CM Principal Zakaria VF Mai 2024 - Aide A La Decision

Spécialité Bâtiments
Module Techniques Opératoires de la Construction
Aide à la décision
Zakaria MOUKITE
Eléments extraits du cours de

Mai 2024 Pr J-C. Mangin – Université de Savoie
1. Généralités
▪ Introduction
▪ Les bases d’une analyse
▪ Les préférences : pondération des critères
2. Méthodes d’agrégation
3. Méthodes de surclassement
▪ Introduction
▪ Modélisation des préférences
▪ ELECTRE III
▪ ELECTRE tri
4. Synthèse
Pr J-C. Mangin – Université de Savoie
Schématisation globale
Définir le périmètre de l’étude

• Comprendre l’organisation
• Identifier les acteurs
• Déterminer les finalités
Déterminer les préférences du décideurs

Constituer l’ensemble des actions • Critères
• Mode d’évaluation
• Poids
Ensemble fini
Ensemble non
déterminé
Logique de
conception
Communiquer le résultat
G. Sauce Aide à la décision I-3

Schématisation de la phase étude
Données du pb
Ensemble Critères
des actions d’évaluation
Constituer la matrice
de décision
Représentation
Déterminer les par profil
Etude préalable
solutions satisfaisantes
Eliminer les solutions

dominées
Actions
efficaces
Etudier :
Ordonner, classer
Calcul
(Agrégation, ELECTRE
I,II,III,TRI, …)
Analyser la robustesse
de la proposition

1 - Généralités
Introduction

L’objectif
Répondre à la question : Comment Choisir ?
Dans des situations courantes:

• entre différents projets
• entre plusieurs possibilités,
• entre plusieurs solutions
➢ construction, industries, équipements, vie courante…
• …
✓ Implantation d’une route, d’un site industriel

Problématique environnementale
✓ Achat d’un bien, d’un service
Notion d’Appel d’Offres
✓ Choix d’une solution technique
Par exemple ossature d’un bâtiment
✓ Problème de planification :
Allocation de ressources

L’objectif

✓ En présence de plusieurs critères : Quantitatifs, qualitatifs
Exemple d’éléments de choix comme :
• le coût,
• les impacts environnementaux (énergie, eau, polluants, déchets),
• les aspects techniques (thermique, acoustique, architecture, …)
• l’esthétique, le confort
• la fiabilité des fournisseurs, des contractants,
• …
✓ Avec des critères sont généralement contradictoires

(par exemple coût – qualité)
➢ Il faut choisir une alternative :

la meilleure, mais pour qui ?
L’objectif

✓ En présence de plusieurs critères : Quantitatifs, qualitatifs
Exemple d’éléments de choix comme :
• le coût,
• les impacts environnementaux (énergie, eau, polluants, déchets),
• les aspects techniques (thermique, acoustique, architecture, …)
• l’esthétique, le confort
• la fiabilité des fournisseurs, des contractants,
• …
✓ Avec des critères sont généralement contradictoires

➢ Il faut choisir une alternative :

la meilleure, mais pour qui ?
Problème de décision multicritère
➢ Aide à la décision
Aider à résoudre un problème de décision pour lequel

plusieurs points de vue, souvent contradictoires,
doivent être pris en compte au travers de différents
critères.
✓ identification progressive d’une « solution »
➢ Acceptée (acceptable) par tous les points de vue
✓ Un compromis et non un optimum au sens de l’optimisation

multicritère.
✓ Cette notion d’optimum au sens du minimum ou du maximum a

tendance à disparaître.

Optimisation monocritère
But :
Minimiser ou maximiser une fonction réelle de plusieurs
variables réelles, en présence de contraintes plus ou
moins complexes, limitant les valeurs qu’il est possible
de donner aux variables.
G. Sauce Aide à la décision I - 10

But :

But :
Les
désordres
du bâti
But :

But :

Formulation du problème :
Min C (X) ou Max C (X) X  D  Rn

X = {x1, x2, …, xn }
D = { domaine des solutions admissibles}
D = { X tel que gi(X) ≥ 0 i = 1, … , m
et hj(X) = 0 j = 1, … , p}
X : le vecteur des variables

Elles représentent souvent des variables économiques, techniques, de
conception, ….
g et h sont des contraintes

Suivant la forme et la nature mathématique des différents éléments

du modèle, le problème d’optimisation est plus ou moins simple à
résoudre.
Les 3 principaux éléments à prendre en compte sont :
1. La nature des variables :
a) continues ( date heure de réception d’un
paiement…variables non dénombrables)
b) ou discrètes (nbre de plaintes clients, nbre de
défauts…variables dénombrables)
2. La nature des contraintes
3. La nature de la fonction C(X)
A la base, cela suppose qu’il est possible de définir la fonction à optimiser C(X)

Optimisation multicritère
Formulation du problème :
 
opt  C1 , C2 , ..., Cn  = max C1 , max C2 , ..., max Cn 
x1 ,..., x n  x1 ,..., x n x1 ,..., x n x1 ,..., x n 
X  D  Rn X = {x1, x2, …, xn }
D = { domaine des solutions admissibles,

défini par des contraintes}
Ne pas confondre multicritère et multivariable

Max C1(x1, x2) et Max C2(x1, x2)

Une solution
x2 C2
Préférence →
Une solution
x1
Préférence → C1
Espace des Espace des

variables critères
Les désordres du bâti
E
q
u
i
p
e
m
e
n
t
s
Prix spécial du jury Maxime Bouyer, ingénieur hydraulicien à Paris, pour sa photo concernant un
problème d’étanchéité et d’aération dans une salle de bains : «Des moisissures sur le mur attenant à
la douche, dans la salle d’eau d’un appartement parisien occupé. La salle d’eau est traversée par
les descentes de gouttières et l’aération se fait seulement par une fenêtre»
E
q
u
i
p
e
m
e
n
t
s
Max C1(x1, x2) et Max C2(x1, x2)

Une solution
x2 C2
Préférence →
Une solution
x1
Préférence → C1
Espace des Espace des

variables critères
Il est généralement impossible d’optimiser

tous les critères
simultanément
➢ Nouvelle notion d’optimum

Notion de solution non dominée
Une solution est dite non dominée s’il n’existe

pas d’autre solution meilleure sur un critère
sans être plus mauvaise sur au moins un autre
critère
➢ Problème à résoudre
Construire l’ensemble des solutions non
dominées

Caractérisation des solutions non
dominées
C2
Préférence →
Coin NE
Ensemble des
solutions non-
dominées
Préférence → C1

➢ Construire l’ensemble des solutions non dominées

appelé optima de Pareto
Deux cas sont à distinguer : Pour (a11, a21)

1. Problème continu C2
Préférence →
▪ Ensemble de Pareto est
très difficile à obtenir Pour (a1i, a2i)
▪ Transformation en
un critère unique
avec variation de poids
C = a1 C1 + a2 C2 + … + an Cn
➢ Logique d’optimisation multicritère Préférence → C1

E
q
u
i
p
e
m
e
n
t
s
E
q
u
i
p
e
m
e
n
t
s
E
q
u
i
p
e
m
e
n
t
s

Deux cas sont à distinguer :

1. Problème continu
2. Problème discret
➢ Logique de choix multicritère
▪ Parmi un nombre fini de solutions
▪ Les solutions non-dominées plus faciles à obtenir
▪ Méthode de comparaison deux à deux sur tous les critères

Choix multicritère

➢ Mais le gros problème est :

Comment choisir
C2
Préférence →
parmi
les solutions non-dominées ?
Préférence → C1
Description d’un problème
multicritère
➢ Le décideur
Personne pour qui l’aide à la décision est élaborée.
➢ L’homme d’étude
Personne qui prend en charge l’aide à la décision et qui
• met en œuvre les modèles,
• formalise les recommandations,
• éclaire le décideur.
➢ L’ensemble de choix
Ensemble des actions dans lequel le décideur doit choisir.
• Il sera noté A,
• Il est considéré comme fini,
• Il comprend m actions potentielles a1, a2, …, am.

Qu’est qu’un Mode projet en
gestion énergétique du bâti ?
Mode Projet
Acteurs
multicritère
➢ Une action potentielle
Action jugée provisoirement possible.
➢ Conséquence
Effet (ou attribut) d'une action susceptible d'interférer avec les
objectifs d'un acteur.
➢ Critère
Expression de points de vue, d'objectifs, d'aptitudes ou de
contraintes relatives au contexte réel permettant de juger
• Axe de jugement,
• Le nombre de critères est supposé fini : ensemble CR,
• n critères C1, C2, …, Cn.
✓ Pour devenir un critère, cette expression doit être :
o utile au problème considéré,
o fiable.
✓ Un critère est doté d'une structure de préférence :
échelle de valeurs, cardinale ou ordinale.
multicritère
➢ Performance d’un critère
• Valeur du critère
• Caractérise une action
• Calculée selon un modèle d’évaluation (fonction, grille d’évaluation, etc.)
✓ Critère Quantitatif
• Attribut naturellement numérique (vitesse, température, coût, etc.)
• Le critère est direct si la préférence croit avec la valeur du critère
• Le critère est indirect si la préférence décroit avec la valeur croissante du
critère
✓ Critère Qualitatif
• Correspond à des évaluations qui ne s'effectuent pas naturellement avec
des nombres;
• Aucune unité de mesure canonique ne peut être reconnue.
• On utilise très souvent des vocables pour l’évaluation, comme «Bien»,
«Moyen», «Mauvais», etc

Mode Projet
Acteurs
multicritère
➢ Matrice des performances ou matrice de décision

• C'est la matrice M de terme générique pij qui représente la valeur
numérique ou symbolique de l'action ai selon le critère Cj. (sa
performance)
C1 C2 Cj Cn
A1 :
A2 :
Ai ….. ….. Pij
Am

multicritère
➢ Exemple de matrice des performances ou matrice de

décision
Nom de Coût Qualité Délai de Acceptabilité
l’action (M€) technique (en réalisation de la solution
points de 0 à 10) (semaines)
A1 4,3 9 125 Très bonne

A2 4,3 7 135 Bonne
A3 5,1 5 85 Correcte
A4 4,4 10 175 Excellente
A5 3,9 8 120 Très bonne

• Résoudre l’énigme : Comment et
pourquoi décomposer un projet
énergétique ?
• Résoudre l’énigme : Comment et
pourquoi décomposer un projet
énergétique ?
multicritère
➢ Matrice des performances ou matrice de décision

• C'est la matrice M de terme générique pij qui représente la valeur
numérique ou symbolique de l'action ai selon le critère Cj. (sa
performance)
C1 C2 Cj Cn
A1 :
A2 :
Ai ….. ….. Pij
Am

Comment construire et
•
jalonner un projet
Résoudre l’énigme : Comment et
énergétique
pourquoi décomposer ?
un projet
énergétique ?
Représentation d’un problème
multicritère
➢ Représentation dans l’espace des critères
▪ Les actions sont représentées par couple de critères dans un

repère à 2 dimensions
▪ Autant de diagrammes que de couples
▪ A chaque axe (X et Y) sont associés un critère et son échelle
▪ Les graduations sont définies de telle sorte que la préférence est

d’autant plus forte que l’abscisse (ou l’ordonnée) est élevée

Exemple « Fil rouge »
➢ Projet de construction d’une ligne de métro

Critère 1 Critère 2 Critère 3
Coût/km Nombre Diminution
d’emplois Trafic routier
M€/km Milliers %
Ligne A 27 82 20
Ligne B 25 40 15
Ligne C 18 80 3
Ligne D 21 30 14
Ligne E 23 30 10
Critère 1 : indirect, Critères 2 et 3 : directs
multicritère
➢ Représentation dans l’espace des critères (ex ligne de métro)
A C3 A
C2 C 20 %
80 B
D
E
B 5%
C
E D C3 A
40
20 %
B C1
C1 D 27 23 18
27 23 18
E
C
5%
80
C2
40

multicritère
➢ Représentation en étoile (radar)
▪ Une échelle est associée à chaque critère
▪ L’échelle est définie dans ses propres unités

d’autant plus forte que l’ordonnée est élevée

multicritère
➢ Représentation en étoile (radar) (ex ligne de métro)
C1
18
21
A
24
B
C 27
C2 C3

multicritère
➢ Représentation par profil
▪ Une échelle est associée à chaque critère
▪ L’échelle est définie dans ses propres unités

d’autant plus forte que l’abscisse (ou l’ordonnée) est élevée

multicritère
➢ Représentation par profil (ex ligne de métro)
Préférence
18 80 20
A
B 21 60 15
C 40
24 10
D
27 20 5
E

1 - Généralités
Les bases d’une analyse d’aide à la décision

multicritère
Problème quasiment complet :
➢ Stabilité de l’ensemble A des actions
Il est impossible de décider sur un ensemble en perpétuelle évolution
➢ Accord sur la liste des critères retenus

Exigence d’exhaustivité
Couvrir l’ensemble des axes d’analyses et de préférence
Non redondance
Ne pas prendre en compte plus d’une fois dans les critères un même aspect
Cohérence
L’amélioration de la note sur un critère ne doit pas entraîner une
détérioration de la performance globale de l’action
➢ Accord sur l’évaluation des critères

Modèle d’évaluation (évaluation monotone croissante)
Echelle proposée
Seuil de satisfaction, de préférence, d’indifférence…

EXEMPLE : COMMENT CONSTRUIRE ET
JALONNER UN PROJET ÉNERGÉTIQUE ?
Dans un tél Contexte….Identifier ..
Bâtiment …??
Type : ???
Destination : ??? ..initiale..
Perspectives :…
EXEMPLE : COMMENT CONSTRUIRE ET
JALONNER UN PROJET ÉNERGÉTIQUE ?
Dans un tél Contexte….Identifier ..
Energies en jeu …??
Pathologie : ???
Régie interne ou/et .. : ??? ..initiale..
Contraintes attenantes :..??…

Analyse d’un problème multicritère
Point de départ : un problème quasiment complet

➢ Un système de préférence
✓ Accord sur la liste des critères retenus
• Exigence d’exhaustivité
• Non redondance
• Cohérence
L’amélioration de la note sur un critère ne doit pas entraîner une détérioration de
la performance globale de l’action
✓ Accord sur l’évaluation des critères
• Modèle d’évaluation (évaluation monotone croissante)
• Echelle proposée
• Seuil de satisfaction, de préférence, d’indifférence…
➢ Ensemble A des actions, qui soit stable


Etape préalable : L’analyse de satisfaction
Objectif : effectuer un premier tri des actions par l’analyse

des dominances et des seuils minimaux.
➢ Action satisfaisante
▪ Une action qui respecte, pour chaque critère, un seuil minimal
appelé seuil de satisfaction qui représente un niveau qui, s’il est
atteint, satisfait le décideur.
➢ Action efficace
▪ Toute action potentielle non dominée
Visualisation des solutions non-dominées sur les représentations
graphiques

➢ Eliminer toutes les actions dominées par la solution

imaginaire représentée par les seuils minimaux
Cela revient à éliminer toutes les actions ne satisfaisant pas l’un des
seuils au moins
➢ Il s’agit en fait d’une sorte de véto
➢ Éliminer toutes les solutions dominées

➢ Résultat : liste des actions efficaces

{actions non dominées}
Par définition les actions non dominées sont

incomparables entre elles
✓ Rappelons qu’une solution dominée pourrait constituer une bonne

solution (cas du brillant deuxième dominé par le premier mais meilleur
que tous les autres)

Quelle décision veut on élaborer ?

4 problématiques ont été distinguées dans
les applications déjà traitées
1 - Problématique de sélection (P)

Recherche de la meilleure action
Dégager un sous-ensemble de A aussi restreint que possible
composé des « meilleures actions »
➢ L’idéal : un singleton => une seule action.

Mode Projet
Acteurs
2 - Problématique de tri ou de classement (P)

Affectation des actions de A à des classes ou des catégories pré-
définies réelles ou fictives qui servent de référence
3 - Problématique de rangement (P)

Ranger les actions de A entre elles de 1 à n; recherche d’un
pré-ordre si possible total (ou partiel)
4 - Problématique de description (P)

Problème cognitif consistant à connaître le problème au travers des
actions, des critères, des performances,...

Typologie des
bâtiments …
Bureaux
* Eclairage
Typologie des
bâtiments …
Bureaux
* Chauffage
Analyse d’un problème
multicritère
➢ Principales méthodes
– Méthodes qualitatives ( type SWOT)

– Méthodes d’agrégation ou de pondération
(critère unique de synthèse)
– Méthode de comparaison : AHP : Analytic Hierarchy Process

– Méthodes de surclassement
– Méthodes ordinales
– Méthodes interactives construisant des solutions progressivement
à l’aide d ’un S.I.A.D

1 - Généralités
Les préférences : pondération des critères

Pondération des critères
Comment exprimer la préférence entre critères ?
➢ Classement de l’importance
✓ Une information ordinale est relativement pauvre
➢ Système de poids
✓ Une expression numérique de l’importance
✓ Poids cardinal : poids absolu
(il existe des poids intermédiaires : des poids relatifs)

Comment définir les poids ?
➢ Pondération Directe
• Le décideur exprime clairement une préférence
➢ Méthode GRAMP
➢ Méthode MacBeth-Poids
➢ Méthode des cartes poids
➢ Méthode des coalitions
➢ Méthode argumentatives

Méthode GRAMP (inspiré de Analytic Hierarchy Process)

(GRAMP : guide Romand pour l’adjudication des marchés publics)
➢ Comparer chaque critère 2 à 2 en répondant à la question :

Le critère X est-il plus / aussi / moins important que le critère Y
Si X est plus important que Y alors inscrire 2
Si X est aussi important que Y alors inscrire 1
Si X est moins important que Y alors inscrire 0
est … important que
C1 C2 C3
C1 0 1
C2 2 2
C3 1 0
3 0 3
➢ Faire le total des points pour chaque critère

Méthode GRAMP (inspiré de Analytic Hierarchy Process - AHP)

(GRAMP : guide Romand pour l’adjudication des marchés publics)
➢ Attribuer un poids manuellement entre 0 et 10
C1 C2 C3
C1 0 1
C2 2 2
C3 1 0
3 0 3
Poids 7 2 7
➢ Méthode au début intéressant, à la conclusion très arbitraire
=> Application de la méthode AHP pour la pondération des critères

Cf. TD exemple thèse A. AbdulHamidRahal

2 - Méthodes d’agrégation

Méthodes d'agrégation
On cherche à
décider à partir d’un critère unique de synthèse
en agrégeant les performances des différents critères
=>Agréger : combiner et pondérer les critères
Exemple : Agrégation avec un seul critère coût :

1. Convertir les échelles d’origine des critères en échelle directe
2. Ramener chaque performance de critère à une valeur de coût
3. Faire la somme.
(Approche développée dans le monde de la finance, des assurances, …)

Agrégation avec un seul critère coût (ex ligne de métro)
Coût/km Nbre Baisse traffic Critère de Rang

emplois routier synthèse
M€ Millier % 254 2
A 27 82 20 4
175
B 25 40 15
289 1
C 18 80 3
21 30 14
192 3
D
E 23 30 10 160 5
Uj 10*(30 – C1) C2 C3
Poids 1 2000€ 3M€
par emplois par %
➢Analyse monocritère
Version classique
On cherche à décider à partir d’un critère unique de synthèse
obtenu en combinant et pondérant les critères
Somme pondérée S(A) = å pi .vi (A)

i
Soit
å
1
M (A) = pi .vi (A)
Moyenne pondérée
å pi i
i
Avec : vi(A) : note de l’action A sur le critère i

pi : poids du critère i
➢ Transformation des performances des critères sur une

échelle uniforme croissante
▪ Note d’un critère (ou point)

Niveau atteint sur une échelle uniforme d’un critère donné
• Notation (ou cotation)

Action d’Attribuer une note à un critère pour une action
• Rang d’une action

Position d’une action dans l’ordre décroissant des notes
sur un critère donné

Au final :
➢ Tableau des performances

Expression de la valeur des critères pour chaque action
dans leur échelle d’origine
➢ Tableau de transformation
Modèle de notation : règles d’évaluation pour passer des
performances aux notes
➢ Tableau des notes et des scores

Tableau contenant les notes des actions pour chaque critère et le
résultat du calcul de la somme pondérée, c’est à dire le score
obtenu pour chaque action

Agrégation avec un seul critère coût (ex ligne de métro)
➢ Tableau des performances A B C D E Poids

Coût/km (M€) 27 25 18 21 23 0,2
Nbre Emplois (millier) 82 40 80 30 30 0,6
Baisse traffic routier (%) 20 15 3 14 10 0,2
➢ Tableau de transformation
• Normalisation des valeurs de critère : de 0 à 10
• Les bornes sont définies par les valeurs maximales Valeur mini Valeur Maxi
et minimales des performances des solutions. Coût/km (M€) 27 18
• Le minimum aura 0,le maximum aura 10.
Nbre Emplois (millier) 30 82
• La fonction de transformation est linéaire.
Baisse traffic routier (%) 3 20
➢ Tableau des notes et des scores

A B C D E
Coût/km (M€) 0,0 2,2 10,0 6,7 4,4
Nbre Emplois (millier) 10,0 1,9 9,6 0,0 0,0
Baisse traffic routier (%) 10,0 7,1 0,0 6,5 4,1
Somme pondérée 8,0 3,0 7,8 2,6 1,7
Classement par
1 3 2 4 5
agrégation
Pour faire une analyse correcte, il y a des règles à

respecter :
➢ Les transformations des performances des critères

Afin de pouvoir garder tout leur sens aux poids des critères
➢ L’échelle de notation
Pour ne pas fausser l’importance des critères
➢ Les poids doivent être clairement indiqués avant le

travail d’aide à la décision
Pour ne pas “tricher” sur le résultat

Conclusion
2 problèmes majeurs :
➢ Incomparabilité entre deux actions

Le phénomène de score moyen masque des situations
extrêmes : des actions avec des différences très fortes, telles
qu’il n’est pas raisonnable de les comparer.
➢ Compensation pour une action

Le phénomène de score moyen masque des faiblesses sur une
action qui peut être rattrapée par une bonne performance sur
plusieurs autres critères.

TD


3 – Méthodes de surclassement
Introduction


Les méthodes de surclassement
Elles sont basées sur la définition d’une relation de

surclassement binaire entre deux actions a et b
a surclasse b
a est globalement meilleure que b
La relation de surclassement est différente selon les méthodes

Deux approches du surclassement
➢ Approche PROMÉTHÉE basée sur une concordance plus

stricte sans condition de discordance
✓ a significativement meilleure que b
➢ Approche ELECTRE basée sur une condition de concordance

et une condition de discordance
✓ a au moins aussi bonne que b

Surclassement de type Electre
Indicateur de concordance C(a, b)
Se doter d’un outil de mesure pour évaluer la concordance

avec cette affirmation :
a est au moins aussi bonne que b
Indicateur de discordance D(a, b)
Se doter d’un outil de mesure pour évaluer l’ampleur du

désaccord avec la même affirmation
a est au moins aussi bonne que b

Modélisation des préférences


Étude des différents types de
critères utilisables
En fonction des préférences

exprimées par l’utilisateur

Les différents modèles
Les relations définies pour établir le surclassement

peuvent être complexes :
• Préférence stricte (a) P (b)

• Indifférence (a) I (b)
• Préférence faible (a) Q (b)
• Incomparabilité (a) R (b)
a et b sont deux actions

Le modèle traditionnel
➢ Il est construit avec des vrais-critères,

➢ Les variations des préférences sont brutales,
➢ Il ne peut pas prendre en compte les incertitudes sur
les valeurs,
➢ Il est très bien adapté à des critères modélisés
numériquement.
Notation :
Uj(b) : fonction d’utilité pour le critère j.
Elle représente la performance de l’action b pour le critère j
Le modèle traditionnel
(a) I (b)
(b) P (a) (a) P (b)
Uj(a)
Uj(b)
➢ Fonction de réponse (pour la concordance)

(a) au moins aussi bonne que (b) ?
cj(a,b)
1 = oui
0 = non Uj(a) - Uj(b)

Modèle à un seuil d’indifférence
Les hypothèses de rationalité sont affaiblies pour

introduire un seuil d’indifférence q tel que :
➢ (a) P (b) si U(a) > U(b) + q
➢ (a) I (b) si - q ≤ U(a) - U(b) ≤ + q
Le critère associé est un quasi-critère

Modèle à un seuil d’indifférence
(a) I (b)
(b) P (a) (a) P (b)
U(a)
-q U(b) +q

cj(a,b)
1 = oui
-q 0 = non U(a) - U(b)

Modèle à deux seuils
On introduit un opérateur supplémentaire :

la préférence faible
À l’aide d’un seuil de préférence p, (avec p > q)

qui permet de définir une zone intermédiaire entre la
préférence et l’indifférence
Le critère associé est appelé pseudo-critère

Il est caractérisé par :

➢ L’indifférence
(a) I (b) si - q ≤ U(a) - U(b) ≤ + q
➢ Une préférence forte

(a) P (b) si U(a) > U(b) + p
➢ Une préférence faible

(a) Q (b) si U(b) + p > U(a) > U(b) + q

(a) I (b)
(b) Q (a) (a) Q (b)
(b) P (a) (a) P (b)
-p -q U(b) +q +p U(a)

cj(a,b)
1 = oui
-p -q 0 = non U(a) - U(b)

La préférence faible
(a) Q (b)
n'est pas une préférence de moindre intensité;
Elle traduit simplement une hésitation entre la
préférence et l'indifférence.
Une zone à l'intérieur de laquelle le décideur :

➢ hésite entre les deux réponses,
➢ ou donne des réponses contradictoires selon la manière
dont il est interrogé.

Définition des seuils
• Seuils p et q constants
• Seuils p et q variables
Par exemple : une loi de variation linéaire
p =  U(a) +  et q =  ’ U(a) +  ’
ou
p =  U(b) +  et q =  ’ U(b) +  ’
• Seuils p et q définis par intervalles, etc.
Par exemple :
Pour un critère de coût, le seuil d' indifférence q est de 500 € pour une valeur du
critère de 10 000 €, mais est plus élevé pour une somme plus importante, un seuil
de 3 000 €, par exemple, pour une valeur du critère de 100 000 €.
➢ conditions logiques à vérifier

Deux approches du surclassement
➢ Approche ELECTRE basée sur une condition de concordance

et une condition de discordance
✓ a au moins aussi bonne que b
➢ Approche PROMÉTHÉE basée sur une concordance plus

stricte sans condition de discordance
✓ a significativement meilleure que b

Comparaison
ELECTRE - PROMÉTHÉE
cj(a,b)
ELECTRE PROMÉTHÉE
-p -q 0 q p U(a) - U(b)
a au moins aussi bonne que b a meilleure que b

Notion de surclassement
Surclassement flou
Toutes les méthodes utilisent un même type d’indice de concordance

➢ Un indice de concordance par critère : cj(a,b)
➢ Un indice de concordance global
 p . c (a , b )
j j
C( a , b ) =
j
p j
j
auquel on adjoint (ELECTRE) ou non (PROMETHEE) différents modes

d’évaluation de la discordance

Notion de discordance
Rappel :
L’objectif est de mesurer l’ampleur du désaccord par rapport à
l’hypothèse
a au moins aussi bonne que b
Différents types de discordance
– Discordance à échelle (ELECTRE I )
– Discordance de type veto franc (ELECTRE II)
– Discordance de type veto flou (ELECTRE III, TRI)

Notion de discordance
Discordance à veto flou
Action a moins bonne que action b

➢ La différence, en sens contraire, est-elle trop criarde
pour accepter un surclassement ?
➢ Introduction d’un principe de veto progressif à partir du
seuil de préférence
dj(a,b)
1 = oui
-v -p -q 0 = non U(a) - U(b)

Notion de surclassement
Différents modes de surclassement
Avec un critère à seuils et un seul indice : la crédibilité
a au moins aussi bonne que b dans le critère j ?
La discordance La concordance
1 = oui
dj(a,b) cj(a,b)
-v -p -q 0 = non Uj(a) - Uj(b)

Pour représenter une différence trop flagrante p seuil de préférence
q seuil d’indifférence
• Electre III
• Electre Tri
(Voir supports spécifiques)


• Electre III


ELECTRE III
Objectif de la méthode :
Résolution de la problématique de rangement
des meilleures actions aux moins bonnes
les principes de la méthode :

• Construction de la relation de surclassement
• Notions de concordance et de discordance
• Classement sur la base d’un indice de crédibilité
• L’élaboration de deux classements antagonistes
mais
➢ Introduction de flou :
• Utilisation de pseudo-critères

ELECTRE III - Exemple
Résultat du classement
Rang Descendant Ascendant

1 E C,E
2 A
3 C A
4 B,D B
5 D

La méthode Electre III
Représentation graphique de J. SIMOS

Représentation des actions dans un plan selon les deux classements
descendant et ascendant
Classement ascendant
1
2
3
4
4 3 2 1
Classement descendant

ascendant
C E
1
3
A
4 B
5 D
5 4 3 2 1 descendant
Représentation graphique de J. SIMOS
Analyse de l’incomparabilité :
C’est la demi-différence des rangs

descendants et ascendants
➢ E et B sont comparables
(incomparabilité nulle)
➢ C a une incomparabilité de 1
➢ D et A ont une incomparabilité de 0,5
Remarque :
En comparaison des résultats avec une méthode d’agrégation
➢ Mise en évidence de cette incomparabilité de A, C et D
• Electre TRI


ELECTRE TRI
Objectif de la méthode :
Résolution de la problématique de tri
➢ Affecter une action à une classe ou une catégorie
➢ Des actions de références sont utilisées pour segmenter l’espace

des critères en classes
➢ Chaque classe est bornée inférieurement et supérieurement par

deux actions de références
➢ Cette méthode permet de juger une action indépendamment des

autres
➢ Elle offre une capacité de traiter de grands ensembles
➢ Les valeurs de référence peuvent être normées, des résultats
minimaux, etc.
➢ Elle est souvent utilisée pour dégrossir un problème
ELECTRE TRI
Pour obtenir 3 classes (C1,C2,C3),

Il faut définir 2 références : R1 et R2 ;
R0 est la référence plancher, R3 la référence plafond.
Préférence
R3
C3
R2
R1 C2 Action A
C1
R0

ELECTRE TRI
Principes de ELECTRE TRI
➢ Pseudo critère (à 3 seuils)
➢ Calcul des indices de crédibilité comme ELECTRE III
➢ Définition du surclassement selon un seuil constant
➢ Méthode d’affectation spécifique

✓ Chaque action sera comparée successivement aux actions
de référence selon deux procédures :
▪ Soit en comparant à la plus contraignante
▪ Soit en comparant à la moins contraignante
Ces deux procédures sont appelées Optimiste et Pessimiste.

ELECTRE TRI - Exemple
Représentation des résultats
L’action D est classée :

– pessimiste en C1 Pessimiste
– optimiste en C2
C1 C2 C3
C3
Optimiste
C2 D
C1

4 - Synthèse
Analyse de robustesse


Quelle que soit la méthode :

Il est toujours nécessaire de vérifier la sensibilité du résultat
obtenu par rapport aux paramètres de l’étude afin de confirmer
la fiabilité des conclusions proposées à un décideur.
➢ Paramètres liés à l’importance des préférences (le décideur)

✓ Variation des poids des critères
➢ Paramètres liés au modèle des critères (le décideur)

✓ Variation des seuils de (p, q , v)
➢ Paramètres liés à la méthode (l’homme d’étude)

✓ Variation du seuil de surclassement, de coupe

1. Définir une stratégie

– Identifier le champ des possibles pour chaque variable à
considérer
– Les faire varier une par une

• Voir la sensibilité du résultat à une variable
– Mettre en évidence les effets conjugués

• Voir l’effet d’amplification dû à une corrélation entre variables
– Établir un plan d’expérience

• Méthode pour limiter le nombre de simulation
➢ Disposer d’un outil informatique

Le nombre de simulation peut être très vite très important

Variation des poids
Il est toujours intéressant d’étudier le cas des poids équivalents
(1, 1, 1) (3, 2, 1)
ascendant ascendant
1 A 1 A
2 B 2 DB C
3 D C 3
4 4
4 3 2 1 Descendant 4 3 2 1 Descendant

Variation de la modélisation des préférences
C1 C2 Ci
q 0,5; 1 De 1 à 1,25 modulo 0,05 …
p 1; 1,5; 2 De 2 à 2,5 modulo 0,5 …
v 3;4 ;5 De 4 à 5 modulo 1 …
ascendant ascendant
1 1 AC
A
2 B CD 2 B
3 3 D
4 4
4 3 2 1 descendant 4 3 2 1 descendant

Variation des paramètres de la méthode
➢ Variation de seuil de discrimination (pour Electre III) :
ascendant s( ) = 0,3 – 0,2  ascendant s( ) = 0,2 – 0,15 
1 A 1 A
2 B 2 B
3 D C 3 D C
4 4
4 3 2 1 descendant 4 3 2 1 descendant
➢ Variation de seuil de coupe (pour Electre Tri) :

2. Effectuer les calculs
➢ Déterminer toutes les combinaisons

✓ Combiner les variations possibles
Par exemple
pour le critère C1 :
- Poids : 3 valeurs possibles
- Indifférence : 4 valeurs possibles
- Préférence ; 5 valeurs possibles
- Véto : 2 valeurs possibles
Soit 3x4x5x2= 120 combinaisons
Idem pour critère C2, C3, C4,C5
Soit 120x120x120x120x120 = 24 883 200 000 combinaisons
Prenons 2 seuils de discrimination différents soit 49,7 109 de cas à étudier.
✓ Réduire ce nombre de combinaisons

Plan d’expérience
Tirage aléatoire (méthode de Monte Carlo)
➢ Faire les calculs

3. Analyser les résultats
➢ Représenter les résultats

– Calcul de % d’apparition
– Présentation sur un graphe
➢ Points d’analyse
✓ Dispersion des résultats
✓ Écart entre les classements
✓ Mise en évidence de paramètres sensibles
✓ …

Calcul de % d’apparition
➢ exemple : pourcentage d’affectation d’un projet à une classe
Sur la base de 180 000 calculs : distribution des résultats

Visualisation de la distribution des résultats
➢ Synthèse : classement de chaque projet

Ligne A Ligne C
1 1
Cette restitution met clairement
en évidence que la ligne A est 2 2
systématiquement classée
première, et donc c’est 3 3
globalement la mieux classée.
4 4
La ligne B est classée 2ème, 4 3 2 1 4 3 2 1
La ligne D classée dernière, Ligne B Ligne D

1 1
La ligne C est plus difficile à
classer, meilleure que D, mais 2 2
équivalente ou moins bonne
que B ? 3 3
4 4
4 3 2 1 4 3 2 1
Spécialité Bâtiment
3ème année
4 - Synthèse
Point de vue global sur un problème d’aide à la décision

Données du pb
Ensemble Critères
des actions d’évaluation
Constituer la matrice
de décision
Représentation
Déterminer les par profil
Etude préalable
solutions satisfaisantes
Eliminer les solutions

dominées
Actions
efficaces
Etudier :
Ordonner, classer
Calcul
(Agrégation, ELECTRE
I,II,III,TRI, …)
Analyser la robustesse
de la proposition

1 - Point de départ : un problème quasiment complet

➢ Un système de préférence
✓ Accord sur la liste des critères retenus
• Exigence d’exhaustivité
• Non redondance
• Cohérence
L’amélioration de la note sur un critère ne doit pas entraîner une détérioration de
la performance globale de l’action
✓ Accord sur l’évaluation des critères
• Modèle d’évaluation (évaluation monotone croissante)
• Echelle proposée
• Seuil de satisfaction, de préférence, d’indifférence…
✓ Accord sur l’importance relative des critères
• Système de poids
➢ Ensemble A des actions, qui soit stable


2 - Etape préalable : L’analyse de satisfaction
Objectif : effectuer un premier tri des actions par l’analyse

des dominances et des seuils minimaux.
➢ Action satisfaisante
▪ Une action qui respecte les contraintes, par exemple, pour chaque
critère, un seuil minimal appelé seuil de satisfaction qui représente
un niveau qui, s’il est atteint, satisfait le décideur.
➢ Action efficace
▪ Toute action potentielle non dominée
Visualisation des solutions non-dominées sur les représentations
graphiques

➢ Eliminer toutes les actions dominées par la solution

imaginaire représentée par les seuils minimaux
Cela revient à éliminer toutes les actions ne satisfaisant pas l’un des
seuils au moins
➢ Il s’agit en fait d’une sorte de véto
➢ Éliminer toutes les solutions dominées

➢ Résultat : liste des actions efficaces

{actions non dominées}
Par définition les actions non dominées sont

incomparables entre elles
✓ Rappelons qu’une solution dominée pourrait constituer une bonne

solution (cas du brillant deuxième dominé par le premier mais meilleur
que tous les autres)
✓ S’il y a peu de solutions, il peut être intéressant de garder les
solutions dominées mais pertinentes pour l’étude.

3 - Calcul : Quelle décision veut on élaborer ?
1 - Problématique de sélection
Recherche de la meilleure action : Dégager un sous-ensemble de A aussi
restreint que possible composé des « meilleures actions »
➢ L’idéal : un singleton => une seule action.
2 - Problématique de tri ou de classement

Affectation des actions de A à des classes ou des catégories pré-définies
réelles ou fictives qui servent de référence
3 - Problématique de rangement
Ranger les actions de A entre elles de 1 à n; recherche d’un pré-ordre
si possible total (ou partiel)
4 - Problématique de description
Problème cognitif consistant à connaître le problème au travers des
actions, des critères, des performances,...

Point de vue global sur un problème
d’aide à la décision
Rappel :
Faire des choix en présence de plusieurs critères

généralement contradictoires
➢ Le cours a présenté des méthodes de sélection, de

classement et de tri,
➢ Mais cet aspect est souvent la partie la plus facile :
le problème d’aide à la décision est plus vaste

Schématisation globale
Définir le périmètre de l’étude

• Comprendre l’organisation
• Identifier les acteurs
• Déterminer les finalités
Déterminer les préférences du décideurs

Constituer l’ensemble des actions • Critères
• Mode d’évaluation
• Poids
Ensemble fini
Ensemble non
déterminé
Logique de
conception
Communiquer le résultat

➢ Première étape : Définir le périmètre du problème
✓ Où débute-il ?
✓ Quand est-il fini ?
➢ Les questions à se poser :
✓ Quelle est la finalité ?

✓ Le décideur est-il connu ?
✓ Quelles sont ses préférences ?
✓ Dispose-t-on des alternatives ?

Le décideur est-il connu ?
Cela signifie :
▪ Déterminer l’organisation et les rôles
Qui fait quoi
▪ Identifier le mode de décision

Connaître le processus de prise de décision
▪ Comprendre les objectifs réels de l’aide à la

décision
qui peut dépendre des compétences du décideur

Quelle est la finalité du problème ?
L’objectif de la décision est-il connu ?

▪ Choisir la meilleure solution
▪ Classer les solutions
▪ Éliminer des solutions
▪ Catégoriser des solutions
▪ …

➢ 2ème étape : Quelles sont les préférences du

décideur ?
Déterminer les axes de préférence
▪ Identifier les critères

▪ Le mode d’évaluation des performances
▪ Identifier les poids des critères
▪ (Modéliser les pseudos critères)
➢ Les faire valider par le décideur

➢ 3ème étape : Dispose-t-on des alternatives ?
Si oui, on peut passer à l’étape suivante
Si non, comment les obtenir ?

▪ Phase de conception
pour élaborer de solutions
▪ Développer une logique d’optimisation
pour les sélectionner parmi un ensemble de
possibilités

CM Principal Zakaria VF Mai 2024 - Aide A La Decision

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

CM Principal Zakaria VF Mai 2024 - Aide A La Decision

Transféré par

Droits d'auteur :

Formats disponibles

Spécialité Bâtiments

Module Techniques Opératoires de la Construction

Eléments extraits du cours de

Définir le périmètre de l’étude

Déterminer les préférences du décideurs

G. Sauce Aide à la décision I-3

Eliminer les solutions

G. Sauce Aide à la décision I-4

Eléments extraits du cours de

Répondre à la question : Comment Choisir ?

Dans des situations courantes:

✓ Implantation d’une route, d’un site industriel

G. Sauce Aide à la décision I-6

Répondre à la question : Comment Choisir ?

✓ Avec des critères sont généralement contradictoires

➢ Il faut choisir une alternative :

Répondre à la question : Comment Choisir ?

✓ Avec des critères sont généralement contradictoires

➢ Il faut choisir une alternative :

Aider à résoudre un problème de décision pour lequel

✓ identification progressive d’une « solution »

➢ Acceptée (acceptable) par tous les points de vue

✓ Un compromis et non un optimum au sens de l’optimisation

✓ Cette notion d’optimum au sens du minimum ou du maximum a

G. Sauce Aide à la décision I-9

G. Sauce Aide à la décision I - 10

G. Sauce Aide à la décision I - 11

G. Sauce Aide à la décision I - 13

G. Sauce Aide à la décision I - 14

Min C (X) ou Max C (X) X  D  Rn

X : le vecteur des variables

g et h sont des contraintes

Suivant la forme et la nature mathématique des différents éléments

G. Sauce Aide à la décision I - 16

D = { domaine des solutions admissibles,

Ne pas confondre multicritère et multivariable

G. Sauce Aide à la décision I - 17

Max C1(x1, x2) et Max C2(x1, x2)

Espace des Espace des

Max C1(x1, x2) et Max C2(x1, x2)

Espace des Espace des

Il est généralement impossible d’optimiser

➢ Nouvelle notion d’optimum

G. Sauce Aide à la décision I - 22

Une solution est dite non dominée s’il n’existe

G. Sauce Aide à la décision I - 23

G. Sauce Aide à la décision I - 24

➢ Construire l’ensemble des solutions non dominées

Deux cas sont à distinguer : Pour (a11, a21)

➢ Logique d’optimisation multicritère Préférence → C1

G. Sauce Aide à la décision I - 25

➢ Construire l’ensemble des solutions non dominées

Deux cas sont à distinguer :

➢ Logique de choix multicritère

▪ Parmi un nombre fini de solutions

▪ Les solutions non-dominées plus faciles à obtenir

▪ Méthode de comparaison deux à deux sur tous les critères

G. Sauce Aide à la décision I - 29

➢ Construire l’ensemble des solutions non dominées

➢ Mais le gros problème est :

G. Sauce Aide à la décision I - 31

G. Sauce Aide à la décision I - 34

➢ Matrice des performances ou matrice de décision