Amcd PDF

ANALYSE MULTICRITRE
PAR
Nadia Lehoux
Pascale Valle
INTRODUCTION
Quel modle choisir?
novembre 04 Analyse multicritre 2
1
PLAN DE LA
PRSENTATION
Dfinition gnrale
Terminologie
Diffrentes mthodes utilises
Cas pratique
Outils et logiciels
Groupes de recherche
Conclusion
DFINITION
Science technique voue lclaircissement
de la comprhension dun problme de
dcision et sa rsolution
Elle devient multicritre lorsque le problme

comporte plusieurs objectifs, souvent
contradictoires
2
DFINITION
Analyse qui vise expliciter une famille
cohrente de critres pour permettre de
concevoir, justifier et transformer les
prfrences au sein dun processus de
dcision
CONTEXTE
Loptimisation monocritre nest souvent
pas le reflet de la ralit
Pour certains problmes, il peut tre
parfois dangereux de les traiter dans
loptique de loptimisation
3
OBJECTIFS
Aider prendre une dcision ou
valuer plusieurs options dans des
situations o aucune possibilit nest
parfaite
Permettre de concilier les aspects
conomiques, de design,
technologiques, environnementaux,
sociaux,
EXEMPLES DAPPLICATION
Choix dun site damnagement
Choix dun moyen de transport
Dcision dinvestissement
Choix de lutilisation dune
technologie ou dun systme
dinformation
Slection de fournisseurs
...
4
DMARCHE SUIVRE
Recherche de la solution la plus adquate
possible en 5 tapes:
Identifier lobjectif global de la dmarche et le type
de dcision
Dresser la liste des solutions possibles ou
envisageables
Dresser la liste des critres prendre en
considration
Juger chacune des solutions aux yeux de chacun
des critres
Agrger ces jugements pour dsigner la solution
qui obtient les meilleures valuations
DMARCHE SUIVRE
Comment va-ton agrger les jugements
ou encore lensemble des valuations
faites de chacune des solutions par
rapport chacun des critres, afin de
dsigner la solution la plus valable???
En utilisant une des nombreuses
mthodes proposes dans la littrature
5
TERMINOLOGIE
Actions potentielles (alternatives)
(Construire lautoroute en rasant une fort ou construire lautoroute parmi des
quartiers rsidentiels?)
Critres
(Nombre dhectares de fort dtruits, nombre dhabitants gns par le bruit)
Units
(1000 hectares de fort, 20 000 habitants)
Poids des critres
(25%, 75%)
valuations ou jugements
(Action 1: 1, 5 Action2: 5, 1)
FAMILLE DE CRITRES
Liste exhaustive
Oprationnelle
Non redondante
Minimale
Cohrente
Indpendance des critres
6
LMENTS DE LA MATRICE
DE JUGEMENTS
Ensemble des actions potentielles
A={a1,a2,a3,,an} ai o i=1,2,,n
Diffrents critres
cj o j=1,2,,m
Poids des critres
pj o j=1,2,,m
valuations ou jugements
eij o i=1,2,...,n, j=1,2,,m
MATRICE DE JUGEMENTS
Critres
Alternatives c1 c2 c3 cm
Poids p1 p2 p3 pm
relatifs
a1 e11 e12 e1m
a2 e21
a3
.
. eij
an en1 enm
7
EXEMPLE DE MATRICE
Critres
Alternatives Prix Cylindre Longueur

Poids relatifs 50% 20% 30%
Acura MDX 52 000$ 3,5L 4 789mm
Lexus RX330 51 000$ 3,3L 4 730mm
VALUATION DES
ACTIONS
Si une action a un mauvais score sur

tous les critres, on peut lliminer
Une action ai domine une action ak si:

eij>=ekj pour tout j et si eij>ekj pour au
moins un j
8
OPTIMUM DE PARETO
On cherche sur un graphique une solution
suprieure du point de vue dun critre,
sans toutefois faire diminuer les autres
critres
Il existe des solutions non dominantes sur
une frontire, et cest au dcideur de
choisir laction quil prfre
MTHODES
Les approches peuvent tre divises
en trois catgories selon la faon dont
les jugements seront agrgs
(Schrlig, 1988)
9
MTHODES
1) Agrgation complte (top-down
approach)
On cherche agrger les n critres
afin de les rduire en un critre
unique. On suppose que les
jugements sont transitifs
ex: a>b, b>c alors a>c
MTHODES
2) Agrgation partielle (bottom-up
approach)
On cherche comparer des actions
potentielles ou des classements les
uns aux autres et tablir entre ces
lments des relations de
surclassement. On doit alors
respecter lincomparabilit.
10
MTHODES
3) Agrgation locale
On cherche en premier lieu une
solution de dpart. Par la suite, on
procde une recherche itrative pour
trouver une meilleure solution.
MTHODES AVEC
AGRGATION COMPLTE
11
MTHODE WSM
(Weight Sum Method ou Somme de notes)
On utilise ici une chelle de 0 6 (excellent=6, trs bon=5, bon=4,
moyen=3, passable=2, pas bon=1, mdiocre=0)
Voici les rsultats:

Action 1: 1 5 4 4 4 La somme est 18
Action 2: 4 3 4 3 3 La somme est 17
Selon la somme des valuations des critres, laction 1
serait la meilleure, pourtant elle est loin de satisfaire le
critre 1
m
max ou min eij*pj pour i=1,2,,n

i i
j=1
MTHODE WPM (Percy Bridgman,1922)

(Weight Product Method ou Multiplication de ratios)
Cette mthode pnalise fortement les actions trs
mauvaises pour un critre
Voici par exemple 3 actions potentielles et 3 critres
Action 1: 1 5 4 4 4 e1=(1/5)*(5/8)*(4/8)*(4/7)*(4/7)=0,0204
Action 2: 4 3 4 3 3 e2=(4/5)*(3/8)*(4/8)*(3/7)*(3/7)=0,0276
Avec cette mthode, laction 2 serait ici la meilleure

m
max ou min (aij/aLj)pij pour i =1,2,n

i i
j=1
12
MTHODE AHP(Thomas L. Saaty,
Saaty, 1971)
(Analytic Hierarchy Process)
Dcomposer le problme complexe en

une structure hirarchique (niveaux)
Effectuer les combinaisons binaires
Dterminer les priorits
Synthtiser les priorits
Cohrence des jugements
MTHODE AHP
13
MTHODE AHP
Matrice de premier niveau
Qualit Dlai Exprience
Qualit 1 5 2
Dlai 1/5 1 1/3
Exprience 1/2 3 1
Exemple: La qualit de la technologie est beaucoup plus

importante que les dlais de livraison
MTHODE AHP
Matrices de deuxime niveau
Par rapport la qualit :

Alternatives 1 2 3
1 1 3 6
2 1/3 1 1/3 Par rapport au dlai de livraison :
3 1/6 3 1 Alternatives 1 2 3
1 1 1/3 4
2 3 1 5
3 1/4 1/5 1
Par rapport lexprience de la firme :
Alternatives 1 2 3
1 1 3
2 2 1 5
3 1/3 1/5 1
14
MTHODE AHP
Moyenne Poids
Objectif Q D E gomtrique
Q 1 5 2 (1*5*2)1/3 2,15/S
= 2,15
D 1/5 1 1/3
E 1/2 3 1
Somme 1.7 9 3 1/3 S 1,00

MTHODE AHP
On procde de la mme manire pour les
matrices de niveau 2
On construit ensuite une matrice combine
contenant les critres et les alternatives
On trouve les poids pondrs en multipliant le
poids de chaque critre par le poids de
chaque alternative par rapport chaque
critre
Pour chaque alternative, on additionne les
poids, et la meilleure action est celle ayant le
poids maximal
15
MAUT
(Multi Attribute Utility Theory)
Mthode dveloppe vers la fin des annes
60 par Ralph Keeney et Howard Raiffa
Cherche mesurer lutilit totale qui peut
tre tire de chacune des actions
potentielles
Elle est obtenue en combinant les utilits
lmentaires ou partielles que prsentent
cette action aux yeux des diffrents critres
MAUT
Lutilit totale UA (x1,x2,..,xn) associe
laction valuer sur les critres 1,2,..,n peut
tre obtenue selon une formule additive:
n
U a ( x1 , x 2 ,..., x n ) = pi ui ( xi ( a ) )
i =1
ou multiplicative:
n
U a ( x1 , x2 ,..., xn ) = i + i ui ( xi ( a ) )
i =1
ui(xi(a)): utilit gnre par rapport au critre i si laction a considre a la
performance xi
pi , i et i: poids du critre i
16
MAUT
Par des questions adresses au dcideur
ou via lutilisation de loteries, on va pouvoir
dterminer lutilit partielle vis--vis chacun
des critres 1
Ex: Choix dun 0.5

nouvel emploi
150 000 300 000

MAUT
La difficult principale de cette mthode
rside dans la complexit destimer la
fonction dutilit
Suppose lhomme totalement rationnel!
Lefficacit des loteries grandement remise
en question dans la littrature
17
MTHODES AVEC
AGRGATION PARTIELLE
ELECTRE
Famille de mthodes dites de
surclassement conues par Bernard
Roy et bases sur la comparaison
dactions
Premire mthode de la famille,
Electre I, publie en 1968
18
ELECTRE I
Cette mthode repose sur le principe
de Condorat (1785):
Une action en surclasse une autre si elle
est au moins aussi bonne que lautre
relativement une majorit de critres,
sans tre nettement plus mauvaise que
cette autre relativement aux autres
critres
ELECTRE I
On sintresse donc chaque action
de lensemble et on la compare
toutes les autres
La comparaison se fait par paire
ordonne (a p/r b b p/r a) et on se
demande alors si laction a surclasse
ou non laction b
19
ELECTRE I
I. Phase 1 : les jugements
Dterminer des critres cohrents
Attribuer des poids aux diffrents
critres considrs
valuer chaque action aux yeux de
chaque critre et laborer la matrice
t.b 10 t.b 8 t.b 7
Poids b 7.5 Poids b 6.5 Poids b 6
fort n
5 moyen n
5 faible n
5
p 2 p 3.5 p 4
m 0 m 2 m 3
ELECTRE I
II. Phase 2: les indices
Pour chaque paire ordonne dactions,
poser lhypothse que la premire action
surclasse la seconde et confronter cette
hypothse aux chiffres de la matrice
Additionner les poids des critres qui
sont en accord avec lhypothse et
diviser la somme par celle de tous les
poids (indice de concordance)
20
ELECTRE I
II. Phase 2: les indices
Considrer les critres pour lesquels laction a
est moins bonne que laction b, choisir la
divergence la plus forte et diviser cette
divergence par la longueur de la plus grande
chelle utilise (indice de discordance)
Choisir la divergence la 2e plus forte et la
diviser par la longueur de la plus grande
chelle (indice de discordance 2)
ELECTRE I
III. Phase 3: seuils de surclassement
Fixer un seuil de tolrance pour les
indices de concordance exprimant le
minimum de concordance requis
Fixer un seuil de tolrance pour lindice
de discordance exprimant le maximum
de discordance tolr
Examiner toutes les paires ordonnes
daprs le seuil et ne conserver que
celles passant le filtre
21
ELECTRE I
IV. Phase 4: ttonnement et synthse
Si certaines actions ne sont ni
surclassantes, ni surclasses, rpter
les tapes 2 et 3 en augmentant ou en
diminuant les valeurs des seuils, des
poids,
Choisir si possible laction qui surclasse
les autres dans la plupart des scnarios
ELECTRE I
Mthode qui permet de dgager un
sous-ensemble de solutions
Demande peu dinformation donc
facile implanter
Comporte quelques dfauts qui sont
corrigs dans les versions
suivantes
22
ELECTRE I
Critres Site A Site B Site C
Cot (millions) 10 50 80
Proximit des 400 2000 800

zones urbaines
(m)
Proximit des 1500 500 300
autoroutes (m)
ELECTRE I-Exemple
Critres Cot Proximit Proximit
(millions) des zones des
urbaines (m) autoroutes
(m)
Poids 4 4 2
Site A 7.5 2.5 3
Site B 5 7.5 5
Site C 2.5 5 7
chelle 0-10 0-10 3-7
23
ELECTRE I-Exemple
Site Site Site Site Site Site
A B C A B C
Site - 0.6 0.6 Site - 0.25 0. 5
A A
Site 0.4 - 0.2 Site 0.5 - 0.25
B Indices de discordance 2 B
Site 0.4 0.8 - Site Site Site Site 0.4 0.2 -
C A B C C
Indices de concordance Site - 0 0 Indices de discordance
A
Site 0.2 - 0.25
B
Site 0.25 0 -
novembre 04
C Analyse multicritre 47
ELECTRE I-Exemple
Seuil de tolrance: indice de concordance = 0.7
indice de discordance = 0.2
Site Site Site

A B C
Site A Site B
Site
A
Site x
B
Site x Site C
C
24
AUTRES MTHODES
Electre II, III, IV (B. Roy, 1968 et +)
Promthe I et II (J.-P. Brans, 1980)
Melchior (J. P. Leclerc, 1984)
Qualifex (J. Paelinck, 1976)
Oreste (M. Reubens, 1979)
Regim (P. Nijkamp et P. Rietveld,
1983)
Naiade (G. Munda, 1995)

MTHODES AVEC
AGRGATION LOCALE ET
ITRATIVE
25
MTHODE DES CNES
DAMLIORATION
(Geoffrion,
Geoffrion, Dyer,
Dyer, Feinberg,
Feinberg, 1972)
On a V, un ensemble de vecteurs
correspondant des actions potentielles
On choisit un point vi dans V
On slectionne les points prfrables vi
dans V, ce qui forme un cne
On choisit un point dans ce cne et on
recommence la procdure jusqu ce quil ny
ait plus damlioration possible
GOAL PROGRAMMING
On fixe dabord pour chaque critre la valeur
de lvaluation que lon dsire avoir
Pour chaque action, on dtermine pour quel
critre lvaluation est la plus loigne de la
cible (donc le critre le moins respect)
Laction tant la moins lcart est la
meilleure
26
GOAL PROGRAMMING
SIMPLIFI
Critres Distances
c1 c2 c3 c1 c2 c3
a1 4 5 6 a1 5 2 2
a2 8 5 7 a2 1 2 1
a3 7 6 5 a3
2 1 3
a4 5 4 6 a4
4 3 2
a* 9 7 8
Selon cette mthode, laction 2 serait la meilleure
AUTRES MTHODES
STEM (Benayoun et Tergny, 1969)
Mthode Ziont-Wallenius (S. Zionts,
1974)

Et autres approches connues
Branch and Bound
Mthode tabou

27
CAS
CHOIX DUN
QUIPEMENT DE
MANUTENTION
CAS
Le but est de trouver le meilleur modle
dquipement
Nous avons deux modles potentiels de
chariots lvateurs
(Crown, Simplex)
Nous avons trois critres de dcision
(cot, vitesse, entretien)
* Cette liste de critres est loin dtre exhaustive, mais le but est
de comprendre la mthode
28
CAS
Trouver le
Niveau 0: But meilleur chariot
Niveau1:
Cot Vitesse Entretien
Critres
Niveau 2:
Crown Simplex
Alternatives
CAS
On compare chaque paire doptions en
regard de chaque critre
Dimportance gale (1)
Modrment plus important (3)
Beaucoup plus important (5)
Considrablement plus important (7)
Dune importance crasante (9)
29
CAS
Matrice de niveau 1
Cot 1 5 3
Vitesse 1/5 1 1/5
Entretien 1/3 5 1
CAS
Matrices de niveau 2
Critre: Cot Critre: Vitesse
Crown Simplex Crown Simplex
Crown 1 3 Crown 1 1
Simplex 1/3 1 Simplex 1 1
Critre: Entretien
Crown Simplex
Crown 1 5
Simplex 1/5 1
30
CAS
Calcul approximatif du poids pondr des critres
Cot Vitesse Entretien Moyenne Poids

go.
Cot 1 5 3 (1*5*3)1/3= 2,47/4=
2,47 0,6175
Vitesse 1/5 1 1/5 0,34 0,085
Entretien 1/3 5 1 1,19 0,2975
Somme 4 1,0000
CAS
Critre: Cot Critre: Vitesse
Crown Simp moy.g Poids Crown Simp moy.g Poids
Crown 1 3 1,732 0,75 Crown 1 1 1 0,5
Simp 1/3 1 0,577 0,25 Simp 1 1 1 0,5
2,309 1 2
Critre: Entretien
Crown Simp moy.g Poids
Crown 1 5 2,236 0,83
Simp 1/5 1 0,447 0,17
2,683 1
31
CAS
Matrice combine
Crown 0,75 0,5 0,83
Simplex 0,25 0,5 0,17
CAS
Poids On multiplie les lments de la
2,47/4=
Cot matrice prcdente par le poids
0,6175
obtenu pour chaque critre
0,085 Vitesse
0,2975 Entretien
1,000 Poids pondrs
Cot Vitesse Entretien SOMME
Crown 0,4631 0,0425 0,2469 0,7525
Simplex 0,1544 0,0425 0,0506 0,2475
32
CHOIX DE LA MTHODE
Comment choisir la bonne mthode?
Il est souvent plus difficile de choisir
la bonne mthode que de rsoudre le
problme!
Trs nombreuses
cole franaise vs amricaine
Pas de mthode parfaite
CHOIX DE LA MTHODE
Martel et Guiltoni (1998) suggre de
prendre en considration:
Le nombre de dcideurs
Les prfrences naturelles du dcideur
Une mthode qui va dans le sens de la vision de
la problmatique du dcideur
Linformation disponible et qui sera traite
adquatement par la mthode
Le degr compensatoire de la mthode
Les hypothses sur lesquelles repose la mthode
Le systme de support la dcision qui
accompagne la mthode
33
OUTILS ET LOGICIELS
Plusieurs logiciels ddis une
mthode:
- Electre IS, III, IV, TRI, IRIS, SRF
http://www.lamsade.dauphine.fr/el2.log
- AHP
http://www.expertchoice.com/
- Naiade (gratuit)
http://www.aiaccproject.org/meetings/Trieste_
02/trieste_cd/Software/Software.htm#nai
OUTILS ET LOGICIELS
Plusieurs logiciels ddis une mthode:
- Macbeth
http://www.m-macbeth.com/Msite.html
- Evidential Reasoning Approach (version tudiante
gratuite)
http://www.e-ids.co.uk/
- Nimbus (en ligne)
http://nimbus.mit.jyu.fi/N4/index.html
34
OUTILS ET LOGICIELS
Plusieurs logiciels comprenant plus dune
mthode:
- MultCSync (version gratuite)
http://uts.cc.utexas.edu/~consbio/Cons/ResNet.html
- NLPJOB (version gratuite)
http://www.uni-
bayreuth.de/departments/math/~kschittkowski/easy
_opt.htm
-Visual Decision
http://www.visualdecision.com/download_f.htm
OUTILS ET LOGICIELS
Plusieurs logiciels comprenant plus dune
mthode:
- Ergo
http://www.arlingsoft.com/download/ergo_download.a
sp
-Vig et Vimda
http://www.numplan.fi/
- Et plusieurs autres
Il existe galement diverses applications
dveloppes sur Excel, MatLab, et
disponibles sur le Web
35
LOGICIEL HIPRE
Un applet du logiciel HIPRE

http://www.hipre.hut.fi
GROUPES DE RECHERCHE
Euro Working Group Multicriteria Decision
Aiding (EWG-MCDA)
www.inescc.pt/~ewgmcda/
Geographic Information and Analysis
Multicriteria Decision (GIMDA)
Decision and Control Laboratory, Universit
de lIllinois
Decision Support Systems Laboratory
Universit technique de Crte
IBL, Universit de lHohenheim
Institute of Mathematics, Universit de Lige
36
GROUPES DE RECHERCHE
LAMSADE (Laboratory for Analysing and
Modelling Decision), Universit de Dauphine
International Society on Multiple Criteria
Decision Making
Multiple Criteria Decision Support, cole
dconomie dHelsinki
Service de Mathmatiques de la Gestion,
Universit Libre de Bruxelles
Laboratory of Mathematical Methods for
Economic Decision Analysis, Acadmie des
sciences de Russie
CONCLUSION
Il est difficile de trouver LA mthode
approprie au problme auquel le
dcideur est confront
Il existe plusieurs bonnes solutions, le
choix de lalternative dpend plutt du
dcideur
37
Rfrences
Caillet, R., Analyse multicritre: tude et comparaison des
mthodes existantes en vue dune application en analyse de
cycle de vie, CIRANO, Montral, aot 2003
Chankong, V. et Haimes, Y.Y., Multiobjective decision making
theory and methodology, North-Holland, 1983, 406 pages.
Dhaenens, C. et Talbi, El-G., Optimisation multi-critres:
approche par mtaheuristiques (http://www.lifl.fr/~dhaenens
Guitouni, A. et Martel J-M, Tentative guidelines to help choosing
an appropriate MCDA method, Universit Laval, 1997
Martel, J-M., Aggregating preferences: utility function and
outranking approaches, Universit Laval, 1993
Rfrences
Olson, David L., Comparison of three multicriteria methods to
predict known outcomes, Texas A&M University, 1999
Schrling, Alain, Dcider sur plusieurs critres, Presses Polytechniques
Romandes, 1985, 304 pages.
Talbi, El-G., Mthodes doptimisation avances
Zeleny, M., Multiple criteria decision making, McGraw-Hill, Columbia
University, 1982, 563 pages.
38

Amcd PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Amcd PDF

Transféré par

Droits d'auteur :

Formats disponibles

ANALYSE MULTICRITRE

Quel modle choisir?

novembre 04 Analyse multicritre 2

Elle devient multicritre lorsque le problme

novembre 04 Analyse multicritre 4

novembre 04 Analyse multicritre 5

novembre 04 Analyse multicritre 6

novembre 04 Analyse multicritre 10

novembre 04 Analyse multicritre 11

novembre 04 Analyse multicritre 12

novembre 04 Analyse multicritre 14

Alternatives Prix Cylindre Longueur

novembre 04 Analyse multicritre 15

Si une action a un mauvais score sur

Une action ai domine une action ak si:

novembre 04 Analyse multicritre 17

novembre 04 Analyse multicritre 18

novembre 04 Analyse multicritre 19

novembre 04 Analyse multicritre 20

novembre 04 Analyse multicritre 21

novembre 04 Analyse multicritre 22

Voici les rsultats:

max ou min eij*pj pour i=1,2,,n

novembre 04 Analyse multicritre 23

MTHODE WPM (Percy Bridgman,1922)

Avec cette mthode, laction 2 serait ici la meilleure

max ou min (aij/aLj)pij pour i =1,2,n

novembre 04 Analyse multicritre 24

Dcomposer le problme complexe en

novembre 04 Analyse multicritre 25

novembre 04 Analyse multicritre 26

Dlai 1/5 1 1/3

Exemple: La qualit de la technologie est beaucoup plus

Par rapport la qualit :

novembre 04 Analyse multicritre 28

Somme 1.7 9 3 1/3 S 1,00

novembre 04 Analyse multicritre 31

Ex: Choix dun 0.5

150 000 300 000

novembre 04 Analyse multicritre 34

novembre 04 Analyse multicritre 35

novembre 04 Analyse multicritre 36

novembre 04 Analyse multicritre 37

novembre 04 Analyse multicritre 38

novembre 04 Analyse multicritre 40

novembre 04 Analyse multicritre 41

novembre 04 Analyse multicritre 43

novembre 04 Analyse multicritre 44

Proximit des 400 2000 800

Site Site Site

novembre 04 Analyse multicritre 48

novembre 04 Analyse multicritre 50

novembre 04 Analyse multicritre 52

Selon cette mthode, laction 2 serait la meilleure

novembre 04 Analyse multicritre 53

novembre 04 Analyse multicritre 55

novembre 04 Analyse multicritre 56

novembre 04 Analyse multicritre 57

novembre 04 Analyse multicritre 58

Vitesse 1/5 1 1/5

novembre 04 Analyse multicritre 59

novembre 04 Analyse multicritre 60

Cot Vitesse Entretien Moyenne Poids