Optimisation multicritères

Optimisation multicritères (M.Saddoune) 1

 Introduction
Généralement les ingénieurs font face quo3diennement à des problèmes
technologiques de complexité grandissante, qui surgissent dans des secteurs
très divers.

Dans plusieurs situa3ons, le problème à résoudre peut fréquemment être

exprimé sous la forme générale d’un problème d’op3misa3on où on essaie de
minimiser (ou maximiser) une fonc3on-objec3f, ou fonc3on Coût tout en
respectant un ensemble de paramètres qu’on appelle contrainte.
Optimisation multicritères (M.Saddoune) 2
 Deux types d’optimisation

1- Optimisation mono-objectif:

Une seule fonction objectif

Trouver la meilleure solution appelée solution optimale facilement définie

suivant une seule performance du problème étudié (temps de réponse, temps
de monté, la robustesse, taux d'erreur,…etc).

Optimisation multicritères (M.Saddoune) 3

 Deux types d’optimisation
2- Op7misa7on mul7-objec7f:

Op3misa3on mul3-objec3f permet d’op3miser simultanément plusieurs

fonc3ons-objec3fs qui sont souvent contradictoires,

Trouver la meilleure solu3on suivant un ensemble de critères du problème:

üTemps de réponse + robustesse,
üCoût minimum + qualité supérieure,
Optimisation multicritères (M.Saddoune) 4
 Optimisation multicritères
Le problème d'optimisation multicritère conduit généralement à un assortiment
de solutions, qui se distinguent par différents compromis réalisés entre les
objectifs.

Cet assortiment est connu par Pareto-optimal.

L’objectif est obtenir des solutions de Pareto, par conséquent, connaître

l’ensemble des compromis possibles entre les objectifs.
Optimisation multicritères (M.Saddoune) 5
 Optimisation multicritères

Plusieurs méthodes de résolu7on de plus en plus performantes pour

résoudre les problèmes mul7critères.

Optimisation multicritères (M.Saddoune) 6

 Quelques concepts de base

1. Fonction objectif 6. Espace de recherche

2. Paramètres 7. Espace réalisable

3. Vecteur de décision 8. Espace des objectifs

4. Critère de décision 9. Minimum local

5. Contraintes 10. Minimum global

Optimisation multicritères (M.Saddoune) 7
Concepts de base : Défini=ons
Tapez une équation ici.

Considérons le problème d’optimisation multicritères comme suit:

(P) Maximiser Z(x) = (Z1(x), Z2(x), …, Zp(x))

s.c x∈X

I : ensemble des indices des critères (I = {1, …, p})

Ik un ensemble d’indices de k critères (Ik ⊆ I)
Optimisation multicritères (M.Saddoune) 8
 Concepts de base : Définitions
Dominance
Ø Soient deux vecteurs critères Z1, Z2 ∈ Z. On dit que Z1 domine Z2
1 2
si et seulement si Z1 ≥ Z2 et Z1≠ Z2 (autrement dit Z𝑘1 ≥ Z𝑘2 ∀k ∈ I et ∃! 𝑘 𝑡𝑒𝑙 𝑞𝑢𝑒 Z > Z )
𝑘 𝑘
Ø Si Z domine Z alors Z est au moins aussi bon que Z sur tous les critères et meilleur que lui sur au moins un
1 2 1 2
critère.

Dominance forte
Ø Soient deux vecteurs critères Z1, Z2 ∈ Z. On dit que Z11 domine fortement Z 2
si et seulement si Z1 > Z2 et Z1≠ Z2 (autrement dit Z𝑘 > Z𝑘2. ∀k ∈ I )
Ø Si Z1 domine fortement Z2 alors Z1 est meilleur que Z2 sur tous les critères.

Optimisation multicritères (M.Saddoune) 9

 Concepts de base : Défini=ons
Efficacité
ØUne solution x* est dite solution efficace de (P) si x* ∈ X et s’il n’existe pas de x ∈ X tel que Z(x)
domine Z(x*).

ØUn point est efficace si son image par Z est un vecteur critères non dominés

ØUne solution x* est dite solution efficace de (P) si :

x ∈ X et Zk(x) > Zk(x*) ∀k ∈ {1,2, …, p} ⇒ ∃! r ∈ {1,2, …, p} r ≠ p tel que Zr(x) < Zr(x*)

À partir d’un point efficace, il est impossible d’augmenter la valeur d’un des
critères sans diminuer la valeur d’au moins un autre critère.
Optimisation multicritères (M.Saddoune) 10
 Concepts de base : Définitions
Efficacité faible
qUne solution x* est faiblement efficace si x* ∈ X et si ∄ x ∈ X tel que Z(x) > Z(x*).

qUne solution est faiblement efficace si son vecteur critère n’est pas fortement dominé

Efficacité forte
Une solution x* est fortement efficace si x* ∈ X et si ∄ x ∈ X tel que x ≠ x* et Z(x) ≥ Z(x*).

Une solution x* est fortement efficace s’il n’existe pas d’autre solution telle que le vecteur
critères qui lui est associé soit aussi bon que celui de x*.
Optimisation multicritères (M.Saddoune) 11
Concepts de base : Défini=ons
Point idéal : Le point idéal est le point de coordonnées (Z1∗, …, Z𝑝∗) où
Z𝒌∗ = 𝐦𝐚𝐱 𝒁𝒌(𝒙), k = 1,…, p
𝒙∈𝑿

Point anti-idéal : Le point anti-idéal est le point de coordonnées (Z1 ∗,

…, Z𝑝 ∗) où
Z = 𝐦𝒊𝒏 𝒁𝒌(𝒙), k = 1,…, p
𝒌∗ 𝒙∈𝑿

Optimisation multicritères (M.Saddoune) 12

Concepts de base : Définitions
Matrice de gains: une matrice de gain est une matrice dont les
∗ ∗
colonnes représentent les performances de p points x1, …, x𝑝 où
x𝒌∗ est le point qui maximize 𝒁𝒌(𝒙)

𝑛𝑎𝑑
Point nadir : Le point nadir est le point de coordonnées (Z𝑛𝑎𝑑
1∗
, …, Z 𝑝∗
)
avec
∗
Z𝒏𝒂𝒅
𝒌
= 𝐦𝒊𝒏 𝒁𝒌(𝒙𝒋 ), k = 1,…, p
𝒋∈𝑰

Optimisation multicritères (M.Saddoune) 13

 Formula=on d’un problème d’op=misa=on

Le problème d’optimisation multicritère peut être formulé comme suit :

Optimisation multicritères (M.Saddoune) 14

 Optimisation multicritères
Les objectifs multiples sont souvent concurrents

l’amélioration de l’un entraîne la détérioration de l’autre ou des

autres,

Dans les problèmes multicritères, l'optimum n'est plus une simple

valeur comme pour les problèmes monocritère, mais un ensemble de
points, appelé l'ensemble des meilleurs compromis ou le front Pareto.
Optimisation multicritères (M.Saddoune) 15
 Quelques méthodes d’op=misa=on
mul=critères
oMéthodes d’agrégation par pondération.

oMéthode ε-contraintes

oMéthode de but à atteindre

oMéthode de min-max

oMéthode de Goal programming

oMéthode lexicographique
Optimisation multicritères (M.Saddoune) 16
 Méthodes d’agrégation par pondération
üLe but consiste à ramener le problème multicritère à un problème
monocritère plus simple à traiter.
üCette méthode est la plus simple des méthodes d’optimisation
multicritère. La transformation que l’on effectue est la suivante

-X : représente le domaine réalisable.

- wi : Appelé le poids, est une pondération associée au critère, cette
pondération permet d'exprimer des préférences sur les critères de décision
Optimisation multicritères (M.Saddoune) 17
 Méthodes d’agréga=on par pondéra=on

Méthode efficace du point de vue algorithmique, mais elle ne permet pas

de trouver les solutions enfermées dans des concavités.

Optimisation multicritères (M.Saddoune) 18

 Méthodes d’agrégation par pondération
Exemple : Résoudre le problème en utilisant la pondération

Optimisation multicritères (M.Saddoune) 19

 Méthode ε-contrainte

Elle s’appelle aussi Méthode du compromis. Elle transforme un

problème d'optimisation multicritères en un problème d’optimisation
monocritère de la façon suivante:
1. Choisir un des critères le plus important à optimiser.
2. Choisir un vecteur de contraintes initiales ε.
3. Transformer le problème en gardant le critère prioritaire et en
transformant les autres critères en contraintes d’inégalités
Optimisation multicritères (M.Saddoune) 20
 Méthode ε-contrainte

La forme générale est la suivante:

Optimisation multicritères (M.Saddoune) 21

 Méthode ε-contrainte

Inconvénients:

• la formulation des préférences est délicate et nécessite une connaissance

approfondie du problème de départ.

• Les contraintes rajoutées compliquent la résolution du problème.

Optimisation multicritères (M.Saddoune) 22

 Méthode ε-contrainte

Comment appliquer la méthode sur l’exemple précédent:

Optimisation multicritères (M.Saddoune) 23

 Méthode Min-Max
§ Cette méthode consiste à transformer le problème multicritère en un
problème à un seul critère où on cherche à minimiser l'écart relatif
par rapport à un but (point de référence) fixé par la méthode ou le
décideur.

§ Il existe plusieurs manières de caractériser la distance. Une norme est

définie de manière suivante :

Optimisation multicritères (M.Saddoune) 24

 Méthode Min-Max

Quelles sont les normes les plus utilisées ?

Optimisation multicritères (M.Saddoune) 25

 Méthode Min-Max

C'est la norme classique qui est utilisée dans l'approche min-max

appelée aussi approche de Tchebychev

Optimisation multicritères (M.Saddoune) 26

 Méthode Min-Max
Dans cette approche, le point de référence joue un rôle fondamental

Si le point de référence (but) est mal choisi, la recherche peut s'avérer être très
laborieuse.

Optimisation multicritères (M.Saddoune) 27

 Méthode de but à aFeindre

Approche:
• Définir un ensemble de buts espérant atteindre pour chaque fonction-objectif.
• L’algorithme tente de minimiser l’écart entre la solution courante et ses buts.
Cette approche, comme celle de min-max, utilise un point de référence pour
guider la recherche.

• Introduire aussi une direction de recherche, si bien que le processus de

résolution devra suivre cette direction. A la différence de l'approche min-max,
qui utilise des normes pour formaliser la distance au point de référence,
l'approche du but à atteindre utilise des contraintes, comme de 'approchee ε-
contrainte, pour déterminer laOptimisation
position du(M.Saddoune)
multicritères point de référence. 28
 Méthode de but à atteindre

L'écart par rapport à ce but est contrôlé grâce à la variable 𝝀 introduite

à cet effet :

Optimisation multicritères (M.Saddoune) 29

 Méthode de but à aFeindre
Cette approche comme les précédentes, doit être itérée plusieurs fois
dans le but d'obtenir un ensemble de points Pareto optimaux.

Les paramètres w et B doivent être bien choisis par l'utilisateur. Bien

que ces paramètres permettent une grande flexibilité de la recherche
(orientation et but),

s'ils sont mal choisis, ils peuvent, dans certains cas extrêmes, donner
des résultats non cohérents

Optimisation multicritères (M.Saddoune) 30

 Méthode lexicographique
Contexte:

Dans cette méthode, on suppose que les objectifs sont

préalablement rangés par ordre d'importance par le décideur.

La méthode consiste à minimiser tout d'abord la fonction-

objectif la plus importante puis la deuxième et ainsi de suite.

Optimisation multicritères (M.Saddoune) 31

 Méthode lexicographique
1- Soient les fonctions objectifs 𝒇i avec i = 1, …, k,
2- Supposons un ordre tel que : 𝑓1 ≻ 𝑓2 ≻ 𝑓3 ≻ … ≻ 𝑓k

Optimisation multicritères (M.Saddoune) 32

 Méthode lexicographique

À votre avis quel est le défaut de cette méthode ?

Optimisation multicritères (M.Saddoune) 33

 Étude de cas 1
Il y a 5 usines dont les coordonnées sont résumés dans le tableau ci-dessous (toutes les
mesures sont en Km). On dispose aussi d’un petit lab de traitement chimique qui se trouve au
centre de ces 5 usines.
On veut installer une plateforme à déchets pour desservir l’ensemble des usines. Cette
plateforme à déchets doit être la plus proche possible aux usines et en même temps la plus
loin possible pour éviter l’odeur au maximum. Suite à une étude du problème, la direction
générale a décidé que cette plateforme à déchets doit être loin de chaque usine de 35 km
maximum avec un minimum de 6 km.
usine X Y
Usine 1 6 40
Usine 2 15 35
Usine 3 18 7
Usine 4 50 32
Usine 5 35 25
labo 25 28 Optimisation multicritères (M.Saddoune) 34
 Étude de cas 2
Revenons à notre problème de sélection des fournisseurs que vous avez déjà
résolu en utilisant la méthode ε-contraintes.

1. Proposer une solution en utilisant la méthode par but à atteindre si on se fixe

un objectif de 3,000,000$ pour le coût d’achat de toute la commande et 8.5
pour le score des fournisseurs.

2. Utiliser la méthode lexicographique dans les cas suivants:

1. Le coût d’achat est le plus prioritaire
2. Le score est le plus important.

3. Comparer les différents résultats.

Optimisation multicritères (M.Saddoune) 35
 Sélection des fournisseurs
Ilax est une société japonaise de premier plan spécialisée dans les produits de silicone pour l'industrie
de la communication et de l'électronique. La fourniture de sable de quartz, une matière première
importante dans ce domaine, a lieu tous les mois.

Le portefeuille de fournisseurs de sable de quartz est composé de cinq entreprises qui ont déjà été
évaluées selon une méthode de notation pondérée sur la base de 18 critères différents. Les résultats de
cette évaluation sont présentés dans le tableau suivant. La demande de sable de quartz pour le mois
prochain est de 6500 tonnes. Pendant la phase de négociation des contrats de fourniture, chaque
fournisseur a indiqué à la société la quantité maximale de sable de quartz disponible pour le
réapprovisionnement pendant l'horizon de planification et le prix unitaire offert.
Fournisseur Score Capacité Prix
1 8.23 3500 792
2 8.01 4000 767
3 7.57 4000 758
4 8.18 4000 780
5 8.54 2500
Optimisation multicritères (M.Saddoune)
803 36