1 NAMIR

La plupart des problèmes d’optimisation réels sont

décrits à l’aide de plusieurs objectifs ou critères
souvent contradictoires devant être optimisés
simultanément. On sait que, l’optimum pour les
problèmes n’incluant qu’un seul objectif est
clairement défini. Par contre, ce n’est pas le cas pour
les problèmes d’optimisation multicritères.

• Pour la sélection d’un itinéraire dans un réseau, on

besoin de : la durée, le coût, la sécurité, la fiabilité,
etc. ;
• Pour l’élaboration d’un plan de production, on
besoin de : le profit (économie), l’équilibrage de la
production (marketing), le maintien d’emplois et le
savoir-faire (social), etc. ;
• Pour le choix d’un candidat à un poste on a besoin
de : la formation, la motivation, l’âge, etc.

2 NAMIR
Formellement, le problème d’optimisation
multicritères est de type (A, F, α)
• A est un ensemble d’alternatives (fini ou non, défini
en extension ou non) ;
• F = {f1, . . ., fn} où fi : A → IR est une fonction critère
à minimiser (i ∈ N = {1, . . ., n}) ;
• α : déterminer les “meilleures” solutions.

• si n = 1, c’est un problème d’optimisation classique

(cas monocritère) ⇒ recherche d’un optimum ;
• si n > 1, c’est un problème mal posé ⇒ préciser la
notion d’optimalité.

(un problème de choix d’une voiture)

• A ensemble de véhicules disponibles sur le marché
(donné en extension) ;
• critères :
➢ minimiser : prix, consommation au 100 km,
distance de freinage à 90km/h.
➢ maximiser : vitesse, cylindrée moteur, taille du
coffre.
• But : trouver la voiture réalisant le “meilleur”
compromis.

3 NAMIR
Mathématiquement, l’optimisation multi-objectifs ou
l’optimisation multicritères se présente comme suit :
𝐌𝐢𝐧 𝑭(𝒙) = 𝑴𝒊𝒏(𝒇𝟏 (𝒙), 𝒇𝟐 (𝒙), ⋯ , 𝒇𝒏 (𝒙)), 𝒙 ∈ ℝ𝒎
𝐒. 𝐂. 𝒈𝒊 (𝒙) ≤ 𝟎 𝒊 = 𝟏, ⋯ , 𝒑
𝒉𝒋 (𝒙) = 𝟎 𝒋 = 𝟏, ⋯ , 𝒒
𝒙𝒌 𝐦𝐢𝐧 ≤ 𝒙𝒌 ≤ 𝒙𝒌 𝐦𝐚𝐱 𝒌 = 𝟏, ⋯ , 𝒎
{ 𝒏, 𝒎, 𝒑, 𝒒 ∈ ℕ∗

• Une action (ou un vecteur de décisions) sera notée

𝒙 = (𝒙𝟏 , 𝒙𝟐 , … , 𝒙𝒎 ) avec 𝒙𝒊 les variables du
problème et m le nombre de variables ;
• Les contraintes seront notées gi(x) ou hj(x) avec
𝒊 = 𝟏, . . . , 𝒑 et 𝒋 = 𝟏, … , 𝒒 ; 𝒑 le nombre de
contraintes inégalités et q le nombre des contraintes
égalités ;
• Le vecteur de fonctions qui représente les objectifs
sera noté 𝑭 ∶ 𝑭(𝒙) = (𝒇𝟏 (𝒙), 𝒇𝟐 (𝒙), … , 𝒇𝒏 (𝒙)) avec
𝒇𝒊 les objectifs (ou critères de décision) et 𝒏 le
nombre d'objectifs ;
4 NAMIR
• On recherche l'action 𝒙∗ telle que les contraintes
𝒈𝒊 (𝒙∗ ) ≤ 𝟎 et 𝒉𝒋 (𝒙∗ ) = 𝟎 soient satisfaites et qui
optimise la fonction 𝑭 :
𝑭(𝒙∗ ) = (𝒇𝟏 (𝒙∗ ), 𝒇𝟐 (𝒙∗ ), … , 𝒇𝒏 (𝒙∗ ))

On peut constater que :

• Difficulté à établir une définition de l’optimum ;

• Le décideur peut simplement exprimer le fait
qu'une solution est préférable à une autre mais il
n'existe pas une solution meilleure que toutes les
autres ;
• Recherche d’un ensemble de solutions
satisfaisantes. Cet ensemble doit être représentatif.

On distingue à cet égard trois schémas possibles. Soit

le décideur intervient dès le début de la définition du
problème, en exprimant ses préférences, afin de
transformer un problème multi-objectif en un
problème simple objectif. Soit le décideur effectue son
choix dans l’ensemble des solutions proposées par le
solveur multi-objectif :
5 NAMIR
• le décideur intervient en aval
du processus d’optimisation, pour définir la
fonction d’agrégation modélisant le compromis que
l’on désire faire entre les différents objectifs. Dans
ce cas le décideur est supposé connaître a priori le
poids de chaque objectif afin de les mélanger dans
une fonction unique. Cela revient à résoudre un
problème mono-objectif. Cependant dans la
plupart des cas, le décideur ne peut pas exprimer
clairement sa fonction d’utilité, parce que les
différents objectifs sont non commensurables
(exprimés dans des unités différentes).
• combinent de manière
cyclique et incrémentale les processus de décision et
d’optimisation. Le décideur intervient de manière à
modifier certaines variables ou contraintes afin de
diriger le processus d’optimisation. Le décideur
modifie ainsi interactivement le compromis entre
ses préférences et les résultats. Cette approche
permet donc de bien prendre en compte les
préférences du décideur, mais nécessite sa présence
tout au long du processus de recherche.
• cherche à fournir au
décideur un ensemble de bonnes solutions bien
réparties. Il peut ensuite, au regard de l’ensemble
6 NAMIR
 des solutions, sélectionner celle qui lui semble la
plus appropriée. Ainsi, il n’est plus nécessaire de
modéliser les préférences du décideur (ce qui peut
s’avérer être très difficile), mais il faut en
contrepartie fournir un ensemble de solutions bien
réparties, ce qui peut également être difficile et
requérir un temps de calcul important (mais ne
nécessite pas la présence du décideur).

La démarche à suivre pour rechercher la solution la

plus adéquate possible se fait en 5 étapes :
• Identifier l’objectif global de la démarche et le type
de décision ;
• Dresser la liste des solutions possibles ou
envisageables ;
• Dresser la liste des critères à prendre en
considération ;
• Juger chacune des solutions aux yeux de chacun des
critères ;
• Agréger ces jugements pour désigner la solution qui
obtient les meilleures évaluations selon le décideur.

7 NAMIR
Cette méthode consiste à additionner tous les objectifs
en affectant un coefficient de poids. Ce coefficient
représente l'importance relative que le décideur
attribue à l'objectif.
Le problème devient ainsi un problème mono-
objectif :
𝒏 𝒏

𝐌𝐢𝐧 (∑ 𝝀𝒊 𝒇𝒊 (𝒙)) 𝐚𝐯𝐞𝐜 𝝀𝒊 ≥ 𝟎 𝐞𝐭 ∑ 𝝀𝒊 = 𝟏

𝒊=𝟏 𝒊=𝟏
Où 𝝀𝒊 représente le poids affecté à chacun des
objectifs i.

Note 6,8 5,9 6,85 6

8 NAMIR
 • Note (A) = 0.4*8 + 0.3*6 + 0.15*5 + 0.15*7 = 6.8
• Note (B) = 0.4*5 + 0.3*7 + 0.15*6 + 0.15*6 = 5.9
• Note (C) = 0.4*7 + 0.3*6 + 0.15*8 + 0.15*7 = 6.85
• Note (D) = 0.4*6 + 0.3*7 + 0.15*4 + 0.15*6 = 6

Le meilleur fournisseur à sélectionner est le

fournisseur C car il a la plus grande note.

Il s’agit de définir une relation (graphe) à partir d’un

certain nombre de critères. Ensuite, créer un ordre
pour déterminer une recommandation et tels que :
• Un critère (au moins) n’est pas quantitatif ;
• Les unités d’évaluation des critères sont
hétérogènes et leur codage sur une échelle commune
est difficile ;
• La compensation entre critères n’est pas justifiée ;
• Des seuils de préférences ou de véto doivent être pris
en compte.

9 NAMIR
 R

10 NAMIR
11 NAMIR
 R

12 NAMIR
Cette méthode permet d’identifier le sous-ensemble
d’actions offrant le meilleur compromis possible.
Souvent utilisée dans le choix de projets concurrents,
afin d’identifier le sous-ensemble de projets le plus
performant sur la base des critères considérés.
On considère un ensemble A de m actions, qui
représentent l’objet de la décision, dont le but est
d’identifier un sous-ensemble d’actions offrant un
meilleur compromis parmi l’ensemble de départ. On
définit pour chaque critère une fonction d’évaluation
gj (où j=1 à n, n est le nombre de critères), pour
chaque critère, on évalue un poids kj qui augmente
avec l’importance du critère.

• pour deux actions a et b est

noté par 𝑪(𝒂, 𝒃), il mesure la pertinence de
l’assertion « a surclasse b », comme suit :

13 NAMIR
 L’indice de concordance :
➢ varie de 0 à 1 (normalisation des poids) ;
➢ mesure les arguments en faveur de "a surclasse b" ;
➢ correspond à une procédure où chaque groupe de
votants (mesuré par son importance) exprime sa
préférence de a sur b ;
➢ ne nécessite pas la comparabilité entre les critères.
• 𝑫(𝒂, 𝒃) est défini par :
𝟎 𝐬𝐢 ∀𝒋, 𝒈𝒋 (𝒂) ≥ 𝒈𝒋 (𝒃)
𝑫(𝒂, 𝒃) = {𝟏
𝐦𝐚𝐱[𝒈𝒋 (𝒃) − 𝒈𝒋 (𝒂)] 𝐬𝐢𝐧𝐨𝐧
𝜹 𝒋
avec 𝜹 est la différence maximale entre le même
critère pour deux actions données c’est-à-dire :
𝜹 = 𝐦𝐚𝐱 [𝒈𝒋 (𝒃) − 𝒈𝒋 (𝒂)]
𝒂,𝒃,𝒋

L’indice de discordance dans le cas des

critères qualitatifs et comparables :
➢ mesure la force d’un argument (maximal) en
défaveur de "a est au moins aussi bonne que b" ;
➢ exprime le fait que le décideur ne peut accepter la
préférence de a sur b si b est largement meilleur que
a sur un critère (quel que soit le nombre de critères
en faveur de a sur b) ;
14 NAMIR
➢ indice 𝑫(𝒂, 𝒃) est donc d’autant plus grand que la
préférence de a sur b est faible sur un critère.

La relation de sur-classement pour cette méthode est

construite par la comparaison des indices de
concordance et de discordance à des seuils limites de
concordance 𝒄̂ et de discordance ̂𝒅.
Ainsi, a surclasse b, si :
𝒂 𝐒 𝒃 ⇔ 𝑪(𝒂, 𝒃) ≥ 𝒄̂ 𝐞𝐭 𝑫(𝒂, 𝒃) ≤ 𝒅 ̂

Cette relation 𝑺 peut être représentée par

un graphe orienté 𝑮 = (𝑨, 𝑼) où :
𝑼 = {(𝒂 , 𝒃 ) ∈ 𝑨 × 𝑨/𝒂 𝑺 𝒃}

15 NAMIR
 𝒄̂ = 𝟏 et de discordance ̂𝒅 = 𝟎.

16 NAMIR
 𝒄̂ =
𝟎, 𝟗 et de discordance ̂𝒅 = 𝟎, 𝟏𝟓.

17 NAMIR
18 NAMIR
 𝐒 𝐒 𝐒

19 NAMIR
Soit 𝒖 = (𝒖𝟏 , 𝒖𝟐 , . . . , 𝒖𝒎 ) et 𝒗 = (𝒗𝟏 , 𝒗𝟐 , . . . , 𝒗𝒎 )
deux vecteurs de décision. 𝒗 domine 𝒖 (𝒖 ≺ 𝒗) pour
un problème de minimisation si et seulement si
∀𝒊 ∈ {𝟏, ⋯ , 𝒏} 𝒇𝒊 (𝒗) ≤ 𝒇𝒊 (𝒖)
{
∃𝒊 ∈ {𝟏, ⋯ , 𝒏} 𝒇𝒊 (𝒗) < 𝒇𝒊 (𝒖)
𝓕∗ est l’ensemble des vecteurs de
décision qui ne sont pas dominés c’est-à-dire :
𝓕∗ = {𝒗 ∈ 𝑨⁄∄𝒗′ ∈ 𝑨 ∶ 𝒗 ≺ 𝒗′ }
Le front de Pareto est l’ensemble des solutions de
compromis.

20 NAMIR
Le but de l’optimisation multi-objectifs est de
déterminer le front de Pareto pour un problème
donné.
21 NAMIR
22 NAMIR
 Courbe de l’ensemble des critères
14

12; 13

12

10 11; 10

8; 9

10; 7 14; 7

11; 5

4 13; 4

0
0 2 4 6 8 10 12 14 16

23 NAMIR
24 NAMIR
25 NAMIR
26 NAMIR
Dans le cas de deux variables, on les définitions
suivantes :
• Le point idéal est le vecteur 𝒙∗ = (𝒙𝟏∗ , 𝒙∗𝟐 ) défini par :
𝒙∗𝒊 = 𝐦𝐢𝐧 𝒇𝒊 (𝒙)
𝒙∈𝑨
• Le point nadir est le vecteur 𝒙
̂ = (𝒙
̂𝟏 , 𝒙
̂𝟐 ) défini par :
∀𝒊 ∈ {𝟏, 𝟐}, 𝒙̂𝒊 = 𝐦𝐚𝐱∗ 𝒇𝒊 (𝒙)
𝒙∈𝓕

Propriété : Une bonne solution 𝒙 = (𝒙𝟏 , 𝒙𝟐 ) vérifie :

𝒙∗𝟏 ≤ 𝒇𝟏 (𝒙) ≤ 𝒙
̂𝟏 𝐞𝐭 𝒙∗𝟐 ≤ 𝒇𝟐 (𝒙) ≤ 𝒙 ̂𝟐

27 NAMIR
28 NAMIR