introduction à la décision multicritèressdestercke.free.fr/downloads/isam.pdf · •...
TRANSCRIPT
Nom du congrès Lieu - date
Introduction à la décision multicritères
Formation ISAM
Sébastien Destercke
Chargé de recherche CNRS, Heudiasyc Equipe Décision et Image (DI)
1
Nom du congrès Lieu - date
Plan Ø Problème de la décision – introduction et bref historique Ø Décision monocritère
• Optimisation (linéaire) • Exprimer et encoder des préférences
Ø Décision multicritères • Optimisation multi-objectifs (linéaire) • Préférence et encodage: problème complexe • Le modèle de somme pondérée: hypothèses et identification
(AHP) • La méthode ELECTRE
Ø Quelques extensions • Modéliser les interactions entre critères • Multicritères et multi-acteurs • Multicritères en environnement incertains
2
Nom du congrès Lieu - date
Plan
3
Nom du congrès Lieu - date
L’aide à la décision: c’est quoi? Ø Prise de décision: acte quotidien
• Simples: café équitable, premier prix ou autre? • Complexes: quelle politique mettre en place pour
inciter une attitude écologique? • Individuelle (échelle humaine ou
organisationnelle): quelle isolation choisir pour la maison / l’entreprise?
• Collective: où installer la nouvelle usine de traitement des déchets?
Ø Problème potentiellement multicritère, multi-acteurs, non-déterministe (présence d’incertitudes)
4
Nom du congrès Lieu - date
Pourquoi des méthodes formelles? Contre: Ø Moins efficaces, rapides que la communication directe Ø Coût (en temps sinon en argent) Ø Imposent des conditions, des limitations Pour: Ø Posent un langage formel commun Ø Permettent d’identifier des structures, de les valider
et/ou d’identifier des incohérences Ø Evitent les biais « subjectifs » de par leur rationalité
5
Nom du congrès Lieu - date
Un bref historique Ø Fin XVIII siècle: Bordat et Condorcet s’intéressent à la décision
collective, Benjamin Franklin avec pour/contre Ø Début XX siècle: premier intérêt pour les probas dans la décision Ø ~ seconde guerre mondiale
• Projet RAND et « création » de la recherche opérationnel (Dantzig) comme solution rationnelle unique au problème de décision
• Savage et Von Neumann / Morgenstern axiomatisent la décision sous incertitudes
Ø Fin années 1950: critiques (Simon, Allais, Arrow, Tversky & Kannemahn) de ces méthodes pour leur manque de flexibilité, leur contradiction par rapport aux comportements observés
Ø A la suite, développement de méthodes plus flexibles mais toujours fondées sur des approches axiomatiques, rationnelles à entre autres méthodes multicritères
Ø Originellement issu de la recherche opérationnelle, domaine maintenant concerné par l’intelligence artificielle (informatique), l’économie, les mathématiques, la psychologie, …
6
Nom du congrès Lieu - date
Plan
7
Nom du congrès Lieu - date
Décision monocritère: introduction Décider selon une seule dimension: Ø En optimisant un critère unique Ø En modélisant / élicitant les préférences du décideur
N.B.: un critère peut en cacher « plusieurs » Exemple: optimiser rendement comprend plusieurs composante (marge, coûts employés, etc.)
8
Nom du congrès Lieu - date
Problème d’optimisation
9
Ø Problème générique:
f(x) est l’objectif (ex: rendement) et hj(x) sont les contraintes.
Ø En général, difficile à résoudre (nombreux algorithmes pour trouver une solution « approchées »)
max f (x)
sous hj (x) ! dj j =1,…,m (inégalités)
x1
x2
max f (x)
x ! 0
Nom du congrès Lieu - date
Problème d’optimisation linéaire
10
Ø Problème générique:
f(x) est une fonction linéaire des variables, A une matrice de coefficient et b un vecteur constant
Ø Exemple: exploitation cultivant blé et maïs à maximiser rendement • /ha, blé 450€ net et maïs 1000€ net • /ha, blé demande 25h de travail et maïs 50h de travail • Surface totale: 50ha et heure de travail disponibles: 2000h
max f (x) = !i xi + cxi
!
sous Ax ! b et x " 0
Nom du congrès Lieu - date
Problème d’optimisation linéaire
11
x1
max f (x)
x2
50
50
40
80
Nom du congrès Lieu - date
Problème d’optimisation linéaire Ø Avantage:
• Problème facilement résolvable (ou vérifiable) • Solution optimale garantie (si solution existe)
Ø Défauts: • Problèmes et objectif (unique) doivent pouvoir se
formuler sous forme liénaire • Toutes les solutions sont supposées admissibles
ou « réalisables »
12
Nom du congrès Lieu - date
Préférences, propriétés
Ø Choix entre plusieurs alternatives (numériques ou non)
Ø Ensemble A={a1,…,am} Ø Exemple: couleurs={rouge,vert,bleu} Ø Préférences du décideur modéliser par relation ≥
13
!: ai ! aj si ai préféré à aj
Nom du congrès Lieu - date
Ø Antisymétrie: si a≥b et b≥a, alors a=b Interdit l’indifférence entre objets distincts
Ø Complétude: pour tout a,b, soit a≥b ou b≥a Interdit la notion d’incomparabilité
Ø Transitivité: si a≥b et b≥c, alors a≥c Pas toujours vérifiée (phénomène « transitoire »)
Selon les propriétés requises, on a ≠ notions d’ordre
14
Préférences, propriétés
Nom du congrès Lieu - date
Préférences, encodage Ø Associer des valeurs numériques à chaque élémént
de A={a1,…,am} via une fonction u Ø u(ai): utilité de ai
Encodages possibles: Ø a≥b si u(a) ≥ u(b): ≥ complet, transitif Ø a≥b si |u(a)-u(b)|≥ δ: ≥ transitif
15
Nom du congrès Lieu - date
Plan
16
Nom du congrès Lieu - date
Problème d’optim. multicritères
17
Ø Problème générique:
Plusieurs objectifs –> en général pas de solutions qui les maximise tous
Ø Dominance au sens de Pareto. Soit x et x’ deux solutions satisfaisant contraintes hj, alors on dit que x domine, au sens de Pareto, x’ si
Ø Trouver toutes les solutions non-Pareto dominées
Ø Problème est linéaire quand fonctions linéaires de x
max f1(x), f2 (x),..., fn (x)sous hj (x) ! dj j =1,…,m (inégalités)
x2
x ! 0
fi (x) ! fi (x ') pour i =1,...,n
Nom du congrès Lieu - date
Max f1(x) = -x1 + 2x2 Max f2(x) = 2x1 – x2 avec x1 ≤ 4, x2 ≤ 4 x1 + x2 ≤ 7 -x1 + x2 ≤ 3 x1 – x2 ≤ 3 x1, x2 ≥ 0
18
Problème d’optim. multicritères Exemple
Nom du congrès Lieu - date
Comment générer une/des solutions non-pareto dominées Ø Pondérations: chaque « choix » de poids génère une solution non-dominée. Ø Hiérarchisation: imposer ordre sur et résoudre
itérativement le problème.
Ø Problème général: heuristiques (PSO, …)
19
Problème d’optim. multicritères
wi tel que wii! =1 et wi " 0 et max wi
i! fi (x)
fi (x)
Nom du congrès Lieu - date
Ø Même défauts et avantages que l’optimisation monocritère: • +: Méthodes efficaces pour résoudre le problème. • - : Nécessite de pouvoir exprimer le problème
sous une forme particulière.
20
Problème d’optim. multicritères
Nom du congrès Lieu - date
Préférences et encodage
Ø Alternatives A={a1,…,am}
Ø Chaque alternative évaluée sur n critères a=(x1, x2,…, xn)
Avec Critère j à valeur dans Cj (fini ou continu) Ø Une technique: extraire une relation de préférence
entre alternatives et encoder numériquement (ex: ai ≥ aj à u(ai) ≥ u(aj))
21
Nom du congrès Lieu - date
Préférences et encodage Ø Problème: difficile de comparer des alternatives sur
plusieurs critères.
Ø Si 4 critères avec 5 possibilités chacun à 54 (625) comparaisons à faire!
Ø Exemple: installation d’un site traitement déchets • 3 Critères: C1=coût, C2=prox. Habitations, C3=prox. Autoroute • Comparer (8,3,5) et (9,3,5) facile • Comparer (9,0.5,8) et (5,4,4) plus difficile
22
Nom du congrès Lieu - date
Préférences et encodage Ø Idée: simplifier l’encodage / réduire la complexité
Ø Supposition: les préférences sur chaque critère sont « séparables » (critères indépendants)
Ø Une fonction pour chaque critère: • 2 alternatives a1=(x1,…,xn) et a2=(y1,…,yn) 2 exemples: • a1 ≥ a2 à F(u(x1),…,u(xn)) ≥ F(u(y1),…,u(yn)) • a1 ≥ a2 à F(d(x1,y1),…,d(xn,yn)) ≥ 0
Ø En particulier, somme pondérée
23
F(u(x1),...,u(xn )) = wii! u(xi )
Nom du congrès Lieu - date
La méthode AHP Ø Information à obtenir: fonctions d’utilités et poids des
différents critères (pour 4 critères à 5 valeurs à 24 valeurs)
Ø Une méthode parmi d’autres: Analytic Hierarchy Process (Saaty, 71), implémentée par ex. dans expertchoice.
Ø Intérêt de AHP: permet de hiérarchiser / regrouper les critères et reste « simple »
24
Nom du congrès Lieu - date
La méthode AHP Critères et valeurs des critères vont être « comparées » entre elles pour fournir poids et fonctions, selon échelle de 1 à 9:
• C1 équivalent à C2 : C12=1 • C1 légèrement plus imp. que C2 : C12=3 • C1 plus important que C2 : C12=5 • C1 beaucoup plus important que C2 : C12=7 • C1 indiscutablement plus important que C2 : C12=9
• Score inversé pour la comparaison opposée, par ex. si C12=3 alors C21=1/3
25
Nom du congrès Lieu - date
La méthode AHP 1. On obtient alors une matrice carrée (taille= nbre de critères) de comparaisons
26
Coûts Prox. H Prox. Auto
Coûts 1 1/3 5
Prox. H 3 1 7
Prox. Auto 1/5 1/7 1
Nom du congrès Lieu - date
La méthode AHP 2. Poids (« valeurs propres ») obtenus de la manière suivante:
• Normalisation des colonnes • Sommation sur les lignes • Normalisation du vecteur
27
Coûts Prox. H Prox. Auto
Coûts 1 1/3 5
Prox. H 3 1 7
Prox. Auto 1/5 1/7 1
Somme (/)4.2 (/)1.48 (/)13
Somme
0.84
1.92
0.22
2.99
Poids
0.28
0.64
0.07
Nom du congrès Lieu - date
La méthode AHP 3. Vérifier la cohérence des informations:
• Si parfaite cohérence, valeur propre max = nbre critère • Vérifier que nous n’en sommes pas loin • Calculer (A*poids)/poids • Indice de cohérence: (moyenne – nb critère)/(nb critères -1 )
*
28
Coûts Prox. H Prox. Auto
Coûts 1 1/3 5
Prox. H 3 1 7
Prox. Auto 1/5 1/7 1
Poids
0.28
0.64
0.07
* /
Poids
0.28
0.64
0.07
=
Poids
3.06
3.12
3
IC=0.03 < 0.1 à pondération cohérente
Nom du congrès Lieu - date
Etablir les fonctions d’utilités Rendre les valeurs d’utilité des critères « commensurable » pour éviter les problèmes d’échelles numériques. à typiquement, 1 valeur maximale, 0 valeur minimale
29
0
1 Coût
Site A Site B Site C
Coûts 9 5 9
Prox. H 200 1500 500
Prox. Auto 500 2000 1000
15
3
5
9
0.75
0.2
u(Coût)
Nom du congrès Lieu - date
Déterminer la meilleure solution Une fois qu’on a les coûts et utilités à prise de décision
30
Site A Site B Site C
U(Coûts) 0.2 0.75 0.2
U(Prox. H) 0.1 1 0.4
u(Prox. Auto) 1 0.6 0.8
Site A Site B Site C
Coûts 9 5 9
Prox. H 200 1500 500
Prox. Auto 500 2000 1000
U(…) Poids
0.28
0.64
0.07
Sites
0.19
0.89
0.37
à Choisir le site B
Nom du congrès Lieu - date
Méthodes pour somme « pondérée »
31
Ø Méthode AHP : pratique + hiérarchisation possible
Ø Autres méthodes pour la somme pondérée : méthode MACBETH (comparaisons d’alternatives « triviales »), méthode directe, …
Ø Autres méthodes résumant les alternatives à des évaluations numériques: Multi-Attribute Utility Theory (MAUT), sans pondération.
Nom du congrès Lieu - date
ELECTRE: méthode de surclassement
32
Ø Méthode venant de l’ « l’école française », développée par Bernard Roy.
Ø Deux notions: • Concordance: mesure combien une alternative
« surclasse » l’autre à si suffisamment haute, une alternative « surclasse » l’autre.
• Discordance: mesure combien deux alternatives sont différentes à si trop différentes, déclarées incomparables via le droit de veto.
Nom du congrès Lieu - date
ELECTRE: niveau de concordance
33
Ø Concordance de l’hypothèse « A surclasse B »: somme des poids des critères pour lesquels A au moins aussi bon que B.
Ø Si concordance > seuil s, alors « A surclasse B »
Site A Site B Site C
Site A - {prox. A} {prox. A, cout}
Site B {cout, prox. H} - {cout, prox. H}
Site C {prox. H, cout} {prox. A} -
Critère Poids
cout 0.28
prox. H 0.64
prox. A 0.07
Site A Site B Site C
Site A - 0.07 0.35
Site B 0.93 - 0.93
Site C 0.93 0.07 -
Nom du congrès Lieu - date
ELECTRE: niveau de discordance
34
Ø Discordance de l’hypothèse « A surclasse B »: pour chaque critère, prendre écart normalisé et conserver le plus grand.
Ø Si niveau > t, alors « A ne surclasse pas B »
Site A Site B Site C
Site A - {prox. H, cout} {prox. H.}
Site B {prox A.} - {prox. A.}
Site C {prox A.} {prox. H, cout} -
Critère Min-Max
cout 3-‐15
prox. H 200-‐3000
prox. A 500-‐10000
Site A Site B Site C
Site A - 0.46 0.10
Site B 0.16 - 0.10
Site C 0.05 0.33 -
Nom du congrès Lieu - date
ELECTRE: extensions
35
Ø Il existe de nombreuses extensions à ELECTRE (ELECTRE II, III, IV, PROMETHEE I, II).
Ø La plupart introduisent plus de « flexibilité » dans la
méthode, tout en conservant l’idée de concordance/discordance à dominances fortes/faibles, capacité de construire des ordres complets, constructions de « profils »
Nom du congrès Lieu - date
Résumé
36
Hypothèses: • un seul décideur (mono-acteur), • monde « certain » (conséquences de chaque alternative connues parfaitement).
Nom du congrès Lieu - date
Résumé
37
Ø Intérêts: • Méthodes « pratiques », applicables avec un minimum
d’expertise (! Si hypothèses vérifiées !) • Sont transparentes (chaque étape est suivie)
Ø Dangers à éviter: • Pas le Graal: une analyse/validation d’experts reste
indispensable à il s’agit d’aide à la décision • « sensibles » au choix numériques: nécessité de faire
une analyse de sensibilité pour vérifier la robustesse du choix à faire varier légèrement poids/utilités et observer conséquences sur classement.
Nom du congrès Lieu - date
Plan
Ø Quelques extensions • Modéliser les interactions entre critères • Multicritères et multi-acteurs • Multicritères en environnement incertains
38
Nom du congrès Lieu - date
Interaction via les poids Ø Idée: dans somme pondérée, poid individuel à chaque
critère à donner des poids à des sous-ensembles de critères pour modéliser les interactions
Ø Exemple sur deux critères i,j • • à critères
indépendants, on retrouve somme pondérée •
Ø Outils utilisés: mesures floues et intégrales non-additives (Sugeno, Choquet).
39
µ({Ci,Cj})> µ({Ci})+µ({Cj}) : Synergie positiveµ({Ci,Cj}) = µ({Ci})+µ({Cj}) : Pas de synergie
µ({Ci,Cj})> µ({Ci})+µ({Cj}) : Synergie positive
Nom du congrès Lieu - date
Intégrale de Choquet Ø Espace des critères C={C1,…,Cn} et mesure μ: 2|C| à
[0,1] telle que si , alors μ(A) ≤ μ(B)
Ø Soit x1 , x2 , … , xn les valeurs prises par une alternative, alors l’intégrale de Choquet s’écrit avec x(1) ≤ x(2) ≤ … ≤ x(n) et x(0) = 0 .
Ø N.B. si μ({C(i),…, C(n)})=μ({C(i)}) + … + μ({C(n)}) pour tout i, alors on retrouve une somme pondérée.
40
A ! B
Ch(x1,..., xn ) = (x(i) ! x(i!1) )µ({C (i) ,...,C (n)})i=1
n
"
Nom du congrès Lieu - date
Court exemple Ø Trois alternatives A={a1,a2},B={b1,b2},C={c1,c2} sur deux
critères.
Ø Utilités: A={0.4,0.4},B={0,1},C={1,0}
Ø Décideur indifférent entre B et C, auxquelles il préfère A
A > {B ~ C}
Si somme pondérée
B ~ C <-> w1=w2 A > B <-> 0.4(w1+w2) > w2
Ø Impossible de satisfaire ces inégalités à somme pondérée ne prend pas en compte « l’inacceptabilité » d’avoir un critère non-satifait (~ pas de prise en compte de la synergie positive entre critères).
41
Nom du congrès Lieu - date
Plusieurs acteurs, une seule décision Ø Une théorie parente de la décision multicritères: le choix
social (A. Sen) et la théorie du vote (Condorcet, Borda, …).
Ø Supposition: m candidats (alternatives) A={a1,…,am} et k votants (décideurs, acteurs).
Ø Chaque acteur fournit un ordre total (transitif, complet, antisymétrique), un vote sur les candidats (hypothèse assez forte en multicritère)
42
Nom du congrès Lieu - date
Vous avez dit majorité? Ø Choix majoritaires parfois peu représentatifs d’un
compromis.
Ø Exemple: 4 candidats A,B,C,D, et 100 votants • 40 votants tels que A > B > C > D • 30 votants tels que C > B > D > A • 30 votants tels que D > B > C > A
Ø En vote majoritaire, A choisit (à la française, C ou D), alors que A rejeté majoritairement et B apparaît comme meilleur compromis.
43
Nom du congrès Lieu - date
Méthode de Condorcet Ø Principe: un candidat A bat un candidat B si
une majorité de votants préfère A à B
Ø Problème: transitivité non-garantie • 3 votants et 3 candidats A,B,C:
1: A > B > C 2: B > C > A 3: C > A > B
• A > B (1 et 2), B > C (1 et 2), C > A (2 et 3)
44
Nom du congrès Lieu - date
Méthode de Bordat
45
Ø Principe: pour chaque voteur, le candidat reçoit son rang comme « score »
Ø Problème: peut être incohérent avec la majorité • 3 votants et 3 candidats A,B,C,D:
1 et 2: B > A > C > D 3: A > C > D > B
• Scores: A = 10, B = 9, C = 7, D = 4 à A choisit mais B préféré par une majorité (et choix de A dépend de la présence de C et D à non-indépendance)
N.B. : en terme de choix, B apparaît comme un bon compromis.
Nom du congrès Lieu - date
Théorème d’Arrow Quelques propriétés:
Ø Universalité: capable de gérer toute configuration de votants Ø Transitivité: le résultat devrait être une liste ordonnée
(Condorcet) Ø Unanimité: le résultat devrait respecter les préférences
unanimes des votants Ø Absence de dictateurs: la méthode ne devrait pas permettre
la présence de « dictateurs » Ø Independence: la comparaison entre deux candidats ne
devrait dépendre que de leurs places respectives. (Borda)
Arrow a montré qu’il n’existait aucune méthode satisfaisant toutes ces propriétés simultanément
46
Nom du congrès Lieu - date
Environnement incertain Deux cas « classiques » Ø Décision dans le « risque »: probabilités,
théorie de l’utilité espérée Ø Décision dans l « incertain »: ensemble d’états
possibles, maximin de Gilboa/schmeidler
47
Nom du congrès Lieu - date
Décision dans le risque Ø On ne connaît « pas » exactement l’état du monde
(cours de la bourse, présence de polluants, nombre de travailleurs disponibles, effets du changement climatique, …)
Ø Conséquences (utilité) d’une décision/alternative Aj vont dépendre de l’état xi du monde
Ø A chaque état xi correspond une utilité uj(xi) et une probabilité p(xi) (supposée indépendante de Aj)
48
Nom du congrès Lieu - date
Décision dans le risque Ø Savage (probabilités subjectives) et Von Neumann –
Morgenstern (probabilités objectives) ont justifié que la « valeur » espérée E(Aj) de Aj pouvait se calculer comme
Ø L’exemple de l’omelette: un bol avec 5 œufs cassé –> que faire du 6ième?
49
E(Aj ) = uj (xi )xi
! p(xi )
X1 : Œuf 6 pourri X2 : Œuf 6 pas pourri
A1: Casser Bol U1(X1)=-15 U1(X2)=7
A2: Casser Ass. U2(X1)=3 U2(X2)=5
A3: Jeter U3(X1)=4 U3(X2)=4
Nom du congrès Lieu - date
Décision dans le risque Ø Théorie axiomatique et théoriquement justifiée Ø Passage au multicritère: demande à construire proba sur toutes les
alternatives (à décomposition par supposition « d’indépendance » des états sur chaque critère) et hypothèse plus « fortes » que pour la somme pondérée.
Problèmes / difficultés Ø Identifier les probas est un problème « difficile » à recourt à
des modèles non-additifs pour modéliser l’incertitude. Ø Paradoxe d’Ellsberg montre que les décideurs n’agissent pas
toujours conformément à la théorie.
50
Nom du congrès Lieu - date
Décision dans l’incertain Ø On ne sait rien sur les probabilités des états à Gilboa et
Schmeidler: stratégie du maximin, on choisit la décision pour laquelle la « pire » (min) situation est la plus intéressante (maxi)
Ø L’exemple de l’omelette: un bol avec 5 œufs cassé –> que faire du 6ième?
51
X1 : Œuf 6 pourri X2 : Œuf 6 pas pourri
Min
A1: Casser Bol U1(X1)=-15 U1(X2)=7 -15
A2: Casser Ass.
U2(X1)=3 U2(X2)=5 3
A3: Jeter U3(X1)=4 U3(X2)=4 4
Nom du congrès Lieu - date
Décision dans l’incertain
Ø Plus simple que l’approche probabiliste, mais modèle d’information « pauvre » (pas de vraisemblance sur les états)
Ø Décision selon Maximin « pessimiste » (supposé le pire et choisir la meilleure solution dans ce cas) à Critère de Hurwicz permet de balancer entre « pessimisme » et « optimisme » (maximax)
52
Nom du congrès Lieu - date
Conclusions
53
Nom du congrès Lieu - date
Ce qui n’a (presque) pas été abordé Ø La modélisation qualitative et/ou logique des préférences,
incertitudes: théorie des possibilités (Dubois), CP-nets pour préférences conditionnelles (Kaci), relations binaires, …
Ø L’explication des résultats dans un langage « informels » à argumentation (Amgoud), extraction d’explication (Labreuche)
Ø Autres méthodes liées au monde économique (analyse coût/bénéfice) ou sociologique (théorie des organisations).
Ø Aspects de dynamique (planification dans le temps, décisions successives/multiples) et d’évolution (feedback, coopération)
54
Nom du congrès Lieu - date
En résumé Ø Domaine relativement récent (~ années 1950), très
large et touchant de nombreuses disciplines, aux finalités pratiques
Ø Méthodes d’aide à la décision, et non de prise de décision à il ne s’agit pas d’oracles, mais de méthodes permettant de formaliser un raisonnement
Ø Mise en œuvre: collaboration entre expert en aide à la décision, décideurs/acteurs et experts de terrain
55
Nom du congrès Lieu - date
Quelques références Ø Evaluation and decision models: a critical perspective Ø Evaluation and decision models: stepping stones Ø Decision-making Process: Concepts and Methods
56