Vous êtes sur la page 1sur 38

Analyste en Gnie Logiciel

Recherche oprationnelle

Module :

Recherche oprationnelle

Par : Melle Najlae KORIKACHE Melle K.Najlae Page 1 30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

Un peu dhistoire :
1654 1776 1838 1917 1921-25 1936 1939-45 1940 Pascal, Fermat Bernoulli, Waldegrave Monge Cournot Erlang Borel Konig Kantorovich Blackett esprance mathmatique problmes de dcision dans lincertain un problme conomique de nature combinatoire dblais et remblais thorie mathmatique des richesses thorie des files dattente thorie des jeux thorie des graphes programmation linaire dirige la premire quipe de RO

Blackett traite rapidement et avec succs difficiles questions, telles que : Implantation optimale de radars de surveillance, protection des convois de navires.. Aprs la 2me guerre mondiale, les techniques se sont considrablement dveloppes, grce, notamment, l'explosion des capacits de calcul des ordinateurs. Les domaines d'application se sont galement multiplis.

Pourquoi une apparition si tardive ?


Lconomie parvient une certaine maturit et fait recours aux mathmatiques Les problmes sont devenus complexes, en raison de la taille croissante des entreprises et les liens entre elles. Les acquis thoriques ne seraient rien sans moyens de calcul. Seuls les ordinateurs sont aptes rsoudre les problmes pratiques.

(Tentative de) dfinition :


La recherche oprationnelle est lensemble de mthodes et techniques rationnelles danalyse et de synthse des phnomnes dorganisation utilisables pour laborer de meilleures dcisions. La recherche oprationnelle est fortement lie l'ingnierie des systmes. La RO ne soccupe pas des problmes dans lesquels une solution de bon sens intervient naturellement. Son domaine est celui des situations dans lesquelles, le sens commun se rvle faible ou impuissant.

Melle K.Najlae

Page 2

30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

L'objectif :
L'objectif de la Recherche Oprationnelle est l'aide la dcision. Les deux termes sont essentiels. En premier lieu, ce que l'on cherche garantir, ce n'est pas la valeur du rsultat, mais l'optimalit de la dcision. En effet, nous ne sommes pas matres des alas qui constituent le contexte de notre action. Ce que matrisons, ce sont nos choix... et il est souhaitable de ne pas avoir les regretter par la suite. En second lieu, la Recherche Oprationnelle n'a pas pour but de prendre des dcisions, mais de clarifier le contexte dans lequel ces dcisions sont prises. Un choix rel ne peut se faire qu'en connaissance de cause... mais on ne peut attendre de tout connatre avant d'agir.

Types de problmes traits


Un problme est dit combinatoire lorsqu'il comprend un grand nombre de solutions admissibles parmi lesquelles on cherche une solution optimale ou proche de l'optimum. Exemple typique : Dterminer o installer 5 centres de distribution parmi 30 sites d'implantation possibles, de sorte que les cots de transport entre ces centres et les clients soient minimum. Ce problme ne peut tre rsolu par une simple numration des solutions possibles par l'esprit humain, puisqu'il en existe 30 x 29 x 28 x 27 x 26 / (5x4x3x2) = 142 506 (!) Un problme est dit alatoire s'il consiste trouver une solution optimale face un problme qui se pose en termes incertains. Exemple typique : Dans une grande entreprise, la moyenne des entres des personnels au bureau du correspondant de la scurit sociale est dune personne par 4 min. Un employ peut servir, en moyenne, une personne toutes les 3 min 20 sec. Combien demploys faut-il embaucher dans le bureau ? Un problme est dit concurrentiel s'il consiste trouver une solution optimale face un problme dont les termes dpendent de l'interrelation entre ses propres agissements et ceux d'autres dcideurs. Exemple typique : Fixer une politique de prix de vente, sachant que les rsultats d'une telle politique dpendent de la politique que les concurrents adopteront.

Melle K.Najlae

Page 3

30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

Domaines dapplication
o Problmes combinatoires : dfinition des investissements les plus rentables; optimisation des niveaux dactivit, des affectations, des transports; ordonnancements,. . . o Problmes stochastiques (c d ou intervient le hasard, alatoire) : files dattente; fiabilit et sret de fonctionnement des quipements; gestion de la production,. . . o Problmes concurrentiels : dfinition de politiques dapprovisionnement, de vente,. . . Les applications dans le domaine de l'informatique sont trs nombreuses elles aussi. On peut citer, entre autres, le choix de la localisation et du nombre de serveurs mettre en place, de la capacit de stockage, de la puissance de calcul et du dbit du rseau, le choix d'une architecture informatique (application centralise / distribue, traitements en temps rel ou en diffr, rseau maill ou en toile, etc.), et l'ordonnancement dans les systmes dexploitation.

Recherche Oprationnelle une discipline-carrefour

La recherche oprationnelle utilise de nombreuses mthodes issues de thories mathmatiques diverses. En ce sens, une partie de la recherche oprationnelle peut tre considre comme une branche des mathmatiques appliques. Au-del des mthodes, les mathmatiques, notamment les statistiques, contribuent poser efficacement les termes d'un problme. La thorie des jeux, bien connue des conomistes, aide rsoudre les problmes concurrentiels. La thorie des graphes sert de support la rsolution d'un vaste chantillon de problmes, notamment certains issus de l'algorithmique classique, tels que la recherche du plus court chemin entre deux endroits, le problme du voyageur de commerce (dans lesquels on cherche le chemin le plus court passant par n points), les problmes d'ordonnancement de tche, les problmes de planning ou encore les problmes d'optimisation de flux.

Melle K.Najlae

Page 4

30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

Contenu du cours :
o Programmation linaire
Rappels mathmatiques. Formalisation des problmes de programmation linaire et les mthodes de leur rsolution. Post-optimisation.

o Thorie des graphes et thorie des jeux


o Exemples rels dutilisation de rseaux : Identifier le cheminement dans un graphe. Problme de circulation flots et lordonnancement algorithme du PERT. Transformation dun problme de jeu en un problme de programmation linaire.

o Analyse multicritre et les files dattente


Modle de formation. Mthode ELECTRE. Algorithme de recherche de nom ou dun graphe. La typologie des files dattente. Lois statiques essentielles.

Melle K.Najlae

Page 5

30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

o Programmation linaire
Rappels mathmatiques. Thorie des ensembles : Quelques Dfinitions :
Ensemble, lment : Un ensemble peut tre vu comme une sorte de sac virtuel entourant ses lments. Les lments peuvent tre de nimporte quelle nature : nombres, points gomtriques, droites, fonctions, autres ensembles. On donne donc volontiers des exemples d'ensembles en dehors du monde mathmatique. Par exemple, lundi est un lment de lensemble des jours de la semaine, et 4 est un lment de l'ensemble des nombres entiers, ainsi que de lensemble des nombres pairs (forcment entiers). Ces deux derniers ensembles sont infinis, ils ont une infinit dlments. lment extremum : Un ensemble ordonn est un ensemble muni dune relation dordre. Dans un ensemble ordonn, le plus grand lment (resp. plus petit lment) ou lment maximum (resp. lment minimum) d'une partie de cet ensemble est l'lment qui, quand il existe, appartient cette partie et est suprieur (resp. infrieur) tous autres lments de la partie. Fonction : On peut voir une fonction comme une transformation de certains objets en d'autres objets. Une application f dun ensemble E dans un ensemble F est une fonction applicative, Cest--dire une correspondance dont tout lment de l'ensemble de dpart E a une et une seule image. Extremum d'une fonction : Soient (F, ) un ensemble totalement ordonn et f une fonction de l'ensemble E vers l'ensemble F. Notons D, l'ensemble de dfinition de f et soit a un lment quelconque de D. On rappelle que si A est une partie de D ou D lui-mme, alors la notation f(A) dsigne l'image de A par la fonction f.

Melle K.Najlae

Page 6

30/09/2013

Analyste en Gnie Logiciel Extremum global d'une fonction :

Recherche oprationnelle

Un extremum global de f est un maximum global de f ou un minimum global de f . Maximum global : On dit que f(a) est le maximum ou le maximum global de f si et seulement si pour tout lment x de D, on a f(x) f(a). Cela quivaut dire que f(a) est le plus grand lment de f(D). Minimum global : On dit que f(a) est le minimum ou le minimum global de f si et seulement si pour tout lment x de D, on a f(a) f(x). Cela quivaut dire que f(a) est le plus petit lment de f(D). Extremum local d'une fonction : La notion d'extremum local suppose dfinie sur D une structure topologique (donnant un sens prcis l'adjectif local). Ds lors, un extremum local de f sur D est un maximum local de f sur D ou un minimum local de f sur D Maximum local : Soit D un espace topologique. tant donn un point a de D, on dit que f atteint en a un maximum local s'il existe un voisinage V de a tel que pour tout lment x de V, on ait f(a) f(x). On dit alors que f(a) est un maximum local de f sur D. Minimum local : Soit D un espace topologique. tant donn un point a de D, on dit que f atteint en a un minimum local s'il existe un voisinage V de a tel que pour tout lment x de V, on ait f(a) f(x). On dit alors que f(a) est un minimum local de f sur D.

Melle K.Najlae

Page 7

30/09/2013

Analyste en Gnie Logiciel Fonction injective :

Recherche oprationnelle

Une application est dite injective ou est une injection si pour tout y dans l'ensemble d'arrive Y, il existe au plus un lment x dans l'ensemble de dfinition X tel que f(x) = y. On dit encore dans ce cas que tout lment y de Y admet au plus un antcdent x (par f). De manire quivalente, f est dite injective si pour tous x et x' dans X, f(x) = f(x') implique x = x'. Exemples et contres exemples : Considrons la fonction dfinie par f(x) = 2x + 1. Cette fonction est injective, puisque pour tous nombres rels arbitraires x et x', si 2x + 1 = 2x' + 1, alors 2x = 2x', soit x = x'. D'un autre ct, la fonction (par exemple) g(1) = 1 = g(1). Fonction surjective : Une fonction est dite surjective ou est une surjection si pour tout y dans l'ensemble d'arrive Y, il existe au moins un lment x de la source X tel que f(x) = y. On dit alors que tout lment y de Y admet au moins un antcdent x (par f). Exemples et contres exemples : Fonctions sur les rels: Et f(x) = x n'est pas surjective, car il n'y a pas de x tel que f(x) = -4, par exemple. En revanche, si on change la dfinition de f en donnant son ensemble d'arrive comme tant R+, alors elle le devient. Considrons la fonction dfinie par f(x) = 2x + 1. Cette fonction est surjective, puisque pour tout rel arbitraire y, nous pouvons trouver des solutions de l'quation y = 2x + 1 d'inconnue x; une solution est x = (y 1)/2. En revanche, la fonction dfinie par g(x) = (cos x)2 n'est pas surjective, parce que (par exemple) il n'existe pas de rel x tel que (cos x)2 = -1. dfinie par g(x) = x2 n'est pas injective, parce que

Melle K.Najlae

Page 8

30/09/2013

Analyste en Gnie Logiciel Fonction bijective :

Recherche oprationnelle

Une fonction f: X Y est dite bijective ou est une bijection , si pour tout y dans lensemble d'arrive Y il existe un et un seul x dans lensemble de dfinition X tel que f(x) = y. On dit encore dans ce cas que tout lment y de Y admet un unique antcdent x (par f). De manire quivalente, une bijection est une fonction qui est la fois injective et surjective. Si X et Y sont des ensembles finis, alors il existe une bijection entre les deux ensembles X et Y ssi X et Y ont le mme nombre dlments. Exemples et contres exemples : Considrons la fonction dfinie par f(x) = 2x + 1. Cette fonction est bijective, puisque pour tout nombre rel arbitraire donn y, nous pouvons trouver exactement une solution relle de lquation y = 2x + 1 dinconnue x savoir x = (y 1)/2. Dun autre ct, la fonction dfinie par g(x) = x2 nest pas bijective, pour essentiellement deux raisons diffrentes. La premire est que, nous avons (par exemple) g(1) = 1 = g(1), et donc g nest pas injective; la seconde est quil ny a (par exemple) aucun nombre rel x tel que x2 = 1, et donc g nest pas surjective non plus. Fonction linaire : Une fonction linaire est dfinie de la manire suivante: avec O le nombre a est un rel quelconque. Ce rel a s'appelle le coefficient de proportionnalit. En repartant de l'galit deux cts par x. Il vient donc Il suffit donc d'une valeur x non nulle et de son image y pour dterminer la valeur du coefficient de proportionnalit. , on voit que, pour x diffrent de 0, on peut diviser les

Melle K.Najlae

Page 9

30/09/2013

Analyste en Gnie Logiciel Reprsentation dans le plan

Recherche oprationnelle

La reprsentation graphique d'une fonction est l'ensemble des points de coordonnes (x ; y) tels que y = f(x). Les fonctions linaires dfinies de dans se reprsentent dans le plan par une droite.

Cette droite passe par l'origine du repre. En effet, si M est un point de la reprsentation graphique tel que x = 0, il vient ncessairement y = 0. L'lment graphique important est le coefficient directeur (ou pente) de la droite. Il correspond au coefficient de proportionnalit de la fonction linaire. On retrouve alors un moyen simple de calcul de ce coefficient directeur: si M (x ; y) est un point de la droite diffrent de l'origine, nous avons, comme prcdemment , puis par division par x (non nul) Il existe un moyen de lire sur le graphique la pente de la droite : c'est l'inclinaison de la droite par rapport l'axe des abscisses.

Melle K.Najlae

Page 10

30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

Par exemple

si a = 1, la droite monte normalement si a = 2, la droite monte plus fortement si a = 1/2, la droite monte plus faiblement si a = 0, la droite est confondue avec l'axe des abscisses si a = -1, la droite descend normalement etc.

Dans un quadrillage l'unit, le coefficient directeur correspond au nombre de carreaux parcourus sur l'axe des ordonnes lorsqu'on se dplace d'un seul carreau sur celui des abscisses.

Melle K.Najlae

Page 11

30/09/2013

Analyste en Gnie Logiciel Optimisation : Loptimisation est ltude des problmes qui sont de la forme :

Recherche oprationnelle

tant donn : une fonction dun ensemble A dans l'ensemble des nombre rels Rechercher : un lment x0 de A tel que pour tous les x en A ( maximisation ) ou tel que pour tous les x en A ( minimisation ). Contrainte : Une contrainte est une rgle obligatoire qui rduit la libert d'action. En mathmatiques, et plus particulirement en optimisation, une contrainte est une galit ou une ingalit que doivent satisfaire les solutions ralisables d'un problme. Un problme d'optimisation qui contient des contraintes est en gnrale beaucoup plus difficile rsoudre que son homologue non-contraint. C'est pour cela que l'on distingue l'optimisation contrainte de l'optimisation non-contrainte. En informatique, la Programmation par Contraintes consiste spcifier son problme l'aide de relations appeles contraintes. La Programmation par Contraintes permet de rsoudre un grand nombre de problmes d'optimisation combinatoire ou continue, linaire ou non linaire, de manire trs lgante et trs efficace. Exemple :

solution ralisable; un ensemble de valeurs des variables vrifiant toutes les contraintes problme faisable; un problme qui possde au moins une solution ralisable problmes sans borne finie sur la fonction objective: c'est--dire le maximum de la fonction objective (sur les solutions ralisables) n'existe pas. problme possdant plusieurs solutions optimales ; (plusieurs ensembles de valeurs des variables donnant la mme valeur optimale de la fonction objective).

Melle K.Najlae

Page 12

30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

Dfinir la Programmation linaire : Mthode de rsolution : 1. Graphique

2. Rsolution dune programmation linaire avec laide du solveur Excel


Exemple
Lentreprise Genco fabrique divers modles dappareils lectromnagers. Suite une runion dpartementale de divers chefs de services de lentreprise, il a t convenu dexaminer la possibilit de modifier le programme actuel de fabrication des grillepains, soit 600 units de son modle lectronique (QL-500) et 200 units de son modle grille-pain/four (QL-700X). Lassemblage se fait essentiellement en deux phases et, par la suite, une vrification (contrle exhaustif) est effectue sur toutes les units. Le tableau suivant donne linformation concernant le nombre dheures exiges pour fabriquer chaque modle ainsi que les disponibilits en heures de chaque dpartement1.

Modles (Nombres dheures requises)


Dpartements Assemblage (phase 1) Assemblage (phase 2) Vrification/Empaquetage QL-700X 4 3 2 Heures disponibles 4200 2250 2600

QL-500
3 1 2

tant donn la situation du march, lentreprise ne veut pas fabriquer plus de 1100 units du modle lectronique QL-500. La contribution au bnfice du modle QL-500 est de 66$ lunit alors que celle du modle QL-700X est de 84$ On veut dterminer le programme optimal de fabrication mettre en oeuvre cest-dire celui qui maximiserait les bnfices. Variables de dcision : x1 : le nombre dunits fabriquer du modle QL-500. x2 : le nombre dunits fabriquer du modle QL-700X Les contraintes sont : C1 : 3x1 + 4x2 4200 heures
1

(heures disponibles lassemblage : phase 1)

Cet exemple est tir de : Baillargeon, G. Programmation linaire applique, Les ditions SMG, 1993.

Melle K.Najlae

Page 13

30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

C2 : x1 + 3x2 2250 heures (heures disponibles lassemblage : phase 2) C3 : 2x1 + 2x2 2600 heures (heures disponibles : vrification/empaquetage) C4 : x1 1100 units (quantit maximale pour QL-500) x1 0 , x2 0 La fonction conomique maximiser est Z = 66x1 + 84x2 o Z correspond au bnfice total ($). Rsolution avec EXCEL Il y a trois principales parties fournir au solveur dExcel.

La cellule maximiser/minimiser La plage de variables de dcision (x1, x2) Les contraintes.

Il y a plusieurs faons de fournir au solveur ces informations. Nous utiliserons dans cet exemple une faon qui se rapproche de la modlisation dun problme linaire. Toutefois, vous verrez dans les autres exemples quil est parfois plus facile de reprsenter linformation dune autre faon. Exemple : 1. Les cellules B2 et C2 seront les variables du problme (x 1 et x2). 2. Chacun des coefficients relis aux variables pour chaque contrainte est inscrit de B5 :C8. 3. La quantit des ressources est indique et le sens de la contrainte. Ce dernier lment est facultatif, il aide seulement comme aide-mmoire au problme. 4. Il faut indiquer le bnfice/unit pour chaque variable (B11 :C11)(figure 1).

Figure:1

Melle K.Najlae

Page 14

30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

5. Premire contrainte : 3x1 + 4x2 4200 Vous devez calculer lexpression de la partie gauche de lquation avant dactiver le solveur. Exemple dans la cellule D5 la formule = $B$2*B5 + $C$2*C5 est inscrite, quivalente 3x1 + 4x2 (figure 2). 6. Copiez cette formule pour les autres contraines.

Figure: 2

7. La formule =B11*B2+C11*C2 est inscrite dans la cellule F12. Cest cette cellule quon maximisera car elle correspond la fonction objectif 66x1 + 84x2 (figure 3).

Figure: 3

8. Menu: Outils/Solveur. 9. Entrez les paramtres du solveur (figure 4)

Melle K.Najlae

Page 15

30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

Figure: 4

Cellule cible dfinir: (Exemple: F12) Ceci correspond ladressse de la fonction optmiser. gale : Cochez le type doptimisation voulu. Le Max est coch car dans cet exemple nous voulons maximiser le bnfice total ($). Cellules variables: Slectionnez lendroit dans le tableur o les variables se trouvent. Il ne doit pas avoir de cellules vides entre les variables. Les cellules B2:C2 reprsentent les variables de notre problme, cest--dire celles quon dsire dterminer. Contraintes: Vous devez spcifier chacune des contraintes de votre problme.

Il ne faut pas oublier dentrer les contraintes de non-ngativit x1 0 , x2 0 1. 2. 3. 4. Cliquez sur Ajouter . Cellule : Slectionnez toutes vos variables : (Exemple : B2 :C2) Inscrivez le sens >= Contrainte : 0

x1, x2 doivent tre des entiers afin de ne pas produire des fractions dunits. 1. Cliquez sur Ajouter . 2. Cellule : Slectionnez toutes vos variables : (Exemple : B2 :C2) 3. Choisissez ent Pour enregistrer les autres contraintes Cliquez sur Ajouter.
Melle K.Najlae Page 16 30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

Exemple : pour la premire contrainte : 3x1 + 4x2 4200 heures 1. Entrez ladresse de la cellule contenant la formule : 3x1 + 4x2 quivalente (=B5*B2+C5*C2). On doit donc entrer D5. 2. Le sens de lquation <=. 3. Le nombre de ressource 4200 ou son adresse F5. La premire contrainte correspond D5 <= F5. Exemple : pour la dernire contrainte x1 <= 1100. Le solveur spare lquation en trois. 1. Le membre gauche de lquation : cest--dire ladresse de la cellule contenant la formule B2*B8+C2*C8 donc D8. 2. Le sens de lquation : <= 3. Le membre gauche de lquation : cest--dire le nombre de ressources 1100 ou son adresse F8 (figure 5).

Figure: 5

Cliquez sur OK lorsque vous avez termin dentrer toutes vos contraintes. tant donn que nous voulons rsoudre un programme linaire, il est possible de le spcifier au solveur afin quil utilise la mthode adquate pour rsoudre le problme. Cliquez sur options (voir figure: 4), cochez Modle suppos linaire (figure 6) et cliquez sur OK.

Melle K.Najlae

Page 17

30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

Figure: 6

10. Cliquez sur Rsoudre. 11. Le solveur a trouv la solution optimale selon les contraintes. Production de 1000 QL-500 et de 300 QL-700X et un bnfice total de 91200 $. 12. Le solveur vous demande si vous voulez garder cette solution lcran ou revenir celle de dpart. Choisissez garder la solution du solveur (figure 7). 13. Appuyez sur OK.

Figure: 7

Melle K.Najlae

Page 18

30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

Dualit
Introduction Une des principales dcouvertes en programmation linaire est la dualit. chaque problme de programmation linaire est associ un autre problme de programmation linaire appel le dual. Nous verrons dans ce chapitre et les subsquents l'utilit de la dualit. En particulier, la thorie de la dualit est essentielle la post-optimisation et l'analyse de sensibilit. Introduisons d'abord ce concept travers deux exemples. Exemple 1 Un fermier veut nourrir ses animaux au moindre cot en respectant des contraintes sur les lments nutritifs. Soient xj cj aij = = = nombre d'units d'aliment de type j retenues, cot d'une unit d'aliment de type j, quantit d'lment nutritif i dans une unit d'aliment de type j (naturel ou artificiel), aijxj j o aijxj est la quantit d'lment nutritif i. j Le problme du consommateur s'crit: Min ctx b 0. (P) bi , i = 1, 2, ..., m

sujet Ax x

Par ailleurs, une compagnie fabrique des aliments artificiels (que le fermier peut acheter) et chacun de ces "aliments" contient un lment nutritif l'tat pur.

Melle K.Najlae

Page 19

30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

La compagnie veut dterminer les prix de ses "aliments", donc de chaque lment nutritif, de faon demeurer comptitive avec les autres aliments et maximiser son profit potentiel. Soit i bt = = prix d'une unit d'lment nutritif i, profit potentiel,

m aiji = i=1 m aiji i=1

prix d'une unit d'aliment de type j,

cj

de faon demeurer comptitive avec les autres aliments,

le problme du producteur s'crit: Max sujet At bt c 0. (D)

(D) est le dual de (P) et (P) est le dual de (D). Nous allons voir dans ce chapitre qu' l'optimum, les deux problmes (P) et (D) ont la mme valeur de l'objectif. De plus, en rsolvant l'un, nous rsolvons automatiquement l'autre.

Melle K.Najlae

Page 20

30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

Exemple 2(problme de transport) Un produit est disponible aux endroits (sources) 1, 2, ..., m, et on doit le transporter aux endroits (destinations) 1, 2, ..., n pour satisfaire les demandes. Soient ai bj cij xij = = = = quantit disponible la source i, quantit requise la destination j, cot unitaire de transport de i j, quantit transporte de i j. ai = bj. i Le problme est le suivant: Min ctx cij xij i,j sujet xij = ai j xij = bj i xij 0 i, j. Un entrepreneur veut s'occuper du transport. Il dcide d'acheter les produits aux sources et de les revendre aux destinations. Soient ui vj = = prix d'achat la source i, prix de vente la destination j, j i (P) j

On suppose que

il doit fixer ses prix de faon tre comptitif avec les cots c ij existants et veut maximiser son profit potentiel. tre comptitif avec les cots cij existants: ui + vj cij i, j.

Melle K.Najlae

Page 21

30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

Profit potentiel:

ai ui + bj vj . i j

Le problme s'crit: Max ai ui + bj vj i j i, j. (D)

sujet ui + vj cij

(D) est le dual de (P) et vice versa. Problme primal et problme dual Si le problme de programmation linaire est exprim sous une forme o se retrouvent des contraintes d'ingalit, alors apparat le couple primal-dual suivant: Problme primal Min ctx (4.2.1) Problme dual Max bty (4.2.2)

sujet Ax b x0 o c, x n,

sujet Aty c y0 et b, y m,

et A est une matrice de dimension m x n. Par contre, si le problme de programmation linaire se trouve sous la forme standard, alors on retrouve le couple primal-dual suivant: Problme primal Min ctx Problme dual Max sujet bty Aty c

sujet Ax = b x0 o c, x n, et A est une matrice de dimension m x n.

et b, y m,

Melle K.Najlae

Page 22

30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

De faon gnrale, toute contrainte du primal correspond une variable du dual et toute variable du primal correspond une contrainte du dual; ainsi,

n aijxj j=1 xj correspond aijyi m cj. i=1 bi correspond yi

De plus, une contrainte d'galit du primal correspond une variable du dual n'tant pas contrainte tre non ngative alors qu' une contrainte d'ingalit du primal correspond une variable du dual restreinte tre non ngative. De mme, une variable restreinte tre non ngative du primal correspond une contrainte d'ingalit du dual alors qu' une variable nonrestreinte du primal correspond une contrainte d'galit du dual. Ainsi, n aijxj j=1 n aijxj = j=1 m xj 0 correspond aijyi cj i=1 m i=1 Problme de minimisation (primal) contrainte i contrainte i contrainte i variable xj = 0 Problme de maximisation (dual) variable yi variable yi 0 variable yilibre contrainte j 0 bi correspond yi quelconque bi correspond yi 0

xj quelconque

correspond

aijyi = cj.

Melle K.Najlae

Page 23

30/09/2013

Analyste en Gnie Logiciel variable xj j libre variable xj 0

Recherche oprationnelle contrainte

contrainte j terme constant

vecteur des cots terme constant

vecteur des cots

Figure - Tableau de correspondance

Melle K.Najlae

Page 24

30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

Exemple
Considrons le problme primal suivant sous sa forme gnrale: Min z = -2x1 2x1 -x1 x1 + x2 + x2 -x3 -x3 +x3 8 1

+ 2x2 +3x3 = 9 x1, x2 0, x3 libre. Pour dterminer le dual de ce problme, il suffit d'appliquer les rgles qui prcdent directement sur le tableau construit de la faon suivante:

Primal Variables 1 0 Dual 2 0 3 libre Relation x1 0 2 -1 1 x2 0 1 0 2 1

x3 libre -1 1 3 = -1 Min z Relation = Constantes 8 1 9 Max v

Constantes -2 Le dual s'crira alors: Max v = 81 21 1 - 1 + 2 + 2 - 2

+ 9 3 + 3 -2

+23 1 +33 = -1

1 0, 2 0, 3 libre. Une autre approche consiste transformer le problme primal sous sa forme standard:

Melle K.Najlae

Page 25

30/09/2013

Analyste en Gnie Logiciel Min z = -2x1 2x1 -x1 x1 + x2 + x2 -x3 -x3 +x3 +x4 +x4 -x4 + e1 - e2

Recherche oprationnelle

=8 =1 =9

+ 2x2 +3x3 - 3x4 x1, x2, x3, x4, e1, e2 0. Le dual s'crira alors comme auparavant: Max v = 81 21 1 - 1 + 2 + 2 - 2 + 9 3 + 3 -2

+23 1 +33 = -1

1 0, 2 0, 3 libre. Bref, chaque programme linaire (primal) est associ un programme dual. On peut vrifier que la dfinition du dual est "involutive" ; en d'autres termes, le problme dual d'un problme dual est le problme primal. De plus, le passage d'un primal son dual permute respectivement le nombre de variables et le nombre de contraintes.

Melle K.Najlae

Page 26

30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

Post Optimisation, Analyse de sensibilit, et Paramtrage


Introduction Lorsque, au tout dbut de la construction d'un modle de programmation linaire, l'on y incorpore des vecteurs de cot, des quantits de ressources disponibles, des limitations quant la capacit de certaines ressources, des profits que l'on peut esprer rcolter de la vente de certains produits, etc., on nglige ds lors d'y introduire les variations ventuelles de ces paramtres causes par diffrents alas. Un modle n'est qu'une approximation de la ralit, il ne faut jamais l'oublier. Idalement, il faudrait tenir compte de ces variations ventuelles pour avoir une image complte et raliste du problme trait. Bien que ce ne soit pas ncessaire de tenir compte de ces zones grises inhrentes chaque paramtre du modle, il va de soi que la solution optimale du problme considr doit tre examine avec circonspection. D'o, il arrive trs souvent qu'aprs avoir formul et rsolu un problme de programmation linaire, on se pose la question suivante: quelle est la consquence, sur la solution, d'une variation des donnes numriques du problme? En effet, les donnes d'un problme sont souvent, en pratique, des estimations et sont donc entaches d'erreur. C'est pourquoi on aime bien savoir quel est le taux de variation de l'objectif par rapport aux donnes A, b, c et, de combien, on peut faire varier chaque donne sans changer la base optimale. Cette question fait l'objet d'tude de ce qu'on appelle la post-optimisation, l'analyse de sensibilit et le paramtrage. Nous appellerons plus spcifiquement problmes de post-optimisation ceux dans lesquels on effectue une modification discrte des donnes : la matrice des coefficients A, le vecteur constant b ou le vecteur de cot c. Gnralement, on distingue dans cette catgorie six sortes de modifications : b seul change d'une quantit discrte, c seul change d'une quantit discrte, une variable est ajoute au systme, une contrainte est ajoute au systme, une seule colonne de A change d'une quantit vectorielle discrte, une seule ligne de A change d'une quantit vectorielle discrte.

Ces modifications peuvent tre combines.

Melle K.Najlae

Page 27

30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

Avec l'analyse de sensibilit, on s'occupe plutt explorer le voisinage d'une solution optimale, c'est--dire dterminer l'intervalle de variation dans lequel une donne ou une variable peuvent changer sans que la base optimale soit modifie. En effet, il est important de savoir si la solution obtenue est stable: une lgre modification d'une donne la rend-elle caduque? Enfin, nous appellerons paramtrage l'opration consistant faire varier certaines donnes de faon continue. Sous sa forme la plus gnrale, dans laquelle les donnes numriques varieraient en fonction de plusieurs paramtres indpendants intervenant sous forme de fonctions implicites de degr quelconque, ce problme n'a pas reu de solution. Nous tudierons plutt les cas suivants: b varie linairement en fonction d'un paramtre , c varie linairement en fonction d'un paramtre , un lment aij de A varie linairement en fonction d'un paramtre , plusieurs paramtres interviennent linairement dans b ou c. Le grand intrt du paramtrage est qu'il permet de passer de l'optimum correspondant un ensemble de donnes l'optimum relatif un autre jeu de donnes sans avoir rsoudre un nouveau problme partir de zro. De plus, une modification du vecteur c ne change pas la valeur de la solution qui reste une solution ralisable; mais celle-ci peut cesser d'tre optimale c'est--dire, le vecteur des multiplicateurs cesse d'tre une solution duale-ralisable.

Melle K.Najlae

Page 28

30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

ANALYSE MULTICRITRE

INTRODUCTION : o Branche des sciences conomiques et du gnie industriel o Vise la rsolution de problmes avec plusieurs alternatives et en appliquant plusieurs critres de dcision simultanment o Critres conflictuels entre eux ! o Importance ingale des critres o Permet deffectuer le choix optimal Les mthodes danalyse multicritre : o Lanalyse multicritre ou les mthodes daide la dcision multicritres dsignent gnralement un ensemble de mthodes permettant dagrger plusieurs critres avec lobjectif de slectionner une ou plusieurs actions, options ou solutions. o Lanalyse multicritre vise fournir des outils qui permettront de progresser dans la rsolution dun problme de dcision o plusieurs objectifs, souvent contradictoires, doivent tre pris en compte. o La divergence des objectifs ncessite la recherche dune solution des meilleurs compromis possibles. o Pour appliquer ces mthodes, on doit ncessairement suivre les tapes suivantes : o Identifier lobjectif global de la dmarche et le type de dcision o Dresser la liste des actions ou solutions potentielles o Identifier les critres ou standards qui orienteront les dcideurs o Juger chacune des solutions par rapport chacun des critres o Agrger ces jugements pour choisir la solution la plus satisfaisante o La diffrence entre les mthodes danalyse multicritre se trouve dans la faon de raliser cette dernire tape, soit dans la faon dvaluer chacune des solutions en fonction des critres retenus. o Dans la plupart des mthodes multicritres, limportance relative des critres accorde par les dcideurs est reprsente par des poids. Approche multicritre DEFINITION : Pas de solution UNIQUE mais plusieurs solutions Compromis Laide multicritre vise fournir un dcideur des outils lui permettant de progresser dans la rsolution dun problme de dcision o plusieurs points de vue, souvent ontradictoires, doivent tre pris en compte TERMINOLOGIE DE BASE : o Alternatives : choix disponibles (de quelques-uns des centaines) o Critres (ou attributs): aspects suivant lesquels les alternatives sont examines ; qualitatifs ou quantitatifs o Units : faon dexprimer la performance vs les critres ; tangibles ou intangibles o Poids (des critres) : importance attribue aux critres ; subjectifs ; normalisation DOMAINES DAPPLICATION : o Dcision dinvestissement technologique o Implantation dun systme de fabrication o Choix dun site de projet (ou dun corridor) o Design damnagement, etc.

Melle K.Najlae

Page 29

30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

o Permet de concilier les aspects conomiques, de design, technologiques, architecturaux et les consquences sociales et environnementales PRINCIPALES MTHODES : WSM (Weight Sum Method),WPM (Weight Product Method), Mthode du Goal Programming , AHP originale (Analytic Hierarchy Process), AHP modifie, de lentropie, ELECTRE, TOPSIS.. TAPES DE LA RSOLUTION DUNE ANALYSE MULTICRITRE o La dtermination des alternatives et des critres de dcision pertinents o La fixation des mesures numriques dimportance relative (poids) et des performances des alternatives vs les critres dfinis o Le traitement des valeurs numriques pour classer les alternatives Quelques Problmes de Dcision et dEvaluation o Choisir le site dimplantation dune nouvelle usine, dun magasin, ... o Engager du personnel, GRH. o Acheter du matriel. o valuer la qualit des fournisseurs. o valuer des projets. o Choisir une stratgie dinvestissement. Modle Multicritre et Unicritre Modle unicritre : o Mathmatiquement bien pos : o Notion de solution optimale, o Classement complet des actions. o conomiquement mal pos : o Un seul critre ? Peu raliste. o Notion de critre : seuils de perception,

Modle multicritre : o Mathmatiquement mal pos : o Pas de solution optimale, o Pas de sens mathmatique. o conomiquement bien pos : o Plus proche du problme de dcision rel, o Recherche dune solution de compromis.

Tableau Multicritre o Actions : o dcisions possibles, o items valuer. o Critres : o quantitatifs,

Melle K.Najlae

Page 30

30/09/2013

Analyste en Gnie Logiciel o qualitatifs.

Recherche oprationnelle

La technique d'analyse (par surclassement) de stratgies issues d'alternatives, dcrites par des fonctions objectives, pondres par des spcifications de iverses natures, et des critres d'valuation a) description d'un systme choix d'alternatives, pondres par des critres >> grille cot/efficacit b) analyse de critres multiples avec tude de sensibilit Ngotiation avec des partenaires pour tablir des rgles et procdures de gestion (d'administration)

Melle K.Najlae

Page 31

30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

Grille danalyse :

Mthode :ELECTRE : ELimination Et Choix Traduisant la REalit I : PARTIAL RANKING II : COMPLETE III : ENSEMBLES FLOUS IV : PREF. CONTINUES ELECTRE I La mthode ELECTRE I relve de la problmatique (procdure de slection). Le problme est pos en terme de choix de la "meilleure" action. Dans ce but et au moyen de la relation de surclassement S, il est ncessaire d'effectuer une partition de l'ensemble A des actions potentielles en deux sous-ensembles N et A/N complmentaires tels que toute action appartenant A/N est surclasse par au moins une action appartenant N. Les actions-lments de A/N sont limines. Les actions appartenant N sont incomparables entre elles, ce sont les actions slectionnes. La relation de surclassement S est construite en prenant appui sur une notion de concordance et une notion de discordance. L'hypothse de surclassement sera accepte si un test de concordance et un test de discordance sont satisfaits. Le graphe de surclassement visualise la relation de surclassement pour l'ensemble des couples des actions. La thorie des graphes est ici utilis pour reprsenter les relations de surclassement. Le noyau du graphe est compos d'un ensemble de sommets tels que tous les sommets du graphe qui n'appartiennent pas au noyau (c'est--dire les actions du sous-ensemble A/N) sont surclasss par un sommet du noyau N au moins, et tels que les sommets du noyau N ne sont surclasss par aucun sommet de celui-ci. L'appartenance d'une action au noyau ne signifie pas ncessairement que c'est une bonne solution; le noyau reprsente simplement l'ensemble des actions parmi lesquelles se trouve "la meilleure" et il est constitu par des actions difficilement comparables. ELECTRE II Melle K.Najlae Page 32 30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

La mthode ELECTRE II relve de la problmatique (procdure de classement). Elle vise, en utilisant les relations d'ordre sur chacun des critres, munir l'ensemble A des actions potentielles d'une structure de prordre total afin de faciliter le choix. En rsum, cette mthode a pour but de classer les actions potentielles, depuis les "meilleures" jusqu'aux "moins bonnes", en tolrant les ex quo. Dans un prordre (relation rflexive et transitive), des ex quo sont possibles. Dans un ordre (relation rflexive, transitive et antisymtrique), il n'y pas d'ex quo. Un prordre total est un prordre dans lequel les lments sont toujours comparables (incomparabilit exclue). Un prordre partiel est un prordre dans lequel l'incomparabilit est permise. Il faut remarquer qu'en problmatique g, il n'est pas tenu compte de la valeur intrinsque de chaque action mais seulement de sa valeur relative par rapport aux autres actions. Cette mthode utilise, tout comme la mthode ELECTRE I, la relation de surclassement S. Cependant, la distinction est faite entre deux sortes de surclassements : les surclassements forts qui reposent sur des bases solides et sont donc avancs avec une grande certitude, les surclassements faibles qui concernent ceux des surclassements qui sont sujets caution. ELECTRE III La mthode ELECTRE III relve de la problmatique (procdure de classement) : son but est de classer les actions potentielles, depuis les "meilleures" jusqu'aux "moins bonnes". Cette mthode suit les grands principes dj nonc dans la prsentation de la mthode ELECTRE II (construction de la relation de surclassement, laboration de deux classements antagonistes, synthse d'un classement final). Il y a toujours, comme dans les deux prcdentes mthodes, une hypothse de surclassement, les notions de concordance et de discordance. Nanmoins, le changement apparat dans la relation de surclassement qui comporte dornavant une part de flou. Dsormais, il n'est plus ncessaire de classer les couples d'actions potentielles en une des trois catgories (surclassement fort, surclassement faible, pas de surclassement du tout). En d'autres termes, la rflexion ne porte pas sur l'acceptation ou le rejet en bloc de l'hypothse de surclassement , mais sur la crdibilit accorder cette hypothse. Ceci est traduit par le degr de crdibilit de l'hypothse de surclassement, qui varie de 0 1. Une autre innovation importante d'ELECTRE III consiste introduire, pour chacun des critres, deux seuils dits d'indiffrence et de prfrence stricte. Ces seuils ont t dfinis de manire tenir compte directement de l'incertitude qui entache plus ou moins les valeurs de la matrice des valuations.

Melle K.Najlae

Page 33

30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

L'introduction des seuils permet l'apparition d'une nouvelle notion, celle de prfrence faible. Ainsi, le nombre de situations possibles au terme d'une comparaison de deux actions selon un critre donn passent de 3 5. Un troisime seuil, le seuil de veto, est utilis dans la concrtisation de la notion de discordance. L'algorithme de classement qui permet l'laboration de deux prordres antagonistes est fond sur le niveau de signification du degr de crdibilit. Ce niveau exprime partir de quelle valeur la diffrence entre deux degrs de crdibilit devient significative. La procdure de classement rappelle celle de la distillation : il est question de distillation descendante et de distillation ascendante. Le rsultat final est un prordre partiel, c'est--dire que les ex quo sont permis et que l'incomparabilit est tolre. ELECTRE III continue sur les traces d'ELECTRE II. Nanmoins l'volution se fait principalement vers deux directions, l'une favorable, l'autre dfavorable : +++ : l'exploitation de plus en plus nuance de l'information --- : une complexit croissante et donc une difficult de comprhension grandissante de la part du dcideur Ainsi, il y a non seulement un indice de concordance qui caractrise le surclassement suppos d'une action par une autre, mais aussi des indices de concordance pour chaque critre relatif ce couple d'actions. Il n'y a plus deux types de surclassement mais une multitude, ce qui permet de mieux saisir la ralit complexe. Le classement en deux prordres diffrents se fait d'une manire plus subtile que dans la mthode ELECTRE II. Le prordre final permet les incomparabilits entre actions. Mais l'avance la plus importante est srement l'introduction des seuils de prfrence stricte et d'indiffrence, ainsi que du seuil de veto qui exprime mieux la discordance . En conclusion, ELECTRE III est une mthode trs complte et "lgante" (surtout le logiciel qui possde une interface agrable), qui a le mrite d'exploiter l'information en sauvant un maximum de nuances et d'avancer des conclusions bien fondes. En contrepartie, elle offre un maniement dlicat et elle est pnalise par sa propre complexit concernant la comprhension de la mthode par le dcideur. ELECTRE IV La mthode ELECTRE IV qui relve aussi de la problmatique g (procdure de classement) tmoigne d'une sophistication de plus en plus pousse. ELECTRE II et ELECTRE III ont certes inspir cette mthode mais, nanmoins, la plus grande originalit est qu'il n'y a plus de poids attribu chaque critre. Ce changement

Melle K.Najlae

Page 34

30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

fondamental est accompagn d'une grande nouveaut : l'abandon de l'hypothse de surclassement, qui rend inutiles les notions de concordance et de discordance. ELECTRE IV utilise, comme ELECTRE III, des pseudo-critres, c'est--dire des critres associs un seuil de prfrence stricte et un seuil d'indiffrence. A partir de la matrice des valuations, les actions sont compares deux deux. Cette comparaison situe, pour chaque critre, l'une des actions par rapport l'autre selon un cas de figure dtermin. Le nombre de fois que chaque cas de figure particulier apparat pour l'ensemble des critres est enregistr. Des rgles simples, utilisant ces chiffres, permettent d'tablir des relations de surclassement entre deux actions. L'tablissement de ces rgles se fait de telle manire qu'aucun des critres ne soit par trop "prpondrant" ou par trop "ngligeable". Cette notion, facile comprendre mais un peu floue a depuis t prcise sous l'appellation d'hypothse de disparit limite. La mthode admet plusieurs versions des types de surclassement : quatre niveaux dans la crdibilit du surclassement (4 types de relations) deux niveaux dans la crdibilit du surclassement (surclassements fort et faible) certaines des combinaisons intermdiaires A chaque type de relation de surclassement correspond un degr de crdibilit attribu d'une manire plus ou moins volontariste. Ceci conduit la construction d'une matrice des degrs de crdibilit contenant un nombre discret de valeurs possibles. Alors, partir de ce momentl, la mthode ELECTRE IV reprend le mme principe utilis par la mthode ELECTRE III avec une distillation ascendante et une distillation descendante et enfin un classement final qui est aussi un prordre partiel. ELECTRE IS La mthode ELECTRE IS qui relve aussi de la problmatique a est une adaptation de ELECTRE I la logique floue, permettant d'utiliser des pseudo-critres (le S veut dire seuil). Pour choisi la "meilleure" action potentielle, une partition des actions potentielles A en deux sous-ensembles doit tre ralise, comme ELECTRE I, c'est dans le noyau (sous-ensemble des actions non-surclasss) que se trouve la "meilleure" action. Trouver une solution au problme que posent les circuits est difficile pour toutes les problmatiques. Cette difficult est encore renforce dans cette problmatique du fait du caractre "brutal" de l'attribution d'une action l'un ou l'autre des deux sous-ensembles, alors que les autres problmatiques permettent un traitement plus diffrenci, soit en termes de prordres (problmatique g) soit en termes d'affectation une catgorie (problmatique b). ELECTRE IS permet de mieux cerner ce problme et offre des outils d'analyse permettant de connatre, pour chaque circuit maximal, son taux de cohsion interne (relations entre les actions le composant) et son taux de liaison externe (relations avec les autres lments du graphe, action ou circuit). ELECTRE IS constitue une amlioration par rapport ELECTRE I, dans la mesure o elle permet l'utilisation de pseudo-critres et donc de la logique floue.

Melle K.Najlae

Page 35

30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

Dans sa version originale, cet intrt est partiellement perdu par le fait que l'on a toujours recours deux tests disjoints, un pour la concordance, l'autre pour la non-discordance. La seconde version, qui utilise des degrs de crdibilit, est ce titre plus intressante. Cependant, la transformation de la relation de surclassement floue en une relation nette enlve de l'intrt cette version. Contrairement l'exploitation minutieuse et prcautionneuse des degrs de crdibilit dans ELECTRE III et IV, elle nivelle beaucoup de nuances. Les indicateurs de stabilit des circuits , qui constituent une aide apprciable pour mieux comprendre les relations entre les actions, tant l'intrieur des circuits qu'entre les circuits et les autres lments du graphe sont forts utiles. Ces indicateurs permettent notamment de connatre la stabilit des circuits et donc d'anticiper l'effet ventuel d'une modification des relations entre les actions. ELECTRE TRI La mthode ELECTRE TRI, qui relve aussi de la problmatique b (procdure d'affectation), pose le problme en termes d'attribution de chaque action une catgorie pr dfinie. Des actions de rfrence sont utilises pour segmenter l'espace des critres en catgories. Chaque catgorie est borne infrieurement et suprieurement par deux actions rfrence et chaque action de rfrence sert donc de borne deux catgories, l'une suprieure et l'autre infrieure. Cette mthode prsente trois intrts principaux qui permettent de : juger une action potentielle pour elle-mme, indpendamment des autres actions potentielles. En ce sens, cette mthode juge chaque action potentielle sur sa valeur absolue (bien que relativement aux actions de rfrence pr dfinies) fixer une ou plusieurs valeurs de rfrence, par exemple des normes lgales ou des rsultats minimaux pour l'acceptation de candidats considrer un nombre d'actions potentielles plus important que les autres mthodes ELECTRE. Avec la mthode ELECTRE TRI, le nombre d'actions comparer et diviser par 20 par rapport une autre mthode ELECTRE. Cette mthode suit la mme dmarche que la mthode ELECTRE III jusqu'aux degrs de crdibilit. L'affectation des actions une catgorie est, bien entendu, spcifique. Pour dceler l'incomparabilit, deux procdures d'affectation distinctes, appeles optimiste et pessimiste, sont ncessaires. Elles consistent comparer chaque action potentielle avec les actions de rfrence en commenant par la plus contraignante puis la moins contraignante. Si les deux procdures affectent l'action potentielle la mme catgorie, elle est alors parfaitement comparable avec les actions de rfrence, sinon, en fonction de la diffrence entre les deux catgories auxquelles elle est attribue, elle est plus ou moins incomparable. On adopte une segmentation multicritre simple, c'est--dire que les actions de rfrence sont parfaitement comparables entre elles. Melle K.Najlae Page 36 30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

ELECTRE TRI est une mthode intressante dans la mesure o elle permet une comparaison diffrente des actions potentielles, non plus entre elles, mais par rapport une rfrence stable. Elle est donc moins sensible que les mthodes relevant de la problmatique g. Elle permet galement d'utiliser des valeurs de rfrence, lorsqu'elles existent. Encore faut-il qu'elles soient cohrentes pour former une action de rfrence.

Electre : Comment choisir la bonne mthode

Conclusion gnrale Intrt du multicritre au niveau de la conception : Aide la dcision, Prise en compte de lexprience humaine (prfrence), Diffrentes approches selon les cas industriels rsoudre

Melle K.Najlae

Page 37

30/09/2013

Analyste en Gnie Logiciel

Recherche oprationnelle

Exemples : Localisation dune Usine :

Un Exemple Achat dune automobile Objectifs : o Economie lachat (prix), o Economie lusage (consommation), o Performances (puissance), o Confort, o Habitabilit.

Quel est le meilleur achat ? Quel est le meilleur compromis ? Quelles sont les priorits de lacheteur ?

Melle K.Najlae

Page 38

30/09/2013