MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE

LA RECHERCHE SCIENTIFIQUE
UNIVERSITE ABDELHAMID IBN BADIS - MOSTAGANEM

Faculté des Sciences Exactes et de l’Informatique

Département de Mathématiques et d’Informatique
Filière : Informatique

MEMOIRE DE FIN D’ETUDES

Pour l’Obtention du Diplôme de Master en Informatique
Option : Ingénierie des Systèmes d’Information

THEME :

Analyse multicritère d'aide à la décision

Etudiant : BOUBEKEUR Rachid

Encadrant(e) : BAHNES Nacera

Année Universitaire 2016/2017

 Résumé

Résumé
Le but de l'analyse multicritère est de fournir au décideur des outils lui permettant de
progresser dans la résolution de problèmes décisionnels faisant intervenir plusieurs points de
vue généralement contradictoires. En effet, que ce soit un problème de choix, de rangement
ou de tri, la question centrale est toujours un problème de comparaison. Il existe plusieurs
techniques et méthodes comparaison entre plusieurs alternatives, y compris la moyenne
pondérée, ELECTRE, PROMETHEE etc.

Mots clés: Optimisation Multi-objectif, L'analyse multicritère, Méthodes l'aide de décision

Abstract

The purpose of multicriteria analysis is to provide the decision-maker with the tools to
advance decision-making problems involving several generally contradictory points of view.
Indeed, whether it is a problem of choice, storage or sorting, the central question is always a
problem of comparison. There are several techniques and methods comparing several
alternatives, including the weighted average, ELECTRE, PROMETHEE etc.

Keywords: Multi-objective Optimization, Multi-criteria analysis, Decision Aid Methods

i
Dédicace

A mes parents.

A toute ma famille.

A tous mes amis.

A tous ceux qui me sont chers.

ii
 Tout d’abords, je remercie dieu tout puisons de m’avoir aidée à finir mon
projet et de m’avoir guidée et donné le courage pour surmonter tous les problèmes
rencontrés.
Mes remerciements vont aussi à mes parents qui m’ont soutenue et encouragée tout au
long de ce travail.
Sont oublier mes frères et mes sœurs et ma femme dont les conseils précieux m’ont
guidée. Je tiens à remercier particulièrement mon encadreur Madame : BAHNES
Nacera pour son aide précieuse et pour ses encouragements, et tous ceux qui m’ont
soutenue moralement. Je ne pourrais pas terminer sans exprimer un remerciement
venant du plus profond du cœur à tous mes amis qui m’ont toujours soutenu pendant
mes années d’étude.

Merci à tous à toutes

v
 Sommaire

Sommaire :
Introduction générale………………………………………………………….……...1
Chapitre I : Optimisation Multiobjectif
I.1 Introduction sur les problèmes d’optimisation.……………………………………...2
1-1 Un problème d’optimisation …………………….…….…………………….....3
1-2 Un problème d’optimisation et caractéristique……..………..………………....3
1-3 Face à un problème d’optimisation ………………………………….………...4
I.2Les problèmes d’optimisation mono-objectif………..…………………...…..………4
2-1 Variables de décision………………………………….……..………………...4
2-2 Espace décisionnel et espace objectif….…………..…………...……….……..4
2-3 Contraintes…………………………………………….…….……...………….4
I.3 Le paradigme monocritère………………………………..….…….……...………….4
I.4 Critiques du paradigme monocritère……………………..….…….……...……...….5
I.5 Optimisation Multiobjectif ………………….……………………………………….5
5-1 Caractérisation d’un problème d’optimisation multiobjectif……………...…...6
5-2 Problèmes d’optimisation multiobjectifs……………………….……………....7
5-3 La multiplicité des solutions………………………………..….………...…......7
5-4 Approches de résolution multiobjectif ………………………….………...…...8
I.6 Utilité et utilisation de l’optimisation multi-objectif……………………….……......9
I.7 Méthodes de résolution de problèmes multi-objectifs……………….…….……......9
I.8 Classification ………………… …………………………………...……….……........9
8-1Point de vue décideur ………………………………..……………..……….…9
8-2 point de vue concepteur ……………………………..….……..….….…...…10
I.9 Tableau multicritère…………………………………………………...…..……......11
9-1Définition d’un Tableau multicritère…………..………………...…....……....11
9-2 La réaliser d’un tableau multicritères…………………………...…………....11
I.10La pondération…………………………………………..…..…...……....…..….....11
I.11Signification des poids……………………………..……..………………..…….....11
I.12Echelle de notation……………………………….…..……….……….....…..…......12
I.13 Conclusion ………………………………………………………....………...…….13

Chapitre II : Les Méthodes d’aide à la décision

II.1 Introduction……………………………………..……………………….……...…14
II.2 L'aide multicritère à la décision………………..……………………….……...…15
2-1 Définition……………………………………..….……….………….………15
II.3 Le critère ……………………………………….…………….....….…………...…15
II.4 Difficulté d'unproblème multicritère……………………………….……….……16
II.5 Nature des problèmesmulticritères……………….…...…………..….…….……..16
II.6 Les différentes problématiques multicritères…….…...…………..….…….….....17
II.7 Les principales méthodes multicritères………………....…...…………..….….....19
II.8 Les différentes méthodes……………..……………….………………………..….20
vi
 Sommaire

II.9 La Méthode ELECTRE I……..……………………………………………….….20

9-1 Historique……..…………………………………….…...……………….…..20
9-2 Principe de Méthode………………………………………….…………..….20
9-3 Indice de concordance…………………….………….….…….………....….20
9-4 Non-discordance…………………..…………………………….………..….20
9-5 Relation de surclassement…..…………………………..……….………..….20
9-6 Le graphe de surclassement..…………..………………..……….………..….21
9-7 Le noyau du graphe..…………..………………..…………………….…..….21
II.10 Algorithme de surclassement……..…….…………………………………….….21
II.11 Les techniques de calcul……..…….………………….………………………….22
II.12 Conclusion………………………………………………………………...…....…24

Chapitre III: Etude Opérationnelle…………….……………………...…....…25

III .1 Introduction……………………………………….…………………………....…25
III .2 Choix du langage………………………………….…………………………....…25
2-1Présentation du langage Java………………………………………….........…25
III .3Microsoft SQL………………………………….……………….……………....…25
III .4 Présentation de modèle physique des données.……………….………….......…25
4-1 Définition UML………………………….……….………………..............…25
4-2 Diagramme de classe……………………………….……………...................26
III .5La structure de l’application ………………….……………….………….......…27
5-1 Architecture du logiciel……………………….…….…………...................…27
III .6 Images de l’application………………….…………….…….………….…......…28
6-1 Interface de logiciel……………………….…….………….……...............…28
6-2 Ajouter un étudiant ………………….…….…….…………….………......…29
6-3 Modification de la fiche d’étudiant….…………….………….….……......…30
6-4 Supprimer un étudiant………………….…………….…….……....……...…31
6-5 Ajouter et modifier et supprimer un Critère………………….…...............…32
6-6 Classement des étudiants…………………….………………....................…33
Conclusion générale……………………………….……………………….…....…34
Bibliographie………………………………………………………………...........…35

vi
 Sommaire

Liste des tableaux

N° Intitulé Page
01 Tableau multicritère 11
02 Tableau de différentes problématiques 14

Liste des figures

N° Intitulé Page
01 Les différents espaces de recherche. 7
02 Déformation d’une poutre subissant une contrainte. 8
03 Un problème multi-objectif en fonction de l’intervention dudécideur 9
04 La problématique de choix (P.α) 17
05 La problématique de tri (P.β) 18
06 La problématique du rangement(P.γ) 19
07 Cheminement de la relation de surclassement 21
08 Diagramme de classe 26
09 Architecture du logiciel 27
10 Interface de logiciel 28
11 Ajouter un étudiant 29
12 Modification de la fiche d’étudiant 30
13 Supprimer un étudiant 31
14 Ajouter et modifier et supprimer un Critère 32
15 Classement des étudiants 33

vi
 INTRODUCTION GENERALE

Introduction générale

La plupart des institutions ont besoin d'aide jusqu'à trouver une décision, que ce soit
une assistance conformément aux méthodes de la façon d'expérimenter des modèles et des
procédures antérieures ou d'autres, ou en développement en fonction de plusieurs critères pour
aider à la prise de décision qui sont utilisés dans de nombreux domaines, les problèmes de
prise de décision sont souvent conçus pour chercher les exemples se fondent sur des méthodes
mathématiques et dans de multiples problèmes par exemple dans les établissements
d'enseignement supérieur (comment trier la liste des étudiants licences pour préparer Master
avec plusieurs critères ?) ainsi que d'autres points. Pour résoudre ce problème, il a été proposé
multicritères, qui tiennent compte de tous les points contradictoires de la méthodologie
d'analyse, et l'objectif de cette dernier est de répondre à certaines méthodes quantitatives pour
la prise de décisions visent également à clarifier le rôle du système assistant joue sur la prise
de décision, donc j’utilisé dans cette mémoire la méthode ELECTRE1 pour résoudre des
problèmes.

1
 CHAPITRE 1 : OPTIMISATION MULTIOBJECTIF

1 -Introduction sur les problèmes d’optimisation

Les ingénieurs se heurtent quotidiennement à des problèmes technologiques de
complexité grandissante, qui surgissent dans des secteurs très divers, comme dans le
traitement des images, la conception de systèmes mécaniques, la recherche opérationnelle et
l’électronique. Le problème à résoudre peut fréquemment être exprimé sous la forme générale
d’un problème d’optimisation, dans le quel on définit une fonction objectif, ou fonction de
coût, que l’on cherche à minimiser par rapport à tous les paramètres concernés. Par exemple,
dans le célèbre problème du voyageur de commerce, on cherche à minimiser la longueur de la
tournée d’un “voyageur de commerce”, qui doit visiter un certain nombre de villes, avant de
retourner à la ville de départ. La définition du problème d’optimisation est souvent complétée
par la donnée de contraintes : tous les paramètres (ou variables de décision) de la solution
proposée doivent respecter ces contraintes, faute de quoi la solution n’est pas réalisable.

Il existe de nombreuses méthodes d’optimisation “classiques” pour résoudre de tels

problèmes, applicables lorsque certaines conditions mathématiques sont satisfaites ainsi, la
programmation linéaire traite efficacement le cas où la fonction objectif, ainsi quel
contraintes, s’expriment linéairement en fonction des variables de décision.
Malheureusement, les situations rencontrées en pratique comportent souvent une ou plusieurs
complications, qui mettent en défaut ces méthodes : par exemple, la fonction objectif peut être
non linéaire, ou même ne pas s’exprimer analytiquement en fonction des paramètres; ou
encore, le problème peut exiger la considération simultanée de plusieurs objectifs
contradictoires.

Pour clarifier l’analyse, on peut s’intéresser séparément à deux domaines,

l’optimisation multi-objectif et l’optimisation difficile, qui mettent l’accent sur deux sources
différentes de complications. Le premier domaine est traité le cas de la présence simultanée de
plusieurs objectifs, tandis que le second analyse les difficultés inhérentes aux propriétés
mêmes de chaque fonction objectif. Nous verrons que les deux aspects sont souvent liés en
pratique.

De nombreux secteurs de l’industrie sont concernés par les problèmes d ’ optimisation

combinatoire. En effet, que l’on s’intéresse à l’optimisation d’un système de production, au
traitement d’images, à la conception de systèmes, au design de réseaux de télécommunication
ou à la bio-informatique nous pouvons être confrontés à des problèmes d ’ optimisation
combinatoire. Plusieurs problèmes ont été traités dans différents domaines :

− design de systèmes dans les sciences d’ingénieurs (mécanique, aéronautique, chimie, etc.) :
ailes d’avions [Obayashi, 1998], moteurs d’automobiles [Fujita, 1998] ;

− ordonnancement et affectation : ordonnancement en productique [Shaw, 1996], localisation

d’usines, planification de trajectoires de robots mobiles [Fujimura, 1996], etc.
− agronomie : programme de production agricole, etc.

L'analyse multicritères c’est un domaine importante , il donnent des outils qui permet
de résoudre des problèmes .

2
 CHAPITRE 1 : OPTIMISATION MULTIOBJECTIF

1-1 Un problème d’optimisation

Un espace de recherche (de décision) : ensemble de solutions ou de configurations
constituédes différentes valeurs prises par les variables de décision.
une ou plusieurs fonction(s) dite objectif(s), à optimiser (minimiser ou maximiser).
un ensemble de contraintes à respecter.
Dans la plupart des problèmes, l’espace d’état (décision) est fini ou dénombrable. Les
variablesdu problème peuvent être de nature diverse (réelle, entier, booléenne, etc.) et
exprimer desdonnées qualitatives ou quantitatives. La fonction objectifreprésente le but à
atteindre pour ledécideur. L’ensemble de contrainte définit des conditions sur l’espace
d’état que les variablesdoivent satisfaire. Ces contraintes sont souvent des contraintes
d’inégalité ou d’égalité etpermettent en général de limiter l’espace de recherche
(solutions réalisables). La résolutionoptimale du problème consiste à trouver le point ou un
ensemble de points de l’espace derecherche qui satisfait au mieux la fonction objectif. Le
résultat est appelé valeur optimale ouoptimum. Néanmoins en raison de la taille des
problèmes réels, la résolution optimale s’estsouvent montrée impossible dans un temps
raisonnable. Cette impossibilité technique impose larésolution approchée du problème, qui
consiste à trouver une solution de bonne qualité (la plusproche possible de l’optimum). Il est
vital pour déterminer si une solution est meilleure qu’uneautre, que le problème introduise un
critère de comparaison (une relation d’ordre). La plupartdes problèmes d’optimisations
appartiennent à la classe des problèmes NP-difficile classe où iln'existe pas d'algorithme qui
fournit la solution optimale en temps polynomial en fonction de lataille du problème et le
nombre d’objectifs à optimiser. Dans la littérature il existe desproblèmes académiques
utilisés comme des benchmarks : sac à dos, voyageur de commerce, … et des problèmes réels
(applications industrielles) : télécommunications, transport, environnement,…
1-2 Le problème d’optimisation et caractéristique
 le domaine des variables de décision : soit Continu et on parle alors de problème
continu,soit discret et on parle donc de problème combinatoire
la nature de la fonction objectif à optimiser : soit linéaire et on parle alors de problème
linéaire, soit non linéaire et on parle donc de problème non linéaire
le nombre de fonctions objectifs à optimiser : soit une fonction scalaire et on parle alors
deproblème mono-objectif, soit une fonction vectorielle et on parle donc de problème
multi-objectif
la présence ou non des contraintes : on parle de problème sans contrainte ou avec
contrainte
sa taille : problème de petite ou de grande taille
l’environnement : problème dynamique (la fonction objectif change dans le temps).

3
 CHAPITRE 1 : OPTIMISATION MULTIOBJECTIF

1-3 Face à un problème d’optimisation

Elaborer un modèle (mathématiques) : l’expression de l’objectif à optimiser et les
contraintesa respecter.
Développer un algorithme de résolution.
Evaluer la qualité des solutions produites.
2- Les problèmes d’optimisation mono-objectifs
Lorsqu’un seul objectif (critère) est donné, le problème d’optimisation est mono-
objectif. Dansce cas la solution optimale est clairement définie, c’est celle qui a le coût
optimal (minimal,maximal). De manière formelle, à chaque instance d’un tel problème est
associé un ensemble des solutions potentielles respectant certaines contraintes et une
fonction d’objectif : qui associe à chaque solution admissible sune valeur (s).
Résoudre l’instance (,) duproblème d’optimisation consiste à trouver la solution
optimale s*qui optimise (minimise oumaximise) la valeur de la fonction objectif . Pour
le cas de la minimisation : le but est detrouver s*tel que (s*) (s) pour tout élément
s. Un problème de maximisation peutêtre défini de manière similaire.
2-1 Variables de décision

Elles sont regroupées dans le vecteur . C’est en faisant varier ce vecteur que l’on
recherche un optimum de la fonction f .

2-2 Espace décisionnel et espace objectif

Deux espaces Euclidiens sont considérés en optimisation :
L’espace décisionnel, de dimension n, n étant le nombre de variables de décision. Cet
espaceest constitué par l’ensemble des valeurs pouvant être prise par le vecteur de décision.
L’espace objectif : l’ensemble de définition de la fonction objectif, généralement défini
dans . La valeur dans l’espace objectif d’une solution est appelée coût, ou fitness.

2-3 Contraintes
Dans la plupart des problèmes d’optimisation, des restrictions sont imposées par
lescaractéristiques du problème. Ces restrictions doivent être satisfaites afin de considérer
unesolution acceptable. Cet ensemble de restrictions, appelées contraintes, décrit les
dépendancesentre les variables de décision et les paramètres du problème. On formule
usuellement ces contraintes cj par un ensemble d’inégalités, ou d’égalités de la forme
suivant :
cj(x1, x2, …, xn) 0.
3-Le paradigme monocritère
Le paradigme monocritère apparaît donc comme un problème d'optimisation, et son
avantage est de donner lieu à un problème clairement posé. Tous les problèmes classiques de
la recherche opérationnelle, établis progressivement depuis 1937, sont de ce type. Citons
notamment la programmation linéaire, non linéaire, dynamique, la théorie des graphes et des
réseaux, l'optimisation combinatoire, la théorie des jeux, les problèmes de localisation, les

4
 CHAPITRE 1 : OPTIMISATION MULTIOBJECTIF

problèmes de transport, la théorie de file d'attente, la gestion des stocks, les problèmes
d'ordonnancement, la gestion de la production,…
Le paradigme monocritère implique que la modélisation des préférences se fasse au
moyen d'un critère qui synthétise à lui seul tous les objectifs du décideur, toutes les
conséquences de la décision.
Cette approche est bien adaptée au traitement de certains problèmes techniques, mais
présente toute fois de gros inconvénients dans un grand nombre de cas, surtout où le facteur
humain intervient [Mintzbzrg, H 1993].
pour bien illustrer le fait que les problèmes monocritère ne sont pas adaptés aux traitements de
la réalité humaine, considérons l'exemple suivant:
considérons un individu qui doit acheter une nouvelle voiture. S'il ne raisonnait que suivant
un seul critère et ne s'intéressait qu'au coût de l'achat (car lorsqu'on ne s'intéresse qu'à un seul
critère, c'est souvent l'aspect financier qui l'emporte), il roulerait avec la voiture la moins
chère sur le marché, or on sait que la réalité est tout autre: on voit toutes sortes de voitures
dans les rues, de la moins chère à la plus onéreuse: le chef d'entreprise préférera avoir la
voiture la plus confortable et la plus voyante sans vraiment faire attention au prix, le chef de
famille voudra un véhicule pratique et assez grand pour emmener toute sa famille, tandis que
l'étudiant se contentera de la voiture la moins chère, pourvu qu'elle fonctionne…. Cela ne peut
s'expliquer que par la prise en compte, dans la tête de chaque individu, d'autres critères en
plus du pécuniaire: le confort sous tous ses aspects, la satisfaction personnelle, l'impression
produite sur autrui, et ainsi de suite.
4- Critiques du paradigme monocritère
Les critiques principales de l'approche monocritère pour un problème de décision sont
les suivantes:
- Ne pas tenir compte de la situation d'incomparabilité qui pourtant est une caractéristique
bien humaine. Il est en effet fréquent que, comparant deux actions potentielles, un décideur ne
parvienne pas à dire laquelle il préfère.
- Ne pas considérer qu'il existe des cas où l'indifférence est intransitive. Sous ces hypothèses,
la relation caractéristique est donc supposée complète et transitive, ce qui implique qu'un
problème monocritère sera toujours représenté par une structure de préordre total. Pour pallier
à ces hypothèses qui semblent trop fortes pour pouvoir modéliser un problème dans lequel le
facteur humain apparaît, nous introduisons ici un modèle multicritère. [ Perny P, 1998]
5- Optimisation multi-objectif

La principale difficulté que l’on rencontre en optimisation mono-objectif vient du fait

quemodéliser un problème sous la forme d’une équation unique peut être une tâche difficile,
avoir comme but de se ramener à une seule fonction objectif peut aussi biaiser la
modélisation.
L’optimisation multi-objectif autorise ces degrés de liberté qui manquaient en
optimisation mono-objectif. Cette souplesse n’est pas sans conséquences sur la démarche à
suivre pourchercher un optimum à notre problème enfin modélisé. La recherche ne nous
donnera plusune solution unique mais une multitude de solutions. Ces solutions sont appelées
solutionsde Pareto et l’ensemble de solutions que l’on obtient à la fin de la recherche est la
surface decompromis.

5
 CHAPITRE 1 : OPTIMISATION MULTIOBJECTIF

C’est après avoir trouvé les solutions du problème multi-objectif que d’autres
difficultés surviennent : il faut sélectionner une solution dans cet ensemble. La solution qui
sera choisie par l’utilisateur va refléter les compromis opérés par le décideur vis-à-vis des
différentesfonctions objectif.
Le décideur étant “humain”, il va faire des choix et l’un des buts de l’optimisation
multi-objectif va être de modéliser les choix du décideur ou plutôt ses préférences. Pour
modéliserces choix, on pourra s’appuyer sur deux grandes théories :
– la théorie de l’utilité multi-attribut [Keeney et al. 93]
– la théorie de l’aide à la décision [Roy et al. 93]
Ces deux théories ont des approches différentes.
La première approche va chercher à modéliser les préférences du décideur, en
postulantqu’implicitement chaque décideur cherche à maximiser une fonction appelée
fonction d’utilité,cette approche n’accepte pas qu’il y ait, en fin de sélection, des solutions ex-
aequo.
La seconde approche, elle, va chercher à reproduire le processus de sélection du ou des
décideurs. Pour cela, on s’appuiera sur des outils permettant d’opérer des sélections de
solutionsparmi un ensemble de solutions. Cette approche accepte que l’on obtienne des
solutionsex-aequo.
L’autre difficulté à laquelle on sera confronté avant d’effectuer une optimisation sera la
sélection de la méthode d’optimisation. En effet, on peut répartir les méthodes d’optimisation
multi-objectif en trois grandes familles. Ces familles sont définies en fonction de l’instant où
l’on prend la décision d’effectuer ou non un compromis entre fonctions objectif. Nous avons
les familles suivantes :
– Les méthodes d’optimisation a priori :
Dans ces méthodes, le compromis que l’on désire effectuer entre les différentes
fonctions objectif a été déterminé avant l’exécution de la méthode d’optimisation, pour
obtenir la solution de notre problème, il suffira de faire une et une seule recherche et en fin
d’optimisation, la solution obtenue reflètera le compromis que l’on désiraiteffectuer entre les
fonctions objectif avant de lancer la recherche.
Cette méthode est intéressante dans le sens où il suffit d’une seule recherche pour trouverla
solution. Cependant, il ne faut pas oublier le travail de modélisation du compromisqui a été
effectué avant d’obtenir ce résultat.
5-1Caractérisation d’un problème d’optimisation multi-objectif
Un problème d’optimisation multi-objectif (PMO), ou multicritère, consiste à
optimiser plusieursfonctions-objectif simultanément. Les objectifs de l’optimisation sont, en
général, partiellement antagonistes.
En allocation d’actifs, l’exemple le plus classique est celui de l’optimisation du
rendement etla volatilité : on cherche à augmenter le rendement tout en diminuant la volatilité.
Mais, le longde la frontière efficiente [Markowitz, 1952], une amélioration durendement
entraine une dégradation de la volatilité, et vice-versa. Ce conflit lors de l’optimisationdes
fonctions-objectif se traduit par le fait qu’il n’existe pas systématiquement de solution
optimaledu point de vue des deux critères.
Ce sont ces solutions compromis qui sont recherchées quand il s’agit de résoudre un problème

6
 CHAPITRE 1 : OPTIMISATION MULTIOBJECTIF

d’optimisation multi-objectif. En pratique, un certain nombre de contraintes doivent être

satisfaitespar les candidats au problème d’optimisation.
5-2 Problèmes d’optimisation multi-objectifs
Un problème d’optimisation avec objectifs multiples peut être représenté par le
programmesuivant :
Celui-ci s’écrit de la manière suivante :
Minimiser : → →

avec →→

et→ →

ou → ,→ → ,→→ et → →

L’espace de recherche L’espace des valeurs réalisables

Figure 1 – Les différents espaces de recherche
5-3 La multiplicité des solutions
Lorsque l’on cherche à obtenir une solution optimale à un problème d’optimisation
multi-objectif donné, on s’attend souvent à trouver une solution et une seule. En fait, on
rencontre rarement. La plupart du temps, on trouve une multitude de solutions, du fait que
certains des objectifs sont contradictoires.[Coello et al. 99]
En effet, si l’on prend l’exemple du dimensionnement d’une poutre devant supporter
unecharge donnée, on va vouloir obtenir une poutre de section la plus petite possible,
produisantla plus petite déformation possible, lorsque la charge repose sur le milieu de la
poutre. Danscet exemple (représenté à la figure 2), de manière intuitive, on s’aperçoit que
répondre àl’objectif “poutre de petite section” ne va pas du tout dans le sens de répondre à
l’objectif“petite déformation” pour la modélisation mathématique de ce problème).

7
 CHAPITRE 1 : OPTIMISATION MULTIOBJECTIF

Figure 2 – Déformation d’une poutre subissant une contrainte.

Donc, quand on résoudra un problème d’optimisation multi-objectif, on obtiendra une

grande quantité de solutions. Ces solutions, comme on peut s’en douter, ne seront pas
optimales,au sens où elles ne minimiseront pas tous les objectifs du problème.
Un concept intéressant, qui nous permettra de définir les solutions obtenues, est le
compromis.
En effet, les solutions que l’on obtient lorsque l’on a résolu le problème sont
dessolutions de compromis. Elles minimisent un certain nombre d’objectifs tout en
dégradantles performances sur d’autres objectifs.
5-4 Approches de résolution multi-objectif
La résolution de problèmes multi-objectifs relève de deux disciplines assez différentes.
En effet,résoudre un problème multi-objectif peut être divisé en deux phases :
-la recherche des solutions de meilleur compromis
c’est la phase d'optimisation multi-objectif.
-le choix de la solution à retenir :
c’est la tâche du décideur qui parmi l’ensemble des solutions de compromis, doit
extraire celle(s) qu’il utilisera, on parle alors ici de décision multi-objectif et cela fait appel à
la théorie de la décision.
Dans le cadre de ce mémoire nous ne parlerons que de la première phase qui consiste
en larecherche des solutions de meilleurs compromis. Dans les différentes publications,
nousrencontrons deux classifications différentes des approches de résolution de
problèmesmulti-objectifs. Le premier classement adopte un point de vue décideur, les
approches sontclassées en fonction de l’usage que l’on désire en faire. Le deuxième
classement adopte un point de vue concepteur, les approches sont triées de leur façon de
traiter les fonctions objectives.Ainsi avant de se lancer dans la résolution d’un problème
multi-objectif, il faut se poser laquestion du type d’approche de résolution à utiliser.

8
 CHAPITRE 1 : OPTIMISATION MULTIOBJECTIF

6-Utilité et utilisation de l’optimisation multi-objectif

Il est possible de s’interroger sur l’utilité de l’optimisation multi-objectif. Le but ici
n’est pasde donner une réponse absolue mais de donner deux éléments de réponse. Le premier
consiste àposer la question : tous les problèmes peuvent-ils se limiter à un seul objectif ? La
réponse estclairement non. Pour illustrer cela, considérons un problème classique : le
problème d’élaborationde tournées de véhicules avec capacité. Il s’agit de trouver un
ensemble de tournéespartant d’un dépôt pour une flotte de véhicules définis par une capacité
pour aller répondre àdes demandes de clients. La demande totale étant plus grande que la
capacité d’un véhicule,il est nécessaire de séparer les clients en plusieurs tournées et de les
attribuer aux véhicules.
L’objectif classique est la minimisation de la somme des longueurs des tournées. Si on
s’intéresseà une équité entre les conducteurs via l’équilibre en termes de distance
7-Méthodes de résolution de problèmes multi-objectifs
Résoudre un problème d’optimisation multi-objectif revient à chercher l’ensemble des
compromisoptimaux du problème. Deux processus distincts sont imbriqués au sein de la
méthode derésolution : les processus de recherche et de prise de décision.
Avant de se lancer dans la résolution du problème multi-objectif, il faut se poser la question
du type d’approche à utiliser. Selon [Mahdi, 2007], il y a deux classifications différentes des
approchesde résolution de problèmes multi-objectifs :
1- Le premier classement adopte un point de vue décideur, les approches sont classées selonla
manière dont sont combinés les processus de recherche et de prise de décision.
2-Le deuxième classement adopte un point de vue concepteur, les approches sont triées
selon leur façon de traiter les fonctions-objectifs.
8-Classification
8-1 Point de vue décideur

Figure3 –Un problème multi-objectif en fonction de l’intervention dudécideur

9
 CHAPITRE 1 : OPTIMISATION MULTIOBJECTIF

On distingue à cet égard trois schémas possibles. Soit le décideur intervient des le
début de ladéfinition du problème, en exprimant ses préférences, afin de transformer un
problèmemulti-objectif en un problème simple objectif. Soit le décideur effectue son choix
dans l’ensemble des solutions proposées par le solveur multi-objectif :
les approches a priori : le décideur intervient en aval du processus d’optimisation,
pourdéfinir la fonction d’agrégation modélisant le compromis que l’on désire faire entre
lesdifférents objectifs. Dans ce cas le décideur est supposé connaître a priori le poids de
chaqueobjectif afin de les mélanger dans une fonction unique. Cela revient à résoudre un
problèmemono-objectif. Cependant dans la plupart des cas, le décideur ne peut pas exprimer
clairementsa fonction d’utilité, parce que les différents objectifs sont non commensurables
(exprimésdans des unités différentes).
les approches interactives : combinent de manière cyclique et incrémentale les processus
dedécision et d’optimisation. le décideur intervient de manière à modifier certaines variables
oucontraintes afin de diriger le processus d’optimisation. Le décideur modifie ainsi
interactivement le compromis entre ses préférences et les résultats. Cette approche permet
donc de bienprendre en compte les préférences du décideur, mais nécessite sa présence tout au
long duprocessus de recherche.
les approches a posteriori: cherche à fournir au décideur un ensemble de bonnes
solutionsbien réparties. Il peut ensuite, au regard de l’ensemble des solutions, sélectionner
celle qui luisemble la plus appropriée. Ainsi, il n’est plus nécessaire de modéliser les
préférences dudécideur (ce qui peut s’avérer être très difficile), mais il faut en contrepartie
fournir unensemble de solutions bien réparties, ce qui peut également être difficile et requérir
un tempsde calcul important (mais ne nécessite pas la présence du décideur).
Nous nous placerons dans le cadre de cette troisième famille de méthodes où la modélisation
despréférences n’est pas requise et où le procédé d’optimisation doit être puissant afin de
fournirune très bonne approximation de la frontière Pareto.
8-2 Point de vue concepteur
Ce classement adopte un point de vue plus théorique articulé autour des notions
d’agrégation et d’optimum Pareto. Les approches utilisées pour la résolution de problèmes
multi-objectifs peuvent être classées en deux catégories [Barichard, 2003] : les approches non
Pareto et les approches Pareto
Les approches non Pareto ne traitent pas le problème comme un véritable problème multi-
objectif. Elles cherchent à ramener le problème initial à un ou plusieurs problèmes mono-
objectifs.
Les approches Pareto ne transforment pas les objectifs du problème, ceux-ci sont traités sans
aucune distinction pendant la résolution.
Les approches non Pareto sont classées en deux catégories : les approches scalaires, qui
transforment le problème multi-objectif en problème mono-objectif et les approches non
scalaires, qui gardent l’approche multi-objectif, mais en traitant séparément chacun des
objectifs.
- Les approches scalaires «ces approches sont de type a priori»
A l’origine, les problèmes multi-objectifs étaient transformés en problèmes mono-objectifs.

10
 CHAPITRE 1 : OPTIMISATION MULTIOBJECTIF

Plusieurs approches différentes ont été mises au point pour transformer les problèmes multi-
objectifs en problèmes mono-objectifs : les approches agrégées, programmation par but, et les
approches -contraintes, etc.
- Approche d’agrégation : c’est une des premières approches utilisée pour résoudre les
problèmes multi-objectifs [Ishibuchi, 1998]. Elle consiste à transformer un problème multi-
objectif en un problème mono- objectif,en définissant une fonction objectif unique F comme
étant la somme pondérée de différentes fonctions objectives du problème initial. En affectant
à chaque objectif un coefficientde poids qui représente l’importance relative que le décideur
attribue à l’objectif .

9-Tableau multicritère
9-1 Définition d’un Tableau multicritère
C'est un tableau à double entrée permettant de comparer facilement différentes
propositions.

Proposition 1 Proposition 2 Proposition 3

Critère 1 Poids Valeur Score Valeur Score Valeur Score

Critère 2 Poids Valeur Score Valeur Score Valeur Score
Critère 3 Poids Valeur Score Valeur Score Valeur Score

TAB. 1 – Tableau multicritère

9-2 La réaliser d’un tableau multicritères

En ordonnée : les critères de choix, auxquels est assorti un "poids" en fonction de
l'importance qu'on leur accorde.[Partoune et Quoilin 2002].
En abscisse : une colonne pour chacun des éléments entrant dans la comparaison.
10-La pondération
Pouvoir pondérer, seul ou en groupe, un ensemble d’éléments est une activité très
fréquente en gestion de projet [COU98], notamment en management par la valeur. Les
conséquences de ces pondérations sont souvent considérables car ces dernières interviennent,
la plupart du temps, dans les processus de décision des entreprises. Le caractère contingent,
limité dans le temps et non répétitif à l’identique d’un projet amplifie le risque lié à la prise de
décision.
11-Signification des poids
Le sens donné aux poids, notamment par la manière dont ils seront utilisés, peut avoir
une influence non négligeable sur l’appréciation des rapports d’importance. Lorsque les poids
expriment la manière selon laquelle une même ressource (ex : budget) doit être répartie sur
différents éléments (ex : tâches), ils sont destinés à être les coefficients multiplicateurs d’une
même quantité (la ressource en question). L’appréciation des rapports d’importance est alors
relativement claire. Elle est en revanche plus sensible lorsque les éléments à pondérer sont des

11
 CHAPITRE 1 : OPTIMISATION MULTIOBJECTIF

critères ou des objectifs destinés à la notation d’un ensemble d’alternatives. Les poids seront
alors multiplicateurs de performances mesurées sur des échelles qui peuvent être de nature
différente puisque associées à des critères ou à des objectifs différents. En fonction du mode
d’agrégation de ces performances pondérées, les différences d’échelle peuvent avoir une
incidence non négligeable sur l’appréciation des rapports d’importance.
Prenons le cas de la pondération d’un ensemble de critères intervenant dans le calcul
d’une note moyenne. Si la formule d’agrégation est de type somme pondérée, l’estimation
d’un rapport d’importance entre deux critères est homogène à un taux d’échange pondéré par
un rapport d’échelles. Si au contraire la formule d’agrégation est de type produit pondéré
(moyenne), les rapports d’importance entre critères ne sont pas sensés prendre en compte les
différences au niveau des échelles de mesure. [ROY85] ou [DUB94*]
12-Echelle de notation
Dans la littérature, différentes échelles de notation sont proposées pour l’estimation de
l’importance relative de deux éléments. Elles relient, le plus souvent, différents degrés
linguistiques d’importance à des ordres de grandeur numériques. C’est par exemple le cas de
l’échelle proposée par Saaty [SAA77] pour estimer un rapport d’importance.
L’échelle proposée comporte 9 échelons pour décrire différentes nuances allant d’une
égale importance et pour faciliter,nous n’adoptons pas d’échelle de notation particulière sur
l’intervalle de définition des comparaisons binaires. Ceci dit, il est toujours possible d’utiliser
une échelle, comme passerelle, pour traduire des données d’entrée linguistiques, provenant
des décideurs, sous une forme numérique.
Exemple decritères de choix avec leur poids :
pour passer les étudiants diplômés licencea master, il basé sur des critères suivants :
- les moyennes des étudiants (4)
- la session (2)
- la répétition (2)
En regard de chaque critère, une valeur est attribuée à chaque élément. Elaborer la règle des
valeurs en choisissant des extrêmes appropriés (de 0 à 10 permettra plus de nuances que de 0
à 3, mais n'est peut-être pas pertinent).
Pour obtenir le score total, multiplier chaque valeur par le poids du critère considéré et faire la
somme des scores partiels pour chaque élément.
-Exemple : échelle de valeurs de 0 à 5
0 = tout à fait insatisfaisant
1 = très insatisfaisant
2 = insatisfaisant
3 = acceptable
4 = assez satisfaisant
5 = tout à fait satisfaisant

12
 CHAPITRE 1 : OPTIMISATION MULTIOBJECTIF

13- Conclusion
Pendant longtemps, les approches de résolution multi-objectif consistaient principalement
à les transformer en problèmes mono-objectifs. Parmi ces méthodes se trouvent les méthodes
d'agrégation, les méthodes contrainte, et les méthodes de programmation par but. La
transformation du problème multi-objectif en un problème mono-objectif nécessite des
connaissances a priori sur le problème traité. De plus, ces approches modifient la structure du
problème combinatoire qui perd ainsi ses éventuelles propriétés remarquables. L'optimisation du
problème mono-objectif peut garantir l'optimalité de la solution trouvée, mais n'en trouve qu'une
seule. Dans les situations réelles, les décideurs ont généralement besoin de plusieurs alternatives,
La connaissance de plusieurs solutions optimales est utile aussi pour une utilisation future.

13
 CHAPITRE 2 : Les méthodes d’aide à la décision

1-1Introduction
L'aide multicritère à la décision est un nouveau monde de concepts, d'approches, de
modèles et de méthodes qui visent à aider le gestionnaire (le décideur) à décrire, évaluer, ranger,
choisir ou rejeter un ensemble d'actions, pouvant être exercées sur des candidats, des produits ou
des projets. Cet exercice est basé sur l'évaluation à l'aide de notes (scores), de valeurs, d'intensité
de préférence, en fonction d'un ensemble de critères. Ces derniers peuvent représenter divers
aspects tels que: les objectifs, les buts, les cibles, les valeurs de préférence, les degrés d'aspiration
et les fonctions d'utilité.
Il existe une approchepour obtenir un ensemble de solutions, qui repose sur
l’établissement d’une relation d’ordreentre les différents éléments. Ainsi, on peut, en fonction
de la relation d’ordre définie, obtenirun ensemble de solutions (relation d’ordre partiel) ou une
et une seule solution (ordrecomplet). L’autre différence majeure, par rapport aux méthodes
d’optimisation multi-objectif“classiques”, vient du fait que les méthodes d’aide à la décision
ne travaillent que sur desensembles discrets de points (les méthodes d’optimisation multi-
objectif “classiques” peuventtravailler, elles, sur des ensembles continus).
De plus, les méthodes d’aide à la décision permettent de répondre à plusieurs problématiques,
réunies dans le tableau 1.

Problématique Résultat Procédure

Choix d’un sous-ensemble Choix Sélection
desactions les “meilleures”
ou, adéfaut, les plus
“satisfaisantes”.
Tri par affectation des Tri Affectation
actions àdes catégories
prédéfinies.
Rangement de classes Rangement Classement
d’équivalencecomposées
d’actions, cesclasses étant
ordonnées de façon
complète ou partielle.

TAB. 2 – Les différentes problématiques.

L’aide à la décision nous propose donc une prise en compte de ces propriétés
d’intransitivitédes relations d’ordre, et elle nous propose aussi des familles de méthodes
destinées à résoudre des problématiques différentes (Sélection, Tri, Rangement) de celles
traitées par l’optimisation multi-objectif classique.
Lorsque l’on est confronté au domaine de l’aide à la décision, on remarque un certain
nombre de termes redondants :
– action,
– classement,
– ordre complet ou partiel.

14
 CHAPITRE 2 : Les méthodes d’aide à la décision

Une “action” désigne un objet, une décision, un candidat ou autre chose encore. C’est
surcette entité que va s’opérer la sélection (ou le tri, ou le classement).
Une méthode d’aide à la décision va donc permettre de choisir la meilleure action, ou de
classer des actions en fonction d’un ou plusieurs critères.
En fonction du type de classement que l’on désirera effectuer, on pourra utiliser différents
types de règles de classement ou de choix.
2- L'aide multicritère à la décision
2-1 Définition
PhilippeVinckea défini l'aide multicritère ainsi: "L'aide multicritère à la décision vise,
comme son nom l'indique, à fournir à un décideur des outils lui permettant de progresser dans
la résolution du problème de décision à plusieurs points de vue, souvent contradictoires,
doivent être pris en compte.[Serge Bellut ,2002]
Pour Bouyssou, l'argument réaliste selon lequel la réalité étant multidimensionnelle, il
est naturel que l'on prenne en compte plusieurs points de vue pour aider à la décision et donc
qu'on utilise des méthodes multicritères, ne peut à lui seul justifier d'adopter une démarche
multicritère pour aider à la décision. Utiliser un tel argument conduirait à voir le monocritère
comme un cas limite et dégénéré du multicritère.[Simon H, 1982]
L'aide multicritère à la décision œuvre à apporter un éclairage et des explications à une
catégorie de problèmes où:
- Plusieurs critères quantitatifs et qualitatifs sont pris en considération; - Ces critères sont
souvent hétérogènes;
- Ces critères sont généralement conflictuels; - Ces critères sont généralement considérés
d'inégale importance.[ Simon Herbert A,1983]
3-Le critère
Un critère est une fonction g, définie sur l’ensemble des actions A, qui prend ses
valeurs dans un ensemble totalement ordonné, et qui représente les préférences de
l’utilisateur selon un point de vue.[Vincke 89]
Aider à décider, c'est avant toutes choses, aider à clarifier une situation afin de faire
comprendre au décideur quelles sont ses préférences, à ce niveau, le concept-clé est celui du
critère Selon [Roy93] :
"Pour l'essentiel, un critère vise àrésumer, à l'aide d'une fonction, les évaluationsd'une action
sur diverses dimensions pouvant se rattacher à un même "axe de signification", ce dernier
étant la traduction opérationnelle d'un "point de vue" au sens usuel du terme"
En d'autres termes, un critère est une fonction à valeurs réellesdéfinie sur l'ensemble
desactions potentielles afin de pouvoir décrire le résultat de la comparaison de deux actions a
et bet de fonder la proposition :

Ou est une relation binaire signifiant "au moins aussi bon que", relativement au critère f.
Nous reviendrons sur ce point dans la section .
Dans un problème d'aide à la décision, la liste des critères que l'on prend en compte
(lafamille de critères) estétroitement liée au décideur et à son échelle des valeurs. En effet,
selonqu'il porte une attention particulière ou nulle à un aspect de la question, ce dernier se
retrouveradans la famille de critère ou non, cela ouvrant sur un problème de subjectivité du
choix des critères[Vincke 89].
Par exemple, la moyenne d’un élève est un critère pouvant servir à déterminer la valeurde
l’élève.

15
 CHAPITRE 2 : Les méthodes d’aide à la décision

4- Difficulté d'un problème multicritère

La plupart des décisions qui font l'objet d'études multicritères sont de nature complexe
et leurs conséquences sont importantes et stratégiques. L'aspect conflictuel des critères,
l'indétermination et le manque d'information liés au problème sont souvent avancés comme
les sources de sa complexité.[Salem Chakhar,2006]
La principale difficulté d'un problème multicritère est qu'il s'agit d'un problème
mathématiquement mal posé. C'est-à-dire sans solution objective. Il n'existe pas, en général,
d'action meilleure que toutes les autres simultanément pour les critères: le concept de solution
optimale n'a donc pas de sens dans un contexte multicritère. De même, un problème de
rangement n'aura une solution objective que si tous les critères donnent le même rangement,
ce qui est tout à fait exceptionnel. «Résoudre» un problème de décision multicritère ne
consiste donc pas à rechercher une sorte de vérité cachée (alors que c'est le cas dans
unproblème d'optimisation classique), mais à aider le décideur à maîtriser les données
(souvent complexes) de son problème et à progresser vers une solution. Celle-ci sera donc
plutôt une action de compromis et il faut accepter qu'elle dépende fortement de la personnalité
du décideur, des circonstances dans lesquelles se fait l'aide à la décision, de façon dont on
formule le problème et de la méthode d'aide à la décision qui est utilisée. Ces caractéristiques
sont évidemment gênantes pour des scientifiques habitués à résoudre des problèmes dont la
solution existe indépendamment d'eux .[Vincke, 89].
5- Nature des problèmes multicritères
Les problèmes multicritères sont généralement classifiés selon:
La nature des conséquences des décisions qui sont modélisées comme
- déterministes, stochastique ou floues,
- réversibles, lourdes, ou irréversibles; [Imed Othmani, 1998]
La nature de l'ensemble des alternatives qui sont modélisées
- explicite avec un nombre d'alternatives fini.
- implicite avec un nombre d'alternatives infini.
- Le contexte dans lequel la décision est prise: décision publique ou privée;
- Le nombre de décideurs: décision de groupe ou individuelle.
L'ensemble des méthodes et des modèles développés en analyse multicritère ont un but
commun qui vise à aider le décideur à prendre une décision qui le satisfait, et ce, au meilleur
de sa connaissance vis-à-vis de la situation décisionnelle à laquelle il fait face. En ce sens, il
s'agit de la meilleure solution qu'il peut trouver en utilisant un outil opérationnel tel qu'un
modèle ou une méthode. Ce processus d'aide à la décision vise à intégrer le décideur dans la
démarche décisionnelle en lui offrant la possibilité de progresser vers une solution. Celle-ci
dépendra de plusieurs facteurs, qui sont de nature subjective, tel que: la personnalité du
décideur, les circonstances entourant l'activité décisionnelle, la façon dont le problème a été
formulé et la méthode d'aide à la décision utilisée. [Vincke, 89].
En général et dans le contexte de l'ensemble A des actions potentielles, le problème de
décision multicritère consiste à choisir une «meilleur» action (problème de choix) ou à trier
les actions en vue d'une classification suivant des normes préétablies (problématique de
rangement).

16
 CHAPITRE 2 : Les méthodes d’aide à la décision

6- Les différentes problématiques multicritères

La problématique peut être perçue comme étant une orientation de l'investigation
qu'on adopte pour un problème de décision donné. Elle exprime les termes dans lesquels le
décideur ou l'homme d'étude pose le problème et traduit le type de la prescription qu'il
souhaite obtenir. [ROY B ,1985]
Roy distingue quatre problématiques :
-Problématique du choix(P.α): aider à choisir une «meilleur» action ou à élaborer une
procédure de sélection :
Il s'agit de la problématique la plus classique: celle qui consiste à poser le problème en termes
du meilleur choix. C'est par rapport à elle que se sont développées les procédures
d'optimisation. Toutefois, la définition que nous proposons ci-après fait apparaître la
problématique de l'optimisation comme un cas particulier de cette problématique du choix.
la Problématique du choix (P.α) consiste à poser le problème en termes de choix d'une seul
meilleur action, c'est-à-dire à orienter l'investigation vers la mise en évidence d'un sous-
ensemble A'de Aaussi restreint que possible, conçu pour éclairer directement le décideur sur
ce que doit être l'issue du prochain temps fort et ce compte-tenu du caractère éventuellement
révisable et/ou transitoire de A; cette problématique prépare une forme de prescription ou de
simple participation visant:
- Soit à indiquer avec un maximum de précision et de rigueur une décision à préconiser; -
Soit à proposer l'adoption d'une méthodologie fondée sur une procédure de sélection (d'une
meilleure action) convenant à une éventuelle utilisation répétitive et/ou automatisée.
- Soit du fait du caractère révisable et/ou transitoire de A;
- Soit parce que les éléments objectifs servant à asseoir la comparaison des actions sont
insuffisamment précis;
- Soit par suite de la multiplicité des systèmes de valeurs qui sont en jeu;

A’ regroupe les meilleures actions de A

Figure 4 –La problématique de choix (P.α)

17
 CHAPITRE 2 : Les méthodes d’aide à la décision

-Problématique du tri(P.β): aider à trier les actions d'après des normes ou à élaborer une
procédure d'affectation
la problématique du tri(P.β)consiste à poser le problème en termes de tri des actions par
catégories, celles-ci étant conçues relativement à la suite à donner aux actions qu'elles sont
destinées à recevoir, c'est-à-dire à orienter l'investigation vers la mise en évidence d'une
affectation des actions de Aà ces catégories en fonction de normes portant sur la valeur
intrinsèque de ces actions et ce compte-tenu du caractère révisable et/ou transitoire de A; cette
problématique prépare une forme de prescription ou de simple participation visant: - Soit à
préconiser l'acceptation ou le rejet pour certaines actions; d'autres pouvant donner lieu à des
recommandations plus complexes compte-tenu de la conception des catégories; - Soit à
proposer l'adoption d'une méthodologie fondée sur une procédure d'affectation à des
catégories de toutes les actions convenant à une éventuelle utilisation répétitive et/ou
automatisée.

Procédure d’affectation

Figure 5–La problématique de tri (P.β)

- Problématique du rangement(P.γ): aider à ranger les actions selon un ordre de préférence

décroissante ou à élaborer une procédure de classement
la problématique du rangement(P.γ)consiste à poser le problème en termes de rangement des
actions de Aou de certaines d'entre elles, c'est-à-dire à orienter l'investigation vers la mise en
évidence d'un classement défini sur un sous-ensemble de Aconçu en vue de discriminer les
actions se présentant comme «suffisamment satisfaisantes» en fonction d'un modèle de
préférences et ce compte-tenu du caractère révisable et/ou transitoire de A; cette
problématique préparer une forme de prescription ou de simple participation visant:
- Soit à indiquer un ordre partiel ou complet portant sur des classes regroupant des actions
jugées équivalentes;
- Soit à proposer l'adoption d'une méthodologie fondée sur une procédure de classement (de
tout ou partie de A) convenant à une éventuelle utilisation répétitive et/ou automatisée.

18
 CHAPITRE 2 : Les méthodes d’aide à la décision

Rangement des actions

Figure 6 – La problématique du rangement(P.γ)

-Problématique de la description(P.δ): aider à décrire les actions et/ou leurs conséquences de

façon systématique et formalisée ou à élaborer une procédure cognitive.
-la problématique de la description(P.δ)consiste à poser le problème en termes limités à une
description des actions de Aet/ou de leur conséquences, c'est-à-dire à orienter l'investigation
vers la mise en évidence d'informations relatives aux actions potentiellesconçues en vue
d'aider directement le décideur à les découvrir, à les comprendre, à les jauger et ce compte-
tenu du caractère révisable et/ou transitoire de A; cette problématique prépare une forme de
prescription ou de simple participation visant:
- Soit à présenter une description systématique et formalisée des actions et de leurs
conséquences qualitatives ou quantitatives;
- Soit à proposer l'adoption d'une méthodologie fondée sur une procédure cognitive convenant
à une éventuelle utilisation répétitive et/ou automatisée.
7- Les principales méthodes multicritères
La littérature en aide multicritère à la décision renferme de nombreuses méthodes.
Roya regroupé ces dernières dans trois catégories principales représentant chacune d'entre
elles des approches différentes. Ces catégories se présentent comme suit :
1-Méthodes d'agrégation selon l'approche du critère unique de synthèse
Selon Roy cette approche est la plus classique. Les méthodes appartenant à cette
catégorie sont généralement désignées sous le nom des méthodes d'agrégation complète. Elles
consistent à agréger l'ensemble des critères, de manière à obtenir une fonction critère unique
qui synthétise cet ensemble. Ainsi, cette fonction à optimiser, qui peut être par exemple une
fonction d'utilité ou de valeur, agrège les préférences locales, au niveau de chaque critère ou
attribut.
2- Les méthodes de sur classement selon l'approche du sur classement de synthèse
A l'inverse de la première catégorie, cette classe de méthodes accepte, selon Roy
considéré généralement comme le fondateur de ces méthodes, l’incomparables entre les

19
 CHAPITRE 2 : Les méthodes d’aide à la décision

différentes actions. Les méthodes appartenant à cette approche, d'inspiration française, sont
appelées également les méthodes d'agrégation partielle. Cette appellation est due au fait que
ces méthodes procèdent, généralement, par paires d'actions. En effet, les actions sont
comparées deux à deux pour pouvoir vérifier l'existence d'une relation de surclassement ou
pas. Une fois toutes les actions comparées de cette façon, une synthèse de l'ensemble des
relations binaires est élaborée afin d'apporter des éléments de réponse à la situation
décisionnelle posée.[KaziTani Amel,2009]
8- Les différentes méthodes
Nous allons présenter différentes méthodes d’aide à la décision :
Les méthodes ELECTRE (I, IS, II, III, IV et TRI) ainsi deux méthodes proches des méthodes
ELECTRE : les méthodes PROMETHEE (I et II). Chacune de ces méthodes traite une
problématique bien précise. Les éléments importants qui différencient ces méthodes sont la
définition de la relation de classement des actions (chaque méthode exploite une relation de
préférence différente) et la méthode d’exploitation des résultats.
9- La Méthode ELECTRE I
Cetteméthode seraappliquée dans cette mémoirepour choisir les meilleurs des
étudiantsavec plusieurs critères.
9-1 Historique
ELECTRE1 est une famille de méthodes d'analyse multicritères développée en Europe
à la fin des années 1960.
9-2 Principe de Méthode
Cette méthode permet de choisir la meilleure action suivant un groupe de critères. Elle
a été définie par B. Roy en 1968 [Vincke 89, Maystre et al. 94].
Dans ce but et au moyen de la relation de surclassement S, il est nécessaire d'effectuer une
partition de l'ensemble A des actions potentielles en deux sous-ensembles N et A/N
complémentaires tels que toute action appartenant à A/N est surclassée par au moins une
action appartenant à N. Les actions-éléments de A/N sont éliminées. Les actions appartenant à
N sont incomparables entre elles, ce sont les actions sélectionnées.
9-3 Indice de concordance [Maystre et al. 94]
Il est dit du critère j qu’il concorde avec l’hypothèse “l’action ai surclasse l’action ak”
si l’action ai est au moins aussi bonne que l’action aken ce qui concerne le critère j ; ce qui ce
traduit par : gj(ai) ≥ gj(ak).”

9-4Non-discordance [Maystre et al. 94]

La condition de non-discordance permet de refuser le surclassement d’une action
surune autre, obtenu après application de la condition de concordance, lorsqu’il existeune
opposition trop forte sur un critère au moins.
c :est le seuil de concordance , il est relativement grand c [1/2,1]
d :est le seuil de discordance , il est relativement petit

9-5Relation de surclassement
La relation de surclassementS est construite en prenant appui sur une notion de
concordance et une notion de discordance. L'hypothèse de surclassement sera acceptée si un
test de concordance et un test de non-discordance sont satisfaits.

20
 CHAPITRE 2 : Les méthodes d’aide à la décision

9-6Legraphe de surclassement
Le graphe de surclassementvisualise la relation de surclassement pour l'ensemble des
couples des actions. La théorie des graphes est ici utilisé pour représenter les relations de
surclassement.

9-7Le noyau du graphe

Le noyau du grapheest composé d'un ensemble de sommets tels que tous les sommets
du graphe qui n'appartiennent pas au noyau (c'est-à-dire les actions du sous-ensemble A/N)
sont surclassés par un sommet du noyau N au moins, et tels que les sommets du noyau N ne
sont surclassés par aucun sommet de celui-ci.
L'appartenance d'une action au noyau ne signifie pas nécessairement que c'est une
bonne solution; le noyau représente simplement l'ensemble des actions parmi lesquelles se
trouve "la meilleure" et il est constitué par des actions difficilement comparables.
10-Algorithme desurclassement[Maystre et al. , 1994]

Indice de concordance
c(a,b)

Seuil de
Indice de discordance
concordance
dj(a,b)
c

Test de Seuil de
concordance
oui
discordance d
c(a,b)>c

non Test de
discordance
dj(a,b)<d

non

Hypothèse Hypothèse
« a surclasse b » « a surclasse b »
rejetée acceptée

Figure7 -Cheminement de la relation de surclassement.

21
 CHAPITRE 2 : Les méthodes d’aide à la décision

11- Les techniques de calcul

Les techniques de calcul utilisées dans cette méthode, il faut transformer toutes les
performances des actions en notes. Celles-ci varieront sur des échelles dont la longueur
évoluera de la même façon que les poids accordés aux critères. Cela étant fait, on peut
calculer l’indice de concordance en considérant chaque critère comme un critère vrai (p=q=0).
L’indice de discordance sera établi en mesurant, pour chaque critère dans chaque
couple d’actions, l’éventuelle différence discordante entre les deux actions, en n’en retenant
que la plus grande pour ce couple, et en la divisant par la plus grande longueur d’échelle.
Cela garantit un indice de discordance compris entre 0 et 1. En plaçant chaque action à la fois
en ligne et en colonne, on établit les matrices de concordance et de discordance, dont la
diagonale ne présente aucune valeur. Il faut alors définir un seuil de concordance et un seuil
de discordance. Ces seuils permettront de réaliser les tests de concordance et de discordance .
Le premier indique une valeur minimale à dépasser (souvent supérieure à 0,5), le
second une valeur maximale à ne pas outrepasser (souvent inférieure à 0,5)[Roy 1968]
Exemple
Acquisition des matériels informatique (les ordinateurs) afin d’assurer vos
déplacements chez vos client, l’appareil doit être léger, performant, pas trop onéreux et si
possible bien équipé en logiciel de bureautique.
Les produits suivants :
-PC portable DEL
-PC portable HP
-PC portable SONY
-Tablette ARCHOS
Les critères suivants :
-Prix
-Performance
-Mobilité
-Logiciels disponible avec l’outil informatique
-Garante
Avec le seuil de c=0.7 et le seuil de d=0.2
Echelle 1-10

Tableau de performance
Prix Performance Mobilité Logiciels Garante
DEL 5 10 7 7 2
ARCHOS 4 8 5 5 7
SONY 5 8 7 7 6
HP 7 6 5 3 7
Poids 1 3 1 1 4

22
 CHAPITRE 2 : Les méthodes d’aide à la décision

Indice de concordance
DEL ARCHOS SONY HP
DEL - 0.6 0.6 0.5
ARCHOS 0.4 - 0.7 0.9
SONY 0.7 0.6 - 0.5
HP 0.5 0.6 0.5 -

Indice de discordance
DEL ARCHOS SONY HP
DEL - 0.5 0.4 0.5
ARCHOS 0.2 - 0.2 0.3
SONY 0.2 0.1 - 0.2
HP 0.4 0.2 0.4 -

Tableau de surclassement
DEL ARCHOS SONY HP
DEL 0 0 0 0
ARCHOS 0 0 1 0
SONY 1 0 0 0
HP 0 0 0 0

En peut réduire le graphe suivant :

ARCHOS
DEL

SONY HP

Donc en peut conclure que PC DEL surclassé PC SONY et PC SONY surclassé tablette
ARCHOS .
Le noyau de ce graphe de surclassement est N= {DEL, HP}

23
 CHAPITRE 2 : Les méthodes d’aide à la décision

12-Conclusion:
Les méthodes d'aide multicritère à la décision sont des techniques assez récentes et en
plein développement. Par leur manière d'intégrer tout type de critères,ces procédures semblent
mieux permettre de se diriger vers tous les domaines.

24
 Chapitre 3 : Etude opérationnelle

1 –Introduction
L’objectif de cette étude est programmé une application qui permet de trier et classer
les étudiants (licence) passe à haut niveau (Master) avec plusieurs critères.

2- Choix du langage
Le langage de programmation utilisé (Java) permet de réaliser de façon très simple
l’interface des applications et de relier aisément le code utilisateur aux événements Windows.

2-1Présentation du langage Java

Java est un langage orienté objet permettant le développement d’applications
complètes s’appuyant sur les structures de données classiques (tableaux, fichiers) et utilisant
abondamment l’allocation dynamique de mémoire pour créer des objets en mémoire. La
notion de structure, ensemble de données décrivant une entité (un objet en Java) est remplacée
par la notion de classe au sens de la programmation objet. Le langage Java permet également
la définition d’interfaces graphiques (GUI : Graphical User Interface) facilitant le
développement d’applications interactives et permettant à l’utilisateur de "piloter" son
programme dans un ordre non imposé par le logiciel. Le langage est aussi très connu pour son
interactivité sur le Web facilitant l’insertion dans des pages Web, au milieu d’images et de
textes, de programmes interactifs appelés "applets". Pour des problèmes de sécurité, ces
applets sont contrôlées et souvent limitées dans leur interaction avec le système d’exploitation
de l’ordinateur sur lequel elles se déroulent : limitation des accès aux fichiers locaux ou aux
appels système de la machine. Un programme Java est portable au sens où il peut s’exécuter
sur des ordinateurs fonctionnant avec différents systèmes d’exploitation. Les programmes
écrits en Pascal ou en langage C sont aussi portables par compilation du code source sur la
machine où le programme doit s’exécuter. Java est portable d’une plate-forme (matériel et
système d’exploitation) à une autre sans recompilation.

3-Microsoft SQL
Le langage SQL (Structured Query Language) est un langage de requête utilisé pour
interroger des bases de données exploitant le modèle relationnel.

MySQL serveur gère une ou plusieurs base de données. Chaque base de données
contient différents types d'objets (tables, index, fonctions). L'objet le plus représenté d'une
base de données est la table.

4-Présentation de modèle physique des données

4-1 Définition UML

UML (Unified Modeling Language) en français ( langage de modélisation unifié), est

un langage de modélisation graphique à base de pictogrammes conçu pour fournir une
méthode normalisée pour visualiser la conception d'un système. Il est couramment utilisé en
développement logiciel et en conception orientée objet.

25
 Chapitre 3 : Etude opérationnelle

4-2 Diagramme de classe

Figure 8 -Diagramme de classe

26
 Chapitre 3 : Etude opérationnelle

5- La structure de l’application
L’application du système c’est une structure modulaire pour faciliter la
compréhension du système et des tâches qu’il réalise.
Les tâches principales : la saisie, la consultation, la modification d’une quantité
d’informations concernant un fichier donné, la suppression et classement.
5-1 Architecture du logiciel

Mot de passe

Les étudiants Les critères Classer

Ajouter un Ajouter un Impression

étudiant critère

Modifier un Modifier
étudiant un critère

Supprimer
Supprimer un un critère
étudiant

Figure 9 -Architecture du logiciel

27
 Chapitre 3 : Etude opérationnelle

6-Images de l’application
6-1 Interface de logiciel
Pour entrer dans logiciel il faut clique sur Botton «Démarrer» et pour sortie clique sur
Botton «Quitter».

Figure 10 -Interface de logiciel

28
 Chapitre 3 : Etude opérationnelle

6-2 Ajouter un étudiant

Après la saisi des l’informations de l’étudiant, et pour enregistre il faut cliquer sur le
bouton « Enregistrer », Le remplissage tous les champs est obligatoire, pour annuler
l’opération clique sur bouton «Annuler» et pour ajouter un autre étudiant cliqué sur
bouton« Nouveau ».

Figure 11 -Ajouter un étudiant

29
 Chapitre 3 : Etude opérationnelle

6-3 Modification de la fiche d’étudiant

Pour faire une modification il faut entrer le matricule ensuite cliqué sur bouton
« Vérifier » pour affiche l’étudiant concerné et faire la modification, et pour enregistrer cette
modification clique sur bouton «Valider modification » et pour quitter cliqué sur bouton
« Annuler » .

Figure 12 -Modification de la fiche d’étudiant

30
 Chapitre 3 : Etude opérationnelle

6-4 Supprimer un étudiant

Pour faire la suppression il faut entrer le matricule ensuite cliqué sur bouton
« Vérifier » pour affiche l’étudiant concerné, ainsi pour supprimer cliqué sur bouton
«Supprimer » et pour quitter cliqué sur bouton « Annuler » .

Figure 13 -Supprimer un étudiant

31
 Chapitre 3 : Etude opérationnelle

6-5 Ajouter et modifier et supprimer un Critère

Après la saisi l’information d’un critère, il faut cliquer sur le bouton « Enregistrer »,
Le remplissage tous les champs est obligatoire.
Pour faire une modification il faut entrer le «IdCritere» ensuite cliqué sur bouton
« Vérifier » pour affiche le critère concerné et faire la modification, et pour enregistrer la
modification clique sur bouton «Enregistrer »
Pour faire la suppression il faut entrer le «IdCritere» ensuite cliqué sur bouton
« Vérifier » pour affiche le critère concerné, ainsi pour supprimer clique sur bouton
«Supprimer » et pour annuler opération clique sur bouton «Annuler».

Figure 14 -Ajouter et modifier et supprimer un Critère

32
 Chapitre 3 : Etude opérationnelle

6-6 Classement des étudiants

Pour classer les étudiants avec plusieurs critères, cliqué sur bouton « Classer ».

Figure 15 -Classement des étudiants

33
 CONCLUSION GENERALE

Conclusion générale
L’Analyse Multicritère est un outil d’aide à la décision développé pour résoudre des
problèmes multicritères complexes qui incluent des aspects qualitatifs ou quantitatif dans un
processus décisionnel , dans ce mémoire, nous avons présenté les concepts de base de
l'optimisation multi-objectif, puis une classification des techniques d'optimisation multi-
objectif et le principe méthodes multicritères, ensuite j’explique le but de méthode
ELECTRE I et j’utilise cette méthode pour trier et classer les meilleures étudiants avec
plusieurs critères.

34
 BIBLIOGRAPHIES

Bibliographies :
1−[Barichard, 2003] Approches hybrides pour les problèmes multiobjectifs. V.Barichard, Thèse de
Doctorat 2003, école doctorale d'Angers.
2-[COU,98] H. Courtot, "La gestion des risques dans les projets" dans la collection "Production et
techniques quantitatives appliquées à la gestion", Ed.S. V. Giard, vol. 1, Edition n° 1, Economica,
1998.
3- [Coello et al, 99] C. A. Coello Coello, A. D. Christiansen, MOSES : A Multiobjective Optimization
Tool for Engineering Design, Engineering Optimization, 1999
4-[DUB94*] D. Dubois et M. Grabisch, “Agrégation multicritère et optimisation” dans Logique Floue,
vol. 1, ARAGO, Ed. O.F.d.T. Avancées, Edition n° 1, Paris, Masson, 1994.
5- [Fujimura, 1996] Path planning with multiple objectives. K.Fujimura. IEEE Robotics and
Automation Society Magazine.
6−[Fujita, 1998] Multi-objective optimal design of auto motive engine using genetic algorithm.
K.Fujita, N.Hirokawa, S.Akagi, S.Kimatura, and H.Yokohata, (1998). In Design Engineering
Technical Conferences DETC Atlanta, Georgia.
7−[Ishibuchi, 1998] A milti-objective genetic local search algorithm and its application to the
Flowsh opsche duling. H.Ishibuchi and T.Murata, IEEE transactions on systems, Man and
Cybernetics Part C : applications and reviews, 1998.
8-[Imed Othmani,1998] "Optimisation multicritère: fondements et concepts", Thèse de doctorat,
l'universitéJoseph Fourier de Grenbole, 1998.
9-[Keeney et al, 93] R. L. Keeney, H. Raiffa, Decisions with multiple objectives : preferences and
Value tradeoff, éditions Cambridge University Press, 1993
10-[ KaziTani Amel,2009] "La modélisation des préférences du décideur dans le modèle du goal
programming", Thèse de doctorat en science de gestion, Université de Tlemcen, 2009.
11-[Maystre et al, 94] L.-Y. Maystre, J. Pictet, J. Simos, Méthodes multicritères ELECTRE, édition
Presses Polytechniques et Universitaires Romandes, 1994.
12-[Mahdi, 2007] Mahdi S. (2007). Optimisation multiobjectif par un nouveau schéma de coopération
méta/exacte. Mémoire de Master, Université Mentouri de Constantine.
13-[Markowitz, 1952] Markowitz H. (1952). Portfolio selection. The Journal of Finance.
14- [ Mintzbzrg H, 1993]"Structure et dynamique des organisations", 1er Ed, Ed d'organisation, Paris,
1993
15-[Obayashi, 1998] Niching and elitistmodels for multiobjective genetic algorithms. S.Obayashi,
S.Takahashi, and Y.Takeguchi, (1998). In Parallel Problem Solving from Nature PPSN ’ 5,
Amsterdam. Springer-Verkag.
16-[Partoune et Quoilin, 2002]. La réalisation d'un tableau multicritères C. Partoune et H. Quoilin
avril 2002, Université de Lièg.

35
 BIBLIOGRAPHIES

17-[ Perny P, 1998] Multicriteria filterning methods based on concordance and non-discordance
principales", Annals of Operations Research, 1998.
18-[ROY B ,1968] Classement et choix en présence de points de vue multiples (la méthode Electre),
Revue française d’informatique et de recherche opérationnelle, 1968.
19-[ROY B ,85] "Méthodologie Multicritère d'Aide à la Décision" dans la collection "Production et
techniques quantitatives appliquées à la gestion", Ed.S. V. Giard, vol. 1, Edition n° 1, Paris,
Economica, 1985.
20-[Roy et al, 93] B. Roy et D. Bouyssou, Aide multicritère à la décision : Méthodes et cas, éditions
Economica,1993.
21-[SAA,77] T. L. Saaty, “A scaling method for priorities in hierarchical structures” publié dans
Journal of Mathematical Psychology, 1977.
22-[Salem Chakhar,2006] "Cartographie décisionnelle multicritère Formalisation et implémentation
informatique ",Thèse de doctorat en informatique, Université Paris Dauphine ,2006.
23-[Serge Bellut ,2002] "Les processus de la décision: démarches, méthodes et outils", 1er Ed,
ANFOR, Paris, 2002.
24-[Simon H, 1982] "Rational choise and the structure of environement", Models of bounled
rationality, Cambridge, 1982.
25-[Simon Herbert A,1983] "Administration et processus de décision", 1er, Economica, Paris, 1983
26-[Vincke, 89] Philippe Vincke, L’aide multicritère à la décision, éditions Ellipses, éditions de
l’Universitéde Bruxelles, 1989.

36