Vous êtes sur la page 1sur 40

` RE ANALYSE MULTICRIT E ` LA D E CISION POUR L AIDE A

LYON II A NTOINE R OLLAND , Universite

GDR MACS 18emes journees St-Etienne, 11 octobre 2013

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

B IBLIOGRAPHIE
` approche Quelques ouvrages en francais pour une premiere ` a ` la Decision Ph Vincke, LAide Multicritere , Editions de de Bruxelles - Editions Ellispses , 1989 Universite ` a ` la Decision B. Roy et D. Bouyssou, Aide Multicritere : Methodes et Cas, Economica 1993 D. Bouyssou, D. Dubois, M. Pirlot, H. Prade, Concepts et ` la decision ` methodes pour laide a , 3 volumes, Hermes 2006 ` . In M. Grabisch and P. Perny. Agregation multicritere ` la decision, Logique oue, principes, aide a B. ` 2003 Bouchon-Meunier, C. Marsala (eds), Hermes,

A. Rolland

` pour laide a ` la decision analyse multicritere

2 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

CISION EST DIFFICILE QUAND ... P RENDRE UNE D E

a ` comparer Optimisation il y a trop de possibilites combinatoire il y a plusieurs decideurs Theorie du Choix Social les consequences des actes ne sont pas sures Decision dans lincertain ` ` plusieurs criteres rentrent en compte aide multicritere ` la decision a

A. Rolland

` pour laide a ` la decision analyse multicritere

3 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

O N PEUT COMBINER !

` et combinatoire multicritere incertain et decision de groupe ` et decision multicritere de groupe (vacances entre amis ?) ...

A. Rolland

` pour laide a ` la decision analyse multicritere

4 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

C ADRE FORMEL
Choix social Candidats Votants Rangs (Nombre) ` Multicritere Alternatives ` Criteres Valeurs (Poids) Incertain Actions Etats de la nature Consequences (Probabilites)

erences erences Choix social : pref individuelles pref globales ` : pref erences ` erences Multicritere sur les criteres pref sur les alternatives erences Incertain : pref sur les consequences erences pref sur les actions

A. Rolland

` pour laide a ` la decision analyse multicritere

5 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

CISION EST DIFFICILE QUAND ... P RENDRE UNE D E

a ` comparer Optimisation il y a trop de possibilites combinatoire il y a plusieurs decideurs Theorie du Choix Social les consequences des actes ne sont pas sures Decision dans lincertain ` plusieurs criteres rentrent en compte aide ` a ` la decision multicritere

A. Rolland

` pour laide a ` la decision analyse multicritere

6 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

FINITION DES CRIT E ` RES [R DE

OY B OUYSSOU 96]

` critere= attribut muni dune relation binaire totale : ordre, preordre, ordre dintervalle... ` doit etre Une famille de critere : ` pour decrire ` complete le probleme (exhaustivite) ` erence coherente vis-a-vis des pref globale aussi independante que possible (non redondance)

A. Rolland

` pour laide a ` la decision analyse multicritere

7 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

FINITION DES PROBL E MATIQUES [R DE

OY B OUYSSOU 96]

problematique de la modelisation de la decision [Tsoukias07] problematique du choix problematique du rangement problematique du tri

A. Rolland

` pour laide a ` la decision analyse multicritere

8 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

N OTATIONS

X est lensemble des alternatives x , y , . . . ` N = {1, . . . , n} est lensemble des criteres ` gi : X R, i N sont les fonctions criteres ` i, gi (x ) est la valeur prise par lalternative x sur le critere aussi xi notee

A. Rolland

` pour laide a ` la decision analyse multicritere

9 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

D EUX APPROCHES STRUCTURANTES [G

RABISCH P ERNY 03]

x = (x1 , . . . , xn ) y = (y1 , . . . , yn ) c c (x1 , y1 ), . . . , c (xn , yn ) c (y1 , x1 ), . . . , c (yn , xn )

a a

a(x ), a(y ) c P (x , y )

` lapproche quantitative agreger puis comparer (critere ` unique de synthese) lapproche qualitative comparer puis agreger ` (surclassement de synthese)

A. Rolland

` pour laide a ` la decision analyse multicritere

10 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

C HOISIR UN APPAREIL PHOTO

A. Rolland

` pour laide a ` la decision analyse multicritere

11 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

C HOISIR UN APPAREIL PHOTO

` critere Nb Pixel sensibilite vitesse Macro Prix

appareil 1 20m 125-6400 30s-1/2000 10cm 490 C

appareil 2 12m 80-12800 15s-1/4000 15cm 450 C

appareil 3 16m 100-12800 30s-1/4000 X 1200 C

A. Rolland

` pour laide a ` la decision analyse multicritere

12 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

` base dutilite Methodes a

A. Rolland

` pour laide a ` la decision analyse multicritere

13 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

B IBLIOGRAPHIE

Fishburn Utility theory for Decision Making, 1970, Wiley Keeney-Raiffa Decisions with multiple objectives ; preferences and trade-off, 1976, Wiley Marichal, Aggregation Operators for Multicriteria Decision ` Aid, Institute of Mathematics, University of Liege, 1998 M. Ehrgott. Multicriteria Optimization. Second edition. Springer, Berlin, 2005.

A. Rolland

` pour laide a ` la decision analyse multicritere

14 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

fonctions dagregation additives


ee moyenne ponder

fonctions dagregation non additives


maximin, minimax, minimin maximax OWA integrale de Choquet

distances
optimisation multiobjectif

A. Rolland

` pour laide a ` la decision analyse multicritere

15 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

` SES H YPOTH E

` les valeurs sur les differents criteres sont commensurables ` les valeurs sur les differents criteres peuvent se compenser ` les valeurs de toutes les alternatives sur tous les criteres sont parfaitement connues erence ` et on veut obtenir une relation de pref complete transitive

A. Rolland

` pour laide a ` la decision analyse multicritere

16 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

S F ONCTION D UTILIT E

G(X)
1.2 1 0.8 0.6 0.4 0.2 0 0 0.2 0.4 0.6 0.8 1 1.2 1.2 1 0.8 0.6 0.4 0.2 0 0 0.2 0.4

G(X)

0.6

0.8

1.2

G(X)
1.2 1 0.8 0.6 0.4 0.2 0 0 0.2 0.4 0.6 0.8 1 1.2 1.2 1 0.8 0.6 0.4 0.2 0 0 0.2 0.4

G(X)

0.6

0.8

1.2

A. Rolland

` pour laide a ` la decision analyse multicritere

17 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

C HOISIR UN APPAREIL PHOTO

` critere Nb Pixel sensibilite vitesse Prix

appareil 1 10 3 5 9

appareil 2 6 10 5 10

appareil 3 8 9 10 4

A. Rolland

` pour laide a ` la decision analyse multicritere

18 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

GATION ADDITIVES F ONCTION D AGR E

RE E M OYENNE POND E x y WS (x ) WS (y ) WS (x ) =
i

wi fi (x )

` comprendre et a ` utiliser facile a mais ne favorise pas les solutions de compromis (ex : A(18,3) ; B(3,18), C(10,10))

A. Rolland

` pour laide a ` la decision analyse multicritere

19 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

GATION ADDITIVES F ONCTION D AGR E

RE E M OYENNE POND E x y WS (x ) WS (y ) WS (x ) =
i
` critere Nb Pixel sensibilite vitesse Prix Score coef 0.2 0.3 0.1 0.4 appareil 1 10 3 5 9 7 appareil 2 6 10 5 10 8.7 appareil 3 8 9 10 4 6.9

wi fi (x )

A. Rolland

` pour laide a ` la decision analyse multicritere

20 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

GATION NON ADDITIVES (1) F ONCTIONS D AGR E


M AX ET M IN maximin (pessimiste prudent) x y min(fi (x )) min(fi (y ))
i i

maximax (optimiste joueur) x etc...


` critere Nb Pixel sensibilite vitesse Prix Min Max appareil 1 10 3 5 9 3 9 appareil 2 6 10 5 10 6 10 appareil 3 8 9 10 4 4 10

y max(fi (x )) max(fi (y ))
i i

A. Rolland

` pour laide a ` la decision analyse multicritere

21 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

GATION NON ADDITIVES (2) F ONCTIONS D AGR E


OWA [YAGER98] x y OWA(x ) OWA(y ) OWA(x ) =
i

wi f(i ) (x )

avec f(1) (x ) f(2) (x ) . . . f(3) (x ) aux rangs des valeurs et non aux les poids sont affectes ` criteres permet de retrouver (et composer) tous les indices statistiques de position

A. Rolland

` pour laide a ` la decision analyse multicritere

22 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

GATION NON ADDITIVES (2) F ONCTIONS D AGR E


OWA [YAGER98] x y OWA(x ) OWA(y ) OWA(x ) =
i

wi f(i ) (x )

avec f(1) (x ) f(2) (x ) . . . f(3) (x )


` critere Nb Pixel sensibilite vitesse Prix OWA appareil 1 10 3 5 9 6.2 appareil 2 6 10 5 10 7.3 appareil 3 8 9 10 4 7.4

Avec le jeu de poids (0.3 ;0.3 ;0.2 ;0.2)


A. Rolland ` pour laide a ` la decision analyse multicritere 23 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

GATION NON ADDITIVES (3) F ONCTIONS D AGR E


GRALE DE C HOQUET [CHOQUET53] I NT E x C (x ) =
i

y C (x ) C (y ) (Ai ) f(i ) (x ) f(i +1) (x )

avec f(1) (x ) f(2) (x ) . . . f(3) (x ) une mesure sur 2N et Ai = {1, . . . , i }. ` ou integrale vis-a-vis dune mesure non additive (capacite mesure oue) ` permet de modeliser les interactions entre criteres inclue WS, OWA, etc...
A. Rolland ` pour laide a ` la decision analyse multicritere 24 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

GATION NON ADDITIVES (3) F ONCTIONS D AGR E

(4 criteres=16 ` ` Exemple de capacite parametres) :


({c1 }) ({c1 , c2 }) ({c2 , c4 }) ({c1 , c3 , c4 }) = = = = 0.2 0.3 0.2 0.5 ({c2 }) ({c1 , c3 }) ({c3 , c4 }) ({c2 , c3 , c4 }) ` critere Nb Pixel sensibilite vitesse Prix Choquet Int. = = = = 0.1 0.6 0.3 0.4 ({c3 }) = 0.2 ({c1 , c4 }) = 0.2 ({c1 , c2 , c3 }) = 0.7 ({c1 , c2 , c3 , c4 }) = 1 appareil 2 6 10 5 10 6.2 appareil 3 8 9 10 4 7.6 ({c4 }) = 0.1 ({c2 , c3 }) = 0.6 ({c1 , c2 , c4 }) = 0.4 () = 0

appareil 1 10 3 5 9 5

A. Rolland

` pour laide a ` la decision analyse multicritere

25 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

` RE OPTIMISATION MULTICRIT E

P RINCIPE x y d (x , z ) d (y , z )

ou ` d (, ) est une distance et z un point ideal Exemple : methode TOPSIS [Hwang& Yoon81]
et du point anti-ideal calcul du point ideal calcul de la distance d au point ideal calcul de la distance d au point anti-ideal calcul du score : s =
d d +d

A. Rolland

` pour laide a ` la decision analyse multicritere

26 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

` RE OPTIMISATION MULTICRIT E
P RINCIPE x y d (x , z ) d (y , z )

ou ` d (, ) est une distance et z un point ideal

` critere Nb Pixel sensibilite vitesse Prix

appareil 1 10 3 5 9

appareil 2 6 10 5 10

appareil 3 8 9 10 4

Ideal 10 10 10 10

Anti-Ideal 6 3 5 4

A. Rolland

` pour laide a ` la decision analyse multicritere

27 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

` base de surclassement Methodes a

A. Rolland

` pour laide a ` la decision analyse multicritere

28 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

B IBLIOGRAPHIE

` a ` la Decision B. Roy et D. Bouyssou, Aide Multicritere : Methodes et Cas, Economica 1993 D. Bouyssou, D. Dubois, M. Pirlot, H. Prade, Concepts et ` la decision ` methodes pour laide a , volume 3, Hermes 2006

A. Rolland

` pour laide a ` la decision analyse multicritere

29 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

` SES H YPOTH E

acte de decision = processus delaboration progressive erence dune structure de pref dincomparabilite des actions lacceptation de lidee erence avoir comme resultat une structure de pref beaucoup moins stricte quun pre-ordre total en vue declairer le DM sur son choix

A. Rolland

` pour laide a ` la decision analyse multicritere

30 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

R ELATION DE SURCLASSEMENT

P RINCIPE x y C (x , y )
i N

C (y , x )

avec C (x , y ) = {i N |xi

yi }

A. Rolland

` pour laide a ` la decision analyse multicritere

31 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

THODE ELECTRE [R LA ME

OY 68]

R ELATION DE SURCLASSEMENT x surclasse y (xSy ) si C (x , y ) > SC et j N , non yj Vj xj er e a ` y (xPy ou x y ) xSy et non ySx : x est pref xSy et ySx : x et y sont indifferents (xIy ou x y ) non xSy et non ySx : x et y sont incomparables (xRy ) erences La relation S donne un graphe des pref sur X Alors que fait-on ? Electre analyse une situation mais ne resout pas tous les ` problemes ! on peut reduire le graphe en fusionnant les cycles en une nouvelle alternative on peut faire varier les seuils pour une analyse de sensibilite
A. Rolland ` pour laide a ` la decision analyse multicritere 32 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

THODE ELECTRE [R LA ME
` critere Nb Pixel sensibilite vitesse Macro Prix ` critere appareil 1 appareil 2 appareil 3 appareil 1 20m 125-6400 30s-1/2000 10cm 490 C

OY 68]

appareil 2 12m 80-12800 15s-1/4000 15cm 450 C appareil 2 0.4 0.4

appareil 3 16m 100-12800 30s-1/4000 X 1200 C appareil 3 0.4 0.4

appareil 1 0.6 0.4

avec w1 = w2 = w3 = w4 = w5 = 0.2
A. Rolland ` pour laide a ` la decision analyse multicritere 33 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

AUTRE EXEMPLE : PROMETHEE [B

RANS E TA L 84]

de pref erence comparer les alternatives avec intensite Pi (x , y ) = p(gi (x ) gi (y ))


erence P (x , y ) = 0 pas de pref de x sur y erence P (x , y ) = 1 pref forte de x sur y

erence indicateur de pref (a , b ) = (b, a) calcul des ux + (x ) = (x ) = y (y , x ) agregation des ux


y

i Pi (a, b) and

(x , y ) and

A. Rolland

` pour laide a ` la decision analyse multicritere

34 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

Autres methodes

A. Rolland

` pour laide a ` la decision analyse multicritere

35 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

` regles de decisions AHP

A. Rolland

` pour laide a ` la decision analyse multicritere

36 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

` GLES DE D E CISIONS [S RE

LOWINSKY E TA L 01]

problematique du tri utilise la dominance et les Rough sets imprecises ` convient bien aux donnees ou incompletes ` comprehensible tres par un decideur P RINCIPE dans une categorie Si x domine y alors x doit etre classe au moins aussi bonne que celle de y .

A. Rolland

` pour laide a ` la decision analyse multicritere

37 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

AHP [S

AATY 71,

S AATY 80]

methode pour determiner les poids dune somme ee ponder ` utilise les comparaisons dalternatives et de criteres peut prendre en compte plusieurs decideurs. P RINCIPE ` Decomposer le probleme complexe en une structure hierarchique (niveaux) ` Effectuer les comparaisons entre criteres :de 1 ` 9 (extreme erence) (indifference) a pref Effectuer les comparaisons entre alternatives Synthetiser les comparaisons (moyenne) pour obtenir un classement Coherence des jugements
A. Rolland ` pour laide a ` la decision analyse multicritere 38 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

C E QU IL FAUT RETENIR pas de methode miracle ! es souhaitables... ou non mais des propriet

A. Rolland

` pour laide a ` la decision analyse multicritere

39 / 39

Introduction

Cadre

Utilites

Surclassements

Autres methodes

Conclusion

C E QU IL FAUT RETENIR pas de methode miracle ! es souhaitables... ou non mais des propriet FIS LES D E lanalyse axiomatique ` lechelle le passage a ` lelicitation des parametres (preference learning)

A. Rolland

` pour laide a ` la decision analyse multicritere

39 / 39