Académique Documents
Professionnel Documents
Culture Documents
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.
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∗
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
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
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.
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
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
27 NAMIR
28 NAMIR