analyse multicritère pour l`aide à la décision
Transcription
analyse multicritère pour l`aide à la décision
ANALYSE MULTICRIT ÈRE POUR L’ AIDE À LA D ÉCISION A NTOINE R OLLAND , Université LYON II 18emes journées GDR MACS St-Etienne, 11 octobre 2013 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion B IBLIOGRAPHIE Quelques ouvrages en francais pour une première approche Ph Vincke, L’Aide Multicritère à la Décision, Editions de ’Université de Bruxelles - Editions Ellispses ”, 1989 B. Roy et D. Bouyssou, Aide Multicritère à la Décision : Méthodes et Cas, Economica 1993 D. Bouyssou, D. Dubois, M. Pirlot, H. Prade, Concepts et méthodes pour l’aide à la décision, 3 volumes, Hermès 2006 M. Grabisch and P. Perny. Agrégation multicritère. In Logique floue, principes, aide à la décision, B. Bouchon-Meunier, C. Marsala (eds), Hermès, 2003 A. Rolland analyse multicritère pour l’aide à la décision 2 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion P RENDRE UNE D ÉCISION EST DIFFICILE QUAND ... il y a trop de possibilités à comparer → Optimisation combinatoire il y a plusieurs décideurs → Théorie du Choix Social les conséquences des actes ne sont pas sûres → Décision dans l’incertain plusieurs critères rentrent en compte → aide multicritère à la décision A. Rolland analyse multicritère pour l’aide à la décision 3 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion O N PEUT COMBINER ! multicritère et combinatoire incertain et décision de groupe multicritère et décision de groupe (vacances entre amis ?) ... A. Rolland analyse multicritère pour l’aide à la décision 4 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion C ADRE FORMEL Choix social Candidats Votants Rangs (Nombre) Multicritère Alternatives Critères Valeurs (Poids) Incertain Actions Etats de la nature Conséquences (Probabilités) Choix social : préférences individuelles → préférences globales Multicritère : préférences sur les critères → préférences sur les alternatives Incertain : préférences sur les conséquences → préférences sur les actions A. Rolland analyse multicritère pour l’aide à la décision 5 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion P RENDRE UNE D ÉCISION EST DIFFICILE QUAND ... il y a trop de possibilités à comparer → Optimisation combinatoire il y a plusieurs décideurs → Théorie du Choix Social les conséquences des actes ne sont pas sûres → Décision dans l’incertain plusieurs critères rentrent en compte → aide multicritère à la décision A. Rolland analyse multicritère pour l’aide à la décision 6 / 39 Introduction Cadre Utilités Surclassements D ÉFINITION DES CRIT ÈRES [R Autres méthodes Conclusion OY B OUYSSOU 96] critère= attribut muni d’une relation binaire totale : ordre, préordre, ordre d’intervalle... Une famille de critère doit être : complète pour décrire le problème (exhaustivité) cohérente vis-à-vis des préférence globale aussi indépendante que possible (non redondance) A. Rolland analyse multicritère pour l’aide à la décision 7 / 39 Introduction Cadre Utilités Surclassements D ÉFINITION DES PROBL ÉMATIQUES [R Autres méthodes Conclusion OY B OUYSSOU 96] problématique de la modélisation de la décision [Tsoukias07] problématique du choix problématique du rangement problématique du tri A. Rolland analyse multicritère pour l’aide à la décision 8 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion N OTATIONS X est l’ensemble des alternatives x, y, . . . N = {1, . . . , n} est l’ensemble des critères gi : X → R, i ∈ N sont les fonctions critères gi (x) est la valeur prise par l’alternative x sur le critère i, notée aussi xi A. Rolland analyse multicritère pour l’aide à la décision 9 / 39 Introduction Cadre Utilités Surclassements D EUX APPROCHES STRUCTURANTES [G x = (x1 , . . . , xn ) y = (y1 , . . . , yn ) ↓c c(x1 , y1 ), . . . , c(xn , yn ) c(y1 , x1 ), . . . , c(yn , xn ) Autres méthodes Conclusion RABISCH P ERNY 03] a −−−−−−−−−→ a(x), a(y ) ↓ c0 a0 −−−−−−−−−−→ P(x, y) l’approche quantitative “ agréger puis comparer ” (critère unique de synthèse) l’approche qualitative “ comparer puis agréger” (surclassement de synthèse) A. Rolland analyse multicritère pour l’aide à la décision 10 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion C HOISIR UN APPAREIL PHOTO A. Rolland analyse multicritère pour l’aide à la décision 11 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion C HOISIR UN APPAREIL PHOTO critère Nb Pixel sensibilité vitesse Macro Prix A. Rolland appareil 1 20m 125-6400 30s-1/2000 10cm 490 C appareil 2 12m 80-12800 15s-1/4000 15cm 450 C appareil 3 16m 100-12800 30s-1/4000 X 1200 C analyse multicritère pour l’aide à la décision 12 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion Méthodes à base d’utilité A. Rolland analyse multicritère pour l’aide à la décision 13 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion B IBLIOGRAPHIE Fishburn “Utility theory for Decision Making”, 1970, Wiley Keeney-Raiffa “Decisions with multiple objectives ; preferences and trade-off”, 1976, Wiley Marichal, “Aggregation Operators for Multicriteria Decision Aid”, Institute of Mathematics, University of Liège, 1998 M. Ehrgott. Multicriteria Optimization. Second edition. Springer, Berlin, 2005. A. Rolland analyse multicritère pour l’aide à la décision 14 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion fonctions d’agrégation additives moyenne pondérée fonctions d’agrégation non additives maximin, minimax, minimin maximax OWA intégrale de Choquet distances optimisation multiobjectif A. Rolland analyse multicritère pour l’aide à la décision 15 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion H YPOTH ÈSES les valeurs sur les différents critères sont commensurables les valeurs sur les différents critères peuvent se compenser les valeurs de toutes les alternatives sur tous les critères sont parfaitement connues on veut obtenir une relation de préférence complète et transitive A. Rolland analyse multicritère pour l’aide à la décision 16 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion F ONCTION D ’ UTILIT ÉS G(X) G(X) 1.2 1.2 1 1 0.8 0.8 0.6 0.6 0.4 0.4 0.2 0.2 0 0 0 0.2 0.4 0.6 0.8 1 1.2 0 0.2 0.4 G(X) 0.8 1 1.2 0.8 1 1.2 G(X) 1.2 1.2 1 1 0.8 0.8 0.6 0.6 0.4 0.4 0.2 0.2 0 0 0 A. Rolland 0.6 0.2 0.4 0.6 0.8 1 1.2 0 0.2 0.4 0.6 analyse multicritère pour l’aide à la décision 17 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion C HOISIR UN APPAREIL PHOTO critère Nb Pixel sensibilité vitesse Prix A. Rolland appareil 1 10 3 5 9 appareil 2 6 10 5 10 appareil 3 8 9 10 4 analyse multicritère pour l’aide à la décision 18 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion F ONCTION D ’ AGR ÉGATION ADDITIVES M OYENNE POND ÉR ÉE x % y ⇐⇒ WS(x) ≥ WS(y ) X WS(x) = wi fi (x) i facile à comprendre et à utiliser mais ne favorise pas les solutions de compromis (ex : A(18,3) ; B(3,18), C(10,10)) A. Rolland analyse multicritère pour l’aide à la décision 19 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion F ONCTION D ’ AGR ÉGATION ADDITIVES M OYENNE POND ÉR ÉE x % y ⇐⇒ WS(x) ≥ WS(y ) X WS(x) = wi fi (x) i critère Nb Pixel sensibilité vitesse Prix Score A. Rolland coef 0.2 0.3 0.1 0.4 appareil 1 10 3 5 9 7 appareil 2 6 10 5 10 8.7 appareil 3 8 9 10 4 6.9 analyse multicritère pour l’aide à la décision 20 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion F ONCTIONS D ’ AGR ÉGATION NON ADDITIVES (1) M AX ET M IN maximin (pessimiste prudent) x % y ⇐⇒ min(fi (x)) ≥ min(fi (y)) i i maximax (optimiste joueur) x % y ⇐⇒ max(fi (x)) ≥ max(fi (y)) i i etc... critère Nb Pixel sensibilité vitesse Prix Min Max A. Rolland appareil 1 10 3 5 9 3 9 appareil 2 6 10 5 10 6 10 appareil 3 8 9 10 4 4 10 analyse multicritère pour l’aide à la décision 21 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion F ONCTIONS D ’ AGR ÉGATION NON ADDITIVES (2) OWA [YAGER98] x % y ⇐⇒ OWA(x) ≥ OWA(y ) X OWA(x) = wi fσ(i) (x) i avec fσ(1) (x) ≥ fσ(2) (x) ≥ . . . ≥ fσ(3) (x) les poids sont affectés aux rangs des valeurs et non aux critères permet de retrouver (et composer) tous les indices statistiques de position A. Rolland analyse multicritère pour l’aide à la décision 22 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion F ONCTIONS D ’ AGR ÉGATION NON ADDITIVES (2) OWA [YAGER98] x % y ⇐⇒ OWA(x) ≥ OWA(y ) X OWA(x) = wi fσ(i) (x) i avec fσ(1) (x) ≥ fσ(2) (x) ≥ . . . ≥ fσ(3) (x) critère Nb Pixel sensibilité vitesse Prix OWA appareil 1 10 3 5 9 6.2 appareil 2 6 10 5 10 7.3 appareil 3 8 9 10 4 7.4 Avec le jeu de poids (0.3 ;0.3 ;0.2 ;0.2) A. Rolland analyse multicritère pour l’aide à la décision 23 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion F ONCTIONS D ’ AGR ÉGATION NON ADDITIVES (3) I NT ÉGRALE DE C HOQUET [CHOQUET53] x % y ⇐⇒ C(x) ≥ C(y) X C(x) = µ(Ai ) fσ(i) (x) − fσ(i+1) (x) i avec fσ(1) (x) ≥ fσ(2) (x) ≥ . . . ≥ fσ(3) (x) µ une mesure sur 2N et Ai = {1, . . . , i}. intégrale vis-à-vis d’une mesure non additive (capacité ou mesure floue) permet de modéliser les interactions entre critères inclue WS, OWA, etc... A. Rolland analyse multicritère pour l’aide à la décision 24 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion F ONCTIONS D ’ AGR ÉGATION NON ADDITIVES (3) Exemple de capacité (4 critères=16 paramètres) : µ({c1 }) µ({c1 , c2 }) µ({c2 , c4 }) µ({c1 , c3 , c4 }) = = = = 0.2 0.3 0.2 0.5 µ({c2 }) µ({c1 , c3 }) µ({c3 , c4 }) µ({c2 , c3 , c4 }) critère Nb Pixel sensibilité vitesse Prix Choquet Int. A. Rolland = = = = 0.1 0.6 0.3 0.4 appareil 1 10 3 5 9 5 µ({c3 }) = 0.2 µ({c1 , c4 }) = 0.2 µ({c1 , c2 , c3 }) = 0.7 µ({c1 , c2 , c3 , c4 }) = 1 appareil 2 6 10 5 10 6.2 µ({c4 }) = 0.1 µ({c2 , c3 }) = 0.6 µ({c1 , c2 , c4 }) = 0.4 µ(∅) = 0 appareil 3 8 9 10 4 7.6 analyse multicritère pour l’aide à la décision 25 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion OPTIMISATION MULTICRIT ÈRE P RINCIPE x % y ⇐⇒ d(x, z) ≤ d(y , z) où d(, ) est une distance et z un point idéal Exemple : méthode TOPSIS [Hwang& Yoon81] calcul du point idéal et du point anti-idéal calcul de la distance d au point idéal calcul de la distance d 0 au point anti-idéal calcul du score : s = A. Rolland d0 d+d 0 analyse multicritère pour l’aide à la décision 26 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion OPTIMISATION MULTICRIT ÈRE P RINCIPE x % y ⇐⇒ d(x, z) ≤ d(y , z) où d(, ) est une distance et z un point idéal critère Nb Pixel sensibilité vitesse Prix A. Rolland appareil 1 10 3 5 9 appareil 2 6 10 5 10 appareil 3 8 9 10 4 Ideal 10 10 10 10 analyse multicritère pour l’aide à la décision Anti-Ideal 6 3 5 4 27 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion Méthodes à base de surclassement A. Rolland analyse multicritère pour l’aide à la décision 28 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion B IBLIOGRAPHIE B. Roy et D. Bouyssou, Aide Multicritère à la Décision : Méthodes et Cas, Economica 1993 D. Bouyssou, D. Dubois, M. Pirlot, H. Prade, Concepts et méthodes pour l’aide à la décision, volume 3, Hermès 2006 A. Rolland analyse multicritère pour l’aide à la décision 29 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion H YPOTH ÈSES acte de décision = processus d’élaboration progressive d’une structure de préférence l’acceptation de l’idée d’incomparabilité des actions avoir comme résultat une structure de préférence beaucoup moins stricte qu’un pré-ordre total en vue d’éclairer le DM sur son choix A. Rolland analyse multicritère pour l’aide à la décision 30 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion R ELATION DE SURCLASSEMENT P RINCIPE x % y ⇐⇒ C(x, y) DN C(y, x) avec C(x, y ) = {i ∈ N|xi %i yi } A. Rolland analyse multicritère pour l’aide à la décision 31 / 39 Introduction Cadre Utilités Surclassements L A M ÉTHODE ELECTRE [R Autres méthodes Conclusion OY 68] R ELATION DE SURCLASSEMENT x surclasse y (xSy) si C(x, y) > SC et ∀j ∈ N, non yj Vj xj xSy et non ySx : x est préféré à y (xPy ou x y ) xSy et ySx : x et y sont indifférents (xIy ou x ∼ y ) non xSy et non ySx : x et y sont incomparables (xRy) La relation S donne un graphe des préférences sur X Alors que fait-on ? Electre analyse une situation mais ne résout pas tous les problèmes ! on peut réduire le graphe en fusionnant les cycles en une nouvelle alternative on peut faire varier les seuils pour une analyse de sensibilité A. Rolland analyse multicritère pour l’aide à la décision 32 / 39 Introduction Cadre Utilités Surclassements L A M ÉTHODE ELECTRE [R critère Nb Pixel sensibilité vitesse Macro Prix critère appareil 1 appareil 2 appareil 3 Conclusion OY 68] appareil 1 20m 125-6400 30s-1/2000 10cm 490 C appareil 1 0.6 0.4 Autres méthodes appareil 2 12m 80-12800 15s-1/4000 15cm 450 C appareil 2 0.4 appareil 3 16m 100-12800 30s-1/4000 X 1200 C appareil 3 0.4 0.4 0.4 avec w1 = w2 = w3 = w4 = w5 = 0.2 A. Rolland analyse multicritère pour l’aide à la décision 33 / 39 Introduction Cadre Utilités Surclassements AUTRE EXEMPLE : PROMETHEE [B Autres méthodes Conclusion RANS E TA L 84] comparer les alternatives avec intensité de préférence Pi (x, y) = p(gi (x) − gi (y)) P(x, y ) = 0 ⇒ pas de préférence de x sur y P(x, y ) = 1 ⇒ préférence forte de x sur y P indicateur de préférence π(a, b) = i ωi Pi (a, b) and π(b, a) P calcul des flux Φ+ (x) = y π(x, y ) and P Φ− (x) = y π(y , x) agrégation des flux A. Rolland analyse multicritère pour l’aide à la décision 34 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion Autres méthodes A. Rolland analyse multicritère pour l’aide à la décision 35 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion règles de décisions AHP A. Rolland analyse multicritère pour l’aide à la décision 36 / 39 Introduction Cadre Utilités Surclassements R ÈGLES DE D ÉCISIONS [S Autres méthodes Conclusion LOWINSKY E TA L 01] problématique du tri utilise la dominance et les ”Rough sets” convient bien aux données imprécises ou incomplètes très compréhensible par un décideur P RINCIPE Si x domine y alors x doit être classé dans une catégorie au moins aussi bonne que celle de y. A. Rolland analyse multicritère pour l’aide à la décision 37 / 39 Introduction AHP [S Cadre AATY 71, Utilités Surclassements Autres méthodes Conclusion S AATY 80] méthode pour déterminer les poids d’une somme pondérée utilise les comparaisons d’alternatives et de critères peut prendre en compte plusieurs décideurs. P RINCIPE Décomposer le problème complexe en une structure hiérarchique (niveaux) Effectuer les comparaisons entre critères :de 1 (indifférence) à 9 (extrême préférence) Effectuer les comparaisons entre alternatives Synthétiser les comparaisons (moyenne) pour obtenir un classement Cohérence des jugements A. Rolland analyse multicritère pour l’aide à la décision 38 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion C E QU ’ IL FAUT RETENIR pas de méthode miracle ! mais des propriétés souhaitables... ou non A. Rolland analyse multicritère pour l’aide à la décision 39 / 39 Introduction Cadre Utilités Surclassements Autres méthodes Conclusion C E QU ’ IL FAUT RETENIR pas de méthode miracle ! mais des propriétés souhaitables... ou non LES D ÉFIS l’analyse axiomatique le passage à l’échelle l’élicitation des paramètres (preference learning) A. Rolland analyse multicritère pour l’aide à la décision 39 / 39