MCDMSSP

0
0-0
Décision multicritères
Hélène Fargier, Michel Lemaître

d’après beaucoup d’autres ...
fargier@irit.fr
"Décision Multicritère", 2009-2010, Sup Aéro (SSP)
1
2
1. Introduction
ISAE Décision Multi critères 1. I NTRODUCTION
Quelques problèmes de décision et

d’évaluation
• Choisir le site d’implantation d’une usine, d’un magasin ...
• Engager du personnel.
• Acheter du matériel.
• Évaluer la qualité des fournisseurs.
• Évaluer des projets.
• Choisir une stratégie d’investissement.

4
Modèle unicritère
• Modèle unicritère : Optimiser {g(a), a ∈ A} où g : A 7→ R
• Mathématiquement bien posé :

– Notion de solution optimale;
– Classement complet des actions;
• Économiquement mal posé :

– Un seul critère ?
– seuils de perception, ...
– Exigence de critères numériques
Choix d’une automobile

alternatives
Citroen Peugeot Renault Ford
prix (×1000 ∈) 22 20 21 16
critères consommation 7.1 7.0 7.2 7.8
puissance (kW) 55 65 58 55
type essence gpl gpl diesel
• le nombre fini critères

• le nombre fini d’alternatives
• aucune ne s’impose a priori (n’est meilleure sur tous les
critères)
6
Exemple : choix d’un candidat
alternatives
Durant Dupont Dubois Dubosc
prétentions 53 50 53 45
critères âge 31 25 32 38
expérience 7 2 7 15
compétences moyennes top top forte
Modèle multicritère
• Modèle multicritère : Optimiser

{g1 (a), g2 (a) . . . gn (a), a ∈ A} où gi : A 7→ R
Comment optimiser sur **plusieurs** fonctions ?
Les critères sont
• Souvent contradictoires (puissance et prix)
• Exprimés dans des unités différentes (puissance et prix)
• Difficiles à mesurer quantitativement (type moteur): les

critères qualitatifs ordonnent plutôt que n’évaluent

8
Démarche générale en
décision/optimisation multicritère
• définir l’ensemble des alternatives possibles (les objets sur

lesquels portent la décision : candidats, ordonnancements,
plans), et leurs attributs
• définir les différents points de vue sur lesquels on jugera les

alternatives, établir des préférences sur ces points de vue, les
traduire en critères (de manière ordinale ou cardinale)
Attributs et critères
• Attribut: Caractéristique décrivant chaque objet
(âge, diplôme, résultats aux tests d’aptitude, prétentions)
• Critère : exprime les préférences du décideur relativement

à un point de vue (ex: compétence);
Intègre la structure de préférence du décideur sur ce critère
(minimiser les prétentions, maximiser la compétence)
Tableau des attributs 7→ Tableau des performances
• Généralement (et pour la suite) : attribut ⇆ critère

10
Démarche générale en
décision/optimisation multicritère - cont
• définir l’ensemble des alternatives possibles (les objets sur

lesquels portent la décision : candidats, ordonnancements,
plans), et leurs attributs
• définir les différents points de vue sur lesquels on jugera les
alternatives, établir des préférences sur ces points de vue, les
traduire en critères (de manière ordinale ou cardinale)
• synthétiser une structure de préférence globale sur les alt.
• exploiter cette structure de préférence globale pour décider
(algorithmes, calculs)
11
Problématiques d’aide à la décision MCDM

Données: un ensemble d’alternatives, évaluées ou classées par
des critères
Problèmes:
• Sélection : Choix d’une solution (la meilleure) ou d’un

ensemble de (meilleures) solutions
• Affectation : Tri résultant de l’affectation de chaque

alternative à une catégorie parmi n (préféfinies)
• Classement : ordonner l’ensemble des alternatives

12
Plan
• Introduction
• Principes de base pour la modélisation des préférences
• Agréger puis comparer : les principales approches par

fonction d’agrégation
• Comparer puis agréger : les méthodes de surclassement
• Conclusion
13
Exercice 1
alternatives
prix (×1000 ∈) 22 20 21 16
Avec gpl > essence, diesel; minimiser prix et consommation,
maximiser performance
Quelles sont les meilleures solutions ? Que dire si on ne tient compte
que des critères prix et consommation ?
Représenter les alternatives dans l’espace de ces deux critères.

14
2. Principes de base
ISAE Décision Multi critères 2.P RINCIPES BE BASE
15
2.1 Modélisation des préférences
Dans un problème multicritère, on distingue:

1. Les préférences locales, exprimées par les critères
2. La préférence globale du décideur sur l’ensemble des
alternatives
En général, les préférence locales forment la donnée du
problème,
et on cherche à synthétiser la préférence globale.
Les deux niveaux utilisent les mêmes modèles pour exprimer
les préférences. Attention à ne pas les confondre.
16
Le modèle relationnel
Ce modèle décrit explicitement toutes les comparaisons deux à
deux entre alternatives.
On représente les préférences par une relation sur A: a b
signifiant que a est préféré au sens large à b.
Hypothèse minimale : est doit être réflexive (a est toujours
au moins aussi bon que a).
Le problème de classement: synthétiser un g global à partir

des critères, cad de préférences locales i , i = 1, n.
17
Préférence stricte, indifférence et incomparabilité
définit 3 relations exclusives sur A :
la préférence stricte, notée ≻ : a≻b ⇔ a b ∧ ¬(b a)

l’indifférence, notée ∼ : a∼b ⇔ ab∧ba
l’incomparabilité, notée ≍ : a ≍ b< ⇔ ¬(a b) ∧ ¬(b a)

18
Transitivité
Définition [(Quasi) Transitivité] Une relation R est transitive

⇐⇒def aRb et bRc implique aRc.
Une relation est quasi-transitive ⇐⇒def sa partie stricte est
transitive.
• Les relations d’indifférence ∼ (et donc les relations ) ne

sont pas toujours transitives
• Les relations de préférence stricte ≻ sont généralement
transitives
Par exemple dans la vie courante ?

19
Critères à seuil ou "quasi critères"
Un quasi critère se défini partir d’un attribut g numérique
A maximiser : a b ⇐⇒ g(a) + q ≥ g(b) avec q > 0
i.e. a ≻ b ⇐⇒ g(a) > g(b) + q,

a ∼ b ⇐⇒ |g(a) − g(b)| ≤ q
Attribut à minimiser: a b ⇐⇒ g(a) − q ≤ g(b)

(i.e. a ≻ b quand g(b) − q > g(a))
Ex: pour l’achat voiture, le critère consommation ne fait une
différence qu’à plus de 0.1 litre aux 100.

20
Quasi critères (cont.)
La relation d’indifférence n’est pas transitive en général

Peugeot (7 l) ∼conso Citroen (7.1 l) car 7.1 − 7 ≤ 0.1
Citroen (7.1 l) ∼conso Renault (7.2 l ) car 7.2 − 7.1 ≤ 0.1
Mais Peugeot ≻conso Renault (car 7.2 − 7.0 > 0.1)
La relation de préférence stricte obtenue par un critère à seuil
est toujours transitive.
21
Vote à la majorité
C’est une règle pour synthétiser la préférence globale à partir
des préférences locales ("règle de décision")
a M aj b ⇐⇒ |{i, a i b}| ≥ |{i, b i a}|
Votant 1: a ≻1 b ≻1 c
Exemple: Votant 2: c ≻2 a ≻2 b
Votant 3: b ≻3 c ≻3 a
|{1, 2}| > |{3}| : a ≻M aj b,
|{1, 3}| > |{2}| : b ≻M aj c,
mais |{2, 3}| > |{1}| : c ≻M aj a

22
Complétude
Définition [relation complète)] Une relation est complète

⇐⇒def a b ou b a pour tout a et b.
est complète ⇐⇒ ≍ est vide.
Un critère à seuil définit une préférence locale complète
Le vote à la majorité définit une préférence globale complète
23
La règle d’unanimité
Une règle de décision a minima : a U na b ⇐⇒ ∀i, a i b

prix (×1000 ∈) 22 20 21 16
Peugeot ≻U na Citroen; Peugeot ≻U na Renault.
Ford et Peugeot sont incomparables; Citroen et Renault le sont
aussi.
24
Le modèle ordinal : le préordre complet
Définition [préordre] Un préordre est une relation binaire

réflexive et transitive.
Exercice 2 Montrer que la relation de préférence à l’unanimité est

un préordre (partiel)
Exercice 3 Montrer que si est un préordre, ∼ est une relation

d’équivalence (réflexive, symétrique, transitive) et ≻ une relation
d’ordre (antisymétrique, transitive)
25
Le modèle ordinal : le préordre complet (cont.)
Un préordre défini donc un ordre sur les classes d’équivalence

des ex-æquo possibles.
Un préordre complet définit un ordre total sur les classes
d’équivalence (on peut ranger).
Modèle ordinal ←→ préordre complet sur les alternatives
Un critère ordinal peut être représenté par une fonction
g:A→ N

26
Le modèle cardinal
Définition [critère numérique cardinal] Un critère cardinal est

une fonction g : A → R
Par rapport au modèle ordinal (qui peut aussi être représenté
numériquement), le modèle cardinal permet d’exploiter des
«différences d’intensités» entre préférences. On suppose une
information riche.
Un critère cardinal induit une relation de préférence ordinale:
a b ⇐⇒ g(a) ≥ g(b) (si maximisation)
Exercice 4 Le prouver.
27
Représentation des préférences: en bref

Trois principaux modèles pour exprimer des préférences :
• le modèle relationnel
– modèles acceptant l’incomparabilité : Pareto
dominance, surclassement
– modèles acceptant l’intransitivité: quasicritères,
décision à la majorité
• le modèle ordinal = modèle relationnel + complétude +

transitivité
• le modèle cardinal = information ordinale + intensités

cardinales

28
On fait l’hypothèse simplificatrice que les préférences sont locales

représentées par des critères numériques, ordinaux ou
cardinaux, (à maximiser, par convention)
gi : A 7→ R, i = 1, n
Problème de classement: synthétiser la préférence globale du

décideur (g ) qui en découle.
Problème de sélection: sélectionner une alternative préférée au
sens de g .
29
Hypothèse simplificatrice (cont)

Puisque les préférences locales sont des critères numériques
gi : A 7→ Ri ⊆ R, i = 1, n ...
... à tout a correspond un vecteur hg1 (a), g2 (a), . . . gn (a)i des

valeurs de a sur les critères, qu’on appelle profil de a.
On le note par convention a = ha1 , a2 , . . . , an i, avec ai = gi (a)
... on peut passer de l’espace des alternatives à l’espace des

profils: on travaille maintenant sur A = R1 × · · · × Rn

30
2.2 Quelques principes de base pour une règle de

décision
Le principe d’universalité: pour toute paire a, b ∈ A, on doit
pouvoir décider si a g b ou non.
Le principe d’unanimité: si a est au moins aussi bon que b sur
tous les critères, alors il faut que a g b
31
Pareto-unanimité
Pareto : économiste, première référence historique à la décision
multicritère (1896).
Définition [dominance faible]
a domine faiblement b ⇐⇒def ∀i, ai ≥ bi
Définition [Principe d’unanimité] g satisfait le principe

d’unanimité si et seulement si, si a domine faiblement b alors
a g b.

32

décision
Le principe d’efficacité: a est au moins aussi bon que b sur tous
les critères et meilleur sur certaines (a "domine" b), alors il faut
que a ≻g b
33
Pareto-optimalité et efficacité
Définition [dominance (forte)]
a domine b ⇐⇒def ∀i, ai ≥ bi et ∃i, a >i b
Définition [Principe d’efficacité] : g satisfait le principe
d’efficacité si et seulement si, si a domine b alors a ≻g b.
Définition [Pareto-optimalité] Une alternative a est dite

Pareto-optimale si elle n’est dominée par aucune autre.
Une alternative Pareto-optimale ne peut être améliorée au regard d’un
critère sans la détériorer pour un autre.
Sélection: rechercher uniquement des Pareto optimales

34

décision
Le principe d’efficacité: a est au moins aussi bon que b sur tous
les critères et meilleur sur certaines (a "domine" b), alors il faut
que a ≻g b
Le principe d’indépendance préférentielle (ou "séparabilité"): la
préférence entre a et b ne dépend pas des critères sur lesquels
a et b reçoivent la même évaluation.
35
Principe d’indépendance préférentielle mutuelle

(ou "séparabilité")
Assure que les décisions sont cohérentes "toutes choses égales
par ailleurs"
Définition [] g satisfait le principe de séparabilité ssi, quel que

soit I ⊆ X, quels que soient a, b, c, d ∈ Rn :
aIc g bIc ⇐⇒ aId g bId
où xIy désigne le profil t tel que ti = xi si i ∈ I, ti = yi sinon.
Informellement, la préférence globale entre deux alternatives

ne dépend pas des critères qui ne les départagent pas.

36
Exemple du téléviseur [Vincke]
a b c d
- prix -1000 -800 -1000 -800
critères image 5 4 5 4
son 5 5 3 3
SAV 4 4 5 5
Le principe de séparabilité dit que, si le décideur préfère a à b,

alors il préfère c à d (et réciproquement)
37
Exercices
Exercice 5 Montrer que :
• ≻ est asymétrique : a ≻ b implique non b ≻ a
• ≻ est irréflexive : non a ≻ a
• ∼ est réflexive : a ∼ a
• ∼ est symétrique : a ∼ b implique b ∼ a
• ≍ est irréflexive : non a ≍ a
• ≍ est symétrique : a ≍ b implique b ≍ a

38
Exercice 6 On définit généralement ≻, ∼, ≍ depuis :

a ≻ b ⇐⇒ a b et non b a
a ∼ b ⇐⇒ a b et b a
a ≍ b ⇐⇒ non a b et non b a
On pourrait inversement partir de deux relations exclusives ≻

(asymétrique) et ∼ (réflexive, symétrique) et poser:
a b ⇐⇒def a ≻ b ou a ∼ b
Montrer que définie à partir de ≻ et ∼ est réflexive.
39
Exercice 7 Montrer que toute relation de préférence globale qui est

transitive, séparable et satisfait le principe de projection des échelles:
∀a, b, c, ∀h, ∀i : ai i bi ⇐⇒ ai {i}h bi {i}h
satisfait aussi le principe d’efficacité

40
3. Agrégation multi critère
ISAE Décision Multi critères 3. A GRÉGATION MULTI CRITÈRE
41
3.1 Introduction
Types d’approches
• Agréger puis comparer: calculer une note globale pour

chaque alternative, puis préférer celle qui obtient la
meilleure (ce chapitre)
• Comparaison par paires: établir la préférence entre deux

alternatives en fonction des degrés de surclassement
obtenus sur chaque critère (chapitre suivant)

42
Principe de base
La relation de préférence globale est donnée par un critère

cardinal global h : A → R obtenu par agrégation des critères
numériques par une fonction d’agrégation f : Rn → R.
Le critère cardinal global est défini par
h(a) = f (a1 , . . . , an ).
"Agréger puis comparer" : a g b ⇐⇒ h(a) ≥ h(b)
43
Propriétés des approches par fonction d’agrégation
a g b ⇐⇒ f (a1 , . . . , an ) ≥ f (b1 , . . . , bn )
La relation de préférence globale est forcément un préordre

total.
Le principe d’unanimité exige que f soit monotone croissante.
Le principe d’efficacité exige que f soit monotone strictement
croissante.
Selon les fonctions d’agrégation, les principes d’efficacité et de

séparabilité peuvent être ou non satisfaits

44
3.2 Fonctions d’agrégation additives
n
X
h(a) = ui (ai )
i=1
avec ui monotones strictement croissantes (ui : fcts. d’utilité)
Cas particulier de la combinaison linéaire des critères

(ou «somme pondérée»): ui (ai ) = λi . ai
X
h(a) = λi . ai , λi > 0
i
Exercice 8 Montrer que le maximum d’une fonction d’agrégation

additive correspond à des alternatives Pareto-optimales.
45
Séparabilité
= cohérence des décisions toutes choses égales par ailleurs.
Propriété Les fonctions d’agrégation additives satisfont le

principe de séparabilité.
Exercice 9 Le démontrer
Théorème (Debreu 1960) Si A est connexe, séparable et

ordonné w.r.t. g , alors il existe une fonction d’agrégation
additive représentant la relation g .
Inversement, si g n’est pas séparable, aucune fonction
d’agrégation additive ne peut la représenter.

46
Le cas particulier de la somme pondérée

X
u(a) = wi · ai , wi > 0
i=1,n
Interprétation des poids wi ? un point délicat :

• les poids wi représentent des taux de substitution
entre critères (w1 = bw2 signifie (0, b, ....) ∼ (1, 0, ......)))
plutôt qu’une importance
• véhicule l’idée de compensations possibles entre critères -
(ab) ∼ (a − δ, b + γ) : le gain de γ compense la perde de δ.
• suppose implicitement que tous les critères peuvent
s’exprimer indirectement dans la même unité (euros,
secondes, ...) : pb. de normalisation des échelles
47
Somme pondérée : critique 2)
• Élimine des alternatives Pareto-optimales

qui peuvent être intéressantes car équilibrées et peut donc
favoriser des alternatives extrêmes.
wi a b c
g1 0.5 20 5 12
g2 0.5 5 20 12
Les deux alternatives extrêmes a et b sont considérées

équivalentes, et meilleures que l’alternative équilibrée c.

48
Somme pondérée : critique 3)
• Une faible variation des poids peut entraîner de grandes

conséquences sur la préférence globale.
wi a b c
g1 0.499 20 5 12
g2 0.501 5 20 12
Le jeu de poids h0.499, 0.501i entraîne b ≻ a, mais le jeu

h0.501, 0.499i entraîne a ≻ b.
49
3.3 La fonction min
h(a) = min ui (ai )

i
On cherche à maximiser le critère le moins satisfait.

Contrairement aux agrégations additives, elle est adaptée aux
critères ordinaux comme aux critères cardinaux.
Utilisé plutôt en décision coopérative (ex: des allocations
monétaires aux agents) :maximiser la satisfaction de l’agent le
moins satisfait

50
Séparabilité
L’opérateur min ne distingue pas entre les profils dont les
minimaux sont égaux. Exemple : h4, 2, 3, 2i et h2, 4, 2, 2i sont
indistingués.
Le min ne satisfait pas le principe de séparabilité: h5, 4i ≻ h5, 3i
mais h2, 4i ∼ h2, 3i
Le principe d’efficacité n’est pas respecté non plus : h2, 4i ∼ h2, 3i
51
Un raffinement du min : le leximin
Rattraper le faible pouvoir de décision du min en raffinant

l’ordre qu’il propose.
L’idée est donc d’ôter les paires d’utilités minimum égales
avant de prendre le min, jusqu’à ce qu’ils soient différents.
Ici : h4, 2, 3, 2i : h2, 4, 2, 2i → h4, 3, 2i : h4, 2, 2i → h4, 3i : h4, 2i.

52
Le leximin (2)
Ordre leximin = tris non décroissant des vecteurs,
puis ordre lexicographique (inverse)
Exemples :
h1, 2, 3, 4i =leximin h4, 2, 1, 3i, car h1, 2, 3, 4i ⇐⇒ h1, 2, 3, 4i
h4, 2, 3, 2i ≻leximin h9, 2, 2, 2i, car h2, 2, 3, 4i précède h2, 2, 2, 9i
dans l’ordre lexicographique inverse
L’ordre leximin raffine l’ordre induit par le min :

v ≻min u ⇒ v ≻leximin u
53
3.5 L’intégrale de Choquet
Le principe de séparabilité est loin être respecté lorsque l’on

observe des décideurs en situation
Il est battu en brèche lorsqu’il y a des interactions entre critères

(redondances, oppositions)

54
Un contre exemple à la séparabilité

alternatives = clubs de tennis
critères = équipements: tennis,sauna, hammam, tir à l’arc
Critères
sauna hammam arc tennis
Cat non non OUI oui
Alternatives Cht non OUI non oui
Cats oui non OUI oui
Chts oui OUI non oui
La plupart des gens préfèrent Cht à Cat , mais Cats à Chts . La

séparabilité n’est pas respectée
55
Mesure floue
Il faut exprimer explicitement l’importance des combinaisons
de critères.
Définition [Mesure floue] Une mesure floue sur X est une
fonction µ : 2X → [0, 1], avec
• µ(X) = 1,
• µ(∅) = 0,
• S ⊆ T =⇒ µ(S) ≤ µ(T )(monotonie)
(étend la notion de poids à un sous-ensemble de critères)

56
Mesure floue (cont.)

Sur l’exemple:
µ({ten.}) = 0.6, µ({ten.} ∪ A) = 0.6 + µ(A) (A t.q. ten. ∈

/ A)
µ({arc}) = 0.1, µ({arc} ∪ A) = 0.1 + µ(A) (A t.q. arc ∈
/ A)
µ({sauna}) = 0.25, µ({sauna, ham.}) = 0.3
µ({ham.}) = 0.25
Donc, µ({sauna, arc}) = 0.35 alors que µ({sauna, ham.}) = 0.3,
et ce bien que "arc" soit un critère bien moins prioritaire que
"hammam"
57
Extension de la somme pondérée aux critères

dependants : Intégrale de Choquet
Comment calculer une utilité agreggée à partir d’une fonction d’utilité u et

d’une capacité µ sur les critères ? Retournons d’abord sur le cas de la
somme pondérée
Ex: 3 critères, hyp. (non restrictive) : u(a3 ) ≥ u(a2 ) ≥ u(a1 ))
h(a) = u(a3 ).w3 + u(a2 ).w2 + u(a1 ).w1
h(a) = u(a1 ) . (w3 + w2 + w1 )
+ (u(a2 ) − u(a1 ))) . (w3 + w2 )
+ (u(a3 ) − u(a2 )) . (w3 )

58
Extension de la somme pondérée aux critères

dependants : Intégrale de Choquet
Pour une capacité µ additive (µ(A) = Σi∈A µ({i})):

Maximiser Σj=m...1 (λj − λj−1 ) . µ(Aλj )
Avec L = λm > · · · > λ1 et Aλj = {i, u(ai ) ≥ λj }
Pour une capacité quelconque µ

P
Maximiser Ch((a1 , . . . , an ))µ = j=m...1 (λj − λj−1 ) . µ(Aλj )
59
L’intégrale de Choquet
Scruter la décision par niveau de satisfaction λi , croissant.

• Au niveau de satisfaction de plus bas (λ1 ) : soutien de
A1 = S - force µ(S) = 1
• Pour chaque increment d’utilité λi − λi−1 , i = 2, m, soutien :
Aλi = {j, u(aj ) ≥ λi },
Utilité pondérée pour l’increment λi − λi−1 :
(λi − λi−1 ) · µ(Aλi )
A sommer sur tous les increments de satisfaction:
Ch((a1 , . . . , an ))µ = λ1 . µ(A1 ) + Σi=2,m (λi − λi−1 ) . µ(Aλi )
Pour retrouver les moyenne pondérées, poser µ(A) = Σj∈A µ({j})

60
L’intégrale de Choquet (cont.)
Avec λ1 = non (u(non) = 0) et λ2 = oui (u(oui) = 1)
Cµ (Cat ) = 0 × µ({ham., ten., sauna, arc}) + (1 − 0) × µ({arc, ten.})

= µ({arc, ten.}) = 0.7
Cµ (Cht ) = 0 × µ({ham., ten., sauna, arc}) + (1 − 0) × µ({ham., ten.})
= µ({ham., ten.}) = 0.85
Cµ (Cats ) = 0 × µ({ham., ten., sauna, arc}) + (1 − 0) × µ({arc, ten., sauna})
= µ({arc, ten., sauna}) = 0.95
Cµ (Chts ) = 0 × µ({ham., ten., sauna, arc}) + (1 − 0) × µ({ham, ten., sauna}
= µ({ham, ten., sauna}) = 0.9
61
L’intégrale de Choquet (cont.)
Le min est une intégrale de Choquet particulière
Exercice 10 Le montrer
Plus généralement, on peut montrer que les moyennes

pondérées ordonnées sont des intégrales de Choquet
particulières.
En fait, les intégrales de Choquet recouvrent toute une gamme
de compromis entre le min et le max, en passant par les
moyennes pondérées et la médiane.

62
3.6 Utilisation des approches agregatives –

théorie de l’utilité multi attribut
On ne connait pas au départ les critères du décideur, mais

simplement l’espace des vecteurs d’attributs A = A1 × · · · × An .
Le décideur ne peut pas exprimer toute sa relation de
préférence sur A.
Le problème: Essayer, en fonction des propriétés souhaitées de
la règle de décision et d’exemples de deviner et calibrer la règle
de décision ("Théorie du Mesurage Conjoint"). Puis l’utiliser en
situation de décision.
63
L’utilité multiattribut
C’est LE modèle standard, traditionnel, appelé aussi modèle dit

de « l’école américaine ». Ref: R. L. Keeney and H. Raiffa, 1976:
Decisions with Multiple Objectives: Preferences and Value Tradeoffs.
Hypothèse fondamentale : La relation de préférence globale
g est un préordre total, donc
il existe un critère global u : A → R, («fonction d’utilité globale»)
avec
a b ⇐⇒ u(a) ≥ u(b)
Cette relation est pré-existante mais cachée. Le rôle d’une

méthode d’aide à la décision est de révéler cette relation.
64
L’utilité multiattribut (cont.)

Autres hypothèses :
• les préférences sur les points de vue s’expriment par des

attributs numériques («utilités») g1 , g2 , . . . , gn
• l’utilité globale ne dépend que des critères, est donnée par

une fonction d’agrégation :
u(a) = f (a1 , a2 , . . . , an ) avec ai = gi (a).
65
L’utilité multiattribut – cas séparable

Lorsqu’on admet la séparabilité des critères, on se tourne
(quasi) forcément vers un modèle additif (Debreu)
u(a) = i=1,n ui (ai ) avec ui monotones strictement
P
croissantes
La question essentielle reste donc de trouver les ui .
Principales voies :
1. «apprentissage» des ui par points à partir d’une base

d’alternatives évaluées sur tous les critères et classées
globalement. Dans cette voie : méthode UTA, logiciel
UTA+
2. recherche de courbes iso-préférence.

66
Cas non séparable

Lorsque
• la propriété de séparabilité n’est pas vérifiée
• on cherche à exprimer des synergies entre critères
Se tourner plutôt vers des fonction d’agrégation non additives :
• des fonctions simples comme

u(a) = [u1 (a1 ) + u2 (a2 )] · u3 (a3 )
• les moyennes pondérées ordonnées (OWA)
• les intégrales de Choquet
A paramétrer correctement (éliciter les poids ou plus

généralement la mesure floue .....)
67
Exercice 11 Montrer que l’ordre leximin est un préordre complet et

respecte le principe d’efficacité.
Exercice 12 Imaginez un exemple réaliste d’une situation de

décision multicritère pour laquelle la propriété de séparabilité des
critères n’est pas vérifiée.
1. Donnez pour votre exemple (1) le tableau alternatives / critères

habituel, (2) les préférences globales du décideur sur les
alternatives, et montrez pourquoi la propriété n’est pas vérifiée.
2. Quelle conséquence majeure cela a-t-il sur l’expression de

relation de préférence globale du décideur ?
3. Sur votre exemple, imaginez une fonction d’utilité globale,

agrégeant les critères, capable d’exprimer les préférences globales.

68
Exercice 13 (préférence globale lexicographique) On se donne

un ordre total (un classement sans ex-aequos) sur les critères,
représentant leur importance.
Soit deux alternatives a et b. Si on peut décider laquelle est la
meilleure au regard du premier critère seul (le plus important), alors
on ne tient pas compte des autres. Sinon, c’est que ces alternatives
sont indiscernables au regard du premier critère. On cherche alors à
trancher entre celles-ci à l’aide du second critère, ... et ainsi de suite.
Questions :
1) exprimer formellement la relation de préférence globale.
2) est-ce bien un préordre complet ? est t il séparable ? efficace ?
3) On supposera que les domaines des critères sont finis. Élaborer un
critère cardinal global représentant la relation de préférence globale.
69
4. Méthodes de
surclassement
ISAE Décision Multi critères 4. M ÉTHODES DE SURCLASSEMENT

70
4.1 Introduction
L’approche par fonctions d’agrégation “procède par réduction

d’une logique multicritère au cas monocritère, au prix d’hypothèses
extrêmement restrictives”
Dans le monde réel
• les critères ne sont pas séparables
• les échelles des différents critères ne sont pas
commensurables (unité commune ?)
• l’indifférence n’est pas transitive
• l’indifférence (on peut choisir au hasard) est différente de
l’incomparabilité (incapacité à choisir si critères en conflit)
71
Résumé de la démarche
Contrairement au modèle traditionnel, on ne présuppose pas

qu’une relation de préférence sur les décisions soit totale, ni
transitive, ni même qu’elle pré-existe.
L’aide à la décision multicritère est plutôt considérée comme
un processus d’élaboration d’une structure de préférences.
Recherche d’un compromis entre
• la relation de dominance au sens de Pareto, jugée trop
pauvre,
• et une relation d’ordre total découlant d’une agrégation
jugée trop arbitraire et réductrice (finalement, c’est du
monocritère).
72
Exemple: la méthode interactive "STEM"

Aider l’utilisateur à se déplacer dans l’espace des alternatives.
Par exemple, optimiser sur deux critères =
• 1. Optimiser sur le premier, puis sur le second (ex:

maximiser h(a) = γg1 (a) + g2(a) avec γ grand)
• 2. Demander à l’utilisateur de combien il peut en rabattre

sur C1 : poser une contrainte g1 (a) ≥ α sur C1 et optimiser
sur C2
• 3,4,5,... : On recommence : Demander à l’utilisateur de

combien il peut en rabattre sur C2 et optimiser sur C1, etc.
73
Méthodes de surclassement (outranking)

Une méthode de surclassement cherche à établir et explorer
une relation de surclassement.
aSb ⇐⇒def il existe suffisamment d’arguments pour admettre
que a est au moins aussi bonne que b, sans qu’il y ait de raison
importante de refuser cette affirmation.
Deux étapes :
• la construction de la relation de surclassement (pas

forcement transitive ni quasi transitive)
• son exploitation: en extraire un "noyau" de bonnes

alternatives

74
4.2 Construction d’une relation de

surclassement
La démarche : on compare (phase 1) puis on agrège (phase 2)
Phase 1 : les alternatives sont comparées par paires (a, b),

Pour chaque critère i, une fonction φi : R × R → R, établit le
degré de surclassement de a sur b:
→ On obtient n indices φi (ai , bi )
75
Construction d’une relation de surclassement

(cont.)
Phase 1 → n indices φi (ai , bi )
Phase 2 : on agrège les résultats des comparaisons

par une fonction ψ : Rn → R
ce qui décide de la préférence globale :

aSb ⇐⇒ ψ φ1 a1 , b1 , . . . , φn an , bn ≥0
En général cela donne une relation de préférence globale qui

n’est pas un préordre complet, donc pouvant être difficile à
exploiter.
76
Exemple: surclassement à la majorité

Exemple très simple (majorité relative, méthode de Condorcet)
φi (x, y) = 1 si x >i y,
φi (x, y) = 0 si x =i y,
φi (x, y) = −1 si x <i y.
ψ= .
P
Autrement dit : aSb (i.e. Σi φ(ai , bi ) ≥ 0) si une majorité de

critères (votants) préfèrent a à b.
Exercice 14 Construire, selon cette méthode, un exemple pour lequel

la relation de préférence n’est pas transitive (paradoxe de Condorcet).
77
4.3 Exploitation de la relation de

surclassement
On fait correspondre à S un graphe sur A.

On cherche un sous-ensemble N d’alternatives incomparables
entre elles et tel que toute alternative qui n’est pas dans N est
surclassée par au moins une alternative de N ; formellement :
∀b ∈ A − N , ∃a ∈ N : aSb
∀a, b ∈ N : ¬aSb
L’ensemble N s’appelle le noyau du graphe. Il représente un
ensemble d’alternatives «intéressantes» parmi lesquelles le ou
les décideurs devraient faire leur choix.
78
Détermination du noyau
Tout graphe sans circuit admet un noyau unique.
Un graphe avec circuits admet 0, 1 ou plusieurs noyaux.
Le problème général de décider si un graphe possède un noyau

de moins de k nœuds est NP-complet (dc on ne connaît pas
d’autres algorithmes que croissant exponentiellelement avec la
taille des données).
Ce problème n’admet pas d’algorithme d’approximation
polynômial.
79
4.4 Un exemple historique :

la méthode ELECTRE I
(Roy, 1968), la plus ancienne mais bien représentative.

80
ELECTRE I : définition de la relation de

surclassement
• on attribue à chaque critère gi un seuil d’indifférence βi et
un poids pi reflétant son importance (avec i pi = 1)
P
• matrice de concordance : on calcule pour chaque paire

d’alternatives (a, b) le nombre
X
c(a, b) = pi
i:ai +βi ≥bi
Le nombre c(a, b) est un réel entre 0 et 1 ; il résume « la

force des arguments qui ne s’opposent pas à aSb », par une
sorte de vote pondéré.
81
ELECTRE I : définition de la relation de veto
• on attribue à chaque critère gi un seuil de veto vi
• matrice de veto : on calcule pour chaque paire d’alternatives

(a, b) le nombre
d(a, b) = 1 si ∃i, bi > ai + vi , d(a, b) = 0 sinon
d(a, b) = 1 ⇐⇒ veto sur la préférence aSb car b est bien

meilleur que a sur un critère au moins i

82
ELECTRE I : définition de la relation de

surclassement
Finalement:
• on se fixe un seuil de concordance µ avec 0 < µ ≤ 1
• on définit
aSµ b ⇐⇒def c(a, b) ≥ µ et d(a, b) 6= 1
Exercice 15 Exprimer la relation de surclassement de la méthode

ELECTRE I dans le modèle général des relations de surclassement.
83
ELECTRE Is : définition du Noyau et +

Tout graphe sans circuit admet un noyau unique.
Idée : supprimer les cycles dans S en condensant les classes
d’équivalence et supprimant des arêtes (selon une matrice de
robustesse)
→ En général on revient ensuite à la phase 1 et on essaie

d’autres seuils de concordance, voire d’autres poids (analyse de
sensibilité), afin de conforter les opinions.
Logiciels associés → bureau d’étude.

84
Autres méthodes ELECTRE
• ELECTRE-1, ELECTRE-1S → choix d’une ou de quelques

alternatives
• ELECTRE-TRI → tri (dans des classes prédéfinies)
• ELECTRE III et IV → rangement (préordre)
85
Exercices
Exercice 16 Soit la propriété de monotonie suivante :

∀a, b :
∃j : gj (a) ≥ gj (b) et ∀i 6= j : gi (a) = gi (b) implique aSb

Quelles exigences sur les ψ et φi peuvent traduire cette hypothèse ?

86
Exercice 17 Un cabinet de recrutement fait subir 3 tests aux 6

candidats à un poste. Ces tests concernent les points de vue suivants:
l’évaluation des compétences (critère g1 ), la culture générale (critère
g2 ) et la motivation (critère g3 ). Chaque test est noté sur une échelle
de 0 à 20. Les résultats sont les suivants
candidats
A B C D E F
g1 16 10 18 18 16 6
critères g2 14 18 12 4 10 14
g3 16 12 6 20 12 18
On considère que le critère de compétence est primordial (poids relatif
0.6), le critère de motivation deux fois moins important (poids relatif
0.3) et le critère de culture générale secondaire (poids relatif 0.1).
87
• Quels sont les alternatives pareto efficaces

• Quelles seraient les meilleurs candidats au sens de la somme
pondérée
candidats
A B C D E F
g1 16 10 18 18 16 6
critères g2 14 18 12 4 10 14
g3 16 12 6 20 12 18
Compétence: 0.6; motivation : 0.3 ; culture générale : 0.1.
• Etablir la matrice de concordance (pour chacun des critères, on
prend un seuil d’indifférence egal à 3) et la matrice de véto (seuil
de véto égal à 9). On rappelle que c(a, b) = Σj:aj +qj ≥bj pj et
88
d(a, b) = 1 si ∃j, aj + vj < bj , d(a, b) = 0 sinon.
• Etablir la relation de surclassement pour un seuil µ1

correspondant aux conditions les plus sévères. Extraire le noyau.
• Déterminer un ou deux autres seuil(s) offrant une relation plus

riche sans pour autant introduire de cycle. Quel serait d’après
cette analyse le meilleur candidat ?
• Comparer les resultats obtenus par les deux méthodes (somme

pondérée et surclassement)
89
5. Conclusion: l’optimisation
multicritère en pratique
ISAE Décision Multi critères 5. C ONCLUSION : L’ OPTIMISATION MULTICRITÈRE EN PRATIQUE

90
L’optimisation multicritère en pratique
Problématiques essentielles:
• Quelles sont les propriétés souhaitables/intéressantes de la

relation de préférence globale ?
→ monotonie, séparabilité des critères, complétude,
transitivité, compensation possibles entre critères
• Lorsque c’est possible (hypothèses fortes) se tourner vers

un approche agrégative:
→ Quelle est la «bonne» fonction d’agrégation ?
→ comment la paramétrer (ex: utilité multi attribut) ?
91
Le modèle additif ou non ?

Le modèle additif fait des hypothèses fortes : complétude,
commensurabilité donc compensations possibles entre points de
vue, séparabilité, transitivité
Il convient bien pour les applications de type
• technique (critères quantitatifs mesurables objectivement)
• répétitif dans le temps
Les modèles non additifs : pour prendre en compte des

interactions entre critères (synergies, non-séparabilité), la non
commensurabilité, l’ordinalité des évaluations

92
Approches constructives
Approches constructives: "fonder progressivement une conviction
plutôt que de révéler un optimum ou une préférence pré-existante”
On ne présuppose pas qu’une relation de préférence sur les
décisions soit totale, ni transitive, ni même qu’elle pré-existe.
L’aide à la décision multicritère est plutôt considérée comme
un processus d’élaboration d’une structure de préférences.
93
Optimiser sur un espace combinatoire
• Approches agregatives simples (critères indépendants)

→ Programmation par contraintes, contraintes valuées
• Critères dépendants: Choquet en programmation par

contraintes (ça commence)
• Méthodes de surclassement: plus dur, il faut comparer un

nombre exponentiel de paires
→ Mais on peut toutefois garder l’aspect interactif (ex:
STEM)

Décision Multicritère — Exercices corrigés
3ème année ISAE
Hélène Fargier
2009-2010
1 Choix d’une automobile

On considere le problème de choix d’une automobile suivant :
alternatives
prix (×1000 ∈) 22 20 21 16
critères consommation 7.1 7.0 7.2 7.8
Avec gpl > essence, diesel ; minimiser prix et consommation, maximiser performance
Quelles sont les meilleures solutions ? Que dire si on ne tient compte que des critères prix et consom-
mation ?
Représenter les alternatives dans l’espace de ces deux critères.
Si l’on compare les alternatives sur les 4 critères : Peugeot domine Renault (consomption plus faible,
plus puissante et moins cher pour le même type de moteur). Elle domine également Citroen. En revanche,
elle ne domine pas Ford. Ford ne domine ni n’est dominée par aucune autre alternative. Peugeot et Ford
sont appelées décisions efficaces ou Pareto-optimales. Ce sont les deux meilleures solutions
Même résultat si l’on ne prend en compte que les critères consommation et prix :
C et R sont dominées par P (moins bonnes sur les deux critères. Elles peuvent donc être rejetées a
priori.
2 Préférence à l’unanimité
Montrer que la relation de préférence à l’unanimité est un préordre (partiel)
On montre facilement à partir de sa définition que la relation de préférence globale à l’unanimité que
la réflexivité des préférences locales ( ∀i, ai i ai ) entraı̂ne celle de la relation globale.
Pour la transitivité, on suppose que a U na b et b U na c, i.e. par définition, ∀i, ai U na bi et
∀i, bi U na ci . Donc ∀i, ai U na bi et bi U na ci . Par transitivité des i , cela donne ∀i, ai i ci . Donc
∀i, a U na c. a U na est transitive.
Reflexive et transitive, U na est un préordre.
Il est partiel (pas complet) : on peut exhiber un cas d’incomparabilité, e.g. sur l’exemple du choix
d’automobiles.
3 Décompositions d’un préordre

Montrer que si est un préordre, ∼ est une relation d’équivalence (réflexive, symétrique, transitive)
et ≻ une relation d’ordre (antisymétrique, transitive)
– ∼ est réflexive parce que l’est.

– ∼ est symétrique : supposons a ∼ b. Par définition on a a betb a ce qui est aussi la définition
de b ∼ a.
1
– ∼ est transitive : a ∼ b et b ∼ c s’écrit a b et b c et b a et c b. Par transitivité de , cela
donne a c et c a donc a ∼ c.
– ≻ est irréflexive : a ≻ a est par définition a aetnona a ce qui est impossible. Donc non(a ≻ a).
– ≻ est transitive : supposons a ≻ b et b ≻ c. On a donc les assertions suivantes : a b, non(b a),
b c, non(c b). De là nous tirons que a c par transitivité de .
Pour montrer maintenant que non(c a), supposons que cela soit : c a. Par transitivité de ,
avec a b, nous tirons c b, ce qui est en contradiction avec non(c b). Donc on a non(c a).
Mais nous avions montré a c, ce qui, avec non(c a), s’écrit a ≻ c et termine la démonstration.
– Supposons a ≻ b. On doit montrer que ≻ est asymétrique, c’est-à-dire non(b ≻ a). Supposons que
cela soit, c’est-à-dire b ≻ a. Par la transitivité on tire a ≻ a, en contradiction avec l’irréflexibilité
démontrée plus haut. G est donc asymétrique.
4 Relation de préférence induite par un critère numérique

Montrer qu’un critère cardinal induit une relation de préférence ordinale : a b ⇐⇒ g(a) ≥ g(b) (si
maximisation)
On pose a b ≡ g(a) ≥ g(b)

et on montre les propriétés de ainsi définie :
– ≍ est vide :
Évident : on a soit g(a) > g(b) soit g(b) > g(a), soit g(a) = g(b), et jamais impossibilité de comparer.
– est complete (ou complète) : a b ou b a pour tout aetb ∈ A
parce que ≍ est vide
– ∼ et ≻ sont transitives :
Évident : par transitivité de > et =
et donc
– =≻ ∪ ∼ est réflexive et transitive (c’est un préordre)
est reflexive parce que ∼ l’est.
est transitive parce que ∼ et ≻ le sont.
5 Décomposition d’une relation de préférence quelconque

Soit une relation de préférence. Montrer que :
– ≻ est asymétrique : a ≻ b implique non b ≻ a
– ≻ est irréflexive : non a ≻ a
– ∼ est réflexive : a ∼ a
– ∼ est symétrique : a ∼ b implique b ∼ a
– ≍ est irréflexive : non a ≍ a
– ≍ est symétrique : a ≍ b implique b ≍ a
Trivial a partir des définitions
6 Définition d’une relation à partir de ses parties stricte et as-

symétrique
On définit généralement ≻, ∼, ≍ depuis :
a ≻ b ≡ a b et non b a
a ∼ b ≡ a b et b a
a ≍ b ≡ non a b et non b a
On pourrait inversement partir de deux relations exclusives ≻ (asymétrique) et ∼ (réflexive, symétrique)

et poser :
ab≡a≻b
mbox ou a ∼ b
Montrer que définie à partir de ≻ et ∼ est réflexive.
2
Évident : a ∼ a donc a a
7 Relation de préférence à l’unanimité

Montrer que toute relation de préférence globale qui est transitive, séparable et satisfait le principe de
projection des échelles :
∀a, b, c, ∀h, ∀i : ai i bi ⇐⇒ ai {i}h bi {i}h
satisfait aussi le principe d’efficacité
Se démontre par récurrence sur le nombre de critères où ai ≻i bi .
Cas 1 : Si pour tous les critères sauf un, aj = bj (sur ces critères, les deux vecteurs sont iden-
tiques), et que sur le dernier critère, disons i, ai ≻i bi . Le principe de projection des échelles assure que
ai {i}h ≻ bi {i}h, en posant h = a = b, cela donne ai {i}a ≻ bi {i}b, i.e. a ≻ b.
Cas m + 1 : Supposons que , quels que soient a et b, si sur tous critères sauf m, aj = bj et que sur les
m autres critères ai ≻i bi , alors a ≻ b.
On choisit maintenant a et b tels que, sur tous critères sauf m + 1, aj = bj et que sur les m + 1 autres
critères ai ≻i bi . On note j l’un des critères où ai ≻i bi . Par récurrence, a{j}a ≻ a{j}b et à cause du
principe de projection a{j}b ≻ b{j}b. Par transitivité, a{j}a ≻ b{j}b, i.e. a ≻ b
8 Aggrégation additive et Pareto optimalité

Montrer que le maximum d’une fonction d’agrégation additive correspond à des alternatives Pareto-
optimales.
Pn
Rappel : une fonction d’agrégation additive est de la forme h(a) = i=1 fi (ai ) où les fi sont des
fonctions monotones strictement croissantes.
Soit a∗ une alternative maximisant sur A la fonction h(a), et supposons que cette alternative ne soit
pas Pareto optimale. Il existe donc une alternative a′ qui la domine, et donc :
∀i : a′i ≥ a∗i , et ∃i : a′i > a∗i
Utilisons maintenant le fait que les fonctions fi sont monotones strictement croissantes par définition :
∀i : fi (a′i ) ≥ fi (a∗i ), et ∃i : fi (a′i ) > fi (a∗i )
et donc
n
X n
X
fi (a′i ) > fi (a∗i ),
i=1 i=1
∗
d’où une contradiction puisque a ne maximiserait pas h(a).
9 Séparabilité des méthodes d’agrégation additives

Montrer que les relations de préférence définies par de es fonctions d’agrégation additives satisfont le
principe de séparabilité.
Soient a, b, c trois alternatives et V un ensemble de critères tels que aV c bV c au sens d’une agrégation
additive, i.e. Σi∈V f i(ai ) + Σi∈V / f i(ci ) ≥ Σi∈V f i(bi ) + Σi∈V / f i(ci ). Ceci est logiquement équivalent à
Σi∈V f i(ai ) ≥ Σi∈V f i(bi ), cette dernière inégalité étant elle même équivalente à Σi∈V f i(ai )+Σi∈V
/ f i(di ) ≥
Σi∈V f i(bi ) + Σi∈V
/ f i(d i ), quel que soit l’alternative d. Donc aV c bV c est logiquement équivalent à
aV d bV d.
3
10 Le min comme intégrale de Choquet
Montrer que le min est une intégrale de Choquet particulière
Pour exprimer le min par une intégrale de Choquet, on pose µ(S) = 1, µ(A) = 0∀A 6= S.
Pour exprimer un OWA quelconque par une intégrale de Choquet, poser µ(A) = Σi=n−Card(A)+1,n wi
Voir : M. Grabisch, On equivalence classes of fuzzy connectives : The case of fuzzy integrals. IEEE
Transactions on Fuzzy Systems 3 1 (1995), pages 96 à 109.
11 Le leximin et le principe d’efficacité

Montrer que l’ordre leximin est un préordre complet et respecte le principe d’efficacité.
L’ordre leximin est complet car on peut toujours comparer lexicographiquement (ordre du diction-
naire) deux vecteurs. Il est réflexif car l’ordre lexicographique sur les vecteurs est réflexif.
Supposons que a leximin b et b leximin c.
Si on a deux indifférences, c’est que les trois vecteurs sont identiques à une permutation près ; une fois
rangés ils sont donc équivalent pour l’ordre lexicographique. Donc ils sont équivalents pour le leximin.
Si a ≻leximin b et b ≻leximin c, cela signifie que, jusqu’à une composante i∗ les vecteurs classes
correspondant à a et à b, notés a′ et b′ sont identiques, et qu’en i∗ , a′i∗ > b′i∗ . De la même façon, jusqu’à
une composante j ∗ les vecteurs classes correspondant à b et à c, sont identiques, et qu’en j ∗ , b′j ∗ > b′j ∗ .
Soit k ∗ = min(i∗ , j ∗ ). Jusqu’en k ∗ , les trois vecteurs classés sont identiques ; en k ∗ , soit a′k∗ > b′k∗ et
′
bk∗ = ck∗ , soit a′k∗ = b′k∗ et b′k∗ > ck∗ . Donc en k ∗ a′k∗ > ck∗ . Les vecteurs classes a′ et c′ étant identiques
jusqu’en k ∗ , avec de plus a′k∗ > ck∗ , on a par définition a ≻leximin c.
Pour prouver le principe d’efficacité, prenons a et b tels que a domine b au sens de Pareto (sens fort).
a ∼leximin b est impossible car les deux vecteurs classes sont différent du fait de la dominance. Considérons
les deux vecteurs classés, et supposons que b ≻leximin a. Cela signifie qu’il existe une composante des
vecteurs classés tels que a′i < b′i et ∀j < i, a′j = b′j .
Soit k le critère qui fournit a′i ; sur ce critère, ak ≥ bk , puisque a domine b au sens de Pareto par
hypothèse . Ce critère bk ne peut pas apparaitre dans les vecteur classé b′ après le rang i car toutes les
notes a partir du rang i sont supérieurs ou égales à b′i et b′i > a′i = ak .
On fait le même raisonnement pour tous les critères qui fournissent les a′j , j < i : aucun d’entre deux
ne peut pas apparaitre dans les vecteur classé b′ après le rang i.
Soient donc i + 1 notes a apparaı̂tre avant le rang i, ce qui est impossible.
12 Un contre exemple à la séparabilité

Imaginez un exemple réaliste d’une situation de décision multicritère pour laquelle la propriété de
séparabilité des critères n’est pas vérifiée.
1. Donnez pour votre exemple (1) le tableau alternatives / critères habituel, (2) les préférences globales
du décideur sur les alternatives, et montrez pourquoi la propriété n’est pas vérifiée.
2. Quelle conséquence majeure cela a-t-il sur l’expression de relation de préférence globale du décideur ?
3. Sur votre exemple, imaginez une fonction d’utilité globale, agrégeant les critères, capable d’exprimer
les préférences globales.
On compare 4 types d’automobiles selon 3 critères : prix (en kE), consommation (en l/100 km), confort
(noté sur 20).
alternatives
a b c d
g1 consommation -10 -9 -10 -9
critères g2 confort 15 13 15 13
g3 prix -10 -10 -30 -30
g -35 -34 -40 -43
On suppose que les préférences globales du décideur sont d ≺ c ≺ a ≺ b. Le décideur préfère b à a

(lorsque le prix est faible, il privilégie la consommation au confort), mais il préfère c à d (lorsque le prix
est élevé, il privilégie le confort à la consommation).
4
La conséquence importante de la non-séparabilité est que la préférence globale ne peut pas être
représentée par une fonction d’utilité qui soit une fonction d’agrégation additive sur les critères.
Pour aller au plus simple, on va utiliser un critère global h le critère global défini par test sur le
critère coût (on aurait pu alternativement construire une intégrale de Choquet) :
– si g3 < −20 : h = g1 + 2g2 + 2g3
– si g3 ≥ −20 : h = 3g1 + g2 + 2g3 .
Les valeurs de g sont représentées dans le tableau ci-dessus. Elles permettent de représenter les préférences
globales : (x ≺ y) ≡ (h(x) < h(y))
13 Préférence globale lexicographique

On se donne un ordre total (un classement sans ex-aequos) sur les critères, représentant leur impor-
tance.
Soit deux alternatives a et b. Si on peut décider laquelle est la meilleure au regard du premier critère
seul (le plus important), alors on ne tient pas compte des autres. Sinon, c’est que ces alternatives sont
indiscernables au regard du premier critère. On cherche alors à trancher entre celles-ci à l’aide du second
critère, ... et ainsi de suite.
Questions :
1) exprimer formellement la relation de préférence globale.
2) est-ce bien un préordre complet ? est t il séparable ? efficace ?
3) On supposera que les domaines des critères sont finis. Élaborer un critère cardinal global représentant
la relation de préférence globale.
On classe les critères du moins important (petit indices) au plus important (gros indices).
1) exprimer formellement la relation de préférence globale.
– a ≻ b ssi existe un critère j tel que aj > bj et si ak = bk pour tous les critères k plus importants
que j, i.e. pour tout k > j.
– a ∼ b ssi ak = bk pour tout k.
– comme =≻ ∪ ∼.
2) est-ce bien un préordre complet ?

– complete, forcément : si deux alternatives ont les même évaluations sur tous les critères, elle sont
jugées indifférente. Sinon, on considère le plus important des critères où les notes diffèrent, et là ce
critère impose sa préférence stricte.
– réflexif évident aussi car a ∼ a pour tout a, par définition
– transitif : ∼ est transitif, elle correspond à l’identité des vecteurs. Soient a, b, c tel que a ≻ b et
b ≻ c. Soit k le plus important des critères sur lesquels soient a diffère de b, soit b diffère de a. Sur
tous les critères plus importants, ai = bi = ci . En k, on a soit ak >k bk et bk ≥k ck , soit ak ≥k bk et
bk >k ck ; dans les deux cas, par transitivité des préférences locale, ak > ck . Puisque ai = ci ∀i > k
et ak > ck la definition induit a ≻ c. Donc ≻ est transitive. Puisque la relation est complète et que
ses deux composantes ∼ et ≻ sont transitives, elle est transitive.
3) élaborer un critère numérique global représentant la relation de préférence globale

On va chercher à encoder la relation de préférence globale par une somme pondérée.
h(a) = Σi ai . pi
Pour y parvenir, il faut que les niveaux de préférence sur chaque critère soient en nombre fini. Sup-
posons qu’on s’y ramène, avec par exemple N + 1 niveaux par critère, par exemple entre 0 et N (ceci se
fait sans perte de généralité). Soit n le nombre de critères.
Le cas le moins favorable pour une préférence lexicographique a ≻ b est quand, sur le critère décisif
k, ak − bk = 1 et que sur tous les critères moins important que k, b est excellent (note N ) et a mauvais
(note 0).
La traduction de a ≻ b par une somme pondérée exige que :
Σi>k ai . pi + ak . pk + 0 > Σi>k bi . pi + bk . pk + Σi<k N.pi

ce qui est équivalent à
5
ak . pk + 0 > +bk . pk + Σi<k N.pi
Une condition suffisante pour que cette in équation soit vérifiée est
ak . pk + 0 > +bk . pk + (n − 1)N.pk−1 ∀k
Soit (ak − bk ) . pk > (n − 1)N.pk−1 ∀k, i.e. pk > (n − 1)N.pk−1

Il suffit alors que choisir les poids pk de manière à respecter cette inéquation. Par exemple pk = nk .N k
. En effet nk N k > (n − 1).N.nk−1 .N k−1 , puisque n ≥ 1.
La somme pondérée choisie est donc celle où pour tout critère i, pi = ni N i (ou pi = M 2i avec
M = max(n, N )), les indices de critères devant être d’autant plus forts que le critère est important.
En toute rigueur, il faut maintenant prouver que a est meilleur que b au sens lexicographique ssi a
est meilleur que b au sens de cette somme pondérée. Il est évident que si a est indifferent à b au sens
lexicographique, c’est qu’il a les même évaluations sur tous les critères et que donc il reçoit la même note
au sens de la somme pondérée. Maintenant, si a est strictement préféré à b par la règle lexicographique,
on utilise la condition élaborée plus haut pour montrer que c’est également vrai en utilisant la somme
pondérée.
La relation étant complète, on en déduit que a lexicographique b au sens lexicographique ssi a sommepondere
b.
14 Le paradoxe de Condorcet
Construire, selon la méthode de classement à la majorité, un exemple pour lequel la relation de
préférence n’est pas transitive (paradoxe de Condorcet).
Trois alternatives a, b, c.
g1 (a) = 3, g1 (b) = 2, g1 (c) = 1
g2 (a) = 2, g2 (b) = 1, g2 (c) = 3
g3 (a) = 1, g3 (b) = 3, g3 (c) = 2
15 Electre I comme instance du modèle ”comparer puis agréger

Exprimer la relation de surclassement de la méthode ELECTRE I dans le modèle général des relations
de surclassement.
On suppose P = 1 (somme des pj ).


 (1 − µ) · pj si aj ≥ bj (j est d’accord pour a b)
φi (aj , bj ) = −M si (aj , bj ) ∈ Dj (veto de j pour a b) (1)
−µ · pj sinon

avec M un nombre suffisamment grand. Et pour ψ on fait la somme.

Vérification : s’il y a veto d’un critère, alors
s(a, b) = ψ(φ1 (g1 (a), g1 (b)), . . . , φn (gn (a), gn (b)) < 0,
et on ne peut avoir a µ b.
S’il n’y a pas veto, alors
X X X
ψ(a, b) = (1 − µ) · pj − µ · pj = ( pj ) − µ (2)
j:aj ≥bj j:aj <bj j:aj ≥bj
et s(a, b) ≥ 0 est équivalent à c(a, b) ≥ µ, cqfd.
16 Contruction de relations de surclassement monotone

Soit la propriété de monotonie suivante :
∀a, b :
∃j : gj (a) ≥ gj (b) et ∀i 6= j : gi (a) = gi (b) implique aSb
6
Quelles exigences sur les ψ et φi peuvent traduire cette hypothèse ?
Soit la propriété de monotonie suivante :
∀a, b :
∃j : aj ≥ bj et ∀i 6= j : ai = bi =⇒ a b
Quelles exigences sur les ψ et φi permettent d’assurer cette propriété ?
On suppose φi (v, v) = 0∀v, i, φi croissantes sur le premier argument et décroissante sur le second (
φi (u, v) croit quand u croit et décroı̂t quand v croit, et ce pour tout i ).
Sur ψ, on suppose ψ(0, ....., 0) = 0 et que ψ est croissante avec ses arguments.
Dans ce cas en effet, pour tous les i 6= j, φi (ai , bi ) = φi (ai , ai ) = 0. Comme les φi sont croissante dans
leur premier argument, φj (aj , bj ) ≥ φj (bj , bj ) = 0.
Comme φj (aj , bj ) ≥ 0, que φi (ai , bi ) = 0 pour tout i 6= j, et que ψ est croissante ψ(φj (aj , bj ), 0, ..., 0) ≥
ψ(0, ....., 0). Puisque psi(0, ....., 0) = 0, on obtient ψ(a, b) ≥ 0 donc a b
17 Electre I
candidats
A B C D E F
g1 (0.6) 16 10 18 18 16 6
critères g2 (0.1) 14 18 12 4 10 14
g3 (0.3) 16 12 6 20 12 18
1 - Alternatives pareto optimales : toutes, sauf E qui est dominé par A
2 - Alternative optimale pour la moyenne pondérée : D, qui a une note globale pondérée de 17.2 (suivi
de A : 15.8)
3 - Matrice de concordance :
A B C D E F
A 1 0.9 1 0.7 1 1
B 0.1 1 0.4 0.1 0.4 0.7
C 0.7 0.6 1 0.7 0.7 0.7
D 0.9 0.9 0.9 1 0.9 0.9
E 0.6 0.9 1 0.7 1 0.6
F 0.4 0.3 0.4 0.4 0.4 1
4 - Matrice de discordance : veto sur (C, A), (C, D), (C, F ), (D, A), (D, B), (D, F ), (F, A),(F, C),
(F, D), donc des 1 sur ces cases, 0 sur les autres et non discordance
5- Matrice de concordance : et non discordance
A B C D E F
A 1 0.9 1 0.7 1 1
B 0.1 1 0.4 0.1 0.4 0.7
C v 0.6 1 v v 0.7
D v v 0.9 1 0.9 v
E 0.6 0.9 1 0.7 1 0.6
F v 0.3 v v 0.4 1
– Avec µ = 1, la relation de surclassement est la relation de dominance forte aux seuils d’indifférence
près. C’est une relation très pauvre (peu de couples la satisfont) : A surclasse C, E et F ; E surclasse
C ; Noyau {A, B, D}
– On obtient des relations plus riches pour µ = 0.9 et µ = 0.7. Le noyau est {A, D} dans le premier
cas, {A} dans le second.
– On recommande A, qui est dans tous les noyaux lorsque l’on fait varier le seuil µ (en dessous de
0.7, le consensus devient vraiment mou ; en dessous de 0.5, µ n’a pas de sens).
– avec la somme pondérée, D se détache très nettement, bien qu’il ne soit pas équilibré (sa culture
générale est catastrophique). A se detache avec l’approche par surclassement : cette approche limite
les effets de compensation et degage des candidats plus équilibrés.
7
!"#$%& ' () * +,-. #//$. ' 012-./ 3. )$4.-5%. 6778
!"#$#%& '()*# "+#*,+-$ ./0 12+3#-+4

9/. ./:%."%+;. 3$;+%. %./&!<.==.% ;&/ "2%4 +/>&%-2:+?!.@ 0==. 3&+: $<2=.% A "%&"&;+:+&/ >2+:.; "2% 3.; $?!+'
".-./:+.%;@ B%&+; 4%+:,%.; ;&/: 3$C/+; D =. 4&E: F g1 GH =. ;!""&%: :.4I/+?!. F g2 GH =2 ".%>&%-2/4. Fg3 GH =2 C25+=+:$
Fg4 G@ J. ;.%<+4. +/>&%-2:+?!. 3. =K./:%."%+;. 2 $<2=!$ =.; A "%&"&;+:+&/; ;!% !/. .4I.==. 4&--!/. 3. 7 L 67@ J.;
%$;!=:2:; 3. 4.::. $<2=!2:+&/ ;&/: =.; ;!+<2/:; D
!"#$!%& '!('(&"#"()&
# M N ) 0
4&E: Fg1 G OP O7 O8 OP OP
;!""&%: Fg2 G O8 O8 O6 Q O7
".%>&%-2/4. Fg3 G OP O6 P O8 O6
C25+=+:$ Fg4 G O8 O7 OA 67 O7
! NI2?!. ;&=!:+&/ .;: .==. R2%.:& &":+-2=. S )&+:'&/H =. 42; $4I$2/:H &/ $42%:.% 4.==.; ?!+ /. =. ;&/: "2; D
T ?!2/3 =. 5!: .;: &%*% #"())%! !/. "%&"&;+:+&/ !/+?!. S
T ?!2/3 =. 5!: .;: 3. *+&&%! =.; "%&"&;+:+&/; S
"! )&//.% =. 4=2;;.-./: &5:./! ;!% =.; "%&"&;+:+&/; ./ !:+=+;2/: =2 %,U=. 3! -+/
#! )&//.% =. 4=2;;.-./: &5:./! ;!% =.; "%&"&;+:+&/; ./ !:+=+;2/: =2 %,U=. 3! =.1+-+/
$! 0/ "%.-+,%. 2/2=V;.H =.; .1".%:; 4&/;+3,%./: ?!. =. 4&!: .;: !/ 4%+:,%. "%+-&%3+2=H ?!. =2 ".%>&%-2/4.H =2
C25+=+:$ .: =. ;!""&%: ;&/: 3.; 4%+:,%.; /&/ /$U=+U.25=.;@ N. ?!+ ;. :%23!+: "2% =2 3+;:%+5!:+&/ 3. "&+3; ;!+<2/:. D
p1 = 0.4 p2 = 0.2 p3 = 0.2 p4 = 0.2
)&//.% =. 4=2;;.-./: &5:./! ;!% =.; "%&"&;+:+&/; ./ !:+=+;2/: =2 %,U=. 3. =2 ;&--. "&/3$%$.@
%! W/ .1"=&%. -2+/:./2/: =.; "%&"&;+:+&/; L =K2+3. =. =2 -$:I&3. 0=.4:%.H ./ %."%./2/: =. X.! 3. "&+3; "%$4$3./:@
W/ C1. =. -Y-. ;.!+= 3K+/3+Z$%./4. $U2= L 3 "&!% :&!; =.; 4%+:,%.; .: =. -Y-. ;.!+= 3. <$:& $U2= L [ "&!% :&!;
=.; 4%+:,%.;@ N&-"=$:.% =.; -2:%+4.; 3. 4&/4&%32/4. .: 3. <.:& ;!+<2/:.; D
# M N ) 0 # M N ) 0
# O O O O # 7 7 7 7 7
M 7@6 O 7@Q 7@6 7@P M 7 7 7 O 7
N 7@P 7@P O 7@P 7@8 N O 7 7 O 7
) 7@8 7@8 O 7@8 )
0 7@Q 7@8 7@8 7@P O 0 7 7 7 O 7
&! # "2%:+% 3. =2 -2:%+4. 3. 4&/4&%32/4. .: 3. =2 -2:%+4. 3. <.:& "%$4$3./:.;H 3$:.%-+/.% =2 %.=2:+&/ 3.

;!%4=2;;.-./: "&!% !/ /+<.2! 3. 4&/4&%32/4. mu = 0.7
).;;+/.% =. U%2"I. 3. =2 %.=2:+&/ 3. ;!%4=2;;.-./: ./ 3&//.% !/ /&V2!@
'! (3./:+C.% ?!.==. ;.%2+: !/ 5&/ 4I&+1 3. "%&"&;+:+&/ L "2%:+% 3.; %$"&/;.; 2!1 ?!.;:+&/ 6H *H Q .: \@
(! JK!/ 3.; .1".%: >2+: %.-2%?!.% ?!. =. ;!""&%: 3&+: 2<&+% -&+/; 3K+-"&%:2/4. ;!% =.; -2:$%+.=; C25=.;@ N. ?!+
;. :%23!+: "2% =2 42"24+:$ ;!+<2/:. ;!% =.; 4&2=+:+&/; 3. 4%+:,%.; D
µ(A) = Σgi ∈A pi ;+ g4 ∈
/A µ(A) = Σgi ∈A qi ;+ g4 ∈ A &] q1 = 0.4 q2 = 0.1 q3 = 0.2 q4 = 0.3
)&//.% =2 <2=.!% 3. =K+/:$U%2=. 3. NI&?!.: "&!% =.; 2=:.%/2:+<.; A .: D@
^!.= ;.%2+: <&:%. 4I&+1 C/2= S
O
!"#$%& ' () * +,-. #//$. ' 012-./ 3. )$4.-5%. 6778
!"#$#%& '()*# "+#*,+-$ ./0 12+3#-+4

9/. ./:%."%+;. 3$;+%. %./&!<.==.% ;&/ "2%4 +/>&%-2:+?!.@ 0==. 3&+: $<2=.% A "%&"&;+:+&/ >2+:.; "2% 3.; $?!+'
".-./:+.%;@ B%&+; 4%+:,%.; ;&/: 3$C/+; D =. 4&E: F g1 GH =. ;!""&%: :.4I/+?!. F g2 GH =2 ".%>&%-2/4. Fg3 GH =2 C25+=+:$
Fg4 G@ J. ;.%<+4. +/>&%-2:+?!. 3. =K./:%."%+;. 2 $<2=!$ =.; A "%&"&;+:+&/; ;!% !/. .4I.==. 4&--!/. 3. 7 L 67@ J.;
%$;!=:2:; 3. 4.::. $<2=!2:+&/ ;&/: =.; ;!+<2/:; D
!"#$!%& '!('(&"#"()&
# M N ) 0
4&E: Fg1 G OP O7 O8 OP OP
;!""&%: Fg2 G O8 O8 O6 Q O7
".%>&%-2/4. Fg3 G OP O6 P O8 O6
C25+=+:$ Fg4 G O8 O7 OA 67 O7
! NI2?!. ;&=!:+&/ .;: .==. R2%.:& &":+-2=. S )&+:'&/H =. 42; $4I$2/:H &/ $42%:.% 4.==.; ?!+ /. =. ;&/: "2; D
T ?!2/3 =. 5!: .;: &%*% #"())%! !/. "%&"&;+:+&/ !/+?!. S
T ?!2/3 =. 5!: .;: 3. *+&&%! =.; "%&"&;+:+&/; S
U&/@ 0 .: M /. ;&/: "2; "2%.:& &":+-2=.; F.==. ;&/: 3&-+/$.; ;:%+4:.-./: "2% #G
V/ ".!: =.; .42%:.% "&!% =. "%&5=,-. 3. ;$=.4:+&/H -2+; "2; "&!% =. "%&5=,-. 3. 4=2;;+C42:+&/
"! )&//.% =. 4=2;;.-./: &5:./! ;!% =.; "%&"&;+:+&/; ./ !:+=+;2/: =2 %,W=. 3! -+/
# FOPG X M FO7G Y 0 FO7G X N FPG X ) FQG
#! )&//.% =. 4=2;;.-./: &5:./! ;!% =.; "%&"&;+:+&/; ./ !:+=+;2/: =2 %,W=. 3! =.1+-+/

#XMX0XNX)
$! 0/ "%.-+,%. 2/2=Z;.H =.; .1".%:; 4&/;+3,%./: ?!. =. 4&!: .;: !/ 4%+:,%. "%+-&%3+2=H ?!. =2 ".%>&%-2/4.H =2
C25+=+:$ .: =. ;!""&%: ;&/: 3.; 4%+:,%.; /&/ /$W=+W.25=.;@ N. ?!+ ;. :%23!+: "2% =2 3+;:%+5!:+&/ 3. "&+3; ;!+<2/:. D
p1 = 0.4 p2 = 0.2 p3 = 0.2 p4 = 0.2
)&//.% =. 4=2;;.-./: &5:./! ;!% =.; "%&"&;+:+&/; ./ !:+=+;2/: =2 %,W=. 3. =2 ;&--. "&/3$%$.@
# FOPHQG X ) FOQH8G X N FO*H8G X 0 FO6H8GX M FO6G
%! V/ .1"=&%. -2+/:./2/: =.; "%&"&;+:+&/; L =K2+3. =. =2 -$:I&3. 0=.4:%.H ./ %."%./2/: =. [.! 3. "&+3; "%$4$3./:@
V/ C1. =. -\-. ;.!+= 3K+/3+]$%./4. $W2= L 3 "&!% :&!; =.; 4%+:,%.; .: =. -\-. ;.!+= 3. <$:& $W2= L ^ "&!% :&!;
=.; 4%+:,%.;@ N&-"=$:.% =.; -2:%+4.; 3. 4&/4&%32/4. .: 3. <.:& ;!+<2/:.; D
# M N ) 0
# O O O O
M 7@6 O 7@Q 7@6 7@P
N 7@P 7@P O 7@P 7@8
) 7@8 7@8 O 7@8
0 7@Q 7@8 7@8 7@P O
c(a, d) = 0.4(g1) + 0.2(g2) + 0.2(g3) + 0.2(g4) = 1
c(d, a) = 0.4(g1) + 0.2(g3) + 0.2(g4) = 0.8
# M N ) 0
# 7 7 7 7 7
M 7 7 7 O 7
N O 7 7 O 7
)
0 7 7 7 O 7
+= Z 2 <.:& 4&/:%. ) X # .: ) X M @
=2 =+W/. -2/?!2/:. .;: 3&/4 1 1 0 0 0
O
! !"#$%# &' (" )"$#%*' &' *+,*+#&",*' '$ &' (" )"$#%*' &' -'$+ !#.*.&',$'/0 &.$'#)%,'# (" #'("$%+, &'
/1#*("//')',$ !+1# 1, ,%-'"1 &' *+,*+#&",*' mu = 0.7
2'//%,'# (' 3#"!4' &' (" #'("$%+, &' /1#*("//')',$ ', &+,,'# 1, ,+5"16
7, 81/%+,,' (" )"$#%*' &' *+,*+#&",*' '$ (" )"$#%*' &' -'$+ 9
: ; 2 <
= = = = =
: >6? = >6@ -'$+ >6A
; -'$+ >6A = -'$+ >6B
2 -'$+ -'$+ >6B = >6B
< >6@ >6B >6B -'$+ =
-'* 1, /'1%( &' *+,*+#&",*' '3"( C >6D0 *'(" &+,,' (" )"$#%*' &' /1#*("//')',$
: ; 2 <
= = = = =
: > = > > >
; > > = > =
2 > > = = =
< > = = > =
E+%$ A ≥ A, B, C, D, E
B≥B
C ≥ C, E
E ≥ B, C, E
D ≥ D, E, C
'/$ 1, ,+5"1 .-%&',$6

"! F&',$%G'# H1'((' /'#"%$ ('/ &'1I )'%(('1#'/ !#+!+/%$%+,/ C !"#$%# &'/ #.!+,/'/ "1I H1'/$%+,/ ?0 J0 @ '$ D6 K1/$%G'#
-+$#' #.!+,/'6
L+1# $+1$'/ ('/ ).$4+&'/0 '/$ &' (+%, (' )'%(('1#6
<, /'*+,& *4+%I0 +, !'1$ 4./%$'# ',$#' : '$ 2 9 1, &.*%&'1# !#1&',$ *4+%/%#"%$ :0 H1% '/$ M%', .H1%(%M#. N'$
H1% M%', H1' !"#'$+ &+)%,.0 !'1$ $#O/ M%', P$#' !#%/ ', /'*+,& *4+%I0 -+%# (" H1'/$%+, =Q0 )"%/ /% (R+, "**'!$'
H1' 2 ,R" &' $#O/ )"1-"%/' !'#8+#)",*'/ H1' /1# 1, *#%$O#' !'1 %)!+#$",$0 '$ H1' (' -'$+ S+1' *+,$#' : T 2
*+))' %( S+1' *+,$#' 2 T :0 +, !'1$ .3"(')',$ &.8',&#' (' *4+%I 2 H1% " 1,' 'I*'((',$' '-"(1"$%+, /1# $+1/ ('/
*#%$O#' /"18 1, *#%$O#' )%,'1#6
#! UR1, &'/ 'I!'#$ 8"%$ #')"#H1'# H1' (' /1!!+#$ &+%$ "-+%# )+%,/ &R%)!+#$",*' /1# ('/ )"$.#%'(/ G"M('/6 ;' H1%
/' $#"&1%$ !"# (" *"!"*%$. /1%-",$' /1# ('/ *+"(%$%+,/ &' *#%$O#'/ 9
µ(Ω) = Σgi ∈Ω pi /% g4 ∈
/A +V p1 = 0.4 p2 = 0.2 p3 = 0.2 p4 = 0.2
µ(Ω) = Σgi ∈Ω qi /% g4 ∈ A +V q1 = 0.4 q2 = 0.1 q3 = 0.2 q4 = 0.3
U" -"('1# &' (R%,$.3#"(' &' ;4+H1'$ !+1# '/$ "(+#/ Ch(A) == 16 × (µ({g1, g2, g3, g4}) − µ({g2, g4})) + 18 ×
µ({g2, g4}) = 16 ∗ (1 − 0.4) + 18 ∗ 0.4 = 16.8
2+,,'# (" -"('1# &' (R%,$.3#"(' &' ;4+H1'$ !+1# (R"($'#,"$%-' D6

Ch(D) = 4 ⊗ (µ({g1, g2, g3, g4}) − µ({g1, g3, g4})) + 16 ⊗ (µ({g1, g3, g4}) − µ({g3, g4})) + 18 ⊗ (µ({g3, g4}) −
µ({g4})) + 20 ⊗ µ({g4}) = 4 ⊗ (1 − 0.9) + 16 ⊗ (0.9 − 0.5) + 18 ⊗ (0.5 − 0.3) + 20 ⊗ 0.3 = 16.4
F&',$%G'# C ,+1-'"1 H1'((' /'#"%',$ ('/ !"# )'%(('1#'/ !#+!+/%$%+,/ W S1/$%G'X -+$#' #.!+,/'6
'$ 20 /+,$ ('/ &'1I )'%(('1#'/ "($'#,"$%-'/ "1 /',/ &' (R%,$.3#"(' &' ;4+H1'$6 U'/ "1$#'/ ).$4+&'/ N)+5',,'0
'('*$#'Q ,' !'1-',$ !"/ P$#' 1$%(%/.'/ %*% *"# +, '/$ %, !#./',*' &' *#%$O#'/ &.!',&",$/6

MCDMSSP

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

MCDMSSP

Uploaded by

Copyright:

Available Formats

0

Hélène Fargier, Michel Lemaître

"Décision Multicritère", 2009-2010, Sup Aéro (SSP)

ISAE Décision Multi critères 1. I NTRODUCTION

Quelques problèmes de décision et

• Choisir le site d’implantation d’une usine, d’un magasin ...

• Évaluer la qualité des fournisseurs.

• Évaluer des projets.

• Choisir une stratégie d’investissement.

ISAE Décision Multi critères 1. I NTRODUCTION

• Modèle unicritère : Optimiser {g(a), a ∈ A} où g : A 7→ R

• Mathématiquement bien posé :

• Économiquement mal posé :

ISAE Décision Multi critères 1. I NTRODUCTION

Choix d’une automobile

• le nombre fini critères

Exemple : choix d’un candidat

ISAE Décision Multi critères 1. I NTRODUCTION

• Modèle multicritère : Optimiser

Les critères sont

• Souvent contradictoires (puissance et prix)

• Exprimés dans des unités différentes (puissance et prix)

• Difficiles à mesurer quantitativement (type moteur): les

ISAE Décision Multi critères 1. I NTRODUCTION

• définir l’ensemble des alternatives possibles (les objets sur

• définir les différents points de vue sur lesquels on jugera les

ISAE Décision Multi critères 1. I NTRODUCTION

• Critère : exprime les préférences du décideur relativement

• Généralement (et pour la suite) : attribut ⇆ critère

ISAE Décision Multi critères 1. I NTRODUCTION

• définir l’ensemble des alternatives possibles (les objets sur

Problématiques d’aide à la décision MCDM

• Sélection : Choix d’une solution (la meilleure) ou d’un

• Affectation : Tri résultant de l’affectation de chaque

• Classement : ordonner l’ensemble des alternatives

ISAE Décision Multi critères 1. I NTRODUCTION

• Principes de base pour la modélisation des préférences

• Agréger puis comparer : les principales approches par

• Comparer puis agréger : les méthodes de surclassement

ISAE Décision Multi critères 1. I NTRODUCTION

ISAE Décision Multi critères 1. I NTRODUCTION

ISAE Décision Multi critères 2.P RINCIPES BE BASE

2.1 Modélisation des préférences

Dans un problème multicritère, on distingue:

Le problème de classement: synthétiser un g global à partir

ISAE Décision Multi critères 2.P RINCIPES BE BASE

Préférence stricte, indifférence et incomparabilité

 définit 3 relations exclusives sur A :

la préférence stricte, notée ≻ : a≻b ⇔ a  b ∧ ¬(b  a)

ISAE Décision Multi critères 2.P RINCIPES BE BASE

Définition [(Quasi) Transitivité] Une relation R est transitive

• Les relations d’indifférence ∼ (et donc les relations ) ne

Par exemple dans la vie courante ?

Critères à seuil ou "quasi critères"

Un quasi critère se défini partir d’un attribut g numérique

A maximiser : a  b ⇐⇒ g(a) + q ≥ g(b) avec q > 0

i.e. a ≻ b ⇐⇒ g(a) > g(b) + q,

Attribut à minimiser: a  b ⇐⇒ g(a) − q ≤ g(b)

ISAE Décision Multi critères 2.P RINCIPES BE BASE

Quasi critères (cont.)

La relation d’indifférence n’est pas transitive en général

ISAE Décision Multi critères 2.P RINCIPES BE BASE

a M aj b ⇐⇒ |{i, a i b}| ≥ |{i, b i a}|

Le problème de classement: synthétiser un g global à partir

définit 3 relations exclusives sur A :

la préférence stricte, notée ≻ : a≻b ⇔ a b ∧ ¬(b a)

• Les relations d’indifférence ∼ (et donc les relations ) ne

A maximiser : a b ⇐⇒ g(a) + q ≥ g(b) avec q > 0

Attribut à minimiser: a b ⇐⇒ g(a) − q ≤ g(b)

a M aj b ⇐⇒ |{i, a i b}| ≥ |{i, b i a}|

Définition [relation complète)] Une relation est complète

est complète ⇐⇒ ≍ est vide.

Une règle de décision a minima : a U na b ⇐⇒ ∀i, a i b

Exercice 3 Montrer que si est un préordre, ∼ est une relation

Définition [Principe d’unanimité] g satisfait le principe

Définition [] g satisfait le principe de séparabilité ssi, quel que

aIc g bIc ⇐⇒ aId g bId

Exercice 6 On définit généralement ≻, ∼, ≍ depuis :

Montrer que définie à partir de ≻ et ∼ est réflexive.

∀a, b, c, ∀h, ∀i : ai i bi ⇐⇒ ai {i}h bi {i}h