5,1
1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 D
b
1,5,2
0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1
TQL 13 13 13 13 13 14 14 14 14 14 12 12 12 12 12 13 13 13 13 13
Cot 870 850 880 870 850 890 870 900 890 870 860 840 870 860 840 880 860 890 880 860
Fiabilit 0.88 0.88 0.87 0.88 0.88 0.87 0.87 0.86 0.87 0.87 0.87 0.87 0.86 0.87 0.87 0.86 0.86 0.86 0.86 0.86
Tableau 6.3 Ensemble des solutions possibles (ralisables)
Avec une fiabilit objectif de 0.88, on obtient 4 solutions ralisables savoir les
alternatives 1, 2, 4 et 5. Seules les alternatives 2 et 5 sont non domines.
254
Les solutions non domines ont t values selon le critre de dveloppement de
comptence (chapitre 5). Les scores obtenus sont de 0.16 pour lalternative 2 et 0.15 pour
lalternative 5.
Lalternative 2 sera donc retenue pour configurer le rseau.

5. Caractristiques du critre fiabilit
Le critre fiabilit est un critre trs pertinent parce quil permet dvaluer la robustesse des
configurations de rseau. Lexploitation de ce critre nous a permis de faire le point sur les
caractristiques suivantes :
(1) Caractristique 1 : Contrairement au critre cot, la fiabilit est un critre non
compensatoire. Nous expliquons cette caractristique travers lexemple suivant :
Supposons que deux partenaires sengagent pour raliser une mme activit. Si la
proportion de lactivit ralise par le partenaire 1 cote C1 et celle ralise par le
partenaire 2 cote C2 alors le cot total de lactivit sera de CT=C1+C2. Donc, si
C1 est assez lev et C2 est plutt un cot intressant alors le cot total CT sera
acceptable, en dautres termes, C1 a t compens par C2. Maintenant, supposons
que les fiabilits des partenaires 1 et 2 sont respectivement R1 et R2, alors la
fiabilit totale RT=R1*R2 (RT vrifie ncessairement la relation RTR1, et
RTR2). Donc, dans le cas o un des partenaires (supposons que cest le partenaire
R1) a une fiabilit mdiocre, la fiabilit totale sera ncessairement mdiocre et ne
peut tre compense par une bonne fiabilit du partenaire 2.
(2) Caractristique 2 : La fiabilit est un critre dont lintgration dans des modles
mathmatiques rend ces derniers trs difficiles traiter. Sous certaines conditions,
les contraintes relatives la fiabilit peuvent tre linarises. Dans ces cas, les
contraintes de fiabilit seront manipules aisment.
(3) Caractristique 3 : Contrairement aux autres critres comme le cot, la qualit, le
dlai, . qui sont des critres qui ne concernent que lattractivit dune proposition,
la fiabilit est un critre contextuel propre au partenaire.
255
(4) Caractristique 4 : La fiabilit est un critre qui permet dvaluer la robustesse
dune configuration donne du rseau. Il est pris en compte ltape 1 de la
dmarche doptimisation propose au chapitre 5.
(5) Caractristique 5 : La fiabilit est un critre qui se dgrade rapidement. Plus le
nombre dactivits est important plus la fiabilit a tendance se dgrader. Par
ailleurs, plus on partage les activits entre les partenaires, plus la fiabilit baisse.
Pour conclure, il importe que les partenaires dun rseau soient trs fiables pour que
le partage dactivits soit favoris. Dans la Figure 6.8, on prsente lvolution de la
fiabilit dun rseau dentreprises en fonction du nombre dactivits ncessaires
pour une affaire donne. On a fait varier le nombre dactivits de 1 20. Par
ailleurs, on a considr que tous les partenaires du rseau ont la mme fiabilit, et
on a test lvolution pour trois valeurs de la fiabilit dun partenaire (0.99 ; 0.95 et
0.90). On remarque bien la dgradation de la fiabilit : pour le cas o la fiabilit de
chaque partenaire est de 90%, la fiabilit du rseau est de 12 % seulement si le
rseau sengage pour une affaire exigeant 20 activits.

R
i
= 0.99
0
0.2
0.4
0.6
0.8
1
1.2
0 5 10 15 20
Nombre d'activits
F
i
a
b
i
l
i
t


d
u

r

s
e
a
u
R
i
= 0.95
R
i
= 0.90

Figure 6.8 Evolution de la fiabilit dun rseau dentreprises en fonction du
nombre dactivits
256
6. Quelle dcision si la fiabilit du rseau est insuffisante ?
Dans le cas o la fiabilit du rseau est insuffisante, lUDR (unit dcisionnelle du rseau)
localise les activits pas assez fiables en procdant de la faon suivante : considrer le
modle mathmatique avec une fiabilit objectif infrieure celle fixe initialement,
appelons cette nouvelle fiabilit objectif R
Objectif-Simulation
. Tester diffrentes valeurs de
R
Objectif-Simulation
jusqu lobtention de solutions ralisables. Pour les solutions obtenues,
dterminer les activits ayant des fiabilits insuffisantes cest dire des fiabilits infrieures
) (R
N
1
Objectif
. Enfin choisir une des alternatives suivantes :
(1) Alternative 1 : Renoncer lappel doffre.
(2) Alternative 2 : Engager des fournisseurs fiables pour raliser les activits pour
lesquelles les partenaires du rseau ne sont pas assez fiables. Nous considrons
quun fournisseur nest pas un acteur du rseau. Cette alternative peut gnrer des
cots supplmentaires dus la ncessit dune plus forte coopration entre le(s)
fournisseur(s) et les autres partenaires du rseau. Elle a lavantage dinciter les
partenaires faire plus deffort de rationalisation de leurs processus.
(3) Alternative 3 : Faire du paralllisme pour les activits pas suffisamment fiables. En
faisant du paralllisme, on augmente la fiabilit relative une activit. Par exemple,
supposons que deux partenaires de fiabilit R1 et R2 sont engags pour raliser une
activit donne. Les partenaires sont supposs tre en parallle, donc la fiabilit
relative lactivit objet de ltude sera gale (1 (1-R1)*(1-R2) = R1+R2-
R1*R2 ). La fiabilit rsultat du paralllisme est suprieure la fiabilit de chacun
des partenaires pris individuellement. Cette alternative a lavantage de rehausser la
fiabilit. En revanche, elle engage des cots supplmentaires dus des rservations
de capacit supplmentaire chez les partenaires engags.

Le choix entre les alternatives 1, 2 et 3 se base sur des critres stratgiques, conomiques,
techniques Le choix entre labandon ou lengagement dans une affaire se base surtout sur
des critres stratgiques, alors que le choix entre la sous-traitance et le paralllisme se base
surtout sur des critres conomiques (on a tendance choisir lalternative la moins chre).

257
7. Conclusion
Dans ce chapitre, nous avons propos une dmarche pour prendre en compte les
incertitudes et le risque en se basant sur les concepts de fiabilit. Si des travaux prenant en
compte la fiabilit des partenaires lors de la configuration dune chane logistique ont vu le
jour, aucun de ces travaux na prcis la faon de dterminer cette fiabilit.
Notre apport dans ce contexte consiste proposer plusieurs faons pour dterminer les
concepts de fiabilit. Il consiste galement considrer que la fiabilit dun partenaire est
contextuelle et quelle dpend de plusieurs paramtres comme la taille de la commande, la
charge de travail. .
Une autre particularit dans la modlisation que nous proposons pour dterminer les
notions de fiabilit est lappel des procdures interactives pour modliser les prfrences
des clients et traduire leur perception de la fiabilit.
Enfin, nous avons considr que la fiabilit dun partenaire est en perptuelle volution et il
importe de garder un historique permettant destimer la fiabilit prvisionnelle et de
dterminer les causes ventuelles de non fiabilit.
La modlisation de lincertitude et du risque base sur les concepts de fiabilit demeure trs
intressante. Toutefois, les modles mathmatiques qui en dcoulent sont gnralement
assez complexes et souvent non linaires. Il est clair que la linarisation de certains
modles est possible sous certaines conditions. Ces conditions sont souvent non extensibles
des modles complexes, ce qui reprsente une limite la gnralisation de la prise en
compte de la fiabilit pour des problmes complexes. La difficult ne rside donc pas
seulement dans la modlisation des problmes complexes mais galement dans leur
rsolution.





CONCLUSIONS ET
PERSPECTIVES





CONCLUSIONS ET PERSPECTIVES


Dans ce prsent travail de thse, nous nous sommes intresss ltude du problme de
conception et de gestion dune chane logistique dans un rseau coopratif dentreprises.
Nos rflexions se sont portes sur le moyen de prendre en compte aussi bien les objectifs
court-terme du rseau qui consistent satisfaire les clients, que les objectifs long terme
qui se manifestent par le dveloppement des comptences et la promotion de
lapprentissage assurant la cohsion du rseau.

Nous avons entam ce projet par ltude des particularits des nouvelles structures
organisationnelles comme lentreprise tendue, lentreprise virtuelle, et nous avons port
un intrt particulier aux rseaux coopratifs dentreprises qui se caractrisent par labsence
dun partenaire leader. Cest ce qui a fait lobjet du chapitre 1.

Dans le chapitre 2, nous nous sommes intresss ltude du concept de chane logistique.
Nous avons expliqu son intrt dans lamlioration des performances des entreprises. Un
intrt particulier a t accord ltude de la structure des outils logiciels de conception et
de gestion dune chane logistique commercialiss.

Ensuite, partant dune tude de la littrature scientifique, nous avons pu faire lanalogie
entre le problme de conception dune chane logistique et le problme de faire, faire-faire
ou faire ensemble. Par ailleurs, nous avons dcid de traiter le problme objet de ltude en
mettant laccent sur la modlisation analytique.
260


Afin de considrer laspect analytique du problme, nous avons effectu dans le chapitre 3
une tude bibliographique sur les mthodes de slection et dagrgation multicritre que
nous avons classes en 3 catgories : les mthodes lmentaires, les mthodes
doptimisation mathmatique et les mthodes daide la dcision multicritre.

Par ailleurs, nous nous sommes intresss dans le chapitre 4 ltude des modles
analytiques proposs dans la littrature scientifique pour traiter le problme de faire, de
faire-faire et de faire ensemble. Et nous avons pu montrer que le problme faire se
ramne un problme de localisation dinstallations, le problme faire-faire est
analogue au problme de slection de fournisseurs et le problme faire ensemble est
analogue au problme dallocation dordres ou de commandes. Par consquent le chapitre 4
a t consacr ltude des modles analytiques dvelopps dans la littrature scientifique
pour traiter les problmes de localisation dinstallations, de slection des fournisseurs et
dallocation dordres.

Sappuyant sur ces modles analytiques, nous avons propos dans le chapitre 5, une
procdure de modlisation pour traiter le problme dallocation dordres dans un rseau
coopratif dentreprises. La procdure de modlisation se base sur un modle conceptuel (s-
a-r-C : situation professionnelle, acteur, ressource, Comptence) et sur un ensemble de
concepts comme la carte technologique dun produit et la table des comptences du rseau.
La procdure de modlisation sapplique en deux tapes.
La premire tape est une formulation analytique du problme par un modle de
programmation mathmatique objectifs multiples. Ce modle prend en compte les
objectifs court-terme du rseau qui consistent satisfaire les besoins client en termes de
cot, dlai, qualit Les rsultats de cette premire tape est un ensemble de solutions
admissibles que nous filtrons pour en extraire les solutions non domines (solutions
optimales au sens de Pareto).
La deuxime tape de la procdure permet de dterminer la configuration optimale du
rseau. Elle part de lensemble des solutions non domines dtermines ltape 1 et les
value selon les objectifs long terme du rseau savoir le dveloppement des comptences
261

et la promotion de lapprentissage. Or, dans un rseau dentreprises, il importe de prendre
en compte les prfrences de tous les acteurs de faon quitable. Pour ce faire, nous avons
opt pour lapplication de la mthode AHP de Groupe pour lagrgation des prfrences
des acteurs, vis--vis de la politique de dveloppement de comptence, en prfrences de
groupe. Nous avons appliqu cette procdure un cas dtude.

Dans le chapitre 6, nous avons mis laccent sur laspect stochastique et incertain du
problme objet de ltude. Nous avons dcid de modliser cet aspect en optant pour un
modle bas sur la fiabilit. Pour ce faire, nous avons introduit des dfinitions de plusieurs
concepts de fiabilit dont notamment les fiabilits a priori et a posteriori dun acteur, la
fiabilit du rseau, la fiabilit partielle, la fiabilit totale Nous avons propos des
procdures pour lestimation des fiabilits partielles bases selon le cas sur lanalyse
statistique, sur la mthode MACBETH, ou sur dautres mthodes Nous avons considr
que la fiabilit est un critre court-terme quil importe dintgrer dans le modle analytique
de la premire tape de la procdure de modlisation. Nous avons expliqu la faon de
prendre en compte ce critre dans la procdure de modlisation. Nous avons intgr le
critre fiabilit dans le cas dtude et nous avons prsent les rsultats obtenus la fin du
chapitre.

Au terme de ce travail, nous considrons que nos apports se manifestent selon 3 axes
diffrents. Le premier axe concerne la prise en compte simultane des objectifs court-terme
et des objectifs long-terme dun rseau coopratif dentreprises. Le deuxime axe concerne
lintgration des prfrences des acteurs dun rseau en termes de promotion de
comptences de faon quitable en se basant sur une procdure de dcision multicritre.
Enfin, le troisime axe concerne la prise en compte de laspect incertain du problme par un
modle bas sur la fiabilit o nous avons propos plusieurs faons de dterminer le
paramtre fiabilit.




262



Enfin, nous considrons que notre travail ouvre la voie plusieurs extensions. En effet, il
importe de prendre en compte la dpendance au sens des fiabilits entre les performances
des acteurs dans un modle de configuration dune chane logistique. Par ailleurs, nous
suggrons de traiter le problme de modlisation de lincertitude et du risque sous dautres
angles comme des lois de probabilit dcrivant la variation des cots, des dlais, de la
demande En outre, dans cette thse ainsi que dans la plupart des travaux de recherche
scientifique, le problme de configuration dune chane logistique a t trait de faon
statique. Cest dire que laffectation choisie au dbut de la priode de dcision reste la
mme jusqu la fin de ralisation de loffre. Nous considrons que cette vision est myope
si des problmes surgissent au cours de la ralisation dune commande (retard sur la
ralisation de certaines activits, des problmes de qualit), et quil est indispensable de
prendre en compte laspect dynamique du problme en procdant une tude des
mcanismes de rattrapage du retard par exemple.
Nous tenons galement rappeler que lintgration des modles de gestion des stocks, de
production, de transport, dassemblage, de distribution est un aspect qui est rarement trait
dans la littrature scientifique. Cet aspect est la pierre angulaire pour les problmes
doptimisation globale dune chane logistique. Il importe donc de le considrer. Toutefois,
il ne faut pas se limiter proposer des modles analytiques sans faire le lien avec la faon
Fiabilit Dcision
multicritre
Objectifs court terme
Objectifs long terme
Conception Conception
dune chane dune chane
logistique dans logistique dans
un rseau un rseau
dentreprises dentreprises
Fiabilit Dcision
multicritre
Objectifs court terme
Objectifs long terme
Conception Conception
dune chane dune chane
logistique dans logistique dans
un rseau un rseau
dentreprises dentreprises
263

de les rsoudre. En effet, la reprsentation de la ralit de faon fidle (prise en compte de
laspect dynamique, de lincertitude, vision globale travers lintgration des modles de
gestion de stocks, production, distribution) rend les modles trs complexes et trs
difficiles rsoudre avec les outils de rsolution disponibles actuellement. Alors quels
compromis choisir : des modles simples et faciles rsoudre moyennant beaucoup
dhypothses simplificatrices ou des modles fidles la ralit et trs compliqus ? La
rponse cette question demeure relative, cest pourquoi nous suggrons de procder de
faon ne pas omettre les paroles de Paul Valry Tout ce qui est simple est faux. Tout ce
qui est compliqu est inutilisable .





REFERENCES
BIBLIOGRAPHIQUES






RFRENCES BIBLIOGRAPHIQUES


[Aikens 1985] Aikens C.H. Facility Location Models for Distribution planning.
European Journal of Operational Research 22, 1985, pp 263-279.
[Altersohn 1992] Altersohn C. De la Sous-traitance au Partenariat Industriel.
Harmattan, 1992.
[Anupindi et Yehuda
1999]
Anupindi R, Yehuda B. Supply Contracts with Quantity
Commitments and Stochastic Demand, In Quantitative Models for
Supply Chain Management. Kluwer Academic Publishers, pp. 197-
232, 1999.
[Balinski 1965] Balinski M.L. Integer Programming: Methods, Uses, Computation.
Management Science, 12, pp 253-313, 1965.
[Bana e Costa et
Vansnick, 1999]
Bana e Costa C.A, Vansnick J.C. The MACBETH approach: Basic
ideas, software and an application, in Advances in Decision
Analysis, Kluwer Academic Publishers, 1999.
[Bana e Costa et
Vansnick, 2001]
Bana e Costa C.A, Vansnick J.C Cardinal Value Measurement with
MACBETH. In Decision Making: Recent Developments and
Worldwide Applications Kluwer Academic Publishers, 2001.
[Barbarosoglu et
Yazgac, 1997]
Barbarosoglu G, Yazgac T. An application of the Analytic
Hierarchy Process to the Supplier Selection Problem. Production
and Inventory Management Journal, First quarter, p15-21, 1997.
[Bellon et Chevalier,
1984]
Bellon B, Chevalier J.M. Lindutrie en France. Flammarion, Paris,
1984.
[Benayoun et al.,
1971]
Benayoun R, De Montgolfier J, Tergny J, Larichev O. Linear
Programming with Multiple Objective Functions: STEP Method
(STEM). Mathematical Programming, N1, pp366-375, 1971.
[Bender et al., 1985] Bender P.S, Brown R.W, Isaac M.H, Shapiro J.F. Improving
Purchasing Productivity at IBM with a Normative Decision Support
System. Interfaces 15, pp 106-115. 1985.
266

[Boucher et Burlat,
2003]
Boucher X, Burlat P. Vers l'Intgration des comptences dans le
systmes de performances de l'entreprise. Journal Europen des
systmes automatiss (JESA), article accept, 2003.
[Brans et Vincke,
1985]
Brans J.P, Vincke Ph. A Preference Ranking Organization Method.
Management Science, 31, 6. p647-656. 1985.
[Brilman 1995] Brilman J. Lentreprise rinvente. Les ditions dorganisation,
Paris,1995.
[Browne et al.,
1995]
Browne J, Sackett P et Wortmann J.C. Future Manufacturing
systems Toward the Extended Enterprise. Computer in Industry,
Vol.25, pp 235-254.
[Browne et Zhang,
1999]
Browne J, Zhang J. Extended and Virtual Enterprises Similarities
and Differences. International Journal of Agile Management
Systems. Vol 1, N1, p30-36, 1999.
[Buffa et Jackson,
1983]
Buffa F.P, Jackson W.J. A Goal Programming Model for Purchase
Planning. Journal of Purchasing and Materials Management, Vol 19,
N 3, pp. 27-34, fall 1983.
[Butera 1991] Butera F. La mtaphore de lorganisation : du chteau au rseau.
Chapitre2 : Les nouveaux modles dentreprise : vers lentreprise
rseau. Les ditions dorganisation, Paris, 1991.
[Carter et Vickery,
1989]
Carter J.R, Vickery S.K. Currency Exchange Rates: Their Impact
on Global Sourcing. Journal of Purchasing and Materials
Management, pp. 19-25, Winter 1989.
[Charnes et Cooper,
1961]
Charnes A, Cooper WW. Management Models and Industrial
Applications of Linear Programming. Wiley, New York, 1961.
[Chaudhry et al.,
1991]
Chaudhry S, Forst F, Zydiak J. A Multicriteria Approach to
Allocating Order Quantity Among Vendors. Production and
Inventory Management Journal, Third Quarter, 1991.
[Chevalier et Hirsh,
1980]
Chevalier A, Hirsh G. Mthodes Quantitatives pour le
Management : Finances, Marketing, Production. Entreprise
Moderne dditions. 1980.
[Chevalier 1996] Chevalier C. Le partenariat : Cahier de recherche du CREFIGE.
1996.
[Christopher 1998] Christopher M. Logistics and Supply Chain Management
Strategies for reducing cost and improving service. 2
nd
ed., London
et al. 1998.
[Church et ReVelle, Church R.L, ReVelle C.S. The Maximal Covering Location
267

1974] Problem. Papers of the Regional Science Association. Vol 32, pp
101-118. 1974.
[Cloutier 1999] Cloutier L. Une approche multi-agents par conventions et contrats
pour la coordination de lentreprise manufacturire rseau. Thse
de doctorat, 1999.
[Coase 1937] Coase R.H. The nature of the firm. Economica N.S., 4, 1937.
[Cohen et Lee, 1988] Cohen M.A, Lee H.L. Strategic Analysis of Integrated Production-
Distribution Systems: Models and Methods. Operations Research,
Vol 6, N2, pp 216-228, 1988.
[Cohen et Lee, 1989] Cohen M.A, Lee H.L. Resource Deployment Analysis of Global
Manufacturing and Distribution Networks. Journal of Manufacturing
Operations Management, Vol 2, pp 81-104, 1989.
[Cohen et al., 1989] Cohen M.A, Fisher M, Jaikumar R. International Manufacturing
and Distribution Networks: a Normative Model Framework, in:
Managing International Manufacturing. Ferdows Edition, North-
Holland, pp 67-93, 1989.
[Cohen et
Kleindorfer, 1993]
Cohen M.A, Kleindorfer P.R. Creating Value through Operations.
Perspectives in Operations Management (Essays in Honor of Elwood
S. Buffa), Kluwer Academic Publishers, Boston, MA, pp 2-21, 1993.
[Cohon 1978] Cohon J. Multiobjective Programming and Planning. Academic
Press, New York, 1978.
[Colson et De Bruyn,
1989]
Colson G, De Bruyn C. Models and Methods in Multiple Objectives
Decision Making. Models and Methods in Multiple Criteria Decision
Making. Pergamon Press, Oxford, 1989.
[Couture et
Loussararian, 1999]
Couture A, Loussararian G. Lentreprise se transforme : de
lorganisation mcanique et fige lorganisation ractive et
vivante. Revue Franaise de Gestion Industrielle, Vol. 18, N2, 1999.
[CTS 1987] Commission Technique de la Sous-traitance. Livre Blanc sur le
Partenariat. AFNOR, Eyrolles 1987.
[Current et Weber,
1994]
Current J, Weber C. Application of Facility Location Modeling
Constructs to Vendor Selection Problems. European journal of
operational research, Vol 76, p. 387-392, 1994.
[Current et Ratick,
1995]
Current J, Ratick S. A model to Assess Risk, Equity and Efficiency
in Facility Location and Transportation of Hazardous Materials.
Location Science, Vol 3, N3, pp 187-201, 1995.
[Current et al., 2001] Current J, Daskin M, Schilling D. Discrete Network Location
268

Models. In Facility Location Theory: Applications and Methods.
Drezner Z, Hamacher H.W. Springer Verlag, 2001.
[Daskin 1995] Daskin M.S. Network and Discrete Location: Models, Algorithms
and Applications. Wiley New York, 1995.
[Degraeve et
Roodhooft, 1998]
Degraeve Z, Roodhooft F. Determining Sourcing Strategies: A
Decision Model Based on Activity and Cost Driver Information.
Journal of Operational Research Society, Vol 49 N8, p781-789.
1998.
[Degraeve et al.,
2000]
Degraeve Z, Labro E, Roodhooft F. An Evaluation of Vendor
Selection Models from a Total Cost of Ownership Perspective.
European Journal of Operational Research, Vol 125, p34-58. 2000.
[Dioguardi 1983] Dioguardi G. Macrofirm : Construction Firms for the Computer
Age. Journal of Construction Engineering and Management, ASCE,
N1, 1983
[Dickson 1966] Dickson G.W. An Analysis of Vendor Selection Systems and
Decisions. Journal of Purchasing, 5-17. 1966.
[Dormier et Fender,
2001]
Dormier PP, Fender M. La Logistique Globale : enjeux principes
- exemples. Editions d'Organisation Paris - 2001.
[Eccles 1984] Eccles R.G. Creating the Collaborative Organization. Harvard
Business School Press, Boston, Massachusetts, 1984.
[Edwards 1971] Edwards W. Social utilities. Engineering Economist, Summer
Symposium Series 6, pp.119-129. 1971.
[Eksioglu 2001] Eksioglu B. Global Supply Chain Models. In Encyclopedia of
Optimization (C.A. Floudas and P.M. Pardalos, Eds), Kluwer
Academic Publishers (2001), Vol. 2, pp. 350-353.
[Ellram 1995] Ellram L.M. Total Cost of Ownership : an Analysis Approach for
Purchasing. Journal of Physical Distribution and Logistics, Vol 25,
N8, p4-23. 1995.
[Erkut et Neuman,
1989]
Erkut E, Neuman S. Analytical Models for Locating Undesirable
Facilities. European Journal of Operational Research, Vol. 40, pp
274-291, 1989.
[Ettinghoffer 1992] Ettinghoffer D. Lentreprise virtuelle ou les nouveaux modes de
travail. Editions Odile Jacob, 1992.
[Eymery 1997] Eymery P. La Logistique de lEntreprise : Supply Chain
Management. Herms, Paris, 1997.
[Fabbe-Costes et Fabbe-Costes N, Brulhart F. Fonctionnement en rseau de
269

Brulhart, 1999] partenaires : conditions de russite. Revue Franaise de Gestion
Industrielle, Vol. 18, N1, 1999.
[Farquhar 1984] Farquhar P. Utility Assessment Methods. Management Science,
Vol. 30, N11, pp 1283-1300, 1984.
[Favrel 1998] Favrel J. LEntreprise Virtuelle : un Essai sur lEtat de lArt.
Sminaire : projet conseil 2000, Lyon, 4 mai 1998.
[Flavell 1976] Flavell R.B. A New Goal Programming Formulation. Omega, N4,
1976.
[Fleischmann et al.,
2000]
Fleischmann B, Meyr H, Wagner M. What is Planning. In "Supply
Chain Management and Advanced Planning". Springer-Verlag,
2000.
[Fontan et al., 2001] Fontan G, Merc C, Erschler J. La planification des flux de
production, dans" Performance industrielle et gestion des flux".
Lavoisier, Paris, 2001.
[Forman et Peniwati,
1998]
Forman E, Peniwati K. Aggregating Individual Judgments and
Priorities with Analytic Hierarchy Process. European Journal of
Operational Research, Vol 108, pp. 165169, 1998.
[Frayret et al., 1999]

Frayret JM, DAmours S, Montreuil B. Risk Assessment and Cost-
Reliability Trade-Off in Virtual Supply Chain Design. Submitted to
International Journal of Production Economics, 12, 1999.
[Geoffrion et al.,
1972]
Geoffrion A, Dyer J, Feinberg A. An Interactive Approach for
Multi-Criterion Optimization, with an Application to the Operation
of an Academic Department. Management Science, Vol 9, N 4, pp.
357-368, 1972.
[Geunes et Chang,
2001]
Geunes J, Chang B. Operations research models for supply chain
management and design, In Encyclopedia of Optimization (C.A.
Floudas and P.M. Pardalos, Eds), Kluwer Academic Publishers
(2001), Vol. 4, pp. 133-145.
[Ghodsypour et
OBrien, 1998]
Ghodsypour S.H, OBrien C. A decision Support System for
Supplier Selection Using an Integrated Analytic Hierarchy Process
and Linear Programming. International Journal of Production
Economics, vol 56-57, pp 199-212. 1998.
[Goetschalckx 2000] Goetschalckx M. Strategic Network Planning. In "Supply Chain
Management and Advanced Planning". Springer-Verlag, 2000.
[Goetschalckx et al.,
2002]
Goetschalckx M, Vidal C, Dogan K. Modeling and Design of
Logistics Systems: A Review of Integrated Strategic and Tactical
270

Models and Design Algorithms. European Journal of Operational
Research, Vol 143, N1, pp 118, 2002.
[Goetschalckx 2003] Goetschalckx M. Supply Chain Models. Notes de Cours Logistics
Systems Design . School of Industrial and Systems Engineering,
Georgia Institute of Technology, Atlanta, Georgia, USA, January
2003.
[Goranson et al.,
1997]
Goranson T, Johnson M, Presley A, Rogers H.J. Metrics for the
Agile Virtual Enterprise Case Study. Proceedings of the 6
th
Annual
National Agility Conference. 1997.
[Gott 1996] Gott A. Empowered Engineering for the Extended Enterprise a
Management Guide. Cambridge, UK, 1996.
[GRECOPME II
2001]
GRECOPME II. Groupement dEntreprises Cooprantes :
Potentialits, Moyens, volutions (Dir. Burlat P). Projet de
recherche, cole des Mines de Saint-tienne, Mars 2001.
[Guitouni 1998] Guitouni A. L'Ingnierie du Choix d'une Procdure d'Agrgation
Multicritre. Thse de Doctorat, Universit Laval, 1998
[Guitouni et Martel,
1998]
Guitouni A, Martel J-M. Tentative Guidelines to Help Choosing an
Appropriate MCDA Method. European Journal of Operational
Research, Vol 109, pp 501 521. 1998.
[Guitouni et al.,
1999]
Guitouni A, Martel J-M, Vincke Ph. Un Cadre de Rfrence pour
le Choix dune Procdure dAgrgation Multicritre. Document de
travail, FSA-1999-013, Universit Laval, Qubec, Canada. 1999.
[Guitouni 2000] Guitouni A. Mthodes Multicritre dAide la Dcision. Notes de
cours MQT-60791, Universit Laval, 2000.
[Hajidimitriou et
Georgiou, 2000]
Hajidimitriou Y.A, Georgiou A.C. International Site Selection
Decisions using Multi-objective Methods. American Business
Review, june 2000.
[Hakimi 1964] Hakimi S.L. Optimum Locations of Switching centers and the
absolute centers and medians of a graph. Operations Research 12,
pp 450-459, 1964.
[Hammami et al.,
2001]
Hammami A, Burlat P, Campagne J.P. Contribution la
Conception et au Pilotage dune Entreprise Rseau. 3
e
Confrence
Francophone de MOdlisation et SIMulation MOSIM01. Avril
2001 Troyes (France).
[Hammami et al.,
2002 (a)]
Hammami A, Burlat P, Boucher X. Distributed enterprises
configuration: orders allocation within Networks of Firms. PRO-
271

VE02: 3rd IFIP Working Conference on Infrastructures for Virtual
Enterprises. Lisbon -Portugal - 1-3 May 2002.
[Hammami et al.,
2002 (b)]
Hammami A, Burlat P, Campagne J.P. A multi-criteria order
allocation procedure for networks of firms. CARs&FOF'2002: 18th
International Conference on CAD/CAM, Robotics and Factories of
the Future. Porto, Portugal. 3-5 July 2002.
[Hammami et al.,
2002 (c)]
Hammami A, Burlat P, Campagne J.P. A Multi Criteria Allocation
Model for Networks of Firms. 15
th
IFAC World Congress on
Automatic Control. Barcelona, Spain. 21-26 July 2002.
[Hammami et al.,
2003 (a)]
Hammami A, Burlat P, Campagne J.P. Evaluating orders
allocation within networks of firms. (Article accept pour publication
en 2003 au : International Journal of Production Economics)
[Hammami et al.,
2003 (b)]
Hammami A, Ait-Kadi D, Burlat P. Prise en Compte de la fiabilit
dans un Problme dAllocation de Commandes. 5
me
Congrs
International de Gnie Industriel - du 26 au 29 octobre 2003
Qubec (Canada)
[Hammami et al.,
2003 (c)]
Hammami A, Burlat P, Campagne J.P. Modlisation analytique du
problme d'allocation de commande dans un rseau d'entreprises. 4
e

Confrence Francophone de MOdlisation et SIMulation :
Organisation et Conduite dActivits dans lIndustrie et les
Services. MOSIM03 du 23 au 25 avril 2003 - Toulouse (France).
[Handy 1989] Handy C. The Age of Unreason. Editions Business Books. 1989.
[Harvey et Richey,
2001]
Harvey M, Richey G. Global Supply Chain Management: the
Selection of Globally Competent Managers. Journal of International
Management, Vol 7, pp 105-128. 2001.
[Hillier et
Lieberman, 2001]
Hillier F.S, Lieberman G.J. Introduction to Operations Research.
McGraw-Hill, 7
th
Edition, New York, NY, 2001.
[Hodder et Dincer,
1986]
Hodder J.E, Dincer M.C. A Multifactor Model for International
Plant Location and Financing Under Uncertainty. Computers &
Operations Research, Vol 13, N 5, pp 601-609, 1986.
[Houlihan 1987] Houlihan J.B. International Supply Chain Management.
International Journal of Physical Distribution and Materials
Management, Vol 17, N2, pp51-66, 1987.
[Hwang et Yoon,
1981]
Hwang C. R, Yoon K. Lecture Notes in Economics and
Mathematical
Systems. Springer-Verlag Berlin Heildelberg, New York, NY, 1981.
272

[Hwang et al., 1990] Hwang H, Moon D.H, Shinn S.W. An EOQ Model with Quantity
Discounts for both Purchasing Price and Freight Cost. Computers
and Operations Research, Vol 17, N1, pp 73-78, 1990.
[Ijiri 1965] Ijiri Y. Management Goals and Accounting for Control. North
Holland, Amsterdam, 1965.
[Jacquet-Lagreze et
Siskos, 1982]
Jacquet-Lagreze E, Siskos J. Assessing a Set of Additive Utility
Functions for Multicriteria decision Making, the UTA Method .
European Journal of Operational Research, Vol10, N2, p151-164.
1982.
[Jacquet-Lagreze et
al., 1987]
Jacquet-Lagreze E, Meziani R, Slowinski R. MOLP with an
Interactive Assessment of a Piecewise Utility Function. European
Journal of Operational Research, Vol 31, N3, pp. 350-357, 1987.
[Jordan 1987] Jordan P.C. Purchasing Decisions Considering Future Price
Increases: an Empirical Approach. Journal of Purchasing and
Materials Management, pp. 25-30, 1987.
[Kasilingam et Lee,
1996]
Kasilingam R.G, Lee C.P. Selection of Vendors A Mixed Integer
Programming Approach. Computers & Industrial Engineering, Vol
31, N 1-2, pp. 347-350, 1996.
[Kaufman et al.,
1977]
Kaufman L, Eede M.V, Hansen P. A Plant and Warehouse
Location Problem. Operational Research Quarterly 28, pp. 547-554,
1977.
[Klada 1974] Klada J. La gestion et la prise de dcision. Editions Aquila,
Montral, Qubec, 1974.
[Keeney et Raifa,
1976]
Keeney R, Raifa H. Decision with Multiobjectives, Preferences and
Value Trade-Offs. Wiley, New York, 1976.
[Kilger 2000] Kilger C. The Selection Process. In "Supply Chain Management and
Advanced Planning". Springer-Verlag, 2000.
[Korhonen et
Laakos, 1986]
Korhonen P, Laakos J. A Visual Interactive Method for Solving the
Multicriteria Problem. European Journal of Operational Research,
Vol 24, N 2, pp. 277-287, 1986.
[Kouvelis 1999] Kouvelis P. Global Sourcing Strategies Under Exchange Rate
Uncertainty, in: Quantitative Models for Supply Chain Management.
Kluwer Academic Publishers, Boston, pp 625-668, 1999.
[Lakhal et al., 2001] Lakhal S, Martel A, Kettani O, Muhittin O. On the Optimization
of Supply Chain Networking Decisions. European Journal of
Operational Research, Vol 129, N 2, pp. 259-270, 2001.
273

[Lariviere 1999] Lariviere M.A. Supply Chain Contracting and Coordination with
Stochastic Demand: , in: Quantitative Models for Supply Chain
Management. Kluwer Academic Publishers, Boston, pp 233-268,
1999.
[Laurentie et al.,
2000]
Laurentie J, Berthlmy F, Grgoire L, Terrier C. Processus et
Mthodes Logistiques Supply Chain Management. AFNOR, Paris,
2000.
[Lee et Rosenblatt,
1986]
Lee H.L, Rosenblatt M.J. A Generalized Quantity Discount Pricing
Model to Increase Suppliers Profits. Management Science, Vol 32,
N 9, pp. 1177-1185, 1986.
[Lee et Billington,
1992]
Lee H.L, Billington C. Managing Supply Chain Inventory: Pitfalls
and Opportunities. Sloan Management Review, pp.65-73, Spring
1992.
[Lee et al., 1993] Lee H.L, Billington C et Carter B. Hewlett-Packard Gains Control
of Inventory and Service through Design for Localization. Interfaces,
Vol 23, N4, p. 1-11, 1993.
[Lee et Billington,
1993]
Lee H.L, Billington C. Material Management in Decentralized
Supply Chains. Operations Research, pp.835-847, Vol. 41, N 5,
1993.
[LE ROBERT 1994] LE ROBERT. Dictionnaire de la langue franaise, Le Robert pour
tous. Dictionnaires LE ROBERT, Paris, 1994.
[Li et Kouvelis,
1999]
Li C.L, Kouvelis P. Flexible and Risk-Sharing Supply Contracts
under Price Uncertainty. Management Science, Vol. 45, N10, pp.
1378-1398, 1999.
[Lorenzoni et Ornati,
1988]
Lorenzoni G. Ornati O.A. Constellations of Firms and New
Ventures. Journal of Business Venturing, Vol 3, N1, pp 41-57,
1988.
[Lorino 1995] Lorino P. Comptes et rcits de la performance : essai sur le pilotage
des entreprises. Editions dorganisation. Paris, 1995.
[Loureno 2001] Loureno H. Supply Chain Management: An opportunity for
Metaheuristics. Working Paper, Grup de Recerca en Logistica
Empresarial
DEE, Universitat Pompeu Fabra, Barcelona, Spain, 2001.
[Love et al., 1988] Love R.F, Morris J.G, Wesolowsky G.O. Facilities Location :
models and methods. North-Holland. 1988.
[Mandal et Mandal A, Deshmukh S.G. Vendor Selection Using Interpretive
274

Deshmukh, 1994] Structural Modelling (ISM). International Journal of Operations &
Production Management, p.52-59, Vol. 14, N6, 1994.
[Martel 2001] Martel A. Mission et Localisation des Installations du Rseau
Logistique.. Logistique Intgre : Cours de Formation Continue.
Centor, Universit Laval, Qubec, Canada, 2001.
[Mayer et al., 1995] Mayer R, Menzel C, Painter M, Witte P, Blinn T, Perakath B.
Information Integration for Concurrent Engineering (IICE) IDEF3
Process Description Capture : Method Report. Armstrong
Laboratory University Drive East College Station Texas - 1995.
[Melachrinoudis et
al., 1995]
Melachrinoudis E, Min H, Wu X. A Multiobjective Model for The
Dynamic Location of Landfills. Location Science, Vol 3, N 3, pp
143-166, 1995.
[Meyer et al., 2000] Meyer H, Wagner M, Rhode J. Structure of Advanced Planning
Systems. In Supply Chain Management and Advanced Planning:
Concepts, Models, Software and Case Studies. Springer-Verlag,
2000.
[Miles et Snow,
1981]
Miles R.E., Snow C.C. Organizational Strategy, Structure and
Process. MacGraw-Hill, New-York, 1981.
[Mirabedini et al.,
2001]
Mirabedini A, DAmours S, Ait-Kadi D. Tactical Planning of
Reliable Supply Chain. 29th International conference of Computer
and Industrial Engineering proceedings (29th ICC&IE), Montreal,
Canada, pp 306-311, Nov. 1-3, 2001.
[Mummalaneni et
al., 1996]
Mummalaneni V, Dubas K.M, Chao C. Chinese Purchasing
Managers ' Preferences and Trade-offs in Supplier Selection and
Performance Evaluation. Industrial Marketing Management, Vol 25,
N2, p115-124. 1996.
[Narasimhan 1983] Narasimhan R. An Analytical Approach to Supplier Selection.
Journal of Purchasing and Materials Management, winter 1983.
[Narasimhan et
Stoynoff, 1986]
Narasimhan R, Stoynoff L.K. Optimizing Aggregate Procurement
Allocation Decisions. Journal of Purchasing and Materials
Management, pp 23-30, 1986.
[Nunes 1994] Nunes P. Formes PME et Organisation en Rseaux. Communication
prsente la 3
me
confrence internationale de management
stratgique. Lyon, 9 -11 mai 1994.
[Nydick et Hill,
1992]
Nydick R.I, Hill R.P. Using the Analytic Hierarchy Process to
Structure the Supplier Selection Procedure. International Journal of
275

Purchasing and Materials Management, p31-36, Spring 1992.
[OKelly 1987] OKelly M.E. A Quadratic Integer Program for Location of
Interacting Hub Facilities. European Journal of Operational
Research, Vol 32, pp 393-404, 1987.
[Owen et Daskin,
1998]
Owen S.H, Daskin M.S. Strategic Facility Location : A Review.
European Journal of Operational Research 111, pp 423-447, 1998.
[Pach et
Paraponaris, 1993]
Pach G, Paraponaris C. Lentreprise en rseau. PUF, 1993.
[Patton 1996] Patton WW. Use of Human Judgment Models in Industrial Buyer's
Vendor Selection Decisions. Industrial Marketing Management,
N25, p135-149. 1996
[Peniwati 1996] Peniwati K. The Analytic Hierarchy Process: the Possibility
Theorem for Group Decision Making. Proceedings of the Fourth
International Symposium on the Analytic Hierarchy Process. pp 202-
214. Vancouver, BC, July 1996.
[Persson et Olhager,
2002]
Persson F, Olhager J. Performance Simulation Of Supply Chain
Designs. International Journal of Production Economics, Vol 77, pp.
231-245, 2002.
[Petroni et Braglia,
2000]
Petroni A, Braglia M. Vendor Selection Using Principal
Component Analysis. The Journal of Supply Chain Management,
spring 2000.
[Phuong Ta et Yin
Har, 2000]
Phuong Ta H, Yin Har K. A Study of Bank Selection Decisions in
Singapore Using the Analytical Hierarchy Process. International
Journal of Bank Marketing, p. 170-180, 18 april 2000.
[Piore et Sabel,
1990]
Piore M.J, Sabel C. The Second Industrial Divide : Possibilities for
Prosperity. Basic Books, Second Edition, New York, 1990.
[Pomerol et Romero,
1993]
Pomerol J.C, Romero S.B. Choix Multicritre dans lEntreprise:
principe et pratique. Hermes, Paris, 1993.
[Pons et Chevalier,
1993]
Pons J, Chevalier P. La logistique intgre. Hermes, Paris, 1993.
[Porter 1986] Porter M. Lavantage concurrentiel. InterEditions, Paris,1986.
[Poulin et al., 1994] Poulin D, Montreuil B et Gauvin S. LEntreprise Rseau : btir
aujourdhui lorganisation de demain. Publi-Relais, Montral
(Qubec), 1994.
[Quinn Mills 1994] Quinn Mills D. LEntreprise Post Hirarchique. InterEditions,
Paris, 1994.
276

[Raschas et Polgue,
1999]
Raschas M, Polgue C. SCM : les pionniers sessoufflent, la
cavalerie arrive. CXP Informations N266. Dcembre 1999.
[Richter et
Stockrahm, 2000]
Richter M, Stockrahm V. Scheduling of Synthetic Granulate. In
"Supply Chain Management and Advanced Planning". Springer-
Verlag, 2000.
[Roboam 1993] Roboam M. La mthode GRAI. Teknea, 1993.
[Roodhoooft et
Konings, 1996]
Roodhooft F et Konings J. Vendor Selection and Evaluation : An
Activity Based Costing. European Journal of Operational Research.
97-102, 1996.
[Rota-Franz et al.,
2001]
Rota-Franz K, Thierry C, Bel G. Gestion des flux dans les chanes
logistiques, dans "Performance industrielle et gestion des flux".
Lavoisier, Paris, 2001.
[Roy 1968] Roy B. Classement et Choix en Prsence de Points de Vue Multiples
(la Mthode Electre). Revue franaise dinformatique et de
recherche oprationnelle. Vol 2, N 8, p57-75. 1968.
[Roy et Bertier,
1971]
Roy B, Bertier P. La Mthode Electre II, une Mthode de
Classement en Prsence de Critres Multiples. Note de travail 142,
Direction Scientifique, Sema, Paris 1971
[Roy 1974] Roy B. Critres Multiples et modlisation des prfrences (lapport
des relations de surclassement). Revue dEconomie Politique, tome
84, N1, p. 1-44, janvier 1974
[Roy 1976] Roy B. From Optimization to Multicriteria Decision Aid : Three
Main Operational Attitudes. In Multiple Criteria Decision Making,
Thiriez H , Zionts S. Springer-Verlag, pp. 1-32, 1976.
[Roy 1978] Roy B. Electre III, un Algorithme de Classement Bas sur une
Reprsentation Floue des Prfrences en Prsence de Critres
Multiples. Cahiers du CERO, Vol 20, N 1, p3-24. 1978.
[Roy et Hugonnard,
1982]
Roy B, Hugonnard J. Ranking of Suburban Line Extension Projects
for the Paris Metro System by a Multicriteria Method.
Transportation Research, Vol 16, p301-312. 1982.
[Roy 1985] Roy B. Mthodologie Multicritre dAide la Dcision. Economica,
Paris, 1985.
[Roy et Skalka,
1985]
Roy B, Skalka J.M. Electre Is, Aspects Mthodologiques et Guide
dUtilisation. Document 30, LAMSADE, Universit de Paris
Dauphine, 1985.
[Roy et Bouyssou, Roy B, Bouyssou D. Aide Multicritre la Dcision : Mthodes et
277

1993] cas. Economica, Paris, 1993.
[Rullire et Torre,
1995]
Rullire J.L, Torre A. Les formes de la coopration inter -
entreprises. Revue Economie Industrielle : dveloppements rcents.
N Exceptionnel 1995.
[Russel et Taylor,
2000]
Russel R, Taylor B. Operations Management. Printice Hall, Inc
2000.
[Saaty 1980] Saaty T.L. The Analytic Hierarchy Process. New York, McGraw-
Hill, 1980.
[Saaty 1989] Saaty T.L. Group Decision Making and the AHP. In The Analytic
Hierarchy Process: Application and Studies. Springer-Verlag, 1989.
[Saaty 1990] Saaty T.L. Multicriteria Decision Making: the Analytic Hierarchy
Process. Pittsburgh, RWS Publications. 1990.
[Sajjad 1999 (a)] Sajjad Z. Synthesizing Intensities of Group Performances in Public
Policy Decisions Using the AHP :Is It Time for the New
Democracy . Canadian Journal of Administrative Sciences, p. 353-
366, april 1999.
[Sajjad 1999 (b)] Sajjad Z. Geometry of Decision Making and the Vector Space
Formulation of the Analytic Hierarchy Process. European Journal of
Operational Research, Vol 112, pp373-396, 1999.
[SAP AG 2002] SAP AG. Production Planning and Detailed Scheduling with SAP


Advanced Planner & Optimizer.
http://www.mysap.com/solutions/scm/brochures/, 2002.
[SCC 2000] Supply Chain Council. http://www.supply-chain.org.
[Schrlig 1985] Schrlig A. Dcider sur Plusieurs Critres : Panorama de lAide
la Dcision Multicritre. Presses polytechniques et universitaires
romandes. Lausanne 1985.
[Schrlig 1996] Schrlig A. Pratiquer Electre et Promthe. Presses polytechniques
et universitaires romandes. Lausanne 1996.
[Schilling 1980] Schilling D.A. Dynamic Location Modeling for Public Sector
Facilities : A Multicriteria Approach. Decision Sciences 11, pp 1-15,
1980.
[Simchi-Levi et al.,
2000]
Simchi-Levi D, Kaminsky P, Simchi-Levi E. Designing and
Managing the Supply Chain : concepts, strategies, and case studies.
Irwin McGraw-Hill, USA 2000.
[Siying et al., 1997] Siying W, Jinlong Z, Zhicheng L. A Supplier Selecting System
Using a Neural Network. International Conference on Intelligent
278

Processing Systems, IEEE, New York, p468-471. 1997.
[Stadtler 2000] Stadtler H. Supply Chain Management: An Overview. In "Supply
Chain Management and Advanced Planning". Springer-Verlag,
2000.
[Steuer et Choo,
1983]
Steuer R, Choo E. An Interactive Weighted Tchebycheff Procedure
for Multiple Objective Programming. Mathematical Programming,
N 26, PP. 326-344, 1983.
[Steuer 1986] Steuer R. Multiple Criteria Optimization: Theory, Computation and
Application. Wiley, New York, 1986.
[Steuer 2000] Steuer R.E. ADBASE : A Multiple Objective Linear Programming
Solver. Terry College of Business, University of Georgia, Athens,
Georgia, 30602, USA.
[Stevens 1989] Stevens G.C. Integrating the Supply Chain. International Journal of
Physical Distribution & Materials Management 19: 3-8, 1989.
[Tam et Tummala,
2000]
Tam M.C.Y, Tummala V.M.R. An Application of the AHP in
Vendor Selection of a Telecommunications System. The International
Journal of Management Science, p. 171-182, omega 29, 2001.
[Tamiz et al., 1998] Tamiz M, Jones D, Romero C. Goal Programming for Decision
Making: An Overview of the Current State-of-the-Art. European
Journal of Operational Research, Vol 111, p569-581. 1998
[Tapon 1989] Tapon F. A transaction cost analysis of innovation in the
organization of pharmaceutical R&D. Journal of Economic
Behavior and Organization, pp 197-213. 1989.
[Tarondeau 1998] Tarondeau J.C. Stratgie Industrielle. Vuibert, Paris, 1998.
[Thierry 1994] Thierry C. Planification et ordonnancement multi-sites : une
approche par satisfaction de contraintes. Suparo, 1994.
[Thompson 1990] Thompson K.N. Vendor Profile Analysis. Journal of Purchasing and
Materials Management, winter 1990.
[Timmerman 1986] Timmerman E. An approach to Vendor Performance Evaluation.
Journal of Purchasing and Materials Management, winter 1986.
[Toregas et al.,
1971]
Toregas C, Swain R, ReVelle C, Bergman L. The Location of
Emergency Service Facilities. Operations Research, 19, pp 1363-
1373, 1971.
[Tsay et al., 1999] Tsay A.A, Nahmias S, Agrawal N. Modeling Supply Chain
Contracts: A review, in: Quantitative Models for Supply Chain
Management. Kluwer Academic Publishers, Boston, pp 299-336,
279

1999.
[Vanderpooten
1988]
Vanderpooten D. A Multicriteria Interactive Procedure Supporting
a Directed Learning of Preferences. Cahiers du Lamsade, Universit
de Paris-Dauphine, 1988.
[Verma et Pullman,
1998]
Verma R, Pullman M.E. An analysis of the Supplier Selection
Process. Omega, Vol 26, N6, p739-750. 1998.
[Vidal et
Goetschalckx, 1996]
Vidal C, Goetschalckx M. The Role and Limitations of Quantitative
Techniques in the Strategic Design of Global Logistics Systems.
Working paper, Version 1.0, Georgia Institute of Technology, 1996.
[Vidal et
Goetschalckx, 1997]
Vidal C, Goetschalckx M. Strategic Production Distribution
Models: A critical Review with Emphasis on Global Supply Chain
Models. European Journal of Operational Research, Vol 98, N1,
pp1-18. 1997.
[Vidal et
Goetschalckx, 2000]
Vidal C, Goetschalckx M. Modeling the Effect of Uncertainties on
Global Logistics Systems. Journal of Business Logistics, Vol 21,
N1, pp95-120. 2000.
[Vidal et
Goetschalckx, 2001]
Vidal C, Goetschalckx M. Global Supply Chain Model with
Transfer Pricing and Transportation Cost Allocation. European
Journal of Operational Research, Vol 129, N1, pp134-158. 2001.
[Vincke 1976] Vincke Ph. Une Mthode Interactive en Programmation Linaire
Plusieurs Fonctions Economiques. Revue Franaise dInformatique
et de Recherche Oprationnelle, N 2, pp. 5-20, 1976.
[Vincke 1989] Vincke Ph. LAide Multicritre la Dcision. Editions de
lUniversit de Bruxelles. Bruxelles 1989.
[Voogd 1983] Voogd H. Multicriteria Evaluation for Urban and Regional
Planning. Pion Ltd, London, 1983.
[Warszawski 1973] Warszawski A. Multi-dimensional location problems. Operational
Research Quarterly 24, pp 165-179, 1991.
[Weber et al., 1991] Weber C.A, Current J.R, Benton W.C. Vendor Selection Criteria
and Methods. European Journal of Operational Research, August, 2-
18. 1991.
[Weber et Current,
1993]
Weber C.A, Current J.R. A Multiobjective Approach to Vendor
Selection. European Journal of Operational Research 68, pp 173-184.
1993.
[Weber et Ellram,
1993]
Weber C.A, Ellram L.M. Supplier Selection Using Multi-objective
Programming: A Decision Support System. International Journal of
280

Physical Distribution & Logistics Management, Vol 23, N 2, pp 3-
14, 1993.
[Weber 1996] Weber C.A. A Data Envelopment Analysis Approach to Measuring
Vendor Performance. Supply Chain Management: An International
Journal, Vol 1, N1, pp 28-39, 1996.
[Weber et Desai,
1996]
Weber C.A, Desai A. Determination of Paths to Vendor Market
Efficiency Using Parallel Coordinates Representation : A
Negotiation Tool for buyers. European Journal of Operational
Research, Vol 90, pp 142-155, 1996.
[Weber et al., 1998] Weber C.A, Current J.R, Desai A. Non-Cooperative Negotiation
Strategies for Vendor Selection. European Journal of Operational
Research, Vol 108, pp 208-223, 1998.
[Weber et al.,
2000(a)]
Weber C.A, Current J.R, Desai A. An Optimization Approach to
Determining the Number of Vendor to Employ. Supply Chain
Management: An International Journal, Vol 5, N2, pp 90-98, 2000.
[Weber et al.,
2000(b)]
Weber C.A, Current J.R, Desai A. VenDOR: a Structured
Approach to Vendor Selection and Negotiation. Journal of Business
Logistics, Vol 21, N1, pp 135-167, 2000.
[Wei et
Goetschalckx, 2002]
Wei S, Goetschalckx M. SMILE Integrated Distribution Model. In
Supply Chain Model. PhD Course : Logistics Systems Design
(Goetschalckx M). School of Industrial and Systems Engineering,
Georgia Institute of Technology, Atlanta, GA 30332-0205, USA.
[White et Case,
1974]
White J.A, Case K.E. On Covering problems and the Central
Facilities Location Problem. Geographical Analysis 6, pp 281-293,
1974.
[Williamson 1985] Williamson O.E. The Economic Institutions of Capitalism : Firms,
Markets, Relational Contracting. The Free Press. New York, 1985.
[Wierzbicki 1980] Wierzbicki A. The Use of Reference Objectives in Multi-Objective
Optimization. In MCDM Theory and Application Fandel G, Gal
T. Springer Verlag, N 177, pp. 468-486, 1980.
[Zarifian 2001] Zarifian P. Le modle de la comptence. Trajectoire historique,
enjeux actuels et propositions . Editions Liaisons, Paris. 2001.
[Zionts et Wallenius,
1976]
Zionts S, Wallenius J. An Interactive Programming Method for
Solving the Multiple Criteria Problem. Management Science, Vol
22, N 6, pp. 652-663.





ANNEXES




ANNEXE A


LES NOUVELLES FORMES DORGANISATIONS


Dfinition A.1 : Lentreprise en trfles

L'entreprise en trfles comporte trois ou quatre sous ensembles qui constituent chacun un
trfle :
Les collaborateurs cls : ils dtiennent le savoir de lorganisation : experts,
techniciens. Ils sont peu nombreux.
Les sous-traitants : ils peuvent se trouver dans des pays diffrents grce aux
nouvelles technologies. Toutes les activits qui ne constituent pas le cur de
lentreprise sont sous-traites.
Les travailleurs : ils sont flexibles (intrimaires par exemple). [Handy 1989]


Dfinition A.2 : Lorganisation en triple I

Cette entreprise ralise la valeur ajoute grce aux 3I, cest--dire grce lIntelligence,
lInformation, et aux Ides. Elle est compose de professionnels et utilise les savoirs. Ce
nest pas lordre qui est le principe intgrateur, mais le consensus. Les niveaux
hirarchiques sont rduits quatre, la structure est plate et compose dquipes auto-
manages. [Handy 1989]



283
Dfinition A.3 : Lentreprise en grappe

Une grappe est un regroupement de personnes venant dhorizons divers, qui travaillent
ensemble, de manire semi-permanente. Trente cinquante personnes constituent ce
groupe. Les grappes sorganisent autour dune quipe centrale (les dirigeants), dquipes
autonomes (qui soccupent des clients extrieurs lentreprise), dquipes fonctionnelles
(les clients sont internes), dquipe projet, dquipes dalliance (les membres passent des
partenariats), dquipes de changement (qui doivent repenser certains aspects de
lorganisation). Les dcisions se font par consensus dans les grappes, il ny a pas de chef
mais des leaders se dtachent grce leurs comptences. Lautonomie de dcision est base
sur la confiance, les comptences et la disponibilit de linformation. Lquipe centrale fixe
les missions, les objectifs financiers, les indicateurs de performance et les modes de
rmunration. Ce type dorganisation peut-tre reprsent par lusine de Square D
Columbia ou General Electric au Canada. [Quinn Mills 1994]


Dfinition A.4 : Joint-venture

Cest une filiale commune deux entreprises. [Rullire et Torre, 1995]


Dfinition A.5 : Consortium dentreprises

Le consortium dentreprises est une alliance stratgique entre plusieurs entreprises qui
unissent leurs ressources pour crer une nouvelle entreprise, dans le but de raliser une
opration ou un projet. La nouvelle entreprise issue de cette alliance est aussi dnomme
consortium. [Poulin et al., 1994].


Dfinition A.6 : Lentreprise fractale

Imagine en Allemagne, elle dcrit une organisation forme dunits de travail semblables,
autonomes et auto organises (les fractales ). Une dlgation de pouvoir importante est
donne aux quipes de travail. Toutefois, elles doivent aligner leurs objectifs sur ceux de
284
lentreprise fractale grce un processus de propagation (onde de navigation ) de ces
objectifs. [Favrel 1998]


Dfinition A.7 : Les systmes de production biologiques

Ils sont dvelopps au Japon. Lentreprise est dcompose en sous-systmes distribus et
autonomes en leur attribuant une intelligence. Ces sous-systmes sont coopratifs au sein
dune entreprise virtuelle. Le systme de production biologique (ou bionique ) est un
concept plus avanc. Par analogie aux systmes vivants, chaque sous-systme peut
sorganiser, se maintenir, se dvelopper et voluer de faon indpendante. [Favrel 1998]






ANNEXE B


DIFFERENTES FORMES DE COOPERATION
INTERENTREPRISES


Dfinition B.1 : Accord de franchise

Cest une alliance formelle en gnral dans le secteur des services par laquelle deux ou
plusieurs entreprises sengagent dans une relation o le vendeur offre son savoir-faire, une
formule commerciale ou des conseils de gestion. [Poulin et al., 1994]


Dfinition B.2 : Accord de licence

Cest une alliance formelle par laquelle deux ou plusieurs entreprises sengagent dans une
relation o le vendeur offre sa technologie, ses brevets, ses marques de commerce ou
dautres avantages de proprit qui peuvent tre utiliss par le dtenteur contre des
paiements de redevances. [Poulin et al., 1994]


Dfinition B.3 : Alliance

Cest un lien formel ou informel entre des nuds industriels du rseau externe dune
entreprise, caractris par une relation de coopration. Dans le cadre dune coopration
informelle, les obligations des nuds partenaires sont modestes, sans base contractuelle, et
chacun deux reste indpendant. Dans le cadre dune alliance formelle, un contrat spcifie
286
les obligations des nuds partenaires. Le niveau de contrle est plus important [Poulin et
al., 1994].


Dfinition B.4 : Coalition

Accords long terme entre firmes allant au-del des transactions courantes, mais restant en
de dune fusion pure et simple. Porter distingue deux types de coalition avec son analyse
de la chane de valeurs :
Coalition verticale : contrats passs avec une entreprise indpendante charge de
raliser des activits cratrices de valeurs.
Coalition horizontale : association pour la ralisation dune activit en commun.
[Porter 1986]


Dfinition B.5 : Coopration

Cest laction de participer une uvre commune [LE ROBERT 1994]


Dfinition B.6 : Co-traitance

Cest la participation de plusieurs entreprises la ralisation dun programme dans une
situation de parit au niveau des responsabilits juridiques et financires.
Les co-traitants peuvent tre solidaires, dans la mesure o ils sont tous engags pour la
totalit du contrat avec le donneur dordres. Toutefois, les relations entre entreprises
demeurent tnues : chacune remplissant de faon autonome sa partie du contrat [Poulin et
al., 1994].


Dfinition B.7 : Externalisation

LExternalisation dans son acception courante, relve du concept de loutsourcing.
L'outsourcing consiste confier un partenaire spcialis une partie des tches de
l'entreprise qui ne correspondent pas son cur de mtier. [http://www.k-buy.com]

287
Dfinition B.8 : Impartition

LImpartition se distingue de la sous-traitance en ce quelle vhicule les ides
fondamentales de confiance et de partage. Elle dsigne donc des relations nobles de
partenariat et de sous-traitance, par opposition aux relations sauvages de dpendance
unilatrale [Nunes 1994].

Limpartition est un lien de partenariat entre deux entreprises, dans lequel le premier
dlgue au second, son fournisseur, une partie de son systme global dactivit [Poulin et
al., 1994]. Les liens dimpartition sont beaucoup plus serrs que de simples liens de sous-
traitance : ils reposent sur la confiance mutuelle entre partenaires. Le but recherch est une
synergie profitable aux deux parties.


Dfinition B.9 : Lien dagence

Pour une entreprise, le principe dun lien dagence est de charger une autre entreprise de
procder sa place des oprations qui impliquent une relation avec des tierces personnes
ou des entreprises [Poulin et al., 1994].


Dfinition B.10 : Maillage

Cest un lien informel entre entreprises caractris par une relation dassociation destine
favoriser lactivit de chacune des entreprises sans que celles ci aient forcment des liens
financiers entre elles [Poulin et al., 1994].


Dfinition B.11 : Parrainage

Cest une alliance informelle tablie pour une dure limite entre deux entrepreneurs dont
le lien est caractris par une relation daide de lentrepreneur A auprs de lentrepreneur B
[Poulin et al., 1994].



288
Dfinition B.12 : Partenariat

Le partenariat est toute forme de coopration qui associe durablement des agents socio-
conomiques, en vue datteindre des objectifs choisis dun commun accord avec pour
consquence ltablissement de relations structurelles [Altersohn 1992].

Dans le cas des relations donneurs dordres sous-traitant, le ministre de lindustrie
(Commission Technique de la Sous-traitance) dfinit le partenariat comme tant :
ltablissement entre donneurs et preneurs dordres de relations dune certaine dure,
fondes sur une recherche en commun dobjectifs moyen ou long terme dans des
conditions permettant la rciprocit des avantages [CTS 1987].


Dfinition B.13 : Sous-traitance

Peuvent tre considres comme activits de sous-traitance industrielle, toutes les
oprations concourant, pour un cycle de production dtermin, lune ou plusieurs des
oprations de conception, dlaboration, de fabrication, de mise en uvre ou de
maintenance du produit en cause, dont une entreprise dite donneur dordres, confie la
ralisation une entreprise, dite sous-traitant ou preneur dordres, tenue de se conformer
exactement aux directives ou spcifications techniques arrtes en dernier ressort par le
donneur dordres.

Sous-traitance de spcialit : lentreprise donneuse dordre fait appel un
spcialiste disposant des quipements et de la comptence adapte ses besoins,
parce quelle ne peut ou ne souhaite pas pour des raisons relevant de sa stratgie
propre, notamment pour des considrations dordre conomique, se doter des
moyens ncessaires au lancement ou au dveloppement dune fabrication, ou parce
quelle estime ses installations insuffisantes ou insuffisamment comptitives pour
cette fabrication (sous-traitance dite structurelle).
Sous-traitance conjoncturelle ou de capacit : lentreprise donneuse dordre,
quipe elle-mme pour excuter un produit, a recours une autre entreprise soit
289
occasionnellement, en raison dune pointe momentane dans sa production ou dun
incident technique, ou de faon plus ou moins habituelle.
Sous-traitance de fonction : opration de sous-traitance portant sur la ralisation
dun sous-ensemble remplissant une fonction prcise dans tout ou partie du produit
considr. [AFNOR X50-300 1987]





ANNEXE C


TERMINOLOGIE A PROPOS DE LA CONCEPTION
ET DE LA GESTION DE CHAINES LOGISTIQUES


Dfinition C.1 : Logistique

La logistique est la planification, l'excution et la matrise des mouvements et des mises en
place des personnes ou des biens, et des activits de soutien lies ces mouvements et ces
mises en place, au sein d'un systme organis pour atteindre des objectifs spcifiques. [NF
X50-600]

"Logistic is the process of planning, implementing and controlling the efficient, cost-
effective flow and storage of raw materials, in-process inventory, finished goods, and
related information from point-of-origin to point-of-consumption for the purpose of
conforming to customer requirements" Council of Logistics Management 1986


Dfinition C.2 : Chane Logistique (Supply Chain (SC))

"The supply chain encompasses every effort involved in producing and delivering a final
product or service, from the supplier's supplier to the customer's customer. " [SCC 2000]

"A supply chain is an integrated process where several business entities such as suppliers,
manufacturers, distributors, and retailers work together to plan, coordinate and control the
291
flow of materials, parts and finished goods from suppliers to customers. This chain is
concerned with two distinct flows: a forward flow of materials and a backward flow of
information." [Eksioglu 2001]

"In a broad sense, a supply chain consists of two or more legally separated organizations,
being linked by materials, information and financial flows. These organizations may be
firms producing parts, components and end products, logistic service providers and even
the (ultimate) customer himself.
In a narrow sense, the term supply chain is also applied to a large company with several
sites often located in different countries.
A supply chain in the broad sense is also named an inter-organizational supply chain, while
the term intra-organizational relates to a supply chain in the narrow sense" [Stadtler 2000]

"A supply chain encompasses all the facilities, functions and activities involved in
producing and delivering a product or service, from suppliers (and their suppliers) to
customers and (and their customers). Supply chain functions include purchasing, inventory,
production, scheduling, facility location, transportation and distribution." [Russel et Taylor,
2000]

"A supply chain is a network of organizations that are involved, through upstream and
downstream linkages, in the different processes and activities that produce value in the
form of products and services in the hand of the (ultimate) customer." [Christopher 1998]

"A supply chain consists of a network of manufacturing and distribution sites that procure
raw materials, transform them into immediate and finished products, and distribute the
finished products to customers. The simplest network consists of one site that performs
both manufacturing and distribution. More complex networks, such that those required to
manufacture mainframe computers, span multiple sites that may be scattered around the
world.
Supply chains are also called value-added chains." [Lee et Billington, 1992]

292
"A supply chain is a network of facilities that performs the functions of procurement of
material, transformation of material to intermediate and finished products and distribution
of finished products to customers." [Lee et Billington, 1993]

"A supply chain is a connected series of activities which is concerned with planning,
coordinating and controlling materials, parts, and finished goods from supplier to customer.
It is concerned with two distinct flows (material and information) through the
organization." [Stevens 1989]

"La chane logistique est l'ensemble du cheminement du flux des produits, du premier des
fournisseurs au client ultime, le consommateur. On distingue les grandes chanes
logistiques de l'entreprise et les petites chanes logistiques, locales (chanes logistiques
internes), entre les diffrents ateliers d'une mme usine par exemple, ces ateliers pouvant
tre chacun client et fournisseur les uns des autres. " [Eymery 1997]


"La chane logistique est l'ensemble des entreprises lies par la fabrication d'un mme
produit." [Fontan et al., 2001]

"La chane logistique d'un produit fini se dfinit comme l'ensemble des entreprises qui
interviennent dans les processus d'approvisionnement en composants, de fabrication, de
distribution et de vente du produit, du premier des fournisseurs au client ultime" [Rota-
Franz et al., 2001]

"A supply chain is two or more parties linked by a flow of goods, information and funds"
[Tsay et al., 1999]

"A supply chain, which is also referred to as the logistics network, consists of suppliers,
manufacturing centers, warehouses, distribution centers, and retail outlets, as well as raw
materials, work-in-process inventory, and finished products that flow between the
facilities" [Simchi-Levi et al., 2000]

293

Dfinition C.3 : Chane Logistique Globale (Global Supply Chain (GSC))

"A global supply chain is a supply chain where one or more of the business entities operate
in different countries." [Eksioglu 2001]

"In a global context, the term used to capture the integration of activities and processes
among organizational entities in multiple countries is referred to as global supply chain
management." [Harvey et Richey, 2001]


Dfinition C.4 : Supply Chain Management (SCM)

"Supply chain management is the coordination and integration of the activities of a supply
chain with the goal of achieving a sustainable competitive advantage. The supply chain
management therefore encompasses a wide rage of strategic, financial, and operational
issues."[Geunes et Chang, 2001]

"Supply chain management is a set of approaches utilized to efficiently integrate suppliers,
manufacturers, warehouses, and stores so that merchandise is produced and distributed at
the right quantities, to the right locations, and at the right time, in order to minimize system
wide costs while satisfying service level requirements." [Simchi-Levi et al., 2000]

"Supply chain management is the task of integrating organizational units along a supply
chain and coordinating materials, information and financial flows in order to fulfil
(ultimate) customer demands with the aim of improving competitiveness of a supply chain
as a whole." [Stadtler 2000]

"Supply chain management is the integration of the various functional areas within an
organization to enhance the flow of goods from immediate strategic suppliers through
manufacturing and distribution chain to the end user." [Houlihan 1987]

294
"Supply Chain Management includes managing supply and demand, sourcing raw materials
and parts, manufacturing and assembly, warehousing and inventory tracking, order entry
and order management, distribution across all channels, and delivery to the customer."[SCC
2000]


Dfinition C.5 : Supply Chain Design

"The supply chain design is the structure of the chain, i.e. the sequential links between
different sourcing, production and distribution activities or processes. This does not include
planning and control. [Persson et Olhager, 2002]


Dfinition C.6 : Reverse Logistic

"Reverse logistic is related to the process of recycling, reusing and reducing the material,
i.e. goods or materials that are sent backwards in the supply chain. "[Loureno 2001]







ANNEXE D


TRAITEMENT DEXEMPLES DE PROBLEMES
MULTICRITERES SUR DES OUTILS LOGICIELS


Exemple de la mthode AHP (Logiciel : Expert Choice)
tape 1 : Dcomposition du problme en une hirarchie dlments inter-
relis. La structure hirarchique du problme est la suivante.
Figure D.1 Structure hirarchique du problme
296
tape 2 : Comparaisons par paires des lments de chaque niveau hirarchique
par rapport un lment du niveau hirarchique suprieur.

Figure D.2 Comparaison par paires des critres

tape 3 : Dtermination de limportance relative des lments en calculant les
vecteurs propres correspondants aux valeurs propres maximales des
matrices de comparaisons.
Les crans ci-aprs dcrivent trois faon diffrentes de reprsenter les
vecteurs propres.

Figure D.3 Vecteur propre correspondant au critre Qualit .
297

Figure D.4 Vecteur propre correspondant au critre Fiabilit.


Figure D.5 Vecteur propre correspondant au critre conomie.

tape 4 : Vrification de la cohrence des jugements.
Tous les jugements sont cohrents ( voir crans ci-dessus : lindice
de cohrence a t encercl)
tape 5 : Calcul de la performance relative de chacune des actions.

Figure D.6 Performance des actions
298
Exemple de la mthode Promthe (Logiciel : Decision Lab)

tape 1 : Modlisation des critres (rectangle gauche de limage cran)

tape 2 : Calcul des P(a
i
, a
k
)

tape 3 : Calcul des flux entrant et sortant pour chaque action a
i
(rectangle en
bas droite de limage cran)

Figure D.7 Modlisation des critres et calcul des flux entrant et sortant

tape 4 : Dtermination des 2 pr-ordres totaux et rangement des actions

En appliquant la mthode Promthe II, on obtient le graphe de surclassement ci-
aprs.
299

Figure D.8 Graphe de surclassement donn par la mthode Promthe II.

En appliquant la mthode Promthe I, on obtient le graphe de surclassement ci-
aprs.


Figure D.9 Graphe de surclassement donn par la mthode Promthe I.



ANNEXE E


LES FONDEMENTS DE LA THEORIE DE LA
DECISION MULTICRITERE


Types de problmatique de dcision
Dans son livre Mthodologie Multicritre dAide la Dcision , Bernard Roy a propos
quatre problmatiques dcisionnelles de rfrence [Roy 1985] :
(1) La problmatique de choix P. : il sagit de choisir un sous-ensemble dactions
aussi retreint que possible en vue dun choix final dune seule action, ce sous-
ensemble contenant des meilleures actions (optima) ou dfaut, des actions
satisfaisantes (satisfecums)
(2) La problmatique du tri P. : il sagit de trier les actions daprs des normes ou
laborer une procdure daffectation. Le rsultat du tri est une affectation de chaque
action une catgorie. Les catgories tant dfinies a-priori.
(3) La problmatique de rangement P. : elle consiste ranger les actions selon un ordre
de prfrence dcroissante.
(4) La problmatique de description P. : son objectif est dclairer la dcision par une
description, dans un langage appropri, des actions et de leurs consquences.
Les actions :
Lensemble des actions peut tre :
301
Dfini en extension : (par numration de ses lments) lorsquil est fini et
suffisamment petit pour que lnumration soit possible.
Dfini en comprhension : lorsquil est infini ou fini mais trop grand pour que
lnumration soit possible.

Stable : il est dfini a priori et nest pas susceptible dtre chang en cours de
procdure.
volutif : il peut tre modifi en cours de procdure.

Globalis : chaque lment de A est exclusif de tout autre.
Fragment : les rsultats du processus de dcision font intervenir des combinaisons
de plusieurs lments de A.

Relation de dominance :
Une action a
i
domine une action a
k
si toutes les valeurs reprsentant les jugements de a
i
sont
suprieures ou gales celles de laction a
k
.

Action efficace :
Une action a
i
est efficace si et seulement si aucune action de A ne la domine.
N.B : lensemble des actions efficaces est gnralement considr comme lensemble des
seules actions intressantes, mme sil existe parfois des arguments pour ne pas rejeter
dfinitivement les actions non efficaces.

Dtermination de lensemble des actions efficaces :
La mthode de dtermination de lensemble des actions efficaces dpend de la nature du
problme traiter (linaire, linaire mixte, .).
Pour un problme linaire, on peut appliquer le thorme de Steuer [Steuer 1986] pour
dterminer lensemble des solutions efficaces
302
Thorme de Steuer :
Lorsque les g
i
(objectifs) sont linaires, et que les contraintes dfinissent un
ensemble convexe, alors x A est une solution efficace Il existe un jeu de poids
) ,....., , (
2 1
n w w w w= , avec

=
=
n
j
j
w
1
1, tel que x est solution de

=
n
j
j j
x
x g w Max
1
) ( .

N.B : Il suffit de dterminer les solutions extrmes efficaces, les autres solutions
efficaces pouvant tre obtenues en prenant une combinaison convexe des sommets
adjacents.

Modlisation des prfrences :
Modle traditionnel : a, b A, aPb g(a)>g(b)
aIb g(a)=g(b)
S=(P U I)
Une relation S sappelle un pr-ordre total (ou complet) si elle correspond la
situation o on peut ranger les lments de A du meilleur au moins bon avec
dventuels ex quo :
aSb g(a)g(b)
En dautres termes, une structure de prfrence est une structure de pr-ordre total
si elle est reprsentable par le modle traditionnel. Cest une structure dordre total
si, de plus, la relation I se limite aux couples identiques.
Sil ny a pas de dex aequo, S est un ordre total.

Modle seuil : a, b A, aPb g(a)>g(b) + q
aIb |g(a)-g(b)|q
Une structure de prfrence est une structure de quasi-ordre si elle est reprsentable
par le modle seuil .

Modle seuil variable : a, b A, aPb g(a)>g(b) + q(g(b))
303
aIb
q(g(a)) g(a) g(b)
q(g(b)) g(b) g(a)
+
+


Une structure de prfrence est une structure de dordre dintervalle si elle est
reprsentable par modle seuil variable.

Modle deux seuils (seuil dindiffrence et seuil de prfrence) : a, b A,

+
+

+ > +
+ >

b g a g q a g
a g b g q b g
aIb
b g q b g a g b g p b g aQb
b g p b g a g aPb
) ( )) ( ( ) (
) ( )) ( ( ) (
)) ( ( ) ( ) ( )) ( ( ) (
)) ( ( ) ( ) (

La structure de pseudo-ordre correspond un modle deux seuils dans lequel on
impose :
g(a)>g(b) g(a) + q(g(a))> g(b) + q(g(b))
g(a) + p(g(a))> g(b) + p(g(b))

Une structure dordre partiel est une structure qui permet de ranger les lments de
A du meilleur au moins bon sans ex quo, tout en autorisant la prsence de
couples dactions incomparables.

Une structure de pr-ordre partiel est une structure qui permet de ranger les
lments de A du meilleur au moins bon avec dventuels ex quo, tout en
autorisant la prsence de couples dactions incomparables.
On parle aussi de structure de quasi-ordre partiel et dordre dintervalle partiel.

La Figure E.1 synthtise les structures de prfrences les plus usites :


304
Relation de surclassement : une relation de surclassement est une relation binaire S
dfinit dans A telle que aSb a surclasse c sil y a suffisamment darguments pour
admettre que a est au moins aussi bonne que b, sans quil y ait de raison importante
de refuser cette affirmation. [Roy 1974]

Figure E.1 Synthse des relations de surclassement les plus usites
Types de critres :
Afin dexpliquer les diffrents types de critres, nous supposons que nous disposons de
deux actions a et b que nous souhaiterions dpartager. Nous donnons une note (une
valuation) chacune des deux actions.
Le vrai critre : Nous parlons de vrai critre lorsque laction qui reoit la
meilleure note sera prfre lautre. Il ny a indiffrence que
si les deux notes sont gales.
Structure dordre
dintervalle
Structure de quasi-
ordre
Structure de pr-
ordre total
Structure dordre
total
Structure dordre
dintervalle partiel
Structure de quasi-
ordre partiel
Structure de pr-
ordre partiel
Structure dordre
partiel
Seuil constant
Transitivit de I
Pas dex aequo
R
305

Le quasi-critre : Nous parlons de quasi-critre lorsquil y a une plage
dindiffrence [-q, q]. Il y a indiffrence entre les actions a et b
lorsque lcart de leur valuation tombe dans la plage [-q, q].

Le pseudo-critre : Dans un pseudo-critre, on introduit en plus de la plage
dindiffrence du quasi-critre, un plage pour la prfrence
faible.

Le pr-critre : Un pr-critre est un vrai critre auquel on a introduit une plage
de prfrence faible.
b P a a P b
a I b
b I a
0
(g
j
(a)) (g
j
(b))
q -q
b P a a P b
a I b
b I a
0
(g
j
(a)) (g
j
(b))
q -q
b Q a a Q b
p -p
b P a a P b
a I b
b I a
0
(g
j
(a)) (g
j
(b))
b Q a a Q b
p -p
b P a a P b
a I b
b I a
0
(g
j
(a)) (g
j
(b))
306
La compensation entre les critres :
Laspect compensatoire dune mthode traduit la plus ou moins grande possibilit de
contrebalancer un dsavantage sur un critre
[Colson et De Bruyn, 1989] dclarent que toute mthode de dcision multicritre peut tre
soit :
(1) compensatoire : dans ce cas, on admet une compensation absolue entre les
diffrentes valuations. Ainsi, une bonne performance sur un critre peut tre
facilement contrebalance par une faible performance sur un autre critre. Plusieurs
mthodes figurent dans cette catgorie par exemple la mthode de la somme
pondre.
(2) Non compensatoire : aucune compensation nest accepte entre les diffrentes
dimensions. Le dcideur peut noncer que les dimensions sont suffisamment
importantes pour refuser toute sorte de compensation ou de compromis. On peut
citer la mthode lexicographique.
(3) Partiellement compensatoire : dans ce cas, une sorte de compensation est accepte
entre les diffrentes dimensions ou critres. La plupart des mthodes multicritres se
trouvent dans cette catgorie. Le problme majeur est dvaluer le degr de
compensation de chacune des mthodes.

Classement direct Classement inverse Classement final :
Classement direct
Le classement direct se base sur le fait quune action surclasse une autre. Dans le graphe ci-
aprs, cette situation se traduit par une flche issue de laction en question [Schrlig 1996].
307

Figure E.2 Exemple dun graphe de surclassement
On sintresse au vainqueur dans un couple dactions. Donc, si on cherche les actions
placer en tte du classement, il est normal de sintresser aux actions qui ne sont surclasses
par aucune autre action (en dautres termes qui ne sont pas un aboutissement dune ou de
plusieurs flches). Dans le graphe ci-dessus, ce sont les actions B, C, G qui ont cette
proprit : ce sont les actions de rang 1. On supprime les actions de rang 1 et on
recommence le mme raisonnement, on trouvera les actions de rang 2. On poursuit la
procdure de proche en proche jusqu ce que toutes les actions soient balayes (Figure
E.3).
Figure E.3 Mode de fonctionnement du classement direct

Ainsi, les rsultats du classement direct sont :

A
C
B
E
F
G
H
D

E
D
A
C
B
E
F
G
H
D
Rang 1 = {G, B, C} Rang 2 = {H, F}
A
E
F
H
D
Rang 3 = {E}
308
Rang Action
1
2
3
4
5
B, C, G
F, H
E
A
D
Tableau E.1 Classement direct

Classement inverse
Le classement inverse traduit une autre manire de voir les choses. On ne se concentre pas
sur le fait quune action surclasse une autre, mais sur le fait quelle est surclasse par une
autre. Dans le graphe de surclassement, cette situation se traduit par une flche qui aboutit
laction en question [Schrlig 1996].
Si lon cherche quelles sont les actions placer cette fois en queue du classement, il est
normal dans cette optique de chercher les actions qui nen surclassent aucune autre (en
dautres termes, qui ne sont pas origine dune ou de plusieurs flches).
Dans lexemple prcdent, ces sont les actions D et H qui occuperont la dernire place du
classement. On enlve ces actions et les flches qui y aboutissent et reprend le mme
raisonnement jusqu ce que toutes les actions soient balayes (Figure E.4).

Figure E.4 Mode de fonctionnement du classement inverse

A
C
B
E
F
G
H
D
Rang 5 = {D, H} Rang 4 = {A, B} Rang 3 = {E}
E
A
C
B
F
G
E
C
F
G
309
Ainsi, les rsultats du classement inverse sont :

Rang Action
1
2
3
4
5
G
C, F
E
A, B
D, H
Tableau E.2 Classement inverse

Classement final
Le classement final est une agrgation des rsultats obtenus par les classements direct et
inverse. Le classement final peut se faire de plusieurs faons : [Roy et Bertier, 1971] ont
prconis de calculer pour chaque action la moyenne de ses deux rangs, [Roy et Bouyssou,
1993] ont suggr un classement final qui est le rsultat dune intersection au sens de
thorie des ensembles.

Le classement final suggr dans [Roy et Bouyssou, 1993] obit aux conditions suivantes :
Une action du classement final ne peut tre place devant une autre que si elle est
situe devant celle-ci dans un des deux classements et devant elle ou ex quo avec
elle dans lautre.
Deux actions ne peuvent tre ex quo dans le classement final que si elles
appartiennent la mme classe dans les deux classements.
Deux actions sont incomparables si lune est devant lautre dans un des deux
classements, et lautre est devant la premire dans lautre classement.

Le classement final selon la mthode de [Roy et Bertier, 1971] est rcapitul dans le tableau
suivant.



310
Action Classement direct (P1) Classement inverse (P2) Score (P1+P2) Classement final
A 7 5 12 7
B 1 5 6 3
C 1 2 3 2
D 8 7 15 8
E 6 4 10 5
F 4 2 6 3
G 1 1 2 1
H 4 7 11 6

Le classement final selon la mthode de [Roy et Bouyssou, 1993] est reprsent dans la
Figure E.5.

Figure E.5 Classement final selon la mthode [Roy et Bouyssou, 1993]

Classement mdian
En procdant un classement final, on peut se trouver dans des situations dincomparabilit
dactions (dans lexemple prcdent B et F sont incomparables), ce qui narrange pas
certains dcideurs qui veulent absolument un classement mdian, cest dire sans
A
C
B
E
F
G
H
D
311
incomparabilit. En dautres termes, ils cherchent obtenir un prordre complet : un ordre
qui ne comporte que des prfrences ou des indiffrences.
Pour ce faire, on dpartage les actions incomparables ayant mme rang dans le classement
final de la faon suivante : on dtermine la diffrence de positions des actions en question
dans les deux premiers classements (direct et inverse). On choisit dordonner ces actions de
faon privilgier celles qui sont plutt stables celles qui sont plutt baladeuses [Schrlig
1996].
Dans lexemple prcdent, les actions E et H avaient le mme rang (rang 4) au classement
final. Selon les classements direct et inverse, E a une diffrence de positions gale 2 (6
4), alors que H accuse une diffrence de positions gale 3 (7 4). On place donc E devant
H.
On applique le mme raisonnement aux actions B et F, on trouve que pour ces deux actions,
la diffrence est gale 2. On considre donc quil y a indiffrence entre B et F.
N.B : laction H a une position 7 selon le classement inverse, car elle est prcde par les 6
actions (G, C, F, E, A et B). Idem pour la position selon le classement direct.
Le classement mdian tir du classement final est prsent au tableau ci-dessous.

Rang Action
1
2
3
4
5
6
7
G
C
F, B
E
H
A
D
Tableau E.3 Classement mdian

312

Les grandes classes de mthodes multicritres :
Le Tableau E.4 synthtise les grandes classes de mthodes multicritres.
Classe de Mthodes Modle Utilis Nombre de
fonctions objectifs
ou indicateurs
Considration de
critres multiples
Mthodes
doptimisation
Programmation
mathmatique simple
Goal Programming
Programmation
Mathmatique
Objectifs Multiples
1

1

>1
Non

Oui

Oui

Mthodes
Multicritres
Fonctions dUtilit
Mthodes de
Surclassement
1

>1
Oui

Oui
Tableau E.4 Synthse des grandes classes de mthodes multicritres [Chevalier et
Hirsh, 1980]




ANNEXE F


DIFFERENTS MODELES POUR LE PROBLEME
FCLP


Afin de clarifier la notion dchelon, nous prsentons dans la Figure F.1 une schmatisation
dune chane logistique dun produit o le nombre dchelons est gal 3. En effet, le
nombre dchelons est gal au nombre de niveaux de dcisions.
Figure F.1 Problme de localisation trois chelons
Fournisseurs Clients Entrepts Sites de production
Niveaux de dcision
314
Dans la suite de ce paragraphe, on adopte la notation suivante :
I = ensemble des installations du premier niveau. ( i : indice des installations du
premier niveau). On utilise galement dans cette annexe les fournisseurs ou les sites
de production pour indiquer les installations de ce niveau.
J = ensemble des installations intermdiaires ( j : indice des installations
intermdiaires comme les sites de production, les entrepts de stockage, les centre
de distribution )
K = ensemble des points de demande. ( k : indice des points de demande). On utilise
galement dans ce cette annexe le terme client pour indiquer les points de demande.
Dans les figures qui suivent, les installations potentielles (celles-ci sont concernes
par des dcisions douverture ) seront reprsentes en traits interrompus. En
revanche, les installations dj ouvertes peuvent tre concernes par des dcisions
de fermeture ou dextension; elles seront donc reprsentes par des traits continus.
Les points de demande ne sont pas concerns par ce choix.

Modle 1 : { dterministe, capacits infinies, statique, cots linaires,
mono-objectif, 1 chelon, 1 produit}.
The Simple uncapacitated Facility Location model (SUFL) [Aikens
1985]
Figure F.2 Reprsentation du modle 1 avec 4 installations et 3 clients
1
2
3
4
Installations (Fournisseurs)
x
11

x
43

Clients
1
2
3
315
On dispose dun ensemble J de fournisseurs chargs dapprovisionner un ensemble K de
clients. On se propose de dterminer les fournisseurs solliciter ( ouvrir) pour satisfaire
les demandes clients tout en minimisant les cots associs.
La structure gnrale du modle mathmatique est la suivante :
Donnes :
c
jk
= cot de la totalit de la commande du client k si elle est
assure par linstallation j.
f
j
= cot fixe de lengagement (ouverture) de linstallation j.
J

= ensemble de toutes les installations.
K = ensemble de tous les clients.
Variables de dcision :
x
jk
= proportion de la demande du client k satisfaite par
linstallation j.
z
j
= 1 si linstallation j est ouverte.
= 0 Sinon.
Modle :
Minimiser



+
J j
j j
J j K k
jk jk z f x c

Sujet :
K k , x
J j
jk =

1
F.1
K. k J j 0, x - z jk j , F.2
K. k J j 0, x jk , F.3
{ } . J j , 1 0, zj F.4

La fonction objectif minimise la somme des cots dacquisition et douverture.
La contrainte (F.1) assure que la totalit de la demande de chaque client est satisfaite.
La contrainte (F.2) assure quun client ne peut tre approvisionn qu partir dune
installation ouverte.
Le modle 1 est donc un programme linaire mixte (Mixed Integer Linear Program MILP) :
certaines variables de dcision sont relles, dautres sont binaires.

316
Modle 2 : { dterministe, capacits infinies, statique, cots linaires,
mono-objectif, multi-chelons, 1 produit}.
The simple uncapacitated multi-echelon facility Location model
(SUPW) [Aikens 1985]
Dans ce modle, on traite le problme de localisation multi-chelons. Les installations sont
rparties sur plusieurs niveaux. On dispose chaque niveau j de n
j
installations charges
dapprovisionner les n
j+1
installations du niveau j+1.
On se propose de dterminer les installations ouvrir chaque niveau pour satisfaire les
demandes clients tout en minimisant les cots associs.
Modle 2.a : formulation dun problme ayant 2 chelons
Figure F.3 Reprsentation du modle 2 avec 1 chelon (4 fournisseurs, 3 sites de
production, 3 clients)

Pour des raisons de clart, on prsente dans un premier lieu, le modle analytique pour un
problme 2 chelons seulement.
La structure gnrale du modle mathmatique est la suivante [Kaufman et al., 1977] :

Sites de production Clients Entrepts
Niveau 1 Niveau 3 Niveau 2
Nombre dchelons = 2
317
Donnes :
c
ijk
= cot de production et de distribution de la totalit de la
commande du client k si la commande est ralise par le site de
production i et a transit par lentrept j.
f
i
= cot fixe de lengagement du site de production i (en dautres
termes linstallation i du niveau 1).
g
j
= cot fixe de lengagement de lentrept j (en dautres termes
linstallation j du niveau 2).
I = ensemble de tous les sites de production (les installations de
niveau 1).
J = ensemble des tous les entrepts (les installations de niveau
2).
K = ensemble de tous les clients.
Variables de dcision :
x
ijk
= proportion de la demande du client k satisfaite par le site de
production i et lentrept j.
z
i
= 1 si linstallation i du niveau 1 est ouverte.
= 0 Sinon.
y
j
= 1 si linstallation j du niveau 2 est ouverte.
= 0 Sinon.
Modle :
Minimiser



+ +
J j
i i
I i
i i
I i J j
ijk ijk
K k
y g z f x c

Sujet :
K k , x
J j
ijk
I i
=


1
F.5

K.. k I i , z x i
J j
ijk

,
F.6

K.. k J j , y x j
I i
ijk

,
F.7
K.. k J j I, i 0, xijk , F.8
{ } . I i , 1 0, zi ; { } . J j , 1 0, yj F.9

318
La fonction objectif minimise le cot total dacquisition et douverture dinstallations.
La contrainte (F.5) assure que la totalit de la demande de chaque client est satisfaite.
La contrainte (F.6) assure quun client nest approvisionn qu partir dun site de
production ouvert.
La contrainte (F.7) assure quun client nest approvisionn qu partir dun entrept ouvert.
Ce modle est un programme linaire mixte.

Modle 2.b : Gnralisation un problme ayant N chelons
[Tcha et Lee, 1984] ont propos un modle de localisation N chelons dont la formulation
est la suivante :
Donnes :
P = ensemble de tous les chemins possibles p. Un chemin possible
est une succession dinstallations adjacentes permettant de
satisfaire une proportion de la commande dun client.
I(j) = ensemble de toutes les installations potentielles i(j) du niveau
j.
J = nombre de niveaux.
K = ensemble de tous les clients.
P
i(j)
= ensemble de tous les chemins qui traversent linstallation
numro i au j
me
niveau.
c
pk
= cot variable (production + distribution) associ
lapprovisionnement du client k par le chemin p.
f
i(j)
= cot fixe de louverture de linstallation numro i du niveau j.
Variables de dcision :
x
pk
= proportion de la demande du client k satisfaite par le chemin
p.
z
i(j)
= 1 si linstallation i(j) du niveau j est ouverte.
= 0 Sinon.



319
Modle :
Minimiser


=
+
1 - J
1 j j I j i
j i i(j)
K k P p
pk pk z f x c
) ( ) (
) (

Sujet :
K k , x
P p
pk =

1
F.10
1 - J 2, - ...J 2, 1, j I(j), i(j) , K k , P p , z x i(j) i(j) pk = F.11
{ } 1. - J 2, - ...J 2, 1, j I(j), i(j) , 1 0, (j) zi = ; F.12
K.. k P, p 0, xpk F.13

La fonction objectif minimise les cots dacquisition et douverture. La contrainte (F.10)
assure que la totalit de la demande de chaque client est satisfaite. La contrainte (F.11)
assure que pour tout chemin slectionn, toutes les installations sont ouvertes, ce qui
garantit quun client nest approvisionn qu partir dinstallations ouvertes.
Notons que dans le modle prsent ci-haut, on a raisonn sur le nombre de niveaux J et
non sur le nombre dchelons N. Ce choix est fait pour simplifier le modle et se justifie par
la relation qui lie le nombre dchelons N au nombre de niveaux J ( J=N+1).
Ce modle est un programme linaire mixte.

La Figure F.4 reprsente un problme de localisation dinstallations 4 niveaux (3
chelons). Les flches en gras reprsentent le chemin suivant {3(1), 2(2), 1(3), 2(4)} qui
relie linstallation numro 3 du niveau 1, linstallation numro 2 du niveau 2, linstallation
numro 1 du niveau 3 et le client numro 2 du niveau 4.
Figure F.4 Reprsentation dun chemin possible dans un problme 3 chelons.
Niveau 1 Niveau 4 Niveau 3 Niveau 2
320

Ce prsent modle est pratique pour les problmes de petites tailles. Toutefois, pour les
problmes de grande taille, il devient trs lourd appliquer car il exige lnumration de
tous les chemins possibles des installations du premier niveau vers les clients.

Modle 3 : { dterministe, capacits infinies, statique, cots linaires,
mono-objectif, 1 chelon, p produits }.
Multicommodity Uncapacitated Facility Location (MUF) [Aikens
1985]
[Warszawski 1973] est lun des premiers avoir propos un modle pour le problme de
localisation dinstallations multi-produits. La formulation mathmatique du modle quil a
propos est la suivante :
Donnes :
c
ikp
= cot de la production et de la distribution de la totalit de la
commande du client k pour le produit p si elle est assure par
linstallation i.
f
ip
= cot fixe de louverture de linstallation i pour produire le
produit p.
D
kp
= demande totale du client k pour le produit p.
P = ensemble de tous les produits.
I = ensemble de toutes les installations.
K = ensemble de tous les clients.
Variables de dcision :
x
ikp
= proportion de la demande du client k pour le produit p
satisfaite par linstallation i.
z
ip
= 1 si linstallation i est ouverte pour livrer le produit p.
= 0 Sinon.


321
Modle :
Minimiser



+
I i I i
ip
P p
ip
K k P p
ikp ikp z f x c

Sujet :
P p K, k 0, D si 1, x kp
I i
ikp > =


F.14
P p K, k I, i , z x ip ikp ; F.15

I i 1, z
P p
ip


F.16 *
P p K, k I, i , 0 xikp F.17
{ } P p I, i , 1 0, zip F.18

La fonction objectif minimise la somme des cots dacquisition des produits et des cots
douverture des installations.
La contrainte (F.14) assure que la totalit de la demande de chaque client k et pour tout
produit p est satisfaite.
La contrainte (F.15) assure que lapprovisionnement du client k en produit p ne se fait qu
partir dune installation ouverte.
* La contrainte (F.16) est ajoute au modle pour traduire lexigence suivante : une
installation i ne peut produire quun seul produit. Si cette exigence nest pas spcifie, la
contrainte (F.16) sera omise.
Ce modle est un programme linaire mixte.
Modle 4 : { dterministe, capacits infinies, dynamique, cots linaires,
mono-objectif, 1 chelon, 1 produit }.
Dynamic uncapacitated facility location problem (DUFW) [Aikens
1985]
Modle 4.a (DUFW) : [Warszawski 1973]
[Warszawski 1973] est lun des premiers avoir propos un modle de programmation
dynamique pour le problme de localisation dinstallations. Dans son modle, Warszawski
distingue deux cots associs lengagement dune installation : un cot fixe douverture et
322
un cot fixe de dmarrage-prparation. Le cot douverture est considr pour toutes les
priodes de temps o linstallation est engage. Le cot de dmarrage ne sera pas considr
la priode s+1 si linstallation a t engage la priode s.
La formulation mathmatique du modle propos par Warszawski est la suivante :
Donnes :
c
iks
= cot de la production et de la distribution de la totalit de la
commande du client k si elle est assure par linstallation i la
priode s.
b
is
= cot fixe de louverture de linstallation i la priode s (par
exemple : capital + cot de la maintenance).
a
is
= cot fixe de dmarrage de la production (en fait si
linstallation i est ouverte la priode s et s+1, alors le cot de
dmarrage nest pay quune seule fois : cest celui de la
priode s).
D
ks
= demande totale du client k la priode s.
I = ensemble de toutes les installations.
K = ensemble de tous les clients.
S = ensemble de toutes les priodes de temps.
S S = S {1}
Variables de dcision :
x
iks
= proportion de la demande du client k satisfaite la priode
s par lusine i.
z
is
= 1 si linstallation i est ouverte la priode s.
= 0 Sinon.
Modle :
Minimiser

)
'


+ + +
I i
1 - s i, is
S s
is
I i I i I i
i1 i1
S s
is is
K k S s
iks iks z - (1 z a z a z b x c

Sujet :
S s K, k 0, D si 1, x ks
I i
iks > =


F.19
S s I, i , z x is iks ; F.20
S s K, k I, i , 0 xiks F.21
323
{ } S s I, i , 1 0, zip F.22

La fonction objectif minimise le total des cots dacquisition, des cots douverture et des
cots de dmarrage.
La contrainte (F.19) assure que la totalit de la demande dun client est satisfaite chaque
priode.
La contrainte (F.20) assure que lapprovisionnement du client k la priode s est possible
lorsque linstallation est ouverte.

Modle 4.b (DUFL) : ([Roodman et al., 1975] [Wesolowski et al., 1975] [Van Roy et
al., 1982])
Le temps est le nouveau paramtre introduit dans le modle DUFL par rapport au modle
DUFW. Il sagit de sparer les dcisions de localisation et les dcisions de commande. La
formulation mathmatique de ce problme est la suivante :
Donnes :
c
ikts
= cot de la production et de la distribution de la totalit de la
commande du client k la priode t si elle est assure par
linstallation i la priode s.
f
is
= cot fixe de louverture de linstallation i la priode s.
I = ensemble de toutes les installations.
K = ensemble de tous les clients.
S = ensemble de toutes les priodes de temps relatives aux
dcisions de localisation des installations.
T = ensemble de toutes les priodes de temps relatives aux
dcisions de commande.
Variables de dcision :
x
ikts
= proportion de la demande de la priode t du client k satisfaite
la priode s par linstallation i.
z
is
= 1 si linstallation i est ouverte la priode s.
= 0 Sinon.

324
Modle :
Minimiser



+
I i
is is
S s T t I i K k S s
ikts ikts z f x c

Sujet :
T t K, k 1, x
I i
ikts
S s
=



F.23
S s T, t K, k I, i , z x is ikts ; F.24
S s T, t K, k I, i , xikts 0 F.25
{ } S s I, i , 1 0, zis F.26

La contrainte (F.23) assure que la totalit de la demande de chaque client et pour toute
priode est satisfaite.
La contrainte (F.24) assure que lapprovisionnement du client k la priode t ne se fait qu
partir dune installation ouverte.

Modle 5 : { dterministe, capacits finies, statique, cots linaires, mono-
objectif, 1 chelon, 1 produit }.
Capacitated facility location problem (SCFL) [Aikens 1985]
La formulation mathmatique du problme de localisation dinstallations capacits finies
est la suivante :
Donnes :
c
ik
= cot de la production et de la distribution de la totalit de la
commande du client k si elle est assure par linstallation i.
f
i
= cot fixe de louverture de linstallation i.
D
k
= demande du client k.
S
i
= capacit de linstallation i.
I = ensemble de toutes les installations.
K = ensemble de tous les clients.
Variables de dcision :
x
ik
= proportion de la demande du client k satisfaite par
325
linstallation i.
z
i
= 1 si linstallation i est ouverte.
= 0 Sinon.
Modle :
Minimiser

i
I i
i
I i K k
ik ik z f x c


+

Sujet :
I i z S x D i i ik k
K k

,
F.27

K k 1, xik
I i
=

;
F.28
1 x 0 ik F.29
{ } I i , 1 0, zi F.30

La contrainte (F.27) assure que lapprovisionnement du client k ne se fait qu partir dune
installation ouverte et que la quantit approvisionne ne dpasse pas la capacit de
linstallation.
La contrainte (F.28) assure que la totalit de la demande de chaque client est satisfaite.

Capacitated facility location problem (SCFL) [Aikens 1985]
Une autre formulation mathmatique du problme de localisation dinstallations capacits
finies est prsente ci-aprs :
Donnes :
C
ik
= cot unitaire de la production et de la distribution la
commande du client k si elle est assure par linstallation i.
f
i
= cot fixe de louverture de linstallation i.
D
k
= demande du client k.
S
i
= capacit de linstallation i.
I = ensemble de toutes les installations.
K = ensemble de tous les clients.
Variables de dcision :
X
ik
= le nombre dunit de la commande du client k fournies par
326
linstallation i.
z
i
= 1 si linstallation i est ouverte.
= 0 Sinon.
Modle :
Minimiser

i
I i
i
I i K k
ik ik z f X C


+

Sujet :
I i z S X i i ik
K k

,
F.31

K k , D X k ik
I i
=

;
F.32
0 X ik F.33
{ } I i , 1 0, zi F.34

La contrainte (F.31) assure que lapprovisionnement du client k ne se fait qu partir dune
installation ouverte et que la quantit approvisionne ne dpasse pas la capacit de
linstallation.
La contrainte (F.32) assure que la totalit de la demande de chaque client est satisfaite.

Modle gnralis de localisation dinstallations capacits finies.[Geoffrion et al.,
1978]
Generalized Capacitated Facility Location model (GCFL)
Le modle gnralis de localisation dinstallations a lavantage de prendre en compte les
capacits minimales et maximales de chaque installation. La formulation mathmatique du
modle gnralis de localisation dinstallations capacits finies est prsente ci-aprs :
Donnes :
c
ik
= cot de la production et de la distribution de la totalit de la
commande du client k si elle est assure par linstallation i.
f
i
= cot fixe de louverture de linstallation i.
D
k
= demande du client k.
i V = charge minimale exige par linstallation i.
i V
= capacit maximale de linstallation i.
327
I = ensemble de toutes les installations.
K = ensemble de tous les clients.
a
ikq
, b
i
,
r
q

= les constantes correspondant aux contraintes linaires qui
traduisent les exigences du management
Variables de dcision :
x
ik
= proportion de la demande du client k satisfaite par
linstallation i.
z
i
= 1 si linstallation i est ouverte.
= 0 Sinon.
Modle :
Minimiser

i
I i
i
I i K k
ik ik z f x c


+

Sujet :
I i z V x D z V i i ik k
K k
i i

,
F.35

K k 1, xik
I i
=

;
F.36

Q q , r z b x a q i iq
I i
ik ikq
K k I i
> +



F.37
1 x 0 ik F.38
{ } I i , 1 0, zi F.39

La contrainte (F.35) assure que les quantits traites par chaque installation dpassent la
charge minimale exige par linstallation. Elle assure galement que les quantits traites
sont infrieures la capacit maximale de linstallation.
La contrainte (F.36) assure que la totalit de la demande de chaque client est satisfaite.
La contrainte (F.37) traduit toute exigence impose par le management. Geoffrion et
McBride stipulent que ces contraintes sont linaires et sont gnralises selon la contrainte
(F.38). Puisquil est trs difficile de gnraliser les exigences du management, on se limite
prsenter quelques exemples :
Supposons que les installations {1, 2, 3, 4} se trouvent proximit dune zone
client. Le management a dcid douvrir au moins une installation proximit de
cette zone. Cette exigence sera traduite par la contrainte suivante :
z
1
+ z
2
+ z
3
+ z
4
1
328

Modle 6 : { stochastique, capacits finies, statique, cots linaires, mono-
objectif, 1 chelon, 1 produit }.
Stochastic capacitated facility location (RCFL) [Aikens 1985]
Le modle de localisation stochastique a lavantage de prendre en compte les fluctuations
de la demande. Dans le modle propos dans [Aikens 1985], lauteur diffrencie les
installations existantes dans le systme (installations dj ouvertes) et les installations
potentielles (proposes). Une installation existante reste toujours ouverte, elle engendre
donc un cot fixe mme si elle ne sera pas slectionne. La formulation mathmatique de
ce modle dans sa version la plus simple est la suivante :

Donnes :
C
ij
= cot unitaire de la production et de la distribution de la
commande du client k si elle est assure par linstallation i.
f
i
= cot fixe du maintien dune installation i I (respectivement
de louverture dune installation i I.

k
(v) = fonction de densit de la demande du client k.
h
k
= cot unitaire de stockage chez le client k.
p
k
= cot unitaire de pnurie chez le client k.
S
i
= capacit maximale de linstallation i.
I = ensemble des installations existantes (installations dj
ouvertes).
I = ensemble des installations proposes (installations
potentielles)
K = ensemble de tous les clients.
Variables de dcision :
X
ik
= le nombre dunits livres au client k par linstallation i.
y
k
= la quantit totale livre par toutes les installations au client
k.
329
z
i
= 1 si linstallation i est ouverte.
= 0 Sinon.
Modle :
Minimiser

i
I' I i
i
y
k k k
K k
y
0
k k k
I' I i K k
ik ik z f ] dv (v) ) y - (v p dv (v) v) - (y [h X C
k
k


+ + +

Sujet :
K k , X y
I' I i
ik k =



F.40

I' I i , z S X i i ik
K k


F.41
I i , 1 zi = F.42
{ } I' i , 1 0, zi F.43
K k , I' I i X ik , 0 F.44

La fonction objectif minimise la somme des cots dacquisition, des cots de stockage, des
cots de pnurie et des cots fixes douverture des installations.
La contrainte (F.40) permet de dterminer la quantit totale livre au client k.
La contrainte (F.41) assure le respect des capacits maximales des installations.
La contrainte (F.42) force les installations existantes rester ouvertes. Alors que la
contrainte (F.43) prcise que les dcisions douverture ne concernent que les installations
potentielles.
On remarque bien que le modle stochastique prsent ci-haut a t inspir du modle de la
quantit conomique de commande (Economic Order Quantity : EOQ) utilis dans la
gestion des stocks. Dans un problme EOQ, on cherche dterminer la quantit de
commande qui minimise la somme des cots de commande (cot de mise en route), des
cots de stockage, des cots de pnurie et des cots dacquisition.
Par ailleurs, on remarque que la distinction entre installations existantes et potentielles na
pas complexifi le modle mathmatique.
330
Modle 7 : {dterministe, capacits finies, statique, cots linaires, mono-
objectif, 2 chelons, multi-produits }.
Multicommodity capacitated single-echelon facility location problem
(EMCXP)
Modle de [Elson 1972]
On prsente ci-dessous le modle propos par [Elson 1972] pour modliser le problme de
localisation dinstallations capacits finies, 2 chelons, multi-produits. Ce modle a
lavantage de prendre en compte deux types dinstallations : les installations existantes et
les installations potentielles (nouvelles).
Une installation existante est concerne par une des trois dcisions suivantes :

(1) Engagement fournir les clients tout en ayant la mme capacit.
(2) Extension de sa capacit et engagement approvisionner les clients.
(3) Fermeture.

Une installation potentielle est concerne par une des deux dcisions suivantes :
(1) Rester ferme.
(2) Ouverture et engagement approvisionner les clients.

Comme indiqu dans la Figure F.5, ce sont uniquement les entrepts (installations
intermdiaires) qui sont concerns par les dcisions douverture, extension ou fermeture.
Les installations de niveau 1 (sites de production dans la Figure F.5) sont supposes
ouvertes. Les cots associs aux sites de production sont des cots variables dus
lacheminement des produits vers les entrepts. En dautres termes, on nassocie pas des
cots fixes aux sites de production.




331

Figure F.5 Reprsentation du problme de localisation traitant des installations
existantes et des installations potentielles : Modle [Elson 1972]
La formulation mathmatique du modle [Elson 1972] est la suivante :
Donnes :
i = indice des sites de fabrication
j = indice des entrepts
k = indice des clients
p = indice des produits
A
pi
= offre du site de production i pour le produit p.
D
pk
= demande du client k pour le produit p.
C
j
= capacit normale de lentrept j.
E
j
= capacit minimale que linstallation j (entrept j) doit
atteindre aprs lextension.
F
j
= capacit maximale que linstallation j (entrept j) peut
atteindre aprs lextension.
s
pij
C = cot unitaire de transport du produit p du site de production i
lentrept j.
t
pjk
C = cot unitaire de transport du produit p de lentrept j au client
k.
Sites de production ( i ) Clients ( k ) Entrepts ( j )
Entrept potentiel
Entrept existant
X
pij

Y
pjk

332
c
w
j
= cot fixe dengagement (establishment cost) de lentrept j.
o
j
c = cot fixe de fonctionnement (operating cost) de lenrtept j.
c
e
j
= cot de lextension de lentrept j.
f
j
C
= cot unitaire dextension de la capacit de linstallation j. Ce
cot est appliqu aux units de capacit (w
j
) qui sont au-del de
E
j
(Figure F.6).
x
j
c = gain en cots rsultant de la fermeture de lentrept j (gain d
au non engagement de linstallation j).
h
pj
c = cot variable de passage du produit p par de lentrept j.
J = ensemble des entrepts potentiels (installations potentielles)
J = ensemble des entrepts existants (installations existantes).
J J = J U J
Variables de dcision :
X
pjj
= le nombre dunits du produit p transfres site de production
i lentrept j.
Y
pjk
= le nombre dunits du produit p transfres de lentrept j au
client k.
z
j
= variable binaire pour traduire lengagement de lentrept j.
j z
^

= variable binaire traduisant lextension de lentrept j dune
quantit minimale.
j z
~

= variable binaire traduisant la fermeture de lentrept j.
w
j
= nombre dunit au-del de la capacit minimale de
linstallation j aprs extension (Figure F.6).
Modle :
Minimiser

pij
h
pj
J j I i P p
pjk
t
pjk
K k J j P p
pij
s
pij
J j I i P p
X C Y C X C


+ +
( ) ( ) j
~
o
j
x
j
' J' j
j
f
j
J" j
j
^
e
j
' J' j
j
w
j
o
j
J j
z c c - w C z c z c c + + + + +




Sujet :
I. i P, p , A X
pi pij
J j


F.45
333

D Y pk pjk
J j

, P p , K k
F.46

pjk
K k
pij
I i
Y X


= , P p , J j
F.47

' J' j , w z E z C X j
^
j j j j pij
I i P p
+ +



F.48

( F
j
E
j
) j z
^
w
j
0 , ' J' j
F.49

' J' j , 1 z z
~
j j +
^

F.50

' J' j , 1 z z
~
j j +
F.51

J' j , z C X j j pij
I i P p




F.52
0, Xpij P p , I i , J j F.53
0, Ypjk P p , J j , K k F.54
{ } 1 0, zj , J j F.55

{ } 1 0, z , z
~
j j
^
, ' J' j
F.56

Figure F.6 Reprsentation des capacits possible dune installation existante et
dune installation potentielle.
Installation existante
C
j
E
j
F
j
Capacit Normale
Capacit effective aprs extension
w
j

Capacit minimale requise en cas
dextension
C
j

Capacit Normale
Installation potentielle
J'' j , w z E z C j
^
j j j j + +
334

La fonction objectif minimise la somme des cots suivants :
X C
pij
s
pij
J j I i P p



Cots dacheminement des produits partir des sites de
production jusquaux entrepts.
+ Y C
pjk
t
pjk
K k J j P p



Cots dacheminement des produits partir des entrepts
jusquaux clients.
+
pij
h
pj
J j I i P p
X C



Cots de passage des produits par les entrepts.
+ ( ) z c c
j
w
j
o
j
J j
+

'

Cots fixes dengagement et de fonctionnement des
entrepts potentiels.
+ z c j
^
e
j
' J' j


Cots dextension des entrepts existants.
+ w C j
f
j
J" j


Cot de dpassement de la capacit minimale requise aprs
extension.
- ( ) j
~
o
j
x
j
' J' j
z c c +


Gains rsultant de la fermeture dinstallations existantes.

La contrainte (F.45) assure que les quantits fournies par le site de production i ne
dpassent pas la capacit maximale du site. La contrainte (F.46) assure que les demandes
des clients sont satisfaites. La contrainte (F.47) assure la conservation des flux de produits
au niveau de chaque entrept. Les contraintes (F.48) et (F.51) assurent le respect des
capacits des installations existantes et potentielles. La contrainte (F.49) garantit le respect
des capacits additionnelles. La contrainte (F.50) interdit la fermeture et lextension dune
mme installation. La contrainte (F.51) interdit lengagement et la fermeture dune mme
installation.
Le modle est trs intressant car il permet de tenir compte de plusieurs dcisions de
diffrentes natures : ouverture dune installation, fermeture dune installation, extension
dune installation.
Parmi les critiques faites pour ce modle, on cite le fait que les produits perdent leurs
identits dans le sens o on ne peut pas savoir les lieux de fabrication dun produit livr au
client k. Tout ce quon peut savoir cest lentrept dorigine.
335
Modle MCXP [Geoffrion et al., 1974]
MCXP est une modlisation du problme de localisation multi-produits, 1 chelon, et
capacits finies. Les dcisions douverture ne concernent que les installations de niveau
intermdiaire. Par ailleurs, on prcise quun client ne peut tre approvisionn qu partir
dun et dun seul entrept. Cet entrept fournit tous les produits au client.

Donnes :
C
ijkp
= cot unitaire de production et de distribution du produit p
partir du site de production i vers le client k et ce travers
lentrept j.
f
j
= cot fixe de louverture de lentrept j.
v
j
= cot unitaire de passage dun produit travers lentrept j.
D
kp
= la demande totale du client k pour le produit p.
S
ip
= offre du site de production i pour le produit p.
j V = la quantit minimale qui doit tre transfre travers lentrept
j sil est ouvert.
j V
= la quantit maximale qui peut tre transfre travers lentrept
j.
I = ensemble de toutes les installations du niveau 1 (sites de
production).
J = ensemble de toutes les installations du niveau 2 (entrepts).
K = ensemble de tous les clients.
Variables de dcision :
X
ijkp
= nombre dunits du produit p transfres du site de production i
au client k travers lentrept j.
z
j
= 1 si lentrept j est ouvert.
= 0 Sinon.
y
jk
= 1 si le client k est affect lentrept j.
= 0 Sinon.


336
Modle :
Minimiser

] y D v z f [ X C jk kp
P p K k
j j j
J j
ijkp ijkp
P p K k J j I i


+ +

Sujet :
P. p I, i S X ip ijkp
K k J j



,
F.57

K. k J, j P, p , y D X jk kp ijkp
I i
=


F.58

K. k 1, yjk
J j
=


F.59

J j , z V y D z V j j jk kp
P p K k
j j



F.60
P. p K, k J, j I, i 0, Xijkp F.61
{ } K. k J, j 1 0, z , y j jk , F.62

La contrainte (F.57) assure le respect de la capacit du site de production i pour le produit
p. La contrainte (F.58) garantit la conservation du flux de matire dans chaque entrept
ainsi que la satisfaction des commandes clients. La contrainte (F.59) garantit
lapprovisionnement dun client partir dun seul entrept. La contrainte (F.60) assure le
respect de la charge minimale et de la capacit maximale de tout entrept j.

Modle MCXP simplifi [Geoffrion et al., 1978]
Le modle MCXP a t propos en 1978 par Geoffrion, Graves et Lee [Geoffrion et al.,
1978] pour affiner le modle MCXP. Dans le modle MCXP, on dfinit un cot variable
relatif au passage dun produit travers un entrept. Par ailleurs, pour un produit donn p,
un client k ne peut tre approvisionn qu partir dun et dun seul entrept j.
On associe chaque site de production et chaque entrept une capacit minimale et une
capacit maximale. Toutefois, les capacits minimale et maximale dun entrept peuvent
tre transgresses moyennant des cots de pnalit.
Notons que dans le modle MCXP, les dcisions douverture ne concernent que les
entrepts (installations de niveau 2)
La formulation mathmatique du modle MCXP simplifi est la suivante :

337
Donnes :
C
ijkp
= cot unitaire de production et de distribution du produit p
partir du site de production i vers le client k et ce travers
lentrept j.
f
j
= cot fixe de louverture de lentrept j.
v
jp
= cot unitaire de passage dun produit p travers lentrept j.
D
kp
= la demande totale du client k pour le produit p.
j V = la quantit minimale qui doit tre transfre travers lentrept
j sil est ouvert.
j V
= la quantit maximale qui peut tre transfre travers lentrept
j.

p
= poids associ au produit p (burden factor)
j = taux de pnalit d au non respect de la capacit minimale de
linstallation (entrept) j.
j
= taux de pnalit d au dpassement de la capacit maximale de
linstallation j.
ip S = capacit minimale du site de production i pour le produit p.
ip S
= capacit maximale du site de production i pour le produit p.
I = ensemble de toutes les installations du niveau 1 (sites de
production).
J = ensemble de toutes les installations du niveau 2 (entrept).
K = ensemble de tous les clients.
P = ensemble de tous les produits
Variables de dcision :
X
ijkp
= nombre dunits du produit p transfres du site de production i
au client k travers lentrept j.
z
j
= 1 si lentrept j est ouvert.
= 0 Sinon.
y
jkp
= 1 si le client k est affect lentrept j.
= 0 Sinon.
338
j v = variable active si la quantit transfre travers l'installation j
est infrieure j V . j v est le sous flux (underflow) lentrept j :
l'cart entre j V et la quantit rellement transfre.
j v
= variable active si la quantit transfre travers l'installation j
est suprieure j V . j v est le sur flux (overflow) lentrept j :
l'cart entre la quantit rellement transfre et j V .
Modle :
Minimiser

] y D v z f [ X C jkp kp j
P p B b K k
j j
J j
ijkp ijkp
P p K k J j I i k


+ +
] v v [ j j j j
J j
+ +



Sujet :
P. p I, i S X S ip ijkp
K k J j
ip


,
F.63

. P p K, k , J j , y D X jkp kp ijkp
I i
=


F.64

P. p , K k , 1 yjkp
J j
=


F.65

J j , v z V y D v - z V j j j jkp kp
p
P p K k
j j j +



F.66
P. p K, k J, j , z y j jkp F.67

J j 0, v 0, v j j
F.68
P. p K, k J, j I, i 0, xijkp F.69
{ } P. p K, k J, j , 1 0, yjkp F.70
{ } J. j 1 0, zj , F.71

La fonction objectif minimise la somme des cots de production et de distribution des
produits, des cots douverture et de passage des produits travers les entrepts, et les
pnalits dues au non respect des capacits limites des entrepts.
La contrainte (F.63) garantit le respect des capacits des sites de production. La contrainte
(F.64) permet la conservation des flux de matire entre les sites de production et les
entrepts. La contrainte (F.65) garantit que pour tout produit p, un client k nest
339
approvisionn qu partir dun seul entrept j. La contrainte (F.66) assure le respect des
capacits des entrepts.
En effet, chaque entrept peut contenir des produits de caractristiques diffrentes (par
exemple, des volumes diffrents), alors un poids est affect chaque produit pour traduire
ces diffrences. (Pour deux produits de volumes diffrents, on associe un poids plus
important celui ayant le plus grand volume). La contrainte (F.67) assure quun produit ne
peut transiter travers un entrept que si cet entrept est ouvert.

Les forces de ce modle rsident dans :
Les cots v
jp
de passage travers un entrept j dpendent du produit p.
La possibilit de dpasser la capacit maximale autorise par un entrept j et ce
moyennant un cot de pnalit.
La possibilit de faire transiter par lentrept j une quantit qui est infrieure la
quantit minimale permise et ce moyennant un cot de pnalit.
Lassociation dun poids relatif aux spcifications de chaque produit ce qui traduit
que deux produits diffrents ne consomment pas de la mme manire la capacit
disponible dans une installation.

Les forces du modle MCXP le rendent plus appropri pour modliser les problmes
industriels.




ANNEXE G


PROCEDURE DAGREGATION DES PREFERENCES
ET DES JUGEMENTS : LA METHODE AHP DE
GROUPE


Bien que la mthode AHP ait t applique en premier lieu pour laide la dcision
individuelle ([Saaty 1980], [Saaty 1990]), elle a t tendue pour laide aux dcisions de
groupes ([Saaty 1989], [Saaty 1990]).
Dans un problme de dcision de groupe, les prfrences individuelles seront synthtises
pour former une dcision de groupe et ce selon lune des mthodes suivantes.

Agrgation des jugements individuels

Les jugements individuels (p individus) sont exprims travers les matrices de
comparaison {A
1
, A
2
, ., A
p
. Ils sont ensuite combins selon la procdure dcrite dans la
Figure G.1.
341

Figure G.1 Procdure dagrgation des jugements individuels
Comme indiqu dans la Figure G.1, les matrices des jugements individuels sont combines
en une matrice commune { A
G
} dont les lments sont dfinis de la faon suivante.
) (
/ 1
2 1
....... .
p
p
ij ij ij
G
ij
a a a
a =

O a
k
ij
est lvaluation faite par le k
me
individu du groupe. Le groupe est suppos tre
cohsif de sorte que chaque individu perd son identit. Par consquent, le groupe ragit
comme une entit unique : une seule hirarchie, un seul ensemble de jugements, et un
unique vecteur de priorit vers la fin. Le vecteur de priorit { W
G
} est le rsultat de la
normalisation du vecteur propre { V
G
}

correspondant la valeur propre maximale
max
de
la matrice commune { A
G
}.

A
G
.V
G
=
max
.V
G
et
V
V
termes, d'autres en V *
V
1
n
1 i
i
G
G k
G
n
1 i
i
G
= =
= =
k
G G
W W


(
(
(

=
1
1
.
1
1
1
1
21
1
1
1
12
1
n
n
a
a
a a
A
(
(
(

=
1
1
.
1
2
1
2
21
2
1
2
12
2
n
n
a
a
a a
A
.
.
(
(
(

=
1
1
.
1
1
21
1 12
p
n
p
p
n
p
p
a
a
a a
A
(
(
(

=
1
1
.
1
1
21
1 12
G
n
G
G
n
G
G
a
a
a a
A
(
(
(

=
G
n
G
G
G
w
w
w
W
2
1

342
Remarque :
) ....... . ( *
1
/ 1
2 1
2 1
....... .
) (
a a a
e a
p
ij ij ij
Ln
p
p
p
ij ij ij
G
ij
a a a
= =


Donc, pour appliquer la somme gomtrique, il faut que le terme
a a a
p
ij ij ij
....... .
2 1
soit
suprieur strictement 0, ce qui est vrai car les valuations a
k
ij
appartiennent {1/9, 1/8,
1/7, 1/6, 1/5, , 1/3, , , 1, 2, 3, 4, 5, 6, 7, 8, 9} : chelle de Saaty.

Agrgation des priorits individuelles

Dans un contexte o les individus ont des systmes de valeur diffrents, [Forman et
Peniwati, 1998] suggrent lutilisation de la mthode de lagrgation des priorits
individuelles. Cette mthode sintresse aux rsultats des priorits de chaque individu qui
sont dtermins partir des matrices de comparaison. Lagrgation des priorits de tous les
individus en un vecteur de priorit pour le groupe peut se faire en utilisant la mthode de la
moyenne arithmtique ou gomtrique.
Si w
i
k
est la priorit relative de lalternative i selon lindividu k, alors la priorit agrge est
donne par :
....... . :
) (
/ 1
2 1 G
p
p
i i i i w w w w
e gomtriqu Moyenne =


.......
:
2 1
G
p
ue arithmtiq Moyenne
w w w
w
p
i i i
i
+ + +
=
avec w
i
k
le vecteur propre normalis correspondant la valeur propre maximale de la
matrice de comparaison A
k
.

343
Figure G.2 Procdure dagrgation des priorits individuelles
On trouvera plus de dtails sur les fondements de ces deux mthodes dagrgation dans les
articles de Forman et Peniwati [Forman et Peniwati, 1998] et de Sajjad [Sajjad 1999].

(
(
(

=
1
1
.
1
1
1
1
21
1
1
1
12
1
n
n
a
a
a a
A
(
(
(

=
1
1
.
1
2
1
2
21
2
1
2
12
2
n
n
a
a
a a
A
.
.
(
(
(

=
1
1
.
1
1
21
1 12
p
n
p
p
n
p
p
a
a
a a
A
(
(
(

=
G
n
G
G
G
w
w
w
W
2
1

(
(
(

=
1
1
2
1
1
1
n w
w
w
W
(
(
(

=
2
2
2
2
1
2
n w
w
w
W
(
(
(

=
p
n
p
p
p
w
w
w
W
2
1
.
.



ANNEXE H


RESOLUTION DU MODELE MATHEMATIQUE SUR
LINGO


Modle mathmatique objectifs multiples
La formulation mathmatique du modle de base sur le solveur LINGO 7.0 est rcapitule
ci-aprs. Notons que cest en faisant varier le coefficient dans lintervalle [0,1] quon
dtermine lensemble des solutions ralisables.

!********************************************************
! Objective function
!********************************************************;

Min = * C - (1-)*TQL;


!*************************************************************
! Anteriority constraints
!*************************************************************;
ST1 + D1 <= ST2 ;
ST1 + D1 <= ST3 ;
ST3 + D3 <= ST4 ;
ST4 + D4 <= ST5 ;
ST2+ D2 <= ST5 ;


!*************************************************************
! Due date respect
!*************************************************************;
ST5 + D5 <= DD;
345


!*************************************************************
! Start time of activities
!*************************************************************;
ST1 = ST111 * b111 + ST211 * b211 + ST112 * b112;
ST2 = ST121 * b121 ;
ST3 = ST133 * b133 + ST233 * b233;
ST4 = ST141 * b141 + ST142 * b142;
ST5 = ST151 * b151 + ST152 * b152;


!*************************************************************
! duration of activities
!*************************************************************;
D1 = D111 * b111 + D211 * b211 + D112 * b112;
D2 = D121 * b121 ;
D3 = D133 * b133 + D233 * b233;
D4 = D141 * b141 + D142 * b142;
D5 = D151 * b151 + D152 * b152;



!*************************************************************
! cost of activities
!*************************************************************;
C1 = C111 * b111 + C211 * b211 + C112 * b112;
C2 = C121 * b121 ;
C3 = C133 * b133 + C233 * b233;
C4 = C141 * b141 + C142 * b142;
C5 = C151 * b151 + C152 * b152;

!*************************************************************
! quality levels of activities
!*************************************************************;
Q1 = Q111 * b111 + Q211 * b211 + Q112 * b112;
Q2 = Q121 * b121 ;
Q3 = Q133 * b133 + Q233 * b233;
Q4 = Q141 * b141 + Q142 * b142;
Q5 = Q151 * b151 + Q152 * b152;


!************************************************************
! constraints of selection one bid for each activity
!************************************************************;
b111 + b211 + b112 =1;
b121 =1;
b133 + b233 =1;
b141 + b142 =1;
b151 + b152 =1;


!*************************************************************
! total product cost
!*************************************************************;
C = C1 + C2+ C3 + C4 + C5;

346

!*************************************************************
! finishing date
!*************************************************************;
D = ST5 + D5;


!*************************************************************
! total quality level
!*************************************************************;
TQL = Q1 + Q2 + Q3 + Q4 + Q5 ;


!*************************************************************
! data constraints (binary variables)
!*************************************************************;
@BIN( b111); @BIN( b211); @BIN( b112);
@BIN( b121); @BIN( b133); @BIN( b233);
@BIN( b141); @BIN( b142); @BIN( b151);
@BIN( b152);


!*************************************************************
! Problem Data
!*************************************************************;
ST111 = 0; D111 = 5; C111 = 300; Q111 = 3;
ST211 = 0; D211 = 6; C211 = 280; Q211 = 3;
ST112 = 1; D112 = 6; C112 = 310; Q112 = 3;
ST121 = 7; D121 = 2; C121 = 200; Q121 = 2;
ST133 = 6; D133 = 3; C133 = 220; Q133 = 3;
ST233 = 7; D233 = 3; C233 = 220; Q233 = 3;
ST141 = 10; D141 = 3; C141 = 100; Q141 = 2;
ST142 = 10; D142 = 2; C142 = 120; Q142 = 3;
ST151 = 13; D151 = 1; C151 = 50; Q151 = 3;
ST152 = 13; D152 = 1; C152 = 40; Q152 = 2;

DD =20; = 0.65;


Le rapport de rsolution gnr par LINGO 7.0 est le suivant (pour = 0.65)

Global optimal solution found at step: 0
Objective value: 541.8000

Variable Value Reduced Cost
0.6500000 0.0000000
C 840.0000 0.0000000
TQL 12.00000 0.0000000
ST1 0.0000000 0.0000000
D1 6.000000 0.0000000
ST2 7.000000 0.0000000
ST3 7.000000 0.0000000
D3 3.000000 0.0000000
347
ST4 10.00000 0.0000000
D4 3.000000 0.0000000
ST5 13.00000 0.0000000
D2 2.000000 0.0000000
D5 1.000000 0.0000000
B111 0.0000000 193.9500
B211 1.000000 180.9500
B112 0.0000000 200.4500
B121 1.000000 0.0000000
B133 0.0000000 141.9500
B233 1.000000 141.9500
B141 1.000000 64.30000
B142 0.0000000 76.95000
B151 0.0000000 31.45000
B152 1.000000 25.30000
C1 280.0000 0.0000000
C2 200.0000 0.0000000
C3 220.0000 0.0000000
C4 100.0000 0.0000000
C5 40.00000 0.0000000
Q1 3.000000 0.0000000
Q2 2.000000 0.0000000
Q3 3.000000 0.0000000
Q4 2.000000 0.0000000
Q5 2.000000 0.0000000
D 14.00000 0.0000000


Modle Goal Programming
Le modle du Goal Programming est le suivant. Les transformations apportes au premier
modle de cette annexe sont annotes en gras. Par ailleurs, on sest fix un cot objectif (g
1

= 860) et un niveau de qualit objectif (g
2
= 14).

!********************************************************
! Objective function
!********************************************************;

Min =

+
1
+

1
+

+
2
+

2
;

!*************************************************************
! Anteriority constraints
!*************************************************************;
ST1 + D1 <= ST2 ;
ST1 + D1 <= ST3 ;
ST3 + D3 <= ST4 ;
ST4 + D4 <= ST5 ;
ST2+ D2 <= ST5 ;


!*************************************************************
348
! Due date respect
!*************************************************************;
ST5 + D5 <= DD;


!*************************************************************
! Start time of activities
!*************************************************************;
ST1 = ST111 * b111 + ST211 * b211 + ST112 * b112;
ST2 = ST121 * b121 ;
ST3 = ST133 * b133 + ST233 * b233;
ST4 = ST141 * b141 + ST142 * b142;
ST5 = ST151 * b151 + ST152 * b152;


!*************************************************************
! duration of activities
!*************************************************************;
D1 = D111 * b111 + D211 * b211 + D112 * b112;
D2 = D121 * b121 ;
D3 = D133 * b133 + D233 * b233;
D4 = D141 * b141 + D142 * b142;
D5 = D151 * b151 + D152 * b152;



!*************************************************************
! cost of activities
!*************************************************************;
C1 = C111 * b111 + C211 * b211 + C112 * b112;
C2 = C121 * b121 ;
C3 = C133 * b133 + C233 * b233;
C4 = C141 * b141 + C142 * b142;
C5 = C151 * b151 + C152 * b152;


!*************************************************************
! quality levels of activities
!*************************************************************;
Q1 = Q111 * b111 + Q211 * b211 + Q112 * b112;
Q2 = Q121 * b121 ;
Q3 = Q133 * b133 + Q233 * b233;
Q4 = Q141 * b141 + Q142 * b142;
Q5 = Q151 * b151 + Q152 * b152;


!************************************************************
! constraints of selection one bid for each activity
!************************************************************;
b111 + b211 + b112 =1;
b121 =1;
b133 + b233 =1;
b141 + b142 =1;
b151 + b152 =1;


!*************************************************************
349
! total product cost
!*************************************************************;
C = C1 + C2+ C3 + C4 + C5;
C -

+
1
+

1
= 860;

!*************************************************************
! finishing date
!*************************************************************;
D = ST5 + D5;


!*************************************************************
! total quality level
!*************************************************************;
TQL = Q1 + Q2 + Q3 + Q4 + Q5 ;
TQL -

+
2
+

2
= 14;

!*************************************************************
! data constraints (binary variables)
!*************************************************************;
@BIN( b111); @BIN( b211); @BIN( b112);
@BIN( b121); @BIN( b133); @BIN( b233);
@BIN( b141); @BIN( b142); @BIN( b151);
@BIN( b152);

!*************************************************************
! Non negativity constraints
!*************************************************************;

+
1
0;

1
0;

+
2
0;

2
0;

!*************************************************************
! Problem Data
!*************************************************************;
ST111 = 0; D111 = 5; C111 = 300; Q111 = 3;
ST211 = 0; D211 = 6; C211 = 280; Q211 = 3;
ST112 = 1; D112 = 6; C112 = 310; Q112 = 3;
ST121 = 7; D121 = 2; C121 = 200; Q121 = 2;
ST133 = 6; D133 = 3; C133 = 220; Q133 = 3;
ST233 = 7; D233 = 3; C233 = 220; Q233 = 3;
ST141 = 10; D141 = 3; C141 = 100; Q141 = 2;
ST142 = 10; D142 = 2; C142 = 120; Q142 = 3;
ST151 = 13; D151 = 1; C151 = 50; Q151 = 3;
ST152 = 13; D152 = 1; C152 = 40; Q152 = 2;

DD =20;


Le rapport de rsolution gnr par LINGO 7.0 est le suivant :
Global optimal solution found at step: 7
Objective value: 1.000000

Variable Value Reduced Cost
350

+
1
0.0000000 2.000000

1
0.0000000 0.0000000

+
2
0.0000000 2.000000

2
1.000000 0.0000000
ST1 0.0000000 0.0000000
D1 6.000000 0.0000000
ST2 7.000000 0.0000000
ST3 7.000000 0.0000000
D3 3.000000 0.0000000
ST4 10.00000 0.0000000
D4 2.000000 0.0000000
ST5 13.00000 0.0000000
D2 2.000000 0.0000000
D5 1.000000 0.0000000
B111 0.0000000 -303.0000
B211 1.000000 -283.0000
B112 0.0000000 -313.0000
B121 1.000000 0.0000000
B133 0.0000000 -223.0000
B233 1.000000 -223.0000
B141 0.0000000 -102.0000
B142 1.000000 -123.0000
B151 0.0000000 -53.00000
B152 1.000000 -42.00000
C1 280.0000 0.0000000
C2 200.0000 0.0000000
C3 220.0000 0.0000000
C4 120.0000 0.0000000
C5 40.00000 0.0000000
Q1 3.000000 0.0000000
Q2 2.000000 0.0000000
Q3 3.000000 0.0000000
Q4 3.000000 0.0000000
Q5 2.000000 0.0000000
C 860.0000 0.0000000
D 14.00000 0.0000000
TQL 13.00000 0.0000000

Modle Compromise Programming
Le modle du Compromise Programming est le suivant. Les diffrences entre ce modle et
le modle prcdent sont annotes en gras.
!********************************************************
! Objective function
!********************************************************;

Min = 1* (840 - C)/(840 - 900) + 2*(14-TQL)/(14-
12);


!*************************************************************
351
! Anteriority constraints
!*************************************************************;
ST1 + D1 <= ST2 ;
ST1 + D1 <= ST3 ;
ST3 + D3 <= ST4 ;
ST4 + D4 <= ST5 ;
ST2+ D2 <= ST5 ;


!*************************************************************
! Due date respect
!*************************************************************;
ST5 + D5 <= DD;


!*************************************************************
! Start time of activities
!*************************************************************;
ST1 = ST111 * b111 + ST211 * b211 + ST112 * b112;
ST2 = ST121 * b121 ;
ST3 = ST133 * b133 + ST233 * b233;
ST4 = ST141 * b141 + ST142 * b142;
ST5 = ST151 * b151 + ST152 * b152;


!*************************************************************
! duration of activities
!*************************************************************;
D1 = D111 * b111 + D211 * b211 + D112 * b112;
D2 = D121 * b121 ;
D3 = D133 * b133 + D233 * b233;
D4 = D141 * b141 + D142 * b142;
D5 = D151 * b151 + D152 * b152;



!*************************************************************
! cost of activities
!*************************************************************;
C1 = C111 * b111 + C211 * b211 + C112 * b112;
C2 = C121 * b121 ;
C3 = C133 * b133 + C233 * b233;
C4 = C141 * b141 + C142 * b142;
C5 = C151 * b151 + C152 * b152;


!*************************************************************
! quality levels of activities
!*************************************************************;
Q1 = Q111 * b111 + Q211 * b211 + Q112 * b112;
Q2 = Q121 * b121 ;
Q3 = Q133 * b133 + Q233 * b233;
Q4 = Q141 * b141 + Q142 * b142;
Q5 = Q151 * b151 + Q152 * b152;


!************************************************************
352
! constraints of selection one bid for each activity
!************************************************************;
b111 + b211 + b112 =1;
b121 =1;
b133 + b233 =1;
b141 + b142 =1;
b151 + b152 =1;


!*************************************************************
! total product cost
!*************************************************************;
C = C1 + C2+ C3 + C4 + C5;


!*************************************************************
! finishing date
!*************************************************************;
D = ST5 + D5;


!*************************************************************
! total quality level
!*************************************************************;
TQL = Q1 + Q2 + Q3 + Q4 + Q5 ;

!*************************************************************
! weights constraints
!*************************************************************;
1 + 2 = 1


!*************************************************************
! data constraints (binary variables)
!*************************************************************;
@BIN( b111); @BIN( b211); @BIN( b112);
@BIN( b121); @BIN( b133); @BIN( b233);
@BIN( b141); @BIN( b142); @BIN( b151);
@BIN( b152);


!*************************************************************
! Problem Data
!*************************************************************;
ST111 = 0; D111 = 5; C111 = 300; Q111 = 3;
ST211 = 0; D211 = 6; C211 = 280; Q211 = 3;
ST112 = 1; D112 = 6; C112 = 310; Q112 = 3;
ST121 = 7; D121 = 2; C121 = 200; Q121 = 2;
ST133 = 6; D133 = 3; C133 = 220; Q133 = 3;
ST233 = 7; D233 = 3; C233 = 220; Q233 = 3;
ST141 = 10; D141 = 3; C141 = 100; Q141 = 2;
ST142 = 10; D142 = 2; C142 = 120; Q142 = 3;
ST151 = 13; D151 = 1; C151 = 50; Q151 = 3;
ST152 = 13; D152 = 1; C152 = 40; Q152 = 2;

DD =20;
353
1= 0.5;


Le rapport de rsolution gnr par LINGO 7.0 est le suivant :
Objective value: 0.2500000

Variable Value Reduced Cost
W1 0.5000000 0.0000000
C 870.0000 0.0000000
TQL 14.00000 0.0000000
ST1 0.0000000 0.0000000
D1 6.000000 0.0000000
ST2 7.000000 0.0000000
ST3 7.000000 0.0000000
D3 3.000000 0.0000000
ST4 10.00000 0.0000000
D4 2.000000 0.0000000
ST5 13.00000 0.0000000
D2 2.000000 0.0000000
D5 1.000000 0.0000000
DD 20.00000 0.0000000
B111 0.0000000 1.750000
B211 1.000000 1.583333
B112 0.0000000 1.833333
B121 1.000000 0.0000000
B133 0.0000000 1.083333
B233 1.000000 1.083333
B141 0.0000000 0.3333333
B142 1.000000 0.2500000
B151 1.000000 -0.3333333
B152 0.0000000 -0.1666667
C1 280.0000 0.0000000
C2 200.0000 0.0000000
C3 220.0000 0.0000000
C4 120.0000 0.0000000
C5 50.00000 0.0000000
Q1 3.000000 0.0000000
Q2 2.000000 0.0000000
Q3 3.000000 0.0000000
Q4 3.000000 0.0000000
Q5 3.000000 0.0000000
D 14.00000 0.0000000





ANNEXE I


RESOLUTION DU MODELE MATHEMATIQUE SUR
ILOG (RECHERCHE EXPLORATOIRE)


#include <ilsolver/ilcint.h>
#include <ilsolver/ilcfloat.h>
#include <stdio.h>

ILCSTLBEGIN

IlcInt Ouv = 480;
char rep[80];

int main() {

IlcManager m(IlcEdit);
m.openLogFile("SimulationFiabilite.log");


IlcIntVarArray C(m,5, 0, 2000);
IlcIntVarArray Q(m,5, 0, 2000);
IlcIntVarArray ST(m,5, 0, 60);
IlcIntVarArray D(m,5, 0, 70);
IlcIntVar CF(m, 0, 10000); // CF: Cot final
IlcIntVar TQL(m, 0, 10000);
IlcIntVar DF(m, 0, 10000); // DF: Date fin
IlcFloatVar R(m,0,10); // R: Reliability

IlcIntVar b111(m,0,1); IlcIntVar b211(m,0,1); IlcIntVar b112(m,0,1);
IlcIntVar b121(m,0,1); IlcIntVar b133(m,0,1); IlcIntVar b233(m,0,1);
IlcIntVar b141(m,0,1); IlcIntVar b142(m,0,1); IlcIntVar b151(m,0,1);
IlcIntVar b152(m,0,1);


IlcInt ST111 = 0; IlcInt D111 = 5; IlcInt C111 = 300; IlcInt Q111 = 3;
IlcInt ST211 = 0; IlcInt D211 = 6; IlcInt C211 = 280; IlcInt Q211 = 3;
355
IlcInt ST112 = 1; IlcInt D112 = 6; IlcInt C112 = 310; IlcInt Q112 = 3;
IlcInt ST121 = 7; IlcInt D121 = 2; IlcInt C121 = 200; IlcInt Q121 = 2;
IlcInt ST133 = 6; IlcInt D133 = 3; IlcInt C133 = 220; IlcInt Q133 = 3;
IlcInt ST233 = 7; IlcInt D233 = 3; IlcInt C233 = 220; IlcInt Q233 = 3;
IlcInt ST141 = 10; IlcInt D141 = 3; IlcInt C141 = 100; IlcInt Q141 = 2;
IlcInt ST142 = 10; IlcInt D142 = 2; IlcInt C142 = 120; IlcInt Q142 = 3;
IlcInt ST151 = 13; IlcInt D151 = 1; IlcInt C151 = 50; IlcInt Q151 = 3;
IlcInt ST152 = 13; IlcInt D152 = 1; IlcInt C152 = 40; IlcInt Q152 = 2;
IlcInt DD = 20; IlcFloat RM1= 0.98; IlcFloat RM2= 0.97; IlcFloat RB3 = 0.95;

//*************************************************************
// Anteriority constraints
//*************************************************************;
m.add( ST[0] + D[0] - ST[1] <= 0) ;
m.add( ST[0] + D[0] <= ST[2]) ;
m.add( ST[2] + D[2] <= ST[3]) ;
m.add( ST[3] + D[3] <= ST[4]) ;
m.add( ST[1] + D[1] <= ST[4]) ;


//*************************************************************
// Due date respect
//*************************************************************;
m.add( ST[4] + D[4] <= DD);



//*************************************************************
// Start time of activities
//*************************************************************;
m.add( ST[0] == ST111 * b111 + ST211 * b211 + ST112 * b112);
m.add( ST[1] == ST121 * b121) ;
m.add( ST[2] == ST133 * b133 + ST233 * b233);
m.add( ST[3] == ST141 * b141 + ST142 * b142);
m.add( ST[4] == ST151 * b151 + ST152 * b152);


//*************************************************************
// duration of activities
//*************************************************************;
m.add( D[0] == D111 * b111 + D211 * b211 + D112 * b112);
m.add( D[1] == D121 * b121) ;
m.add( D[2] == D133 * b133 + D233 * b233);
m.add( D[3] == D141 * b141 + D142 * b142);
m.add( D[4] == D151 * b151 + D152 * b152);



//*************************************************************
// cost of activities
//*************************************************************;
m.add( C[0] == C111 * b111 + C211 * b211 + C112 * b112);
m.add( C[1] == C121 * b121) ;
m.add( C[2] == C133 * b133 + C233 * b233);
m.add( C[3] == C141 * b141 + C142 * b142);
m.add( C[4] == C151 * b151 + C152 * b152);
356

//*************************************************************
// quality levels of activities
//*************************************************************;
m.add( Q[0] == Q111 * b111 + Q211 * b211 + Q112 * b112);
m.add( Q[1] == Q121 * b121) ;
m.add( Q[2] == Q133 * b133 + Q233 * b233);
m.add( Q[3] == Q141 * b141 + Q142 * b142);
m.add( Q[4] == Q151 * b151 + Q152 * b152);


//************************************************************
// constraints of selection one bid for each activity
//************************************************************;
m.add( b111 + b211 + b112 ==1);
m.add( b121 ==1);
m.add( b133 + b233 ==1);
m.add( b141 + b142 ==1);
m.add( b151 + b152 ==1);


//*************************************************************
// total product cost
//*************************************************************;
m.add( CF == C[1] + C[2] + C[3] + C[4] + C[0]);

//*************************************************************
// finishing date
//*************************************************************;
m.add( DF == ST[4] + D[4]);


//*************************************************************
// total quality level
//*************************************************************;
m.add( TQL == Q[1] + Q[2] + Q[3] + Q[4] + Q[0]) ;


//*************************************************************
// Reliability
//*************************************************************;

m.add( R == (( b111 + b211)*(RM1) +
b112*(RM2))*(b121*(RM1))*((b133+b233)*(RB3))*(b141*(RM1)+
b142*(RM2))*(b151*(RM1)+b152*(RM2))) ;

m.add( (b111 + b211)*IlcLog (RM1) + b112*IlcLog (RM2)+b121*IlcLog (RM1) + (b133+b233)*IlcLog
(RB3) + b141*IlcLog (RM1)+ b142*IlcLog (RM2)+ b151*IlcLog (RM1)+b152*IlcLog (RM2)
>= IlcLog(0.87));

m.add( IlcAnd(
IlcAnd(IlcInstantiate(b111),IlcInstantiate(b211),IlcInstantiate(b112),IlcInstantiate(b121)),

IlcAnd(IlcInstantiate(b133),IlcInstantiate(b233),IlcInstantiate(b141),IlcInstantiate(b142)),
IlcAnd(IlcInstantiate(b151),IlcInstantiate(b152)) ));

357
while (m.nextSolution())
{
m.out()<<"b111 = "<<b111.getMax()<<endl;
m.out()<<"b211 = "<<b211.getMax()<<endl;
m.out()<<"b112 = "<<b112.getMax()<<endl;
m.out()<<"b121 = "<<b121.getMax()<<endl;
m.out()<<"b133 = "<<b133.getMax()<<endl;
m.out()<<"b233 = "<<b233.getMax()<<endl;
m.out()<<"b141 = "<<b141.getMax()<<endl;
m.out()<<"b142 = "<<b142.getMax()<<endl;
m.out()<<"b151 = "<<b151.getMax()<<endl;
m.out()<<"b152 = "<<b152.getMax()<<endl;
m.out()<<"CF = "<<CF.getMax()<<endl;
m.out()<<"TQL = "<<TQL.getMax()<<endl;
m.out()<<"R = "<<R.getMax()<<endl;
m.out()<<"--------------------------"<<endl;

}

m.closeLogFile();
m.end();
return 0;
}

Le rapport de rsolution gnr par ILOG pour une fiabilit objectif de 0.87 est :
b111 = 0
b211 = 1
b112 = 0
b121 = 1
b133 = 0
b233 = 1
b141 = 1
b142 = 0
b151 = 1
b152 = 0
CF = 850
TQL = 13
R = 0.87625
--------------------------
b111 = 0
b211 = 1
b112 = 0
b121 = 1
b133 = 1
b233 = 0
b141 = 1
b142 = 0
b151 = 1
b152 = 0
CF = 850
TQL = 13
R = 0.87625
--------------------------
b111 = 1
358
b211 = 0
b112 = 0
b121 = 1
b133 = 0
b233 = 1
b141 = 1
b142 = 0
b151 = 1
b152 = 0
CF = 870
TQL = 13
R = 0.87625
--------------------------
b111 = 1
b211 = 0
b112 = 0
b121 = 1
b133 = 1
b233 = 0
b141 = 1
b142 = 0
b151 = 1
b152 = 0
CF = 870
TQL = 13
R = 0.87625
--------------------------


ANNEXE J : TABLEAU DES SCORES DES SOLUTIONS NON DOMINEES

P
j Offres Activits C
k k ANE NES b
ijk AS SP b
ijk AS SP b
ijk AS SP b
ijk AS SP b
ijk AS SP b
ijk AS SP
M1 b111 P C1 0.2 3 3.125 0 0.000 0.000 0 0.000 0.000 0 0.000 0.000 0 0.000 0.000 0 0.000 0.000 0 0.000 0.000
C2 0.12 2 2.333 0 0.000 0.000 0 0.000 0.000 0 0.000 0.000 0 0.000 0.000 0 0.000 0.000 0 0.000 0.000
C3 0.11 3 3.200 0 0.000 0.000 0 0.000 0.000 0 0.000 0.000 0 0.000 0.000 0 0.000 0.000 0 0.000 0.000
b211 P C1 0.2 3 3.125 1 0.600 0.625 1 0.600 0.625 1 0.600 0.625 1 0.600 0.625 1 0.600 0.625 1 0.600 0.625
C2 0.12 2 2.333 1 0.240 0.280 1 0.240 0.280 1 0.240 0.280 1 0.240 0.280 1 0.240 0.280 1 0.240 0.280
C3 0.11 3 3.200 1 0.330 0.352 1 0.330 0.352 1 0.330 0.352 1 0.330 0.352 1 0.330 0.352 1 0.330 0.352
b121 SC C2 0.12 2 2.000 1 0.240 0.240 1 0.240 0.240 1 0.240 0.240 1 0.240 0.240 1 0.240 0.240 1 0.240 0.240
C4 0.02 2 2.200 1 0.040 0.044 1 0.040 0.044 1 0.040 0.044 1 0.040 0.044 1 0.040 0.044 1 0.040 0.044
b141 A C8 0.17 4 4.000 1 0.680 0.680 1 0.680 0.680 0 0.000 0.000 0 0.000 0.000 1 0.680 0.680 1 0.680 0.680
b151 D C1 0.2 3 3.125 1 0.600 0.625 1 0.600 0.625 1 0.600 0.625 1 0.600 0.625 0 0.000 0.000 0 0.000 0.000
C3 0.11 3 3.000 1 0.330 0.330 1 0.330 0.330 1 0.330 0.330 1 0.330 0.330 0 0.000 0.000 0 0.000 0.000
M2 b112 P C1 0.2 3 3.333 0 0.000 0.000 0 0.000 0.000 0 0.000 0.000 0 0.000 0.000 0 0.000 0.000 0 0.000 0.000
C2 0.12 2 2.000 0 0.000 0.000 0 0.000 0.000 0 0.000 0.000 0 0.000 0.000 0 0.000 0.000 0 0.000 0.000
C3 0.11 2 3.000 0 0.000 0.000 0 0.000 0.000 0 0.000 0.000 0 0.000 0.000 0 0.000 0.000 0 0.000 0.000
b142 A C8 0.17 3 3.250 0 0.000 0.000 0 0.000 0.000 1 0.510 0.553 1 0.510 0.553 0 0.000 0.000 0 0.000 0.000
b152 D C1 0.2 3 3.200 0 0.000 0.000 0 0.000 0.000 0 0.000 0.000 0 0.000 0.000 1 0.600 0.640 1 0.600 0.640
C3 0.11 2 2.500 0 0.000 0.000 0 0.000 0.000 0 0.000 0.000 0 0.000 0.000 1 0.220 0.275 1 0.220 0.275
M3 b133 M C5 0.18 3 3.100 1 0.540 0.558 0 0.000 0.000 1 0.540 0.558 0 0.000 0.000 1 0.540 0.558 0 0.000 0.000
C6 0.11 3 3.200 1 0.330 0.352 0 0.000 0.000 1 0.330 0.352 0 0.000 0.000 1 0.330 0.352 0 0.000 0.000
C7 0.09 4 4.000 1 0.360 0.360 0 0.000 0.000 1 0.360 0.360 0 0.000 0.000 1 0.360 0.360 0 0.000 0.000
b233 M C5 0.18 3 3.050 0 0.000 0.000 1 0.540 0.549 0 0.000 0.000 1 0.540 0.549 0 0.000 0.000 1 0.540 0.549
C6 0.11 3 3.200 0 0.000 0.000 1 0.330 0.352 0 0.000 0.000 1 0.330 0.352 0 0.000 0.000 1 0.330 0.352
C7 0.09 4 4.000 0 0.000 0.000 1 0.360 0.360 0 0.000 0.000 1 0.360 0.360 0 0.000 0.000 1 0.360 0.360
4.290 4.446 4.290 4.437 4.120 4.318 4.120 4.309 4.180 4.406 4.180 4.397
0.156 0.147 0.198 0.189 0.226 0.217
ANE
NEP
AS
SP Score Prvisionnel
Ecart
Ancien Niveau d'expertise
Niveau d'expertise Prvisionnel
Ancien Score
Alternative 12 Alternative 15 Alternative 2 Alternative 5 Alternative 7 Alternative 10
Ancien Score / Score Prvisionnel




ANNEXE K


LA METHODE MACBETH


MACBETH (Measuring the Attractiveness by a Categorical Based Evaluation Technique)
est une mthode multicritre de dcision. Elle permet de traduire les jugements smantiques
noncs par un dcideur sur une chelle numrique.

Soit S un ensemble fini dactions et P une relation de prfrence Strict weak order
permettant de mesurer lattractivit entre les lments de S (x, y S, x P y si et seulement
si le dcideur juge que x est plus attractive que y).

La mthode MACBETH est en effet une procdure interactive qui consiste demander au
dcideur de juger verbalement la diffrence dattractivit entre deux actions x et y de S
(avec x est plus attractive que y) en utilisant les catgories smantiques suivantes :

C
0
Diffrence dattractivit nulle
C
1
Diffrence dattractivit trs faible
C
2
Diffrence dattractivit faible
C
3
Diffrence dattractivit modre
C
4
Diffrence dattractivit forte
C
5
Diffrence dattractivit trs forte
C
6
Diffrence dattractivit extrme
361


Durant ce processus interactif, une matrice de jugements catgoriques sera construite. Par
exemple si le dcideur value les 6 actions A, B, C, D, E et F selon le critre Qualit, on
aura une matrice limage de celle prsente ci-dessous.

Qualit A B C D E F
A Nulle Faible Modre Modre Trs forte Extrme
B Nulle Faible Faible Trs forte Extrme
C Nulle Trs faible Forte Trs forte
D Nulle Forte Trs forte
E Nulle Modre
F Nulle
Figure K.1 Matrice des jugements du dcideur par rapport au critre qualit
La mthode MACBETH traite des informations semblables celles rcapitules la
matrice des jugements ci-dessus. Elle associe un score chacune des actions et fait en sorte
que la diffrence des scores des actions D et E est suprieure la diffrence des scores des
actions B et C. Par ailleurs, tant donne la relation de prfrence P et la matrice des
jugements, MACBETH vrifie lexistence dune chelle numrique sur S qui satisfait les
deux conditions suivantes :
Condition 1 : (Condition ordinale) (1)
x, y S : (x) > (y) x est plus attractive que y.

Condition 2 : (Condition smantique) (2)
k, k {1, 2, 3, 4, 5, 6}, x, y, w, z S avec (x, y) C
k
et (w, z) C
k
:
k k + 1 (x) - (y) > (w) - (z)

Si ces deux conditions ne sont pas satisfaites, alors les jugements smantiques ne peuvent
tre reprsents sur une chelle (intervalle) numrique. Dans ce cas, on dit que la matrice
des jugements est incompatible avec la construction dune chelle cardinale sur S. Les cas
362

dincompatibilit seront traits plus en dtail au paragraphe intitul Traitement des cas
dincompatibilit .

En revanche, si les conditions (1), (2) sont satisfaites, alors la matrice des jugements est dite
consistante.

Traitement du cas o la matrice des jugements est
consistante :
Comme mentionn au paragraphe prcdent, la matrice des jugements est dite consistante si
les conditions (1) et (2) sont satisfaites. Dans ce cas, une infinit dchelles numriques
peuvent tre construites.
Parmi toutes les chelles numriques on sintresse particulirement lchelle de base
(The basic MACBETH scale) dtermine suite la rsolution du programme linaire ci-
aprs.

Soit lensemble des actions : S = {s
1
, s
2
, , s
n
}

Soit P la relation de prfrence sur S dont les actions sont structures de la faon suivante :
s
1
est au moins aussi attractive que s
2
, s
3
, s
4
, , s
n-1
et plus attractive que s
n
s
2
est au moins aussi attractive que s
3
, s
4
, , s
n
s
3
est au moins aussi attractive que s
4
, , s
n


s
n-1
est au moins aussi attractive que s
n

Variables de dcision (variables positives) :
( ) s
i
, i {1, 2, , n}

Fonction objectif :
363

min ( ) s
1


Contraintes :
(1)
( ) s
n
= 0

(2) = x y S x y C x y , ( , ) : ( ) ( ) with
0

(3) > k k k k , { , , , , , , } , ' ' 0 1 2 3 4 5 6 with
( , ) ( , ) : x y C w z C
k k
and
'


( ) ( ) ( ) ( ) x y w z k k + ' . [Bana e Costa et Vansnick, 1999]

La fonction objectif du programme linaire prsent ci-dessus consiste minimiser le score
de s
1
ce qui revient rduire autant que possible ltendue de lchelle et par consquent les
intervalles associs aux catgories (C
0
, C
1
, C
2
, C
3
, C
4
, C
5
,C
6
).
Dans certains cas, le dcideur souhaite que lvaluation de la meilleure action soit gale
une valeur E
max
et celle de la pire action soit gale E
min
. La question qui se pose ds lors
est la suivante : Comment transformer les rsultats obtenus selon lchelle de base (The
basic MACBETH scale) pour tenir compte des souhaits du dcideur ?
En effet, la solution consiste appliquer une simple transformation linaire pour obtenir les
valuations de toutes les actions.
Supposons que les valuations des actions { s
1
, s
2
, s
3
, s
4
, , s
n
} selon lchelle de base
sont { v
1
, v
2
, v
3
, v
4
, , v
n-1
, 0 }. En prenant compte des souhaits du dcideur, les
valuations des actions seront { E
max
, w
2
, w
3
, w
4
, , w
n-1
, E
min
} avec w
i
vrifiant la
condition :
1
i 1
min
max
i
v
v - v
E - E
w - E
=
max
| |
(

=
1
i 1
min
max max
i
v
v - v
E E - E w
Remarque :
Si le programme linaire nadmet pas de solution alors la matrice des jugements est non
consistante ce qui revient affirmer que les jugements sont incompatibles avec une
reprsentation sur une chelle intervalle.

364

Lapplication de la procdure ci-dessus la matrice des jugements de la Figure K.1, donne
un programme linaire de 5 variables et de 107 contraintes et ce pour une matrice de taille 6
x 6. La formulation du programme linaire faite sur le solveur LINGO est la suivante :

Dans ce programme linaire, la variable A est lquivalent de (A), B
est lquivalent de (B), .. , F est lquivalent de (F).
Cest uniquement pour des raisons de syntaxe quon a procd cette
adaptation.
Min = A;
! ---------------------------------;
! contraintes du problme;
! ---------------------------------;

F=0;
! {k = 6 , k' = 5}; ! ---------------------------------;
A - F >= C - F + 1; A - F >= D - F + 1; A - F >= A - E + 1; A - F >= B -
E + 1;
B - F >= C - F + 1; B - F >= D - F + 1; B - F >= A - E + 1; B - F >= B -
E + 1;

! {k = 6 , k' = 4}; ! ---------------------------------;
A - F >= C - E + 2; A - F >= D - E + 2;
B - F >= C - E + 2; B - F >= D - E + 2;

! {k = 6 , k' = 3}; ! ---------------------------------;
A - F >= E - F + 3; A - F >= A - D + 3; A - F >= A - C + 3;
B - F >= E - F + 3; B - F >= A - D + 3; B - F >= A - C + 3;

! {k = 6 , k' = 2}; ! ---------------------------------;
A - F >= B - D + 4; A - F >= B - C + 4; A - F >= A - B + 4;
B - F >= B - D + 4; B - F >= B - C + 4; B - F >= A - B + 4;

! {k = 6 , k' = 1}; ! ---------------------------------;
A - F >= C - D + 5; B - F >= C - D + 5;

! {k = 6 , k' = 0}; ! ---------------------------------;
A - F >= 6; B - F >= 6;

! {k = 5 , k' = 4}; ! ---------------------------------;
C - F >= C - E + 1; C - F >= D - E + 1;
D - F >= C - E + 1; D - F >= D - E + 1;
A - E >= C - E + 1; A - E >= D - E + 1;
B - E >= C - E + 1; B - E >= D - E + 1;

! {k = 5 , k' = 3}; ! ---------------------------------;
C - F >= E - F + 2; C - F >= A - D + 2; C - F >= A - C + 2;
D - F >= E - F + 2; D - F >= A - D + 2; D - F >= A - C + 2;
A - E >= E - F + 2; A - E >= A - D + 2; A - E >= A - C + 2;
B - E >= E - F + 2; B - E >= A - D + 2; B - E >= A - C + 2;

! {k = 5 , k' = 2}; ! ---------------------------------;
C - F >= B - D + 3;C - F >= B - C + 3; C - F >= A - B + 3;
D - F >= B - D + 3; D - F >= B - C + 3; D - F >= A - B + 3;
365

A - E >= B - D + 3; A - E >= B - C + 3; A - E >= A - B + 3;
B - E >= B - D + 3; B - E >= B - C + 3; B - E >= A - B + 3;

! {k = 5 , k' = 1}; ! ---------------------------------;
C - F >= C - D + 4; D - F >= C - D + 4;
A - E >= C - D + 4; B - E >= C - D + 4;

! {k = 5 , k' = 0}; ! ---------------------------------;
C - F >= 5; D - F >= 5;
A - E >= 5; B - E >= 5;

! {k = 4 , k' = 3}; ! ---------------------------------;
C - E >= E - F + 1; C - E >= A - D + 1; C - E >= A - C + 1;
D - E >= E - F + 1; D - E >= A - D + 1; D - E >= A - C + 1;

! {k = 4 , k' = 2}; ! ---------------------------------;
C - E >= B - D + 2; C - E >= B - C + 2; C - E >= A - B + 2;
D - E >= B - D + 2; D - E >= B - C + 2; D - E >= A - B + 2;

! {k = 4 , k' = 1}; ! ---------------------------------;
C - E >= C - D + 3; D - E >= C - D + 3;

! {k = 4 , k' = 0}; ! ---------------------------------;
C - E >= 4; D - E >= 4;

! {k = 3 , k' = 2}; ! ---------------------------------;
E - F >= B - D + 1; E - F >= B - C + 1; E - F >= A - B + 1;
A - D >= B - D + 1; A - D >= B - C + 1; A - D >= A - B + 1;
A - C >= B - D + 1; A - C >= B - C + 1; A - C >= A - B + 1;

! {k = 3 , k' = 1}; ! ---------------------------------;
E - F >= C - D + 2; A - D >= C - D + 2; A - C >= C - D + 2;

! {k = 3 , k' = 0}; ! ---------------------------------;
E - F >= 3; A - D >= 3; A - C >= 3;

! {k = 2 , k' = 1}; ! ---------------------------------;
B - D >= C - D + 1; B - C >= C - D + 1; A - B >= C - D + 1;

! {k = 2 , k' = 0}; ! ---------------------------------;
B - D >= 2; B - C >= 2; A - B >= 2;

! {k = 1 , k' = 0}; ! ---------------------------------;
C - D >= 1;

La rsolution de ce programme linaire par le solveur LINGO donne la solution suivante :
Objective value: 15.00000

Variable Value
A 15.00000
F 0.0000000
C 11.00000
D 10.00000
E 4.000000
B 13.00000
366


Traitement des cas dincompatibilit :
Nous parlons dincompatibilit des jugements avec la construction dune chelle cardinale
sur S dans le cas o la matrice des jugements est non consistante, cest dire que le
programme linaire prsent au paragraphe prcdent nadmet pas de solution. En effet,
deux sources dincompatibilit sont possibles :

Situation dincohrence
Supposons que la matrice ci-dessous reprsente les jugements smantiques dun
dcideur.
Qualit A B C D E
A Nulle Trs Faible Faible Modre Trs forte
B Nulle Faible Forte Trs forte
C Nulle Faible Modre
D Nulle Trs Faible
E Nulle
Figure K.2 Exemple dune situation dincohrence
o A tant plus attractive que B, donc selon la condition (1), (A) > (B).
o Observons la colonne D, la diffrence dattraction entre B et D est plus
forte que la diffrence dattraction entre A et D. Donc selon la condition
(2), on a :
(B) - (D) > (A) - (D). Ce qui implique que (B) > (A). Ce qui
explique lincohrence des jugements.

En effet, nous distinguons quatre types dincohrence :
o Type 1 : tant donn trois actions x, y et z avec x et y sont toutes les deux
plus attractives que z, et x est plus attractive que y (x P y P z). La
diffrence dattractivit entre y et z est plus grande que la diffrence
dattractivit entre x et z (voir exemple ci-dessus).
367

o Type 2 : tant donn trois actions x, y et z avec x est plus attractive que y
et z, et y est plus attractive que z (x P y P z). La diffrence dattractivit
entre x et y est plus grande que la diffrence dattractivit entre x et z.
o Type 3 : tant donn trois actions x, y et z avec x et y sont toutes les deux
plus attractives que z, et il ny a pas de diffrence dattractivit entre x et
y. La diffrence dattractivit entre x et z est diffrente de la diffrence
dattractivit entre y et z.
o Type 4 : tant donn trois actions x, y et z avec z est plus attractive que x
et y, et il ny a pas de diffrence dattractivit entre x et y. La diffrence
dattractivit entre z et x est diffrente de la diffrence dattractivit entre z
et y.
Pour toute incohrence, la matrice des jugements doit tre rvise.

Situation dinconsistance smantique
Les situations dinconsistance smantique empchent dobtenir une solution pour le
programme linaire. Nous introduisons lexemple suivant pour mieux expliciter le concept
dinconsistance smantique.
Supposons que la matrice ci-dessous reprsente les jugements smantiques dun dcideur.
Qualit A B C D E
A Nulle Trs Faible Faible Forte Trs forte
B Nulle Trs Faible Forte Trs forte
C Nulle Faible Modre
D Nulle Faible
E Nulle
Figure K.3 Exemple dune situation dinconsistance smantique
Ltude des chemins B-D-E et B-C-E (Figure K.4) donne :
(B) - (D) > (C) - (E).
(D) - (E) > (B) - (C).
En faisant la somme de ces deux inquations, on obtient :
(B) - (E) > (B) - (E). Ce qui est incompatible avec la condition (2).
368



Figure K.4 Interprtation dune situation dinconsistance smantique
Linconsistance smantique est dtecte lors de la rsolution du programme linaire.
Dans ce cas, le dcideur est appel rviser ses jugements.
Loutil logiciel MACBETH :
Loutil logiciel MACBETH permet au dcideur de formuler ses prfrences et dobtenir
rapidement une valuation des actions sur une chelle numrique sans avoir formuler le
programme linaire. Loutil MACBETH est trs convivial, facile apprendre et
manipuler. Par ailleurs, il englobe plusieurs options dont notamment la dtection des
incompatibilits (situation dincohrence et / ou situation dinconsistance smantique).
Loutil suggre des alternatives pour traiter lincompatibilit.
Lutilisation de cet outil pour la matrice des jugements de la Figure K.1 a permis de gnrer
lchelle numrique de base prsente ci-dessous.

Figure K.5 Rsultat dapplication de la mthode MACBETH.
C
D
B E
Forte
Trs faible modre
369

Si le dcideur souhaite que la meilleure des actions ait un score de 100 et la pire des actions
ait un score de 0, alors on obtient lchelle numrique prsente dans la Figure K.6.

Figure K.6 Transformation de lchelle de base pour la prise en compte des
souhaits du dcideur concernant ltendu de lchelle.
Remarques :

(1) Nous avons souvent utilis le terme chelle intervalle dans cette annexe. Cette
terminologie est due au fait suivant : chacune des catgories {C
0
: nulle, C
1
: trs
faible,. C
2
, C
3
, C
4
, C
5
,C
6
: extrme}, nous associons un intervalle. Par exemple,
dans la Figure K.6, la diffrence dattractivit entre deux actions est considre
forte si lcart de leurs valuations respective appartient lintervalle [40 ;
46.66].
La dtermination des intervalles correspondant aux catgories est trs simple. Elle
se fait de la faon suivante : dabord, slectionner une catgorie (par exemple : C
5
:
trs forte). Ensuite, dterminer la diffrence des scores de chaque paire dactions
appartenant la catgorie objet de ltude (pour la catgorie C
5
: (A) - (E) =
73.33, (B) - (E) = 60.00, (C) - (F) = 73.33, (D) - (F) = 66.67). La
diffrence de score la plus faible et la diffrence la plus forte constituent les bornes
de lintervalle (Ainsi, pour la catgorie C
5
, lintervalle est [60.00 ; 73.33].
370

(2) Il est possible de traiter les cas o le nombre de catgories dpasse 7. Il suffit de
respecter toutes les conditions dapplication de la mthode MACBETH.
(3) Le dveloppement de cette annexe a t fortement inspir des travaux de [Bana e
Costa et Vansnick, 1999] et [Bana e Costa et Vansnick, 2001].
(4) Loutil logiciel MACBETH est disponible gratuitement sur le site web suivant :
http://www.umh.ac.be/~smq/. Toutefois, dans sa version gratuite, le logiciel ne
permet de traiter que des matrices de jugements dont la taille est limite 5
seulement.





ANNEXE L


MODELE ANALYTIQUE BASE SUR LA FIABILITE


Min = * C - (1-)*TQL;

!*************************************************************
! Anteriority constraints
!*************************************************************;
ST1 + D1 <= ST2 ;
ST1 + D1 <= ST3 ;
ST3 + D3 <= ST4 ;
ST4 + D4 <= ST5 ;
ST2+ D2 <= ST5 ;

!*************************************************************
! Due date respect
!*************************************************************;
ST5 + D5 <= DD;

!*************************************************************
! Start time of activities
!*************************************************************;
ST1 = ST111 * b111 + ST211 * b211 + ST112 * b112;
ST2 = ST121 * b121 ;
ST3 = ST133 * b133 + ST233 * b233;
ST4 = ST141 * b141 + ST142 * b142;
ST5 = ST151 * b151 + ST152 * b152;

!*************************************************************
! duration of activities
!*************************************************************;
D1 = D111 * b111 + D211 * b211 + D112 * b112;
D2 = D121 * b121 ;
D3 = D133 * b133 + D233 * b233;
D4 = D141 * b141 + D142 * b142;
D5 = D151 * b151 + D152 * b152;

!*************************************************************
372

! cost of activities
!*************************************************************;
C1 = C111 * b111 + C211 * b211 + C112 * b112;
C2 = C121 * b121 ;
C3 = C133 * b133 + C233 * b233;
C4 = C141 * b141 + C142 * b142;
C5 = C151 * b151 + C152 * b152;

!*************************************************************
! quality levels of activities
!*************************************************************;
Q1 = Q111 * b111 + Q211 * b211 + Q112 * b112;
Q2 = Q121 * b121 ;
Q3 = Q133 * b133 + Q233 * b233;
Q4 = Q141 * b141 + Q142 * b142;
Q5 = Q151 * b151 + Q152 * b152;

!************************************************************
! constraints of selection one bid for each activity
!************************************************************;
b111 + b211 + b112 =1;
b121 =1;
b133 + b233 =1;
b141 + b142 =1;
b151 + b152 =1;

!*************************************************************
! total product cost
!*************************************************************;
C = C1 + C2+ C3 + C4 + C5;

!*************************************************************
! finishing date
!*************************************************************;
D = ST5 + D5;

!*************************************************************
! total quality level
!*************************************************************;
TQL = Q1 + Q2 + Q3 + Q4 + Q5 ;


!*************************************************************
! Reliability constraint
!*************************************************************;
(b111+b211)*@LOG(RM1)+b112*@LOG(RM2)+b121*@LOG(RM1)+
(b133+b233)*@LOG(RB3)+ b141*@LOG(RM1)+ b142*@LOG(RM2)
+b151*@LOG(RM1)+b152*@LOG(RM2)>= @LOG(R_objectif);

!*************************************************************
! The network reliability
!*************************************************************;
R=((b111+b211)*RM1+b112*RM2)*(b121*RM1)*((b133+b233)*RB3)
*(b141*RM1+b142*RM2)*(b151*RM1+b152*RM2);


!*************************************************************
373

! data constraints (binary variables)
!*************************************************************;
@BIN( b111); @BIN( b211); @BIN( b112);
@BIN( b121); @BIN( b133); @BIN( b233);
@BIN( b141); @BIN( b142); @BIN( b151);
@BIN( b152);


!*************************************************************
! Problem Data
!*************************************************************;
ST111 = 0; D111 = 5; C111 = 300;
ST211 = 0; D211 = 6; C211 = 280;
ST121 = 7; D121 = 2; C121 = 200;
ST141 = 10; D141 = 3; C141 = 100;
ST151 = 13; D151 = 1; C151 = 50;
ST112 = 1; D112 = 6; C112 = 310;
ST142 = 10; D142 = 2; C142 = 120;
ST152 = 13; D152 = 1; C152 = 40;
ST133 = 6; D133 = 3; C133 = 220;
ST233 = 7; D233 = 3; C233 = 220;

Q111 = 3; Q211 = 3; Q121 = 2;
Q141 = 2; Q151 = 3; Q112 = 3;
Q142 = 3; Q152 = 2; Q133 = 3;
Q233 = 3;
RM1 = 0.98 ; RM2 = 0.97; RB3 = 0.95;
DD =20; =0.65; R_objectif = 0.87;