Académique Documents
Professionnel Documents
Culture Documents
PAR
Nadia Lehoux
Pascale Vallée
INTRODUCTION
1
PLAN DE LA
PRÉSENTATION
• Définition générale
• Terminologie
• Différentes méthodes utilisées
• Cas pratique
• Outils et logiciels
• Groupes de recherche
• Conclusion
novembre 04 Analyse multicritère 3
DÉFINITION
• Science technique vouée à l’éclaircissement
de la compréhension d’un problème de
décision et à sa résolution
2
DÉFINITION
• Analyse qui vise à expliciter une famille
cohérente de critères pour permettre de
concevoir, justifier et transformer les
préférences au sein d’un processus de
décision
CONTEXTE
• L’optimisation monocritère n’est souvent
pas le reflet de la réalité
• Pour certains problèmes, il peut être
parfois dangereux de les traiter dans
l’optique de l’optimisation
3
OBJECTIFS
• Aider à prendre une décision ou à
évaluer plusieurs options dans des
situations où aucune possibilité n’est
parfaite
• Permettre de concilier les aspects
économiques, de design,
technologiques, environnementaux,
sociaux, …
novembre 04 Analyse multicritère 7
EXEMPLES D’APPLICATION
• Choix d’un site d’aménagement
• Choix d’un moyen de transport
• Décision d’investissement
• Choix de l’utilisation d’une
technologie ou d’un système
d’information
• Sélection de fournisseurs
• ...
novembre 04 Analyse multicritère 8
4
DÉMARCHE À SUIVRE
• Recherche de la solution la plus adéquate
possible 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
novembre 04 Analyse multicritère 9
DÉMARCHE À SUIVRE
• Comment va-ton agréger les jugements
ou encore l’ensemble des évaluations
faites de chacune des solutions par
rapport à chacun des critères, afin de
désigner la solution la plus valable???
→ En utilisant une des nombreuses
méthodes proposées dans la littérature
5
TERMINOLOGIE
• Actions potentielles (alternatives)
(Construire l’autoroute en rasant une forêt ou construire l’autoroute parmi des
quartiers résidentiels?)
• Critères
(Nombre d’hectares de forêt détruits, nombre d’habitants gênés par le bruit)
• Unités
(1000 hectares de forêt, 20 000 habitants)
• Poids des critères
(25%, 75%)
• Évaluations ou jugements
(Action 1: 1, 5 Action2: 5, 1)
FAMILLE DE CRITÈRES
• Liste exhaustive
• Opérationnelle
• Non redondante
• Minimale
• Cohérente
• Indépendance des critères
6
ÉLÉMENTS DE LA MATRICE
DE JUGEMENTS
• Ensemble des actions potentielles
A={a1,a2,a3,…,an} ai où i=1,2,…,n
• Différents critères
cj où j=1,2,…,m
• Poids des critères
pj où j=1,2,…,m
• Évaluations ou jugements
eij où i=1,2,...,n, j=1,2,…,m
novembre 04 Analyse multicritère 13
MATRICE DE JUGEMENTS
Critères
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
Critères
ÉVALUATION DES
ACTIONS
8
OPTIMUM DE PARETO
• On cherche sur un graphique une solution
supérieure du point de vue d’un critère,
sans toutefois faire diminuer les autres
critères
• Il existe des solutions non dominantes sur
une frontière, et c’est au décideur de
choisir l’action qu’il préfère
MÉTHODES
• Les approches peuvent être divisées
en trois catégories selon la façon dont
les jugements seront agrégés
(Schärlig, 1988)
9
MÉTHODES
1) Agrégation complète (top-down
approach)
On cherche à agréger les n critères
afin de les réduire en un critère
unique. On suppose que les
jugements sont transitifs
ex: a>b, b>c alors a>c
MÉTHODES
2) Agrégation partielle (bottom-up
approach)
On cherche à comparer des actions
potentielles ou des classements les
uns aux autres et à établir entre ces
éléments des relations de
surclassement. On doit alors
respecter l’incomparabilité.
10
MÉTHODES
3) Agrégation locale
On cherche en premier lieu une
solution de départ. Par la suite, on
procède à une recherche itérative pour
trouver une meilleure solution.
MÉTHODES AVEC
AGRÉGATION COMPLÈTE
11
MÉTHODE WSM
(Weight Sum Method ou Somme de notes)
On utilise ici une échelle de 0 à 6 (excellent=6, très bon=5, bon=4,
moyen=3, passable=2, pas bon=1, médiocre=0)
12
MÉTHODE AHP(Thomas L. Saaty,
Saaty, 1971)
(Analytic Hierarchy Process)
MÉTHODE AHP
13
MÉTHODE AHP
Matrice de premier niveau
Qualité Délai Expérience
Qualité 1 5 2
Expérience 1/2 3 1
MÉTHODE AHP
Matrices de deuxième niveau
14
MÉTHODE AHP
Moyenne Poids
Objectif Q D E géométrique
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 … …
MÉTHODE AHP
• On procède de la même manière pour les
matrices de niveau 2
• On construit ensuite une matrice combinée
contenant les critères et les alternatives
• On trouve les poids pondérés en multipliant le
poids de chaque critère par le poids de
chaque alternative par rapport à chaque
critère
• Pour chaque alternative, on additionne les
poids, et la meilleure action est celle ayant le
poids maximal
novembre 04 Analyse multicritère 30
15
MAUT
(Multi Attribute Utility Theory)
• Méthode développée vers la fin des années
60 par Ralph Keeney et Howard Raiffa
• Cherche à mesurer l’utilité totale qui peut
être tirée de chacune des actions
potentielles
• Elle est obtenue en combinant les utilités
élémentaires ou partielles que présentent
cette action aux yeux des différents critères
MAUT
(Multi Attribute Utility Theory)
• L’utilité totale UA (x1,x2,..,xn) associée à
l’action à évaluer sur les critères 1,2,..,n peut
être 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 ) = ∑α i + β i ui ( xi ( a ) )
i =1
ui(xi(a)): utilité générée par rapport au critère i si l’action a considérée a la
performance xi
pi , αi et βi: poids du critère i
novembre 04 Analyse multicritère 32
16
MAUT
(Multi Attribute Utility Theory)
• Par des questions adressées au décideur
ou via l’utilisation de loteries, on va pouvoir
déterminer l’utilité partielle vis-à-vis chacun
des critères 1
MAUT
(Multi Attribute Utility Theory)
• La difficulté principale de cette méthode
réside dans la complexité d’estimer la
fonction d’utilité
• Suppose l’homme totalement rationnel!
• L’efficacité des loteries grandement remise
en question dans la littérature
17
MÉTHODES AVEC
AGRÉGATION PARTIELLE
ELECTRE
• Famille de méthodes dites de
surclassement conçues par Bernard
Roy et basées sur la comparaison
d’actions
• Première méthode de la famille,
Electre I, publiée en 1968
18
ELECTRE I
• Cette méthode repose sur le principe
de Condorat (1785):
– Une action en surclasse une autre si elle
est au moins aussi bonne que l’autre
relativement à une majorité de critères,
sans être nettement plus mauvaise que
cette autre relativement aux autres
critères
ELECTRE I
• On s’intéresse donc à chaque action
de l’ensemble et on la compare à
toutes les autres
• La comparaison se fait par paire
ordonnée (a p/r b ≠ b p/r a) et on se
demande alors si l’action a surclasse
ou non l’action b
19
ELECTRE I
I. Phase 1 : les jugements
• Déterminer des critères cohérents
• Attribuer des poids aux différents
critères considérés
• Évaluer chaque action aux yeux de
chaque critère et élaborer 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
novembre 04 Analyse multicritère 39
ELECTRE I
II. Phase 2: les indices
• Pour chaque paire ordonnée d’actions,
poser l’hypothèse que la première action
surclasse la seconde et confronter cette
hypothèse aux chiffres de la matrice
• Additionner les poids des critères qui
sont en accord avec l’hypothèse et
diviser la somme par celle de tous les
poids (indice de concordance)
20
ELECTRE I
II. Phase 2: les indices
• Considérer les critères pour lesquels l’action a
est moins bonne que l’action b, choisir la
divergence la plus forte et diviser cette
divergence par la longueur de la plus grande
échelle utilisée (indice de discordance)
• Choisir la divergence la 2e plus forte et la
diviser par la longueur de la plus grande
échelle (indice de discordance 2)
ELECTRE I
III. Phase 3: seuils de surclassement
• Fixer un seuil de tolérance pour les
indices de concordance exprimant le
minimum de concordance requis
• Fixer un seuil de tolérance pour l’indice
de discordance exprimant le maximum
de discordance toléré
• Examiner toutes les paires ordonnées
d’après le seuil et ne conserver que
celles passant le filtre
novembre 04 Analyse multicritère 42
21
ELECTRE I
IV. Phase 4: tâtonnement et synthèse
• Si certaines actions ne sont ni
surclassantes, ni surclassées, répéter
les étapes 2 et 3 en augmentant ou en
diminuant les valeurs des seuils, des
poids, …
• Choisir si possible l’action qui surclasse
les autres dans la plupart des scénarios
ELECTRE I
• Méthode qui permet de dégager un
sous-ensemble de solutions
• Demande peu d’information donc
facile à implanter
• Comporte quelques défauts qui sont
corrigés dans les versions
suivantes…
22
ELECTRE I
Critères Site A Site B Site C
Coût (millions) 10 50 80
ELECTRE I-Exemple
Critères Coût Proximité Proximité
(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
échelle 0-10 0-10 3-7
novembre 04 Analyse multicritère 46
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 multicritère 47
ELECTRE I-Exemple
Seuil de tolérance: indice de concordance = 0.7
indice de discordance = 0.2
24
AUTRES MÉTHODES
• Electre II, III, IV (B. Roy, 1968 et +)
• Prométhée 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)
• …
novembre 04 Analyse multicritère 49
MÉTHODES AVEC
AGRÉGATION LOCALE ET
ITÉRATIVE
25
MÉTHODE DES CÔNES
D’AMÉLIORATION
(Geoffrion,
Geoffrion, Dyer,
Dyer, Feinberg,
Feinberg, 1972)
• On a V, un ensemble de vecteurs
correspondant à des actions potentielles
• On choisit un point vi dans V
• On sélectionne les points préférables à vi
dans V, ce qui forme un cône
• On choisit un point dans ce cône et on
recommence la procédure jusqu’à ce qu’il n’y
ait plus d’amélioration possible
novembre 04 Analyse multicritère 51
GOAL PROGRAMMING
• On fixe d’abord pour chaque critère la valeur
de l’évaluation que l’on désire avoir
• Pour chaque action, on détermine pour quel
critère l’évaluation est la plus éloignée de la
cible (donc le critère le moins respecté)
• L’action étant la moins à l’écart est la
meilleure
26
GOAL PROGRAMMING
SIMPLIFIÉ
Critères 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
AUTRES MÉTHODES
• STEM (Benayoun et Tergny, 1969)
• Méthode Ziont-Wallenius (S. Zionts,
1974)
• …
• Et autres approches connues
– Branch and Bound
– Méthode tabou
– …
novembre 04 Analyse multicritère 54
27
CAS
CHOIX D’UN
ÉQUIPEMENT DE
MANUTENTION
CAS
• Le but est de trouver le meilleur modèle
d’équipement
• Nous avons deux modèles potentiels de
chariots élévateurs
(Crown, Simplex)
• Nous avons trois critères de décision
(coût, vitesse, entretien)
* Cette liste de critères est loin d’être exhaustive, mais le but est
de comprendre la méthode
28
CAS
Trouver le
Niveau 0: But meilleur chariot
Niveau1:
Coût Vitesse Entretien
Critères
Niveau 2:
Crown Simplex
Alternatives
CAS
• On compare chaque paire d’options en
regard de chaque critère
• D’importance égale (1)
• Modérément plus important (3)
• Beaucoup plus important (5)
• Considérablement plus important (7)
• D’une importance écrasante (9)
29
CAS
Matrice de niveau 1
Coût Vitesse Entretien
Coût 1 5 3
Entretien 1/3 5 1
CAS
Matrices de niveau 2
Critère: Coût Critère: Vitesse
Crown Simplex Crown Simplex
Crown 1 3 Crown 1 1
Simplex 1/3 1 Simplex 1 1
Critère: Entretien
Crown Simplex
Crown 1 5
Simplex 1/5 1
30
CAS
Calcul approximatif du poids pondéré des critères
Somme 4 1,0000
CAS
Critère: Coût Critère: 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
Critère: 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 combinée
CAS
Poids On multiplie les éléments de la
2,47/4=
Coût matrice précédente par le poids
0,6175
obtenu pour chaque critère
0,085 Vitesse
0,2975 Entretien
1,000 Poids pondérés
Coût Vitesse Entretien SOMME
32
CHOIX DE LA MÉTHODE
• Comment choisir la bonne méthode?
Il est souvent plus difficile de choisir
la bonne méthode que de résoudre le
problème!
→ Très nombreuses
→ École française vs américaine
→ Pas de méthode parfaite
CHOIX DE LA MÉTHODE
• Martel et Guiltoni (1998) suggère de
prendre en considération:
→ Le nombre de décideurs
→ Les préférences naturelles du décideur
→ Une méthode qui va dans le sens de la vision de
la problématique du décideur
→ L’information disponible et qui sera traitée
adéquatement par la méthode
→ Le degré « compensatoire » de la méthode
→ Les hypothèses sur lesquelles repose la méthode
→ Le système de support à la décision qui
accompagne la méthode
novembre 04 Analyse multicritère 66
33
OUTILS ET LOGICIELS
• Plusieurs logiciels dédiés à une
méthode:
- 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
novembre 04 Analyse multicritère 67
OUTILS ET LOGICIELS
• Plusieurs logiciels dédiés à une méthode:
- Macbeth
http://www.m-macbeth.com/Msite.html
- Evidential Reasoning Approach (version étudiante
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 d’une
méthode:
- 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 d’une
méthode:
- Ergo
http://www.arlingsoft.com/download/ergo_download.a
sp
-Vig et Vimda
http://www.numplan.fi/
- Et plusieurs autres…
• Il existe également diverses applications
développées sur Excel, MatLab, …et
disponibles sur le Web
35
LOGICIEL HIPRE
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, Université
de l’Illinois
• Decision Support Systems Laboratory
Université technique de Crète
• IBL, Université de l’Hohenheim
• Institute of Mathematics, Université de Liège
novembre 04 Analyse multicritère 72
36
GROUPES DE RECHERCHE
• LAMSADE (Laboratory for Analysing and
Modelling Decision), Université de Dauphine
• International Society on Multiple Criteria
Decision Making
• Multiple Criteria Decision Support, École
d’économie d’Helsinki
• Service de Mathématiques de la Gestion,
Université Libre de Bruxelles
• Laboratory of Mathematical Methods for
Economic Decision Analysis, Académie des
sciences de Russie
novembre 04 Analyse multicritère 73
CONCLUSION
• Il est difficile de trouver LA méthode
appropriée au problème auquel le
décideur est confronté
• Il existe plusieurs bonnes solutions, le
choix de l’alternative dépend plutôt du
décideur
37
Références
Caillet, R., Analyse multicritère: Étude et comparaison des
méthodes existantes en vue d’une application en analyse de
cycle de vie, CIRANO, Montréal, août 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-critères:
approche par métaheuristiques (http://www.lifl.fr/~dhaenens
Guitouni, A. et Martel J-M, Tentative guidelines to help choosing
an appropriate MCDA method, Université Laval, 1997
Martel, J-M., Aggregating preferences: utility function and
outranking approaches, Université Laval, 1993
Références
Olson, David L., Comparison of three multicriteria methods to
predict known outcomes, Texas A&M University, 1999
Schärling, Alain, Décider sur plusieurs critères, Presses Polytechniques
Romandes, 1985, 304 pages.
Talbi, El-G., Méthodes d’optimisation avancées
Zeleny, M., Multiple criteria decision making, McGraw-Hill, Columbia
University, 1982, 563 pages.
38