Vous êtes sur la page 1sur 93

G

en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

Aide multicrit`ere `a la decision


Methodes de surclassement
Philippe Lenca
GET / ENST Bretagne
D
epartement lussi

Septembre 2004

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

electre III

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Plan
Considerations generales
Methodes de surclassement
Crit`eres
Pseudo-crit`ere
Situations de preferences
electre I
electre II
electre III
References
Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

Methodes fondees sur un crit`ere unique de synth`ese


Mod`ele de preferences est exprime par une fonction unique :
I

utilite multi-attribut, somme ponderee

programmation mathematique

etc.

Fonction permet de ranger toutes les actions de la meilleure `a la


moins bonne :
I

pas dincomparabilite

transitivite

etc.

Probl`emes de classement, choix simple.

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

Methodes fondees sur un crit`ere unique de synth`ese


Fonction permet de ranger toutes les actions de la meilleure `a la
moins bonne :
I

resultat qui peut sembler tr`es confortable pour le decideur

mais hypoth`eses importantes


I

commensurabilite entre les crit`eres, agregation de donnees


conflictuelles, imprecises peut etre difficile
forme de la fonction ?
additive
multiplicative
etc.

compensation totale entre les crit`eres

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

Agregation multicrit`ere
Decision prend en compte n crit`eres g1 , . . ., gn :
I

gi A 7 Vi

pour chaque gi , les preferences vis-`a-vis des niveaux de Vi


sont independantes des autres crit`eres

preferences sur les Vi sont un ordre

Exemple : choix de voitures


I

consommation : R4GTL R21TS ALPIN

prix : ALPIN R21TS R4GTL

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Agregation multicrit`ere
I

action a est meilleure que les actions b et c, doit-on connatre


la relation entre b et c ?

resolution dun probl`eme de decision est un processus temporel


o`
u les actions peuvent etre incomparables `a un moment donne

conclure `a lincomparabilite de deux actions peut mener `a


etudier de nouveaux aspects du probl`eme

additivite entre les crit`eres est-elle une hypoth`ese raisonnable ?

commensurabilite entre les crit`eres peut etre difficile `a obtenir

Concept de surclassement [B. Roy, 60s].

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

Agregation multicrit`ere
Trois grandes familles :
I

crit`ere unique de synth`ese

methodes interactives

methodes de surclassement

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

electre I

electre II

electre III

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

Methodes de surclassement
I

un crit`ere (au moins) nest pas quantitatif

les unites devaluation des crit`eres sont heterog`enes et leur


codage sur une echelle commune est difficile

la compensation entre crit`eres nest pas justifiee

des seuils de preferences ou de veto doivent etre pris en


compte

Developpees par [B. Roy, 60s] :


I

`a loccasion dapplications reelles

pour resoudre des difficultes avec lutilisation dapproche du


type crit`ere unique de synth`ese

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Methodes de surclassement
Relation de surclassement
Une relation de surclassement est une relation binaire S definie
dans A telle que aSb si, etant donne ce que lon sait des pr
ef
erences
du d
ecideur et etant donnee la qualit
e des
evaluations des actions et la nature du probl`
eme, il 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.

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

Methodes de surclassement
Si a surclasse b alors a est au moins aussi bonne que b.
Une relation de surclassement :
I

na aucune raison detre compl`ete

na aucune raison detre transitive

ne permet pas en general dobtenir immediatement un


rangement total des actions

la dominance entrane le surclassement

est reflexive

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Methodes de surclassement
Differences entre les methodes de surclassement vont provenir
notamment de la facon de formaliser et dexploiter la definition du
surclassement :
I

electre

promethee

melchior

etc.

Methodes de surclassement proc`edent en deux etapes :


I

construction de la relation de surclassement

exploitation de la relation de surclassement en fonction de la


problematique choisie

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

Methodes de surclassement
Probl`emes consideres :
I

ensemble fini dactions, A = {a1 , a2 , . . . , am }

famille coherente de pseudo-crit`eres, F = {g1 , g2 , . . . , gn }


une ou plusieurs problematiques de decision [Roy, 1985]

choisir une ou plusieurs action(s) : problematique de


choix/selection P (1
determiner toutes les bonnes actions : problematique de
tri/affectation P
classer les actions de la meilleure `a la moins bonne :
problematique de rangement/classement P
decrire les actions et/ou leurs consequences de facon
formalisee : problematique P

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

Problematiques de decision
A

Fig. 1: Problematique
A

. . .

. . .

Fig. 2: Problematique
A

A4
A1

A5

A2
A3

Fig. 3: Problematique

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

Description des actions et de leurs consquences

Fig. 4: Problematique

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Methodes de surclassement
Laffirmation aSb est acceptee si :
I

il y a concordance : une majorite de crit`eres sont concordants


avec aSb (principe de majorit
e)

il ny a pas discordance : aucun des crit`eres non-concordants


(discordant) refute fortement aSb (principe de respect des
minorit
es)

Deux indices :
I

la concordance : mesurer les arguments en faveur de


au moins aussi bonne

la discordance : mesurer sil y a des raisons importantes de


refuser cette affirmation

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Methodes de surclassement
Concordance/Discordance
Les indices de concordance et discordance mettent en uvre les
principes de majorite et de respect des minorites afin daffirmer le
surclassement (ou non) de a sur b.
Cela peut se realiser de differentes facons et avec des niveaux dexigence plus ou moins forts.
Prises en compte :
I

de seuils, les valeurs prises par un crit`ere peuvent etre


imprecises, incertaines

de logiques non compensatoires

de lincomparabilite

de notion de veto

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Methodes de surclassement
Concordance partielle
On mesure la contribution, ci (a, b) [0, 1], de chaque crit`ere `a la
proposition aSb.

ssi gi nest absolument pas en faveur de aSb


0,
1,
ssi gi est totalement en faveur de aSb
ci (a, b) =

]0, 1[, ssi gi est partiellement en faveur de aSb

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Methodes de surclassement
Concordance globale
On mesure la concordance, c(a, b) [0, 1], `a laide des contributions
de chaque crit`ere.

0,
si aucun crit`ere nest en faveur de aSb

1,
si tous les crit`eres sont en faveur de aSb
c(a, b) =
]0, 1[, si certains crit`eres seulement sont en faveur

de aSb

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

Methodes de surclassement
Idem avec la discordance.

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

electre I

electre II

electre III

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Methodes de surclassement
Famille des methodes electre
:
ELicitation Et Choix Traduisant la REalite
I

electre I et electre is : choisir une ou plusieurs action(s)


(P )

electre tri : determiner toutes les bonnes actions (P )

electre II, electre III et electre IV : classer les


actions de la meilleure `a la moins bonne (P )
http://www.lamsade.dauphine.fr/logiciel.html

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Crit`
eres
Crit`ere
Un crit`
ere est une fonction g definie sur A et prenant ses valeurs dans un ensemble totalement ordonne IR, g : A IR), et
qui represente les preferences du decideur selon un point de vue.
I

vrai-crit`ere : la structure de preference sous-jacente est une


structure de pre-ordre total (mod`ele traditionnel)

quasi-crit`ere : la structure de preference sous-jacente est une


structure de quasi-ordre (mod`ele `a seuil)

crit`ere dintervalle : la structure de preference sous-jacente est


une structure dordre dintervalle (mod`ele `a seuil variable)

pseudo-crit`ere : la structure de preference sous-jacente est une


structure de pseudo-ordre

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Famille de crit`eres
Famille de crit`eres
Lelaboration dune famille F = {g1 , g2 , . . . , gn } de crit`eres pour
representer les differents points de vue est un operation delicate qui
doit permettre de modeliser les preferences `a un niveau global.
Famille coherente de crit`eres
Une famille de crit`eres est coherente si elle est conforme aux trois
exigences suivantes [Roy, 1985], [Roy et Bouyssou, 1993] :
I

exhaustivite

cohesion

non redondance

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Famille coh
erente de crit`eres
Exhaustivite
Les crit`eres pris en compte doivent decrire le probl`eme de mani`ere
suffisamment exhaustive. Cest-`a-dire que si deux alternatives a et
b sont telles que i, gi (a) = gi (b), alors il ne doit pas exister
dalternative c telle que la relation de c `a a soit differente de la
relation de c `a b.
si i, gi (a) = gi (b)alors c :
cHb cHa, H {I , P, Q, R, , , S}
bH 0 c aH 0 c, H 0 {I , P, Q, R, , , S}

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Famille coherente de crit`eres


Cohesion
Les crit`eres ne doivent pas casser les proprietes de chaque crit`ere
pris individuellement (a est dautant meilleure que gi (a) est eleve).
si j F \ {k}, gj (b k ) = gj (b), gk (b k ) gk (b)
si j F \ {k}, gj (a) = gj (ak ), gk (a) gk (ak ),
lune au moins des deux inegalites ci-dessus etant stricte, alors :
bPa b k Pak ,
bQa b k  ak ,
bIa b k Sak .
Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Famille coherente de crit`eres


Non redondance
Il faut eliminer de F les crit`eres superflus, par souci deconomie.
F doit donc etre telle que, si on lui enl`eve un crit`ere, elle ne satisfait
plus lun au moins des deux axiomes precedents.

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

Pseudo-crit`ere
Le mod`ele de pseudo-crit`ere permet dintegrer des elements mal
definis ou connus avec une marge de precision.
On suppose que les preferences sont croissantes avec les
performances.
Soit gj un crit`ere (gj : A 7 IR), a, b A et u la difference
devaluation sur gj entre a et b :
u = gj (a) gj (b)

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Pseudo-crit`ere (u = gj (a) gj (b))


I

si u ' 0, alors aIj b (a est indifferente `a b)

si gj (a) crot, soit qj (gj (b)) (seuil dindifference du crit`ere gj )


la difference `a partir de laquelle a et b ne sont plus
indifferentes
I

si la difference est suffisamment grande alors aPj b (a est


strictement preferee `a b).
aPj b ne sera acceptee que jusqu`a une certaine valeur pj [gj (b)]
(seuil de preference stricte du crit`ere gj ).
Generalement, on a pj [gj (b)] 6= qj [gj (b)] avec
pj [gj (b)] > qj [gj (b)].
si qj [gj (b)] < u pj [gj (b)] on peut hesiter entre lindifference
et la preference stricte. On note alors aQj b cette situation
appelee preference faible.

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

Pseudo-crit`ere (u = gj (a) gj (b))


Prfrences

aQb
j

aIb
j

g(b)
j

g(b) +q [g(b)]
j
j j

aPb
j

g(b) + p [g(b)]
j
j j

g(a)
j

Fig. 5: Pseudo-crit`ere et preferences.

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

electre III

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Pseudo-crit`ere
Pseudo-crit`ere
On appelle pseudo-crit`ere une fonction-crit`ere g `a laquelle est associee deux fonctions seuils qg [g (b)] et pg [g (b)] verifiant :
a, b, A
Les conditions de monotonie,
qg [g (a)]qg [g (b)]
g (a)g (b)

1 et

pg [g (a)]pg [g (b)]
g (a)g (b)

et telles que,

aIj b gj (a) gj (b) qj [gj (b)]


aQj b qj [gj (b)] < gj (a) gj (b) pj [gj (b)]
gj (a) gj (b)

aPj b gj (a) gj (b) > pj [gj (b)]


Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

Pseudo-crit`ere
Prfrences

aPb
j

aQb
j
g(a) p
j
j

aIb
j
g(a) q
j
j

g(a)
j

g(a) + q
j
j

Fig. 6: Pseudo-crit`ere et preferences.

Cas particuliers :
I
I
I

pj = qj , quasi-crit`ere
qj = 0, pre-crit`ere
pj = qj = 0, vrai-crit`ere

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

bPa
j

bQa
j
g(a) + p
j
j

g(b)
j

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Pseudo-crit`ere et limprecision
Considerons un crit`ere prenant en compte une unique dimension
sur laquelle chaque action a A est evaluee par un point (fig. 7):
I

le plus probable c(a)

un point par exc`es c + (a)

et un par defaut c (a)

c(a)

c(a)

c+(a)

Fig. 7: a [c (a); c + (a)].

Evaluation entouree dune marge de dispersion pas forcement


symetrique.
Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Pseudo-crit`ere et limprecision
On peut raisonnablement definir le crit`ere g en posant
g (a) = c(a).
Sans informations supplementaires, une difference faible entre g (a)
et g (b) ne nous permet pas de conclure une preference stricte.
Une facon naturelle de proceder :
I
I

aPb ssi c (a) > c + (b) (cas o`


u les intervalles sont disjoints)
si c(b) crot les deux intervalles vont se chevaucher
I

indifference I d`es que levaluation la plus probable de chaque


action est comprise dans lintervalle de lautre action
preference faible Q dans la situation intermediaire

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Pseudo-crit`ere et limprecision
On peut montrer que si les ecarts c (a) c(a) et c + (a) c(a) ne
dependent de laction a quau travers de c(a), le mode de
comparaison par intervalles peut etre modelise `a laide dun pseudo
crit`ere :
Si a A,
c (a) = c(a) (0 + 0 c(a))
c + (a) = c(a) + ( + c(a))
alors on a le pseudo crit`ere tel que, a A,
g (a) = c(a)
p(g (a)) =

+0 +(+ 0 ) g (a)
1 0
0

g (a)
q(g (a)) = min[ + g (a); +
]
1 0

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

Situations de preferences
aSb : il y a suffisamment darguments en faveur de a est au
moins aussi bonne que b.
Arguments bases sur :
I

les evaluations de a et b
I
I

(g1 (a), . . . , gn (a))


(g1 (b), . . . , gn (b))

delements sur les preferences du decideur


I
I

poids sur les crit`eres


fonctions seuils

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Quatre situations de preferences


Situations

Relations

aSb et non bSa

aPb

non bSa et bSa

bPa

aSb et bSa

aIb

non aSb et non bSa

aRb

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

Representations
a

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

electre I
Probl`eme du choix :
I

obtenir le plus petit sous-ensemble N de A tel que toute


action qui nest pas dans N est surclassee par au moins une
action de N

et tel que les actions de N soient incomparables entre elles

Formellement :
a, b A trouver N tel que
N A, b 6 N , a N , aSb
a N , b N , a 6Sb, b 6Sa

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Construction de la relation de surclassement


Indice de concordance c(a, b) : a, b A
1
c(a, b) = Pp

j=1 pj j/g (a)g (b)


j
j

pj

varie de 0 `a 1 (normalisation des poids)

mesure les arguments en faveur de a surclasse b

correspond `a une procedure o`


u chaque groupe de votants
(mesure par son importance) exprime sa preference de a sur b.

ne necessite pas la comparabilite entre les crit`eres


(comparaisons crit`ere par crit`ere)

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Construction de la relation de surclassement


Indice de discordance d(a, b) (crit`eres qualitatifs et comparables) :

0 si j, gj (a) gj (b),
1
d(a, b) =
maxj [gj (b) gj (a)] sinon

o`
u = maxc,d,j [gj (c) gj (d)]
I

mesure la force dun argument (maximal) en defaveur de a


est au moins aussi bonne que b

exprime le fait que le decideur ne peut accepter la preference


de a sur b si b est largement meilleur que a sur un crit`ere
(quel que soit le nombre de crit`eres en faveur de a sur b)

indice d(a, b) est donc dautant plus grand que la preference


de a sur b est faible sur un crit`ere

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Construction de la relation de surclassement


Discordance d(a, b) (crit`eres non comparables) :
I

ensembles de contraintes Dj de la forme {(=, xj , yj )},


{(, xj , yj )},

ou plus generalement {(R, xj , yj )} ou R est une relation


binaire exprimant des contraintes

Par exemple, lensemble {(=, x2 , y2 )} signifie que sur le crit`ere 2 si


g2 (a) = x2 et g2 (b) = y2 on refusera le surclassement de b par a,
et ce quel que soient les arguments en faveur de a sur b.
Discordance exprime la notion de veto.

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

Definition de la relation de surclassement S


I

`a laide de la concordance
`a partir dun seuil c
ie. quil y a suffisamment darguments en faveur de a

et de la discordance
soit `a partir dun seuil d si les crit`eres sont commensurables
ou bien `a partir des ensembles de contraintes
ie. quil ny a pas assez darguments contre le surclassement

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Definition de la relation de surclassement S



aSb

c(a, b) c
d(a, b) d

ou par

aSb

c(a, b) c
j (R, gj (a), gj (b)) 6 Dj

La relation de surclassement (nette) S peut etre representee par un


graphe oriente G = (A, U) o`
u U = {(ai , aj ) A A/ai Saj }.

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Exploitation de la relation de surclassement S


Problematique - on recherche un sous-ensemble N tel que :

b (A N ), a N / aSb
(a, b) N N , a 6Sb
I

premi`ere condition est une propriete de completude


(sous-ensemble S-dominant)

la seconde de minimalite.

La recherche de N est equivalente `a la recherche du noyau du graphe


G representant S.

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Exploitation de la relation de surclassement S


On peut avoir :
aSb, bSc et cSa ie. un graphe sans noyau, aSb, bSc, cSd et dSa
ie. un graphe avec deux noyaux, mais aussi aSb aSc (sans bSc ni
cSb) ie. un graphe avec un noyau unique.

Fig. 8: Exemples de noyaux dans un graphe.


Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Exploitation de la relation de surclassement S


Si le graphe G est sans circuit alors le noyau N existe et est unique.
Sinon le noyau nest pas unique :
I

on peut considerer les actions des circuits comme ex quo et


remplacer chaque circuit par une action unique

on peut utiliser la notion de quasi-noyau de faiblesse


minimum [Vincke, 1977]

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Exploitation de la relation de surclassement S


Un quasi-noyau Q du graphe G = (A, U) est un sous-ensemble de
A tel que :

(a, b) Q Q, a 6Sb
a Q/aSb
b 6 Q
ou a A et c Q/aSb, cSa
Tout graphe poss`ede au moins un quasi-noyau.
La faiblesse de Q est definie par :
f (Q) = |{b A Q/ 6a Q aSb}|
Le quasi-noyau Q est un noyau si et seulement si f (Q) = 0.

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

Exemple [Vincke, 1989]


Choix dune voiture (sept mod`eles, quatre crit`eres) :

Prix
Confort
Vitesse
Ligne

1
300
E
R
S

2
250
E
M
S

3
250
M
R
S

4
200
M
R
O

5
200
M
M
S

6
200
F
R
S

7
100
F
M
O

Poids
5
4
3
3

o`
u (E = Excellent, M = Moyen, F = Faible, R = Rapide, S =
Soignee, O = Ordinaire)

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

Exemple [Vincke, 1989]


Les indicateurs de concordance sont :

1/15 *

Prix
Confort
Vitesse
Ligne
Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

1
300
E
R
S

12
11
8
8
11
5
2
250
E
M
S

10
11
8
11
11
8
3
250
M
R
S

10
12
12
12
11
5
4
200
M
R
O

10
7
10
12
11
8

10
10
10
12
11
8

5
200
M
M
S

10
7
10
12
12
9
6
200
F
R
S

10
10
10
10
10
10
7
100
F
M
O

Poids
5
4
3
3

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

Exemple [Vincke, 1989]


On refuse le surclassement de b par a si :
gprix (a) = 300 et gprix (b) = 100 ou
gprix (a) = 250 et gprix (b) = 100 ou
gconfort (a) = F et gconfort (b) = E .
Pour c = 12
15 , on obtient le graphe de surclassement :
4

Fig. 9: Surclassement du choix dune voiture.


Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

electre III

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

Exemple [Vincke, 1989]


Noyaux du graphe : {2, 4, 7} et {2, 5, 7}.
Les actions 4 et 5 peuvent etre consideree comme ex quo.
4

Fig. 10: Surclassement du choix dune voiture.

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Exemple
Les actions du noyau sont les bonnes actions.
On doit donc les analyser en finesse et plus precisement tester la
robustesse du noyau en faisant varier les param`etres de la
methode :
I

pi

I
I

c
d

les donnees A

Cette derni`ere phase peut servir `a departager les actions du noyau.


Voir cours sur lanalyse de robustesse et de sensibilite.

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

electre II
La methode Electre II vise `a ranger les actions de la meilleure `a
la moins bonne (probematique du rangement).
Concordance et discordance :
I

sont definies comme dans Electre I

on fixe deux seuils c1 et c2 tels que c1 > c2 .

On construit deux relations de surclassement :


I

une relation de surclassement fort S F

une relation de surclassement faible S f

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Construction de la relation de surclassement

c(a, b) c1
P
P
F
aS b
j/gj (a)>gj (b) pj >
j/gj (a)<gj (b) pj

(gj (a), gj (b)) 6 Dj , j

c(a, b) c2
P
P
aS f b
j/gj (a)>gj (b) pj >
j/gj (a)<gj (b) pj

(gj (a), gj (b)) 6 Dj , j


La discordance peut aussi donner lieu `a deux niveaux de severite en
construisant, pour chaque crit`ere j, deux ensembles Dj1 et Dj2 tels
que Dj2 Dj1 .

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Exploitation de la relation de surclassement S


Determiner :
I

lensemble B des actions qui ne sont surclassees fortement par


aucune autre action (on a elimine les circuits de S F )

puis lensemble A1 des actions de B qui ne sont surclassees


faiblement par aucune autre action de B (en ayant
prealablement elimine les circuits de S f )

A1 constitue la premi`ere classe du rangement, et la procedure


recommence dans lensemble des actions restantes.

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Exploitation de la relation de surclassement S


Un deuxi`eme preordre complet est construit de mani`ere analogue,
mais en commencant par la classe la moins bonne (les actions qui
nen surclassent aucune autre) et en remontant vers les meilleures
classes.
Remarquons que si une action nen surclasse aucune autre et nest
surclassee par aucune action, elle se trouvera en tete du premier
rangement et en queue du deuxi`eme.
Cest pourquoi, si les deux preordres ne sont pas trop proches, il
faudra approfondir letude. Sinon, un preordre median est
propose au decideur.
Dans les deux cas, une analyse de robustesse est necessaire.

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

Exemple [Vincke, 1989]

1/15 *

Prix
Confort
Vitesse
Ligne

1
300
E
R
S

12
11
8
8
11
5

2
250
E
M
S

10
11
8
11
11
8

3
250
M
R
S

On refuse toujours le surclassement de b par a si :


gprix (a) = 300 et gprix (b) = 100 ou
gprix (a) = 250 et gprix (b) = 100 ou
gconfort (a) = F et gconfort (b) = E .

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

10
12
12
12
11
5

4
200
M
R
O

10
7
10
12
11
8

10
10
10
12
11
8

5
200
M
M
S

10
7
10
12
12
9

6
200
F
R
S

10
10
10
10
10
10
-

7
100
F
M
O

Poids
5
4
3
3

electre III

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Exemple [Vincke, 1989]


c1 =

12
15

: on obtient la relation de surclassement

S F = {(2, 1), (2, 3), (5, 3), (5, 6), (4, 5), (4, 6), (4, 3), (5, 4)}
c2 =

11
15

: on obtient la relation de surclassement

S f = S F + {(3, 1), (3, 2), (5, 2), (6, 1), (6, 2), (6, 3), (6, 4), (6, 5)}
Les couples (6, 1) et (6, 2) sont exclus par lensemble de
discordance.

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Exemple [Vincke, 1989]


P

j/gj (a)>gj (b) pj

>

j/gj (a)<gj (b) pj

elimine les couples :

(4, 5), (5, 4), (3, 2), (6, 4), (6, 5)


Do`
u:
S F = {(2, 1), (2, 3), (5, 3), (5, 6), (4, 6), (4, 3)}
S f = S F + {(3, 1), (5, 2), (6, 3)}
Lensemble B des actions qui ne sont fortement surclassees par
aucune autre est {2, 4, 5, 7}.
Laction 2 est faiblement surclassee dans S f , donc A1 = {4, 5, 7}.
Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

Exemple [Vincke, 1989]


On recommence avec les actions restantes :
B 0 = {2, 6}, A2 = {2, 6}.
B 00 = {1, 3}, A3 = {3}.
B 000 = {1}, A4 = {1}.

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

electre II

electre III

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

Exemple [Vincke, 1989]


On recommence ensuite dans lordre inverse. Lensemble des
actions qui nen surclassent fortement aucune autre est
C = {1, 3, 6, 7}.
Dans C , lensemble des actions qui nen surclassent faiblement
aucune autre est D 1 = {1, 7}.
On continue :
C 0 = {3, 6}, D 2 = {3}.
C 00 = {2, 6}, D 2 = {2, 6}.
C 000 = {4, 5}, D 3 = {4, 5}.

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

Exemple [Vincke, 1989]





 





 

 










Fig. 11: Surclassement du choix dune voiture.


Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

electre III

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

electre III et electre IV


Problematique : etant donne un ensemble A fini dactions evaluees
sur une famille coherente de crit`eres, partitioner A en classes
dequivalence et fournir un ordre non necessairement complet
exprimant les positions relatives de ces classes.
I

construction dune ou plusieurs relations de surclassement sur


lensemble A

rangement des actions : `a partir de la ou des relations de


surclassement, generer deux classements (construits
differemment) ; lintersection des deux preordres conduit `a un
preordre partiel ne retenant que les comparaisons les plus
fondees entre les actions

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

electre III et electre IV


Premi`ere etape :
I

electre III [Roy, 1978] : obtenir une relation de


surclassement floue

electre IV [Hugonnard et Roy, 1982] : obtenir un ensemble


de relations de surclassement nettes embotees

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

electre III et electre IV


Donnees relatives aux actions dictent le choix de la methode :
I

le decideur est en mesure dexprimer limportance relative des


pseudo-crit`eres en les ponderant : electre III

le decideur ne peut ou ne desire pas evaluer limportance


relative des pseudo-crit`eres tout en estimant quaucun crit`ere
nest negligeable ni preponderant face `a un regroupement
quelconque dune moitie des crit`eres : electre IV

le decideur a construit une matrice de comparaison par paires


des actions (matrice de nombres compris entre 0 et 1) par une
methode donnee : utilisation dun algorithme de classement
(matrice de degres de credibilite)

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

electre III
Pour chaque crit`ere, calculer deux indicateurs par paire dactions :
I

le premier exprime dans quelle mesure les performances des


actions sur les crit`eres entrent en concordance avec lassertion
a est au moins aussi bonne que b

le second indique dans quelle mesure elles sy opposent

Calculs :
I

les indicateurs de concordance sont agreges en tenant compte


des poids pour obtenir un indice de concordance global.

les indicateurs de discordance ne sont pas agreges.

le degre de cr
edibilit
e, dc(a, b), que lon accorde `a a
surclasse b est obtenu `a partir de lindice de concordance
affaibli par les indices de discordance.

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

Ensemble A
dactions

Seuils de veto

electre I

electre II

Famille F
de pseudocritres

Performances des actions,


seuils dindiffrence et
de prfrence

Poids

Indices de concordance
par critre

Indices de discordance
par critre

Relation de concordance

Relation de surclassement floue


Algorithme de classement
Seuil de distillation
2 prordres complets

1 prordre partiel

Fig. 12: Schema general de electre III.


Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

electre III

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Seuil de veto
Seuil de veto
On appellera seuil de veto vj du crit`ere j la difference `a partir de
laquelle laffirmation a est tellement meilleure que b sur le crit`ere j
quen aucun cas, b ne pourra etre consideree meilleure que a quelles
que soient les performances de b et a sur tous les autres crit`eres.
sera prise en compte dans lelaboration de la preference globale.
On parle de veto-preference PVj pour la relation associee et on a :
aPVj b vj [gj (b)] < gj (a) gj (b).

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Modes de calcul des seuils


2 2 situations :
I

preferences croissantes ou decroissantes avec les performances

seuils directs (calcules `a partir de la performance de laction la


moins preferee) ou inverses (calcules `a partir de la
performance de laction la meilleure)

Quatre situations :
I

Cas 1 : preferences croissantes et seuils directs

Cas 2 : preferences decroissantes et seuils directs

Cas 3 : preferences croissantes et seuils inverses

Cas 4 : preferences decroissantes et seuils inverses

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

Modes de calcul des seuils


Seuils
Les seuils sont des fonctions affines des performances :
seuil(gj (a)) = gj (a) +
et sont `a la charge de lutilisateur pour chaque crit`ere :
I

Cas 1 : 1

Cas 2 : 1

Cas 3 : 1

Cas 4 : 1

et ne doivent pas donner une valeur de seuil negative

qj (.) pj (.) vj (.)

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Modes de calcul des seuils


Remarques : lorsque les seuils sont inverses (coefficients de la
0
fonction affine note ) on realise une transformation (valable pour
tous les seuils) pour obtenir des seuils directs et utiliser le meme
algorithme de comparaison par paires :
0

Cas 3 : =

10

Cas 4 : =

1+0

et =

10

et =

1+0

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

et on se ram`ene au Cas 1
et on se ram`ene au Cas 2

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

Pseudo-crit`ere et les seuils


Prfrences

aQb

aIb

aPb

aPb

et
a PV b

g(b)
j

g(b) +q [g(b)]
j
j j

g(b) + p [g(b)]
j
j j

g(b) + v [g(b)]
j
j j

g(a)
j

Fig. 13: Pseudo-crit`ere et preferences (Cas 1).

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Construction de la relation de surclassement value


La relation est caracterisee par la definition dun degre de
surclassement d(a, b) [0, 1] associe au couple (a, b).
d(a, b), est dautant plus grand que la solidite du surclassement de
a par b est importante, cest une fonction :
I

croissante de gj (a)

decroissante de gj (b).

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Construction de la relation de surclassement value


Indice de concordance global :
1
C (a, b) = P
j

X
pj

pj cj (a, b)

C (a, b) exprime dans quelle mesure les performances de a et b


sur tous les crit`eres sont en concordance avec a surclasse b.

cj (a, b) exprime dans quelle mesure on peut affirmer que, sur


le crit`ere j, a est au moins aussi bonne que b.

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Indice de concordance cj (a, b) (cas 1).


(Prfrences croissantes et seuils directs)

cj(a,b)

Prfrences

(4)
0

g j (a)

(3)

(2)

g j(a) + q (gj (a))


j

(1)

g j(a) + pj (gj (a))

g j (b)

Fig. 14: Indice de concordance par pseudo-crit`ere (cas 1).

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

Indice de concordance cj (a, b) (cas 1).


(Prfrences croissantes et seuils directs)

Prfrences

cj(a,b)
1

(4)
0

g j (a)

(3)

(1)

(2)

g j(a) + q (gj (a))


j

g j(a) + pj (gj (a))

g j (b)

(1) gj (b) > gj (a) + pj [gj (a)] cj (a, b) = 0 (bPj a)


(2) gj (a) + qj [gj (a)] < gj (b) gj (a) + pj [gj (a)] 0 < cj (a, b) 1 (bQj a)
(3) gj (a) gj (b) gj (a) + qj [gj (a)] cj (a, b) = 1 (bIj a)
(4) gj (b) gj (a) cj (a, b) = 1

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

Indice de concordance cj (a, b) (cas 1).


(Prfrences croissantes et seuils directs)

cj(a,b)

Prfrences

(4)
0

g j (a)

(3)

(2)

g j(a) + q (gj (a))


j

(1)

g j(a) + pj (gj (a))

g j (b)

Remarques sur cj (b, a) :


(1), (2), (3) cj (b, a) = 1
(4) cj (b, a) depend de lecart entre gj (a) gj (b) avec qj [gj (b)] et pj [gj (b)]
I gj (a) qj [gj (b)] gj (b) cj (b, a) = 1 (bIj a)
I gj (a) pj [gj (b)] gj (b) < gj (a) qj [gj (b)] 0 < cj (b, a) 1 (aQj b)
I gj (b) < gj (a) pj [gj (b)] cj (b, a) = 0 (aPj b)
Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

Indice de concordance cj (a, b) (cas 1).


(Prfrences croissantes et seuils directs)

Prfrences

cj(a,b)
1

(4)
0

(3)

g j (a)

(1)

(2)

g j(a) + q (gj (a))


j

g j(a) + pj (gj (a))

g j (b)

Dans la zone (2) :


I cj (b, a) = 1
I et par interpolation, cj (a, b) =

pj [gj (a)][gj (b)gj (a)]


pj [gj (a)]qj [gj (a)]

Finalement :
cj (a, b) =
Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

pj [gj (a)] min[gj (b) gj (a), pj [gj (a)]]


pj [gj (a)] min[gj (b) gj (a), qj [gj (a)]]

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Indice de disconcordance Dj (a, b).


P
La relation de concordance C (a, b) = P1 pj j pj cj (a, b) peut etre
j
affaiblie par la notion de discordance, meme si tous les crit`eres sauf
un, j0 , concordent avec avec a est au moins aussi bonne que b.
I

cas o`
u lecart gj0 (b) gj0 (a) est si grand quon ne peut pas ne
pas en tenir compte.

Pour chaque couple (a, b) A A, calculer


{Dj (a, b), j = 1, . . . , m} :
I

o`
u Dj (a, b) exprime dans quelle mesure le crit`ere j refute a
est au moins aussi bonne que b

avec utilisation dun seuil de veto pour le crit`ere j

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

Indice de disconcordance Dj (a, b) (cas 1).


(Prfrences croissantes et seuils directs)

Prfrences

Dj(a,b)
1

(2)

(1)
0

g j (a)

g j(a) + q (gj (a))


j

g j(a) + pj (gj (a))

(3)

g j(a) + vj (gj (a))

g j (b)

Fig. 15: Indice de discordance par pseudo-crit`ere (cas 1).

Dj (a, b) = min[1; max[0;

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

gj (b) gj (a) pj [gj (a)]


]]
vj [gj (a)] pj [gj (a)]

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

Indice de disconcordance Dj (a, b) (cas 1).


(Prfrences croissantes et seuils directs)

Dj(a,b)

Prfrences

(1)
0

g j (a)

g j(a) + q (gj (a))


j

(2)

g j(a) + pj (gj (a))

(3)

g j(a) + vj (gj (a))

g j (b)

Opposition `
a a surclasse b :
(1) gj (b) gj (a) pj [gj (a)] et Dj (a, b) = 0 (pas dopposition)
(2) pj [gj (a)] < gj (b) gj (a) < vj [gj (a)] et 0 < Dj (a, b) < 1 (opposition
g (b)gj (a)pj [gj (a)]
faible) et Dj (a, b) = j vj [gj (a)]p
j [gj (a)]
(3) gj (b) gj (a) vj [gj (a)] et Dj (a, b) = 1 (opposition totale)

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Relation de surclassement/degre de credibilite d(a, b).


La relation de surclassement floue est caracterisee par un degre de
credibilite d(a, b) permettant dexprimer dans quelle mesure a
surclasse b, compte-tenu :
I

des indices de concordance

des indices de discordance

d(a, b) est :
I

lindice de concordance C (a, b)

affaiblie par les indices de discordance Dj (a, b)

Remarque : Dj (a, b) ne peut agir que sil est suffisamment grand,


i.e Dj (a, b) > C (a, b)

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Relation de surclassement/degre de credibilite d(a, b).


Soit F(a, b) = {j F, Dj (a, b) > C (a, b)}

C (a, b) si F(a, b) =
d(a, b) =

1Dj (a,b)
C (a, b) Q
jF (a,b) 1C (a,b) sinon
Remarques :
I

sil existe un crit`ere j tel que Dj (a, b) = 1, alors d(a, b) = 0

sil existe un ou plusieurs crit`eres j tels que


0 C (a, b) < Dj (a, b) < 1 on ne tient pas compte des poids
pour affaiblir C (a, b) pour calculer d(a, b)

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Algorithme de classement.
Lalgorithme de classement a pour objectif dexploiter la relation
de surclassement floue en vue dordonner les actions selon un
pre-ordre partiel obtenu `a partir de deux preordres :
I

le premier est construit de facon descendante en selectionnant


dabord les meilleures actions pour terminer avec les plus
mauvaises (distillation descendante)

le second est construit de facon ascendante en selectionnant


dabord les plus mauvaises actions pour terminer avec les
meilleures (distillation ascendante)

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Algorithme de classement Construction des preordres


A letape k on fixe un niveau de coupe k [0, 1] et un seuil de
discrimination s[d(a, b)].
La relation de surclassement nette aS k b ne sera pris en compte
dans le classement que si :
I

d(a, b) > k

d(a, b) > d(b, a) + s[d(a, b)].

Cest-`a-dire que laffirmation a surclasse b ne sera prise en


compte que si elle est significativement plus credible que
laffirmation b surclasse a.

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Algorithme de classement Construction des preordres


On calcule alors pour toute action a :
I

p (a) la -puissance de a (nombre dactions surclassees par a)


p (a) = |{b A / aS b}|

f (a) la -faiblesse de a (nombre dactions surclassant a)


f (a) = |{b A / bS a}|

q (a) la -qualification de a
q (a) = p (a) f (a).

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Algorithme de classement Phase de distillation


I

A partir de la qualification :
I
I

I
I

preordre descendant : selectionner la ou les meilleures actions


preordre ascendant : selectionner la ou les plus mauvaises
actions

Les extraire de lensemble des actions `a classer.


Sur lensemble des actions restantes :
I
I
I

calculer `a nouveau les qualifications


selectionner les actions
reiterer loperation

Deux preordres : classes dequivalence ordonnees.

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Algorithme de classement Preordre intersection


Le graphe final est obtenu par intersection des deux preordres
calcules par lalgorithme de distillation :
I

a est mieux classee que b dans le preordre final si a est mieux


classee que b dans lun des deux preordres et au moins aussi
bien classee que b dans lautre

a est indifferente `a b dans le preordre final si elles sont


indifferentes dans les deux preordres

a est incomparable `a b dans le preordre final si a est mieux


classee que b dans lun des deux preordres et b est mieux
classee que a dans lautre.

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

Algorithme de classement.
a
7

a
7

a
2
a
6
a
8

a
2
a
6

a
4
a
3

a
2
a
6
a
7
a
4

a
4

a
8

a
5

a
3

a
10

a
1

a
5
a
1

a
5
a
3
a
8
a
10
a
9

a
9
a
10

a
9

a
1

Fig. 16: Exemple - Construction du preordre intersection final


Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

Graphe final
a, b A, quatre possibilites :
I

a est meilleure que b

b est meilleure que a

a et b sont identiques

a et b sont incomparables

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

electre I

electre II

electre III

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

Autres resultats
I

resultats des deux distillations

rang de chaque action dans le preordre final (masque les


incomparabilites)

preordre median : preordre complet construit `a partir du


preordre partiel en utilisant les rangs du preordre final
(masque les incomparabilites)

la matrice du preordre final : P, I , R, P

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

Robustesse
Les poids.
Les performances.
Les seuils.
Les seuils de discrimination, les niveaux de coupe.
Etc.

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

electre III

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

Conclusions
I

methodes realisant des comparaisons par paires dactions

methodes non compensatoires

incomparabilite

surclassement etabli en deux etapes :


I
I

construction de S
exploitation de S

exploitation est guidee par la problematique

il existe de nombreuses methodes (pas uniquement famille


electre)

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

R
ef
erences

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Autres methodes . . .
the
e I
Prome
I Preference Ranking Organisation Method for Enrichment Evaluations
I Information intra-crit`
ere : fonctions de preference. Information

inter-crit`ere : poids.
I Prom
ethee I utilise les flux de surclassement entrant et sortant.

the
e II
Prome
I Item Prometh
ee I mais utilise les flux nets, relation dordre.

Gaia
I Geometrical Analysis for Interactive Assistance
I Cherche `
a decrire la structure du probl`eme par le passage des evaluations

aux flux unicrit`ere. Chaque action est un point dans lespace des crit`eres.
I Utilisation de lACP pour projeter les points de facon optimale.

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

R
ef
erences

Hugonnard, J. et Roy, B. (1982).


Le plan dextension du metro en banlieue parisienne, un cas
type dapplication de lanalyse multicrit`ere.
Les Cahiers Scientifiques de la Revue Transports, (6):77108.
1er trimestre.
Roy, B. (1978).
electre III : un algorithme de classements fonde sur une
representation floue des preferences en presence de crit`eres
multiples.
20(1):324.
Roy, B. (1985).
Methodologie multicrit`ere daide `a la decision.
Ed. Economica, collection Gestion.
Roy, B. et Bouyssou, D. (1993).
Aide multicrit`ere `a la decision : methodes et cas.
Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

G
en
eralit
e

Surclassement

Crit`
eres

Pseudo-crit`
ere

Pr
ef
erences

electre I

electre II

electre III

Ed. Economica, collection Gestion.


Vincke, P. (1977).
Quasi-kernels of minimum weakness in a graph.
Discrete Mathematics, (20):187192.
Vincke, P. (1989).
LAide Multicrit`ere `a la Decision.
Editions Ellipses - Editions de lUniversite de Bruxelles.

Philippe Lenca
Aide multicrit`
ere `
a la d
ecision

R
ef
erences